Deep Learning vs. Machine Learning: Ein Leitfaden für Anfänger

Read in English (Auf Englisch lesen).

Sie haben in den letzten Jahren wahrscheinlich schon die Begriffe Künstliche Intelligenz (KI), Machine Learning und Deep Learning gehört. Obwohl sie verwandt sind, haben sie jeweils ihre eigene Bedeutung und sind mehr als nur Schlagworte für selbstfahrende Autos.

Im Großen und Ganzen ist Deep Learning eine Teilmenge des maschinellen Lernens und maschinelles Lernen wiederum eine Teilmenge der künstlichen Intelligenz. Man kann sich diese als eine Reihe sich überlappender konzentrischer Kreise vorstellen, wobei KI den größten Kreis einnimmt, gefolgt von maschinellem Lernen und schließlich Deep Learning. Anders ausgedrückt: Deep Learning ist KI, aber KI ist nicht Deep Learning. 

In diesem Artikel erfahren Sie mehr über KI, maschinelles Lernen und Deep Learning, einschließlich ihrer Zusammenhänge und Unterschiede. Wenn Sie anschließend Ihre eigenen Fähigkeiten im maschinellen Lernen ausbauen möchten, bietet sich die Spezialisierung Machine Learning von Stanford und DeepLearning.AI an.

Deep Learning vs. Machine Learning

Dank popkultureller Darstellungen von „2001: Odyssee im Weltraum“ bis „Terminator“ haben viele von uns eine Vorstellung von KI. Oxford Languages ​​definiert KI als „die Theorie und Entwicklung von Computersystemen, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern“. Britannica bietet eine ähnliche Definition: „Die Fähigkeit eines digitalen Computers oder computergesteuerten Roboters, Aufgaben auszuführen, die üblicherweise mit intelligenten Wesen in Verbindung gebracht werden.“

Maschinelles Lernen und Deep Learning sind beides Formen der KI. Kurz gesagt: Maschinelles Lernen ist KI, die sich mit minimalem menschlichen Eingriff automatisch anpasst. Deep Learning ist eine Teilmenge des maschinellen Lernens, die künstliche neuronale Netze (KNN) nutzt, um den Lernprozess des menschlichen Gehirns nachzuahmen.

Schauen Sie sich diese wichtigen Unterschiede an, bevor wir tiefer in die Materie eintauchen.

• Künstliche Intelligenz nutzt Informatik und Daten, um Maschinen das Lösen von Problemen zu ermöglichen.

• Maschinelles Lernen bezieht sich auf die Erforschung von Computersystemen, die automatisch aus Erfahrungen lernen und sich anpassen, ohne explizit programmiert zu werden.

• Deep Learning ist eine Technik des maschinellen Lernens, bei der Algorithmen und Recheneinheiten – oder Neuronen – in künstliche neuronale Netze geschichtet werden, die das menschliche Gehirn nachahmen.

Was ist künstliche Intelligenz (KI)?

Auf der grundlegendsten Ebene nutzt das Gebiet der künstlichen Intelligenz Informatik und Daten, um Maschinen Problemlösung zu ermöglichen. 

Zwar gibt es noch keine menschenähnlichen Roboter, die die Weltherrschaft an sich reißen wollen, doch Beispiele für KI sind überall um uns herum zu finden. Diese können so einfach sein wie ein Computerprogramm, das Schach spielen kann, oder so komplex wie ein Algorithmus, der die RNA Struktur eines Virus vorhersagen kann, um die Entwicklung von Impfstoffen zu unterstützen. 

Damit sich eine Maschine oder ein Programm ohne weitere Eingaben menschlicher Programmierer selbstständig verbessern kann, benötigen wir maschinelles Lernen.

Deep Blue, der Schachcomputer 

Vor der Entwicklung des maschinellen Lernens mussten künstlich intelligente Maschinen oder Programme so programmiert werden, dass sie auf eine begrenzte Anzahl von Eingaben reagierten. Deep Blue, ein Schachcomputer, der 1997 einen Schachweltmeister besiegte, konnte sich für seinen nächsten Zug anhand einer umfangreichen Bibliothek möglicher Züge und Ergebnisse „entscheiden“. Das System war jedoch rein reaktiv. Damit Deep Blue sein Schachspiel verbessern konnte, mussten Programmierer weitere Funktionen und Möglichkeiten hinzufügen.

Was ist maschinelles Lernen?

Unter maschinellem Lernen versteht man die Untersuchung von Computersystemen, die automatisch aus Erfahrung lernen und sich anpassen, ohne explizit programmiert zu werden.

Mit einfacher KI kann ein Programmierer einer Maschine sagen, wie sie auf verschiedene Anweisungen reagieren soll, indem er jede „Entscheidung“ manuell codiert. Mit Modellen des maschinellen Lernens können Informatiker eine Maschine „trainieren“, indem sie ihr große Datenmengen zuführen. Die Maschine folgt einem Regelwerk – einem sogenannten Algorithmus –, um die Daten zu analysieren und daraus Schlussfolgerungen zu ziehen. Je mehr Daten die Maschine analysiert, desto besser kann sie eine Aufgabe ausführen oder eine Entscheidung treffen.

Hier ist ein Beispiel, das Sie vielleicht kennen: Der Musik Streaming Dienst Spotify lernt, was Ihre Musikvorlieben sind und unterbreitet Ihnen neue Vorschläge. Jedes Mal, wenn Sie ein Lied bis zum Ende anhören oder Ihrer Bibliothek hinzufügen, aktualisiert der Dienst seine Algorithmen, um Ihnen präzisere Empfehlungen zu geben. Netflix und Amazon nutzen ähnliche Algorithmen des maschinellen Lernens, um personalisierte Empfehlungen zu bieten.

IBM Watson, der maschinelle Lern Cousin von Deep Blue

Im Jahr 2011 besiegte IBM Watson mithilfe von maschinellem Lernen zwei Jeopardy Champions in einem Schaukampf.

Watsons Programmierer fütterten ihn mit Tausenden von Frage Antwort Paaren sowie Beispielen für richtige Antworten. Schon bei einer Antwort war die Maschine so programmiert, dass sie die passende Frage ausgab. Bei einer falschen Antwort korrigierten die Programmierer sie. Dadurch konnte Watson seine Algorithmen anpassen und gewissermaßen aus seinen Fehlern „lernen“.

Als Watson gegen die Jeopardy Champions antrat, konnte er innerhalb von Sekunden 200 Millionen Seiten an Informationen analysieren und eine Liste möglicher Antworten erstellen, die nach der Wahrscheinlichkeit ihrer Richtigkeit geordnet waren – selbst wenn er den jeweiligen Jeopardy Hinweis noch nie zuvor gesehen hatte.

Was ist Deep Learning?

Während Machine Learning Algorithmen bei Fehlern in der Regel menschliche Korrekturen benötigen, können Deep Learning Algorithmen ihre Ergebnisse durch Wiederholung ohne menschliches Eingreifen verbessern. Ein Machine Learning Algorithmus kann aus relativ kleinen Datensätzen lernen, ein Deep Learning Algorithmus hingegen benötigt große Datensätze, die vielfältige und unstrukturierte Daten enthalten können.

Betrachten Sie Deep Learning als eine Weiterentwicklung des maschinellen Lernens. Deep Learning ist eine maschinelle Lerntechnik, bei der Algorithmen und Recheneinheiten – auch Neuronen genannt – zu einem sogenannten künstlichen neuronalen Netz zusammengefasst werden. Diese tiefen neuronalen Netze sind von der Struktur des menschlichen Gehirns inspiriert. Daten durchlaufen dieses Netz aus miteinander verbundenen Algorithmen nichtlinear, ähnlich wie unser Gehirn Informationen verarbeitet. 

AlphaGo, ein weiterer Nachkomme von Deep Blue

AlphaGo war das erste Programm, das einen menschlichen Go Spieler besiegte, und auch das erste, das 2015 einen Go Weltmeister besiegte. Go ist ein 3.000 Jahre altes Brettspiel aus China und bekannt für seine komplexe Strategie. Es ist deutlich komplizierter als Schach, mit 10 hoch 170 möglichen Konfigurationen auf dem Brett.

Die Entwickler von AlphaGo führten das Programm zunächst in mehrere Go Partien ein, um ihm die Spielmechanik beizubringen. Anschließend spielte es Tausende Male gegen verschiedene Versionen seiner selbst und lernte nach jeder Partie aus seinen Fehlern. AlphaGo wurde so gut, dass die besten menschlichen Spieler der Welt seine einfallsreichen Züge studierten.

Die neueste Version des AlphaGo Algorithmus, bekannt als MuZero, kann Spiele wie Go, Schach und Atari meistern, ohne dass man ihm die Regeln erklären muss.

Erfahren Sie mehr über den Unterschied zwischen KI, maschinellem Lernen und Deep Learning in dieser Vorlesung zur anfängerfreundlichen digitalen Transformation mithilfe von KI/ML mit der Google Cloud Spezialisierung:

Was ist das Besondere an Big Data?

Der Begriff „Big Data“ bezeichnet Datensätze, die für herkömmliche relationale Datenbanken und Datenverarbeitungssoftware zu groß sind. Unternehmen generieren täglich beispiellose Datenmengen. Deep Learning ist eine Möglichkeit, diese Daten zu nutzen.

Bauen Sie noch heute Ihre Fähigkeiten im Bereich maschinelles Lernen und Deep Learning auf

Fortschritte in der KI verändern bereits die Arbeitsweise vieler Menschen. Erlernen Sie grundlegende Kenntnisse im maschinellen Lernen und Deep Learning mit diesen Kursen auf Coursera:

Einen Überblick über KI erhalten Sie im Kurs KI für jedenvon DeepLearning.AI. In nur sechs Stunden lernen Sie die gängige KI Terminologie kennen, erfahren, wie es ist, Machine Learning Projekte zu entwickeln, und erfahren, wie Sie gemeinsam mit einem KI Team eine KI Strategie für Ihren Arbeitsplatz entwickeln.

Um grundlegende KI Konzepte zu beherrschen und praktische Fähigkeiten im maschinellen Lernen zu entwickeln, melden Sie sich für die Spezialisierung Machine Learning von Stanford und DeepLearning.AI an. In nur zwei Monaten lernen Sie, wie Sie ML Modelle erstellen, Best Practices in der ML Entwicklung anwenden und sogar ein neuronales Netz aufbauen und trainieren.

Die Grundlagen des Deep Learning finden Sie in der Deep Learning Spezialisierung von DeepLearning.AI. In diesem Kurs für Fortgeschrittene lernen Sie unter anderem, wie Sie tiefe neuronale Netze aufbauen und trainieren, wichtige Architekturparameter identifizieren und Testsätze trainieren.

Häufig gestellte Fragen (FAQ)