Neural Embeddings, Latent Spaces und Autoencoder mit TensorFlow 2

Die Idee von Autoencodern und Embeddings ist, komplexe Daten oder Bilder in einen "Latent Space" mit deutlich weniger Dimensionen zu transformieren. Diese Art der Dimensionsreduktion ist deutlich flexibler als ein lineares Verfahren wie PCA und lässt sich auch auf nicht numerische Daten anwenden. Dies kann als eine Vorverarbeitungsstufe für Supervised oder Unsupervised Learning nützlich sein. Oder man nutzt den erzeugten Latent Space bei weniger als drei Dimensionen direkt für eine grafische Ausgabe.

In diesem Workshop lernst du dazu, wie
* Autoencoder komplexe Bilder in zwei Dimensionen übersetzen können,
* Neural Embeddings Kategorien wie Fußballspieler oder Fluglinien anhand beliebiger Eigenschaften vergleichbar machen.

Bei beiden Beispielen können wir sowohl Ähnlichkeiten und Gemeinsamkeiten, aber auch Ausreißer erkennen und weiter analysieren.

Vorkenntnisse

Dies ist ein fortgeschrittenes Training. Du solltest dich daher bereits mit TensorFlow beschäftigt haben oder zumindest verstehen, wie Neuronale Netze aufgebaut sind und trainiert werden.

Lernziele

Die Teilnehmer können erkennen, wo Embeddings oder Autoencoder sinnvoll eingesetzt werden können. Dazu erlernen sie Methoden, diese mit TensorFlow 2 umzusetzen.

Agenda

1. Intro

  • Functional Keras API in TensorFlow 2 auf Colab Notebooks

2. Warum Autoencoder und was sind die überhaupt?

  • Fallbeispiel: Ähnlichkeiten von Bildern
  • Autoencoder auf Bilddaten trainieren
  • Extraktion und Darstellung des Latent Spaces

3. Neural Embeddings

  • Fallbeispiel: Ähnlichkeit von Fluglinien
  • Netzwerk Architektur für das Fallbeispiel
  • Training auf komplexen Daten
  • Extraktion und Darstellung des Embeddings

4. Abschluss: Weitere Anwendungen

 

Technische Anforderungen

Alle Übungen werden mit TensorFlow 2 auf Colab Notebooks durchgeführt. Daher brauchst du lediglich einen Laptop, der sich mit dem Internet verbinden kann, einen modernen Browser und ein Google-Login.

Speaker

 

Oliver Zeigermann
Oliver Zeigermann ist Entwickler, Architekt, Berater und Coach. Oliver hat über Jahrzehnte in vielen unterschiedlichen Sprachen und mit vielen Technologien Software entwickelt. In den letzten Jahren ist er wieder tiefer in den Bereich Machine Learning eingestiegen. Er knüpft damit an sein Studium der Künstlichen Intelligenz in den 90er-Jahren an.

M3-Konferenz-Newsletter

Sie möchten über die ML Essentials
auf dem Laufenden gehalten werden? Dann abonnieren Sie den Newsletter der zugehörigen Konferenz Minds Mastering Machines (M3).

 

Anmelden