Deep Learning Simon Fankhauser, Donato Villani - AAI HS 17
Inhalt Einleitung Deep Learning Aufbau und Bestandteile neuronaler Netzwerke Beispiel Bilderkennung Google Deep Dream
Die wahre Herausforderung an künstliche Intelligenz besteht darin, Aufgaben die für die Menschen einfach durchzuführen sind aber sich nur schwer in mathematische Formeln formulieren lassen, durchzuführen.
Einleitung Die theoretischen und methodischen Grundlagen für Deep Learning sind nichts Neues, diese wurden bereits in den 1950er Jahren gelegt. Heute sind wir aufgrund von mehr Rechenkapazität in der Lage, das Potenzial von neuronalen Netzen besser zu nutzen. Das Anwendungsgebiet von Deep Learning ist häufig in der Verarbeitung von Audiodateien, Videodateien und Bilddateien anzutreffen.
Deep Learning Deep Learning Netzwerke bestehen aus mehreren Schichten. Aufgrund dieser Schichten verfügen Deep Learning Netzwerke über eine besonders hohe Abstraktionskapazität. Lernen durch Repräsentation ist bei Deep Learning eines der Hauptunterscheidungsmerkmale gegenüber klassischen Machine Learning Modellen, die i.d.R. ohne Repräsentation der Daten lernen.
Aufbau und Bestandteile neuronaler Netzwerke Künstliche neuronale Netzwerke werden in verschiedenen Schichten angelegt, und verbinden die Neuronen in diesen.
Aufbau und Bestandteile neuronaler Netzwerke
Aufbau und Bestandteile neuronaler Netzwerke
Architekturen von neuronalen Netzen
Beispiel: Bilderkennung mit einem Convolutional neuronalen Netzwerken ImageNet Über 15 Mio beschriftete HD Bilder Etwa 22’000 Kategorien Aus dem Web gesammelt
Beispiel: Bilderkennung mit einem Convolutional neuronalen Netzwerken
Beispiel Google Deep Dream
Beispiel Google Deep Dream
Beispiel Google Deep Dream
Beispiel Google Deep Dream
DANKE