Definition Deep Learning | DL Was ist Deep Learning?

Anbieter zum Thema

PresseBox - unn | UNITED NEWS NETWORK GmbH

Fujitsu Technology Solutions GmbH

Mimecast Germany GmbH

Deep Learning ist ein Teilbereich des maschinellen Lernens und der künstlichen Intelligenz. Es nutzt künstliche neuronale Netze, die als mathematische Modelle der Funktionsweise des menschlichen Gehirns nachempfunden sind. Sie bestehen aus mehreren Ebenen miteinander vernetzter Neuronen. Die neuronalen Netze werden mit großen Datenmengen trainiert und sind in der Lage, komplexe Zusammenhänge zu erfassen. Eine typische Anwendung des Deep Learnings ist das Natural Language Processing (NLP).

Deep Learning (im Deutschen: tiefes Lernen) ist ein Teilgebiet des Machine Learnings (ML) und der künstlichen Intelligenz (KI). Tiefes Lernen bezeichnet eine fortgeschrittene Methode des maschinellen Lernens, die auf dem mathematischen Modell eines künstlichen neuronalen Netzes (KNN) basiert. Diese Netze bestehen aus mehreren Schichten miteinander vernetzter Neuronen und werden mit großen Datenmengen trainiert. Sie sind der Funktionsweise des menschlichen Gehirns nachempfunden. Durch Training und die Verknüpfung der Neuronen kann das Deep-Learning-Modell komplexe Zusammenhänge erfassen und daraus Wissen ableiten, ohne dass explizite Programmierarbeit notwendig ist. In der anschließenden Inferenzphase lässt sich das erworbene Wissen auf neue Informationen und Daten anwenden.

Mit Deep Learning erlangt ein System künstliche Intelligenz. Es kann Vorhersagen erstellen, Wahrscheinlichkeiten berechnen, Schlussfolgerungen ziehen, Entscheidungen treffen und einiges mehr. Typische Einsatzbereiche des Deep Learnings sind das Natural Language Processing (NLP) oder die Bilderkennung. Durch steigende Rechenleistung, fortgeschrittenen Big-Data-Technologien und immer größere und leistungsfähigere ML-Modelle erzielt Deep Learning erstaunliche Ergebnisse. Teilweise haben die Modelle Milliarden Parameter und führen viele Milliarden Rechenoperationen aus. Aufgrund der Komplexität der Modelle ist es im Nachhinein nur noch eingeschränkt nachvollziehbar, wie bestimmte Ergebnisse zustande kommen. Im Extremfall sind die Ergebnisse intransparent und beispielsweise durch in den Trainingsdaten enthaltene Vorurteile beeinflusst.

Künstliche neuronale Netzwerke als Grundlage des Deep Learnings

Die Basis für das Deep Learning bilden künstliche neuronale Netze. Sie sind der Funktionsweise des menschlichen Gehirns nachempfunden und bilden es in einem mathematischen Modell mit künstlichen Neuronen ab. Neuronen sind miteinander über sogenannte Kanten verbunden und bilden in dem Modell die Knotenpunkte. Ein KNN besteht aus mehreren Schichten von Neuronen. Diese Schichten sind die Eingabeschicht (Input Layer), die Ausgabeschicht (Output Layer) und mehrere Zwischenschichten (Hidden Layer) zwischen der Ein- und Ausgabeschicht. Während des Lernvorgangs werden die Eingangssignale über Eingangsneuronen und die Zwischenschichten mit Ausgangsneuronen verknüpft und ihre Verbindungen unterschiedlich gewichtet, wodurch Ausgangssignale entstehen. Je mehr Neuronenschichten vorhanden sind, desto mehr Verknüpfungen lassen sich bilden und komplexere Zusammenhänge abbilden. Teilweise besitzen die Netze zehn und mehr Hidden Layer. Es existieren verschiedene Arten neuronaler Netzwerke wie Convolutional Neural Networks (CNNs) mit Faltungs- und Pooling-Layern oder Recurrent Neural Networks (RNNs) mit rückgekoppelten Verbindungen. Oft werden im Zusammenhang des Deep Learnings auch Random Decision Forests (RDFs) genannt. Sie können ebenfalls für tiefe Lernvorgänge verwendet werden, gehören aber nicht zur Kategorie der neuronalen Netzwerke, da sie nicht mit Neuronen-Layern, sondern mit Entscheidungsbäumen (Decision Trees) arbeiten.

Typische Anwendungen des Deep Learnings

Typische Anwendungen des Deep Learnings sind:

• Natural Language Processing

• Bild-, Objekt- und Gesichtserkennung

• Spracherkennung

• maschinelle Übersetzungen

• Sprachassistenten

• künstliche Intelligenz in Computerspielen

• autonomes Fahren

• Verkehrs- und Stauvorhersagen

• Vorhersagen des Kundenverhaltens

• Wettermodelle

• medizinische Forschung und Diagnostik

• Betrugserkennung und Risikobewertung im Finanzwesen

• Robotik

(ID:48528030)