Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
Themenseite: Projektmanagement

Für Profis und Einsteiger.
Sorgfältig ausgewählte Inhalte, die Ihnen helfen, Ihre Fähigkeiten im Projektmanagement gezielt zu verbessern und Projekte erfolgreich abzuschließen.
Erweiterte Suche
Anmelden
nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:
Einleitung Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

4. Deep Learning

verfasst von : Carsten Lanquillon, Sigurd Schacht

Erschienen in: Knowledge Science – Grundlagen

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Zusammenfassung

Deep Learning verschiebt immer weiter die Grenzen dessen, was wir im Kontext der Künstlichen Intelligenz für möglich gehalten haben. Doch was genau steckt hinter dieser Deep-Learning-Revolution? Dieses Kapitel gibt einen Einblick in die Funktionsweise und den Aufbau künstlicher neuronaler Netze als den grundlegenden Baustein aller Deep-Learning-Ansätze. Die Vielzahl an Deep-Learning-Modellen in Veröffentlichungen und als Treiber in angebotenden Diensten und Produkten und deren Möglichkeiten und Grenzen können in der Folge besser eingeordnet und nachvollzogen werden.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Machine Learning
Nächstes Kapitel Informationsextraktion aus Texten
Fußnoten
1
Der Begriff Konnektionismus deutet darauf hin, dass es um viele miteinander verbundene Neuronen geht. Der Name stammt aus dem Bereich der Kybernetik und wurde im Rahmen der KI insbesondere auch zur Abgrenzung von symbolischen Ansätzen verwendet (siehe Abschn. 2.​2).
 
2
Eine Hyperebene ist die Verallgemeinerung einer Ebene für höherdimensionale Räume. Im zweidimensionalen Raum sprechen wir von einer Geraden.
 
3
Diese Einschränkung gilt nicht für den Prozess der Gewichtsanpassung, bei dem Informationen gezielt rückwärts durch das Netz geschickt werden (siehe Abschn. 4.2.4).
 
4
Die Beweise beschränken sich oft auf Riemann-integrierbare Funktionen [92] oder Borel-messbare Funktionen [75].
 
5
In vielen Darstellungen ist mit der sigmoiden Funktion, oft symbolisiert mit \(\sigma \), ausschließlich die logistische sigmoide Funktion gemeint, wie auch bei der Darstellung rekurrenter neuronaler Netze (RNNs) in Abschn. 4.3.3. Die tanh-Funktion, deren Verlauf auch sigmoid ist, wird in diesen Fällen zur Unterscheidung direkt namentlich genannt.
 
6
Der Sachverhalt mag auf den ersten Blick unbedeutend erscheinen, ist aber für die Durchführung eines Gradientenabstiegsverfahrens sehr bedeutsam und kann sich entscheidend auf das Ergebnis auswirken [12].
 
7
An dieser Stelle gehen wir davon aus, dass im Rahmen einer Projektdurchführung etwa nach CRISP-DM oder DASC-PM eine Datenaufbereitung stattgefunden hat, die den Anforderungen neuronaler Netze entspricht. Das bedeutet konkret, dass nach geeignetem Feature Encoding und Engineering ausschließlich numerische Werte vorliegen und die Daten bereinigt sind, also keine fehlenden Werte enthalten und Ausreißer bei Bedarf adäquat behandelt wurden (siehe Abschn. 3.​4.​1).
 
8
Die Ableitung der ReLU-Funktion ist an der Stelle 0 nicht definiert. In der Anwendung ist es sinnvoll, einen plausiblen Wert festzulegen. Wir verwenden hier den Wert 0 als natürliche Fortsetzung der Funktion von links.
 
9
Die Abkürzung FNN ist weitaus weniger geläufig als die im Anschluss verwendeten Kürzel CNN für Convolutional Neural Networks und RNN für Recurrent Neural Networks.
 
10
Vincent Dumoulin und Francesco Visin geben eine kompakte Übersicht über die Berechnung der diskreten Faltung bei CNN und die Einflüsse der verschiedenen Parameter [42].
 
11
Die Aufzählungsnummern entsprechen den Nummern in den blauen Kreisen in Abb. 4.24, rechts.
 
12
Die Nutzung großer Sprachmodelle (engl. large language models, LLMs), die nach dem Pre-Training meist direkt ohne weiteres Fine-Tuning über Prompts angesprochen werden, um eine Aufgabe zu lösen, führte in den vergangenen Jahren sogar zu einem neuen Machine-Learning-Paradigma, dem sogenannten Prompt-based Learning [107].
 
Metadaten
Titel
Deep Learning
verfasst von
Carsten Lanquillon
Sigurd Schacht
Copyright-Jahr
2023
Buch
Knowledge Science – Grundlagen

Print ISBN: 978-3-658-41688-1

Electronic ISBN: 978-3-658-41689-8

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-658-41689-8_4