Unterschied zwischen Machine Learning und Deep Learning
Kurz gesagt
Machine Learning bezeichnet Verfahren, mit denen Computersysteme Muster aus Daten lernen und für Vorhersagen oder Entscheidungen nutzen. Deep Learning ist ein Teilgebiet davon: Es verwendet mehrschichtige künstliche neuronale Netze, die komplexe Muster und Merkmale lernen können.
Der HauptunterschiedMachine Learning umfasst verschiedene Lernverfahren; Deep Learning ist ein Teilgebiet, das mehrschichtige künstliche neuronale Netze verwendet.
Beide Begriffe beschreiben Systeme, die aus Beispielen lernen; Deep Learning bezeichnet eine bestimmte Gruppe von Machine-Learning-Verfahren.
Steckbriefe
Steckbrief: Machine Learning
Machine Learning, auf Deutsch maschinelles Lernen, umfasst Verfahren, bei denen ein System anhand von Daten ein Modell bildet. Dieses Modell kann anschließend etwa Werte vorhersagen oder Daten einordnen.
- Lernen aus Beispieldaten
- Viele mögliche Modelltypen
- Merkmale teils manuell gewählt
Beispiel Ein E-Mail-Filter lernt anhand markierter Nachrichten, welche E-Mails wahrscheinlich Spam sind.
Steckbrief: Deep Learning
Deep Learning ist ein Bereich des maschinellen Lernens, der mehrschichtige künstliche neuronale Netze nutzt. Solche Netze lernen im Training, Eingaben schrittweise in für die Aufgabe nützliche Darstellungen umzuwandeln.
- Mehrschichtige neuronale Netze
- Gelerntes Merkmalsaufbauen
- Häufig hoher Rechenbedarf
Beispiel Eine Foto-App nutzt ein neuronales Netz, um Bilder mit Hunden zu erkennen.
Auf einen Blick
| Merkmal | Machine Learning | Deep Learning |
|---|---|---|
| Was ist es? | Oberbegriff für lernende Verfahren mit unterschiedlichen Modelltypen. | Teilgebiet mit mehrschichtigen künstlichen neuronalen Netzen. |
| Typisch | Entscheidungsbäume, lineare Modelle oder neuronale Netze. | Viele verknüpfte Rechenschichten lernen Muster. |
| Wofür / wann? | Häufig Vorhersagen und Klassifikation strukturierter Daten; die Einsatzbereiche überschneiden sich. | Häufig Bild-, Sprach- und andere komplexe Muster; die Einsatzbereiche überschneiden sich. |
| Beispiel | Ein Modell schätzt den Preis einer Wohnung. | Ein Netz erkennt gesprochene Wörter in einer Aufnahme. |
| Merkmalsauswahl | Fachleute können passende Eingabemerkmale festlegen. | Das Netz kann Merkmale aus Rohdaten lernen. |
| Datenmenge | Einfache Modelle funktionieren teils mit weniger Beispielen. | Komplexe Netze profitieren häufig von vielen Beispielen. |
| Rechenaufwand | Einfache Verfahren lassen sich oft sparsam trainieren. | Training und Betrieb können mehr Rechenleistung benötigen. |
| Erklärbarkeit | Einige Modelltypen liefern vergleichsweise nachvollziehbare Regeln. | Entscheidungen sind bei großen Netzen oft schwerer zu erklären. |
Im Detail
Wie die Begriffe zusammenhängen
Machine Learning ist der umfassendere Begriff. Dazu zählen unterschiedliche Ansätze, mit denen ein Programm aus Beispieldaten ein Modell ableitet, statt für jeden möglichen Fall eine feste Regel einzuprogrammieren. Deep Learning gehört zu diesem Bereich, nicht umgekehrt.
Zu Machine Learning zählen unter anderem Entscheidungsbäume, lineare Modelle und neuronale Netze. Ein Entscheidungsbaum kann beispielsweise anhand von Eigenschaften eine Kategorie auswählen. Deep Learning grenzt sich nicht durch eine bestimmte Aufgabe ab, sondern durch die Art des verwendeten Modells.
Was „deep“ bedeutet
Ein neuronales Netz besteht aus miteinander verbundenen Recheneinheiten, die Informationen weitergeben und verändern. Bei Deep Learning liegen mehrere Verarbeitungsschichten zwischen Eingabe und Ausgabe. Die frühen Schichten können einfache Muster erfassen; spätere kombinieren solche Muster zu komplexeren Darstellungen.
Ein Netz kann in einem Bild etwa zunächst Kanten und Formen verarbeiten und daraus Hinweise auf Gegenstände zusammensetzen. Die Schichten und ihre Verbindungen werden beim Training angepasst. „Deep“ meint dabei die Tiefe des Netzes, nicht eine besondere Intelligenz oder ein menschliches Verständnis.
Merkmale und Daten
Bei vielen klassischen Machine-Learning-Verfahren wählen Menschen zunächst Merkmale aus, die für eine Aufgabe wichtig sein könnten. Für eine Preisprognose könnten das Wohnfläche, Lage und Baujahr sein. Das Modell lernt dann, wie diese Angaben mit den bekannten Preisen zusammenhängen.
Deep-Learning-Netze können geeignete Merkmale in vielen Fällen selbst aus weniger aufbereiteten Eingaben ableiten, etwa aus Bildpunkten oder Audiosignalen. Das macht sie für unübersichtliche Daten wie Fotos und Sprache nützlich. Es bedeutet aber nicht, dass sie keine Vorbereitung oder menschliche Entscheidungen benötigen: Datenqualität, Zielsetzung und Modellgestaltung bleiben wichtig.
Wann welches Verfahren passt
Für Tabellen mit klar benannten Spalten können vergleichsweise einfache Machine-Learning-Modelle sehr gut passen. Sie sind häufig schneller zu trainieren und ihre Ergebnisse lassen sich je nach Modell leichter untersuchen. Die Wahl hängt jedoch von der konkreten Aufgabe und den verfügbaren Daten ab.
Deep Learning ist besonders hilfreich, wenn Daten viele komplexe Muster enthalten und sich passende Merkmale nur schwer von Hand festlegen lassen. Große neuronale Netze können dafür mehr Trainingsdaten und Rechenleistung beanspruchen. Die Grenzen sind nicht absolut: Auch Deep Learning ist Machine Learning, und ein neuronales Netz kann ebenso für strukturierte Daten eingesetzt werden.
Woran erkennt man den Unterschied?
- Prüfen Sie zuerst den Modelltyp: Mehrschichtige neuronale Netze sprechen für Deep Learning.
- Fragen Sie, ob Merkmale manuell festgelegt oder im Training aus Rohdaten gelernt werden.
- Verwechseln Sie eine Bild- oder Sprachaufgabe nicht mit der Methode: Auch andere Machine-Learning-Verfahren können solche Aufgaben bearbeiten.
- Berücksichtigen Sie Datenmenge, Rechenaufwand und Erklärbarkeit, statt allein nach dem Begriff zu entscheiden.
Gemeinsamkeiten
- Beide lernen Zusammenhänge aus Daten.
- Beide können Vorhersagen oder Klassifikationen liefern.
- Beide benötigen geeignete Trainingsdaten und eine passende Zielsetzung.
Häufiger Irrtum
Irrtum: Deep Learning und Machine Learning sind zwei voneinander getrennte Methoden.
Richtig: Deep Learning ist eine Untergruppe des Machine Learnings.
Irrtum: Deep Learning braucht immer riesige Datenmengen und ist grundsätzlich genauer.
Richtig: Der Nutzen hängt von Aufgabe, Daten und Modell ab; ein größeres Netz ist nicht automatisch besser.
Häufige Fragen
Ist Deep Learning künstliche Intelligenz?
Ja. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das wiederum zu den Methoden der künstlichen Intelligenz zählt.
Ist ein neuronales Netz immer Deep Learning?
Nein. Auch neuronale Netze mit wenigen Schichten werden verwendet. Mit Deep Learning meint man üblicherweise Netze mit mehreren Verarbeitungsschichten.
Was ist bei Tabellendaten besser: Machine Learning oder Deep Learning?
Für Tabellendaten sind klassische Machine-Learning-Verfahren häufig ein guter Ausgangspunkt. Welche Methode besser abschneidet, lässt sich für den konkreten Anwendungsfall durch einen Vergleich der Modelle feststellen.
