Deep Learning
Feature-Engineering an gestapelte Schichten übergeben
OVERVIEW
- Alle Einträge
- 6
- Anfänger
- 2
- Fortgeschritten
- 3
- Experte
- 1
The turning point of deep learning was not “more layers” but the discovery that with enough width, data and stable optimisation, the intermediate abstractions grow on their own. This domain starts from a single neuron and works up to backpropagation, convolution, attention and the normalisation tricks that make depth actually trainable.
Fragen, die dieser Bereich beantwortet
- Q1
What is a single neuron actually computing?
- Q2
How does backpropagation carry error backwards?
- Q3
Why are deeper networks harder to train?
Einträge dieses Bereichs
- 01Neuron und PerzeptronAnfängerDas kleinste Teil eines neuronalen Netzes: eine gewichtete Summe, ein Bias und ein Hauch Nichtlinearität
- 02BackpropagationFortgeschritten„Den Gradienten berechnen“ von mathematischer Schwerarbeit zu einem einzigen Funktionsaufruf machen – der Moment, in dem Deep Learning abhob
- 03AktivierungsfunktionenAnfängerOhne sie ist selbst das tiefste Netz nur eine einzige lineare Abbildung
- 04FaltungsnetzeFortgeschrittenVollverbindungen durch „lokal schauen, überall denselben Filter wiederverwenden“ ersetzen – die Idee, die Bilderkennung erst brauchbar machte
- 05Rekurrente NetzeFortgeschrittenDem Netz ein Gedächtnis geben: dieselbe Einheit über die Zeit wiederverwenden, um Sequenzen beliebiger Länge zu verarbeiten
- 06Normalisierung und ResidualverbindungenExperteEin Netz mit hundert Schichten wirklich trainierbar machen: ein Identitäts-Kurzweg plus eine Neuskalierung pro Schicht