Veranstaltungen

Maschinelle Lernverfahren (ML) gibt es seit langem und in den letzten Jahren wurden sie mit zunehmendem Erfolg in verschiedenen Bereichen eingesetzt. Prominente Beispiele, vor allem für den Einsatz von Deep Learning, sind unter anderem die Bild- oder Text-Klassifikation. In diesen Anwendungsfällen ist ein großer Bestand von gelabelten Trainingsdaten eine Voraussetzung für gut funktionierende Modelle. Die Erstellung bzw. Annotation solcher Datensets ist jedoch im Normalfall mit großem Aufwand und Kosten verbunden. 

Eine vielversprechende Abschwächung dieses Problems bieten hierbei Ansätze des teilüberwachten Lernens (Semi-supervised Learning), wo lediglich Untermengen der gesammelten Daten manuell annotiert werden müssen. Im Speziellen wird hier auf »Active Learning« eingegangen, bei dem sich entsprechende Algorithmen selbstständig optimieren und sogar Vorschläge liefern können, welche weiteren Datenannotationen den größten Mehrwehrt für die Verbesserung des Modells in der bestimmten Problemstellung bringen.

Die Teilnehmenden dieses DigitalDialogs erhalten einen Überblick über die Funktionsweise von »Active Learning«, deren Vorteile und Schwächen, sowie einen Einblick in das Vorgehen von Data Scientists und Machine Learning Engineers beim Anwenden geeigneter Verfahren. Hierbei werden bewusst Open Source Frameworks zur Anwendung von »Active Learning« vorgestellt und auf ein intuitives Praxisbeispiel angewendet.

Die Veranstaltung richtet sich an

Fach- und Führungskräfte, die die Grundprinzipien des maschinellen Lernens verstehen, vorzugsweise bereits erste Machine Learning-Projekte durchgeführt haben und nun ihren Kenntnisstand bzgl. der Durchführung von Machine Learning-Projekten erweitern möchten.