Deep-Learning-Tutorial für Anfänger: Grundlagen neuronaler Netze

Was ist Deep Learning?

Tiefes Lernen ist eine Computersoftware, die das Netzwerk von Neuronen in einem Gehirn nachahmt. Es handelt sich um eine Teilmenge des maschinellen Lernens, die auf künstlichen neuronalen Netzen mit Repräsentationslernen basiert. Es wird Deep Learning genannt, weil es tiefe neuronale Netze nutzt. Dieses Lernen kann überwacht, halbüberwacht oder unbeaufsichtigt erfolgen.

Deep-Learning-Algorithmen werden mit verbundenen Schichten aufgebaut.

  • Die erste Ebene wird Eingabeebene genannt
  • Die letzte Ebene wird als Ausgabeebene bezeichnet
  • Alle dazwischen liegenden Ebenen werden als versteckte Ebenen bezeichnet. Das Wort „tief“ bedeutet, dass das Netzwerk Neuronen in mehr als zwei Schichten verbindet.
Tiefes Lernen
Was ist Deep Learning?

Jede verborgene Schicht besteht aus Neuronen. Die Neuronen sind miteinander verbunden. Das Neuron verarbeitet und leitet dann das Eingangssignal, das es empfängt, an die darüber liegende Schicht weiter. Die Stärke des Signals, das dem Neuron in der nächsten Schicht gegeben wird, hängt von der Gewichtung, der Vorspannung und der Aktivierungsfunktion ab.

Das Netzwerk verbraucht große Mengen an Eingabedaten und verarbeitet diese über mehrere Ebenen. Das Netzwerk kann zunehmend com lernenplex Merkmale der Daten auf jeder Ebene.

Deep-Learning-Prozess

Ein tiefes neuronales Netzwerk bietet modernste Genauigkeit bei vielen Aufgaben, von der Objekterkennung bis zur Spracherkennung. Sie können automatisch lernen, ohne dass vordefiniertes Wissen explizit von den Programmierern codiert wird.

Deep-Learning-Prozess
Deep-Learning-Prozess

To grasp the idea of deep learning, imagine a family, with an infant and parents. The toddler points objects with his little finger and always says the word ‘cat.’ As his parents are concerned about his education, they keep telling him ‘Yes, that is a cat’ or ‘No, that is not a cat.’ The infant persists in pointing objects but becomes more accurate with ‘cats.’ The little kid, deep down, does not know why he can say it is a cat or not. He has just learned how to hierarchies complex Merkmale, die sich eine Katze ausdenken, indem man das Haustier insgesamt betrachtet und sich weiterhin auf de konzentrierttails wie die tails oder die Nase vorher, um sich zu entscheiden.

Ein neuronales Netzwerk funktioniert ganz genauso. Jede Ebene repräsentiert eine tiefere Wissensebene, also die Wissenshierarchie. Ein neuronales Netzwerk mit vier Schichten lernt mehrplex Funktion als mit zwei Schichten.

Das Lernen erfolgt in zwei Phasen:

Erste Phase: Die erste Phase besteht aus der Anwendung einer nichtlinearen Transformation der Eingabe und der Erstellung eines statistischen Modells als Ausgabe.
Zweite Phase: Die zweite Phase zielt darauf ab, das Modell mit einer mathematischen Methode namens Ableitung zu verbessern.

Das neuronale Netzwerk wiederholt diese beiden Phasen hunderte bis tausende Male, bis es ein erträgliches Maß an Genauigkeit erreicht hat. Die Wiederholung dieser zwei Phasen wird als Iteration bezeichnet.

Um ein Deep-Learning-Beispiel zu geben, werfen Sie einen Blick auf die folgende Bewegung: Das Modell versucht zu lernen, wie man tanzt. Nach 10 Minuten Training weiß das Model nicht, wie man tanzt, und es sieht aus wie ein Gekritzel.

Deep-Learning-Prozess

Nach 48 Stunden Lernen beherrscht der Computer die Kunst des Tanzens.

Deep-Learning-Prozess

Klassifizierung neuronaler Netze

Flaches neuronales Netzwerk: Das flache neuronale Netzwerk hat nur eine verborgene Schicht zwischen Eingabe und Ausgabe.

Tiefes neuronales Netzwerk: Tiefe neuronale Netze haben mehr als eine Schicht. Beispielsweise zählt das Google LeNet-Modell zur Bilderkennung 22 Schichten.

Heutzutage wird Deep Learning auf vielfältige Weise eingesetzt, beispielsweise in fahrerlosen Autos, Mobiltelefonen, der Google-Suchmaschine, zur Betrugserkennung, im Fernsehen usw.

Arten von Deep-Learning-Netzwerken

In diesem Tutorial zu Deep Neural Networks lernen wir nun die Arten von Deep Learning Networks kennen:

Arten von Deep-Learning-Netzwerken
Arten von Deep-Learning-Netzwerken

Feed-Forward-Neuronale Netze

The simplest type of artificial neural network. With this type of architecture, information flows in only one direction, forward. It means, the information’s flows starts at the input layer, goes to the “hidden” layers, and end at the output layer. The network

hat keine Schleife. Informationen enden auf den Ausgabeebenen.

Rekurrente neuronale Netze (RNNs)

RNN ist ein mehrschichtiges neuronales Netzwerk, das Informationen in Kontextknoten speichern kannwing Damit können Sie Datensequenzen lernen und eine Zahl oder eine andere Sequenz ausgeben. In einfachen Worten handelt es sich um ein künstliches neuronales Netzwerk, dessen Verbindungen zwischen Neuronen Schleifen umfassen. RNNs eignen sich gut für die Verarbeitung von Eingabesequenzen.

Wiederkehrende neuronale Netze

Wiederkehrende neuronale Netze

Wenn die Aufgabe beispielsweise darin besteht, das nächste Wort im Satz „Willst du…………?“ vorherzusagen.

  • Die RNN-Neuronen empfangen ein Signal, das auf den Satzanfang zeigt.
  • Das Netzwerk empfängt das Wort „Do“ als Eingabe und erzeugt einen Vektor der Zahl. Dieser Vektor wird an das Neuron zurückgekoppelt, um dem Netzwerk einen Speicher bereitzustellen. Diese Phase hilft dem Netzwerk, sich daran zu erinnern, dass es „Do“ erhalten hat, und zwar an erster Stelle.
  • Das Netzwerk wird in ähnlicher Weise mit den nächsten Wörtern fortfahren. Es braucht die Wörter „du“ und „wollen“. Der Zustand der Neuronen wird bei jedem Wortempfang aktualisiert.
  • Die letzte Phase findet nach dem Empfang des Wortes „a“ statt. Das neuronale Netzwerk liefert für jedes englische Wort eine Wahrscheinlichkeit, mit der der Satz vervollständigt werden kann. Ein gut trainiertes RNN weist „Café“, „Getränk“, „Burger“ usw. wahrscheinlich eine hohe Wahrscheinlichkeit zu.

Häufige Verwendungen von RNN

  • Helfen Sie Wertpapierhändlern bei der Erstellung von Analyseberichten
  • Erkennen Sie Auffälligkeiten im Vertrag oder in der Finanzaufstellung
  • Erkennen Sie betrügerische Kreditkartentransaktionen
  • Geben Sie für Bilder eine Bildunterschrift an
  • Power chatbots
  • Die Standardanwendungen von RNN treten auf, wenn die Praktiker mit Zeitreihendaten oder -sequenzen (z. B. Audioaufzeichnungen oder Text) arbeiten.

Faltungs-Neuronale Netze (CNN)

CNN is a multi-layered neural network with a unique architecture designed to extract increasingly complex Merkmale der Daten auf jeder Ebene, um die Ausgabe zu bestimmen. CNNs eignen sich gut für Wahrnehmungsaufgaben.

Faltungs-Neuronales Netz

Faltungs-Neuronales Netz

CNN wird meist verwendet, wenn ein unstrukturierter Datensatz (z. B. Bilder) vorliegt und die Praktiker daraus Informationen extrahieren müssen.

Wenn die Aufgabe beispielsweise darin besteht, eine Bildunterschrift vorherzusagen:

  • Das CNN empfängt ein Bild beispielsweise einer Katze. Dieses Bild ist, in der Computersprache ausgedrückt, eine Sammlung des Pixels. Im Allgemeinen eine Ebene für das Graustufenbild und drei Ebenen für ein Farbbild.
  • Während des Merkmalslernens (d. h. verborgener Schichten) identifiziert das Netzwerk einzigartige Merkmale, beispielsweise den Schwanz der Katze, das Ohr usw.
  • Wenn das Netzwerk gründlich gelernt hat, ein Bild zu erkennen, kann es für jedes ihm bekannte Bild eine Wahrscheinlichkeit angeben. Die Bezeichnung mit der höchsten Wahrscheinlichkeit wird zur Vorhersage des Netzwerks.

Verstärkung lernen

Verstärkung lernen ist ein Teilgebiet des maschinellen Lernens, in dem Systeme durch den Empfang virtueller „Belohnungen“ oder „Strafen“ trainiert werden, also im Wesentlichen durch Versuch und Irrtum. Googles DeepMind hat Reinforcement Learning genutzt, um einen menschlichen Champion in den Go-Spielen zu schlagen. Reinforcement Learning wird auch in Videospielen eingesetzt, um das Spielerlebnis durch die Bereitstellung intelligenterer Bots zu verbessern.

Einer der bekanntesten Algorithmen ist:

  • Q-Learning
  • Deep Q-Netzwerk
  • State-Action-Reward-State-Action (SARSA)
  • Deep Deterministic Policy Gradient (DDPG)

Beispiele für Deep-Learning-Anwendungen

In diesem Tutorial zu Deep Learning für Anfänger lernen wir nun mehr über Deep-Learning-Anwendungen:

KI im Finanzwesen

Der Finanztechnologiesektor hat bereits damit begonnen, KI zu nutzen, um Zeit zu sparen, Kosten zu senken und Mehrwert zu schaffen. Deep Learning verändert die Kreditbranche durch eine robustere Kreditbewertung. Kreditentscheidungsträger können KI für robuste Kreditanträge nutzen, um eine schnellere und genauere Risikobewertung zu erreichen, indem sie maschinelle Intelligenz nutzen, um den Charakter und die Leistungsfähigkeit der Antragsteller zu berücksichtigen.

Underwrite ist ein Fintech-Unternehmen, das eine KI-Lösung für Kreditvergabeunternehmen bereitstellt. underwrite.ai nutzt KI, um zu erkennen, welcher Antragsteller einen Kredit mit größerer Wahrscheinlichkeit zurückzahlen wird. Ihr Ansatz übertrifft traditionelle Methoden radikal.

KI im Personalwesen

Under Armour, ein Sportbekleidungsunternehmen, revolutioniert die Personalbeschaffung und modernisiert das Kandidatenerlebnis mithilfe von KI. Tatsächlich verkürzt Under Armour die Einstellungszeit für seine Einzelhandelsgeschäfte um 35 %. Under Armour stand vor einem Growing popularity interest back in 2012. They had, on average, 30000 resumes a month. Reading all of those applications and begin to start the screening and interview process was taking too long. The lengthy process to get people hired and on-boarded impacted Under Armour’s ability to have their retail stores fully staffed, ramped and ready to operate.

Damals verfügte Under Armour über alle „unverzichtbaren“ HR-Technologien, wie z. B. Transaktionslösungen für Beschaffung, Bewerbung, Nachverfolgung und Onboarding, aber diese Tools waren nicht nützlich genug. Under Armour wählen HireVue, ein KI-Anbieter für HR-Lösungen, sowohl für On-Demand- als auch für Live-Interviews. Die Ergebnisse waren Bluff; Es gelang ihnen, die Füllzeit um 35 % zu verkürzen. Im Gegenzug stellten sie höherqualifizierte Mitarbeiter ein.

KI im Marketing

KI ist ein wertvolles Werkzeug für Herausforderungen im Kundenservicemanagement und bei der Personalisierung. Eine verbesserte Spracherkennung bei der Callcenter-Verwaltung und Anrufweiterleitung durch den Einsatz von KI-Techniken ermöglicht ein nahtloseres Erlebnis für Kunden.

Durch die Deep-Learning-Analyse von Audio können Systeme beispielsweise den emotionalen Ton eines Kunden beurteilen. Wenn der Kunde schlecht darauf reagiert AI chatbot, kann das System die Konversation an echte, menschliche Bediener umleiten, die sich um das Problem kümmern.

Abgesehen von den drei oben genannten Deep-Learning-Beispielen wird KI auch in anderen Sektoren/Branchen häufig eingesetzt.

Warum ist Deep Learning wichtig?

Deep Learning ist ein leistungsstarkes Werkzeug, um Vorhersagen in umsetzbare Ergebnisse zu verwandeln. Deep Learning zeichnet sich durch Mustererkennung (unüberwachtes Lernen) und wissensbasierte Vorhersage aus. Big Data is the fuel for deep learning. When both are combined, an organization can reap unprecedented results in term of productivity, sales, management, and innovation.

Deep Learning kann herkömmliche Methoden übertreffen. Beispielsweise sind Deep-Learning-Algorithmen bei der Bildklassifizierung 41 % genauer als maschinelle Lernalgorithmen, bei der Gesichtserkennung 27 % genauer und bei der Spracherkennung 25 % genauer.

Einschränkungen des Deep Learning

In diesem Tutorial zum neuronalen Netzwerk erfahren wir nun mehr über die Einschränkungen von Deep Learning:

Datenkennzeichnung

Die meisten aktuellen KI-Modelle werden durch „überwachtes Lernen“ trainiert. Das bedeutet, dass Menschen die zugrunde liegenden Daten kennzeichnen und kategorisieren müssen, was eine umfangreiche und fehleranfällige Aufgabe sein kann. Beispielsweise stellen Unternehmen, die Technologien für selbstfahrende Autos entwickeln, Hunderte von Mitarbeitern ein, die stundenlang Video-Feeds von Prototypenfahrzeugen manuell mit Anmerkungen versehen, um beim Training dieser Systeme zu helfen.

Erhalten Sie riesige Trainingsdatensätze

Es hat sich gezeigt, dass einfache Deep-Learning-Techniken wie CNN in manchen Fällen das Wissen von Experten aus der Medizin und anderen Bereichen imitieren können. Die aktuelle Welle von Maschinelles Lernenerfordert jedoch Trainingsdatensätze, die nicht nur gekennzeichnet, sondern auch ausreichend breit und universell sind.

Deep-Learning-Methoden erforderten Tausende von Beobachtungen, damit Modelle bei Klassifizierungsaufgaben relativ gut werden konnten, und in einigen Fällen Millionen, damit sie auf der Ebene des Menschen funktionieren konnten. Es überrascht nicht, dass Deep Learning in großen Technologieunternehmen berühmt ist; Sie nutzen Big Data, um Petabytes an Daten anzusammeln. Es ermöglicht ihnen, ein beeindruckendes und hochpräzises Deep-Learning-Modell zu erstellen.

Erklären Sie ein Problem

Groß und complex Modelle können mit menschlichen Begriffen schwer zu erklären sein. Zum Beispiel, warum eine bestimmte Entscheidung getroffen wurde. Dies ist einer der Gründe dafür, dass die Akzeptanz einiger KI-Tools in Anwendungsbereichen, in denen Interpretierbarkeit nützlich oder sogar erforderlich ist, langsam ist.

Darüber hinaus könnten mit der zunehmenden Anwendung von KI auch regulatorische Anforderungen den Bedarf an besser erklärbaren KI-Modellen erhöhen.

Zusammenfassung

Deep Learning-Übersicht: Deep Learning ist der neue Stand der Technik für künstliche Intelligenz. Deep learning architecture is composed of an input layer, hidden layers, and an output layer. The word deep means there are more than two fully connected layers.

There is a vast amount of neural networks, where each architecture is designed to perform a given task. For instance, CNN works very well with pictures, RNN provides impressive results with time series and text analysis.

Deep Learning ist mittlerweile in verschiedenen Bereichen aktiv, von Finanzen über Marketing bis hin zu Lieferkette und Marketing. Große Unternehmen sind die ersten, die Deep Learning nutzen, da sie bereits über einen großen Datenpool verfügen. Deep Learning erfordert einen umfangreichen Trainingsdatensatz.