Deep Learning

Deep Learning (DL) ist eine spezielle Methode des maschinellen Lernens (englisch: machine learning), die sich am Lernen menschlicher Gehirne orientiert. Dabei werden Künstliche Neuronale Netze (KNN) eingesetzt, deren Vorbild biologische neuronale Netze sind. Der Name Deep Learning leitet sich daraus ab, dass das Lernen mehrschichtig über viele Schichten der neuronalen Netze passiert. Eine erste Schicht wird durch einen Eingabevektor gebildet, dazu kommen weitere Schichten, die mit so genannten Neuronen erweitert oder reduziert werden. Über Gewichtungen wird die erste Schicht abstrahiert bis zum Erreichen einer Ausgabeschicht, die wiederum einen Ausgabevektor erzeugt. Durch Training werden die Gewichtungen so abgestimmt, dass bestimmte Eingabemuster (beispielsweise Fotos von Katzen) zu einem passenden Ausgabemuster führen (z.B. „das Foto zeigt eine Katze“).

Deep-Learning-Algorithmen verstehen Bilder und Sprache

Deep Neural Networks sind allgemein für das Erkennen von Mustern in großen Datenmengen geeignet. Praktische Anwendung findet diese Methode vor allem in der Bilderkennung, der Sprachverarbeitung und der Robotik.

Zu den wichtigsten Anwendungsmöglichkeiten für Deep-Learning-Algorithmen gehört das Erkennen von Objekten und Gesichtern in digitalen Fotos („Computer Vision“). Um einem Computerprogramm den Begriff Katze beizubringen, stellt man ihm zum Trainieren zahlreiche Bilder zur Verfügung, die mit den Meta-Tags „Katze“ oder „nicht Katze“ markiert sind. Das Erlernen von Objekten funktioniert in mehreren Ebenen: In einer ersten Ebene werden nur die Helligkeitswerte der Pixel registriert. In der nächsten Lernebene werden Linien erkannt und in der weiteren Ebene die Unterscheidung zwischen vertikalen und horizontalen Linien. In den nachfolgenden Ebenen wird das Erkennen immer differenzierter, bis schließlich Beine erkannt werden und Katzen von Nicht-Katzen unterschieden werden können. Wie das menschliche Gehirn schalten die Deep Neural Networks mehrere Neuronenschichten hintereinander. Mit jeder Schicht wird ein tiefer gehendes Verständnis des Eingabebildes gewonnen.

Für das automatisierte Fahren ist das korrekte Erfassen von Bildinhalten extrem wichtig. Selbstfahrende Autos müssen nicht nur Verkehrszeichen erkennen, sondern auch andere Fahrzeuge, Fußgänger, Tiere oder Bäume. Um komplexe Verkehrsszenen zu verstehen und das Verhalten anderer Verkehrsteilnehmer vorauszusehen, ist sind Deep Neural Networks der erfolgversprechendste Ansatz.

Neben der Objekterkennung wird Deep Learning auch häufig für die Spracherkennung, die Interaktion von Computern auf Basis von Sprache sowie für die automatische Übersetzung von Texten in andere Sprachen angewendet. Viele moderne Übersetzungsprogramme, Spracherkennungssysteme und Sprachassistenten verdanken ihre Existenz Deep-Learning-Algorithmen. Dies gilt auch für das Spracherkennungsmodul des iPhone-Assistenten Siri.

Deep-Learning-Systeme in der Medizin

Für medizinische Prognosen und Diagnosen gibt es viele erfolgversprechende Ansätze für den Einsatz künstlicher neuronaler Netze. Dazu gehören beispielsweise die Krebsfrüherkennung anhand von Blutproben, die automatische Diagnose vieler Krankheiten und der Einsatz von Deep-Learning-Algorithmen zur automatisierten Bildanalyse in der Radiologie. Machine Learning kann insbesondere dort hilfreich eingesetzt werden, wo es die diagnostischen Informationen bereits digitalisiert vorliegen, z.B. Diagnosen auf Basis von CT-Scans oder MRT-Aufnahmen. In der Arzneimittelforschung werden Deep-Learning-Algorithmen zur Identifikation aussichtsreicher Wirkstoffe eingesetzt. Dadurch können Medikamente in Zukunft schneller entwickelt werden.

Grenzen von Deep Learning

Deep Neural Networks können nur das lernen, was in ihren Trainingsdaten an Information enthalten ist. 2016 stießen ein autonom gesteuertes Fahrzeug und ein weißer Sattelschlepper zusammen, denn das Computer-Modul hatte gelernt, dass höher liegende weiße Bildbereiche Wolken sind.

DataAnalyst.eu

Das Angebot von DataAnalyst.eu richtet sich an Jobsuchende im Bereich Data Science und Unternehmen, die auf der Suche nach Data-Analysten sind.

In unserem Lexikon und Data-Science-Blog bündeln wir für Sie außerdem Informationen rund um Begrifflichkeiten, Berufsfeld, Karriere und Trends.
DataAnalyst.eu

Letzte Artikel von DataAnalyst.eu (Alle anzeigen)

    « Back to Glossary Index