Big Data ist der Treibstoff für Deep Learning. Aber was kann ich tun, wenn meine vorhandene Datenmenge zu klein ist, um die Parameter meines Machine-Learning-Modells ausreichend zu trainieren? Dies ist eins der größten Hindernisse auf dem Weg zum erfolgreichen Einsatz von Machine Learning. In diesem Talk werden für Deep-Learning-Anfänger und Machine-Learning-Praktiker die Herausforderungen von kleinen Datensets anschaulich erläutert. Anschließend werden Strategien vorgestellt, die auch mit Small Data zum Erfolg führen. Dabei wird gezeigt, wie ich meinen Datensatz mit Hilfe von verschiedenen Data-Augmentation-Verfahren 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