Studienarbeit aus dem Jahr 2024 im Fachbereich Informatik - Künstliche Intelligenz, Note: 1,0, AKAD University, ehem. AKAD Fachhochschule Stuttgart (Technik und Informatik), Veranstaltung: Deep Learning, Sprache: Deutsch, Abstract: Primärziel der Arbeit ist es, den grundlegenden Aufbau und die Funktionsweise von CNN zu erläutern.

Dabei wird ebenfalls die Regularisierungsmethode Dropout zur Effizienzsteigerung vorgestellt, sowie fortgeschrittene CNN-Architekturen und Layertypen angeschnitten. Ein genereller Überblick über KNN soll dabei zum besseren Verständnis der Architektur beitragen.

Um die Bedeutung von CNN für das Deep Learning darzustellen, wird die historische Entwicklung dieser Disziplin im Allgemeinen und von CNNs im Speziellen skizziert. Weiterhin werden Einsatzmöglichkeiten von CNN abseits der Bilderkennung vorgestellt.

Spätestens seit dem Sieg von Google DeepMinds Programm "AlphaGo" gegen den Go-Spitzenspieler Lee Se-dol im März 2016 sind Deep Learning und Künstliche Neuronale Netze (KNN ) im medialen Mainstream angekommen. Für den Erfolg von AlphaGo ist jedoch eine außerhalb von Fachkreisen weniger bekannte Variante des Deep Learnings namens Convolutional Neural Networks (CNN) verantwortlich, die normalerweise für die Bilderkennung eingesetzt wird.

In diesem Bereich sind die CNN spätestens ab dem Jahr 2015 zum Standard geworden. Das Assignment ist in vier Kapitel gegliedert.

Auf die Einführung in die Fragestellung in Kapitel 1 folgt der Hauptteil mit den Kapiteln 2 und 3. Kapitel 2 stellt ein Grundlagenkapitel dar, in dem Deep Learning definiert und die Bestandteile und Wirkmechanismen eines KNN anhand von Feedforward-Netzen vorgestellt werden.

Kapitel 3 befasst sich eingehend mit CNN. Zunächst werden der Aufbau und die unterschiedlichen Layertypen erklärt.

Anschließend wird die Funktionsweise von CNN erläutert, wobei auch auf Unterschiede zur KNN-Architektur aus Kapitel 2 eingegangen wird. Weiterhin wird die Regularisierungsmethode "Dropout" für die.