Sie haben den Begriff "Overfitting" schon oft gehört. Overfitting ist einfach das Konzept der Überspezialisierung beim Training - nämlich, dass Ihr Modell sehr gut darin ist, das zu klassifizieren, wofür es trainiert wurde, aber nicht so gut darin, Dinge zu klassifizieren, die es noch nicht gesehen hat. Um Ihr Modell besser verallgemeinern zu können, benötigen Sie natürlich eine größere Anzahl von Stichproben, auf die Sie es trainieren können. Das ist nicht immer möglich, aber eine nette mögliche Abkürzung ist die Bildvergrößerung, bei der Sie die Trainingsmenge optimieren, um die Vielfalt der abgedeckten Themen zu erhöhen. Diese Woche werden Sie alles darüber erfahren!

Modelle für sich selbst zu erstellen, ist großartig und kann sehr leistungsfähig sein. Aber wie Sie gesehen haben, können Sie durch die Daten, die Sie zur Verfügung haben, eingeschränkt sein. Nicht jeder hat Zugang zu großen Datensätzen oder die nötige Rechenleistung, um sie effektiv zu trainieren. Transfer Learning kann hier Abhilfe schaffen. Dabei werden Modelle, die auf großen Datensätzen trainiert wurden, von Leuten trainiert, die sie entweder direkt verwenden können oder die die von ihnen gelernten Merkmale auf Ihr Szenario anwenden können. Das ist das Transfer-Lernen, mit dem Sie sich diese Woche beschäftigen werden!

Sie haben einen weiten Weg zurückgelegt, Glückwunsch! Bevor wir von ConvNets zum nächsten Modul übergehen, müssen Sie noch eine Sache tun, und zwar über die binäre Klassifizierung hinausgehen. Bei allen Beispielen, die Sie bisher bearbeitet haben, ging es um die Klassifizierung der einen oder anderen Sache - Pferd oder Mensch, Katze oder Hund. Wenn Sie über die binäre Klassifizierung hinausgehen und zur kategorialen Klassifizierung übergehen, müssen Sie einige Überlegungen zur Kodierung anstellen. Diese werden Sie sich diese Woche ansehen!