Künstliches Neuronales Netzwerk (NNs)

Künstliche neuronale Netze (KNN) werden auch als neuronale Netzwerke (NNs) oder quasi-neuronale Netzwerke bezeichnet. Im Bereich des maschinellen Lernens und der Kognitionswissenschaft handelt es sich dabei um ein mathematisches Modell bzw. Computermodell, das die Struktur und Funktion biologischer neuronaler Netzwerke (des zentralen Nervensystems von Tieren, insbesondere des Gehirns) nachahmt.Neuronale Netze sind durch eine große Zahl künstlicher Neuronen rechnerisch miteinander verbunden. Dabei werden miteinander verbundene Knoten oder Neuronen in einer hierarchischen Struktur verwendet, die dem menschlichen Gehirn ähnelt. Es können adaptive Systeme erstellt werden, mit denen Computer aus ihren Fehlern lernen und sich kontinuierlich verbessern. Dadurch können künstliche neuronale Netze versuchen, komplexe Probleme zu lösen, etwa Dokumente genauer zusammenzufassen oder Gesichter zu erkennen.

Bedeutung neuronaler Netze

Neuronale Netzwerke können Computern dabei helfen, mit begrenzter menschlicher Unterstützung intelligente Entscheidungen zu treffen. Weil sie nichtlineare und komplexe Beziehungen zwischen Eingabe- und Ausgabedaten erlernen und modellieren können.

Neuronale Netzwerke können unstrukturierte Daten verstehen und allgemeine Beobachtungen ohne explizites Training machen. Sie können beispielsweise allgemein erkennen, dass „Baxter Road“ ein Ortsname ist, „Baxter Smith“ jedoch ein Personenname. Es ist auch möglich, zwei unterschiedliche Eingabesätze mit ähnlicher Bedeutung zu erkennen:

• Können Sie mir sagen, wie ich bezahlen soll?
• Wie überweise ich Geld?

Das neuronale Netzwerk wird wissen, dass diese beiden Sätze dasselbe bedeuten.

Arten neuronaler Netze

Die Typen neuronaler Netzwerke können danach klassifiziert werden, wie die Daten von den Eingabeknoten zu den Ausgabeknoten fließen. Hier sind einige Beispiele:

Feedforward-Neuronales Netzwerk

Feedforward-Neuronale Netzwerke verarbeiten Daten unidirektional von Eingabeknoten zu Ausgabeknoten, wobei jeder Knoten in einer Schicht mit jedem Knoten in der nächsten Schicht verbunden ist. Feedforward-Netzwerke verwenden einen Feedback-Prozess, um Vorhersagen im Laufe der Zeit zu verbessern.

Backpropagation-Algorithmus

Künstliche neuronale Netzwerke lernen mithilfe einer korrigierenden Rückkopplungsschleife kontinuierlich, um ihre prädiktive Analyse zu verbessern. Vereinfacht ausgedrückt kann man sich vorstellen, dass Daten in einem neuronalen Netzwerk über viele verschiedene Pfade von Eingabeknoten zu Ausgabeknoten fließen. Es gibt jedoch nur einen Pfad, der einen Eingabeknoten dem richtigen Ausgabeknoten zuordnen kann. Um diesen Pfad zu finden, verwendet das neuronale Netzwerk eine Rückkopplungsschleife, die folgendermaßen funktioniert:

1. Jeder Knoten gibt eine Vermutung über den nächsten Knoten im Pfad ab.
2. Es wird geprüft, ob die Vermutung richtig ist. Der Knoten weist Pfaden, die zu mehr richtigen Vermutungen führen, höhere Gewichtswerte zu und Knotenpfaden, die zu falschen Vermutungen führen, niedrigere Gewichtswerte.
3. Für den nächsten Datenpunkt macht der Knoten eine neue Vorhersage unter Verwendung des höher gewichteten Pfads und wiederholt Schritt 1.

Faltungsneuronale Netze

Die verborgenen Schichten in einem Convolutional Neural Network führen bestimmte mathematische Funktionen (wie Zusammenfassung oder Filterung) aus, die als Faltungen bezeichnet werden. Sie sind für die Bildklassifizierung sehr nützlich, da sie relevante Merkmale aus Bildern extrahieren können, die für die Bilderkennung und -klassifizierung nützlich sind. Dieses neue Formular lässt sich leichter verarbeiten, ohne dass Funktionen verloren gehen, die für gute Vorhersagen entscheidend sind. Jede verborgene Ebene extrahiert und verarbeitet unterschiedliche Bildmerkmale wie Kanten, Farben und Tiefe.

Verweise

【1】https://1lh.cc/vuR3oZ

【2】https://aws.amazon.com/cn/what-is/neural-network/?nc1=h_ls