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