Deep Learning ist ein Teilgebiet des maschinellen Lernens und basiert auf künstlichen neuronalen Netzen, die grob nach dem Vorbild des menschlichen Gehirns aufgebaut sind. Diese Netze bestehen aus vielen Schichten, die Informationen Schritt für Schritt verarbeiten. Deep Learning bildet heute die Grundlage vieler moderner KI-Anwendungen – zum Beispiel Bilderkennung, Sprachassistenten, generative KI oder selbstfahrende Autos. Im Gegensatz zu klassischen Lernverfahren, bei denen Regeln oder mathematische Modelle klar vorgegeben werden, lernen Deep-Learning-Modelle selbstständig aus großen Datenmengen. Die künstlichen „Neuronen“ in den verschiedenen Schichten sind miteinander verbunden. Während des Trainings passt das System die Stärke dieser Verbindungen an, damit die Ergebnisse immer genauer werden. Je mehr Schichten ein Netzwerk hat, desto komplexere Muster kann es erkennen. Ein anschauliches Beispiel ist die Bilderkennung: Wenn ein Deep-Learning-Modell lernen soll, Katzen auf Fotos zu erkennen, analysieren die ersten Schichten einfache Merkmale wie Kanten oder Farben. Spätere Schichten erkennen daraus Formen, etwa Augen oder Ohren. Ganz oben im Netzwerk wird schließlich entschieden, ob auf dem Bild eine Katze zu sehen ist oder nicht. Deep Learning ist besonders leistungsfähig, weil diese mehrschichtige Struktur sehr flexibel ist. Während einfachere Modelle nur relativ einfache Zusammenhänge abbilden können, sind tiefe neuronale Netze in der Lage, auch sehr komplexe Muster in Daten zu lernen und nachzubilden.