Deep Learning

Eine weiter Unterteilung im maschinellen Lernen ist das Deep Learning (DL). Die Besonderheit dieser Art von maschinellen Lernen ist die Aneinanderreihung von mehreren Schichten, welche die Daten von vorne nach hinten verarbeiten und Parameter in der Backwards-Propagation optimieren. Dadurch kann das Modell sehr komplexe Muster und Beziehungen erkennen. Allgemein kann man sagen, dass alle Neuronalen Netzwerke (Neural Networks) in die Kategorie „Deep Learning“ fallen.

Neben Neuronalen Netzwerken sind auch Transformatoren ein wichtiges Konzept im Deep Learning Bereich, da auch diese aus vielen Layers bestehen. Jede Architektur hat besondere Stärken in bestimmten Einsatzgebieten — Transformatoren vor allem im generativen Sektor (Text-, Bild-, Videoerstellung).

Das Gegenteil des „Deep Learning“ (tiefen Lernens) ist das „Shallow Learning“ (flaches Lernen), welches alle anderen Algorithmen des maschinellen Lernens umfasst, wie zum Beispiel die Support Vector Machine (SVM), den Random Forest Classifier (RFC) oder ganz allgemein die verschiedenen mathematischen Methoden der Regression.

Achtung

Deep Learning bedeutet allerdings nicht zwangsmäßig, dass das Modell anschließend besser als Algorithmen des flachen Lernens sein muss. Deep Learning klassifiziert nur, dass das Modell aus mehreren Schichten (Layer) besteht.