Zum Inhalt springen

Was ist Deep Learning?

Deep Learning ist eine Methode aus der Informationsverarbeitung, die große Datenmengen mithilfe von Neuronalen Netzen analysiert. Diese Vorgehensweise ist in großen Teilen den biologischen Prozessen im menschlichen Gehirn nachempfunden, mit dem Unterschied, dass die Verarbeitung solcher Datensätze für unser Gehirn nur sehr schwierig möglich wäre.

Wie funktioniert Deep Learning?

Deep Learning umfasst Algorithmen, die so programmiert sind, dass sie ohne menschliches Zutun lernen können. Die technische Grundlage dieser Programme sind die Neuronalen Netze. Diese bestehen aus vielen Schichten von Neuronen, genau wie unser Gehirn. In der Eingabeschicht kommen alle Informationen an, die verarbeitet werden sollen. In unserem biologischen Beispiel wären das die Sinneseindrücke von Augen, Fingern, etc. Am Ende des Netzwerkes werden eine oder mehrere Reaktionen ausgegeben, abhängig von den Eingaben. Wenn wir beispielsweise einen Löwe in unmittelbarer Nähe sehen ist unsere Reaktion uns schnell in Sicherheit zu bringen.

Damit es zu dieser angemessenen Reaktion kommt, müssen wir die Eingaben richtig verarbeiten. Dies passiert in den Schichten zwischen Eingabe- und Ausgabeschicht, den sogenannten verborgenen Schichten. Aufgrund von vergangenen Erfahrungen bilden sich stärkere oder schwächere Verbindungen zwischen den Neuronen aus verschiedenen Schichten aus. Umso mehr Zwischenschichten ein Netzwerk hat, umso „tiefer“ ist es. Daher stammt auch der Begriff „Deep“ Learning.

Dieses Beispiel lässt sich fast eins zu eins auf den technischen Algorithmus übertragen. Wir definieren ein Neuronales Netzwerk mit einer gewissen Anzahl an Schichten und Neuronen. In den meisten Fällen können mithilfe von mehr Neuronen auch komplexere Sachverhalte gelernt werden. Also umso komplexer der Anwendungsfall, umso größer das Neuronale Netzwerk. Mithilfe von Trainingsdaten lernt das Modell dann die richtigen Neuronen miteinander zu verknüpfen, sodass der richtige Zusammenhang zwischen Modelleingabe und -ausgabe entsteht. Von außen geben wir dabei nur vor, wie die richtige Vorhersage aussehen soll. Die richtigen Verbindungen innerhalb des Netzwerkes zu setzen, lernt das Modell hingegen von selbst.

Praktische Anwendungen für Deep Learning

Neuronale Netzwerke begegnen uns heute bereits unbewusst im Alltag. Es wird dabei versucht, aus vergangenen Daten Zusammenhänge zu lernen, die man in zukünftigen Situationen anwenden kann.

  • Dynamic Pricing: Hierbei geht es darum, spezifische Preise für dasselbe Produkte zu setzen abhängig vom Kunden, Land oder anderen Umständen. Vor ein paar Jahren war dies vor allem auf Fluggesellschaften beschränkt, die Flugpreise entsprechend angepasst haben, um so näher das Abflugdatum gerückt ist. Heutzutage ist diese Strategie in vielen Bereichen denkbar, beispielsweise im E-Commerce, in dem Kunden besonders günstige Bundles angeboten werden, um sie zurück in den Shop zu locken.
  • Produktempfehlungen: Dies ist auch wieder ein Use-Case, der vor allem im E-Commerce genutzt wird und darauf abzielt dem Kunden ein passendes Produkt vorzuschlagen, basierend beispielsweise auf dessen Kaufhistorie, Suchverhalten oder anderen Kundeneigenschaften. Darüber hinaus werden solche Algorithmen auch bei Netflix oder Amazon Prime eingesetzt, um eine passende Serie oder einen passend Film zu vorzuschlagen.
  • Fraud Detection: Dabei handelt es sich um die automatisierte Erkennung von auffälligem Verhalten aller Art, die meistens auf einen Missbrauch des Systems hinweisen. Der berühmteste Anwendungsfall sind Bankkonten auf denen auffällige Abbuchungen oder Kreditkartentransaktionen stattfinden, die darauf hinweisen könnten, dass die Kreditkarte in falsche Hände geraten ist.

Deep Learning vs. Machine Learning

Deep Learning ist ein Teilbereich von Machine Learning, der sich von Machine Learning darin unterscheidet, dass kein Mensch in den Lernprozess involviert ist. Dies basiert auf der Tatsache, dass nur Deep Learning Algorithmen in der Lage sind unstrukturierte Daten, wie Bilder, Videos oder Audiodateien zu verarbeiten. Andere Machine Learning Modelle hingegen benötigen für die Verarbeitung dieser Daten die Hilfe von Menschen, die ihnen beispielsweise mitteilen, dass in dem Bild ein Auto zu erkennen ist. Deep Learning Algorithmen hingegen können unstrukturierte Daten automatisiert in numerische Werte umwandeln und diese dann in ihre Vorhersagen mit einbeziehen und Strukturen erkennen, ohne dass eine menschliche Interaktion stattgefunden hat.

Darüber hinaus sind Deep Learning Algorithmen in der Lage deutlich größere Datenmengen zu verarbeiten und somit auch komplexere Aufgaben anzugehen, als herkömmliche Machine Learning Modelle. Jedoch geht dies zu Lasten einer deutlich längeren Trainingszeit von Deep Learning Modellen. Gleichzeitig sind diese Modelle auch nur sehr schwierig interpretierbar. Das heißt, wir können nicht verstehen, wie ein Neuronales Netzwerk zu einer guten Vorhersage kam.

Das solltest Du mitnehmen

  • Deep Learning ist ein Teilbereich von Machine Learning und beschreibt eine Methode der Informationsverarbeitung.
  • Es werden vor allem Neuronale Netzwerke genutzt, um Zusammenhänge aus großen Datensätzen nutzen zu können, die man dann in zukünftigen Situationen anwenden kann.
  • Deep Learning kommt heute beispielsweise schon bei Produktempfehlungen im E-Commerce oder bei der Betrugserkennung im Bankenbereich zum Einsatz.
  • Deep Learning unterscheidet sich von Machine Learning vor allem darin, dass es auch mit unstrukturierten Daten, wie Bildern, Videos oder Audioaufnahmen, umgehen kann.

Andere Beiträge zum Thema Deep Learning

  • IBM hat einen spannenden Artikel, in dem auch andere Deep Learning Anwendungen beschrieben werden.
close
Das Logo zeigt einen weißen Hintergrund den Namen "Data Basecamp" mit blauer Schrift. Im rechten unteren Eck wird eine Bergsilhouette in Blau gezeigt.

Verpass keine neuen Beiträge!

Wir versenden keinen Spam! Lies die Details gerne in unserer Datenschutzrichtlinie nach.

Schlagwörter:
Cookie Consent mit Real Cookie Banner