- 9
- 51 155
Hannes Hinrichs
Registrace 9. 10. 2013
Probability Theory (Sum Rule, Product Rule, Bayes' Rule) - Unsupervised Machine Learning #2
In this video I will explain in detail, how we can derive Bayes' Theorem. We need those two rules for probabilistic unsupervised machine learning
zhlédnutí: 799
Video
Probability Theory (Sum Rule, Product Rule, Bayes' Rule) - Unsupervised Machine Learning #1
zhlédnutí 3,4KPřed 5 lety
In this video I will explain in detail, how we can derive the product rule and the sum rule. We need those two rules to derive Bayes' Theorem for probabilistic unsupervised machine learning
K-Means: Examples of Use Cases and Applications
zhlédnutí 7KPřed 5 lety
This video shows the advantages of K-Means and what it could be used for
K-Means: Why you should NOT use it! (disadvantages)
zhlédnutí 3KPřed 5 lety
This video is about potential drawbacks of k-means. Before using the algorithm, pay attention to this.
K-Means: The Math Behind The Algorithm - Easy Explanation
zhlédnutí 11KPřed 5 lety
A very detailed explanation of the simplest form of the K-Means algorithm
Der K-Means Algorithmus - Einfache und intuitive Erklärung (Deutsch/German)
zhlédnutí 25KPřed 5 lety
Eine einfache und intuitive Erklärung des K-Means Clustering Algorithmus für Clusteranalyse und unsupervised machine learning.
K-Means Algorithm - Simple and Intuitive Explanation
zhlédnutí 547Před 5 lety
A simple and intuitive explanation of the concept of the k-means algortihm and how it works basically
How to install Python easily on Windows (8/10) via Anaconda
zhlédnutí 505Před 5 lety
In this video I will show you how to easily install python on Windows 8 or 10 with the help of Anaconda. Furthermore I will show you how you can write Python scripts with Jupyter Notebooks and Spyder
Python einfach auf Windows (8,10) installieren über Anaconda (Deutsch/German)
zhlédnutí 446Před 5 lety
Dieses Video zeigt euch, wie ihr einfach auf einem Windows rechner Python installiert und Scripte erstellt und ausführt. Hierzu benutzen wir sowohl Spyder als auch die Jupyter Notebooks
Rot Grünschwäche lässt grüßen :(
Super erklärt und visualisiert vielen dank 👍
would you kindly do a tutorial of the same nature as above but to the Y-means algorithm and when one should use it ? thanks in advance
wow an actual good explanation of k-means
Hat jemand den Link zum Vor- Nachteil Video ? #THX
sehr gutes Video
ich verstehe nicht ganz, von welchem merkmal die beiden mittelpunkte waren?
WOW. gänsehaut! was musss man studieren um sich damit zu beschäftigen????
Wichtig ist noch bei den Voraussetzungen: man muss vorher wissen, wie viele Cluster man denn haben will und damit sein "k" festlegen. Wenn man für k aber keinen guten Wert raten kann, sollte man vorher andere Verfahren zum Clustering anwenden, die selbst eine Cluster-Anzahl ausgeben, z.B. Canopy Clustering. Und dann kann man danach k-Means mit dem k und den Initialwerten für die Centroiden starten. Und noch was: je nach Wahl der Anfangs-Centroiden muss das Clustering durch k-Means nicht optimal sein, sondern kann zu einem lokalen Minimum konvergieren. Abhilfe: k-Means mehrfach starten mit verschiedenen Initialwerten. Und noch: k-Means kann keine überlappenden Cluster bilden sowie braucht viel Rechenkapazität. Alternative: Canopy Clustering als Vorverarbeitungsschritt. Und dann k-Means.
rote und grüne punkte als Unterscheidung "clever" gewählt ... aber an sonst ganz gut oberflächlich erklärt
Sehr gute Erklärung
Und der Fischer ist genau so schlau wie vorher :DDD Aber gut erklärt!
2:47min kannst du bitte den link teilen? pls share the link with us *_*
Super! Vielen Dank!
Klasse Erklärung, würde dich nur bitten, nächstes Mal eine andere Farbe zu benutzen, für jemanden, der Rot und Grün schwer unterscheidet, ist die Grafik nicht lesbar.
♡♡♡
absolutely amazing if you are doing a machine learning theory assignment.
Super erklärt, danke!
Great video! Thank you very much!
Das mit der Linie funktioniert aber nur bei 2 Kategorien, oder?
Naja, bei 3 Kategorien sind es 3 Linien. Bei 4 Kategorien sind es prinzipiell 6 Linien (immer für Paare aus den 4 Centroiden.). Und dann muss man damit passend den Raum aufteilen.
schreibe normalerweise nie kommis aber du hast es dir verdient
Sehr gut erklärt!!!!!!!
You are flowing with too abstract explanation, is ok for dry academic but not for practical use
agree...
Dear Hannes I need one working example.
good work, man.
Danke!
Thunfische im See, idk about that one :D aber gute Erklärung
Schöne Erklärung, super hilfreich, danke dir!
Gem👍
Thanks.
Best
sehr gute erklärung, danke
Anderes Video erwähnt, aber weder in der Beschreibung noch im Video verlinkt? Ich wette das kannst du besser! ;-)
Very Informative video...expecting more videos explaining maths behind the different algorithm
Gute Erklärung, schaue jetzt die weiterführenden Videos an :)
2:47 there is no link???
This might be an alternative: www.datanovia.com/en/lessons/k-means-clustering-in-r-algorith-and-practical-examples/
Thanks. It Helped!
Thunfisch & Lachs.... ich sehe Karpfen
was ist sieht es aus wenn man mehrere Kategorien hat anstatt nur 2? Beispielaufgabe: CZcams möchte seinen Nutzern personalisierte Empfehlungen für Musikvideos geben. Hierzu wurden 100000 Datensätze gespeichert, wobei jeder Datensatz einer Nutzer-Session entspricht und festhält, in welcher Reihenfolge Musikvideos aus zwölf verschiedenen durchnummerierten Kategorien (z.B. Country, Pop, …) angesehen wurden. Beispieldatensatz: 3 2 2 4 2 2 2 3 3 d.h. in der Session hat der Nutzer Videos aus den Kategorien 3, 2 und 4 angesehen. Beschreiben Sie auf einer DIN A4-Seite ein Szenario, wie diese Daten von CZcams verwendet werden könnten, um ein Empfehlungssystem auf Basis einer Cluster Analyse mit dem k-means Verfahren aufzubauen.
Das Prinzip bleibt ja gleich, du kannst trotzdem für jedes Cluster aus Datensätzen einen Mittelwert berechnen, nur musst du es eben nicht für zwei Dimensionen machen, sondern für mehrere, aber das funktioniert genau gleich. Für jede Dimension die gesamten Werte zusammenrechnen und durch die Anzahl der Datenpunkte in dem Cluster teilen - Zack, neuer Mittelwert. Geht für 1 Dimension, geht für 2, geht auch für 42.
good video.!!. Keep posting more videos brother. This channel has much potential that it is now(1000k subscribers atleast). :-)
super erklärung!
Richtig gute Erklärung über K-means!
Great work, keep it up!
Ah. Now I have a much better understanding of k-means. Big thanks!