Deep Learning mit Small Data

Big Data ist der Treibstoff für Deep Learning. Aber was kann ich tun, wenn meine vorhandenen Datenmengen zu klein sind, um die Parameter meines Machine-Learning-Modells ausreichend zu trainieren? Dies ist eines der größten Hindernisse auf dem Weg zum erfolgreichen Einsatz von Machine Learning.

In diesem Vortrag werden Deep-Learning-Anfängern und Machine-Learning-Praktikern die Herausforderungen von kleinen Datensets anschaulich erläutert. Anschließend werden Strategien vorgestellt, die auch mit Small Data zum Erfolg führen. Dabei wird gezeigt, wie man mit Hilfe von verschiedenen Data-Augmentation-Verfahren einen Bild-, Text- oder Zeitreihen-Datensatz vergrößern kann. Auch der Einsatz von vortrainierten neuronalen Netzen und Transferlearning wird vorgestellt, damit Small Data nicht zu einem großen Problem wird.

Vorkenntnisse

* Grundlegende Kenntnisse der Funktionsweise von Machine-Learning-Verfahren
* Grundverständnis neuronaler Netzwerke

Lernziele

* Schwierigkeiten beim Einsatz von Machine Learning mit Small Data
* Überblick Data-Augmentation-Verfahren
* Transferlearning
* GANs für Data Augmentation