Deep Learning ist eine leistungsfähige Form des maschinellen Lernens (ML), die komplexe mathematische Strukturen, so genannte neuronale Netze, mit großen Datenmengen (Informationen) aufbaut.
Tiefe Lerndefinition
Deep Learning ist eine Möglichkeit, ML mithilfe mehrerer Schichten neuronaler Netzwerke zu implementieren, um komplexere Datentypen zu verarbeiten. Deep Learning wird manchmal als hierarchisches Lernen bezeichnet und verwendet verschiedene Arten neuronaler Netze, um Merkmale (auch Repräsentationen genannt) zu lernen und sie in großen Mengen unbeschrifteter Rohdaten (unstrukturierte Daten) zu finden. Eine der ersten bahnbrechenden Demonstrationen tiefen Lernens war ein Programm, das erfolgreich Katzenbilder aus mehreren YouTube-Videos auswählte.
Deep Learning Beispiele im täglichen Leben
Deep Learning wird nicht nur bei der Bilderkennung verwendet, sondern auch bei der Sprachübersetzung, der Betrugserkennung und der Analyse von Daten, die Unternehmen über ihre Kunden sammeln. Netflix verwendet zum Beispiel tiefes Lernen, um Ihre Sehgewohnheiten zu analysieren und vorherzusagen, welche Shows und Filme Sie bevorzugen. So weiß Netflix, dass Actionfilme und Naturdokumentationen in Ihre Warteschlange für Vorschläge aufgenommen werden. Amazon nutzt tiefes Lernen, um Ihre letzten Einkäufe und Elemente zu analysieren, nach denen Sie kürzlich gesucht haben, um Vorschläge für die neuen Country-Musikalben zu erstellen, an denen Sie wahrscheinlich interessiert sind und die Sie auf dem Markt für ein Paar graues und gelbes Tennis sind Schuhe. Da Deep Learning aus unstrukturierten Daten und Rohdaten immer mehr Einblick bietet, können Unternehmen die Bedürfnisse ihrer Kunden besser vorhersehen, während der individuelle Kunde einen individuelleren Kundenservice erhält.
Künstliche Neuronale Netze und Deep Learning
Um tieferes Lernen verständlicher zu machen, betrachten wir den Vergleich eines künstlichen neuronalen Netzwerks (ANN). Stellen Sie sich vor, unser 15-stöckiges Bürogebäude befindet sich in einem Stadtblock mit fünf weiteren Bürogebäuden. Auf jeder Straßenseite befinden sich drei Gebäude. Unser Gebäude ist Gebäude A und teilt die gleiche Straßenseite mit den Gebäuden B und C. Auf der anderen Straßenseite befindet sich Gebäude 1, Gebäude 1, Gebäude B 2 und so weiter. Jedes Gebäude hat eine unterschiedliche Anzahl von Etagen, ist aus verschiedenen Materialien gefertigt und hat einen anderen architektonischen Stil als die anderen. Jedes Gebäude ist jedoch immer noch in separaten Etagen (Schichten) von Büros (Knoten) angeordnet - daher ist jedes Gebäude ein einzigartiges ANN.
Stellen Sie sich vor, ein digitales Paket kommt bei Gebäude A an und enthält viele verschiedene Arten von Informationen aus verschiedenen Quellen, beispielsweise textbasierte Daten, Videostreams, Audiostreams, Telefonanrufe, Radiowellen und Fotos - jedoch in einem großen Durcheinander ist nicht logisch gekennzeichnet oder sortiert (unstrukturierte Daten). Die Informationen werden in der Reihenfolge von 1 durch jede Etage gesendetst bis 15th zum Bearbeiten. Nach dem Informations-Durcheinander erreicht die 15th Stockwerk (Ausgabe) wird es an die 1 gesendetst Stockwerk (Eingang) von Gebäude 3 zusammen mit dem endgültigen Bearbeitungsergebnis von Gebäude A. Gebäude 3 lernt das Ergebnis, das von Gebäude A gesendet wird, und verarbeitet das Informationsgewirr durch jedes Stockwerk auf dieselbe Weise. Wenn die Informationen die oberste Etage von Gebäude 3 erreichen, werden sie von dort mit den Ergebnissen dieses Gebäudes an Gebäude 1 gesendet. Gebäude 1 lernt die Ergebnisse aus Gebäude 3 und bündelt diese, bevor sie bodenweise verarbeitet werden. Gebäude 1 gibt die Informationen und Ergebnisse auf dieselbe Weise an Gebäude C weiter, das verarbeitet und an Gebäude 2 gesendet wird, welches verarbeitet und an Gebäude B sendet.
Jedes ANN (Gebäude) in unserem Beispiel sucht nach einem anderen Merkmal in den unstrukturierten Daten (Informationsfluss) und übergibt die Ergebnisse an das nächste Gebäude. Im nächsten Gebäude werden die Ergebnisse (Ergebnisse) des vorherigen Gebäudes übernommen. Wenn die Daten von jedem ANN (Gebäude) verarbeitet werden, werden sie von einem bestimmten Merkmal organisiert und gekennzeichnet (klassifiziert), sodass die Daten klassifiziert und gekennzeichnet werden, wenn die Daten die Endausgabe (oberste Etage) des letzten ANN (Gebäudes) erreichen (strukturierter).
Künstliche Intelligenz, maschinelles Lernen und tiefes Lernen
Wie fügt sich tiefes Lernen in das Gesamtbild der künstlichen Intelligenz (KI) und der ML ein? Deep Learning steigert die Leistungsfähigkeit von ML und erhöht die Bandbreite der Aufgaben, die KI ausführen kann. Da beim tiefen Lernen die Verwendung von neuronalen Netzen und das Erkennen von Funktionen in Datensätzen anstelle von einfacheren aufgabenspezifischen Algorithmen erforderlich sind, können Details aus unstrukturierten (Roh-) Daten gesucht und verwendet werden, ohne dass ein Programmierer sie zuerst manuell markieren muss -aufwendige Aufgabe, die Fehler einführen kann. Deep Learning hilft Computern dabei, Daten immer besser zu nutzen, um sowohl Unternehmen als auch Einzelpersonen zu helfen.
