Schnelles Experimentieren und reproduzierbares Machine Learning in der Praxis

Forschende sowie Entwicklerinnen und Entwickler im Bereich des maschinellen Lernens stehen vor der Herausforderung, schnelle und reproduzierbare Experimente durchzuführen. Um diese Herausforderungen zu bewältigen, stellen wir eine Reihe von Methoden für modularisierte Konfigurationen und reproduzierbare Experimente vor.

Unser Ansatz ermöglicht es, Experimente einfach einzurichten und zu konfigurieren und sie lokal oder auf Kubernetes auszuführen. Außerdem bieten wir ein anpassbares Dashboard für die Analyse an, mit dem die Ergebnisse visualisiert und untersucht werden können.

In diesem Vortrag diskutieren wir die Vorteile unseres Ansatzes und wie er zur Verbesserung der Effizienz und Reproduzierbarkeit führt.

Vorkenntnisse

  • Erste Erfahrungen mit ML-Experimenten

Lernziele

  • Was bedeutet Reproduzierbarkeit und wie erreicht man sie?
  • Modulare Konfigurationen mit Hydra
  • ML-Pipelines mit Dagster

Speaker

 

Denis Stalz-John
Denis Stalz-John spezialisiert sich auf die Bereiche Computer Vision, Semantische Segmentierung, Object Detection und Deep Learning. Sein beruflicher Einstieg erfolgte beim Corporate Research der Robert Bosch GmbH im Bereich Fahrer-Assistenzsysteme und autonomes Fahren. Seit 2018 arbeitet er als Data Scientist bei der codecentric AG.

data2day-Newsletter

Ihr möchtet über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden