Deep Learning

Transparenz

Was ist Deep Learning?

Deep Learning ist ein iterativer Ansatz für künstliche Intelligenz (KI), bei dem maschinelle Lernalgorithmen in einer Hierarchie zunehmender Komplexität und Abstraktion gestapelt werden. Jede Deep Learning Ebene wird mit dem Wissen aus der vorangegangenen Ebene der Hierarchie erstellt.

Die erste Schicht eines tiefen Bilderkennungsalgorithmus könnte sich beispielsweise auf das Lernen von Farbmustern in den Trainingsdaten konzentrieren, während sich die nächste Schicht auf Formen konzentriert.

Schließlich wird die Hierarchie aus Schichten bestehen, die sich auf verschiedene Kombinationen von Farben und Formen konzentrieren, wobei sich die oberste Schicht auf das eigentliche zu erkennende Objekt konzentriert.

Deep Learning ist derzeit die am weitesten entwickelte KI-Architektur, die heute verwendet wird. Beliebte Deep-Learning-Algorithmen sind unter anderem:

  • Neuronales Faltungsnetzwerk – der Algorithmus kann verschiedenen Objekten in einem Bild Gewichtungen und Verzerrungen zuweisen und ein Objekt im Bild von einem anderen unterscheiden. Er wird zur Objekterkennung und Bildklassifizierung verwendet.
  • Rekurrente neuronale Netze – der Algorithmus ist in der Lage, sich sequenzielle Daten zu merken. Es wird für Spracherkennung, Stimmerkennung, Zeitreihenvorhersage und Verarbeitung natürlicher Sprache verwendet.
  • Netze mit langem Kurzzeitgedächtnis – der Algorithmus kann bei Problemen der Sequenzvorhersage die Abhängigkeit von der Reihenfolge lernen. Es wird in der maschinellen Übersetzung und Sprachmodellierung verwendet.
  • Generative adversarische Netze – zwei Algorithmen treten gegeneinander an und verwenden die Fehler des anderen als neue Trainingsdaten. Es wird bei der Wiederherstellung von Digitalfotos und Deepfake-Videos verwendet.
  • Deep Belief Networks – ein unbeaufsichtigter Deep-Learning-Algorithmus, bei dem jede Schicht zwei Aufgaben hat: Sie fungiert als verborgene Schicht für das, was vorher war, und als sichtbare Schicht für das, was als nächstes kommt. Es wird im Gesundheitswesen zur Erkennung von Krebs und anderen Krankheiten eingesetzt.

Zusätzlich bieten viele dieser Algorithmen die Grundlage für moderne KI-Apps für iPhone, die fortschrittliche Funktionen wie Spracherkennung und Bildklassifizierung unterstützen.

Techopedia erklärt Deep Learning

Deep Learning wird verwendet, um neuronale Netze und entscheidungsrelevante Netzknoten aufzubauen und zu trainieren. Es gilt als eine Kerntechnologie der vierten industriellen Revolution (Industrie 4.0) und des Web3.

Deep Learning macht die manuelle Identifizierung von Merkmalen in Daten überflüssig und stützt sich stattdessen auf einen beliebigen Trainingsprozess, um die nützlichen Muster in den Eingabebeispielen zu entdecken. Dadurch wird das Training des neuronalen Netzes einfacher und schneller, und es kann zu besseren Ergebnissen führen, die den Bereich der künstlichen Intelligenz voranbringen.

Ein Algorithmus gilt als tief, wenn die Eingabedaten eine Reihe von Nichtlinearitäten oder nichtlinearen Transformationen durchlaufen, bevor sie ausgegeben werden. Heute verwenden die meisten Geschäftsanwendungen Algorithmen für maschinelles Lernen mit geringer Tiefe.

Bei der oberflächlichen KI, die auch als enge KI bezeichnet wird, wird keine Hierarchie von Unterprogrammaufrufen aufgebaut. Stattdessen ist diese Art von Lernalgorithmus auf die Ausführung einer einzigen, diskreten Aufgabe ausgelegt.

Verwandte Begriffe

Margaret Rouse
Redaktion
Margaret Rouse
Redaktion

Margaret Rouse ist eine preisgekrönte technische Autorin und Dozentin. Sie ist für ihre Fähigkeit bekannt, komplexe technische Themen simpel und nachvollziehbar zu erklären. In den letzten zwanzig Jahren sind ihre Erklärungen auf TechTarget-Websites erschienen und sie wurde in Artikeln der New York Times, des Time Magazine, USA Today, ZDNet, PC Magazine und Discovery Magazine als Quelle und Expertin zitiert. Wenn Sie einen Vorschlag für eine neue Definition haben oder eine technische Erklärung verbessern möchten, schicken Sie einfach Margaret eine E-Mail oder kontaktieren Sie sie auf LinkedIn oder Twitter.