The Conference for Machine Learning Innovation

Delivering Rocketfuel – Pipelines für Deep Learning mit Small Data

Session
Join the ML Revolution!
Register until October 21:
✓ 50% off on all prices
✓ 10% team discount
Register Now
Join the ML Revolution!
Register until October 21:
✓ 50% off on all prices
✓ 10% team discount
Register Now
Join the ML Revolution!
Register until September 23:
✓ PS Classic or C64 Mini for free
✓ Save up to €310
10 % Team Discount
Register Now
Join the ML Revolution!
Register until September 23:
✓ PS Classic or C64 Mini for free
✓ Save up to €310
10 % Team Discount
Register Now
Join the ML Revolution!
Register until the conference starts:
✓ 2-in-1 conference special
✓ 10 % Team Discount
Register Now
Join the ML Revolution!
Register until the conference starts:
✓ 2-in-1 conference special
✓ 10 % Team Discount
Register Now
Infos

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? Data Augmentation ist hier oft die Lösung. Aber wie kann ich Data Augmentation sinnvoll in meine bestehende Deep-Learning-Pipeline einbauen? Warum brauche ich überhaupt eine Pipeline, wenn ich doch Jupyter-Notebooks auf meinem Rechner ausführen kann? In diesem Talk werde ich für Deep-Learning-Anfänger und Machine-Learning-Praktiker Vorteile, Möglichkeiten und Tooling von Pipelines für Deep Learning mit Small Data vorstellen. Dabei wird gezeigt, wie ich Werkzeuge und Prinzipien von Continuous Delivery im Machine-Learning-Umfeld anwenden kann, um mit meinem Machine-Learning-Raumschiff in die Produktion zu starten. 

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
  • Continuous Integration Prozesse für Deep Learning und Data Augmentation
  • Werkzeuge für Versionierung, Deployment und Monitoring von Machine-Learning-Modellen

This Session originates from the archive of Diese Session stammt aus dem Archiv von BerlinBerlin . Take me to the program of . Hier geht es zum aktuellen Programm von Singapore Singapore .

This Session originates from the archive of Diese Session stammt aus dem Archiv von BerlinBerlin . Take me to the program of . Hier geht es zum aktuellen Programm von Berlin Berlin .

This Session originates from the archive of Diese Session stammt aus dem Archiv von BerlinBerlin . Take me to the program of . Hier geht es zum aktuellen Programm von Munich Munich .

This Session Diese Session originates from the archive of stammt aus dem Archiv von BerlinBerlin . Take me to the current program of . Hier geht es zum aktuellen Programm von Singapore Singapore , Berlin Berlin or oder Munich Munich .

Behind the Tracks