Definition
Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mehrschichtige künstliche neuronale Netzwerke nutzt, um Muster aus großen Datensätzen zu lernen. Es eignet sich hervorragend für Aufgaben wie Bilderkennung, Spracherkennung und natürliche Sprachverarbeitung.
Zweck
Ziel ist es, Merkmale und Darstellungen automatisch aus Rohdaten zu lernen, ohne dass aufwändige manuelle Feature-Entwicklung erforderlich ist. Dies ermöglicht Durchbrüche in der KI-Leistung.
Bedeutung
- Unterstützt modernste KI in den Bereichen Sehen, Sprache und NLP.
- Erfordert große Datensätze und Rechenressourcen.
- Im Vergleich zu herkömmlichen ML-Methoden weniger interpretierbar.
- Fördert sowohl die akademische Forschung als auch kommerzielle Anwendungen.
Funktionsweise
- Definieren Sie die Netzwerkarchitektur mit mehreren verborgenen Schichten.
- Geben Sie Eingabedaten ein und leiten Sie sie durch das Netzwerk weiter.
- Berechnen Sie Fehler anhand der Grundwahrheit.
- Fehler zurückpropagieren, um Gewichte zu aktualisieren.
- Wiederholen Sie das Training, bis sich die Genauigkeit stabilisiert.
Beispiele (Reale Welt)
- Google Translate: verwendet tiefe neuronale Netzwerke für die maschinelle Übersetzung.
- AlphaFold (DeepMind): Vorhersage der Proteinstruktur mit Deep Learning.
- Tesla Autopilot: Tiefe neuronale Netzwerke für die Sicht beim autonomen Fahren.
Referenzen / Weiterführende Literatur
- Deep Learning – Goodfellow, Bengio & Courville (MIT Press).
- „ImageNet-Klassifizierung mit Deep CNNs“ – Krizhevsky et al., NeurIPS 2012.
- Stanford CS231n: Faltungsneuronale Netzwerke für die visuelle Erkennung.
