Transzfer learning alapok kísérletezőknek és menedzsereknek

Egy deep learning modell betanítása idő- és erőforrásigényes feladat. Szerencsére a módszertan lehetőséget kínál arra, hogy ha kész megoldásunk van egy bizonyos problémára, akkor egy hasonlónál már ne kelljen mindent elölről kezdenünk. Ehelyett a kész megoldásunkat transzferálhatjuk, vagyis viszonylag kis hozzáadott erőfeszítéssel alkalmassá tehetjük a második feladat kezelésére. Ez a lehetőség akkor is hasznos lehet, ha a megoldandó feladatunk nehéz, ezért szándékosan egy egyszerűbbet oldunk meg helyette, majd egy újabb körben foglalkozunk az eredeti kihívással.

Az előadás ezt a technikát mutatja be egy gyakori típuspéldán, az aláírás azonosítás problémáján keresztül. Kitér arra, hogy
– mi indokolhatja a módszer alkalmazását
– mennyire volt könnyű használatba vennie a módszert egy gyakorlott, de azért nem deep learning specialista modellezőnek egy magyar vállalatnál felmerült feladatban
– mennyire voltak összhangban az internetes források a tapasztalatokkal a hangolható paraméterek tekintetében
– végül hogy mekkora erőfeszítést igényeltek a tanítás fázisai, aminek ismeretében segítséget kapunk annak eldöntéséhez, hogy házon belül kísérletezzünk a módszerrel, vagy inkább külső megoldást keressünk.

Molnár Tamás
Szenior Data Scientist

Molnár Tamás másfél évtizede foglalkozik data mining / data science feladatok megoldásával. Mélyelemzéseket és előrejelző modelleket készített a telekommunikációs, a pénzügyi és egészségügyi szektorban felmerült feladatokra.