Para el aprendizaje profundo (problemas de visión por computadora) tiene algunas opciones:
- Aumento de datos: realizado mediante recorte aleatorio, volteo y fluctuación de color de sus imágenes de entrenamiento para clases donde sus datos de entrenamiento son escasos. [1]
- Validación cruzada [2]: le da a su modelo una exposición total a todos sus datos mientras prueba su modelo de forma independiente con los datos de prueba.
- Transferencia de conocimiento: utilice un enfoque de recuadro negro utilizando un modelo que se haya entrenado previamente en un conjunto de datos diferente (por ejemplo, ImageNet), congele las capas inferiores del modelo y ajuste las capas finales completamente conectadas en su conjunto de datos.
Notas al pie
[1] Construyendo poderosos modelos de clasificación de imágenes usando muy pocos datos
- ¿Un disco duro completo normalmente contiene alrededor del 50% de unos y 50% de ceros?
- ¿Qué recomienda como material para un principiante en minería de datos?
- ¿Cuál es la diferencia entre el análisis empresarial y la ciencia de datos?
- ¿Qué controles / auto revisión aplica para la visualización de datos?
- ¿Cuál es la mejor manera de hacer un curso sobre big data en India?
[2] Validación cruzada (estadísticas) – Wikipedia