Künstliche Neuronale Netze | Defintionen, Arten und Methoden

Показать описание

Was sind neuronale Netze?

Künstliche neuronale Netze sind ein Spezialbereich des maschinellen Lernens, man nennt ihn auch “Deep Learning”. Dabei ist Deep Learning eigentlich eher eine Art von neuronalen Netzen und keine eigene Methode. Dann versteht ihr alles, was ich hier über das neuronal Netz erzähle, auch besser. Wie der Name schon vermuten lässt, beruht ein künstliches neuronales Netz auf dem biologischen Konzept von Neuronen. Sie sind also dem menschlichen Gehirn nachempfunden und werden für maschinelles Lernen und künstliche Intelligenz eingesetzt. Computerbasiert lassen sich damit viele viele Problemstellungen lösen, die für uns Menschen fast unmöglich wären. Neuronen in unseren Gehirnen sammeln ja Signale aus umliegenden Zellen und bearbeiten und bewerten sie. Also entscheiden sie, was sie mit dieser Information machen und wie der Körper darauf reagieren soll.

Videoinhalt:
0:00 Intro
0:24 Neuronale Netze
1:12 Aufbau Neuronale Netze
2:55 Beispiel Neuronale Netze

Viel Spaß beim Anschauen!

Neuronale Netzwerke Aufbau

Beim künstlichen neuronalen Netz gibt es genauso wie in unserem Körper, eine Art Input, Zwischenput, oder auch Hidden Layer genannt, und Output. Der Input ist das gewünschte, zu lernende Konzept. Die Hidden Layer sind sozusagen der praktische Zwischenschritt zwischen In- und Output. Sie ermöglichen den “Lern-Teil”, wo Daten gelernt, sich Konzepte selbst angeeignet und weiter verarbeitet werden. Der Output ist das Resultat oder gewünschte Ergebnis, was beim neuronalen Netz ja aber auch immer wieder überarbeitet wird. Der Ausgang des Outputs überprüft aber auch, ob das neuronale Netz bereits ausreichend trainiert ist und entwickelt sich so stetig weiter. Als Beispiel sehen wir ein Bild eines Hundes, das ist der Input. Die Signale werden gesendet, die Zwischenebene versucht dieses Bild einzuordnen und zu entscheiden, wie das Netz darauf reagiert, um den Output zu generieren. Die neuronalen Netze können wir auch als hybride Systeme verstehen, die neben den Lernverfahren auch mit festen Regeln ausgestattet sind. Sozusagen die Instinkte des Systems: Denn auch Lebewesen lernen ja nicht nur über Neuronen, sondern haben auch angeborene Instinkte, die sich nicht, oder nur sehr schwer brechen lassen. Warum sind aber die künstlichen neuronalen Netze jetzt so interessant? Die Besonderheit im Vergleich zu anderen Algorithmen, besonders auch zum Machine Learning ist, dass die künstlichen neuronalen Netze abstrakte Zwischenkonzepte lernen können. So kann zum Beispiel bei der Eingabe “Gesicht” nicht nur entschieden werden ob es ein Gesicht ist oder nicht, sondern das Netz lernt zum Beispiel auch noch, dass zwei runde Objekte auf der Hälfte des Inputs positioniert sein müssen, um als Gesicht qualifiziert zu werden, was wir als Augen verstehen. So kann ein sensorischer Input, wie beispielsweise das Bild von einem Hund oder Gesicht, in andere Signale umgewandelt werden, die dann eine bestimmte Reaktion auslösen.

Neuronale Netze Beispiel

Ein anderes Beispiel für neuronale Netze ist aber auch die maschinelle Erkennung der Handschrift. Für uns Menschen passiert das ja ganz automatisch - unser Gehirn entziffert zumindest fast jede Handschrift und kann sie lesen, ohne es jedes Mal neu lernen zu müssen. Und das obwohl jede Schrift ganz individuell aussieht und nicht universell ist. Beim Computer sieht das aber deutlich schwieriger aus. Es müssen Algorithmen der künstlichen Intelligenz geschaffen werden, die diese Aufgabe lösen und das ist komplizierter, als man zunächst denken mag. Das Problem dabei ist unter anderem, dass Zahlen und Buchstaben aus unterschiedlichen Formen, wie Kreisen oder Strichen aufgebaut sind, die je nach Anordnung immer wieder einen komplett anderen Sinn ergeben. Neuronale Netze können dieses Problem aber lösen und zwar indem sie eine Vielzahl an Trainingsdaten nutzen, um die Varianz an möglichen Handschriften abzudecken. Also lernt ein künstliches neuronales Netz keine fixen Regeln, sondern eher die „Idee“ der Schrift. Deswegen kann dann auch neuer und unbekannter Input oder auch andere Schriften wie Computerschriftarten durch das Modell eingeordnet werden. Generell kann man sich bei künstlichen neuronalen Netzen folgenden Spruch merken: “Trainieren statt programmieren”! Dem Computer werden also Millionen von Daten zum Lernen gegeben.

Du bist neugierig geworden? Dann studiere jetzt AI an der IU:

Folge uns auf Social Media! 