Effektive Deep-Learning-Techniken verstehen

📋 Kursübersicht

1. Datenaugmentation
2. Dropout
3. Batch Normalization
4. Tiefe Netzwerke
5. Transferlernen
6. Lernratenpläne
7. Verschwinden der Gradienten
8. Gradientenabstieg
9. Backpropagation
10. Aktivierungsfunktionen

📖 1. Datenaugmentation

🔑 Schlüsselkonzepte & Definitionen

Datenaugmentation: Technik zur künstlichen Erweiterung des Trainingsdatensatzes durch Modifikation irrelevanter Eingabeeigenschaften. Ziel ist es, die Vielfalt der Trainingsdaten zu erhöhen, ohne neue Daten sammeln zu müssen, und dadurch die Robustheit des Modells zu verbessern.

Translation Invariance: Eigenschaft eines Modells, gegenüber Verschiebungen in den Eingabedaten robust zu sein. Das bedeutet, dass das Modell unabhängig davon, ob ein Objekt verschoben, gedreht oder skaliert wird, die gleiche Vorhersage trifft.

irrelevante Eingabeeigenschaften: Merkmale der Eingabedaten, die für die Zielvorhersage nicht entscheidend sind. Diese Eigenschaften können verändert werden, ohne die eigentliche Aussage der Daten zu beeinflussen, und werden bei der Modellbildung oft als Störfaktoren betrachtet.

📝 Wesentliche Punkte