Neuronale Netze
Du möchtest wissen, was neuronale Netze sind und wie sie funktionieren? Hier und im Video erfährst du alles, was du über künstliche neuronale Netzwerke wissen musst!
Inhaltsübersicht
Was ist ein neuronales Netz?
Künstliche Neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden. Sie sind deswegen ein beliebtes Tool im Bereich maschinellem Lernen und künstliche Intelligenz. Computerbasiert lassen sich damit diverse Problemstellungen der Informatik lösen, zum Beispiel Spracherkennung oder autonomes Fahren.
In einem neuronalen Netz ahmen künstliche Neuronen durch Algorithmen die Nervenzellen im Gehirn nach. Durch diese komplexen Verknüpfungen ist es so möglich, Aufgaben aus den Bereichen Statistik, Informatik und Wirtschaft zu lösen. Dabei lernt das neuronale Netzwerk ständig dazu und kann sich selbst verbessern.
Aufbau eines neuronalen Netzwerkes
Ein künstliches neuronales Netz besteht aus verschiedenen Knoten (Neuronen). Sie nehmen Informationen von anderen Neuronen oder von außen auf, modifizieren sie und geben anschließend ein Ergebnis an das nächste Neuron weiter. Dazu sind die Neuronen jeweils durch sogenannte Kanten verbunden.
Du kannst ein künstliches neuronales Netzwerk in 3 Schichten aufteilen: in die Eingabeschicht (Input Layer), die verborgene Schicht (Hidden Layer) und die Ausgabeschicht (Output Layer).
Schau dir die einzelnen Schichten eines künstlichen neuronalen Netzes einmal genauer an:
-
Eingabeschicht: Die Neuronen dieser Schicht nehmen die Informationen aus der Außenwelt auf. Dann geben sie die Informationen gewichtet an die verborgene Schicht weiter.
-
Verborgene Schicht: Im Gegensatz zu der Ein- und Ausgabeschicht kann die verborgene Schicht aus beliebig vielen Neuronen-Ebenen bestehen. Hier werden die empfangenen Informationen weitergereicht und in jeder Ebene der Schicht neu gewichtet. Da die genaue Gewichtung und Verarbeitung der Informationen jedoch nicht sichtbar ist, heißt die Schicht verborgen. Du kannst sie deshalb auch „Black Box“ nennen.
Gibt es hier besonders viele Ebenen, sprichst du auch von Deep Learning.
- Ausgabeschicht: Die Neuronen geben die verarbeiteten Informationen als Ergebnis aus. Ein Ergebnis kann beispielsweise eine Wahrscheinlichkeitsverteilung sein. Durch diese Verteilungen können anschließend Entscheidungen abgeleitet werden.
Funktionsweise neuronale Netze: Beispiel
Aber wie funktioniert so ein neuronales Netz? Schau dir dazu am besten direkt ein Beispiel an. Stell dir vor, du möchtest ein neuronales Netzwerk trainieren, Bilder von Äpfeln und Birnen zu unterscheiden.
Dazu musst du die Bilder dem neuronalen Netz erstmal zugänglich machen. Während wir Menschen in einem Bild direkt Farben (rot oder grün) und Formen (rund oder länglich) erkennen, kann ein Computer mit diesen Begriffen nichts anfangen. Stattdessen kann er aber die Farbwerte der Pixel im Bild genau bestimmen. Diese Farbwerte können der Input für die Eingabeschicht sein.
Von da aus werden die Informationen an die verborgene Schicht des neuronalen Netzes weitergeleitet. Hier werden die Informationen verarbeitet, gewichtet und gegebenenfalls an die nächste Ebene weitergereicht. Aber wie kannst du dir das konkret vorstellen?
Auf ein Neuron können mehrere Kanten zeigen. Dann werden die verschiedenen gewichteten Informationen zusammengerechnet. Eine Aktivierungsfunktion entscheidet dann mithilfe eines Schwellenwertes, ob und mit welchem Wert ein Neuron feuert (also Informationen weitergibt).
Schau dir das anhand dieser Grafik genauer an:
Du hast im Neuron 1 einen Wert von 1 und im Neuron 2 einen Wert von 0,6. Der erste Wert wird mit 0,4 gewichtet, der zweite mit -0,5.
Für den Wert für Neuron 3 bestimmst du zunächst die gewichtete Summe: 1 • 0,4 + 0,6 • -0,5 = 0,1.
Dieses Ergebnis gibst du in die Aktivierungsfunktion. Diese kann beispielsweise so aussehen:
![\[f(x) = \left\{\begin{array}{11} x, &x>0 \\ 0, &x\leq 0 \end{array}\right\]](https://d1g9li960vagp7.cloudfront.net/wp-content/ql-cache/quicklatex.com-896473c47bef9272281f681919e411c4_l3.png "Rendered by QuickLaTeX.com")
Dieser Ablauf geht so lange, bis in der Ausgabeschicht Werte vorliegen. Hier könnte das zum Beispiel so aussehen:
Wie du siehst, ist der Wert für die Birne (0,6) hier höher als der Wert für den Apfel (0,4). Das Bild von dem Apfel wurde also fälschlicherweise als Birne erkannt! Das ist am Anfang aber ganz normal, denn die Parameter für die Gewichtungen werden zunächst rein zufällig ausgewählt!
Training neuronaler Netze
Um ein künstliches neuronales Netzwerk zu trainieren und zu verbessern, werden die Parameter ständig optimiert.
Dazu werden die Gewichte ausgehend von der Ausgabeschicht durch eine komplexe Formel zielgerichtet angepasst. Anschließend versucht sich das neuronale Netz erneut an einem Bild. Das Spiel beginnt also von vorne. Die Parameter werden so lange optimiert, bis das künstliche neuronale Netz die Bilder immer richtig einordnet.
Übrigens: In unserem Beispiel muss das neuronale Netz Feedback darüber erhalten, ob es mit seiner Vermutung (Apfel oder Birne) richtig liegt. Deshalb braucht es schon davor einen Datensatz, bei dem die Bilder richtig klassifiziert sind. Das künstliche neuronale Netz kann sein Ergebnis dann mit diesem Datensatz abgleichen. Dieses Vorgehen nennst du auch überwachtes Lernen. Beim unüberwachten Lernen werden dagegen keine möglichen Ergebnisse vorgegeben.
Anwendungsgebiete neuronale Netze
Neuronale Netze kommen in vielen Bereichen zum Einsatz. Hauptsächlich eignen sie sich für Anwendungen, in denen man eine große Menge an unstrukturierten Daten verarbeiten und verknüpfen muss, um ein Ergebnis zu erhalten. Anwendungsgebiete für neuronale Netze sind:
- Bilderkennung
- Spracherkennung
- Erzeugen von Sprache
- autonomes Fahren
- Wettervorhersagen
- Frühwarnsysteme (Raumfahrt, Verteidigung, Erdbeben)
- Medizinische Systeme (Krankheitsanalyse)
- Betrugserkennung
- Vorhersage von Kundenverhalten
- Wirtschaftsmodelle
- Forecasting von Absatz- oder Umsatz
- Zeitreihenanalysen
- Biometrische Systeme
Und natürlich viele mehr.
Arten von neuronalen Netzen
Jetzt, wo du die Definition und Funktionsweise von künstlichen neuronalen Netzwerken kennst, kannst du die verschiedenen Arten von neuronalen Netzen anschauen. Sie unterscheiden sich hinsichtlich ihrer Architektur und Struktur. Schau dir im Folgenden das Perceptron, die Feed Forward Neural Networks, die Recurrent Neural Networks und die Convolutional Neural Networks genauer an.
Perceptron
Das Perceptron ist das älteste und einfachste neuronale Netz. Es besteht in seiner Grundversion nur aus einem einzelnen künstlichen Neuron.
In der Eingabeschicht werden verschiedene Informationen aufgenommen und gewichtet an das Neuron weitergeleitet. Hier wird die gewichtete Summe berechnet. Die Aktivierungsfunktion ist hier eine binäre Schwellenwertfunktion mit dem Schwellenwert 0. Wird der Schwellenwert überschritten, dann feuert das Neuron mit dem Wert 1. Ansonsten ruht es.
Feed Forward Neural Networks
Feed Forward Neural Networks zeichnen sich dadurch aus, dass es zwischen den Schichten keine zurück gerichteten Kanten gibt. Das bedeutet, eine Schicht ist lediglich mit der nächsthöheren Schicht verbunden. Die neuronalen Netzwerke aus den vorhergegangenen Abschnitten sind alle Beispiele hierfür.
Damit das Training hier funktioniert, muss jedes Neuron aus einer Schicht zu jedem Neuron in der nächsthöheren Schicht durch eine Kante verbunden sein. Außerdem muss mindestens eine verborgene Schicht zwischen der Eingangs- und Ausgangsschicht liegen.
Recurrent Neural Networks
Im Gegensatz zu den Feed Forward Neural Networks existieren bei rekurrenten neuronalen Netzen Verbindungen, bei denen Informationen das neuronale Netzwerk rückwärts und anschließend erneut vorwärts durchlaufen. So entstehen Rückkopplungsmechanismen und das künstliche neuronale Netz erhält quasi ein Gedächtnis. Diese Art von neuronalem Netzwerk wird insbesondere dann verwendet, wenn der Kontext wichtig ist.
Ein Beispiel dafür ist die Textverarbeitung. Um herauszufinden, ob es sich bei einer „Bank“ um die Sitzgelegenheit oder das Geldinstitut handelt, musst du dich an den Kontext erinnern können. (Ich sitze auf einer Bank vs. Der Dieb überfällt die Bank)
Convolutional Neural Networks
Convolutional Neural Networks sind künstliche neuronale Netze, die besonders gut Bilder verarbeiten und klassifizieren können.
Aufgrund ihrer Struktur kann auch der Name „Convolution“ erklärt werden, was in etwa „Faltung“ bedeutet. Die verborgene Schicht basiert hier auf einer Abfolge von Faltungsoperationen. Bei einer Faltung wird ein sogenannter Filter über das Bild geschoben und dabei eine Berechnung durchgeführt, die die Werte innerhalb des Filters zu einem Wert zusammenfasst. So wird das Bild innerhalb der Schichten immer kleiner und verschwommener. Nur die wichtigsten Informationen werden behalten.
Am Ende ergibt sich in der Ausgabeschicht ein Vektor. Dieser gibt für jede Klassifizierungsmöglichkeit (Bsp.: Apfel oder Birne) eine gewisse Wahrscheinlichkeit an.
Big Data
Mithilfe von künstlichen neuronalen Netzen können Data Scientists und Data Analysts komplexe Probleme lösen und Entscheidungen ableiten.
Dabei ist aber jedes neuronale Netz nur so gut, wie seine Trainingsdaten. Vor allem die Menge der Daten macht einen großen Unterschied! Denn je mehr Daten du hast, desto mehr Übungsmaterial gibt es für das neuronale Netz!
Eine große Menge an Daten nennst du auch „Big Data“. Du möchtest erfahren, warum „Big Data“ das Gold des 21. Jahrhunderts ist? Dann schau dir doch einfach unser Video dazu an!
