Definition

Was ist Deep Learning?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze sowie große Datenmengen. Die Lernmethoden richten sich nach der Funktionsweise des menschlichen Gehirns und resultieren in der Fähigkeit eigener Prognosen oder Entscheidungen.

Beim sogenannten Deep Learning handelt es sich um eine spezielle Methode der Informationsverarbeitung. Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze. Zur Herstellung künstlicher Intelligenz werden Trainingsmethoden genutzt, die große Datenmengen heranziehen und analysieren. Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert. Auf Basis vorhandener Informationen und des neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Daraus resultierend ist die Maschine in der Lage, Prognosen oder Entscheidungen zu treffen und diese zu hinterfragen. Entscheidungen werden bestätigt oder in einem neuen Anlauf geändert. In der Regel greift der Mensch beim eigentlichen Lernvorgang nicht mehr ein.

Deep Learning eignet sich für alle Anwendungen besonders gut, bei denen große Datenbestände zur Verfügung stehen, aus denen sich Muster und Modelle ableiten lassen. Als technische Grundlage des Deep Learnings dienen künstliche neuronale Netze, die während des Lernvorgangs immer wieder neu verknüpft werden.

Neuronale Netze – Grundlage für das Deep Learning

Das neuronale Netz ist eine Art künstliches Abstraktionsmodell des menschlichen Gehirns und besteht aus künstlichen Neuronen. Es verfügt über sogenannte Eingangs- und Ausgangsneuronen. Dazwischen befinden sich mehrere Schichten an Zwischenneuronen. Die Eingangsneuronen lassen sich durch Lernen auf verschiedenen Wegen über die Zwischenneuronen mit den Ausgangsneuronen verknüpfen. Je mehr Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden.

Das grundlegende Konzept des Deep Learnings

Deep Learning lehrt Maschinen zu lernen. Die Maschine wird in die Lage versetzt, selbstständig und ohne menschliches Zutun ihre Fähigkeiten zu verbessern. Das erreicht man, indem aus vorhandenen Daten und Informationen Muster extrahiert und klassifiziert werden. Die gewonnenen Erkenntnisse lassen sich wiederum mit Daten korrelieren und in einem weiteren Kontext verknüpfen. Schließlich ist die Maschine fähig, Entscheidungen auf Basis der Verknüpfungen zu treffen.

Durch kontinuierliches Hinterfragen der Entscheidungen erhalten die Informationsverknüpfungen bestimmte Gewichtungen. Bestätigen sich Entscheidungen, erhöht sich deren Gewichtung, werden sie revidiert, verringert sich die Gewichtung. Zwischen der Eingabeschicht und der Ausgabeschicht entstehen immer mehr Stufen an Zwischenschichten und Verknüpfungen. Über den eigentlichen Output entscheidet die Anzahl der Zwischenschichten und deren Verknüpfung.

Abgrenzung des Deep Learnings vom rein maschinellen Lernen

Deep Learning ist zwar ein Teilbereich des Machine Learnings, lässt sich aber dennoch gut vom rein maschinellen Lernen abgrenzen. Der entscheidende Unterschied besteht darin, dass beim maschinellen Lernen der Mensch in die Analyse der Daten und den eigentlichen Entscheidungsprozess eingreift. Beim Deep Learning sorgt der Mensch lediglich dafür, dass die Informationen für das Lernen bereitstehen und die Prozesse dokumentiert sind. Die eigentliche Analyse und das Ableiten von Prognosen oder Entscheidungen überlässt er der Maschine selbst. Der Mensch hat keinen Einfluss auf die Ergebnisse des Lernprozesses. Es lässt sich im Nachhinein nicht mehr vollständig zurückverfolgen, auf Basis welcher genauen Muster eine Maschine eine bestimmte Entscheidung getroffen hat. Zudem werden die Entscheidungen ständig hinterfragt und die Entscheidungsregeln selbstständig optimiert.

Anwendungsbereiche für das Deep Learning

Deep Learning ist überall dort gut geeignet, wo sich große Datenmengen nach Mustern und Modellen untersuchen lassen. Deep Learning kommt daher im Rahmen künstlicher Intelligenz häufig für die Gesichts-, Objekt- oder Spracherkennung zum Einsatz. Bei der Spracherkennung ist es beispielsweise dank des Deep Learnings möglich, dass die Systeme ihren Wortschatz selbstständig mit neuen Wörtern oder Wortwendungen erweitern. Ein bekanntes Beispiel für eine solche Arbeitsweise ist der intelligente Sprachassistent Siri von Apple. Weitere Anwendungsbereiche sind das Übersetzen von gesprochenen Texten, die erweiterte künstliche Intelligenz in Computerspielen, das autonome Fahren oder die Vorhersage des Kundenverhaltens auf Basis von Daten eines CRM-Systems.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Maschinelles Lernen ohne großen Datensatz ermöglichen

Induktive Programmierung

Maschinelles Lernen ohne großen Datensatz ermöglichen

Die Informatikerin Ute Schmid forscht an der Methode der induktiven Programmierung – einem Ansatz, der es ermöglicht, ein System des maschinellen Lernens ohne großen Datensatz aufzubauen. Vor allem in der Medizin und der Industrie soll die Methode nützlich sein. lesen

Die Top-Trends rund um Enterprise Analytics

Microstrategy wagt Ausblick für 2020

Die Top-Trends rund um Enterprise Analytics

Der Spezialist für Analytics- und Mobility-Software Microstrategy hat die wichtigsten Enterprise-Analytics-Trends für das Jahr 2020 prognostiziert. Dazu kooperierte das Unternehmen mit namhaften Marktforschern wie zum Beispiel Forrester, IDC, Constellation Research und Ventana Research. lesen

Die passende Machine Learning IDE finden

Entwicklungsumgebungen und Cloud-Plattformen

Die passende Machine Learning IDE finden

Integrierte Entwicklungsumgebungen, kurz IDEs, bieten Funktionen wie Syntax Highlighting, Code Completion, Debugging-Möglichkeiten, Variableneditoren oder Paketmanagement. Damit Entwickler davon auch im Machine-Learning-Umfeld profitieren, mpssen sie aber zunächst die passende IDE finden. lesen

Wie steht es um das maschinelle Lernen in der Bildverarbeitung?

Bildverarbeitung

Wie steht es um das maschinelle Lernen in der Bildverarbeitung?

Warum hat das System so entschieden? Manche Entscheidungen im maschinellen Lernen können oft nicht nachvollzogen werden. Woran es hierbei noch fehlt, zeigt der aktuelle Statusreport des VDI. lesen

Autonome Machine Vision schafft Flexibilität

Kommentar von Yonatan Hyatt, Inspekto

Autonome Machine Vision schafft Flexibilität

Deep Learning gewinnt im Bereich Machine Vision an Popularität. Es ermöglicht Datenwissenschaftlern die sorgfältige Erstellung von Programmen, die die menschliche Entscheidungsfindung für spezifische, ausführlich definierte Aufgaben imitieren. lesen

IBM macht Storage fit für die Zukunft

Flash- und Tape-Neuheiten von IBM

IBM macht Storage fit für die Zukunft

IBM hat eine Reihe von Storage-Neuheiten angekündigt, die teils Anfang 2020 verfügbar sein werden. Mit ihnen will IBM Bedrohungen wie Ransomware abwehren und Anwendungsszenarien wie Big Data, KI und HPC fördern. lesen

Großes Interesse an Künstlicher Intelligenz und Data Science

Nachbericht EGG-Konferenz in Stuttgart

Großes Interesse an Künstlicher Intelligenz und Data Science

In Stuttgart haben sich auf der EGG-Konferenz Interessenten für Künstliche Intelligenz (KI) und Data Science zum Meinungsaustausch getroffen. Dataiku der französische Anbieter einer kollaborativen Data-Science-Plattform, war der Veranstalter und enthüllte seine Produktplanung bis 2020. lesen

Graph-Datenbanken

E-Book von BigData-Insider

Graph-Datenbanken

Aus dem täglichen Umgang mit dem Internet ist die Nutzung von verknüpften Daten nicht mehr wegzudenken. Seien es Freundschaftskreise auf Facebook und LinkedIn, Taxi-Anforderungen auf Uber oder Empfehlungen auf Amazon und Ebay – immer tritt im Hintergrund eine Datenbank in Aktion, die verwandte Daten sucht und miteinander in Beziehung setzt. Dabei handelt es sich in den meisten Fällen um eine Graph-Datenbank. lesen

Künstliche Intelligenz braucht erstklassige Daten

Training für ein schlaues IoT

Künstliche Intelligenz braucht erstklassige Daten

Datensätze sind Kraftfutter für KI und maschinelles Lernen. Hochwertige Ergebnisse können aber nur aus gut gepflegten, qualitativen Daten resultieren. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44659369 / Definitionen)