Definition

Was ist ein Neuronales Netz?

| Autor / Redakteur: Tutanch / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Künstliche Neuronale Netze (KNN) sind inspiriert durch das menschliche Gehirn und lassen sich für maschinelles Lernen und die Künstliche Intelligenz einsetzen. Es lassen sich mit diesen Netzen verschiedene Problemstellungen computerbasiert lösen.

Das Künstliche Neuronale Netz (KNN) ist bis zu einem gewissen Grad dem Aufbau des biologischen Gehirns nachempfunden. Es besteht aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen. Das Neuronale Netz ist ein Forschungsgegenstand der Neuroinformatik und Teilgebiet der Künstlichen Intelligenz. Neuronale Netze müssen, bevor sie Problemstellungen lösen können, trainiert werden.

Aufbau eines Neuronalen Netzes

Stark vereinfacht kann der Aufbau und die Funktionsweise eines Neuronalen Netzes folgendermaßen beschrieben werden: Das abstrahierte Modell eines Neuronalen Netzes besteht aus Neuronen, auch Units oder Knoten genannt. Sie können Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben.

Grundsätzlich kann zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen unterschieden werden. Die Input-Neuronen nehmen Information in Form von Mustern oder Signalen von der Außenwelt auf. Die Hidden-Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden interne Informationsmuster ab. Output-Neuronen geben Informationen und Signale als Ergebnis an die Außenwelt weiter. Die verschiedenen Neuronen sind untereinander über die so genannten Kanten verbunden. Damit kann der Output eines Neurons zum Input des nächsten Neurons werden. Je nach Stärke und Bedeutung der Verbindung hat die Kante eine bestimmte Gewichtung. Je stärker die Gewichtung, desto größeren Einfluss kann ein Neuron über die Verbindung auf ein anderes Neuron ausüben.

Positive und negative Gewichtungen

Es existieren positive und negative Gewichtungen, die erregenden oder hemmenden Einfluss darstellen. Ist die Gewichtung Null, übt ein Neuron über die Verbindung keinen Einfluss auf das andere Neuron aus. Das Wissen und damit die Künstliche Intelligenz eines Neuronalen Netzes ist letztlich in den Verbindungen und deren Gewichtungen gespeichert. Die Anzahl der Neuronen und Neuronenschichten sowie der Verbindungsmöglichkeiten der Neuronen verschiedener Schichten bestimmt die Komplexität (die Tiefe) des Neuronalen Netzes und dessen Fähigkeit, Problemstellungen zu lösen.

Während des Trainings des Neuronalen Netzwerks, also dem Lernen, verändern sich die Gewichtungen der Verbindungen, abhängig von den angewandten Lernregeln und erzielten Ergebnissen. Die Anzahl von Neuronen in einem künstlichen Neuronalen Netz ist theoretisch unbegrenzt. Allerdings steigt mit der Anzahl der Neuronen sowie der vorhandenen Schichten und Verbindungen die benötigte Rechenleistung für das Trainieren und den Betrieb.

Typische Strukturen Neuronaler Netze

Neuronale Netze können eine Vielzahl verschiedener Strukturen besitzen, deren Beschreibung den Rahmen dieser Definition sprengen würde. Prinzipiell ist eine Unterscheidung in Feedforward-Netze und Rekurrente Netze möglich. In Feedforward-Netzen findet der Informationsfluss ausschließlich vorwärtsgerichtet von den Input-Neuronen über die Hidden-Neuronen zu den Output-Neuronen statt. In Rekurrenten Netzen existieren Verbindungen, bei denen Informationen bestimmte Neuronen-Verbindungen des Netzwerks rückwärts und anschließend erneut vorwärts durchlaufen können. Diese Netze werden auch als Feedback-Netze oder rückgekoppelte Neuronale Netze bezeichnet.

Typische Anwendungen für Neuronale Netzwerke

Neuronale Netze kommen in vielen Bereichen zum Einsatz. Sie sind prädestiniert für Anwendungen, bei denen nur geringes systematisches Lösungswissen vorliegt und eine große Menge von teils unpräzisen Eingabeinformationen zu einem konkreten Ergebnis verarbeitet werden müssen. Anwendungsbereiche sind beispielsweise die Spracherkennung oder die Bilderkennung. Neuronale Netze können zudem Simulationen und Prognosen für komplexe Systeme und Zusammenhänge erstellen wie in der Wettervorhersage, der medizinischen Diagnostik oder in Wirtschaftsprozessen. Typische Anwendungsgebiete der Künstlichen Intelligenz und Neuronaler Netze sind:

  • Bilderkennung
  • Spracherkennung
  • Mustererkennung
  • Sprachsynthese
  • Schrifterkennung
  • Steuerung komplexer Prozesse
  • Prognosen für komplexe Systeme
  • Frühwarnsysteme
  • Zeitreihenanalysen
  • maschinenbasiertes Übersetzen
  • Simulationen komplexer Systeme
  • biometrische Systeme
  • Wirtschaftsmodelle
  • und weitere

Training eines Neuronalen Netzwerks

Bevor ein Neuronales Netzwerk für die vorgesehen Problemstellung oder Aufgabe verwendbar ist, muss es zunächst trainiert werden. Anhand von vorgegebenem Lernmaterial und Lernregeln gewichtet das Neuronale Netz die Verbindungen der Neuronen, bis es eine bestimmte „Intelligenz“ entwickelt hat. Die Lernregeln geben vor, wie das Lernmaterial das Neuronale Netz verändert. Grundsätzlich kann zwischen dem überwachten Lernen und dem unüberwachten Lernen unterschieden werden. Beim überwachten Lernen wird ein konkretes Ergebnis für die unterschiedlichen Eingabemöglichkeiten vorgegeben. Anhand des ständigen Vergleichs zwischen Soll- und Ist-Ergebnis lernt das Netz die Neuronen passend zu verknüpfen.

Unbeaufsichtigte Lernen gibt kein Ergebnis vor. Der Lernvorgang basiert alleine auf den Informationen der vielen verschiedenen eingegebenen Muster. Das Neuronale Netz nimmt die Veränderungen nur anhand der Eingabemuster vor. Hierfür existieren verschiedene Lernregeln wie die adaptive Resonanztheorie oder die Hebbsche Lernregel.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

KI braucht neue Prozessoren

Gartner zu Chips für Künstliche Intelligenz

KI braucht neue Prozessoren

Anlässlich der Fachmesse Electronica gab Gartner einen Ausblick auf die durch Künstliche Intelligenz (KI) und Deep Learning ausgelösten Entwicklungen auf dem Hardwaremarkt. Fazit: Eine neue Gründungswelle kommt ins Rollen, denn der Standard-Prozessorchip hat auf diesem Gebiet ausgedient. lesen

Deep Learning mit Python und Keras

Rezension

Deep Learning mit Python und Keras

Deep Learning ist in aller Munde. Doch wie es wirklich funktioniert, das wissen nur wenige genau. Eine Einführung in das Thema versucht jetzt damit aufzuräumen und gleichzeitig erste Ansätze für eine praktische Umsetzung der Konzepte mit der Keras-Bibliothek zu liefern. lesen

KI ist nicht gleich KI – Qualitätsmerkmale, Definition und Learnings

Grundlagenwissen Artificial Intelligence im Marketing, Teil 2

KI ist nicht gleich KI – Qualitätsmerkmale, Definition und Learnings

Schach spielen, Aktien handeln und Auto fahren: Aufgaben, die wir so gut beherrschen, dass wir in der Lage sind, die zugrunde liegenden Prinzipien zu abstrahieren und sie künstlich intelligenten Maschinen beizubringen. Da die Fähigkeiten, die eine KI erlernt und anwendet, meist sehr spezifisch sind, lassen sie sich selten bzw. nur partiell auch auf andere Aufgaben übertragen. lesen

Mathworks erweitert Deep-Learning-Funktionen im neuen Release

Matlab und Simulink 2018b

Mathworks erweitert Deep-Learning-Funktionen im neuen Release

Mathworks hat das Release 2018b von Matlab und Simulink vorgestellt, das Deep Learning in den Fokus der Neuheiten stellt. So löst beispielsweise die Deep Learning Toolbox die vorherige Neural Network Toolbox ab, um Netzarchitekturen einfacher zu entwerfen. lesen

Wichtige Fragen zur KI klar beantwortet

Buchrezension „Künstliche Intelligenz. Eine Einführung.“

Wichtige Fragen zur KI klar beantwortet

Künstliche Intelligenz ist im Moment eines der intensiv diskutierten IT-Themen. Für viele grundlegende, nicht technische Fragen ist es schwierig, Antworten zu finden. Genau das versucht eine neue Einführung in die Technologie. lesen

Cisco stellt Server für KI- und ML-Workloads vor

Beschleunigtes Deep Learning

Cisco stellt Server für KI- und ML-Workloads vor

Mit dem neuen UCS-Server („Unified Computing System“) C480 ML M5 will Cisco Deep-Learning-Projekte auf Trab bringen. Das System wurde speziell für die Verarbeitung von KI- und Machine-Learning-Workloads (ML) entwickelt. lesen

Software AG stellt Nyoka vor

Quelloffene Bibliothek

Software AG stellt Nyoka vor

Mit Nyoka hat die Software AG eine Open-Source-Bibliothek für Künstliche Intelligenz (KI), Machine Learning (ML) und Predictive Analytics vorgestellt. Sie ist für den Einsatz durch Datenwissenschaftler konzipiert. lesen

KI im Mittelstand – auch kleinere Unternehmen profitieren von der Technologie

Künstliche Intelligenz

KI im Mittelstand – auch kleinere Unternehmen profitieren von der Technologie

Künstliche Intelligenz – die Technologie ist längst dem Sci-Fi-Genre entwachsen und revolutioniert mittlerweile die Prozesse sämtlicher Wirtschaftsbereiche. Auch in immer mehr privaten Haushalten erleichtert KI in Form von digitalen Sprachassistenten den Alltag. lesen

Das Cognitive Toolkit legt den Fokus auf Sprache

Spracherkennung mit neuronalen Netzen

Das Cognitive Toolkit legt den Fokus auf Sprache

Das Microsoft Cognitive Toolkit, vormals als Computational Network Toolkit (CNTK) bekannt, ist ein Deep Learning Framework für das Erstellen, Trainieren und Evaluieren von neuronalen Netzen. Im Vergleich zu Googles TensorFlow ist die Open-Source-Lösung von Microsoft eher auf Spracherkennung ausgelegt. Doch letztlich ähneln sich viele Algorithmen oder sind gar identisch. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45140541 / Definitionen)