Was sind neuronale netze

Künstliche Neuronale Netze (KNN) sind inspiriert aufgrund das menschliche gehirn und ermöglichen sich weil das maschinelles lernen und die Künstliche intelligenz einsetzen. Es lassen wir mit dies Netzen unterschiedlich Problemstellungen computerbasiert lösen.

Du schaust: Was sind neuronale netze

Firma damit Thema


*
MIP Ges. Zum EDV-Beratung und Management-Training mbH
*

ns Künstliche Neuronale stricken (KNN) zu sein bis kommen sie einem gewissen Grad zum Aufbau ns biologischen Gehirns nachempfunden. Es besteht ende einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und bond sich Anwendungsprobleme das ende verschiedenen Bereichen wie der Statistik, das Technik oder ns Wirtschaftswissenschaften computerbasiert lösen lassen. Das Neuronale steg ist ein Forschungsgegenstand ns Neuroinformatik und Teilgebiet ns Künstlichen Intelligenz. Neuronale Netze müssen, bevor sie Problemstellungen lösen können, ich wurde trainiert werden.

Aufbau eines Neuronalen Netzes

Stark vereinfacht can der Aufbau und ns Funktionsweise eines Neuronalen Netzes folgendermaßen beschrieben werden: ns abstrahierte Modell eines Neuronalen Netzes besteht aus Neuronen, auch Units oder knoten genannt. Sie können Informationen von außen oder von anderen Neuronen aufheben und modifiziert an andere Neuronen weiterleiten oder zusammen Endergebnis ausgeben.

Grundsätzlich can zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen unterschieden werden. Ns Input-Neuronen wegbringen Information in Form von Mustern hagen Signalen über der Außenwelt auf. Das Hidden-Neuronen es gibt sich zwischen den Input- und das Output-Neuronen und form interne Informationsmuster ab. Output-Neuronen geben Informationen und Signale wie Ergebnis bei die Außenwelt weiter. Die verschiedenen Neuronen untereinander by die dafür genannten Kanten verbunden. Damit can der Output einer Neurons zum Input ns nächsten Neurons werden. Je nach stärke und Bedeutung der verbinden hat das Kante eine sicher Gewichtung. Je stärker die Gewichtung, desto größeren Einfluss kann ein Neuron by die verbindung auf ein anderes Neuron ausüben.


Positive und negativ Gewichtungen

Es existieren positive und negativ Gewichtungen, das erregenden hagen hemmenden wirkung darstellen. Ist die Gewichtung Null, übt ns Neuron by die verbinden keinen Einfluss oben das sonstiges Neuron aus. Das Wissen und zu die künstlich Intelligenz eines Neuronalen Netzes ist letztlich bei den verbindungen und deren Gewichtungen gespeichert. Die anzahl der Neuronen und Neuronenschichten sowie ns Verbindungsmöglichkeiten das Neuronen verschiedener Schichten bestimmt die Komplexität (die Tiefe) ns Neuronalen Netzes und wer Fähigkeit, Problemstellungen zu lösen.

Während von Trainings ns Neuronalen Netzwerks, so dem Lernen, verändern sich die Gewichtungen der Verbindungen, wicker von ns angewandten Lernregeln und erzielten Ergebnissen. Die zahlen von Neuronen bei einem künstlichen Neuronalen Netz zu sein theoretisch unbegrenzt. Allerdings steigt mit der anzahl der Neuronen sowie ns vorhandenen Schichten und Verbindungen die benötigte Rechenleistung zum das Übung und den Betrieb.

Mehr sehen: Wieviel Deutsche Leben Im Ausland, Aufenthaltsrecht Für Deutsche Im Ausland


Typische Strukturen Neuronaler Netze

Neuronale Netze können eine Vielzahl verschiedener Strukturen besitzen, deren Beschreibung ns Rahmen dieser definieren sprengen würde. Prinzipiell ist einer Unterscheidung in Feedforward-Netze und Rekurrente Netze möglich. An Feedforward-Netzen findet das Informationsfluss ausschließlich vorwärtsgerichtet über den Input-Neuronen von die Hidden-Neuronen kommen sie den Output-Neuronen statt. In Rekurrenten Netzen existieren Verbindungen, bei denen Informationen sicher Neuronen-Verbindungen ns Netzwerks hinter und anschließend erneut vorwärts durchlaufen können. Diese Netze werden auch zusammen Feedback-Netze hagen rückgekoppelte Neuronale Netze bezeichnet.

Typische anwendung für Neuronale Netzwerke

Neuronale Netze kommen an vielen regionen zum Einsatz. Sie sind prädestiniert für Anwendungen, in denen anzeigen geringes systematisches Lösungswissen existiert und eine große Menge über teils unpräzisen Eingabeinformationen kommen sie einem beton Ergebnis handhaben werden müssen. Anwendungsbereiche sind beispielsweise die Spracherkennung oder das Bilderkennung. Neuronale Netze können zudem Simulationen und Prognosen zum komplexe Systeme und Zusammenhänge erstellen als in der Wettervorhersage, der medizinischen Diagnostik oder bei Wirtschaftsprozessen. Typische Anwendungsgebiete ns Künstlichen intelligenz und Neuronaler Netze sind:

BilderkennungSpracherkennungMustererkennungSprachsyntheseSchrifterkennungSteuerung komplexer ProzessePrognosen für komplexe SystemeFrühwarnsystemeZeitreihenanalysenmaschinenbasiertes ÜbersetzenSimulationen komplexer Systemebiometrische SystemeWirtschaftsmodelleund mehr

Training einer Neuronalen Netzwerks

Bevor einen Neuronales Netzwerk weil das die vorgesehen Problemstellung oder mission verwendbar ist, muss das zunächst ich wurde trainiert werden. Basierend von vorgegebenem Lernmaterial und Lernregeln gewichtet ns Neuronale Netz die Verbindungen das Neuronen, bis zu es eine sicher „Intelligenz“ ich habe es geöffnet hat. Die Lernregeln geben sie vor, wie das Lernmaterial das Neuronale stricken verändert. Grundsätzlich kann zwischen zum überwachten lernen und zum unüberwachten lernen unterschieden werden. Beim überwachten lernstandserhebung wird einer konkretes ergebnis für das unterschiedlichen Eingabemöglichkeiten vorgegeben. Anhand des ständigen Vergleichs zwischen Soll- und Ist-Ergebnis lernt das Netz das Neuronen passend zu verknüpfen.

Mehr sehen: East Craft Beer Berlin Mitte, Locals' Favorite Beer Gardens In Berlin

Unbeaufsichtigte lernen gibt kein Ergebnis vor. Der Lernvorgang basierend alleine an den Informationen ns vielen unterschiedlich eingegebenen Muster. Ns Neuronale netz nimmt ns Veränderungen nur basierend der Eingabemuster vor. Hierfür existieren verschiedene Lernregeln wie die adaptive Resonanztheorie oder ns Hebbsche Lernregel.