Hinter dem Begriff „Deep Learning“ steckt ein Rechenverfahren, das sich an Aufbau und Arbeitsweise des menschlichen Gehirns orientiert. Dazu wird eine Vielzahl von einfachen Berechnungseinheiten simuliert (Neuronen), die in Schichten angeordnet und über Verknüpfungspunkte miteinander verbunden sind (Synapsen).
Die unterste Schicht wertet einfache Informationen aus, zum Beispiel Kanten in einem Bild, und leitet die Ergebnisse an die nächsthöhere Ebene weiter, die bereits in der Lage ist, die Kanten zu Formen zusammenzufassen. Je mehr Schichten übereinander angeordnet sind, desto „tiefer“ die neuronale Struktur, desto höher die Komplexität, sodass auf der obersten Schicht beispielsweise Bildinhalte klassifiziert werden können (Strand, Haus, Hund, Katze, etc.). Entscheidend bei diesem Ansatz ist die autonome Lernfähigkeit des Systems: Nach der Analyse von 1000 Hundebildern ist ein Deep-Learning-Algorithmus in der Lage, Hunde künftig selbstständig zu identifizieren, weil die…
