{"id":54560,"date":"2021-03-24T10:45:59","date_gmt":"2021-03-24T09:45:59","guid":{"rendered":"https:\/\/www.pcspezialist.de\/blog\/?p=54560"},"modified":"2024-11-04T14:33:12","modified_gmt":"2024-11-04T13:33:12","slug":"deep-learning","status":"publish","type":"post","link":"https:\/\/pcspezialist.de\/blog\/2021\/03\/24\/deep-learning\/","title":{"rendered":"Deep Learning ## Neuronales Netz als Quasi-Gehirn von KI"},"content":{"rendered":"

Deep Learning ist eine Methode des maschinellen Lernens, bei dem k\u00fcnstliche neuronale Netze zum Einsatz kommen. K\u00fcnstliche Neuronen und entsprechende neuronale Netze ahmen nat\u00fcrliche Neuronen und Neuronenstrukturen nach. Konkret imitiert Deep Learning dabei Funktionsweisen des menschlichen Gehirns.<\/strong><\/p>\n

Was das aber genau bedeutet und was denn nun Deep Learning ist, erfahren Sie hier.<\/p>\n

<\/p>\n

\n

Unser Beitrag \u00fcber Deep Learning im \u00dcberblick: <\/strong><\/p>\n

    \n
  1. Voraussetzungen f\u00fcr Deep Learning<\/a><\/li>\n
  2. Neuronen und neuronale Netze<\/a><\/li>\n
  3. Maschine Learning vs. Deep Learning<\/a><\/li>\n
  4. Deep Learning im Unternehmensumfeld<\/a><\/li>\n<\/ol>\n<\/div>\n

    Voraussetzungen f\u00fcr Deep Learning<\/h3>\n

    Die fr\u00fchesten k\u00fcnstlichen Intelligenzen (KIs)<\/a> konnten sehr schnell lernen, mathematisch erfassbare Probleme zu l\u00f6sen. Mathematische Regeln sind eindeutig erfassbar und damit entsprechend klar erlernbar. KIs konnten f\u00fcr Menschen zum Teil unm\u00f6gliche Aufgaben schnell und problemlos bearbeiten.<\/p>\n

    Das, was Menschen jedoch intuitiv bew\u00e4ltigen, wie beispielsweise Gesichter zu erkennen<\/strong>, Stimmen zuzuordnen<\/strong> oder Witze zu verstehen<\/strong>, ist f\u00fcr Computer seit jeher eine deutlich gr\u00f6\u00dfere Herausforderung. Maschinen m\u00fcssen die sensorisch erfassten Eingangsdaten, den sogenannten Input, n\u00e4mlich auszuwerten lernen und hierauf mit passendem Output reagieren. Wir Menschen ordnen T\u00f6ne und Tonsequenzen, Strukturen, Formen und Farben in Bezug auf bereits Erlerntes ein und sind auf diese Weise f\u00e4hig, den Kontext des Inputs zu verstehen und darauf ad\u00e4quat zu reagieren.<\/p>\n

    Dieses K\u00f6nnen, komplexere Bez\u00fcge zu begreifen und zuzuordnen, nennen wir \u201eLernen\u201c. Und genau da setzt Machine Learning<\/strong> (maschinelles Lernen<\/a>) an: Mithilfe des maschinellen Lernens entstehen n\u00e4mlich anpassbare Algorithmen, die Daten und Muster auswerten und damit selbstst\u00e4ndig Wissen generieren. Deep Learning (aus dem Englischen f\u00fcr \u201etieferes Lernen\u201c)<\/strong> geht aber noch einen Schritt weiter: Die Machine-Learning-Methode ordnet das Erlernte n\u00e4mlich automatisiert. Dabei werden Algorithmen zentral in Schichten gelegt, die als Art Neuronen fungieren.<\/p>\n

    \""<yoastmark\"<\/p>\n

    Neuronen und neuronale Netze<\/h3>\n

    Deep Learning nutzt f\u00fcr die Wissensgenerierung und -verarbeitung k\u00fcnstliche neuronale Netze<\/strong>, die bereits im Grundaufbau Nervensystemstrukturen und insbesondere menschliche Gehirnstrukturen nachahmen. In unserem Gehirn sind die Neuronen als Netz miteinander verbunden. \u00c4hnlich sieht es bei Computersystemen aus:<\/p>\n

      \n
    1. Die erste Schicht, die Eingangsschicht oder der Input Layer<\/strong>, eines nat\u00fcrlichen und des k\u00fcnstlichen neuronalen Netzes verarbeitet die Rohdateneingabe. Hier erfassen Eingangsneuronen die einzelnen Pixel eines Bildes oder die Einzelt\u00f6ne einer Tonfrequenz und systematisieren sie. Die Rohdaten werden beim Deep Learning jetzt an die weiteren Schichten zur tieferen Analyse weitergegeben.<\/li>\n
    2. Die Neuronen auf diesen weiteren Schichten, den sogenannten Hidden Layer<\/strong>, ordnen die Rohdaten in Bezug auf bekannte Muster ein. Sie nennt man Zwischenneuronen. Je nach neuronalem Netz gibt es unz\u00e4hlige Schichten bzw. Layer, in denen Daten ausgewertet werden. \u00c4hnlich den biologischen neuronalen Netzen, verkn\u00fcpfen sich k\u00fcnstliche Netzstrukturen w\u00e4hrend der Lernvorg\u00e4nge dabei immer wieder neu und passen sich an die Auswertungen kontinuierlich an.<\/li>\n
    3. Mit Deep Learning erlernen KIs, tiefergehende Auswertungen zu vollziehen und entsprechende Entscheidungen zu treffen. Im Output Layer<\/strong> codieren Ausgangsneuronen die Entscheidung in einen entsprechenden verst\u00e4ndlichen Ausdruck und geben diesen aus.<\/li>\n<\/ol>\n

      Bei dem sensorisch erfassten Input handelt es sich f\u00fcr uns Menschen konkret um Sinneseindr\u00fccke. Die Netze werden formell auch als neuronale Faltungsnetzwerke (Convolutional Neural Networks) bezeichnet.<\/p>\n

      Maschine Learning vs. Deep Learning<\/h3>\n

      Aufgrund der umfassenden Datenanalyse wird Wissen generiert, das f\u00fcr die Einordnung und Auswertung weiterer potenzieller Daten herangezogen werden kann. Gro\u00dfe Datenmengen<\/strong> werden dabei also nicht nur selbst ausgewertet, sondern bilden auch eine Grundlage f\u00fcr die Analyse zuk\u00fcnftiger Datens\u00e4tze. Umso gr\u00f6\u00dfer die Datenbest\u00e4nde dabei sind, desto eher bietet sich die Analyse durch Deep Learning an. Grundvoraussetzung ist in jedem Fall aber, dass sich aus den Daten Muster und Modelle ableiten lassen.<\/p>\n

      Da Deep Learning ein Teilbereich des Machine Learning<\/strong> ist und es sich bei fast allem zeitgem\u00e4\u00dfen Machine Learning auch um Deep Learning handelt, lassen sich die beiden Begriffe nicht im Klaren voneinander abgrenzen. Aber man kann sie deutlich unterscheiden: Beim Machine Learning ist der Mensch an der Auswertung von Daten direkt beteiligt, beim Deep Learning \u00fcbernimmt die Maschine die Auswertung komplett selbst<\/strong>. Der Mensch stellt hierbei nur die Daten bereit und kontrolliert die Dokumentation aller vollzogener Prozesse. Anwendungen auf Basis von Deep Learning bieten sich dann f\u00fcr Sie an, wenn Sie Hochleistungs-GPU (Grafikprozessoren) im Einsatz haben und gro\u00dfe und st\u00e4ndig erweiterte Datenmengen analysieren wollen.<\/p>\n

      Anwendungsbereiche<\/h3>\n

      Die bekanntesten Anwendungsbereiche, in denen das Deep Learning heute zum Einsatz kommt, sind bisher die Gesichts-, Sprach-, und Objekterkennung<\/strong>, unter anderem f\u00fcr das sogenannte Deepfaking<\/a>. KI wird heute aber auch bereits eingesetzt, um Naturkatastrophen wie Erdbeben vorauszusagen<\/strong>. Mit ihr k\u00f6nnen Krankheiten oder pathologische Auff\u00e4lligkeiten wie Krebszellen fr\u00fchzeitig erkannt werden<\/strong>. Auch erm\u00f6glicht sie, Kundenverhalten zu analysieren<\/strong> oder selbstst\u00e4ndig Programme zu entwickeln<\/strong> und zu verbessern.<\/p>\n

      Neuronale Netzwerke kommen aber beispielsweise auch beim sogenannten Upscaling und Recolouring von Foto- und Filmmaterial<\/strong> zum Einsatz. Eine entsprechend geschulte KI kann auf diese Weise, nachdem sie sich eine Vielzahl an Videos angesehen und diese ausgewertet hat, selbstst\u00e4ndig uralte Schwarz-Wei\u00df-Aufnahmen in hohe und fl\u00fcssige Ultra-HD-Qualit\u00e4t umwandeln und in Farbe darstellen. Umso mehr Daten von der KI ausgewertet werden, umso einfacher f\u00e4llt es ihr, weitere Videos auf den heutigen Stand der Technik zu bringen.<\/p>\n

      Deep Learning erm\u00f6glicht auf diese Weise eine Zeitreise in die ausgehenden 1890er und fr\u00fchen 1900er Jahre, mit 60 FPS, in HD und Farbe, wie dieses YouTube-Video zeigt:<\/p>\n