KI ist ein Oberbegriff. KI umfasst alle Systeme, die Aufgaben übernehmen, die normalerweise menschliche Intelligenz brauchen. Dazu zählen zum Beispiel Wahrnehmen, Verstehen und Entscheiden. Ein KI System kann Regeln nutzen oder Muster aus Daten lernen.
Was bedeutet KI
KI steht für künstliche Intelligenz. Gemeint ist die Fähigkeit von Computern, intelligent zu wirken. Das kann zum Beispiel bei folgenden Aufgaben passieren:
- Sprache erkennen
- Bilder einordnen
- Texte übersetzen
- Empfehlungen geben
- Planen und Optimieren
KI kann auf unterschiedlichen Methoden beruhen. Dazu gehören klassische regelbasierte Ansätze, statistische Methoden und auch moderne Lernverfahren wie Machine Learning und Deep Learning.
Was ist Machine Learning
Machine Learning ist ein Teilbereich von KI. Dabei lernt ein Modell aus Daten. Das bedeutet: Es werden viele Beispiele gezeigt. Durch die Beispiele erkennt das Modell Muster und kann danach Vorhersagen oder Entscheidungen treffen.
Wichtig ist, dass das System nicht jede Regel von Hand bekommt. Stattdessen werden die Regeln aus Daten abgeleitet. Ein typisches Beispiel ist Spam Erkennung. Das Modell sieht viele Nachrichten mit Labels wie Spam oder Nicht Spam. Danach kann es neue E Mail Nachrichten einschätzen.
Beispiele für Machine Learning
- Vorhersage von Preisen
- Kreditrisiko einschätzen
- Werbeanzeigen priorisieren
- Aus Daten Muster für Klassifikation finden
Was ist Deep Learning
Deep Learning ist ein weiterer Teilbereich. Es gehört zu Machine Learning und verwendet künstliche neuronale Netze mit mehreren Schichten. Diese Schichten können immer komplexere Merkmale aus Daten lernen.
Deep Learning eignet sich besonders gut, wenn sehr große Datenmengen vorhanden sind oder wenn die Struktur in den Daten komplex ist. Beispiele sind Bild und Spracherkennung. Ein Netzwerk kann lernen, welche Strukturen wichtig sind, ohne dass diese Merkmale vollständig von Hand definiert werden.
Warum heißt es Deep
Deep steht für die vielen Ebenen im neuronalen Netz. Jede Schicht verarbeitet die Daten auf eine andere Weise. So werden aus einfachen Merkmalen später sehr abstrakte Muster.
Unterschied zwischen KI, Machine Learning und Deep Learning
Der Unterschied lässt sich gut als Ebenen darstellen. KI ist die große Grundmenge. Machine Learning ist ein Teil davon. Deep Learning ist wiederum ein Teil von Machine Learning.
KI
- Oberbegriff für intelligente Systeme
- Kann regelbasiert sein oder lernen
- Deckt viele Methoden ab
Machine Learning
- Teilbereich von KI
- Lernt aus Daten
- Modelle werden trainiert, um Muster zu erkennen
Deep Learning
- Teilbereich von Machine Learning
- Verwendet neuronale Netze mit vielen Schichten
- Eignet sich oft für Bild, Audio und Text mit hoher Komplexität
Grob erklärt: Daten, Training und Ergebnisse
Bei Machine Learning und Deep Learning gibt es typischerweise einen Trainingsprozess. Ein Modell sieht Daten und lernt dabei. Danach kann es auf neue Daten angewendet werden.
Je nach Methode kann die Vorbereitung der Daten und das Feature Engineering unterschiedlich aufwendig sein. Feature Engineering bedeutet, dass relevante Merkmale aus Daten abgeleitet werden. Deep Learning reduziert häufig diesen manuellen Aufwand, weil das Modell die Merkmale schrittweise selbst lernen kann.
Typische Anwendungsszenarien
Die Wahl der Methode hängt vom Ziel und von den verfügbaren Daten ab.
- Regelbasierte KI: wenn die Regeln klar und stabil sind, zum Beispiel einfache Entscheidungslogik.
- Machine Learning: wenn es viele Beispiele gibt und Vorhersagen oder Klassifikationen gebraucht werden.
- Deep Learning: wenn Daten komplex sind, zum Beispiel Bilderkennung, Sprachverarbeitung oder moderne Textmodelle.
Zusammenfassung in einem Satz
KI ist der große Bereich, Machine Learning lernt aus Daten, und Deep Learning ist eine spezielle Form von Machine Learning, die mit tiefen neuronalen Netzen arbeitet.
