Deep Learning ist ein Teilbereich des Machine Learnings, der sich auf die Verarbeitung großer Datenmengen durch künstliche neuronale Netzwerke konzentriert. Es handelt sich dabei um eine Methode des maschinellen Lernens, bei der Computer Algorithmen entwickeln können, die aus Erfahrung lernen und Muster in den Daten erkennen.
Unterschied zu Machine Learning
Im Gegensatz zum herkömmlichen Machine Learning, das in der Regel auf flachen, einfachen Modellen basiert, ermöglicht Deep Learning die Verwendung von mehreren Ebenen (Siehe Abb. „Versteckte Schicht“) von neuronalen Netzwerken, die es ermöglichen, komplexe Datenstrukturen zu analysieren. Hierbei können die Netzwerke tiefe Hierarchien von Merkmalsdetektoren lernen, die immer abstrakter werden und schließlich zu einer endgültigen Entscheidung führen.
Der Hauptunterschied zwischen Deep Learning und klassischem Machine Learning liegt in der Fähigkeit, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten.
Künstliche neuronale Netzwerke sind in der Lage, unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung und zum weiteren Lernen verwendet.
Klassische Machine Learning Methoden sind nicht in der Lage, diese unstrukturierten Daten erfolgreich zu verarbeiten. Anwendungsfälle, wie die Bilderkennung sind mit klassischen Methoden kaum sinnvoll umzusetzen, da diese Modelle die komplexen Zusammenhänge nicht abbilden können.
| Machine Learning | Deep Learning | |
| Datenstruktur | Strukturierte Daten | Unstrukturierte und strukturierte Daten |
| Datensatzgröße | Klein – Mittel | Groß |
| Hardware | Funktioniert mit einfacher Hardware. | Braucht leistungsstarke Computer (mit GPUs). Neuronale Netze multiplizieren Matrizen, die sehr viel Rechenzeit brauchen – GPUs beschleunigen den Vorgang. |
| Feature Extraktion | Sie müssen die Merkmale in der Regel verstehen. | Sie müssen die Merkmale nicht verstehen. |
| Laufzeit | Ein paar Minuten bis Stunden | Bis zu Wochen und Monaten. Künstliche neuronale Netze müssen einen enorm viele Gewichte berechnen. |
Ausblick
Deep Learning hat Anwendungen in vielen Bereichen wie Computer Vision, Spracherkennung, natürlicher Sprachverarbeitung, maschineller Übersetzung, medizinischer Diagnostik und sogar in der Finanzanalyse. Es wird erwartet, dass Deep Learning in Zukunft noch breitere Anwendungsbereiche finden wird.
