Rasenroboter oder Staubsauger-Roboter gehören heute für viele Menschen zum Alltag – auch wenn das vor einigen Jahren noch kaum vorstellbar gewesen wäre. Die Forschung schreitet voran und auch auf dem Arbeitsmarkt soll in Zukunft vieles Maschinen abgegeben werden, wie zum Beispiel die Altenpflege oder das Vorbereiten von Gerichtsentscheiden.
Auch das Verarbeiten und Verstehen komplexer sprachlicher Aussagen und Informationen ist Teil der künstlichen Intelligenz. Bisher wurden sprachliche Aussagen mit Symbolen in Schallform oder schriftlicher Form verarbeitet. Dieses Modell des diskreten Sprachgebrauchs hatte den Vorteil, dass Symbole eindeutig sind, da es ein Regelsystem für diese Symbole gibt. Bisherige Engstellen waren der zu geringe Speicherplatz und der fehlende Kontext bei der Sprachverarbeitung, da dafür mehr Variablen notwendig gewesen wären. Das zentrale Hauptproblem war jedoch, dass die Maschinen nicht selbst gelernt haben, sondern nur so intelligent waren, wie die Person, die sie programmiert hat. Diese Probleme können mit dem Machine Learning und dem Deep Learning überwunden werden, wie genau das funktioniert wird im zweiten Punkt dieser Arbeit erläutert.
Das Deep Learning wurde im Seminar anhand von Deep-Learning-Ansätzen des Natural Language Processing, kurz NLP, erklärt. Das NLP ist eine der wichtigsten Technologien des Informationszeitalters. Da Sprache ein wesentlicher Bestandteil der menschlichen Kommunikation ist, gibt es zahlreiche Anwendungsgebiete von NLP, wie zum Beispiel die Sprachübersetzung, E-Mails oder Werbung. Neben den Deep-Learning-Ansätzen gibt es zahlreiche weitere maschinelle Lernmodelle für NLP, die Deep-Learning-Ansätze haben jedoch aktuell mit hohen Leistungen bei NLP-Aufgaben überzeugt.
In dieser Arbeit wird zunächst das Deep Learning definiert, vom Machine Learning und der künstlichen Intelligenz abgegrenzt und anschließend ein korrektes Programmierbeispiel vorgestellt, in dem wir eine handgeschriebene Ziffer zu einer Kategorie zugeordnet haben. Die Arbeit stützt sich dabei, neben den im Seminar gewonnen Kenntnissen, auf das Werk Deep Learning mit Python und Keras von Francois Chollet.
Inhaltsverzeichnis
- 1. Einleitung
- 2. Deep Learning: Definition und Abgrenzung
- 3. Programmierbeispiel
- 4. Fazit
- 5. Literaturverzeichnis
Zielsetzung und Themenschwerpunkte
Diese Arbeit befasst sich mit dem Deep Learning im Kontext des Natural Language Processing (NLP). Ziel ist es, das Deep Learning zu definieren, von Machine Learning und Künstlicher Intelligenz abzugrenzen und anhand eines Programmierbeispiels zu veranschaulichen.
- Definition und Abgrenzung von Deep Learning, Machine Learning und Künstlicher Intelligenz
- Funktionsweise von Machine-Learning-Algorithmen
- Deep Learning als schichtweiser Lernansatz
- Anwendungsbeispiel des Deep Learning im NLP
- Bewertung der Leistungsfähigkeit von Deep Learning im Bereich NLP
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung führt in die Thematik des Deep Learning im Kontext von automatisierten Prozessen und der Verarbeitung natürlicher Sprache ein. Sie beschreibt den Fortschritt in der Robotik und die zunehmende Bedeutung der künstlichen Intelligenz im Arbeitsmarkt. Die Arbeit fokussiert auf Deep Learning Ansätze im Natural Language Processing (NLP) und hebt dessen Bedeutung im Informationszeitalter hervor. Es wird ein Ausblick auf die Struktur der Arbeit gegeben, welche die Definition von Deep Learning, dessen Abgrenzung von anderen Konzepten, sowie ein Programmierbeispiel umfasst. Die Grundlage der Arbeit bilden die im Seminar gewonnenen Kenntnisse und das Werk "Deep Learning mit Python und Keras" von Francois Chollet.
2. Deep Learning: Definition und Abgrenzung: Dieses Kapitel liefert eine präzise Definition von Deep Learning und grenzt es von Künstlicher Intelligenz und Machine Learning ab. Es beginnt mit einer Erläuterung der Künstlichen Intelligenz als dem Versuch, menschliche kognitive Fähigkeiten zu automatisieren. Die symbolische KI als historischer Ansatz wird beschrieben und ihre Grenzen bei komplexen Aufgaben wie Spracherkennung aufgezeigt. Das Machine Learning wird als Reaktion auf diese Grenzen vorgestellt; es lernt Regeln aus Daten und Antworten, im Gegensatz zur symbolischen KI, die Regeln und Daten vorgegeben bekommt. Der Kapitel erläutert die Funktionsweise von Machine-Learning-Algorithmen, die Eingabedaten, erwartete Ausgaben und ein Messverfahren benötigen, um ihre Funktionsweise anzupassen. Schließlich wird Deep Learning als ein spezifischer Ansatz des Machine Learning definiert, der sich durch das Erlernen aufeinanderfolgender Layer mit zunehmend sinnvolleren Repräsentationen auszeichnet. Die "Tiefe" des Deep Learning bezieht sich auf die Anzahl dieser Layer.
Schlüsselwörter
Deep Learning, Machine Learning, Künstliche Intelligenz, Natural Language Processing (NLP), neuronale Netze, Repräsentationen, Datenverarbeitung, Algorithmen, Programmierbeispiel, Keras, Python
Häufig gestellte Fragen zum Dokument: Deep Learning im Kontext des Natural Language Processing
Was ist der Inhalt dieses Dokuments?
Dieses Dokument bietet einen umfassenden Überblick über Deep Learning im Kontext des Natural Language Processing (NLP). Es beinhaltet ein Inhaltsverzeichnis, die Zielsetzung und Themenschwerpunkte, Zusammenfassungen der einzelnen Kapitel und Schlüsselbegriffe. Der Fokus liegt auf der Definition von Deep Learning, seiner Abgrenzung von Machine Learning und Künstlicher Intelligenz, und der Veranschaulichung anhand eines Programmierbeispiels (welches im Dokument selbst nicht explizit aufgeführt ist, sondern nur erwähnt wird).
Welche Themen werden im Dokument behandelt?
Die zentralen Themen sind: Definition und Abgrenzung von Deep Learning, Machine Learning und Künstlicher Intelligenz; Funktionsweise von Machine-Learning-Algorithmen; Deep Learning als schichtweiser Lernansatz; ein Anwendungsbeispiel von Deep Learning im NLP; und eine Bewertung der Leistungsfähigkeit von Deep Learning im Bereich NLP (obwohl eine explizite Bewertung nicht im Preview enthalten ist).
Wie ist das Dokument strukturiert?
Das Dokument ist in Kapitel unterteilt, beginnend mit einer Einleitung, gefolgt von einem Kapitel zur Definition und Abgrenzung von Deep Learning, einem Kapitel mit einem (nicht detailliert dargestellten) Programmierbeispiel und abschließend einem Fazit und Literaturverzeichnis (die im Preview nicht enthalten sind). Der Preview enthält zudem ein Inhaltsverzeichnis, die Zielsetzung und Themenschwerpunkte und Zusammenfassungen der Kapitel.
Was ist die Zielsetzung des Dokuments?
Das Dokument zielt darauf ab, Deep Learning zu definieren, es von Machine Learning und Künstlicher Intelligenz abzugrenzen und seine Anwendung im NLP anhand eines Beispiels zu veranschaulichen. Es baut auf Kenntnissen aus einem Seminar und dem Werk "Deep Learning mit Python und Keras" von Francois Chollet auf.
Welche Schlüsselbegriffe werden im Dokument verwendet?
Wichtige Schlüsselbegriffe sind: Deep Learning, Machine Learning, Künstliche Intelligenz, Natural Language Processing (NLP), neuronale Netze, Repräsentationen, Datenverarbeitung, Algorithmen, Programmierbeispiel, Keras, Python.
Was wird in der Einleitung erläutert?
Die Einleitung führt in die Thematik des Deep Learning im Kontext von automatisierten Prozessen und der Verarbeitung natürlicher Sprache ein. Sie beschreibt den Fortschritt in der Robotik, die Bedeutung der künstlichen Intelligenz im Arbeitsmarkt und den Fokus auf Deep Learning Ansätze im NLP. Ein Ausblick auf die Struktur der Arbeit wird gegeben.
Was wird im Kapitel "Deep Learning: Definition und Abgrenzung" behandelt?
Dieses Kapitel definiert Deep Learning präzise und grenzt es von Künstlicher Intelligenz und Machine Learning ab. Es erklärt die Künstliche Intelligenz, die symbolische KI und deren Grenzen. Weiterhin wird Machine Learning als lernender Ansatz aus Daten erklärt und schließlich Deep Learning als spezifischer Ansatz des Machine Learning mit aufeinanderfolgenden Layern.
- Quote paper
- Amelie Probst (Author), 2019, Natural Language Processing mit Deep Learning, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/498041
