K\u00fcnstliche neuronale Netze (KNN) sind ein spannender Teilbereich der k\u00fcnstlichen Intelligenz. Inspiriert durch das menschliche Gehirn, k\u00f6nnen manche Probleme durch KNN computerbasiert gel\u00f6st werden.<\/p>\n\n\n\n
K\u00fcnstliche neuronale Netze – was ist das \u00fcberhaupt?
Im Aufbau \u00e4hnelt ein KNN dem menschlichen Gehirn. Sinn und Zweck ist es, einen Computer mit den Merkmalen k\u00fcnstlicher Intelligenz auszustatten.
> Bei KNN geht es vor allem um die Abstraktion und Modellbildung von Informationsverarbeitung.
> Um das tats\u00e4chliche Nachbilden von biologischen neuronalen Netzen und Neuronen k\u00fcmmern sich die Computational Neurosciences.
> Bevor KNN Problemstellungen erfassen und korrekt bearbeiten k\u00f6nnen, m\u00fcssen sie trainiert werden.<\/p>\n\n\n\n
Aufbau und Struktur von k\u00fcnstlichen neuronalen Netzen
Ein KNN ist i.d.R. ein Modell aus zwei Schichten, n\u00e4mlich einer Eingabe- und einer Ausgabeschicht. Dazwischen liegen weitere Schichten (Hidden Layers). Die Anzahl der ben\u00f6tigten Schichten ist von der Komplexit\u00e4t der Problemstellung abh\u00e4ngig. Jede Schicht ist von unz\u00e4hligen Neuronen belegt.
> Ein KNN besteht aus Neuronen. Diese werden auch Units oder Knots genannt. Sie nehmen Informationen von au\u00dfen auf und leiten sie an andere Neuronen weiter.
> Es wird unterschieden in: Input-Neuronen, Output-Neuronen und Hidden-Neuronen. Jedes Neuron hat ein unterschiedliches Gewicht, welches dar\u00fcber entscheidet, welche Eingabe weitergeleitet wird.
> Anschlie\u00dfend berechnen eine Aktivierungsfunktion und ein Schwellenwert den Ausgabewert vom Neuron. Abh\u00e4ngig von der Bewertung und Gewichtung der Information erfolgt die Verkn\u00fcpfung und Aktivierung von weiteren Neuronen.
> In der Folge wird ein Algorithmus modelliert. Dieser wird stetig angepasst und liefert mit der Zeit immer pr\u00e4zisere Ergebnisse.
> Bei der Struktur von KNN kann unterschieden werden in Feedforward-Netze und Rekurrente Netze.<\/p>\n\n\n\n
Anwendungsfelder von k\u00fcnstlichen neuronalen Netzen
KNN sind besonders geeignet f\u00fcr Anwendungen, in denen gro\u00dfe Mengen an unpr\u00e4zisen Eingabeinformationen zu einem bestimmten Ergebnis verarbeitet werden sollen.
> Klassische Anwendungsfelder sind die Erkennung von Bildern, Sprache, Mustern und Schrift.
> Au\u00dferdem eignen sich KNN f\u00fcr die Steuerung komplexer Prozesse, Fr\u00fchwarnsysteme oder Prognosen f\u00fcr komplexe Systeme.
> Beispiele w\u00e4ren zudem Wirtschaftsmodelle, maschinenbasiertes \u00dcbersetzen, Zeitreihenanalysen und biometrische Systeme.<\/p>\n\n\n\n