Gamification von Suche mit Bandits, Bayes und Swipes – oder: Wie man mit Small Data arbeitetFür einen Data Scientist ist oft nicht Big Data, also (zu) viele Daten, sondern (zu) wenig oder schlechte Daten ein Problem. "Active Learning", ein Unterfeld von Machine Learning, erlaubt es, effizient gute Daten zu sammeln, indem es den Benutzer aktiv nach Labels fragt. So können auch mit wenig Daten Machine-Learning-Modelle entwickelt werden.
Dieser Vortrag gibt einen Einblick in das Thema Active Learning und stellt ein konkretes Fallbeispiel vor. Dieses zeigt, wie man mit
* Multi-armed Bandits, einem Active-Learning-Algorithmus,
* Bayes' Theorem
* und einem intuitiven Benutzerinterface zum Bewerten von Bildern mittels Swipes
spielerisch und effizient die Vorlieben des Nutzers erlernt und so eine andere Art der Autosuche bietet. Der Vortrag enthält sowohl Theorie als auch praktische Tipps.
Vorkenntnisse
Spezielle Vorkenntnisse sind nicht nötig.
Lernziele
Grundverständnis von Active Learning:
* Wie funktioniert es?
* Wann kann man es einsetzen?
* Vorteile und Nachteile
//
Stefan Otte
arbeitet als Data Scientist bei The unbelievable Machine Company GmbH (*um), ist Informatiker, mag Daten und hat Active Learning benutzt, um neugierige Roboter zu bauen.