V05 - Künstliche Neuronale Netze

○ Neuronen (U), verarbeiten einen Eingabewert und liefern einen Ausgabewert ○ Gewichte (W), auf der Verbindung zwischen Neuronen angeben ○ Aktivierungsfunktion (A)

○ 1 zunächst befindet sich ein Netz in einer Ruhephase oder einem eingefrorenen Zustand ○ 2 Aktivierungsphase: es werden durch die externe Aktivierungsfunktion externe Aktivierungen der Eingabeneuronen ermittelt ○ 3 Arbeitsphase: Aktivierungen werden durch das Netz propagiert. Die Arbeitsphase ist spätestens dann abgeschlossen, wenn das Netz erneut in eine Ruhephase übergegangen ist, sich also die Aktivierungen nicht mehr ändern ○ 4 die Aktivierungspotentiale der Ausgabeneuronen werden nun als Ausgabe des Netzes interpretiert und je nach Einsatz bzw. Anwendung des Netzes genutzt

Von links nach rechts: Input, Gewichte, Gesamtinput, Aktivierung, Output

○ Der Gesamtinput ergibt sich als gewichtete Summe der Inputwerte ○ Die Aktivierung des Neurons geschieht über die Aktivierungsfunktion, deren Wert von der Differenz aus Gesamtinput und Schwellwert abhängt (Ein Neuron wird nur aktiviert, wenn der Schwellwert überschritten wird) ○ Je nach Aktivierung (Grad der Aktivierung) wird ein Outputwert generiert

○ Werte werden in die Inputschicht eingegeben ○ Forward-Pass: der Input wird anhand von Gewichten und Aktivierungen durch das Netz geleitet, bis ein Wert in der Outputschicht erzeugt wurde, der die berechnete Klasse angibt ○ Fehlerbestimmung: Outputwert wird mit tatsächlicher Klassenzugehörigkeit verglichen ○ Bachward-Pass: Bei einer Abweichung von Soll- und Ist-Wert (bezüglich der Klasse) werden ausgehend von den Outputneuronen die zugehörigen Verbindungsgewichte sowie die vorherigen Verbindungsgewichte der Neuronen derart geändert, dass die Abweichung (der Fehler) minimiert wird.

○ Können sehr gute Ergebnisse bei der Klassifikation und Prognose erzeugen ○ Die offene Struktur macht das Modell sehr flexibel

○ Es werden keine expliziten Regeln angegeben ○ Das Adaptieren der Gewichte geschieht mitunter sehr langsam ○ Netzstruktur und Gewichtsinitialisierung sind nicht vorgegeben

○ Durch die Funktion soll ein Punkt gefunden werden, an dem ein Schnitt zwischen zwei oder mehr Datenmengen gesetzt werden kann ○ So sollen die Daten in verschiedene Klassen aufgeteilt werden

○ Gewichte anpassen ○ Mehr versteckte Neuronen verwenden ○ Mehr Output-Neuronen verwenden ○ Andere Aktivierungsfunktion verwenden ○ Rauschen hinzufügen