Mojora AI

Grundlagen

Was ist Deep Learning?

Deep Learning erklärt: mehrschichtige neuronale Netze, gelernte Merkmale statt Handarbeit, Datenbedarf, Rechenaufwand, Stärken und Grenzen.

Schwierigkeit
Einsteiger
Lesezeit
ca. 3 Min.
Aktualisiert
5.8.2026
Voraussetzung
Machine Learning

Kurz erklärt

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mit neuronalen Netzen aus vielen hintereinandergeschalteten Schichten arbeitet. Der entscheidende Unterschied zu klassischen Verfahren: Die Merkmale, auf die es ankommt, werden nicht von Hand definiert, sondern vom Netz selbst aus den Rohdaten gelernt – in frühen Schichten einfache, in späteren Schichten zunehmend abstrakte. Dieser Ansatz hat Bilderkennung, Spracherkennung und Sprachmodelle praktisch nutzbar gemacht.

Warum gibt es Deep Learning?

Bei Bildern, Ton und Text scheiterten klassische Verfahren lange an der Merkmalsbildung. Fachleute mussten von Hand beschreiben, was ein Kantenverlauf oder ein Klangmuster ist – aufwendig und für jede Aufgabe neu. Tiefe Netze übernehmen diesen Schritt selbst und lernen die Merkmalsdarstellung gemeinsam mit der eigentlichen Aufgabe.

Möglich wurde das durch drei Entwicklungen: sehr große Datensammlungen, deutlich schnellere Grafikprozessoren und methodische Fortschritte bei Aktivierungsfunktionen, Initialisierung und Regularisierung.

Wie funktioniert Deep Learning?

Die Daten durchlaufen mehrere Schichten. Jede Schicht bildet ihre Eingabe auf eine neue Darstellung ab. Am Ende steht die Ausgabe – etwa eine Klasse oder ein nächstes Wort. Der Fehler am Ausgang wird über alle Schichten zurückgerechnet, und alle Gewichte werden geringfügig angepasst. Millionenfach wiederholt entsteht daraus ein Modell.

Eingabeverborgene SchichtenAusgabe
Grundschema: Eingabe, mehrere verborgene Schichten, Ausgabe.

Ein einfaches Beispiel

Bei der Bilderkennung reagieren die ersten Schichten auf Helligkeitsunterschiede und Kanten. Mittlere Schichten setzen daraus Ecken, Kreise und Texturen zusammen. Späte Schichten erkennen ganze Bauteile oder Objekte. Vorgegeben wurde davon nichts – die Zwischenstufen entstehen im Training.

Technischer Blick

Technischer Blick

  • Tiefe: Anzahl der Schichten zwischen Ein- und Ausgabe. Mehr Tiefe erlaubt abstraktere Darstellungen, erschwert aber das Training.
  • Aktivierungsfunktion: nichtlineare Funktion (z. B. ReLU) – ohne sie wäre ein tiefes Netz mathematisch nur eine einzige lineare Abbildung.
  • Regularisierung: Dropout, Gewichtsdämpfung und Datenanreicherung wirken dem Overfitting entgegen.
  • Transferlernen: ein vortrainiertes Modell wird mit wenigen eigenen Daten an eine neue Aufgabe angepasst – in der Praxis oft der günstigste Weg.

Stärken und Grenzen

  • Stärke: sehr gute Ergebnisse bei unstrukturierten Daten wie Bild, Ton und Text.
  • Stärke: eine Architektur lässt sich über Transferlernen auf viele Aufgaben übertragen.
  • Grenze: hoher Bedarf an Daten und Rechenleistung.
  • Grenze: schwer nachvollziehbare Entscheidungswege.
  • Grenze: bei kleinen Tabellendatensätzen oft schlechter als klassische Verfahren.

Zusammenhang mit anderen KI-Technologien

Alle Architekturen dieses Lernpfads – CNN, RNN, LSTM und Transformer – sind Ausprägungen des Deep Learning. Sie unterscheiden sich darin, welche Struktur der Daten sie voraussetzen.

Häufige Fragen – kurz beantwortet

Jede Antwort ist eigenständig verständlich, auch ohne den restlichen Artikel.

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning, der neuronale Netze mit vielen aufeinanderfolgenden Schichten verwendet. Jede Schicht bildet die Eingabe auf eine abstraktere Repräsentation ab, sodass geeignete Merkmale während des Trainings gelernt statt von Hand definiert werden.

Was unterscheidet Deep Learning von klassischem Machine Learning?

Klassisches Machine Learning benötigt meist manuell entworfene Merkmale, etwa Kantenmaße oder Kennzahlen. Deep Learning lernt diese Merkmale selbst aus Rohdaten wie Pixeln oder Text. Der Preis dafür sind ein höherer Daten- und Rechenbedarf sowie eine schwerer nachvollziehbare Entscheidungslogik.

Warum braucht Deep Learning GPUs?

Das Training besteht überwiegend aus großen Matrixmultiplikationen, die sich stark parallelisieren lassen. Grafikprozessoren führen viele solcher Rechenoperationen gleichzeitig aus und verkürzen die Trainingszeit gegenüber herkömmlichen Prozessoren erheblich.

Welche Grenzen besitzt Deep Learning?

Deep-Learning-Modelle sind datenhungrig, rechenintensiv und in ihrer internen Entscheidungslogik nur eingeschränkt interpretierbar. Sie übernehmen Verzerrungen aus den Trainingsdaten und liefern bei Eingaben außerhalb des Trainingsbereichs häufig selbstsichere, aber falsche Ergebnisse.

Einordnung im Wissensnetz

Hauptthema dieser Seite
Deep Learning
Verwandte Begriffe
Maschinelles Lernen · Künstliches neuronales Netz

Fachliche Grundlage: Machine Learning. Der nächste Schritt im Lernpfad ist Neuronale Netze.

Quellen & weiterführendes Lernen

Belege für die fachlichen Aussagen dieses Artikels und ausgewählte externe Lernangebote. Externe Anbieter sind keine Partner von Mojora AI.

Quellen

  • Deep Learning (öffnet in neuem Tab)

    Yann LeCun, Yoshua Bengio, Geoffrey Hinton · Nature 521, 436–444 · 2015

    Übersichtsarbeit der drei Wegbereiter zum Prinzip gelernter Repräsentationen.

    nature.com

  • Deep Learning (öffnet in neuem Tab)

    Ian Goodfellow, Yoshua Bengio, Aaron Courville · MIT Press · 2016

    Vollständig frei lesbares Lehrbuch zu Theorie und Praxis tiefer Netze.

    deeplearningbook.org

Weiterlernen