Was ist Deep Learning? Wie funktioniert die Technologie und was ist der Unterschied zu Machine Learning? In diesem Artikel findest du eine einfache Definition und spannende Beispiele dafür, wo Deep Learning bereits eingesetzt wird.
Deep Learning (DL) ist eine spezielle Methode der Informationsverarbeitung und ein Teilbereich des Machine Learnings. Deep Learning nutzt neuronale Netze, um große Datensätze zu analysieren.
Die Funktionsweise der künstlichen neuronalen Netze ist in vielen Bereichen von dem biologischen neuronalen Netz inspiriert, das das menschliche Gehirn verwendet. Das heißt sie gehen ähnlich vor, wie Menschen es machen würden: Etwas wahrnehmen, darüber nachdenken und eine Schlussfolgerung daraus ziehen. Nur können sie viel größere Datenberge viel schneller untersuchen, als es Menschen jemals möglich wäre.
Deep Learning ist die Grundlage für die jüngsten Fortschritte im Bereich der künstlichen Intelligenz (KI).
Sadaf Pirhadi, Business Lead Azure Opensource Platform for Data & AI bei Microsoft Deutschland, erklärt im Video in Kürze, worum es bei Deep Learning geht.
Worin unterscheiden sich Machine Learning und Deep Learning?
Eine Besonderheit ist außerdem, dass Deep-Learning-Modelle in der Lage sind, von sich aus zu lernen. Das passiert, in dem die Systeme das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Beim eigentlichen Lernvorgang greift der Mensch nicht mehr ein, das Analysieren wird der Maschine überlassen. Das ist auch der entscheidende Unterschied zum Machine Learning. Hier greift der Mensch in die Analyse der Daten und den eigentlichen Entscheidungsprozess ein.
Wie sind neuronale Netze aufgebaut?
Die meisten Deep-Learning-Algorithmen sind tiefe neuronale Netze (Deep Neural Networks, kurz DNNs). Sie bestehen aus vielen Schichten linearer und nichtlinearer Verarbeitungseinheiten, den künstlichen Neuronen. Daher kommt auch der Ausdruck „deep“ für „tief“. Je mehr Neuronen und Schichten ein neuronales Netz umfasst, desto komplexere Sachverhalte können dargestellt werden.
Eine andere Art von Deep-Learning-Algorithmen sind die Entscheidungsbäume (Random Decision Forests, kurz RDFs). Sie bestehen ebenfalls aus vielen Schichten, aber anstelle von neuronalen Strukturen werden die RDF aus Entscheidungsbäumen konstruiert und geben einen statistischen Durchschnitt (Modus oder Mittelwert) der Vorhersagen der einzelnen Bäume aus.
Wo wird Deep Learning angewendet?
Überall dort, wo große Datenmengen nach Mustern und Trends untersucht werden, kommt Deep Learning zum Einsatz. Im Rahmen von KI passiert das beispielsweise in folgenden Bereichen: Gesichts-, Objekt- oder Spracherkennung. Hier kommen zwei spannende Anwendungsbeispiele:
Übersetzen von (gesprochenen) Texten: Maschinelle Übersetzung spricht Volkswagen – in 40 Sprachen
Autonomes Fahren: Die Cloud gibt Vollgas
Weitere Beiträge in der „Microsoft erklärt“-Reihe:
Microsoft erklärt: Was ist künstliche Intelligenz? Definition & Funktionen von KI
Microsoft erklärt: Was ist Machine Learning? Definition & Funktionen von ML
*Beitragsbild: Ali Shah Lakhani on Unsplash
Ein Beitrag von Johanna Ronsdorf
Trainee Business Communications AI & Innovation / Data Applications & Infrastructure
