dessin illustrant le métier du machine learning engineer

Deep Learning oder Tiefes Lernen: Was ist das denn?

Jochen K

Jochen K

4 min

Dieser Artikel ist der erste einer Reihe von Artikeln über Deep Learning: Zunächst stellen wir Dir die Funktionsweise und die Anwendungen neuronaler Netze im Großen und Ganzen vor. Dann erfährst Du hier mehr über die wichtigsten Arten von Netzen und ihre Architektur und Du lernst Methoden und verschiedene Beispiele für die heutige Anwendung von Deep Learning. Los geht’s !

Hauptbegriffe: KI, Machine Learning und Deep Learning.

Seit einigen Jahren ist in den wissenschaftlichen Artikeln ein neues Lexikon zu finden, das mit dem Aufkommen der künstlichen Intelligenz in unserer Gesellschaft zusammenhängt. Es ist manchmal schwierig zu verstehen, worum es sich dabei handelt. Künstliche Intelligenz verweist sehr oft auf die damit verbundenen Technologien wie Machine Learning oder Deep Learning. Diese beiden Begriffe werden häufig verwendet und haben immer mehr Anwendungen, werden jedoch nicht immer klar definiert. Lass uns zunächst auf diese drei wesentlichen Definitionen zurückkommen:

  • Künstliche Intelligenz: Es handelt sich um ein Forschungsfeld, das alle Techniken und Methoden umfasst, um die Funktionsweise eines menschlichen Gehirns zu verstehen und zu reproduzieren.
  • Machine Learning: Es handelt sich um eine Reihe von Techniken, die Maschinen die Fähigkeit verleihen, Gesetzmäßigkeiten in den Lerndaten automatisch zu erkennen, im Gegensatz zur Programmierung, bei der vorbestimmte Regeln ausgeführt werden.
  • Deep Learning: Es ist eine Technik des maschinellen Lernens, die auf dem Modell der neuronalen Netze basiert: Dutzende oder sogar Hunderte von Schichten von Neuronen werden gestapelt, um die Komplexität der Regeln zu erhöhen.

Machine Learning: Überwachtes und unüberwachtes Lernen.

Mit Machine Learning kann ein künstliches System lernen, im Gegensatz zur Programmierung, bei der es um die Ausführung vorgegebener Regeln geht. Es gibt zwei Hauptarten des Lernens beim Machine Learning: Das überwachte und das unüberwachte Lernen. Beim überwachten Lernen wird der Algorithmus mit Vorwissen darüber geführt, was die Ausgabewerte des Modells sein sollten. Infolgedessen passt das Modell seine Parameter so an, dass die Abweichung zwischen den erzielten und den erwarteten Ergebnissen geringer wird. Je öfter das Modell trainiert wird, desto kleiner wird die Fehlerquote, wodurch es auf neue Fälle anwendbar wird.

Konvergenz eines Modells - Überwachtes Lernen

Im Gegensatz dazu werden beim unüberwachten Lernen keine mit Tags versehenen Daten verwendet. Daher kann der Algorithmus keine Erfolgsquote mit Sicherheit  berechnen. Daher ist sein Ziel, die in unseren Daten vorhandenen Gruppierungen einzuteilen. Nehmen wir als Beispiel einen Datensatz mit Blumen: Wir möchten sie in Kategorien unterscheiden. Hier kennen wir die Art der Pflanze nicht, aber wir wollen versuchen, sie in Kategorien einzuteilen. Zum Beispiel: Wenn die Formen der Blüten ähnlich sind, hängen sie mit einer gleichen entsprechenden Pflanze zusammen.

Es gibt zwei Hauptbereiche von Modellen im unbeaufsichtigten Lernen, um Kategorien zu finden:

  • Methoden durch Partitioning: k-means-Algorithmen.
  • Hierarchische Clustering-Methoden: die agglomerativen Clusterverfahren
k-means mit k=3

Deep Learning, was ist das denn?

Deep Learning oder tiefes Lernen ist eine der Haupttechnologien des Machine Learning. Bei Deep Learning sprechen wir von Algorithmen, die mithilfe künstlicher neuronaler Netze die Handlungen des menschlichen Gehirns nachmachen können. Die Netze bestehen aus Dutzenden oder sogar Hunderten von „Schichten” von Neuronen, die die Informationen der vorherigen Schicht empfangen und interpretieren.

réseau de couches  Quelle: Medium.com

Jedes künstliche Neuron, das im vorherigen Bild mit einem Kreis dargestellt wird, kann als lineares Modell betrachtet werden. Indem wir die Neuronen in Form einer Schicht miteinander verbinden, verwandeln wir unser neuronales Netz in ein sehr komplexes nichtlineares Modell.

dessin illustrant la différence entre le modèle linéaire et non linéaire quelle: Machine Learnia

Um das Konzept zu veranschaulichen, nehmen wir ein Problem, bei dem es darum geht, anhand von Bildern einen Hund oder eine Katze zu unterscheiden. Beim Lernen wird der Algorithmus die Gewichte der Neuronen so anpassen, dass die Abweichung zwischen den erhaltenen und den erwarteten Ergebnissen verringert wird. Das Modell kann lernen, Dreiecke in einem Bild zu erkennen, da Katzen dreieckigere Ohren als Hunde haben.

Wozu braucht man Deep Learning denn?

Deep-Learning-Modelle funktionieren häufig auch bei großen Datenmengen gut, im Gegensatz zu klassischeren Modellen des maschinellen Lernens , die nach einem Sättigungspunkt aufhören, sich zu verbessern.

à quoi sert le Deep Learning ?
quelle: Medium.com

Mit den Jahren und dem Aufkommen von Big Data und immer leistungsfähigeren Computerkomponenten, haben die leistungs- und datenintensiven Deep-Learning-Algorithmen die meisten anderen Methoden überholt. Offensichtlich können sie viele Probleme lösen: Gesichter erkennen, Go- oder PokerspielerInnen besiegen, das Fahren von selbstfahrenden Autos ermöglichen oder nach Krebszellen suchen.

KI in der Berufswelt

Fast alle Branchen werden von KI betroffen. Machine Learning und Deep Learning spielen dabei eine große Rolle. Ob Du nun im Gesundheitswesen tätig bist oder als Anwalt arbeitest, es ist möglich, dass Du eines Tages von einem hochgradig autonomen Modell unterstützt oder sogar ersetzt wirst. In den Gesundheitsberufen gibt es bereits Anwendungen, mit denen PatientInnen automatisch diagnostiziert werden.
Détection automatique d'une fracture à l'aide du Deep Learning
Automatische Erkennung eines Knochenbruchs mithilfe von Deep Learning.
Auch die Berufe in der Automobilbranche werden mit dem Aufkommen des assistierten Fahrens revolutioniert. deep learning Auch Googles Alpha-Go-Modell hat es dank Deep Learning geschafft, 2016 die besten Go-Champions zu schlagen. Die Suchmaschine des amerikanischen Riesen basiert selbst zunehmend auf Deep Learning statt auf geschriebenen Regeln.

Heute ist Deep Learning sogar in der Lage, selbstständig die Kunstbilder zu „erstellen”. Dies wird als Style Transfer bezeichnet. Interessiert Dich das Thema? Einen Artikel, der sich ganz diesem Thema widmet, findest Du bald auf unserem Blog!
style transfer deep learning
Style Transfert
Im Folgenden werden wir Dir neuronale Netze mit einem neuartigen Ansatz vorstellen. Wir hoffen, dass es Dir gefällt!

Deep Learning als Lösung im E-Commerce.

Offensichtlich werden große Datenmengen im Bereich des E-Commerce erzeugt. Unternehmen, HändlerInnen und EinzelhändlerInnen sind sich dessen bewusst, dass Big-Data-Lösungen zur Verwaltung ihrer Geschäfte sie wertvoller machen werden. Trotz des Aufkommens all dieser innovativen Lösungen kann Big Data einen Segen oder einen Fluch darstellen, je nachdem, wie es genutzt und angewendet wird. 

Mit der Revolution der künstlichen Intelligenz kann man die Verwaltung dieser riesigen Datenmenge mithilfe intelligenter Technologien wie Deep Learning erleichtern. Sie ist von entscheidender Bedeutung, da sie Material für eine bessere Datenanalyse liefert.

In einem praktischen Fall ermöglicht die KI-Analyse einem Online-Shop, seinen Kundinnen und Kunden leichter interessante Produkte anzubieten, ihre Vorlieben hervorzuheben und sie persönlich zu betreuen. Zu diesem Zweck automatisiert Deep Learning die sogenannte prädiktive Analyse. Dank dieser können Kundinnen und Kunden bei einem Kauf Vorschläge erhalten.

Deep Learning definiert einen Stil, um E-Commerce zu entwickeln. Es geht nämlich nicht darum, Online-Websites zu erstellen, die einen großen Anteil an Käuferinnen und Käufern anziehen. Vielmehr geht es darum, klare und personalisierte Botschaften an jede einzelne und jeden einzelnen von ihnen zu senden.

Big Data wird mithilfe von Deep Learning einer gründlichen Analyse unterzogen, was dazu führt, dass den Kundinnen und Kunden der Kaufprozess erleichtert wird. Deep-Learning-Algorithmen helfen dem Unternehmen, eine bessere Erfahrung zu machen und den Überblick darüber zu behalten, wer seine Website besucht hat.

Deep Learning kommt, um die Entwicklung des E-Commerce zu erleichtern. Der Online-Verkauf wird durch Technologietrends wie Chatbots stimuliert.

In gewisser Weise definiert Deep Learning den Onlinehandel neu, dabei erleben wir noch dessen Anfänge. Daher werden diejenigen, die es einsetzen, mehr Vorteile haben.