F4 Jupyter Notebook: Transfer Learning

Im Jupyter Notebook zum Thema „F4 Jupyter Notebook: Transfer Learning“ geht es um Transfer Learning. Dabei werden bereits für andere, ähnliche Problemstellungen trainierte Modelle genutzt, um neue Aufgaben zu lösen. In diesem Notebook zum Beispiel wird ein komplexes Modell, das 1000 Klassen von Objekten in Bildern erkennen kann, trainiert, andere Klassen zu erkennen. Solche Modelle können anschließend durch Fine Tuning mit neuen Daten noch weiter verbessert werden. Beim Transfer Learning werden meistens die letzten Schichten des bereits trainierten Netzwerks weggelassen und durch neue Schichten ersetzt, die die Klassifikation der neuen Klassen lernen. Die Parameter des bereits trainierten Netzwerks werden beim Training nicht mehr verändert, es werden nur noch die Parameter der neuen Schichten gelernt. Das Notebook setzt Programmierkenntnisse voraus. Das Notebook enthält bereits alle nötigen Python-Befehle samt umfassenden Erklärungen dazu. Die Lernenden können die Befehle darin selbst ausführen und anschließend auch damit experimentieren, z. B., indem sie sie verändern. Es wird eine Python-Installation sowie eine Entwicklungsumgebung (z. B. Jupyter Lab, oder auch Visual Studio Code) benötigt, in der das Notebook editiert werden kann. Falls dies nicht gegeben ist, gibt es die Möglichkeit, das Notebook auf der Google-Plattform https://colab.research.google.com hochzuladen und dort zu bearbeiten, dafür wird allerdings ein Google-Account benötigt. Dieses Jupyter Notebook ist optionales Lehrmaterial für die Zusatzqualifikation KI und Maschinelles Lernen sowie Teil des Lehrmaterials für die Fortbildung zum/zur Berufsspezialist/in KI und Maschinelles Lernen. Die Entwicklung und Erprobung dieses Bildungsangebotes wurde vom Bundesministerium für Bildung und Forschung im Rahmen des InnoVET-Programms gefördert. Mehr Informationen zu diesem Projekt gibt es unter https://www.ki-fortbildung.de. Das Notebook gehört zum Bereich F, Datenanalyse und Modelltraining.