Neuronale Netze
In diesem Kapitel werden die Grundlagen neuronaler Netze und des tiefen Lernens behandelt. Das Ziel ist es, eine klare und einfache Einführung in diese Themen zu bieten, damit ein Verständnis für die Themen entwickelt wird und dieses in eigenen Projekten angewendet werden können. Neuronale Netze sind eine Art von Algorithmen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie bestehen aus künstlichen Neuronen, die Informationen verarbeiten. Das grundlegende Konzept ist, Daten durch diese Neuronen fließen zu lassen, um komplexe Aufgaben wie Mustererkennung, Klassifikation und Vorhersage zu lösen. In Abbildung 20 wird ein einzelnes Neuron mit seinen verschiedenen Bestandteilen visualisiert.
Jedes Neuron erhält Eingaben (x0 bis xn), multipliziert sie mit den dazugehörigen Gewichten (w0 bis wn), addiert den Bias (b), durchläuft eine Aktivierungsfunktion und gibt die Ausgabe (a) an die nächsten Neuronen weiter. Während des Trainings werden die Gewichte so angepasst, um Muster in den Daten zu lernen. Durch Feedforward und Backpropagation werden Vorhersagen verbessert und Fehler minimiert. Aktivierungsfunktionen bringen Nichtlinearität ins Netz, um komplexe Beziehungen zu erfassen. Insgesamt arbeiten neuronale Netze durch das Zusammenspiel von Neuronen, Gewichten und Aktivierungsfunktionen, um Muster zu lernen und präzise Vorhersagen zu treffen. Ein Notebook mit Beispielen zur Implementierung und Anwendung neuronaler Netze ist auf Colab und GitHub zu finden.
Mehr erfahren: AWS/Was ist ein neuronales Netzwerk?, IBM/What is a neural network?, YT-3Blue1Brown/But what is a neural network?
Last updated