Deep Learning Definition: Einfach & Verständlich Erklärt

Definition von Deep Learning

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das auf künstlichen neuronalen Netzen mit mehreren Schichten basiert. Es handelt sich um eine Methode, bei der Algorithmen komplexe Muster und Zusammenhänge in großen Datenmengen automatisch erkennen und abstrahieren können, ohne explizite Programmierung für jede einzelne Aufgabe. Deep Learning ermöglicht es Computern, Aufgaben wie Bild- und Spracherkennung, natürliche Sprachverarbeitung oder autonome Steuerung mit hoher Genauigkeit auszuführen, indem es hierarchische Repräsentationen von Daten lernt.

Im Kern ist Deep Learning ein Ansatz, der mehrschichtige neuronale Netzwerke verwendet, um Merkmale auf unterschiedlichen Abstraktionsebenen zu extrahieren. Die Tiefe der Netzwerke – also die Anzahl der Verarbeitungsschichten – ist entscheidend für die Fähigkeit, komplexe Strukturen in den Daten zu modellieren.

Warum ist Deep Learning bedeutsam?

Deep Learning hat in den letzten Jahren erhebliche Fortschritte in der künstlichen Intelligenz ermöglicht und zahlreiche Anwendungen revolutioniert. Seine Bedeutung ergibt sich aus mehreren Faktoren:

• Automatische Merkmalsextraktion: Anders als traditionelle Methoden, die auf manuell gestalteten Merkmalen beruhen, lernt Deep Learning automatisch relevante Merkmale direkt aus Rohdaten.
• Skalierbarkeit: Deep Learning-Modelle können mit zunehmender Datenmenge und Rechenleistung besser werden, was insbesondere bei Big Data und komplexen Aufgaben von Vorteil ist.
• Breites Anwendungsspektrum: Von der medizinischen Bildanalyse über die Sprachübersetzung bis hin zur autonomen Mobilität – Deep Learning ist Grundlage vieler moderner Technologien.
• Verbesserte Genauigkeit: Durch die Fähigkeit, nichtlineare und hochdimensionale Zusammenhänge zu modellieren, übertrifft Deep Learning oft klassische Machine-Learning-Methoden bei komplexen Aufgaben.

Wichtige Auswirkungen von Deep Learning

• Fortschritte in der Forschung: Neue Erkenntnisse in Bereichen wie Genomik, Klima- und Materialwissenschaften.
• Automatisierung: Effizienzsteigerung in Industrie, Dienstleistung und Verwaltung durch intelligente Systeme.
• Personalisierung: Individuelle Empfehlungen in Medien, E-Commerce und Medizin.
• Interaktive Systeme: Verbesserte Mensch-Maschine-Kommunikation durch Sprachassistenten und Chatbots.

Wie funktioniert Deep Learning? Grundprinzipien und Architektur

Deep Learning basiert auf der Architektur künstlicher neuronaler Netze, die grob an das menschliche Gehirn angelehnt sind. Die wichtigsten Komponenten und Funktionsweisen lassen sich wie folgt beschreiben:

1. Neuronale Netze und Schichten

Ein künstliches neuronales Netz besteht aus mehreren Schichten von Knoten, sogenannten Neuronen:

• Eingabeschicht (Input Layer): Nimmt die Rohdaten auf, z. B. Pixelwerte eines Bildes oder numerische Werte.
• Verborgene Schichten (Hidden Layers): Eine oder mehrere Schichten, in denen die eigentliche Datenverarbeitung und Merkmalsextraktion stattfindet.
• Ausgabeschicht (Output Layer): Liefert das Ergebnis, z. B. eine Klassifikation oder eine Vorhersage.

Die Tiefe eines Netzes wird durch die Anzahl der verborgenen Schichten bestimmt. Deep Learning verwendet typischerweise viele Schichten (daher "deep" = tief), was die Modellierung komplexer Funktionen ermöglicht.

2. Verarbeitung in Neuronen

Jedes Neuron empfängt Eingaben von Neuronen der vorherigen Schicht, gewichtet diese, summiert sie auf und gibt das Ergebnis durch eine Aktivierungsfunktion weiter:

• Gewichte: Parameter, die während des Trainings angepasst werden, um die Bedeutung der Eingaben zu steuern.
• Bias: Ein zusätzlicher Parameter, der die Aktivierung verschieben kann.
• Aktivierungsfunktion: Nichtlineare Funktion (z. B. ReLU, Sigmoid, Tanh), die es dem Netzwerk ermöglicht, komplexe, nichtlineare Zusammenhänge abzubilden.

3. Lernprozess: Training und Backpropagation

Das Lernen eines Deep-Learning-Modells erfolgt durch einen iterativen Optimierungsprozess, der folgende Schritte umfasst:

1. Vorwärtsdurchlauf (Forward Propagation): Die Eingabedaten werden durch das Netzwerk geleitet, um eine Vorhersage zu erzeugen.
2. Berechnung des Fehlers: Die Differenz zwischen Vorhersage und tatsächlichem Wert wird mit einer Verlustfunktion gemessen.
3. Rückwärtsdurchlauf (Backpropagation): Der Fehler wird von der Ausgabeschicht zurück zur Eingabeschicht propagiert, um die Gradienten der Gewichte zu berechnen.
4. Gewichtsaktualisierung: Die Gewichte werden mit Hilfe eines Optimierungsalgorithmus (z. B. Stochastic Gradient Descent, Adam) angepasst, um den Fehler zu minimieren.

Dieser Zyklus wird über viele Iterationen (Epochen) wiederholt, bis das Modell eine zufriedenstellende Leistung erreicht.

4. Typische Architekturen im Deep Learning

Je nach Art der Daten und Aufgabenstellung kommen unterschiedliche Netzwerkarchitekturen zum Einsatz:

• Feedforward Neural Networks (FNN): Klassische Netzwerke ohne Rückkopplungen.
• Convolutional Neural Networks (CNN): Speziell für Bild- und Videoverarbeitung, nutzen Faltungsschichten zur Extraktion lokaler Merkmale.
• Recurrent Neural Networks (RNN): Für sequenzielle Daten wie Sprache oder Text, mit Rückkopplungen zur Berücksichtigung vorheriger Eingaben.
• Transformers: Moderne Architektur für natürliche Sprachverarbeitung und andere Aufgaben, die auf Selbstaufmerksamkeit (Self-Attention) basiert.

Zusammenfassung der Deep Learning Eigenschaften

Eigenschaft	Beschreibung
Hierarchische Merkmalsextraktion	Automatisches Lernen von Merkmalen auf mehreren Abstraktionsebenen
Mehrschichtige Architektur	Viele verborgene Schichten ermöglichen komplexe Modellierung
Nichtlinearität	Aktivierungsfunktionen erlauben Modellierung nichtlinearer Zusammenhänge
Große Datenmengen	Effiziente Nutzung umfangreicher Trainingsdaten für bessere Generalisierung
Iteratives Training	Anpassung der Gewichte durch Backpropagation und Optimierungsverfahren

Strategie und praktische Taktiken zur Definition von Deep Learning

Die Entwicklung einer präzisen und umfassenden Definition von Deep Learning erfordert eine systematische Vorgehensweise, die sowohl das theoretische Fundament als auch die praktische Anwendbarkeit berücksichtigt. Diese Sektion beschreibt eine Schritt-für-Schritt-Strategie, um eine fundierte Definition zu erstellen, und erläutert die wichtigsten praktischen Taktiken sowie die häufigsten Fehler, die vermieden werden sollten.

Schritt 1: Zielgruppe und Kontext klären

Kurzfassung: Definieren Sie Deep Learning immer mit Blick auf die Zielgruppe und den Kontext, um Relevanz und Verständlichkeit sicherzustellen.

• Analyse der Zielgruppe: Handelt es sich um Fachleute, Studierende, Laien oder Entscheidungsträger? Jede Gruppe benötigt eine andere Tiefe und Komplexität der Erklärung.
• Kontext der Definition: Wird Deep Learning im Rahmen von Forschung, Industrieanwendungen, Bildung oder allgemeinen Informationen definiert? Der Kontext beeinflusst die Auswahl der Beispiele und die technische Tiefe.
• Kommunikationsziel: Soll die Definition informieren, überzeugen oder als Grundlage für weiterführende Diskussionen dienen?

Schritt 2: Strukturierung der Definition

Kurzfassung: Gliedern Sie die Definition in klar abgegrenzte Abschnitte, um Komplexität zu reduzieren und Verständlichkeit zu erhöhen.

1. Grundlagen: Erläutern Sie die Basisbegriffe wie künstliche neuronale Netze und maschinelles Lernen.
2. Architektur: Beschreiben Sie die Struktur von Deep Learning-Modellen, insbesondere die Verwendung mehrerer Schichten (Deep Neural Networks).
3. Funktionalität: Erklären Sie, wie Deep Learning aus Daten lernt und Muster erkennt.
4. Anwendungsbereiche: Nennen Sie konkrete Beispiele aus verschiedenen Branchen.
5. Abgrenzung: Differenzieren Sie Deep Learning von verwandten Konzepten wie einfachem maschinellen Lernen oder traditionellen Algorithmen.

Schritt 3: Verwendung präziser und verständlicher Sprache

Kurzfassung: Nutzen Sie eine klare, präzise Sprache ohne unnötigen Fachjargon, um die Definition zugänglich zu machen.

• Vermeiden Sie zu technische oder abstrakte Begriffe ohne Erklärung.
• Nutzen Sie Analogien und Beispiele, um komplexe Sachverhalte zu veranschaulichen.
• Setzen Sie kurze Sätze ein, um die Lesbarkeit zu erhöhen.

Schritt 4: Integration visueller Hilfsmittel

Kurzfassung: Unterstützen Sie die Definition durch Tabellen, Diagramme oder strukturierte Listen, um das Verständnis zu erleichtern.

Beispielhafte Tabelle zur Abgrenzung von Deep Learning:

Merkmal	Deep Learning	Maschinelles Lernen (klassisch)
Modellstruktur	Mehrschichtige neuronale Netze (Deep Neural Networks)	Flache Modelle (z.B. Entscheidungsbäume, SVM)
Feature Engineering	Automatisch durch das Netzwerk	Manuell durch Experten
Datenmenge	Benötigt große Datenmengen	Arbeitet oft mit kleineren Datensätzen
Rechenleistung	Hoher Bedarf (GPU/TPU)	Geringerer Bedarf
Interpretierbarkeit	Schwierig, oft als Black Box betrachtet	Oft besser interpretierbar

Schritt 5: Validierung und Revision

Kurzfassung: Überprüfen Sie die Definition auf Korrektheit, Verständlichkeit und Vollständigkeit und passen Sie sie gegebenenfalls an.

• Peer-Review: Lassen Sie die Definition von Experten und Nicht-Experten lesen und Feedback geben.
• Praxis-Test: Verwenden Sie die Definition in realen Kommunikationssituationen und beobachten Sie, ob sie verstanden wird.
• Aktualisierung: Passen Sie die Definition an neue Entwicklungen und Erkenntnisse an.

Praktische Taktiken bei der Erstellung einer Deep Learning Definition

Die Umsetzung der Strategie erfordert spezifische Taktiken, die den Prozess effizient und zielgerichtet gestalten. Die folgenden Methoden haben sich in der Praxis bewährt:

Taktik 1: Nutzung von Metaphern und Analogien

Da Deep Learning viele abstrakte Konzepte umfasst, erleichtern Metaphern das Verständnis. Beispiel:

• Neuronale Netze als Gehirn-Analogie: Die Struktur eines Deep Learning-Modells wird mit dem menschlichen Gehirn verglichen, wobei Neuronen und deren Verbindungen als Basis dienen.
• Schichten als Verarbeitungsebenen: Die verschiedenen Schichten werden als Stufen beschrieben, die Daten schrittweise verarbeiten und abstrahieren.

Taktik 2: Verwendung von konkreten Beispielen und Anwendungen

Die Definition wird durch Beispiele greifbar und nachvollziehbar:

• Bilderkennung in der medizinischen Diagnostik
• Sprachverarbeitung in digitalen Assistenten
• Empfehlungssysteme im E-Commerce

Taktik 3: Vergleich mit verwandten Technologien

Durch Gegenüberstellung wird die Einzigartigkeit von Deep Learning hervorgehoben:

• Unterschiede zu klassischem maschinellen Lernen
• Abgrenzung von symbolischer KI
• Verhältnis zu neuronalen Netzen allgemein

Taktik 4: Einbindung von Fachbegriffen mit Definitionen

Wichtige Begriffe sollten eingeführt und kurz erklärt werden, um die Präzision zu erhöhen, ohne die Zugänglichkeit zu verlieren:

• Neuron: Grundbaustein eines neuronalen Netzes, der Eingaben verarbeitet und weiterleitet.
• Schicht (Layer): Eine Gruppe von Neuronen, die auf einer Verarbeitungsebene liegt.
• Backpropagation: Lernverfahren zur Anpassung der Gewichte im Netzwerk.

Taktik 5: Iterative Verfeinerung und Feedback-Integration

Die Definition sollte nicht statisch sein. Regelmäßige Überarbeitung basierend auf Feedback sichert Qualität:

• Einholung von Rückmeldungen aus verschiedenen Fachdisziplinen
• Testen der Definition in unterschiedlichen Kommunikationsmedien (Vorträge, Texte, Videos)
• Berücksichtigung neuer wissenschaftlicher Erkenntnisse und technologischer Entwicklungen

Typische Fehler bei der Definition von Deep Learning und wie man sie vermeidet

Um eine wirkungsvolle und präzise Definition zu gewährleisten, ist es wichtig, häufige Fehler zu erkennen und zu vermeiden.

Fehler 1: Zu technische oder unverständliche Sprache

Problem: Fachbegriffe ohne Erklärung überfordern Laien und führen zu Missverständnissen.

Vermeidung: Erklären Sie komplexe Begriffe, nutzen Sie einfache Sprache und Beispiele.

Fehler 2: Unklare Abgrenzung zu verwandten Begriffen

Problem: Deep Learning wird oft fälschlich synonym mit maschinellem Lernen oder KI verwendet.

Vermeidung: Stellen Sie klare Definitionen und Unterschiede dar, um Verwechslungen zu vermeiden.

Fehler 3: Vernachlässigung der praktischen Anwendbarkeit

Problem: Eine rein theoretische Definition kann abstrakt und schwer nachvollziehbar sein.

Vermeidung: Nutzen Sie praxisnahe Beispiele und Anwendungsfälle.

Fehler 4: Übermäßige Vereinfachung

Problem: Zu starke Reduktion der Komplexität kann zu falschen oder unvollständigen Aussagen führen.

Vermeidung: Finden Sie eine Balance zwischen Verständlichkeit und Genauigkeit.

Fehler 5: Ignorieren aktueller Entwicklungen

Problem: Deep Learning ist ein dynamisches Feld; veraltete Definitionen verlieren an Relevanz.

Vermeidung: Aktualisieren Sie die Definition regelmäßig und berücksichtigen Sie neue Forschungsergebnisse.

Zusammenfassung der Strategie und Taktiken

Phase	Wichtige Punkte	Empfohlene Taktiken	Fehler, die vermieden werden sollten
Zielgruppenanalyse	Kenntnis der Leser und deren Bedürfnisse	Zielgruppengerechte Sprache wählen	Unklare Zielgruppenansprache
Strukturierung	Logische Gliederung in Grundlagen, Architektur, Funktion, Anwendungen	Klare Abschnitte und Überschriften	Unstrukturierte und verwirrende Texte
Sprachgebrauch	Präzise und verständlich formulieren	Metaphern, Beispiele, kurze Sätze	Zu komplexe oder zu einfache Sprache
Visualisierung	Unterstützung durch Tabellen und Listen	Vergleiche, Gegenüberstellungen	Fehlende Visualisierungen bei komplexen Themen
Validierung	Feedback und Revision	Peer-Review, Praxis-Test	Ungeprüfte und veraltete Inhalte

Tools und Automatisierung im Deep Learning

Zusammenfassung: Deep Learning profitiert maßgeblich von spezialisierten Tools und Automatisierungslösungen, die den Entwicklungsprozess beschleunigen und die Modellqualität verbessern. Automatisierte Plattformen wie AutoSEO übernehmen dabei repetitive Aufgaben, optimieren Hyperparameter und ermöglichen effizientere Trainingszyklen. Die Messung des Erfolgs erfolgt durch präzise Metriken, die sowohl die Modellgenauigkeit als auch die praktische Anwendbarkeit bewerten.

Wichtige Tools im Deep Learning

Die Entwicklung und Anwendung von Deep-Learning-Modellen erfordert eine Vielzahl von Software- und Hardwarewerkzeugen. Hier sind die wichtigsten Kategorien und Beispiele:

• Frameworks und Bibliotheken: TensorFlow, PyTorch, Keras, MXNet, Caffe – sie bieten flexible APIs für das Erstellen, Trainieren und Testen neuronaler Netze.
• Entwicklungsumgebungen: Jupyter Notebooks, Google Colab, VS Code mit entsprechenden Plugins – erleichtern interaktives Programmieren und Experimentieren.
• Hardwarebeschleuniger: GPUs von NVIDIA, TPUs von Google, spezialisierte AI-Chips wie die von Graphcore oder Cerebras – erlauben schnelle Verarbeitung großer Datenmengen.
• Datensätze und Datenmanagement: Tools wie TensorBoard, Weights & Biases, MLflow für Monitoring, Visualisierung und Versionskontrolle von Modellen und Daten.
• Automatisierungstools: AutoML-Plattformen (z. B. AutoKeras, Google AutoML), AutoSEO für automatisierte Hyperparameteroptimierung und Modellselektion.

Automatisierung durch AutoSEO und ähnliche Plattformen

AutoSEO ist ein Beispiel für eine automatisierte Lösung, die den Prozess der Optimierung von Deep-Learning-Modellen erheblich vereinfacht. Die Plattform übernimmt folgende Kernaufgaben:

• Automatische Hyperparameteroptimierung: AutoSEO testet automatisch verschiedene Kombinationen von Lernrate, Batch-Größe, Netzwerkarchitektur und anderen Parametern, um das beste Modell zu finden.
• Modellarchitektur-Suche: Die Plattform kann verschiedene Netzwerktopologien evaluieren, um die optimale Struktur für eine gegebene Aufgabe zu identifizieren.
• Datenvorverarbeitung und Augmentation: AutoSEO integriert Verfahren zur automatischen Bereinigung und Erweiterung von Trainingsdaten, was die Generalisierungsfähigkeit verbessert.
• Training und Evaluation: Automatisiertes Training mit Überwachung des Modells während des Prozesses sowie automatisierte Auswahl des besten Modells basierend auf Validierungsmetriken.

Durch die Automatisierung dieser Schritte reduziert AutoSEO die Entwicklungszeit und minimiert menschliche Fehler, was insbesondere in komplexen oder ressourcenintensiven Projekten von großem Vorteil ist.

Erfolgsmessung im Deep Learning

Zusammenfassung: Der Erfolg von Deep-Learning-Modellen wird anhand verschiedener quantitativer und qualitativer Metriken gemessen. Zu den wichtigsten zählen Genauigkeit, Verlustfunktionen, Precision, Recall, F1-Score sowie spezifische Domänenmetriken wie BLEU für Sprachmodelle oder IoU im Bereich der Bildsegmentierung.

Wichtige Metriken zur Bewertung von Deep-Learning-Modellen

Metrik	Beschreibung	Anwendungsbeispiel
Genauigkeit (Accuracy)	Prozentualer Anteil der korrekt klassifizierten Beispiele.	Klassifikation von Bildern in Kategorien.
Verlustfunktion (Loss)	Numerischer Wert, der die Differenz zwischen Vorhersage und tatsächlichem Wert angibt.	Kontinuierliche Anpassung während des Trainings.
Precision	Verhältnis der richtig positiven Vorhersagen zu allen positiven Vorhersagen.	Medizinische Diagnosen, bei denen falsch positive Ergebnisse teuer sind.
Recall (Sensitivität)	Verhältnis der richtig positiven Vorhersagen zu allen tatsächlichen positiven Fällen.	Erkennung von Krankheiten, bei denen kein Fall übersehen werden soll.
F1-Score	Harmonisches Mittel aus Precision und Recall, balanciert beide Metriken.	Generelle Klassifikationsaufgaben mit unausgeglichenen Klassen.
IoU (Intersection over Union)	Maß für die Überlappung zwischen vorhergesagtem und tatsächlichem Segment.	Bildsegmentierung in der Computer Vision.
BLEU-Score	Bewertung der Qualität maschineller Übersetzungen durch Vergleich mit Referenzübersetzungen.	Natural Language Processing und maschinelle Übersetzung.

Weitere Kriterien zur Erfolgsmessung

• Trainings- und Inferenzzeit: Effizienz der Modelle bei der Verarbeitung großer Datenmengen.
• Robustheit: Widerstandsfähigkeit gegen Rauschen, Verzerrungen oder adversariale Angriffe.
• Generalisation: Fähigkeit, auf unbekannten Daten gute Vorhersagen zu treffen.
• Interpretierbarkeit: Wie nachvollziehbar die Entscheidungen des Modells sind, besonders in kritischen Anwendungen.
• Ressourcenverbrauch: Speicherbedarf und Energieverbrauch, wichtig bei mobilen oder eingebetteten Systemen.

FAQ

Was unterscheidet Deep Learning von klassischem maschinellen Lernen?

Deep Learning verwendet mehrschichtige neuronale Netzwerke, die automatisch Merkmale aus Rohdaten extrahieren, während klassisches maschinelles Lernen oft auf manuell erstellte Merkmale angewiesen ist. Dadurch kann Deep Learning komplexere Muster erkennen und in Bereichen wie Bild- oder Spracherkennung bessere Ergebnisse erzielen.

Welche Rolle spielt die Datenmenge im Deep Learning?

Deep Learning benötigt in der Regel große Mengen an qualitativ hochwertigen Daten, um Modelle effektiv zu trainieren. Mehr Daten ermöglichen es den Netzwerken, vielfältige Muster zu lernen und Überanpassung zu vermeiden. Bei kleinen Datensätzen sind oft Datenaugmentation oder Transfer Learning notwendig.

Wie funktioniert die automatische Hyperparameteroptimierung?

Automatische Hyperparameteroptimierung probiert systematisch verschiedene Konfigurationen von Parametern wie Lernrate, Anzahl der Schichten oder Aktivierungsfunktionen aus. Dabei werden Methoden wie Grid Search, Random Search oder Bayesian Optimization eingesetzt, um die beste Kombination für das Modell zu finden.

Was ist Transfer Learning und warum ist es wichtig?

Transfer Learning bedeutet, ein vortrainiertes Modell als Ausgangspunkt für eine neue Aufgabe zu verwenden. Dies spart Rechenzeit und Daten, da das Modell bereits allgemeine Merkmale gelernt hat, die auf verwandte Aufgaben übertragen werden können.

Wie kann man Überanpassung (Overfitting) vermeiden?

Überanpassung tritt auf, wenn ein Modell zu genau auf die Trainingsdaten passt und schlecht auf neue Daten generalisiert. Vermeidungsmethoden umfassen Regularisierung, Dropout, frühzeitiges Stoppen, Datenaugmentation und die Verwendung größerer oder vielfältigerer Datensätze.

Welche Hardware ist für Deep Learning am besten geeignet?

Grafikkarten (GPUs) sind aufgrund ihrer parallelen Rechenarchitektur besonders gut für Deep Learning geeignet. Spezialisierte AI-Beschleuniger wie TPUs oder FPGAs können in bestimmten Szenarien noch effizienter sein. Die Wahl hängt von der Komplexität des Modells und den Ressourcen ab.

Wie wichtig ist die Interpretierbarkeit von Deep-Learning-Modellen?

Interpretierbarkeit ist in sicherheitskritischen oder regulierten Bereichen wie Medizin oder Finanzen essenziell, um Entscheidungen nachvollziehen und rechtfertigen zu können. Verschiedene Methoden wie LIME, SHAP oder Saliency Maps helfen, Einblicke in die Entscheidungsprozesse zu gewinnen.

Was sind die größten Herausforderungen bei der Anwendung von Deep Learning?

Zu den Herausforderungen gehören der hohe Bedarf an Daten und Rechenressourcen, die Komplexität der Modellarchitektur, das Risiko von Überanpassung, mangelnde Interpretierbarkeit sowie ethische und datenschutzrechtliche Fragen.

Wie kann man den Erfolg eines Deep-Learning-Projekts messen?

Der Erfolg wird durch geeignete Metriken wie Genauigkeit, F1-Score, Verlustfunktion oder domänenspezifische Kennzahlen bewertet. Zusätzlich sind Aspekte wie Effizienz, Robustheit und praktische Anwendbarkeit entscheidend für die ganzheitliche Bewertung.

Was ist der Unterschied zwischen Training und Inferenz?

Training bezeichnet den Prozess, bei dem das Modell aus Daten lernt und seine Parameter anpasst. Inferenz ist die Anwendung des trainierten Modells auf neue, unbekannte Daten, um Vorhersagen zu treffen oder Entscheidungen zu unterstützen.