1) Einfach erklärt
Deep Learning ist eine Methode der Künstlichen Intelligenz, bei der viele Schichten von neuronalen Netzen aus Beispieldaten lernen. Je tiefer (mehr Schichten) das Netz ist, desto komplexere Muster kann es erkennen.
Beispiele:
- Bilder erkennen: Ein Modell lernt Katzen vs. Hunde anhand vieler Fotos – ohne dass jemand alle Merkmale (Ohrenform, Fell) per Hand vorgibt.
- Sprache verstehen: Systeme wie Sprachassistenten wandeln Sprache → Text um und beantworten Fragen.
- Übersetzen/Chatten: Große Sprachmodelle (LLMs) schreiben Texte, übersetzen und fassen Inhalte zusammen.
- Medizin/Industrie: Modelle finden Auffälligkeiten in Röntgenbildern oder entdecken Fehler auf Fertigungsbändern.
Warum erfolgreich? Große Datenmengen, Rechenleistung (GPUs/TPUs) und Architekturen (z. B. Convolutional Nets, Transformer) ermöglichen sehr genaue Modelle – oft besser als frühere Verfahren.
2) Professionelle Definition
Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mehrschichtige künstliche neuronale Netze trainiert, um hierarchische Repräsentationen aus Daten zu lernen. Klassische Architekturen sind CNNs für Bilder, RNNs/LSTMs für Sequenzen sowie Transformer (Self‑Attention) für Sequenz‑zu‑Sequenz‑ und Multimodal‑Aufgaben. Das Training erfolgt meist überwachtes Lernen mit Backpropagation und stochastischem Gradientenabstieg; Varianten sind selbstüberwachtes, unüberwachtes und bestärkendes Lernen. Regularisierung/Optimierung: u. a. Dropout, Batch‑Norm, Gewichtszerfall, Datenaugmentation, Learning‑Rate‑Schemata. Anwendungen: Computer Vision, NLP/Sprachmodelle, ASR/TTS, Empfehlungssysteme, Zeitreihenprognose, Wissenschaft/Engineering (z. B. Proteinvorhersage, Physik‑Inversion).
Quellen (geprüft; kopierbare URLs)
- Goodfellow, Bengio, Courville – „Deep Learning“ (Online‑Buch, MIT Press):
https://www.deeplearningbook.org/ - Stanford CS231n – Convolutional Neural Networks for Visual Recognition:
https://cs231n.stanford.edu/ - „Attention Is All You Need“ (Vaswani et al., 2017) – Transformer‑Architektur:
https://arxiv.org/abs/1706.03762