Tiefes neuronales Netzwerk

Was ist ein tiefes neuronales Netz?

Ein tiefes neuronales Netz, auch “Deep Neural Network”, ist ein Netz mit einem bestimmten Grad an Komplexität. Kurz gesagt ein neuronales Netz mit mehr als zwei Schichten. Tiefe neuronale Netze verwenden ausgefeilte mathematische Modellierung, um Daten auf komplexe Weise zu verarbeiten. Ein Beispiel sind künstliche neuronale Netzwerke.

Techopedia erklärt das tiefe neuronale Netzwerk

Ein neuronales Netzwerk ist im Allgemeinen eine Technologie, die die Aktivität des menschlichen Gehirns simuliert – insbesondere die Mustererkennung und die Weiterleitung von Eingaben durch verschiedene Schichten von simulierten neuronalen Verbindungen.

Viele Experten definieren tiefe neuronale Netze als Netze, die eine Eingabeschicht, eine Ausgabeschicht und mindestens eine versteckte Schicht dazwischen haben. Jede Schicht führt bestimmte Sortier- und Ordnungsvorgänge durch, die manche als “Merkmalshierarchie” bezeichnen.

Eine der wichtigsten Anwendungen dieser hochentwickelten neuronalen Netze ist der Umgang mit unbeschrifteten oder unstrukturierten Daten. Der Begriff “Deep Learning” wird auch verwendet, um diese tiefen neuronalen Netze zu beschreiben, da Deep Learning eine spezielle Form des maschinellen Lernens darstellt, bei der Technologien, die Aspekte der künstlichen Intelligenz nutzen, versuchen, Informationen auf eine Weise zu klassifizieren und zu ordnen, die über einfache Eingabe-/Ausgabeprotokolle hinausgeht.

Verwandte Begriffe

Margaret Rouse

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.