• Keine Ergebnisse gefunden

Algorithmische Grundlagen des Maschinellen Lernens Sommersemester 2020

N/A
N/A
Protected

Academic year: 2022

Aktie "Algorithmische Grundlagen des Maschinellen Lernens Sommersemester 2020"

Copied!
1
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Anne Driemel

Thomas Kesselheim 25. Mai 2020

Xianghui Zhong Abgabe bis: 8. Juni 2020, 12 Uhr

Algorithmische Grundlagen des Maschinellen Lernens Sommersemester 2020

Ubungsblatt 6 ¨

Aufgabe 1: (5 Punkte)

Sei f :R → R eine stetige Funktion. Wir haben in der Vorlesung zwei verschiedene Defini- tionen f¨ur die Konvexit¨at von f kennengelernt:

(i) ∀u, v ∈R:f(u)≥f(v) +f0(v)(u−v)

(ii) ∀u, v ∈R,∀λ∈[0,1] :f(λu+ (1−λ)v)≤λf(u) + (1−λ)f(v) Zeigen Sie, dass (ii) aus (i) folgt.

Aufgabe 2: (2+2 Punkte)

Untersuchen Sie Abschlusseigenschaften der Konvexit¨at in Bezug auf folgende Funktionen.

f, g, h :R→R.

(a) h(x) = min(f(x), g(x)) (b) h(x) = max(f(x), g(x))

Angenommen, f und g sind konvex, ist dann auch h konvex? Beweisen Sie ihre Anwort.

Aufgabe 3: (2+2 Punkte)

Sei f :R→R mit f(x) = |x|.

(a) Zeigen Sie, dass f eine konvexe Funktion ist.

(b) Geben Sie die Menge der Subgradienten f¨ur x= 0 an.

Aufgabe 4: (2 Punkte)

Sei f :R3 →R mit f(x, y, z) = 4x2+ 6y6+y4+z. Bestimmen Sie den Gradienten ∇f.

Aufgabe 5: (2 Punkte)

Sei f¨ur ein a∈R die Funktion fa :R→Rdefiniert als

fa(x) =

(+1 falls x≥a

−1 sonst

Zeigen Sie, dass die Schwellenwertfunktion nicht konvex ist.

Aufgabe 6: (3 Punkte)

Uns sind Punkte in der Ebene (x1, y1), . . . ,(xm, ym) gegeben, die wir durch eine Gerade beschreiben wollen. Sei die Gerade durch ihre Steigung a und Achsenabschnitt b para- metrisiert. Zeigen Sie, dass die Funktion der Summe der Fehlerquadrate f: R2 → R mit f(a, b) = Pm

i=1(axi+b−yi)2 konvex ist.

Hinweis: Nutzen Sie die aus der Vorlesung bekannten Abschlusseigenschaften.

Referenzen

ÄHNLICHE DOKUMENTE

We introduced a novel approach to remote homology detection based on oligomer distance histograms (ODH) for feature space representation of protein sequences.. Although the ODH

Da im Falle eukaryotischer Translationsstarts die Signale auch speziesübergreifend gelernt werden können, steht hier eine deutlich größere Menge verifizierter Trainings- daten

Dies gilt nicht nur für Objekte, sondern auch für Haltungen, zum Beispiel die der Neugier: Wie meine Neugier sich kanalisiert, ist kulturell geformt, nicht nur. 1 Dies gilt auch

In einer Simulation konnte gezeigt werden, dass es mit Methoden des bestärkenden Lernens möglich ist, ein künstliches neuronales Netz so zu trainieren, dass die Regelung

Zwei Punktmengen im R 2 sind durch eine Gerade separierbar, wenn alle Punkte der einen Menge unterhalb der Gerade liegen und alle Punkte der anderen Menge oberhalb der Geraden

Es seien S und S 0 zwei Mengen von jeweils m Samples unabh¨ angig gezogen aus der gleichen Verteilung. Ihr Beispiel sollte keine 4 Punkte enthalten, die affin abh¨

Geben Sie ein Beispiel im realisierbaren Fall an, in dem die Soft-SVM-L¨ osung eine Hypothese liefert, die nicht alle Datenpunkte

Die Vorverarbeitung sollte daf¨ ur eine geeignete Datenstruktur auf der Menge S berechnen und darf beliebig viel Zeit kosten. (c)