Zaawansowane techniki przygotowania danych do fine-tuningu modeli
Drugi artykuł z serii o supervised fine-tuningu pokazuje, jak naprawdę przygotować dane do treningu – od oceny gotowości danych przez learning curves, przez selekcję najcenniejszych próbek, aż po augmentację syntetycznymi przykładami i mieszanie źródeł danych. Dowiesz się, jak uniknąć catastrophic forgetting i wycisnąć maksimum z dostępnych danych.
źródło: [aws/machine-learning-blog]