Deep Learning ist ein Teilgebiet des MachineLearnings, das sich mit Algorithmen befasst, die in ihrem Aufbau und ihrer Funktion vom menschlichen Gehirn inspiriert sind und als künstliche neuronale Netze (=Artificial Neural Networks) bezeichnet werden. Künstliche neuronale Netze ähneln der Struktur unseres Nervensystems: Einzelne Neuronen sind miteinander verbunden und geben Informationen weiter.
Ein typisches künstliches neuronales Netz hat mindestens drei Schichten (=Layer): eine Eingangsschicht (=Input Layer), eine verborgene Schicht (=Hidden Layer) und eine Ausgabeschicht (=Output Layer). Dabei kann das künstliche neuronale Netz abhängig von der Anzahl der verborgenen Schichten beliebig komplex aufgebaut sein. Man spricht von Deep Learning, wenn ein künstliches neuronales Netz eine besonders tiefe Netzwerkstruktur (also viele verborgene Schichten) hat.
Deep Learning findet in den verschiedensten Bereichen Anwendung: Zum Beispiel bei der Spracherkennung (Alexa, Google Assistant , Siri, etc.), beim autonomen Fahren oder bei der Erkennung von Krebszellen in der Medizin.
Deep Learning ist mitverantwortlich für den rasanten Fortschritt von künstlicher Intelligenz in den letzten Jahren. Neuronale Netze sind besonders gut geeignet, um unstrukturierte Daten zu verarbeiten. Dies ist besonders im Zeitalter von Big Data und rasant wachsenden Datenmengen entscheidend. Ein Beispiel für die Verarbeitung von unstrukturierten Daten ist die unstrukturierte Bilderkennung. Häufig eingesetzte Algorithmen zur Bilderkennung sind Convolutional Neural Networks.
Im Grunde ist Deep Learning eine spezielle Form von Machine Learning. Dementsprechend ist jede Form von DeepLearning auch Machine Learning. Trotzdem gibt es einige Unterschiede.
Der wichtigste Unterschied zwischen Deep Learning und Machine Learning ist, dass der Mensch beim Machine Learning eine größere Rolle spielt als beim Deep Learning. Während der Mensch beim Machine Learning in die Analyse der Daten eingreift, sorgt er beim Deep Learning lediglich für die Bereitstellung der Informationen. Die eigentliche Entscheidungsfindung liegt beim Deep Learning Modell. Dadurch ist es möglich, Entdeckungen in Daten zu machen, obwohl die Entwickler gar nicht genau wissen, was sie suchen.
Ein weiterer wichtiger Unterschied zwischen Deep Learning und Machine Learning ist die benötigte Menge an Daten. Obwohl beide eine große Datenmenge voraussetzen, sind beim Deep Learning oft größere Datenmenge notwendig, um eine gute Performance zu erzielen. Haben Deep Learning Modelle keine entsprechend große Datenmenge zur Verfügung, funktionieren sie häufig schlechter als klassische Machine Learning Modelle. Ist die Datenmenge jedoch entsprechend groß, verbessert sich die Performance von Deep Learning Modellen mit zunehmender Datenmenge, während die Performance von klassischen Machine Learning Modellen ab einem Sättigungspunkt keine Verbesserung mehr aufweist.
Die beiden großen Vorteile von Deep Learning sind die Fähigkeit, große Mengen an unstrukturierten Daten zu verarbeiten und die reduzierte Notwendigkeit menschlichen Eingreifens in den Algorithmus. Einige Nachteile von Deep Learning sind die große Menge an Daten, die benötigt werden, und die einhergehende benötige Rechenleistung. Darüber hinaus können Deep Learning Modelle (meistens) keine Erklärungen für ihre Vorhersagen liefern, da sie als „Black-Box“ funktionieren. Das erschwert sowohl die Interpretation der Vorhersagen als auch die Bewertung der Performance des Modells.
Quellen (übersetzt): Betterprogramming und Medium
Schaden gut. Alles gut.
