Einführung
Deep Learning ist eine weiterentwickelte Form von maschinellem Lernen, die zu emulieren versucht, wie das menschliche Gehirn lernt.
Ihr Gehirn verfügt über Nervenzellen (sogenannte Neuronen), die durch Nervenfortsätze miteinander verbunden sind, die elektrochemische Signale durch das Netz leiten.
Wenn das erste Neuron im Netz stimuliert wird, wird das Eingangssignal verarbeitet. Wenn es einen bestimmten Schwellenwert überschreitet, wird das Neuron aktiviert und leitet das Signal an die Neuronen weiter, mit denen es verbunden ist. Diese Neuronen werden wiederum möglicherweise ebenfalls aktiviert und leiten das Signal an das restliche Netz weiter. Im Laufe der Zeit werden die Verbindungen zwischen den Neuronen durch häufige Nutzung gestärkt, während Sie lernen, wie Sie effektiv reagieren. Wenn Ihnen z. B. jemand einen Ball zuwirft, ermöglichen Ihre Neuronenverbindungen Ihnen das Verarbeiten der visuellen Informationen und Koordinieren Ihrer Bewegungen, um diesen Ball zu fangen. Wenn Sie diese Aktion wiederholt durchführen, wird hierdurch das Netz von Neuronen, das am Fangen eines Balls beteiligt ist, immer stärker, während Sie lernen, wie Sie besser darin werden, einen Ball zu fangen.
Deep Learning emuliert diesen biologischen Prozess mit künstlichen neuronalen Netzen, die statt elektrochemischer Reize numerische Eingaben verarbeiten.
Die eingehenden Nervenverbindungen werden durch numerische Eingaben ersetzt, die in der Regel mit x bezeichnet werden. Wenn mehr als ein Eingabewert vorhanden ist, wird x als Vektor mit Elementen namens x1, x2 usw. betrachtet.
Jedem x-Wert ist ein Gewicht (Weight, w) zugeordnet, mit dem die Auswirkungen auf den x-Wert verstärkt oder abgeschwächt werden, um Lernen zu simulieren. Darüber hinaus wird eine Biaseingabe (b) hinzugefügt, um eine differenzierte Kontrolle über das Netz zu ermöglichen. Während des Trainingsprozesses werden die Werte w und b angepasst, um das Netz zu optimieren, sodass es „lernt“, die richtigen Ausgaben zu erzeugen.
Das Neuron selbst schließt eine Funktion ein, die eine gewichtete Summe von x, w und b berechnet. Diese Funktion wird wiederum von einer Aktivierungsfunktion umschlossen, die das Ergebnis einschränkt (häufig auf einen Wert zwischen 0 und 1), um zu bestimmen, ob das Neuron eine Ausgabe an die nächste Schicht mit Neuronen im Netz übergibt.