slider

AI/Active Learning - kostenloses Webinar

In der Praxis mangelt es wertvollen Datenbeständen häufig an Labels. Diese Schlüssel-Informationen sind für die Erstellung von AI/ML-Modellen essenziell. Die sinngebenden Labels (Beschriftungen) können i.d.R. nur von Menschen mit ausreichendem Sachverstand vergeben werden. Dies macht den Prozess zeitaufwändig und kostenintensiv. Das Active-Learning (AL) kann hier entscheidend helfen. Der AL-Algorithmus stellt wenige, zielgerichtete Fragen, um maximalen Lernerfolg für das ML-Modell zu erzielen. In diesem Webinar erfahren sie anhand eines bekannten Beispieldatensatzes (Fashion MNIST), was unter Active-Learning im Detail zu verstehen ist und wie es in der Praxis funktioniert.

Zielgruppe:

Data-Manager, IT-Architekten, Data-Scientists, bzw. Personen die sich mit den Aspekten des Machine Learnings befassen.

Voraussetzung:

Interesse im Bereich von Digital-Transformation, Big-Data, ML.

Ziele/Nutzen des Seminars:

Sie bekommen einen Überblick über die Problematik von "ungelabelten" Daten. Sie lernen die Vorteile des Active-Learnings kennen, um diesen Problemen zu begegnen. Sie sehen in der Praxis, wie Active-Learning aus Daten-Sammlungen Werte generieren kann.

Inhalte:

  • Einführung: Active-Learning macht Daten für AI / Machine-Learning nutzbar
  • Beispiel Datensatz: Fashion MNIST
  • Sortieren für Experten
  • Model-Type: Multiclass Classification, Single Label
  • Qualität übersichtlich visualisiert: Heatmap der Confusion-Matrix
  • Schlaue Fragen stellen: Das Oracle befragen
  • Vorgehen: Algorithmen des Active-Learning
  • Wichtiges lernen: Learning Cycle
  • Pool Based Sampling
  • Unsicherheit entscheidet: Uncertainty Sampling
  • Demokratie für Algorithmen: Consensus Sampling
  • In komplexer Datenlage Klassifizieren: Wäsche Sortieren
  • Lernen in der Praxis: Margin vs. Random Based Pool Sampling
  • Effizienz gewinnt: Kostenreduktion

Termine: