Hinter dem Begriff âDeep Learningâ 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 ĂŒber VerknĂŒpfungspunkte miteinander verbunden sind (Synapsen).
Die unterste Schicht wertet einfache Informationen aus, zum Beispiel Kanten in einem Bild, und leitet die Ergebnisse an die nĂ€chsthöhere Ebene weiter, die bereits in der Lage ist, die Kanten zu Formen zusammenzufassen. Je mehr Schichten ĂŒbereinander angeordnet sind, desto âtieferâ die neuronale Struktur, desto höher die KomplexitĂ€t, sodass auf der obersten Schicht beispielsweise Bildinhalte klassifiziert werden können (Strand, Haus, Hund, Katze, etc.). Entscheidend bei diesem Ansatz ist die autonome LernfĂ€higkeit des Systems: Nach der Analyse von 1000 Hundebildern ist ein Deep-Learning-Algorithmus in der Lage, Hunde kĂŒnftig selbststĂ€ndig zu identifizieren, weil dieâŠ