Was ist Deep Learning und neurales Netzwerk?

Neuronale Netze(Neural Networks) und Deep Learning sind derzeit die beiden heißen Schlagworte, die heutzutage im Zusammenhang mit Künstlicher Intelligenz(Artificial Intelligence) verwendet werden . Die jüngsten Entwicklungen in der Welt der künstlichen Intelligenz können diesen beiden zugeschrieben werden, da sie eine bedeutende Rolle bei der Verbesserung der Intelligenz der KI gespielt haben.

Schauen Sie sich um, und Sie werden immer mehr intelligente Maschinen finden. Dank Neural Networks und Deep Learning werden Jobs und Fähigkeiten, die einst als Stärke des Menschen galten, heute von Maschinen erledigt. Heute werden Maschinen nicht mehr dafür gemacht, komplexere Algorithmen zu fressen, sondern sie werden gefüttert, um sich zu einem autonomen, selbstlernenden System zu entwickeln, das viele Branchen rundum revolutionieren kann.

Neuronale Netze(Neural Networks) und Deep Learning haben den Forschern enorme Erfolge bei Aufgaben wie der Bilderkennung, der Spracherkennung und dem Auffinden tieferer Zusammenhänge in Datensätzen beschert. Unterstützt durch die Verfügbarkeit riesiger Datenmengen und Rechenleistung können Maschinen Objekte erkennen, Sprache übersetzen, sich selbst darin trainieren, komplexe Muster zu erkennen, lernen, Strategien zu entwickeln und Notfallpläne in Echtzeit zu erstellen.

Also, wie genau funktioniert das? Wissen Sie, dass sowohl neutrale (Neutral) Netzwerke(Networks) als auch Deep-Learning verwandt sind, um Deep Learning zu verstehen, müssen Sie zuerst etwas über neuronale Netzwerke(Neural Networks) verstehen ? Lesen Sie weiter, um mehr zu erfahren.

Was ist ein neuronales Netzwerk

Ein neuronales(Neural) Netzwerk ist im Grunde ein Programmiermuster oder eine Reihe von Algorithmen, die es einem Computer ermöglichen, aus den Beobachtungsdaten zu lernen. Ein neuronales(Neural) Netzwerk ähnelt einem menschlichen Gehirn, das funktioniert, indem es die Muster erkennt. Die sensorischen Daten werden anhand einer maschinellen Wahrnehmung, Kennzeichnung oder Clusterung der Roheingabe interpretiert. Die erkannten Muster sind numerische, in Vektoren eingeschlossene Muster, in die die Daten wie Bilder, Ton, Text usw. übersetzt werden.

Think Neural Network! Think how a human brain function

Wie oben erwähnt, funktioniert ein neuronales Netzwerk genauso wie ein menschliches Gehirn; es erwirbt das gesamte Wissen durch einen Lernprozess. Danach speichern synaptische Gewichte das erworbene Wissen. Während des Lernprozesses werden die synaptischen Gewichte des Netzwerks reformiert, um das gewünschte Ziel zu erreichen.

Genau wie das menschliche Gehirn arbeiten neuronale Netze(Neural Networks) wie nichtlineare parallele Informationsverarbeitungssysteme, die Berechnungen wie Mustererkennung und -wahrnehmung schnell durchführen. Infolgedessen funktionieren diese Netzwerke sehr gut in Bereichen wie Sprach-, Audio- und Bilderkennung, wo die Eingaben/Signale von Natur aus nichtlinear sind.

Mit einfachen Worten, Sie können sich ein neuronales Netzwerk als etwas vorstellen, das wie ein menschliches Gehirn Wissen speichern und es verwenden kann, um Vorhersagen zu treffen.(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)

Struktur neuronaler Netze

Deep Learning und neuronales Netzwerk

(Bildnachweis: Mathworks)

Neuronale Netze(Networks) bestehen aus drei Schichten,

  1. Eingabeschicht,
  2. Versteckte Schicht und
  3. Ausgabeschicht.

Jede Schicht besteht aus einem oder mehreren Knoten, wie im folgenden Diagramm durch kleine Kreise dargestellt. Die Linien zwischen den Knoten zeigen den Informationsfluss von einem Knoten zum nächsten an. Die Informationen fließen vom Eingang zum Ausgang, also von links nach rechts (in manchen Fällen auch von rechts nach links oder in beide Richtungen).

Die Knoten der Eingabeschicht sind passiv, dh sie verändern die Daten nicht. Sie erhalten einen einzelnen Wert an ihrer Eingabe und duplizieren den Wert an ihren mehreren Ausgaben. Wohingegen(Whereas) die Knoten der verborgenen und der Ausgangsschicht aktiv sind. Damit können sie die Daten modifizieren.

In einer vernetzten Struktur wird jeder Wert aus der Eingabeschicht dupliziert und an alle verborgenen Knoten gesendet. Die Werte, die in einen versteckten Knoten eintreten, werden mit Gewichten multipliziert, einem Satz von vorbestimmten Zahlen, die im Programm gespeichert sind. Die gewichteten Eingaben werden dann addiert, um eine einzelne Zahl zu erzeugen. Neuronale Netze können eine beliebige Anzahl von Schichten und eine beliebige Anzahl von Knoten pro Schicht haben. Die meisten Anwendungen verwenden die dreischichtige Struktur mit maximal einigen hundert Eingangsknoten

Beispiel eines neuronalen Netzwerks(Example of Neural Network)

Stellen Sie sich ein neuronales Netzwerk vor, das Objekte in einem Sonarsignal erkennt, und im PC sind 5000 Signalproben gespeichert. Der PC muss herausfinden, ob diese Proben ein U-Boot, einen Wal, einen Eisberg, Meeresfelsen oder gar nichts darstellen? Herkömmliche DSP(Conventional DSP) -Verfahren würden dieses Problem mit Mathematik und Algorithmen angehen, wie z. B. Korrelations- und Frequenzspektrumanalyse.

Bei einem neuronalen Netzwerk würden die 5000 Samples der Eingabeschicht zugeführt, was dazu führt, dass Werte aus der Ausgabeschicht herausspringen. Durch die Auswahl der richtigen Gewichte kann die Ausgabe so konfiguriert werden, dass sie eine Vielzahl von Informationen ausgibt. Beispielsweise könnte es Ausgaben geben für: U-Boot (ja/nein), Meeresfelsen (ja/nein), Wal (ja/nein) usw.

Mit anderen Gewichtungen können die Ausgaben die Objekte als metallisch oder nichtmetallisch, biologisch oder nichtbiologisch, feindlich oder verbündet usw. klassifizieren. Keine Algorithmen, keine Regeln, keine Verfahren; nur eine Beziehung zwischen der Eingabe und der Ausgabe, die durch die Werte der ausgewählten Gewichtungen diktiert wird.

Lassen Sie uns nun das Konzept des Deep Learning verstehen.(Now, let’s understand the concept of Deep Learning.)

Was ist ein tiefes Lernen

Deep Learning ist im Grunde eine Untergruppe von neuronalen Netzen(Neural Networks) ; vielleicht können Sie sagen, ein komplexes neuronales Netzwerk(Neural Network) mit vielen versteckten Schichten darin.

Technisch gesehen kann Deep Learning auch als ein mächtiges Set von Techniken zum Lernen in neuronalen Netzen definiert werden. Es bezieht sich auf künstliche neuronale Netze ( ANN ), die aus vielen Schichten, riesigen Datensätzen und leistungsstarker Computerhardware bestehen, um komplizierte Trainingsmodelle zu ermöglichen. Es enthält die Klasse von Methoden und Techniken, die künstliche neuronale Netze mit mehreren Schichten von zunehmend umfangreicherer Funktionalität verwenden.

Struktur des Deep-Learning-Netzwerks(Structure of Deep learning network)

Deep -Learning-Netzwerke verwenden meist neuronale Netzwerkarchitekturen und werden daher oft als tiefe neuronale Netzwerke bezeichnet. Die Verwendung von Arbeit „tief“ bezieht sich auf die Anzahl der verborgenen Schichten im neuronalen Netzwerk. Ein herkömmliches neuronales Netzwerk enthält drei versteckte Schichten, während tiefe Netzwerke bis zu 120-150 haben können.

Beim Deep (Deep) Learning werden einem Computersystem viele Daten zugeführt, die es verwenden kann, um Entscheidungen über andere Daten zu treffen. Diese Daten werden wie beim maschinellen Lernen durch neuronale Netze gespeist. Deep -Learning-Netzwerke können Merkmale direkt aus den Daten lernen, ohne dass eine manuelle Merkmalsextraktion erforderlich ist.

Beispiele für Deep Learning(Examples of Deep Learning)

Deep Learning wird derzeit in fast allen Branchen eingesetzt, angefangen bei der Automobil-(Automobile) , Luft-(Aerospace) und Raumfahrt- und Automatisierungsbranche(Automation) bis hin zur Medizin(Medical) . Hier sind einige der Beispiele.

  • Google , Netflix und Amazon : Google verwendet es in seinen Sprach- und Bilderkennungsalgorithmen. Netflix und Amazon verwenden auch Deep Learning, um zu entscheiden, was Sie als Nächstes sehen oder kaufen möchten
  • Fahren ohne Fahrer: Forscher nutzen Deep-Learning-Netzwerke, um Objekte wie Stoppschilder und Ampeln automatisch zu erkennen. Deep Learning wird auch verwendet, um Fußgänger zu erkennen, was zur Verringerung von Unfällen beiträgt.
  • Luft- und Raumfahrt und Verteidigung: Deep Learning wird verwendet, um Objekte von Satelliten zu identifizieren, die interessante Bereiche lokalisieren, und sichere oder unsichere Zonen für Truppen zu identifizieren.
  • Dank Deep Learning findet und markiert Facebook automatisch Freunde in Ihren Fotos. Skype kann gesprochene Kommunikation in Echtzeit und ziemlich genau übersetzen.
  • Medizinische Forschung: Medizinische Forscher nutzen Deep Learning, um Krebszellen automatisch zu erkennen
  • Industrielle Automatisierung(Industrial Automation) : Deep Learning trägt zur Verbesserung der Arbeitssicherheit rund um schwere Maschinen bei, indem es automatisch erkennt, wenn sich Personen oder Objekte in einem unsicheren Abstand zu Maschinen befinden.
  • Elektronik: Deep Learning wird beim automatisierten Hören und bei der Sprachübersetzung eingesetzt.

Lesen Sie(Read) : Was ist maschinelles Lernen und Deep Learning(Machine Learning and Deep Learning) ?

Fazit(Conclusion)

Das Konzept der neuronalen Netze(Neural Networks) ist nicht neu, und Forscher haben in den letzten zehn Jahren mäßigen Erfolg gehabt. Aber der wirkliche Spielveränderer war die Entwicklung von Deep Neural Networks.

Indem es die traditionellen maschinellen Lernansätze übertrifft, hat es gezeigt, dass tiefe neuronale Netze nicht nur von wenigen Forschern trainiert und getestet werden können, sondern auch von multinationalen Technologieunternehmen übernommen werden können, um in naher Zukunft bessere Innovationen hervorzubringen.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!



Walter Böhm

About the author

Ich bin ein iOS-Entwickler mit über 10 Jahren Erfahrung. Ich habe mich auf die Entwicklung von Apps für iPhone und iPad spezialisiert. Ich habe Erfahrung beim Erstellen von Benutzerabläufen, dem Erstellen von benutzerdefinierten Entwicklungskits (CDKs) und der Arbeit mit verschiedenen App-Entwicklungsframeworks. In meiner früheren Arbeit habe ich auch Tools entwickelt, die bei der Verwaltung von Apples App Store helfen, darunter ein Produktmanagement-Tool und ein App-Übermittlungstool.


Related posts