Druckfreundliche Version

Sie können das Glossar über das Suchfeld oder das Stichwortalphabet durchsuchen.

@ | A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z | Alle

D

Deep Learning

Deep Learning (Tiefes Lernen)


Definition:
Deep Learning ist ein Teilbereich der Künstlichen Intelligenz (KI) und des maschinellen Lernens (ML). Es orientiert sich am Aufbau und der Funktionsweise des menschlichen Gehirns. Ziel ist es, komplexe Muster in großen Datenmengen zu erkennen und zu verarbeiten – mithilfe sogenannter künstlicher neuronaler Netze mit vielen Schichten (engl. "deep").

Grundprinzip:
Ein neuronales Netz besteht aus mehreren Schichten von Neuronen. Die Eingangsdaten (z. B. ein Bild) werden Schicht für Schicht verarbeitet. Jede Schicht (Layer) extrahiert Merkmale, von einfachen (z. B. Kanten) bis zu komplexen (z. B. Gesichter). Durch diesen hierarchischen Lernprozess erkennt das Modell Zusammenhänge und kann Vorhersagen treffen.

Wichtige Methoden im Deep Learning:

  1. Künstliche neuronale Netze (ANNs)
    Grundstruktur des Deep Learnings, mit mehreren Schichten zwischen Eingabe und Ausgabe.

  2. Convolutional Neural Networks (CNNs)
    Speziell für Bildverarbeitung entwickelt. CNNs erkennen Muster wie Formen, Objekte oder Schrift in visuellen Daten.

  3. Recurrent Neural Networks (RNNs)
    Eignen sich für zeitabhängige Daten, etwa Sprache oder Texte. Sie behalten frühere Informationen über Schleifen im Gedächtnis.

  4. Long Short-Term Memory (LSTM)
    Eine Erweiterung der RNNs, speziell zur Vermeidung von Informationsverlust über lange Zeitreihen. Oft verwendet in der Sprachverarbeitung.

  5. Generative Adversarial Networks (GANs)
    Zwei Netzwerke konkurrieren miteinander: Eines generiert Daten, das andere bewertet sie. Besonders für realistische Bilderzeugung bekannt.

  6. Transformermodelle
    Aktuell führend bei Text- und Sprachverarbeitung. Berühmtes Beispiel: GPT. Sie analysieren Zusammenhänge in ganzen Textabschnitten gleichzeitig.


Anwendungsbereiche:
Deep Learning findet sich heute in vielen Bereichen: 

1. Gesichtserkennung auf dem Smartphone

Convolutional Neural Networks (CNNs)
Apple Face ID oder Android Face Unlock beruhen auf Deep Learning-Modellen, die Gesichter präzise identifizieren.

2. Sprachassistenten wie Alexa, Siri und Google Assistant

Diese Systeme nutzen Recurrent Neural Networks (RNNs) oder moderne Transformermodelle, um Sprache zu 
verstehen und sinnvoll zu antworten. Deep Learning erlaubt es, natürliche Sprache zu interpretieren 

3. Medizinische Diagnostik (z. B. Hautkrebs-Früherkennung)

KI-Systeme können auf Basis von Millionen Bildern lernen, Tumore oder Veränderungen in Röntgen-, MRT- oder CT-Bildern
zu erkennen. Deep Learning hilft hier bei der frühen Diagnose und Therapieplanung.

4. Betrugserkennung im Online-Banking

Deep Learning erkennt ungewöhnliche Muster in Transaktionen. Ein antrainiertes neuronales Netz kann Betrugsversuche in 
Millisekunden aufspüren.

5. Kreative KI (z. B. Bild- und Musikgenerierung)

Mit Generative Adversarial Networks (GANs) können realistische Bilder, Musikstücke oder sogar Gemälde erschaffen werden.
Künstler und Designer nutzen diese Technik z. B. für Prototyping oder Content Creation.

Fazit:
Deep Learning führt eine jahrzehntelange Entwicklung in der Informatik fort – mit einer bewährten Methode:
Lernen durch Schichten, inspiriert vom menschlichen Denken. 

Quelle: www.chatgpt.com