Becker, R.: Machine / Deep Learning : wie lernen künstliche neuronale Netze? (2017)
0.01
0.006925077 = product of:
0.027700309 = sum of:
0.027700309 = product of:
0.055400617 = sum of:
0.055400617 = weight(_text_:software in 4109) [ClassicSimilarity], result of:
0.055400617 = score(doc=4109,freq=2.0), product of:
0.18056466 = queryWeight, product of:
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.045514934 = queryNorm
0.30681872 = fieldWeight in 4109, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.9671519 = idf(docFreq=2274, maxDocs=44218)
0.0546875 = fieldNorm(doc=4109)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Abstract
- Ein wichtiges Merkmal von Systemen mit künstlicher Intelligenz ist die Fähigkeit, selbständig zu lernen. Anders als bei klassischer Software, die Probleme und Fragen auf Basis von vorher festgelegten Regeln abarbeitet, können selbstlernende Machine Learning Algorithmen die besten Regeln für die Lösung bestimmter Aufgaben selber lernen. In diesem Artikel wird am Beispiel von künstlichen neuronalen Netzen erklärt, was "lernen" in diesem Zusammenhang heißt, und wie es funktioniert. Ein künstliches neuronales Netz besteht aus vielen einzelnen Neuronen, die meistens in mehreren miteinander verbundenen Schichten (Layern) angeordnet sind. Die Zahl der Layer bestimmt unter anderem den Grad der Komplexität, den ein künstliches neuronales Netz abbilden kann. Viele Layer machen ein neuronales Netz "tief" - daher spricht man in diesem Zusammenhang auch vom Deep Learning als einer Unterkategorie des Machine Learning (Maschinenlernen bzw. maschinelles lernen).
