Suchen

Deep Learning

Wie funktionieren künstliche neuronale Netze? Anwendungen und Beispiele

| Autor/ Redakteur: Viviane Krauss / B.A. Sebastian Hofmann

Damit die Arbeit mit Deep Learning ein Erfolg wird, braucht es künstliche neuronale Netze – eine Nachbildung des menschlichen Gehirns.

Firmen zum Thema

Ein Neuron kann man sich vorstellen wie eine kleine Datenverarbeitungseinheit. Die Verknüpfungen der Neuronen untereinander macht neuronale Netze so leistungsfähig.
Ein Neuron kann man sich vorstellen wie eine kleine Datenverarbeitungseinheit. Die Verknüpfungen der Neuronen untereinander macht neuronale Netze so leistungsfähig.
(Bild: ©peterschreiber.media - stock.adobe.com)

Definition: künstliche neuronale Netze (KNN)

Ein KNN ist ein Netzwerk aus Neuronen, die miteinander verknüpft sind. Die Neuronen kann man sich als kleine Datenverarbeitungseinheiten vorstellen. Das neuronale Netz ist dem menschlichen Gehirn nachempfunden. Die Aufgabe eines KNN ist es, in Datensätzen wiederkehrende Muster zu erkennen und die Daten zu ordnen. Dadurch kann das Netzwerk Modelle erstellen und logische Zusammenfassungen, sogenannte Cluster, bilden. Vor allem beim Deep Learning sind künstliche neuronale Netze wichtig.

Aufbau und Ablauf im künstlichen neuronalen Netz

Die Neuronen in einem künstlichen neuronalen Netz sind schichtweise angeordnet und miteinander verbunden. Durch die Kanäle, die die Neuronen verbinden, werden Informationen geleitet. Damit das Neuron auf die Daten reagieren kann, müssen eine Gewichtung und ein Schwellenwert eingestellt sein.

Die Gewichtung wird in den Verbindungen festgelegt und bestimmt, wie hoch der Einfluss der Daten auf das Neuron ist. Der Schwellenwert legt fest, ab welcher Gewichtung das Neuron aktiviert wird. Das alles passiert in der ersten Schicht: der Eingabeschicht.

Die Informationen, die durch die Kanäle das Neuron aktivieren, werden in die nächste Schicht abgegeben: in die Aktivierungsschicht. Je mehr Aktivierungsschichten es gibt, desto genauer kann das künstliche neuronale Netz Informationen filtern und ordnen. Das Netz geht in diesem Fall sehr tief, weshalb auch vom Deep Learning gesprochen wird. Wenn alles Unwichtige herausgefiltert wurde, wird die wichtige Information ausgegeben. Das geschieht in der Ausgabeschicht.

Zusammengefasst wird in einem künstlichen neuronalen Netz also eingestellt, wie die zugeführten Daten das Neuronennetz beeinflussen. Feste Grenzwerte bestimmen, welche Informationen weitergeleitet und ob einzelne Neuronen aktiviert werden.

Anwendung: vielseitige Einsatzbereiche des künstlichen neuronalen Netzwerkes

Inzwischen werden KNN in unterschiedlichen Bereichen zur Informationsverarbeitung eingesetzt. In der Industrie sind einige der zahlreichen Anwendungsgebiete Qualitätskontrolle, Sortierung und Robotersteuerung. Auch für Sprach- und Bilderkennung ist ein neuronales Netz essenziell. Nur durch ein künstliches neuronales Netz kann die Google-Suche beispielsweise 75 Mio. Katzenbilder ausspielen, wenn das Wort „Katze“ gesucht wird. Im Bereich der Künstlichen Intelligenz sorgt ein künstliches neuronales Netz für eine Vorstrukturierung und Gruppierung der Information.

Weitere Quellen zum Thema künstliche neuronale Netze

Tiefergehende Informationen und Näheres zu den unterschiedlichen Anwendungsbereichen gibt der Lehrstuhl für Numerische und Angewandte Mathematik der Brandenburgischen Technischen Universität Cottbus. Auch die Computerwoche beschäftigt sich mit den Eigenschaften der neuronalen Netze.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46032302)