Deep-Learning „101“ (Part 1/2)

 

Das Deep-Learning-Cover Up 

Maschinelles Lernen ist Magie! Nunja, es funktioniert nur, wenn Sie viele Daten in Besitz haben. Es ist also nicht mehr notwendig, dass jemand selbst fortlaufend Daten codiert oder analysiert, um eine Lösung zu finden oder eine Logik zu präsentieren. Denn Deep Learning, im Vergleich zu anderen Machine-Learning Methoden ist bemerkenswert modular. Künstliche neuronale Netze ermöglichen es eigenständig Daten einzuspeisen, Strukturieren, Optimieren und Auszustoßen. 

Deep Learning Geheimnisse 

Ein Repräsentationslernalgorithmus kann eine gute Menge von Funktionen für eine einfache Aufgabe in Minuten oder für eine komplexe Aufgabe in Stunden bis Monaten ermitteln. Deep Learning-Algorithmen benötigen leistungsfähige Maschinen, Machine-Learning-Algorithmen nicht. Nun, sie machen komplizierte Dinge, wie Matrix-Multiplikationen, die eine Grafikverarbeitungseinheit (GPUs) erfordern. Es gibt auch zwei Arten von maschinellen Lernalgorithmen, Überwachtes Lernen und unüberwachtes Lernen. Unüberwachtes Lernen und somit automatische Entscheidungen entwickeln sich nach Trainingsphasen. Diese lassen sich so beschreiben, dass immer weniger Eingaben und Vorschriften auf den Algorithmus einwirken. (Sie an wie groß er/sie/es schon ist!)

Bekannte Anwendungen

 „Vorhersagen“: Die Systeme sind sicherlich kompliziert und gründlich fortgeschritten, aber sie suchen nur nach bekannten oder vorhergesagten Mustern. Einschätzungen anderer und Wahrscheinlichkeitsrechnungen.  Dabei fangen Deep-Learning-Systeme an, nicht nur klassische Methoden, sondern auch menschliche Benchmarks bei verschiedenen Aufgaben wie Bildklassifizierung oder Gesichtserkennung zu übertreffen, indem sie sich an die Umgebung anpassen. Niemand möchte ein Spracherkennungssystem, das 80% der Zeit funktioniert(und versehentlich bei Amazon 10Kg Eiscreme vorbestellt!).

(Part 1/2)

(Bildquelle: Pixabay.com)