Es muss nicht immer Deep Learning sein! TensorFlow Probability für Wahrscheinlichkeitsmodelle und Statistik.

Deep Learning mit neuronalen Netzen ist inzwischen eine fest etablierte Technik, für verschiedene komplexe Aufgaben: Klassifikation und Regression, Bild-/Objekterkennung, Natural Language Processing (NLP), Generierung von Bildern, Texten, Videos, Reinforcement Learning und sehr viel mehr. Eine der bekanntesten und am weitesten verbreiteten Bibliotheken für die Implementierung solcher Modelle ist Googles TensorFlow.

Seit einiger Zeit gibt es aber auch eine analoge Bibliothek, mit der sich Wahrscheinlichkeitsmodelle trainieren lassen: TensorFlow Probability. Aber was sind Wahrscheinlichkeitsmodelle? Der wesentliche Unterschied zu neuronalen Netzen ist, dass Wahrscheinlichkeitsmodelle (oder probabilistic modeling) auf Domänenwissen basieren und dieses in die Modelle einfließen lassen.

Denn während Deep Learning gerade bei Problemen, die sehr komplex sind oder bei denen kaum Domänenwissen genutzt werden kann (oder soll), sehr gut und passend ist, finden sich in der Realität (vor allem in Business Use-Cases) deutlich häufiger Situationen, in denen sehr wohl Domänenwissen vorhanden ist. Häufig ist dieses Wissen aus jahrelanger Erfahrung gewachsen und kann deshalb optimal für die Modellbildung genutzt werden. Solche Modelle zu definieren und zu trainieren ist allerdings etwas komplizierter, als "blind" seine Daten auf ein neuronales Netz loszulassen.

In diesem Vortrag möchte ich die Grundprinzipien von Wahrscheinlichkeitsmodellen vorstellen und wie sie, zum Beispiel mit TensorFlow Probability, angewendet werden können. Ich hoffe, mit diesem Vortrag mehr Data Scientisten davon zu überzeugen, dass solche Modelle häufig der sinnvollere Ansatz für ein Problem sein können – und die Hemmschwelle für das Verwenden dieser Techniken so weit zu verringern, dass sie häufiger angewendet werden.

Vorkenntnisse

Grundkenntnisse Statistik

Lernziele

Verstehen,
* was Wahrscheinlichkeitsmodelle sind
* und warum sie für manche Aufgaben viel besser geeignet sind als klassisches Deep Learning.

 

Speaker

 

Shirin Glander Shirin Glander arbeitet als Data Scientist bei der codecentric AG. Sie hat in der Bioinformatik promoviert und nutzt von Statistik bis Machine Learning verschiedenste Methoden, um aus Daten spannende und neue Erkenntnisse zu gewinnen. Regelmäßig bloggt sie über Data Science Themen und gibt Schulungen zu Deep Learning mit Keras.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
Phytec

Bronze-Sponsoren

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden