Deep Learning ist eine Untergruppe des maschinellen Lernens, die künstliche neuronale Netzwerke verwendet, um Informationen zu verarbeiten und zu analysieren. Neuronale Netzwerke bestehen aus Rechenknoten, die innerhalb von Deep-Learning-Algorithmen geschichtet sind. Jede Ebene enthält eine Eingabe-, eine Ausgabe- und eine verborgene Ebene. Das neuronale Netzwerk wird mit Trainingsdaten gefüttert, die dem Algorithmus beim Lernen helfen und die Genauigkeit verbessern. Wenn ein neuronales Netzwerk aus drei oder mehr Schichten besteht, spricht man von einem „tiefen“, also Deep Learning.

Deep-Learning-Algorithmen sind von der Funktionsweise des menschlichen Gehirns inspiriert und werden zur Analyse von Daten mit einer logischen Struktur verwendet. Deep Learning wird in vielen Aufgaben eingesetzt, die wir heute als KI betrachten, einschließlich Bild- und Spracherkennung, Objekterkennung und Natural Language Processing. Deep Learning kann nicht lineare, komplexe Korrelationen innerhalb von Datasets herstellen, erfordert jedoch mehr Trainingsdaten und Rechenressourcen als maschinelles Lernen.

Zu den gängigen Arten neuronaler Netzwerke, die für Deep Learning verwendet werden, gehören:

Neuronale Feed-Forward-Netzwerke (FF) sind eine der ältesten Formen neuronaler Netzwerke, bei denen Daten durch Ebenen von künstlichen Neuronen fließen, bis die Ausgabe erreicht wird.

Rekurrentes neuronales Netz (RNN) unterscheidet sich von den neuronalen Feed-Forward-Netzwerkmodelle insofern, als sie in der Regel Zeitachsendaten oder Daten verwenden, die Sequenzen enthalten. Recurrent neuronale Netzwerke verfügen über einen „Gedächtnis“ dessen, was in der vorherigen Schicht passiert ist, abhängig von der Ausgabe der aktuellen Schicht.

Langzeit-/Kurzzeitspeicher (LSTM) ist eine erweiterte Form von RNN, die sich mithilfe von Speichern daran „erinnern“ kann, was in den vorherigen Ebenen passiert ist.

Convolutional Neural Networks (CNN) umfassen einige der gängigsten neuronalen Netzwerke der modernen künstlichen Intelligenz und verwenden mehrere verschiedene Schichten (eine Convolutional-Schicht und dann eine Pooling-Schicht), die verschiedene Teile eines Bildes filtern, bevor sie es darstellen. wieder zusammengefügt (in der vollständig verbundenen Schicht).

Generative Adversarial Networks (GAN) umfassen zwei neuronale Netzwerke („Generator“ und „Diskriminator“), die in einem Spiel miteinander konkurrieren, was letztendlich die Genauigkeit der Ausgabe verbessert.

Maschinelles Lernen ist eine Untergruppe künstlicher Intelligenz, die es einem System ermöglicht, autonom zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Algorithmen für maschinelles Lernen erkennen Muster und Daten und treffen Vorhersagen, wenn neue Daten in das System eingegeben werden.

Im Großen und Ganzen werden beim maschinellen Lernen häufig drei Arten von Modellen verwendet: überwachtes, unbeaufsichtigtes Modell und bestärkendes Bestärken.

Das überwachte Lernen ist ein Modell für maschinelles Lernen, das mit Labels versehene Trainingsdaten (strukturierte Daten) verwendet, um einer Ausgabe eine bestimmte Eingabe zuzuordnen. Beim überwachten Lernen ist die Ausgabe bekannt (z. B. beim Erkennen des Bildes eines Apfels) und das Modell wird mit Daten der bekannten Ausgabe trainiert. Einfach ausgedrückt: Damit der Algorithmus Bilder von Äpfeln erkennt, füttern Sie ihn mit Bildern, die als Äpfel gekennzeichnet sind.

Zu den am häufigsten verwendeten Algorithmen für überwachtes Lernen gehören:

• Lineare Regression
• Polynom Regression
• K-nächstgelegene Nachbarn
• Naive Bayes
• Polynom Regression
• Entscheidungsbäume

Unüberwachtes Lernen ist ein Modell für maschinelles Lernen, das Daten ohne Label (unstrukturierte Daten) verwendet, um Muster zu lernen. Anders als beim überwachten Lernen ist die Ausgabe nicht im Voraus bekannt. Der Algorithmus lernt viel aus den Daten, ohne dass Menschen dazu etwas tun (also unbeaufsichtigt), und kategorisiert sie anhand von Attributen in Gruppen. Wenn der Algorithmus beispielsweise Bilder von Äpfeln und Bananen erhält, kategorisiert er automatisch, welches Bild einen Apfel und welches eine Banane ist. Unüberwachtes Lernen eignet sich gut für die beschreibende Modellierung und den Musterabgleich.

Zu den am häufigsten verwendeten Algorithmen für unbeaufsichtigtes Lernen gehören:

• Ungenaue Übereinstimmungen
• K-Means-Clustering
• Hierarchisches Clustering
• Analyse der Hauptkomponenten
• Partial Least Squares

Häufig wird auch ein gemischtes maschinelles Lernen verwendet, das als halbüberwachtes Lernen bezeichnet wird, bei dem nur ein Teil der Daten mit Labels versehen ist. Beim halbüberwachten Lernen muss der Algorithmus herausfinden, wie die Daten organisiert und strukturiert werden können, um ein bekanntes Ergebnis zu erzielen. Dem Modell für maschinelles Lernen wird beispielsweise mitgeteilt, dass das Endergebnis ein Apfel ist, aber nur ein Teil der Trainingsdaten ist als „Apfel“ gekennzeichnet.

Bestärkendes Lernen ist ein Modell für maschinelles Lernen, das durch eine Reihe von Trial-and-Error-Experimenten als „Learn byDo“ bezeichnet wird. Ein Agent lernt, eine definierte Aufgabe über eine Feedbackschleife auszuführen, bis seine Leistung in einem gewünschten Bereich liegt. Der Agent erhält eine positive Bestärkung, wenn er die Aufgabe gut ausführt hat, und eine negative Verstärkung, wenn er eine schlechte Leistung erzielt. Ein Beispiel für Reinforcement Learning ist die Entwicklung eines Algorithmus von Google für Reinforcement Learning, mit der das Spiel Go gespielt wird. Das Modell hatte keine Vorkenntnisse zu den Go-Regeln und bewegte einfach Teile nach dem Zufallsprinzip und „erlernte“ die besten Ergebnisse, während der Algorithmus trainiert wurde, bis das Modell für maschinelles Lernen einen menschlichen Spieler beim Spiel übertreffen konnte.

Künstliche Intelligenz ist ein Wissenschaftsbereich, der sich mit der Entwicklung von Computern und Maschinen befasst, die logisch denken, lernen und in einer Weise handeln können, die normalerweise menschliche Intelligenz erfordern würde oder die mit Daten zu tun hat, deren Umfang das übersteigt, was Menschen analysieren können.  KI ist ein großes Gebiet, das viele Disziplinen umfasst, darunter Informatik, Daten- und Analyse, Softwareentwicklung und sogar Philosophie. 

Auf Unternehmensebene umfasst KI eine Reihe von Technologien, die für viele Anwendungsfälle eingesetzt werden, darunter Datenanalyse, Vorhersagen und Prognosen, Natural Language Processing, Empfehlungen, Maschinenautomatisierung, intelligenter Datenabruf und mehr.

Künstliche Intelligenz, Machine Learning und Deep Learning werden bei der Diskussion rund um KI oft gleichbedeutend verwendet. Obwohl die Begriffe korrelieren, sind sie nicht austauschbar. 

Während KI ein breites Feld ist, ist maschinelles Lernen eine Anwendung von KI, mit der Maschinen lernen können, ohne speziell programmiert zu werden. Maschinelles Lernen wird explizit eingesetzt, um mit einfacheren Methoden wie Entscheidungsbäumen oder linearer Regression Wissen aus Daten zu extrahieren, während Deep Learning die fortgeschritteneren Methoden in künstlichen neuronalen Netzwerken verwendet.

Deep Learning erfordert weniger menschliches Eingreifen, da die Merkmale eines Datasets automatisch extrahiert werden. Bei einfacheren ML-Verfahren müssen Entwickler oft die Merkmale und Klassifikatoren der Daten manuell identifizieren und den Algorithmus entsprechend anpassen. Deep Learning kann aus Fehlern lernen, während beim maschinellen Lernen ein Mensch eingreifen muss.

Deep Learning benötigt außerdem viel mehr Daten als maschinelles Lernen, was wiederum deutlich mehr Rechenleistung erfordert. Maschinelles Lernen kann in der Regel mit Servern durchgeführt werden, auf denen CPUs ausgeführt werden. Für Deep Learning sind hingegen häufig robustere Chips wie GPUs erforderlich.