Tiefes Lernen ist ein Zweig des maschinellen Lernens, bei dem statistische Repräsentationen der Eingabedaten erlernt werden, im Gegensatz zu aufgabenbezogenen Algorithmen. Tiefes Lernen kann überwacht, unüberwacht oder teilweise überwacht sein. Tiefes Lernen ist hinter vielen beeindruckenden Erfolgen des maschinellen Lernens der letzten Jahre verantwortlich; beispielsweise hat kürzlich eine Deep-Learning-Maschine den Weltmeister im Spiel Go geschlagen, eine hochsignifikante Leistung, die in den letzten 50 Jahren unerreichbar geblieben war. Die aktuelle Forschung liefert einen nützlichen Überblick über die Fähigkeiten und Anwendungen des Tiefen Lernens sowie Versuche, einige seiner allgemeinen Prinzipien zu erläutern.
Viele der Anwendungen im aktuellen Forschungsthema konzentrieren sich auf verschiedene Aspekte der Neurologie und Neurowissenschaften. Weitere Artikel behandeln die Grundlagen des tiefen Lernens als Ansatz. Menschliche und viele andere Arten können detaillierte, ausgefeilte Repräsentationen von räumlichen und zeitlichen Mustern in visuellen, auditiven und taktilen Daten lernen, mit begrenzter expliziter Anleitung. Überwachtes und unüberwachtes statistisches Lernen bei menschlichen Säuglingen ist ebenfalls gut etabliert. Es gibt jedoch keine etablierte Terminologie für diese biologischen Entsprechungen des künstlichen tiefen Lernens. Wir befürworten daher, dass ein solches Lernen von biologischen Systemen einfach als „biologisches tiefes Lernen“ bezeichnet wird.
Trotz beeindruckender Fortschritte bleiben viele Fragen zum tiefen Lernen noch unbeantwortet. Eine zentrale Frage in diesem Bereich ist, wie tiefes Lernen in Maschinen und in neuronalen Systemen funktioniert. Es ist auch unmöglich, die allgemeinen Bedingungen zu charakterisieren, unter denen tiefes Lernen erfolgreich ist oder scheitert, in biologischem oder maschinellem Lernkontext. Ein weiteres wichtiges Thema ist der Umfang und die Mechanismen der Interaktion zwischen den tiefen Lernsystemen und anderen Lernsystemen. Schließlich werden Anwendungen des tiefen Lernens immer bedeutsamer. Wir hoffen, dass zukünftige interdisziplinäre Zusammenarbeit dazu beitragen wird, diese Fragen zu klären.