Deep Learning

Das maschinelle Lernen bedient sich der „künstlichen“ Generierung von Wissen aus Erfahrung.
Unsere Algorithmen lernen mit Ihren Daten zu rechnen und können so Vorentscheidungen bei Ihren Vorhaben tätigen.

Maschinelles Lernen

Künstliche Intelligenz

Mit künstlicher Intelligenz bringen wir Ihrer EDV menschliches Lernen und Denken bei.

Künstliche Intelligenz

Künstliche Neuronale Netze

Künstliche Neuronale Netze bestehen aus künstlichen Neuronen, die, dem biologischen Vorbild der Nervenzelle folgend, Eingaben gewichten und über eine Aktivierungsfunktion eine Ausgabe erzeugen.

Künstliche Neuronale Netze

Deep Learning

Deep Learning nutzen wir als Ansatz im maschinellen Lernen, um Wissen aus Erfahrung zu gewinnen und das zu lösende Problem mit Hilfe einer Hierarchie von Lösungskonzepten zu verstehen, die jeweils durch einfachere Teillösungen definiert sind.

Deep Learning

Zurück zur Übersicht

Deep Learning – ein Ansatz im maschinellen Lernen

Durch den Deep Learning Ansatz kann die Notwendigkeit der Definition jeglichen für den Computer zur Problemlösung notwendigen Wissens durch den Programmierer vermieden werden. Die Hierarchie von Lösungskonzepten macht es dem Computer möglich, komplexe Lösungsansätze aus einfacheren Ansätzen zu bilden. Ein Graph, der diese Konzepte aufeinander abbildet, besteht aus vielen Schichten und ist somit „tief“. Deshalb spricht man bei diesem Ansatz der künstlichen Intelligenz von „Deep Learning“. Im Folgenden werden Techniken des Deep Learning und die Vorgehensweise der Bilderkennung in tiefen Netzen erläutert.

Deep Convolutional Neural Networks

Erst durch die Entwicklung von Convolutional Neural Networks (CNN) und den Einsatz von Grafikprozessoren (GPGPU – General purpose computing on graphics processing units) zur Parallelisierung der Berechnungen im maschinellen Lernen können auch in deutlich komplexeren Aufgabenfeldern herausragende Ergebnisse erzielt werden.
CNN sind an den Aufbau des visuellen Cortex von Tieren angelehnt, in dem u. a. komplexe Anordnungen von Neuronen auf Kantenähnliche Muster reagieren. Während MLP aus vollvernetzten Schichten („Fully Connected Layers“) bestehen, ist die Anordnung der Kanten in CNN von den definierten Convolutions abhängig.
Die Kombination aus mehreren Convolutional und Fully Connected Layern zu einem Deep Convolutional Neural Network hat sich in der Erkennung und Klassifizierung von Bildern bewährt.

Weitere laden