Was ist Deep Learning?
Tiefes Lernen ist eine Computersoftware, die das Netzwerk der Neuronen in einem Gehirn nachahmt. Es ist ein Teilbereich des maschinellen Lernens, der auf künstlichen neuronalen Netzen mit Repräsentationslernen basiert. Es wird Deep Learning genannt, weil es tiefe neuronale Netze nutzt. Dieses Lernen kann beaufsichtigt, halb-beaufsichtigt oder unbeaufsichtigt sein.
Deep-Learning-Algorithmen sind mit zusammenhängenden Schichten aufgebaut.
- Die erste Schicht wird Input Layer genannt
- Die letzte Schicht wird als Ausgabeschicht bezeichnet
- Alle Schichten dazwischen werden Hidden Layers genannt. Das Wort tief bedeutet, dass das Netzwerk Neuronen in mehr als zwei Schichten verbindet.
Jede verborgene Schicht besteht aus Neuronen. Die Neuronen sind miteinander verbunden. Das Neuron verarbeitet das Eingangssignal, das es erhält, und gibt es dann an die darüber liegende Schicht weiter. Die Stärke des Signals, das das Neuron in der nächsten Schicht erhält, hängt von der Gewichtung, der Vorspannung und der Aktivierungsfunktion ab.
Das Netz verarbeitet große Mengen an Eingabedaten und lässt sie durch mehrere Schichten laufen; das Netz kann in jeder Schicht immer komplexere Merkmale der Daten lernen.
In diesem Deep Learning-Tutorial für Anfänger lernst du die Grundlagen des Deep Learning kennen, wie
- Was ist Deep Learning?
- Deep Learning Prozess
- Klassifizierung von neuronalen Netzen
- Arten von Deep Learning-Netzwerken
- Vorwärtsgerichtete neuronale Netze
- Rekurrente neuronale Netze (RNNs)
- Faltungsneuronale Netze (CNN)
- Reinforcement Learning
- Beispiele für Deep Learning-Anwendungen
- Warum ist Deep Learning wichtig?
- Die Grenzen des Deep Learning
Deep Learning Prozess
Ein tiefes neuronales Netzwerk bietet bei vielen Aufgaben, von der Objekterkennung bis zur Spracherkennung, eine hervorragende Genauigkeit. Sie können automatisch lernen, ohne dass vordefiniertes Wissen von den Programmierern explizit kodiert wird.
Um die Idee des tiefen Lernens zu begreifen, stell dir eine Familie vor, mit einem Kleinkind und Eltern. Das Kleinkind zeigt mit seinem kleinen Finger auf Gegenstände und sagt immer das Wort „Katze“. Da seine Eltern um seine Bildung besorgt sind, sagen sie ihm immer wieder „Ja, das ist eine Katze“ oder „Nein, das ist keine Katze“. Das Kind zeigt weiterhin auf Gegenstände, wird aber bei „Katze“ immer genauer. Tief im Inneren weiß das kleine Kind nicht, warum es sagen kann, dass es eine Katze ist oder nicht. Es hat gerade gelernt, komplexe Merkmale zu hierarchisieren, indem es sich das Tier im Ganzen ansieht und sich auf Details wie den Schwanz oder die Nase konzentriert, bevor es sich entscheidet.
Ein neuronales Netzwerk funktioniert ganz ähnlich. Jede Schicht steht für eine tiefere Wissensebene, d.h. für die Hierarchie des Wissens. Ein neuronales Netz mit vier Schichten lernt komplexere Merkmale als mit zwei Schichten.
Das Lernen erfolgt in zwei Phasen:
Erste Phase: Die erste Phase besteht darin, eine nichtlineare Transformation des Inputs vorzunehmen und ein statistisches Modell als Output zu erstellen.
Zweite Phase: In der zweiten Phase geht es darum, das Modell mit einer mathematischen Methode zu verbessern, die als Ableitung bekannt ist.
Das neuronale Netz wiederholt diese beiden Phasen hunderte bis tausende Male, bis es ein erträgliches Maß an Genauigkeit erreicht hat. Die Wiederholung dieser beiden Phasen wird als Iteration bezeichnet.
Um ein Beispiel für Deep Learning zu geben, sieh dir die Bewegung unten an: Das Modell versucht zu lernen, wie man tanzt. Nach 10 Minuten Training weiß das Modell nicht, wie es tanzen soll, und es sieht aus wie ein Gekritzel.
Nach 48 Stunden Lernen beherrscht der Computer die Kunst des Tanzens.
Klassifizierung von neuronalen Netzen
Seichtes neuronales Netz: Das Shallow neuronale Netz hat nur eine versteckte Schicht zwischen Eingang und Ausgang.
Tiefes neuronales Netz: Tiefe neuronale Netze haben mehr als eine Schicht. Das Google LeNet-Modell zur Bilderkennung hat zum Beispiel 22 Schichten.
Heutzutage wird Deep Learning in vielen Bereichen eingesetzt, z. B. im fahrerlosen Auto, im Mobiltelefon, in der Google-Suchmaschine, bei der Betrugserkennung, im Fernsehen und so weiter.
Arten von Deep Learning-Netzwerken
In diesem Tutorial über Deep Neural Networks lernen wir die Arten von Deep Learning Networks kennen:
Vorwärtsgerichtete neuronale Netze
Der einfachste Typ eines künstlichen neuronalen Netzes. Bei dieser Art von Architektur fließen die Informationen nur in eine Richtung, nämlich vorwärts. Das heißt, die Informationen fließen von der Eingabeschicht zu den „versteckten“ Schichten und enden in der Ausgabeschicht. Das Netz
hat keine Schleife. Die Informationen enden an den Ausgabeschichten.
Rekurrente neuronale Netze (RNNs)
Ein RNN ist ein mehrschichtiges neuronales Netz, das Informationen in Kontextknoten speichern kann, so dass es Datenfolgen lernen und eine Zahl oder eine andere Folge ausgeben kann. Einfach ausgedrückt ist es ein künstliches neuronales Netz, dessen Verbindungen zwischen den Neuronen Schleifen enthalten. RNNs sind gut geeignet, um Sequenzen von Eingaben zu verarbeiten.
Rekurrente neuronale Netze
Wenn die Aufgabe zum Beispiel darin besteht, das nächste Wort in dem Satz „Willst du ein…………?
- Die RNN-Neuronen erhalten ein Signal, das auf den Anfang des Satzes hinweist.
- Das Netzwerk erhält das Wort „Do“ als Eingabe und erzeugt einen Vektor der Zahl. Dieser Vektor wird an das Neuron zurückgesendet, um dem Netzwerk eine Erinnerung zu geben. Auf diese Weise kann sich das Netz daran erinnern, dass es das Wort „Do“ erhalten hat, und zwar an der ersten Stelle.
- Ähnlich verfährt das Netzwerk mit den nächsten Wörtern. Es nimmt das Wort „du“ und „wollen“. Der Zustand der Neuronen wird beim Empfang jedes Wortes aktualisiert.
- Der letzte Schritt erfolgt nach Erhalt des Wortes „a“. Das neuronale Netz gibt eine Wahrscheinlichkeit für jedes englische Wort an, das zur Vervollständigung des Satzes verwendet werden kann. Ein gut trainiertes RNN vergibt wahrscheinlich eine hohe Wahrscheinlichkeit für „café“, „drink“, „burger“, etc.
Häufige Anwendungen von RNN
- Unterstützung von Wertpapierhändlern bei der Erstellung analytischer Berichte
- Erkennen Sie Anomalien im Vertrag des Finanzabschlusses
- Erkennen von betrügerischen Kreditkartentransaktionen
- Bilder mit einer Bildunterschrift versehen
- Macht Chatbots
- RNN werden in der Regel eingesetzt, wenn mit Zeitreihen oder Sequenzen (z. B. Audioaufnahmen oder Text) gearbeitet wird.
Faltungsneuronale Netze (CNN)
CNN ist ein mehrschichtiges neuronales Netz mit einer einzigartigen Architektur, die darauf ausgelegt ist, auf jeder Schicht immer komplexere Merkmale der Daten zu extrahieren, um die Ausgabe zu bestimmen. CNNs sind gut für Wahrnehmungsaufgaben geeignet.
CNN wird vor allem dann eingesetzt, wenn ein unstrukturierter Datensatz (z. B. Bilder) vorliegt und Informationen daraus extrahiert werden müssen.
Zum Beispiel, wenn die Aufgabe darin besteht, eine Bildunterschrift vorherzusagen:
- Der CNN erhält ein Bild von, sagen wir, einer Katze. Dieses Bild ist, in der Computersprache, eine Sammlung von Pixeln. In der Regel gibt es eine Schicht für ein Graustufenbild und drei Schichten für ein Farbbild.
- Während des Merkmalslernens (d. h. der versteckten Schichten) erkennt das Netzwerk einzigartige Merkmale, z. B. den Schwanz der Katze, das Ohr usw.
- Wenn das Netzwerk gründlich gelernt hat, wie man ein Bild erkennt, kann es für jedes Bild, das es kennt, eine Wahrscheinlichkeit angeben. Die Bezeichnung mit der höchsten Wahrscheinlichkeit wird zur Vorhersage des Netzwerks.
Verstärkungslernen
Verstärkungslernen ist ein Teilbereich des maschinellen Lernens, bei dem Systeme durch virtuelle „Belohnungen“ oder „Bestrafungen“ trainiert werden und im Wesentlichen durch Versuch und Irrtum lernen. DeepMind von Google hat mit Hilfe von Reinforcement Learning einen menschlichen Meister im Go-Spiel geschlagen. Reinforcement Learning wird auch in Videospielen eingesetzt, um das Spielerlebnis durch intelligentere Bots zu verbessern.
Einer der bekanntesten Algorithmen sind:
- Q-learning
- Tiefes Q-Netzwerk
- Zustand-Aktion-Belohnung-Zustand-Aktion (SARSA)
- Tiefe Deterministische Politik Gradient (DDPG)
Beispiele für Deep Learning-Anwendungen
In diesem Deep Learning-Tutorial für Anfänger lernen wir Deep Learning-Anwendungen kennen:
KI im Finanzwesen:
Die Finanzbranche hat bereits damit begonnen, KI zu nutzen, um Zeit zu sparen, Kosten zu senken und Mehrwert zu schaffen. Deep Learning verändert die Kreditbranche, indem es eine robustere Kreditwürdigkeitsprüfung ermöglicht. Kreditentscheider können KI für robuste Kreditanträge nutzen, um eine schnellere und genauere Risikobewertung zu erreichen, indem sie maschinelle Intelligenz nutzen, um den Charakter und die Fähigkeiten der Bewerber zu berücksichtigen.
Underwrite ist ein Fintech-Unternehmen, das eine KI-Lösung für Kreditentscheider anbietet. underwrite.ai nutzt KI, um zu erkennen, welcher Antragsteller mit höherer Wahrscheinlichkeit einen Kredit zurückzahlen wird. Ihr Ansatz übertrifft herkömmliche Methoden bei weitem.
KI im Personalwesen:
Under Armour, ein Sportbekleidungsunternehmen, revolutioniert die Personalbeschaffung und modernisiert das Bewerbererlebnis mit Hilfe von KI. Tatsächlich reduziert Under Armour die Einstellungszeit für seine Einzelhandelsgeschäfte um 35%. Under Armour sah sich bereits 2012 mit einem wachsenden Interesse an Bewerbern konfrontiert. Sie hatten im Durchschnitt 30000 Bewerbungen pro Monat. Es dauerte zu lange, all diese Bewerbungen zu lesen und mit dem Auswahl- und Interviewprozess zu beginnen. Der langwierige Einstellungsprozess beeinträchtigte die Fähigkeit von Under Armour, seine Einzelhandelsgeschäfte vollständig zu besetzen und betriebsbereit zu machen.
Zu dieser Zeit verfügte Under Armour über alle notwendigen HR-Technologien, wie z. B. transaktionale Lösungen für die Suche, Bewerbung, Nachverfolgung und Einstellung, aber diese Tools waren nicht nützlich genug. Under Armour wählt HireVue, einem KI-Anbieter für HR-Lösungen, sowohl für On-Demand- als auch für Live-Interviews. Die Ergebnisse waren verblüffend: Es gelang ihnen, die Zeit bis zur Einstellung um 35 % zu verkürzen. Im Gegenzug stellten sie qualitativ hochwertigere Mitarbeiter ein.
KI im Marketing:
KI ist ein wertvolles Werkzeug für das Kundenservice-Management und die Personalisierung von Herausforderungen. Eine verbesserte Spracherkennung im Callcenter-Management und die Weiterleitung von Anrufen als Ergebnis der Anwendung von KI-Techniken ermöglichen ein nahtloseres Erlebnis für Kunden.
Die Deep-Learning-Analyse von Audiodaten ermöglicht es Systemen zum Beispiel, den emotionalen Tonfall eines Kunden einzuschätzen. Wenn der Kunde schlecht auf den KI-Chatbot reagiert, kann das System das Gespräch an echte, menschliche Mitarbeiter/innen weiterleiten, die sich des Problems annehmen.
Abgesehen von den drei oben genannten Beispielen für Deep Learning wird KI auch in anderen Sektoren/Industrien häufig eingesetzt.
Warum ist Deep Learning so wichtig?
Deep Learning ist ein mächtiges Werkzeug, um Vorhersagen zu einem umsetzbaren Ergebnis zu machen. Deep Learning eignet sich hervorragend für die Entdeckung von Mustern (unüberwachtes Lernen) und wissensbasierte Vorhersagen. Big Data ist der Treibstoff für Deep Learning. Wenn beide kombiniert werden, kann ein Unternehmen ungeahnte Ergebnisse in Bezug auf Produktivität, Umsatz, Management und Innovation erzielen.
Deep Learning kann herkömmliche Methoden übertrumpfen. So sind Deep-Learning-Algorithmen bei der Bildklassifizierung um 41 %, bei der Gesichtserkennung um 27 % und bei der Spracherkennung um 25 % genauer als Machine-Learning-Algorithmen.
Grenzen des Deep Learning
In diesem Tutorial über neuronale Netze lernen wir die Grenzen des Deep Learning kennen:
Datenbeschriftung
Die meisten aktuellen KI-Modelle werden durch „überwachtes Lernen“ trainiert. Das bedeutet, dass Menschen die zugrunde liegenden Daten beschriften und kategorisieren müssen, was eine große und fehleranfällige Aufgabe sein kann. Unternehmen, die Technologien für selbstfahrende Autos entwickeln, stellen zum Beispiel Hunderte von Menschen ein, die stundenlange Videoaufnahmen von Fahrzeugprototypen manuell beschriften, um diese Systeme zu trainieren.
Große Trainingsdatensätze beschaffen
Es hat sich gezeigt, dass einfache Deep Learning-Techniken wie CNN in einigen Fällen das Wissen von Experten in der Medizin und anderen Bereichen imitieren können. Die aktuelle Welle des maschinellen Lernens erfordert jedoch Trainingsdatensätze, die nicht nur beschriftet, sondern auch ausreichend breit und universell sind.
Deep-Learning-Methoden benötigen Tausende von Beobachtungen, damit die Modelle bei Klassifizierungsaufgaben relativ gut werden, und in einigen Fällen sogar Millionen, damit sie auf dem Niveau von Menschen arbeiten. Es ist keine Überraschung, dass Deep Learning in riesigen Technologieunternehmen bekannt ist; sie nutzen Big Data, um Petabytes an Daten zu sammeln. So können sie ein beeindruckendes und hochpräzises Deep-Learning-Modell erstellen.
Erkläre ein Problem
Große und komplexe Modelle können schwer zu erklären sein, wenn es um Menschen geht. Zum Beispiel, warum eine bestimmte Entscheidung getroffen wurde. Das ist ein Grund dafür, dass die Akzeptanz einiger KI-Tools in Anwendungsbereichen, in denen Interpretierbarkeit nützlich oder sogar erforderlich ist, langsam ist.
Mit der Ausweitung der Anwendung von KI könnten auch regulatorische Anforderungen den Bedarf an besser erklärbaren KI-Modellen erhöhen.
Zusammenfassung
Deep Learning Überblick: Deep Learning ist der neue Stand der Technik für künstliche Intelligenz. Die Deep Learning-Architektur besteht aus einer Eingabeschicht, versteckten Schichten und einer Ausgabeschicht. Das Wort „tief“ bedeutet, dass es mehr als zwei vollständig verbundene Schichten gibt.
Es gibt eine Vielzahl von neuronalen Netzen, wobei jede Architektur für eine bestimmte Aufgabe konzipiert ist. CNN funktionieren zum Beispiel sehr gut bei Bildern, RNN liefern beeindruckende Ergebnisse bei Zeitreihen und Textanalysen.
Deep Learning wird inzwischen in verschiedenen Bereichen eingesetzt, vom Finanzwesen bis hin zu Marketing, Lieferkette und Vertrieb. Große Unternehmen sind die ersten, die Deep Learning einsetzen, weil sie bereits über einen großen Datenbestand verfügen. Deep Learning erfordert einen umfangreichen Trainingsdatensatz.
Das könnte dich interessieren:
- 19 BESTE Machine Learning Kurse (2023 Update)
- Was ist Künstliche Intelligenz? Einführung, Geschichte & Arten von KI
- TensorFlow vs Theano vs Torch vs Keras: Deep Learning Bibliothek
- 21 BESTE Bücher zur Künstlichen Intelligenz (2023 Update)
- Reinforcement Learning: Was ist das, Algorithmen, Typen & Beispiele
0 Kommentare