Was ist ein neuronales Netzwerk?
Ein von biologischen neuronalen Systemen inspiriertes Rechenmodell mit miteinander verbundenen Knoten in Schichten, die Muster lernen, indem sie während des Trainings Gewichte anpassen.
Summary
- Besteht aus einer Eingabeschicht (empfängt Daten), verborgenen Schichten (extrahieren Merkmale durch gewichtete Verbindungen) und einer Ausgabeschicht (erzeugt Vorhersagen). Aktivierungsfunktionen führen zu Nichtlinearitäten.
- Lernt durch Backpropagation und Gradientenabstieg, indem die Gewichte iterativ angepasst werden, um den Fehler zwischen vorhergesagten und tatsächlichen Ausgaben über die Trainingsbeispiele hinweg zu minimieren.
- Zu den Typen gehören Feedforward-Netzwerke für die Klassifizierung, Convolutional Neural Networks (CNNs) für Bilder, Recurrent Neural Networks (RNNs) für Sequenzen und Transformer für Aufgaben des Sprachverstehens.
Was ist ein neuronales Netz?
Ein neuronales Netz ist ein Rechenmodell, dessen Schichtenstruktur der vernetzten Struktur von Neuronen im Gehirn ähnelt. Es besteht aus miteinander verbundenen Verarbeitungselementen – den so genannten Neuronen –, die gemeinsam eine Ausgabefunktion erzeugen. Neuronale Netze bestehen aus Eingabe- und Ausgabeschichten oder -dimensionen, und in den meisten Fällen verfügen sie auch über eine verborgene Schicht, die aus Einheiten besteht, mit denen die Eingabe so umgewandelt wird, dass sie von der Ausgabeschicht verwendet werden kann.
Architekturen neuronaler Netze:
Neuronale Netze, die auch als künstliche neuronale Netze bezeichnet werden, verwenden verschiedene Deep-Learning-Algorithmen. Nachstehend sind einige der verbreitetsten Arten neuronaler Netze aufgeführt:
Neuronales Feed-Forward-Netz:
Dies ist die einfachste und gebräuchlichste Architekturform. Hierbei werden die Informationen nur in eine Richtung – von der Eingabe zur Ausgabe – übertragen. Es umfasst eine Eingabeschicht, eine Ausgabeschicht und dazwischen mehrere verborgene Schichten. Wenn es mehrere verborgene Schichten gibt, spricht man von einem tiefen neuronalen Netz.
Gartner®: Databricks als Leader für Cloud-Datenbanken
Rekurrentes neuronales Netz (RNN)
Hierbei handelt es sich um einen komplexeren Netztyp. Derartige künstliche neuronale Netze werden häufig für die Spracherkennung und zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) verwendet. RNNs führen für jedes Element einer Sequenz dieselbe Aufgabe aus, wobei die Ausgabe von den vorherigen Berechnungen abhängt.
Convolutional Neural Network (ConvNets oder CNNs)
Ein CNN hat mehrere Schichten, durch die Daten zu Kategorien gefiltert werden. CNNs haben sich in Bereichen wie Bilderkennung, Text- und Sprachverarbeitung und Klassifizierung als sehr effektiv erwiesen. Convolutional Neural Networks bestehen aus einer Eingabeschicht, einer Ausgabeschicht und einer verborgenen Schicht, die mehrere Faltungsschichten, Pooling-Schichten, vollständig verbundene Schichten und Normalisierungsschichten enthält.
Es gibt mindestens ein Dutzend weiterer Arten neuronaler Netze, z. B. symmetrisch verbundene Netze: Boltzmann-Maschinen, Hopfield-Netze und viele andere. Die Wahl des passenden Netzes hängt von den Daten, mit denen Sie es trainieren wollen, sowie von der konkreten Anwendung ab, die Sie im Sinn haben.