Machine Learning (ML)
Das Maschinelle Lernen wird in vielen Anwendungen der künstlichen Intelligenz eingesetzt, darunter: Bild- und Spracherkennungen, Verarbeitung natürlicher Sprache, Empfehlungssysteme, Betrugserkennung und (Teil-)Autonomes Fahren. Überwachtes Lernen (Supervised Learning) beinhaltet das Training eines maschinellen Lernmodells auf markierten Daten mit bekannten Eingabe- und Ausgabe Variablen. Ziel ist es, die Ausgangsvariable für neue Eingabedaten korrekt vorherzusagen.
Beim Unüberwachten Lernen (Unsupervised Learning) wird ein Modell des Maschinellen Lernens mit unmarkierten Daten trainiert. Ohne jegliche Vorkenntnisse über die Ausgangsvariablen besteht das Ziel darin, Muster und Beziehungen in den Daten zu erkennen.
Beim Verstärkungslernen (Reinforcement Learning) wird ein Modell des maschinellen Lernens so trainiert, dass es Urteile auf der Grundlage von "Belohnungen" und "Bestrafungen" trifft, die es für bestimmte Verhaltensweisen in einer Umgebung gibt. Das Ziel besteht darin, das von der Umgebung erhaltene Belohnungssignal zu maximieren.
Maschinelles Lernen (ML), ein Teilgebiet der künstlichen Intelligenz, konzentriert sich auf die Entwicklung statistischer Modelle und Algorithmen, die es Computern ermöglichen, aus Daten zu lernen, ohne ausdrücklich programmiert zu werden.
Neural Networks
Computersysteme, die als neuronale Netze bezeichnet werden, sind der Struktur und Funktionsweise des menschlichen Gehirns nachempfunden. Im menschlichen Gehirn gibt es Milliarden von Neuronen, spezialisierte Zellen, die Nachrichten miteinander austauschen. Jedes Neuron hat einen Zellkörper, ein Axon und mehrere Dendriten. Das Axon ist ein Fortsatz, der aus dem Zellkörper herausragt und Signale an andere Neuronen sendet. Kürzere Fortsätze, die Dendriten genannt werden, empfangen Signale von anderen Neuronen. Der Punkt, an dem ein Axon auf einen Dendriten trifft, wird Synapse genannt, und hier werden Informationen zwischen Neuronen übertragen.
Ein neuronales Netzwerk in der KI ist ein vereinfachtes Modell dafür, wie Neuronen zusammenarbeiten, um Informationen zu verarbeiten. Es besteht aus einer Vielzahl synthetischer Neuronen oder Knoten, die durch Verbindungen oder Kanten miteinander verbunden sind. Jede Verbindung hat ein Gewicht oder einen numerischen Wert, der angibt, wie stark die Verbindung zwischen zwei Knoten ist. Jeder Knoten hat auch einen numerischen Wert oder eine Vorspannung, die seine Tendenz zum "Feuern" oder Aktivieren angibt. Ein Knoten kann über seine eingehenden Verbindungen Eingaben von vielen anderen Knoten erhalten und über seine ausgehenden Verbindungen Ausgaben an viele andere Knoten senden.
Neuronale Netze können aus Daten lernen, ohne explizite Regeln oder Formeln zu benötigen.
Sie können komplexe und nichtlineare Beziehungen zwischen Eingaben und Ausgaben verarbeiten.
Sie können gut auf neue und ungesehene Daten verallgemeinern.
Sie können sich an wechselnde Umgebungen und Datenverteilungen anpassen.
Außerdem können Neuronale Netze sehr gut mehrere Aufgaben gleichzeitig ausführen.
Vereinfacht gesagt funktionieren Neuronale Netze wie folgt: Die Ausgabe eines jeden Knotens in einer Schicht wird zur Eingabe eines jeden Knotens in der nächsten Schicht. Die Ausgabeschicht erzeugt dann das Endergebnis auf der Grundlage ihrer Aktivierungsfunktion.
Deep Learning
Deep Learning ist eine Art des maschinellen Lernens, bei dem zahlreiche Schichten synthetischer Neuronen verwendet werden, um aus Daten zu lernen und schwierige Aufgaben auszuführen. Viele KI-Disziplinen, darunter Computer Vision, natürliche Sprachverarbeitung und Spracherkennung, nutzen Deep Learning.
Deep Learning ist eine Art des "Überwachten Lernens", das mehrere Schichten künstlicher Neuronen verwendet, um aus Daten zu lernen. Deep Learning-Modelle werden grob in vier Kategorien eingeteilt: Feedforward Networks, Convolutional Networks, Recurrent Networks und Attention Networks.
Feedforward Networks sind der einfachste und grundlegendste Typ von Deep-Learning-Modellen. Sie bestehen aus einer oder mehreren Schichten von künstlichen Neuronen, die in Vorwärtsrichtung verbunden sind.
Convolutional Networks sind Feedforward-Netzwerke, die für die Verarbeitung räumlich strukturierter Daten wie Bilder, Videos oder Audio konzipiert sind.
Recurrent Networks verarbeiten sequentielle Daten wie Text, Sprache oder Zeitreihen. Sie verwenden rekurrente Schichten mit einem Zustandsspeicher, der Informationen aus früheren Zeitschritten speichert, so dass sie zeitliche Abhängigkeiten oder Muster in den Eingabedaten erfassen können.
Attention Networks verarbeiten komplexe oder hierarchische Daten wie Texte, Bilder oder Diagramme. Sie verwenden Aufmerksamkeitsebenen, die Bewertungen oder Gewichtungen für Eingabe- und Ausgabepaare auf der Grundlage ihrer Ähnlichkeit oder Relevanz berechnen.
