É«¿Ø´«Ã½

Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Teilbereich innerhalb der k¨¹nstlichen Intelligenz, der sich mit Computeralgorithmen befasst, die sich eigenst?ndig mithilfe von Trainingsdaten und ohne explizite Programmierung verbessern k?nnen. Es gilt allgemein als der vielversprechendste Weg zur Verwirklichung einer tats?chlich menschen?hnlichen k¨¹nstlichen Intelligenz.?

ML-Algorithmen k?nnen grob in drei Kategorien eingeteilt werden:

• ?berwachtes Lernen: Sie geben Kennzeichnungen vor und durch Beispieleingaben samt den gew¨¹nschten Ausgaben erm?glichen Sie es dem Algorithmus, die Regeln zu erlernen, anhand derer Input dem Output zugeordnet wird.??
• Un¨¹berwachtes Lernen: Sie geben keine Kennzeichnungen vor, sodass der Algorithmus seine eigene Struktur zum Verarbeiten von Eingaben ermitteln kann (z. B. Erkennen verborgener Muster in Daten).
• Best?rkendes Lernen: Der Algorithmus interagiert wiederholt mit einer dynamischen Umgebung mit einem bestimmten Ziel, etwa, ein Spiel zu gewinnen oder ein Auto zu fahren. Der Algorithmus n?hert sich durch wiederholtes Ausprobieren der optimalen L?sung des Problems an.

In diesem Artikel geben wir einen kurzen ?berblick ¨¹ber maschinelles Lernen und Deep Learning sowie ¨¹ber die Unterschiede zwischen den beiden Konzepten.

Was ist Deep Learning?

Deep Learning ist ein Bereich des maschinellen Lernens, der k¨¹nstliche neuronale Netze zur Ann?herung an menschen?hnliche Intelligenz verwendet. Deep Learning ist von menschlichen Neuronen inspiriert und nutzt die Graphentheorie, um Gewichtungsalgorithmen in Schichten aus Knoten und Edges anzuordnen. Deep-Learning-Algorithmen eignen sich hervorragend f¨¹r die Verarbeitung unstrukturierter Daten wie Bildern oder Sprachen.?

Um als ?deep¡° klassifiziert werden zu k?nnen, muss ein neuronales Netz im Grunde verborgene Schichten zwischen der Eingabe- und der Ausgabeschicht eines Perceptrons enthalten ¨C der Basisstruktur eines neuronalen Netzes. Diese Schichten gelten als ?verborgen¡°, weil sie nicht mit der Au?enwelt in Verbindung stehen. Folgendes sind Beispiele f¨¹r Deep-Learning-Architekturen:

• Feedforward (FF):?Daten bewegen sich in einer Richtung von der Eingabeschicht durch die verborgenen Schichten. Alle Knoten sind miteinander verbunden und die Daten kehren nie durch die verborgenen Schichten zur¨¹ck. FF wird bei der Datenkomprimierung und bei der grundlegenden Bildverarbeitung verwendet.?
• Rekurrente neuronale Netze (RNN):?Eine Art FF-Netzwerk, das den verborgenen Schichten eine Zeitverz?gerung hinzuf¨¹gt, wodurch der Zugriff auf fr¨¹here Informationen w?hrend einer laufenden Iteration erm?glicht wird. Diese R¨¹ckkopplungsschleife funktioniert ?hnlich wie das Ged?chtnis und f¨¹hrt dazu, dass RNNs sich ausgezeichnet f¨¹r die Sprachverarbeitung eignen.? Ein gutes Beispiel daf¨¹r ist die Texterkennung, die sich auf die W?rter st¨¹tzt, die Sie am h?ufigsten verwenden, um entsprechende Vorschl?ge zu machen.?
• Faltendes neuronales Netzwerk (CNN):?Eine sogenannte Faltung ist eine mathematische Operation mit zwei Funktionen, durch die eine dritte Funktion erzeugt wird, die beschreibt, wie die eine durch die andere modifiziert wird. CNNs werden prim?r f¨¹r die Bilderkennung und -klassifizierung verwendet und sind die ?Augen¡° der KI. Die verborgenen Schichten in einem CNN fungieren als mathematische Filter, die gewichtete Summen verwenden, um Kanten, Farben, Kontraste und andere Elemente eines Pixels zu identifizieren.

Maschinelles Lernen und Deep Learning

Deep Learning gilt als Unterart des maschinellen Lernens. Das Hauptunterscheidungsmerkmal, das Deep-Learning-Algorithmen von anderen ML-Algorithmen unterscheidet, ist die Verwendung von k¨¹nstlichen neuronalen Netzen. Und das Hauptmerkmal, das aus einem neuronalen Netzwerk ein deep oder ?tiefes¡° Netzwerk macht, ist das Vorhandensein verborgener Schichten zwischen der Eingangs- und der Ausgangsschicht, die ein Basis-Perceptron bilden.

Vorteile von Deep Learning

Deep-Learning-Algorithmen eignen sich hervorragend f¨¹r die Verarbeitung unstrukturierter Daten, sofern Sie ¨¹ber die entsprechende Verarbeitungsleistung verf¨¹gen. Dadurch hat das Deep Learning einen Vorteil gegen¨¹ber anderen maschinellen ML-Algorithmen, wenn es um un¨¹berwachtes Lernen und best?rkendes Lernen geht. Die j¨¹ngsten Fortschritte in der KI sind in hohem Ma?e Verbesserungen bei der Machbarkeit von neuronalen Deep-Learning-Netzwerken durch Verbesserungen bei Rechenleistung und Daten-Storage zu verdanken.

So bietet É«¿Ø´«Ã½ Unterst¨¹tzung f¨¹r ML-Apps

É«¿Ø´«Ã½? ist hervorragend daf¨¹r aufgestellt, um die Welt der KI sowohl zu nutzen als auch zu unterst¨¹tzen. Neuronale Deep-Learning-Netzwerke erfordern Daten, die sowohl umfangreich als auch schnell sind. Die All-Flash-Storage-L?sungen von Pure kombinieren die Performance von hundertprozentigem NVMe-Flash-Storage mit KI-gest¨¹tzten vorausschauenden Analysen, um eine Modern Data Experience? bereitzustellen. Mit Pure k?nnen Sie ¡­

• ¡­ Ihre Daten-Storage-Silos zu einem einheitlichen?Data Hub konsolidieren
• ¡­ die Erkenntnisgewinnung mit?Echtzeit-/Protokollanalysen beschleunigen
• ¡­ die Zukunft von KI-gest¨¹tztem Daten-Storage-Management mit?Pure1 Meta? erleben
• ¡­ Ihre KI-L?sungen mit?AIRI?, einer KI-f?higen Full-Stack-Infrastrukturl?sung von É«¿Ø´«Ã½ und NVIDIA, unterst¨¹tzen
• ¡­ Full-Stack-Unterst¨¹tzung f¨¹r KI- und ML-Lebenszyklen erhalten mit?FlashStack?, einer Converged-Infrastructure-L?sung, die in Zusammenarbeit mit Cisco entwickelt wurde.