Transfer Learning und Meta Learning in Deep Neural Networks

Deep Neural Networks (DNN) werden für eine Bandbreite von Problemen eingesetzt. Ein Nachteil dieser DNNs ist, dass sie sehr viele Daten benötigen, um gute Ergebnisse auszugeben. Ein Lösungsansatz ist das Transfer Learning, also das Übertragen von Wissen aus anderen Aufgabenstellungen. So könnte zum Beispiel das Wissen eines Neuronalen Netzes, das Bilder von Autos klassifiziert, auf ein Neuronales Netz übertragen werden, das Tiere klassifizieren soll.

Ein weiterer Ansatz besteht im Meta Learning, also dem Lernen zu lernen. Nach dem erfolgreichen Meta Learning passt sich der Algorithmus schneller der neuen Aufgabenstellung an und kann dann mit weniger Daten gute Ergebnisse produzieren.

Vorkenntnisse
* Kenntnisse über Neuronale Netzwerke, wie sie funktionieren (Gradientenverfahren etc.) und aufgebaut sind (grundlegende Architekturen wie CNNs)
* Grundkenntnisse Mathematik

Lernziele
* Das Publikum versteht die Motivation von Meta Learning und Transfer Learning und wieso es gebraucht wird.
* Weiterhin sollen Anwendungsgebiete verstanden werden und befähigt werden, die Kenntnisse auf eigene Daten und Problemstellungen zu übertragen
* Zuletzt wird die Intuition hinter den Algorithmen verstanden, sodass eine eigenen Implementierung möglich ist.

// Nicolas Kuhaupt

hat Mathematik und Wirtschaftsmathematik studiert und beide Masterarbeiten im Themengebiet Big Data und Data Science geschrieben. Anschließend war er ein Jahr lang als Big Data Consultant tätig und ist als Research Data Scientist zum Fraunhofer IEE gewechselt. Dort ist er in der Gruppe Informationsanalyse und Bewertung dafür zuständig, die Digitalisierung der Energiewende mit Data-Science-Methoden voranzutreiben.