วีดีโอ

wahnsinnig schlechtes Video

was passiert wenn man mehrere Übergängamöglichkeiten hat (z.B.: a,b,c,aaa, leere Wort)?

Hallo Daniel, danke für das Tutorial und das Tool selbst. Ich nehme mal an, dass Dein Tool, je nach user Eingabe ein Modell erstellt, dieses trainiert und dann auch predict ausführt. Was läuft da im Hintergrund ? pytorch, tensorflow oder etwas anderes ? danke und Gruß

Das hat mit Intelligenz überhaupt nichts zu tun.^^ Eher im Gegenteil. Stumpfes Verstellen und Probieren mit den neuen Werten. Verstehe nur nicht, wieso man solch eine eher schwergewichtige Formel dafür braucht, also bei größeren Netzen. Da die weights sich generell zwischen 0 und 1 bewegen, könnte man doch eine noch billigere Anweisung geben wie, Jump erstmal in großen Schritten und dann reduziere die Schrittweite, bis man nah genug am Optimalwert liegt. Dürfte schneller gehen, wenn man es clever macht. Ähnlich wie die Aproximation an Minima/Maxima in der Mathematik. Ich werd' mir mal was einfallen lassen, sodass ein Neuron schnellst möglich und ohne viel Rechnerei auf ein sehr optimales Gewicht kommen kann. Mal schauen, vielleicht läute ich ja die nächste Generation von neuronalen Netzten ein.^^ 😉

danke!

endlich kapiert, danke <3

Sehr hilfreich

Prinzip gut erklärt und einfach auf eigene NEA anwewndbar - top!

Ich finde deine Videoreihe sehr gut. Allerdings habe ich eine Frage. Ich dachte jedes Neuron hat auch ein sog. Bias? Wird der Bias in der Videoreihe vernachlässigt zum einfacheren Verständnis?

Meinst du mit Schwellenwertänderung den Bias?

Wieso kann man a,e zusammenfassen, wenn man a mit 0 zu b kommt und e mit 0 zu h? Wir können doch gar nicht mit zwei 0 Pfade bauen oder nicht? Alles andere habe ich verstanden. Hat sich geklärt, bin manchmal so ungeduldig... b,h wurden zusammengefasst, deshalb. Ich hätte voreilig das (a,e) rausgeschmissen wegen dem 0 nach h und 0 nach b schon rausgeschmissen, ziemlich tricky muss ich sagen.

habe für (a,g) und (e,g) nicht kapiert . könnte jemand da helfen?

Ist dein Tool frei zugänglich 😊

Ist halt kein DEA aber schon gut😂; Bei C bräucht es für eingabe b noch ein pfeil zu sich selbst, bei A das gleich mit a

gut erklärt, Danke!

Hallo Daniel , wäre gut dieses Video noch mal machen ohne die Fehler.

Danke

Stark danke

Braucht man nicht noch eine Senke für diesen Algorithmus?

Wäre auch nicht jeder Zustand win start Zustand?

Könnte man den Ersten Schritt, also die Erste Tabelle zu erstellen, nicht weglassen? es kommen ja keine neuen Zustände dazu wie beispielsweise bei der Potenzmengenkonstruktion

boah also für Interessierte oder Neulinge ist das Video leider echt grauenhaft weil du visuell ist zu wenig geboten, nicht jede Formel ist aufgeführt, kein Mauszeiger, man muss sich nur auf deine Stimme konzentrieren und von den vielen Einsen und Nullen weiß man nicht welche du davon meinst dann korrigierst du dich auch beim sprechen dann weiß man nicht mehr wo man gerade ist wenn man deine Formel nachverfolgt.

Danke!

sehr gutes video, hast meine info klausur gerettet

was für ein Tablet nutzt du da? :) Danke für die Erklärung!

Warum bleibt das G weiter bestehen ?

Super Video, warum ist q1 am Ende kein Endzustand, man kann doch von q1 über epsilon nach q2?

Beim DEA haben Sie q1 vergessen... Oder?

Eine Frage: Angenommen ich habe ein NN, das voll ausgelernt ist und zu meiner Zufriedenheit eine sehr johe Accurancy aufweisen kann. Aber dann bekomme ich plötzlich weitere Daten, die nochmal anders gelabelt sind. Sagen wir z.B. bei Object Recognition. Das NN kann Autos und Ampeln erkennen. Jetzt soll es aber auch Bälle identifizieren können. Zum Beispiel für Bälle, die auf die Straße rollen und die Gefahr eines auf die Straße laufenden Kindes bedeuten kann. Muss ich (und das ist die Kernfrage, um meine Ausschweifungen herum) all die Lerndatensätze erneut lernen und dann zusätzliche Minibatches mit den Lerndaten für Bälle? Oder reicht es, das bereits für Ampeln und Autos ausgelernte NN mit weiteren Daten (für die Bälle) zu füttern? Zumal ja die ganze Struktur vom NN plötzlich ganz anders aussieht. Denn jetzt gibt es ja einen Output-Neuron mehr. Nämlich für die Klasse "Ball", was ja weitere Gewichtungen bedeutet, die wieder anders durch vorangegangene Layer beeinflusst werden, als die vorherigen Output-Neuronen. Ich habe bereits gegoogelt, aber finde irgendwie nichts Konkretes dazu.

ich bin dümmer als vor dem Video geworden

Endlich mal kapiert! Danke❤️

nice

Sehr gutes Video, vorallem nichts überflüssiges gesagt. Danke

super erklärt!! :)

Wieso ereichen wir bei dem NEA von q0 mit der EIngabe 2 nicht q1 sondern nur q2? Durch die e-Transition kann doch egal mit welcher Eingabe q1 erreicht werden oder?

Klammern top

Danke!!!!! Genau das hab ich stundenlang gesucht!!!

Danke! Wir hatten in der VL irgendwie nur NEA zu DEA besprochen, aber hatte keine Ahnung wie ich die Epsilon-Übergänge loswerde

like und abo da gelassen

bester Mann ehre

Sehr gutes Video. Danke!

Hai 🦈

Echt gut erklärt. Danke, das hat mir sehr geholfen!

Ich muss sagen, dass ich das Prinziep hier endlich verstanden habe - vielleicht ^^' Aber kann es sein, dass dir ein gravierender Fehler unterlaufen ist? Eigentlich wäre doch der erste Schritt alle unerreichbaren Zustände zu entfernen, in diesem Fall 'd'. Im ersten DEA ist d vom Startzustand unerreichbar und im minimierten DEA schon...

Sehr gut und anschaulich erklärt, DANKE!

Du bist der Beste! Dankeschön

Hey super Erklärt !! Vielen danke bitte mehr :)

Richtig gut erklärt! Vielen dank

Echt super!! Sehr schön erklärt

Danke sehr, das Video hat mir ehrlich weitergeholfen.