Was ist Deep Learning?

Deep Learning ist eine besondere Teilmenge von maschinelles Lernen (die Mechanik der künstlichen Intelligenz). Obwohl dieser Zweig der Programmierung sehr komplex werden kann, begann er mit einer sehr einfachen Frage: „Wenn wir wollen, dass ein Computersystem intelligent agiert, warum modellieren wir es dann nicht nach dem Vorbild des menschlichen Gehirns?“

Dieser eine Gedanke löste in den letzten Jahrzehnten viele Versuche aus, Algorithmen zu entwickeln, die die Funktionsweise des menschlichen Gehirns nachahmen – und die Probleme auf die gleiche Weise lösen könnten wie Menschen. Diese Bemühungen haben wertvolle, immer leistungsfähigere Analysewerkzeuge hervorgebracht, die in vielen verschiedenen Bereichen eingesetzt werden.

Das neuronale Netzwerk und wie es verwendet wird

Tiefes Lernen Der Name leitet sich von der Art und Weise ab, wie es zur Analyse „unstrukturierter“ Daten verwendet wird, also von Daten, die zuvor nicht von einer anderen Quelle gekennzeichnet wurden und möglicherweise einer Definition bedürfen. Dies erfordert eine sorgfältige Analyse der Daten und wiederholte Tests dieser Daten, um zu einer endgültigen, verwertbaren Schlussfolgerung zu gelangen. Computer sind traditionell nicht gut darin, solche unstrukturierten Daten zu analysieren.

Betrachten Sie es in Bezug auf das Schreiben: Wenn zehn Personen dasselbe Wort schreiben würden, würde dieses Wort bei jeder Person ganz anders aussehen, von schlampig bis ordentlich und von kursiv bis gedruckt. Das menschliche Gehirn hat kein Problem damit, zu verstehen, dass es sich bei allen um dasselbe Wort handelt, weil es weiß, wie Wörter, Schrift, Papier, Tinte und persönliche Eigenarten funktionieren. Ein normales Computersystem hätte jedoch keine Möglichkeit zu erkennen, dass diese Wörter gleich sind, weil sie alle so unterschiedlich aussehen.

Das bringt uns zu via Neuronale NetzeDabei handelt es sich um Algorithmen, die speziell entwickelt wurden, um die Art und Weise nachzuahmen, wie die Neuronen im Gehirn interagieren. Neuronale Netze versuchen, Daten so zu analysieren, wie es ein Verstand kann: Ihr Ziel ist es, mit chaotischen Daten umzugehen – wie zum Beispiel dem Schreiben – und nützliche Schlussfolgerungen zu ziehen, wie zum Beispiel die Wörter, die das Schreiben zu zeigen versucht. Es ist am einfachsten zu verstehen Neuronale Netze wenn wir sie in drei wichtige Teile aufteilen:

Die Eingabeebene: Auf der Eingabeebene absorbiert das neuronale Netzwerk alle ihm zugeführten nicht klassifizierten Daten. Das bedeutet, die Informationen in Zahlen zu zerlegen und sie in Ja-oder-Nein-Datenbits oder „Neuronen“ umzuwandeln. Wenn Sie einem neuronalen Netzwerk beibringen möchten, Wörter zu erkennen, wäre die Eingabeebene mathematisch Definieren Sie die Form jedes Buchstabens und zerlegen Sie ihn in digitale Sprache, damit das Netzwerk starten kann Arbeiten. Die Eingabeebene kann ziemlich einfach oder unglaublich komplex sein, je nachdem, wie einfach es ist, etwas mathematisch darzustellen.

Die verborgenen Schichten: Im Zentrum des neuronalen Netzwerks befinden sich verborgene Schichten – von einer bis zu vielen. Diese Schichten bestehen aus eigenen digitalen Neuronen, die abhängig von der ihnen vorangehenden Neuronenschicht aktiviert oder nicht aktiviert werden. Ein einzelnes Neuron ist ein grundlegendes „Wenn dies, dann das“.“ Modell, aber Schichten bestehen aus langen Neuronenketten und viele verschiedene Schichten können sich gegenseitig beeinflussen, was zu sehr komplexen Ergebnissen führt. Das Ziel besteht darin, dem neuronalen Netzwerk zu ermöglichen, viele verschiedene Merkmale zu erkennen und sie wie ein Kind zu einer einzigen Erkenntnis zu kombinieren Lernen, jeden Buchstaben zu erkennen und sie dann zusammenzusetzen, um ein vollständiges Wort zu erkennen, auch wenn dieses Wort nur wenig geschrieben ist schlampig.

In den verborgenen Schichten findet auch viel Deep-Learning-Training statt. Wenn der Algorithmus beispielsweise ein Wort nicht richtig erkennen konnte, senden Programmierer zurück: „Entschuldigung, Das ist nicht korrekt“, und der Algorithmus passte die Gewichtung der Daten an, bis er das Richtige gefunden hatte Antworten. Durch Wiederholen dieses Vorgangs (Programmierer können die Gewichte auch manuell anpassen) kann das neuronale Netzwerk robuste verborgene Schichten aufbauen Geschickt darin, die richtigen Antworten durch viele Versuche und Irrtümer sowie einige Anweisungen von außen zu finden – wiederum ähnlich wie das menschliche Gehirn funktioniert. Wie das obige Bild zeigt, können verborgene Ebenen sehr komplex werden!

Die Ausgabeschicht: Die Ausgabeschicht verfügt über relativ wenige „Neuronen“, da hier die endgültigen Entscheidungen getroffen werden. Hier wendet das neuronale Netzwerk die endgültige Analyse an, legt Definitionen für die Daten fest und zieht auf der Grundlage dieser Definitionen die programmierten Schlussfolgerungen. Zum Beispiel: „Es sind genug Daten vorhanden, um zu sagen, dass es sich um dieses Wort handelt See, nicht Fahrbahn.“ Letztendlich werden alle Daten, die das Netzwerk passieren, auf bestimmte Neuronen in der Ausgabeschicht eingegrenzt. Da hier die Ziele verwirklicht werden, ist dies oft einer der ersten Teile des Netzwerks.

Anwendungen

Wenn Sie moderne Technologie nutzen, stehen die Chancen gut, dass Deep-Learning-Algorithmen jeden Tag überall um Sie herum am Werk sind. Wie denkst du Alexa oder Google Assistant Verstehen Sie Ihre Sprachbefehle? Sie nutzen neuronale Netze, die zum Verstehen von Sprache entwickelt wurden. Woher weiß Google, wonach Sie suchen, bevor Sie mit der Eingabe fertig sind? Tiefergehendes Lernen am Arbeitsplatz. Wie ignoriert Ihre Überwachungskamera Haustiere, erkennt aber menschliche Bewegungen? Noch einmal vertiefendes Lernen.

Immer wenn die Software menschliche Eingaben erkennt, von Gesichtserkennung Bei Sprachassistenten ist Deep Learning wahrscheinlich irgendwo darunter am Werk. Das Fachgebiet bietet jedoch auch viele andere nützliche Anwendungen. Die Medizin ist ein besonders vielversprechender Bereich, in dem fortschrittliches Deep Learning eingesetzt wird, um DNA auf Fehler zu analysieren oder molekulare Verbindungen auf potenzielle gesundheitliche Vorteile zu untersuchen. Auf einer eher physischen Ebene wird Deep Learning in einer wachsenden Zahl von Maschinen und Fahrzeugen eingesetzt, um vorherzusagen, wann Geräte gewartet werden müssen, bevor etwas ernsthaft schief geht.

Die Zukunft des Deep Learning

Die Zukunft des Deep Learning ist besonders rosig! Das Tolle an einem neuronalen Netzwerk ist, dass es hervorragend mit einer großen Menge unterschiedlicher Daten umgehen kann (denken Sie an alles, womit unser Gehirn ständig zu tun hat). Das ist besonders relevant in unserem Zeitalter fortschrittlicher intelligenter Sensoren, die eine unglaubliche Menge an Informationen sammeln können. Herkömmliche Computerlösungen beginnen mit der Sortierung, Kennzeichnung und dem Ziehen von Schlussfolgerungen aus so vielen Daten zu kämpfen.

Deep Learning hingegen kann mit den digitalen Datenbergen umgehen, die wir sammeln. Tatsächlich gilt: Je größer die Datenmenge, desto effizienter wird Deep Learning im Vergleich zu anderen Analysemethoden. Aus diesem Grund mögen Organisationen Google Investieren Sie so viel in Deep-Learning-Algorithmenund warum sie in Zukunft wahrscheinlich häufiger auftreten werden.

Und natürlich die Roboter. Vergessen wir nie die Roboter.

Empfehlungen der Redaktion

• Deep-Learning-K.I. hilft Archäologen bei der Übersetzung antiker Tafeln
• Deep-Learning-K.I. kann die Verzerrungseffekte ikonischer Gitarrengötter imitieren
• Gedankenlesende KI analysiert Ihre Gehirnwellen, um zu erraten, welches Video Sie gerade ansehen
• Diese KI-gestützte App kann Hautkrebs mit einer Genauigkeit von 95 Prozent erkennen
• K.I. Forscher entwickeln ein Gesichtserkennungssystem für Schimpansen