Einleitung
Deep Learning ist eine fortgeschrittene Form des maschinellen Lernens, die versucht, die Art und Weise zu emulieren, wie das menschliche Gehirn lernt.
In Ihrem Gehirn haben Sie Nervenzellen, die als Neuronen bezeichnet werden, die durch Nervenerweiterungen miteinander verbunden sind, die elektrochemische Signale über das Netzwerk übergeben.
Wenn das erste Neuron im Netzwerk stimuliert wird, wird das Eingabesignal verarbeitet, und wenn es einen bestimmten Schwellenwert überschreitet, wird das Neuron aktiviert und übergibt das Signal an die Neuronen, mit denen es verbunden ist. Diese Neuronen wiederum können aktiviert und das Signal über den Rest des Netzwerks übergeben werden. Im Laufe der Zeit werden die Verbindungen zwischen den Neuronen durch häufige Verwendung gestärkt, wenn Sie lernen, effektiv zu reagieren. Wenn zum Beispiel jemand einen Ball in Ihre Richtung wirft, ermöglichen Ihnen Ihre neuronalen Verbindungen, die visuellen Informationen zu verarbeiten und Ihre Bewegungen zu koordinieren, um den Ball zu fangen. Wenn Sie diese Aktion wiederholt ausführen, wird das Netzwerk der Neuronen, die daran beteiligt sind, einen Ball zu fangen, stärker wachsen, wenn Sie lernen, wie Sie besser beim Abfangen eines Balls sind.
Deep Learning emuliert diesen biologischen Prozess mit künstlichen neuralen Netzwerken, die numerische Eingaben statt elektrochemische Reize verarbeiten.
Die eingehenden Nervenverbindungen werden durch numerische Eingaben ersetzt, die in der Regel als x identifiziert werden. Wenn mehrere Eingabewerte vorhanden sind, wird x als Vektor mit Elementen namens x1, x2 usw. betrachtet.
Bei jedem x-Wert handelt es sich um eine Gewichtung (w), die verwendet wird, um den Effekt des x-Werts zu stärken oder zu schwächen, um das Lernen zu simulieren. Darüber hinaus wird eine Bias-Eingabe (b) hinzugefügt, um eine differenzierte Kontrolle über das Netzwerk zu ermöglichen. Während des Schulungsvorgangs werden die w- und b-Werte angepasst, um das Netzwerk so abzustimmen, dass es "lernt", korrekte Ausgaben zu erzeugen.
Das Neuron selbst kapselt eine Funktion, die eine gewichtete Summe von x, w und b berechnet. Diese Funktion ist wiederum in eine Aktivierungsfunktion eingeschlossen, die das Ergebnis (oft auf einen Wert zwischen 0 und 1) einschränkt, um zu bestimmen, ob das Neuron eine Ausgabe an die nächste Ebene von Neuronen im Netzwerk übergibt.