Grundlagen des Deep Learning in TensorFlow und PyTorch

Grundlagen des Deep Learning in TensorFlow und PyTorch

Deep Learning (DL) ist ein sich schnell entwickelnder Bereich der Künstlichen Intelligenz, der erstaunliche Ergebnisse bei der Ausführung von Aufgaben gezeigt hat, die traditionell nur von Menschen gut ausgeführt werden. Beispiele für solche Aufgaben sind die Gesichts-, Objekt- oder Spracherkennung z. B. bei der medizinischen Bilderkennung, Text- und Spracherkennung im Vertrieb, bei der IT-Datensicherheit oder beim Monitoring von Finanztransaktionen. Diese Methoden kommen auch zum Einsatz bei der Bildklassifizierung, der Erstellung von Bildbeschreibungen in natürlicher Sprache, der Übersetzung in andere Sprachen sowie der Umwandlung von Sprache in Text und von Text in Sprache. Das Ziel von Deep Learning ist es, Computer in die Lage zu versetzen, komplexe Aufgaben zu lösen beispielsweise Tumore auf einem MRT-Bildschirm zu erkennen, Menschen oder Gegenstände in einem Video zu identifizieren, Texte zu interpretieren und zusammenzufassen. Deep-Learning-Modelle können im Vergleich zu anderen Ansätzen des maschinellen Lernens bessere, schnellere, kostengünstigere und wertvollere Vorhersagen liefern. Vorhersagemodelle (z. B. Bedarfsprognosen), die auf tiefen künstlichen neuronalen Netzen basieren, können nichtlineare Beziehungen erkennen und komplexe Muster herausfinden.