Dieser Audiobeitrag wird von der Universität Erlangen-Nürnberg präsentiert.

Ah wunderbar. Okay also beim letzten Blatt was war das Problem für diejenigen die sich

nicht gemeldet haben? Also hat da irgendjemand so Probleme gehabt?

Okay, also ist auch zugegebenermaßen überhaupt nicht einfach das richtig einzubauen. Da kann man

sich Grün und Blau ärgern weil man es ziemlich schnell verwechseln kann von daher. Man weiß es

nicht. Ja?

Ja, das stimmt. Das ist ein bisschen nervig gewesen und ich glaube der Michael, der Professor,

hat die Folien auch ziemlich gekürzt. Also vom Algorithmus her, ich glaube in Wasser

in Norwegen ist der noch ein bisschen größer. Ich weiß nicht ob er trotzdem funktioniert

hätte aber...

Das glaube ich. Ich meine man muss auch zu seiner Verteidigung sagen oder wie auch immer

so aus dem Nähkästchen geplaudert, dass er Neuro-Nadernetze davor ungefähr nichts damit

zu tun hatte. Das heißt er hat sich das ungefähr so zwei drei Wochen davor angeschaut und dann

hat er gesagt ja, passt schon, reicht schon, habe ich verstanden. Aber es ist halt dann

doch nicht so ganz. Da gibt es halt schon viele, viele Sachen. Okay ansonsten noch irgendwelche

Einwürfe, vielleicht Verbesserungsideen oder einfach nur nervige Sachen. Moin Moin, komm

rein. Okay. Ja dann fangen wir jetzt an und wie prophezeit, das ist heute Deep Learning

das Hauptthema und ihr denkt jetzt bestimmt, dass ich jetzt einfach die nächste Folie

aufmache und dann kommen da tausend Symbole mit fünf Gradienten und ein paar Ableitungen

und genau deswegen werde ich das nicht machen, sondern ich zeige euch ein Bild davon. Und

jetzt ist die Frage, wer von euch hat dann gerne Lego gespielt? Ah das ist toll, ich

habe Lego auch geliebt. Und hat jemand eine Ahnung, was Lego mit unserem Thema zu tun

hat, mit Deep Learning? Die dürft gerne spekulieren, ich meine. Was sagst du? Hast du sonst irgendjemand?

Gar nicht so schlecht, ja das ist gar nicht so schlecht. Ich forme es mal ein bisschen

um. Es gibt viele verschiedene Arten und Möglichkeiten das zu bauen und zu formen.

Und ja, also ich löse es einfach auf. Tatsächlich hatte vor einiger Zeit der Senior Staff Research

Scientist in Google Nando De Freitas gesagt, ja Deep Learning ist wie mit Lego spielen.

Du hast so ganz viele tolle Sachen, die passt irgendwie zusammen und dann kommt was cooles

raus. Und jetzt weiß ich auch endlich, warum mir das so gefällt, das Deep Learning. Und

vielleicht jedem, der gerne Lego gespielt hat, der wird vielleicht auch seine Freude

heran finden. Und die, die es nicht gefunden haben, die werden auch begeistert sein, hoffe

ich. Genau, also das ist die Idee dahinter, das wegen Lego. Und so komisch, der Vergleich

klingt, der ist eigentlich echt ziemlich wahr. Wenn man so ein bisschen damit rumspielt

und jetzt nicht direkt das programmiert, sondern wirklich die Frameworks nimmt, die es schon

gibt, dann macht man meistens einfach nur, schnappt sich draußen verschiedene Schichten,

pappt die zusammen und trainiert das auf irgendwas und hofft, dass es rauskommt oder nicht. Okay,

aber jetzt erstmal, warum wird Deep Learning so gehypt? Hat jemand eine Idee, warum Deep

Learning im Moment so gehypt wird? Das auf jeden Fall, ja. Hast du irgendwelche

konkreten Vorstellungen im Kopf, wenn du sagst, besser funktioniert? Also fallen dir irgendwelche

Beispiele ein, was so früher mega schlecht war und mittlerweile echt gut funktioniert?

Ich sehe, da kennt sich jemand aus, das ist gut. Genau dazu gehen wir jetzt auch über.

Also jetzt schauen wir uns erstmal so ein paar Beispiele an. Object Detection funktioniert

relativ gut. Ich meine, man sieht hier irgendwie noch, da unten hat man schon noch ein bisschen

Platz, wo das noch nicht perfekt ist. Aber im Prinzip funktioniert es und im Prinzip

läuft das auch ziemlich schnell. Es gibt auch ein Deep Learning Netzwerk oder Framework,

das nennt sich YOLO. Also da haben wirklich die Research Leute gesagt, wir nennen das

jetzt YOLO und das haben sie an die Anlehnung gemacht, you only look once. So nach dem Prinzip,

es geht super schnell, ich habe ein Kamerabild und sofort habe ich alles erkannt und es funktioniert

auch ganz gut. Also Object Detection ist so etwas, was ungefähr jeder kennt. Das ist

natürlich nicht das einzige Beispiel, das kennt jeder und deswegen habe ich mal ein