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.

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

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.

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.

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.

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


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!
