Deep Learning

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning, das sich mit großen Datenmengen und Algorithmen befasst, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind. Deshalb werden Deep-Learning-Modelle oft auch als tiefe neuronale Netze bezeichnet. Das Deep Learning gehört einer übergeordneten Familie von Machine-Learning-Methoden an, die – im Gegensatz zu traditionellen aufgabenspezifischen Algorithmen – auf dem Erlernen von Datenrepräsentationen basieren.

Wie funktioniert Deep Learning?

Beim Deep Learning lernt ein Computermodell, Klassifizierungsaufgaben direkt auf der Grundlage von Bildern, Text oder Audio durchzuführen. Es führt eine Aufgabe wiederholt aus und verbessert das Ergebnis durch geringfügige Anpassungen. Deep-Learning-Modelle können die menschliche Leistungsfähigkeit übertreffen. Die Modelle werden mit einer großen Menge an gelabelten Daten und Architekturen neuronaler Netze trainiert, die viele Schichten enthalten. Der bedeutendste Teil eines neuronalen Deep-Learning-Netzes ist eine Schicht von Rechenknoten, die als „Neuronen“ bezeichnet werden. Jedes Neuron ist mit allen Neuronen in der darunter liegenden Schicht vernetzt. Dank des „tiefgehenden“ Lernens nutzt das neuronale Netz mindestens zwei verborgene Schichten. Durch das Hinzufügen der verborgenen Schichten können die Forscher tiefgreifendere Berechnungen durchführen. Und wie nun funktioniert der Algorithmus? Jede Verbindung hat ihr spezifisches „Gewicht“ oder ihre Bedeutung, aber mithilfe der tiefgehenden neuronalen Netze können wir automatisch die wichtigsten Features für die Klassifizierung ermitteln. Das geschieht unter Verwendung der Aktivierungsfunktion, die den Weg des Signals für jedes Neuron auswertet – genau wie beim menschlichen Gehirn.

Arten von Deep-Learning-Schichten:

• Die Eingabeschicht der Knoten nimmt die Informationen auf und leitet sie an die darunter liegenden Knoten weiter. Dort nutzt das Netzwerk Muster lokaler Kontraste, um wichtige Erkenntnisse zu gewinnen.
• Die verborgenen Knotenschichten sind die, in denen die Berechnungen stattfinden. In einer solchen Schicht werden diese Muster lokaler Kontraste verwendet, um Dinge zu erkennen, die einander ähneln.
• In der Ausgabeknotenschicht erscheinen die Ergebnisse der Berechnungen. In dieser Schicht werden Features auf Vorlagen angewendet.

Ein tiefgehendes neuronales Netz kann in jeder der aufeinanderfolgenden Schichten jeweils immer komplexere Merkmale erzeugen.