Maschinelles Lernen ist ein Teilbereich innerhalb der künstlichen Intelligenz, der sich mit Computeralgorithmen befasst, die sich eigenständig mithilfe von Trainingsdaten und ohne explizite Programmierung verbessern können. Es gilt allgemein als der vielversprechendste Weg zur Verwirklichung einer tatsächlich menschenähnlichen künstlichen Intelligenz.
ML-Algorithmen können grob in drei Kategorien eingeteilt werden:
In diesem Artikel geben wir einen kurzen Überblick über maschinelles Lernen und Deep Learning sowie über die Unterschiede zwischen den beiden Konzepten.
Deep Learning ist ein Bereich des maschinellen Lernens, der künstliche neuronale Netze zur Annäherung an menschenähnliche 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 für die Verarbeitung unstrukturierter Daten wie Bildern oder Sprachen.
Um als „deep“ klassifiziert werden zu können, muss ein neuronales Netz im Grunde verborgene Schichten zwischen der Eingabe- und der Ausgabeschicht eines Perceptrons enthalten – der Basisstruktur eines neuronalen Netzes. Diese Schichten gelten als „verborgen“, weil sie nicht mit der Außenwelt in Verbindung stehen. Folgendes sind Beispiele für Deep-Learning-Architekturen:
Erleben Sie eine Self-Service-Instanz von Pure1® zum Verwalten von Pure FlashBlade™, der fortschrittlichsten Lösung der Branche, die nativen skalierbaren Datei- und Objekt-Storage liefert.
Deep Learning gilt als Unterart des maschinellen Lernens. Das Hauptunterscheidungsmerkmal, das Deep-Learning-Algorithmen von anderen ML-Algorithmen unterscheidet, ist die Verwendung von künstlichen 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.
Deep-Learning-Algorithmen eignen sich hervorragend für die Verarbeitung unstrukturierter Daten, sofern Sie über die entsprechende Verarbeitungsleistung verfügen. Dadurch hat das Deep Learning einen Vorteil gegenüber anderen maschinellen ML-Algorithmen, wenn es um unüberwachtes Lernen und bestärkendes Lernen geht. Die jüngsten Fortschritte in der KI sind in hohem Maße Verbesserungen bei der Machbarkeit von neuronalen Deep-Learning-Netzwerken durch Verbesserungen bei Rechenleistung und Daten-Storage zu verdanken.
Pure Storage® ist hervorragend dafür aufgestellt, um die Welt der KI sowohl zu nutzen als auch zu unterstützen. Neuronale Deep-Learning-Netzwerke erfordern Daten, die sowohl umfangreich als auch schnell sind. Die All-Flash-Storage-Lösungen von Pure kombinieren die Performance von hundertprozentigem NVMe-Flash-Storage mit KI-gestützten vorausschauenden Analysen, um eine Modern Data Experience™ bereitzustellen. Mit Pure können Sie …
Haben Sie eine Frage oder einen Kommentar zu Produkten oder Zertifizierungen von Pure? Wir helfen Ihnen gerne!
Vereinbaren Sie einen Termin für eine Live-Demo und sehen Sie selbst, wie Pure Ihnen helfen kann, Ihre Daten in überzeugende Ergebnisse zu verwandeln.
Rufen Sie uns an: +49 89 26200662
Presse: pr@purestorage.com
Pure Storage Germany GmbH
Mies-van-der-Rohe-Straße 6
80807 München
Deutschland