WEBVTT 00:00:05.140 --> 00:00:08.920 Schon wenige Schichten ermöglichen die Entwicklung erstaunlich leistungsstarker Daten. 00:00:09.120 --> 00:00:15.120 Restricted Boltzmann Machines, RBMs, sind neuronale Netzwerke, die effizient lernen können, Daten darzustellen. 00:00:15.360 --> 00:00:21.440 Mit zwei Schichten sichtbar und verborgen nutzen RBMs stoßtische Methoden, um Merkmale in den Daten aufzudecken. 00:00:21.720 --> 00:00:28.760 Sie bestehen aus binären Einheiten und nutzen kontrastive Divergenz für das Training, was sie besonders effektiv für unüberwachtes Lernen macht. 00:00:28.760 --> 00:00:35.120 Sie können große Datensätze verarbeiten und so Aufgaben wie Dimensionsreduktion und kollaboratives Filtern verbessern. 00:00:35.900 --> 00:00:45.420 Interessant ist, dass RBMs eine Wahrscheinlichkeitsverteilung über die Eingangsvariablen darstellen können, was sie vielseitig für Anwendungen wie Bild- und Spracherkennung macht. 00:00:45.840 --> 00:00:48.020 Im Folgenden betrachten wir das genauer. 00:00:48.380 --> 00:00:50.660 Stellen Sie sich einen Datensatz voller Bilder vor. 00:00:50.860 --> 00:00:55.080 RBMs können jedes Pixel betrachten und beginnen, Muster ohne Beschrichtung zu erkennen. 00:00:55.080 --> 00:01:03.120 Sie arbeiten in zwei primären Schichten, der sichtbaren Schicht, die mit den Eingangsdaten interagiert, und der verborgenen Schicht, in der die Magie stattfindet. 00:01:03.120 --> 00:01:07.140 Diese Schichten arbeiten zusammen, um die zugrunde liegende Struktur der Daten zu erlernen. 00:01:07.660 --> 00:01:11.600 Der Trainingsprozess beinhaltet sogenannte kontrastive Divergenz. 00:01:11.840 --> 00:01:19.540 Es klingt komplex, aber betrachten Sie es als eine Möglichkeit, das Netzwerk durch den Vergleich der Eingabedaten mit den generierten Ausgabedaten zu optimieren. 00:01:19.980 --> 00:01:25.720 Ziel ist es, die Unterschiede zu minimieren und die RBM bei der Datendarstellung schrittweise präziser zu machen. 00:01:25.720 --> 00:01:30.720 Eine der herausragendsten Funktionen von RBMs ist Ihre Fähigkeit zur Dimensionsreduktion. 00:01:31.600 --> 00:01:39.100 Das bedeutet, dass Sie hochdimensionale Daten auf eine handlichere Größe komprimieren können, ohne wichtige Informationen zu verlieren. 00:01:39.240 --> 00:01:40.760 Es ist wie effizientes Kofferpacken. 00:01:41.060 --> 00:01:42.960 Alles, was man braucht, nur weniger sperrig. 00:01:43.360 --> 00:01:47.000 In der Praxis werden RBMs bereits in verschiedenen Anwendungen eingesetzt. 00:01:47.200 --> 00:01:53.600 Beispielsweise helfen Sie beim kollaborativen Filtern, Produkte zu empfehlen, indem Sie versteckte Ähnlichkeiten zwischen Nutzerpräferenzen identifizieren. 00:01:53.600 --> 00:02:00.280 In der Bilderkennung können Sie Merkmale wie Kanten und Texturen erkennen und so die Bausteine für komplexere Aufgaben bilden. 00:02:00.860 --> 00:02:06.540 Wenn Sie also ein Technikbegeisterter sind, der tiefer in das maschinelle Lernen eintauchen möchte, sind RBMs definitiv eine Erkundung wert. 00:02:06.700 --> 00:02:11.000 Sie bieten einen faszinierenden Einblick, wie Maschinen lernen und die Welt um Sie herum verstehen können. 00:02:11.400 --> 00:02:15.940 Tauchen Sie ein, experimentieren Sie und überzeugen Sie sich selbst von der Leistungsfähigkeit von RBMs.