Deep Learning ist ein Teil des  maschinellen Lernens, bei dem es sich im Wesentlichen um ein neuronales Netz mit drei oder mehr Schichten handelt. Diese neuronalen Netze versuchen, das Verhalten des menschlichen Gehirns zu simulieren - auch wenn sie weit davon entfernt sind, dessen Fähigkeiten zu erreichen - und ermöglichen es, aus großen Datenmengen zu "lernen". Während ein neuronales Netzwerk mit einer einzigen Schicht noch näherungsweise Vorhersagen machen kann, können zusätzliche verdeckte Schichten helfen, die Genauigkeit zu optimieren und einzugrenzen.

Deep Learning ist die Grundlage für viele Anwendungen und Services im Bereich der  künstlichen Intelligenz (KI) , die die Automation verbessern und analytische und physische Aufgaben ohne Bedienereingriff durchführen. Die Deep Learning-Technologie steckt in alltäglichen Produkten und Services (z. B. digitale Assistenten, sprachgesteuerte TV-Fernbedienungen und Erkennung von Kreditkartenbetrug) sowie in neuen Technologien (z. B. selbstfahrende Autos).

Wenn Deep Learning ein Teil des maschinelles Lernen ist, wie unterscheiden sie sich dann? Deep Learning unterscheidet sich vom klassischen maschinellen Lernen durch die Art der Daten, mit denen es arbeitet, und die Methoden, mit denen es lernt.

Algorithmen für maschinelles Lernen nutzen strukturierte, markierte Daten, um Vorhersagen zu treffen. Das bedeutet, dass bestimmte Merkmale aus den Eingabedaten für das Modell definiert und in Tabellen organisiert werden. Das bedeutet nicht unbedingt, dass keine unstrukturierten Daten verwendet werden; es bedeutet nur, dass sie in der Regel einer Vorverarbeitung unterzogen werden, um sie in ein strukturiertes Format zu bringen.

Beim Deep Learning entfällt ein Teil der Datenvorverarbeitung, die normalerweise beim maschinellen Lernen erforderlich ist. Diese Algorithmen sind in der Lage, unstrukturierte Daten wie Texte und Bilder aufzunehmen und zu verarbeiten,  und sie automatisieren die Merkmalextraktion, wodurch die Abhängigkeit von menschlichen Experten teilweise aufgehoben wird. Nehmen wir zum Beispiel an, wir hätten eine Reihe von Fotos verschiedener Haustiere und wollten sie nach "Katze", "Hund", "Hamster" usw. kategorisieren. Deep Learning-Algorithmen können fesstellen, welche Merkmale (z. B. Ohren) am wichtigsten sind, um ein Tier von einem anderen zu unterscheiden. Beim maschinellen Lernen wird diese Merkmalshierarchie manuell von einem menschlichen Experten erstellt.

Anschließend passt sich der Deep Learning-Algorithmus durch Gradientenabstieg und Rückwärtspropagierung selbst an, um die Genauigkeit zu erhöhen und Vorhersagen über ein neues Foto eines Tieres zu treffen.  

Modelle für maschinelles Lernen und Deep Learning sind ebenfalls zu verschiedenen Arten des Lernens fähig, die in der Regel als überwachtes Lernen, nicht überwachtes Lernen und bestärkendes Lernen kategorisiert werden. Beim überwachten Lernen werden markierte Datensätze verwendet, um Kategorisierungen anzustellen oder Vorhersagen zu treffen; dies erfordert eine Art manuellen Eingriff, um die Eingabedaten korrekt zu markieren. Im Gegensatz dazu benötigt das nicht überwachte Lernen keine markierten Datensätze, sondern erkennt Muster in den Daten und gruppiert sie nach bestimmten Kenndaten. Bestärkendes Lernen ist ein Prozess, bei dem ein Modell lernt, eine Aktion in einer Umgebung auf der Grundlage von Rückmeldungen immer genauer auszuführen, um das Ergebnis zu maximieren.

Für einen tieferen Einblick in die nuancierten Unterschiede zwischen den verschiedenen Technologien siehe "KI vs. Maschinelles Lernen vs. Deep Learning vs. Neuronale Netze: Was ist der Unterschied?"

Eine genauere Betrachtung der spezifischen Unterschiede zwischen überwachtem und nicht überwachtem Lernen finden Sie unter "Überwachtes vs. nicht überwachtes Lernen: Was ist der Unterschied?"

Neuronale Deep Learning-Netze oder künstliche neuronale Netze versuchen, das menschliche Gehirn durch eine Kombination von Dateneingaben, Gewichtungen und Vorauswahl zu imitieren. Diese Elemente arbeiten zusammen, um Objekte in den Daten genau zu erkennen, zu klassifizieren und zu beschreiben.

Tiefe neuronale Netze bestehen aus mehreren Schichten miteinander verbundener Knoten, von denen jede auf der vorherigen Schicht aufbaut, um die Vorhersage oder Kategorisierung einzugrenzen und zu optimieren. Dieser Fortschritt der Berechnungen durch das Netz wird als Vorwärtspropagierung bezeichnet. Die Eingabe- und Ausgabeschichten eines tiefen neuronalen Netzes werden als  sichtbare  Schichten bezeichnet. In der Eingabeschicht nimmt das Deep Learning-Modell die Daten zur Verarbeitung auf, und in der Ausgabeschicht wird die endgültige Vorhersage oder Klassifizierung vorgenommen.

Ein anderes Verfahren, die so genannte Rückwärtspropagierung , verwendet Algorithmen wie den  Gradientenabstieg, um Fehler in den Vorhersagen zu berechnen und passt dann die Gewichtungen und Verzerrungen der Funktion an, indem es sich rückwärts durch die Schichten bewegt, um das Modell zu trainieren. Vorwärtspropagierung und Rückwärtspropagierung zusammen ermöglichen es einem neuronalen Netz, Vorhersagen zu treffen und Fehler entsprechend zu korrigieren. Mit der Zeit wird der Algorithmus immer genauer.

Die obigen Ausführungen beschreiben den einfachsten Typ eines tiefen neuronalen Netzes in einfachsten Worten. Deep Learning-Algorithmen sind jedoch unglaublich komplex, und es gibt verschiedene Arten von neuronalen Netzen, die für bestimmte Probleme oder Datensätze geeignet sind. Zum Beispiel,

• So können zum Beispiel faltungsneuronale Netze (CNNs),  die vor allem in Computer Vision- und Bildklassifizierungsanwendungen zum Einsatz kommen, Merkmale und Muster in einem Bild erkennen und so Aufgaben wie die Erkennung oder die Wiedererkennung von Objekten ermöglichen. Im Jahr 2015 hat ein CNN zum ersten Mal einen Menschen bei einem Wettbewerb zur Objekterkennung geschlagen.
• Rekurrente neuronale Netze (RNNs)  werden typischerweise in Anwendungen zur Erkennung von natürlicher Sprache und Sprache eingesetzt, da sie sequentielle oder zeitliche Datenreihen nutzen.

Reale Deep Learning-Anwendungen sind Teil unseres täglichen Lebens, aber in den meisten Fällen sind sie so gut in Produkte und Services integriert, dass die Nutzer nichts von der komplexen Datenverarbeitung im Hintergrund mitbekommen. Nachfolgend einige dieser Beispiele:

Strafverfolgung
 

Deep Learning-Algorithmen können Transaktionsdaten analysieren und daraus lernen, um gefährliche Muster zu erkennen, die auf mögliche betrügerische oder kriminelle Aktivitäten hinweisen. Spracherkennung, Computer Vision und andere Deep Learning-Anwendungen können die Effizienz und Effektivität von investigativen Analysen verbessern, indem sie Muster und Beweise aus Ton- und Videoaufnahmen, Bildern und Dokumenten extrahieren, was den Strafverfolgungsbehörden hilft, große Datenmengen schneller und genauer zu analysieren.

Finanzdienstleistungen
 

Finanzinstitute nutzen regelmäßig prädiktive Analysen, um den algorithmischen Handel mit Aktien zu steuern, Geschäftsrisiken für die Kreditvergabe zu bewerten, Betrug aufzudecken und die Verwaltung von Kredit- und Anlageportfolios für Kunden zu unterstützen.

Kundenservice
 

Viele Unternehmen integrieren Deep Learning-Technologien in ihre Kundenserviceprozesse. Chatbots, die in einer Vielzahl von Anwendungen, Services und Kundenserviceportalen eingesetzt werden, sind eine einfache Form der KI. Herkömmliche Chatbots verwenden natürliche Sprache und sogar visuelle Erkennung, wie sie in Callcenter-ähnlichen Menüs üblich ist. Fortgeschrittenere  Chatbot -Lösungen versuchen jedoch, durch Lernen zu erkennen, ob es mehrere Antworten auf mehrdeutige Fragen gibt. Auf der Grundlage der erhaltenen Antworten versucht der Chatbot dann, diese Fragen direkt zu beantworten oder das Gespräch an einen menschlichen Benutzer weiterzuleiten.

Virtuelle Assistenten wie Siri von Apple, Amazon Alexa oder Google Assistant erweitern die Idee eines Chatbots um die Funktion der Spracherkennung. Dies schafft ein neues Verfahren, um Benutzer auf personalisierte Weise anzusprechen.

Gesundheitswesen
 

Die Gesundheitsbranche hat seit der Digitalisierung von Krankenhausakten- und Bildern stark von Deep Learning-Funktionen profitiert. Bilderkennung kann Fachärzte für Bildverarbeitung im medizinischen Bereich und Radiologen unterstützen, indem sie ihnen hilft, mehr Bilder in kürzerer Zeit zu analysieren und zu beurteilen.

Deep Learning erfordert eine enorme Computerleistung. Leistungsstarke  grafische Verarbeitungseinheiten (GPUs)  sind ideal, da sie ein großes Volumen an Berechnungen in mehreren Kernen mit reichlich verfügbarem Speicher verarbeiten können. Die lokale Verwaltung mehrerer GPUs kann jedoch eine hohe Nachfrage nach internen Ressourcen verursachen und unglaublich kostspielig sein.