Deep Learning ist die Unterform von ML mit vielschichtigen neuronalen Netzen, die die relevanten Merkmale selbst aus Rohdaten lernen.
Was bedeutet Deep Learning (DL)?
Unterform von ML, die künstliche neuronale Netze mit vielen Schichten („tief“) nutzt. Der entscheidende Unterschied: Deep Learning lernt die relevanten Merkmale (Features) selbst aus Rohdaten — niemand muss vorher definieren, worauf das Modell achten soll.
Abgrenzung — worauf es ankommt
Beim klassischen ML wählt ein Mensch die Merkmale aus (Feature Engineering: z. B. „Einkommen“, „Alter“). Beim DL gehen Rohdaten rein (Pixel, Audiowellen, Text) und das Netz findet die Merkmale in seinen Schichten selbst. Dafür braucht DL sehr viel mehr Daten und Rechenleistung.
Beispiel aus der Praxis
Bilderkennung: frühe Schichten erkennen Kanten, mittlere Formen wie Augen und Räder, späte ganze Objekte wie „Gesicht“ oder „Auto“ — ohne dass das je einprogrammiert wurde.
Zum Weiterdenken
Wichtige Architekturen: CNN (Bilder), RNN/LSTM (ältere Sprachmodelle, sequenzielle Daten), Transformer (seit 2017 der Standard für Sprache und zunehmend alles andere), Diffusionsmodelle (Bildgenerierung wie Midjourney, Stable Diffusion). Der DL-Durchbruch kam 2012 (AlexNet bei der ImageNet-Challenge), getrieben durch GPUs und große Datensätze.
Deep Learning (DL) in Ihrem Unternehmen nutzen?
Von der Theorie in die Praxis: Wir zeigen Ihnen den passenden Weg — pragmatisch, DSGVO-konform und messbar.
Kostenlos · unverbindlich