Neuronale Netze & Deep Learning
Neuronale Netze: Aufbau und Topologien
Lernziele dieser Lektion
- Das biologische Vorbild neuronaler Netze kennen
- Den Aufbau eines künstlichen neuronalen Netzes verstehen
- Die Funktion eines Perzeptrons erklären können
- Die drei Topologien neuronaler Netze unterscheiden können
Biologisches Vorbild: Neuronen im Gehirn
Neuronen (Nervenzellen) sind die Bausteine unseres Gehirns. Sie verarbeiten und übermitteln Informationen nach einem einfachen Prinzip:
- Neuronen erhalten Signale über kleine Äste namens Dendriten
- Diese Signale können anregend oder hemmend sein
- Wenn genügend anregende Signale empfangen werden, feuert das Neuron ein Signal
- Dieses Signal wird über das Axon an andere Neuronen weitergeleitet
Künstliche neuronale Netze sind diesem biologischen Prinzip nachempfunden.
Was sind künstliche neuronale Netze?
Künstliche neuronale Netze (Artificial Neural Networks, ANN) sind Rechenmodelle, deren Aufbau grob von der Funktionsweise des menschlichen Gehirns inspiriert ist. Sie bestehen aus einer Vielzahl miteinander verbundener künstlicher Nervenzellen (Neuronen), die Informationen verarbeiten und weiterleiten.
Die drei Schichten eines neuronalen Netzes
- Input Layer (Eingabeschicht): Empfängt die Eingabedaten (z.B. Pixelwerte eines Bildes)
- Hidden Layer (Verborgene Schicht): Verarbeitet die Informationen – hier findet die eigentliche «Rechenarbeit» statt
- Output Layer (Ausgabeschicht): Liefert das Ergebnis (z.B. «Hund» oder «Katze»)
Gewichte und Schwellenwerte
An den Verbindungen zwischen den Neuronen befinden sich Gewichte. Diese bestimmen, wie stark das Signal eines Neurons das nächste beeinflusst. Beim Training des Netzes werden diese Gewichte so angepasst, dass das Netz die gewünschten Ergebnisse liefert.
Das Perzeptron: Das einfachste künstliche Neuron
Ein Perzeptron ist das einfachste Modell eines künstlichen Neurons. Es orientiert sich am biologischen Vorbild und besteht aus zwei Hauptkomponenten:
- Übertragungsfunktion: Summiert die gewichteten Eingaben. Für jeden Input wird der Wert mit dem zugehörigen Gewicht multipliziert und alles aufsummiert: Σ = (Input&sub1; × Gewicht&sub1;) + (Input&sub2; × Gewicht&sub2;) + ...
- Aktivierungsfunktion: Entscheidet anhand eines Schwellenwerts, ob das Neuron «feuert» (aktiviert wird) oder nicht. Vereinfacht: Wenn die Summe über dem Schwellenwert liegt → Output = 1, sonst Output = 0
Dies ist nur ein kurzer Auszug. Die vollständige Lektion mit interaktiven Übungen und Lernfortschritts-Tracking gibt es nach Einlösung eines Einschreibeschlüssels.