{"id":4190,"date":"2018-10-15T08:00:47","date_gmt":"2018-10-15T06:00:47","guid":{"rendered":"http:\/\/www.doppelklicker.de\/blog\/?p=4190"},"modified":"2018-12-01T13:40:38","modified_gmt":"2018-12-01T11:40:38","slug":"neuronale-netze","status":"publish","type":"post","link":"https:\/\/www.doppelklicker.de\/blog\/neuronale-netze\/","title":{"rendered":"Neuronale Netze: Grundlagen, Anwendungen und Beispiele"},"content":{"rendered":"

Neuronale Netze<\/strong> geh\u00f6ren zu den Begriffen, mit denen sich nur wenig anfangen l\u00e4sst, wenn man sich nicht in dem Bereich bewegt – die man aber alle Nase lang h\u00f6rt. Da neuronale Netze inzwischen auch k\u00fcnstlich geschaffen werden, bekommen sie einen immer gr\u00f6\u00dferen Stellenwert und werden im Rahmen der k\u00fcnstlichen Intelligenz h\u00e4ufig aufgegriffen.
\n<\/p>\n

Neuronale Netze: Was ist darunter zu verstehen?<\/h2>\n

Ein neuronales Netz ist normalerweise ein Begriff aus den Neurowissenschaften. Teilweise werden die Netze auch als neural bezeichnet. Der Begriff beschreibt die Verbindung von Neuronen<\/strong>. Diese Neuronen bilden, dank ihrer Verbindung, in einem Nervensystem einen bestimmten Zusammenhang. Dieser Zusammenhang soll als Grundlage einer bestimmten Funktion aktiv werden. Die Neuronen sind Nervenzellen, die das Nervensystem bei Tieren und Menschen bilden. Gemeinsam mit den Gliazellen<\/strong> sorgen sie daf\u00fcr, dass der Organismus funktioniert. Die Verkn\u00fcpfung der Neuronen erfolgt durch die Unterst\u00fctzung von Synapsen. Die Synapsen selbst bilden die Knoten der neuronalen Netze. Neuronale Netze bringen besondere Eigenschaften mit. Es hei\u00dft, sie sind in der Lage zu lernen.<\/p>\n

Die Begrifflichkeit des Lernens im Zusammenhang mit den neuronalen Netzen wurde durch eine Theorie von Donald O. Hebb<\/strong> bereits im Jahr 1949 beschrieben. So wurden hier typische Eigenschaften erw\u00e4hnt, die nicht nur f\u00fcr die neuronalen Netze im menschlichen oder tierischen Organismus z\u00e4hlen. Sie sind auch auf k\u00fcnstliche neuronale Netze anwendbar. So wird ihnen die Eigenschaft zugeschrieben, in der Lage zu sein, komplexe Muster zu erlernen. Diese Eigenschaft sorgt f\u00fcr das Wissen, dass neuronale Netze einer gewissen Intelligenz folgen und es nicht notwendig ist, Regeln zu entwickeln, damit sie in der Lage sind, zu lernen.<\/p>\n

Die Erarbeitung von logischem Verhalten bei neuronalen Netzen<\/h2>\n

Pr\u00e4zise Regeln<\/strong> oder auch ein logisches Verhalten<\/strong> k\u00f6nnen durch neuronale Netze ebenfalls erlernt werden. Allerdings hat sich gezeigt, dass es hier notwendig sein kann, ein langes Training einzusetzen. Grund daf\u00fcr ist, dass das Lernen der Netze implizit erfolgt. Ein gutes Beispiel ist hierf\u00fcr die Sprachentwicklung eines Kindes. In den ersten Jahren wird das Kind die Grammatik seiner Muttersprache implizit erlernen<\/strong>. Durch das Zusammenleben mit Menschen, die Grammatik richtig einsetzen, wird diese von dem Kind \u00fcbernommen. Kommt das Kind dann in die Schule, beginnt es mit dem expliziten Erlernen<\/strong>. Das hei\u00dft, ihm werden die Regeln der Grammatik nun vermittelt. Dies kann auch auf neuronale Netze umgelegt werden. W\u00e4hrend das implizite Lernen direkt und ohne gro\u00dfen Aufwand erfolgt, bringt das explizite Lernen einen hohen Zeitaufwand mit sich.<\/p>\n

In Technik und Wissenschaft werden k\u00fcnstliche neuronale Netze eingesetzt und trainiert. Dabei muss das richtige Trainieren ebenfalls greifen. Nur so sind die Voraussetzungen daf\u00fcr gegeben, dass auch ein Lernerfolg eintreten kann. In diesem Zusammenhang ist aber auch zu sagen, dass es nicht m\u00f6glich ist, eine Vorhersage dar\u00fcber zu treffen, wie Muster durch ein solches Netz m\u00f6glicherweise interpretiert werden. Dies geht nur dann, wenn das neuronale Netz mit speziellen Lernerfahrungen auch zum Einsatz kommt.<\/p>\n

Was bedeutet die Kostenfunktion?<\/h2>\n

Um neuronale Netze zu verstehen ist es wichtig nachvollziehen zu k\u00f6nnen, wie diese arbeiten. So wird davon ausgegangen, dass das Lernen durch einen Vergleich von Prognosen und Istdaten erfolgt. Damit ein Modellfehler, der so festgestellt werden kann, auch quantifiziert wird, erfolgt die Berechnung von einer Kostenfunktion<\/strong>. Diese verf\u00fcgt \u00fcber zwei Funktionsargumente. Das erste Argument ist dabei der Output des Modells und das zweite Argument beschreibt die Daten, die wirklich beobachtet wurden. Besonders h\u00e4ufig tritt in neuronalen Netzen der mittlere quadratische Fehler<\/strong> als Kostenfunktion auf. Dieser wird auch als MSE bezeichnet und beschreibt durch seine H\u00f6he die Anpassung der Modelle an die Daten, die bereits vorliegen. Ist der MSE hoch, ist die Anpassung schlecht. Allerdings sollte bedacht werden, dass die Kostenfunktion von allen Parametern abh\u00e4ngig ist, die neuronale Netze aufweisen. Bei einer geringen Ver\u00e4nderung der Gewichtung erfolgt ein Einfluss auf die Neuronen und damit auf die Kostenfunktion.<\/p>\n

K\u00fcnstliche neuronale Netze: Der Aufbau<\/h2>\n

K\u00fcnstliche neuronale Netze setzen sich aus drei verschiedenen Arten von Schichten zusammen:<\/p>\n

    \n
  1. Die erste Neuronenschicht<\/strong>\n

    Diese Schicht soll dabei helfen, die rohen Informationen erst einmal an das Netz weiterzuleiten. Es ist m\u00f6glich, dass die Informationen bereits einer leichten Vorverarbeitung unterzogen wurden. Die Eingabe-Neuronen<\/strong>, die hier zum Einsatz kommen, sind vergleichbar mit der Haut des Menschen.<\/li>\n

  2. Verdeckte Schichten<\/strong>\n

    Die n\u00e4chste Schicht sind die verdeckten Schichten<\/strong>. Wie viele von ihnen vorhanden sind, h\u00e4ngt davon ab, wie komplex eine Aufgabe ist. Es kann sich hierbei um nur eine oder auch um zahlreiche Schichten handeln. Die verdeckten Schichten sind besonders lernf\u00e4hig. Sie erhalten die Roh-Informationen und lesen aus diesen Strukturen und Muster heraus. Aus diesen Mustern entstehen dann komplexe Merkmale, mit denen sich die Aufgaben, die neuronale Netze erhalten, l\u00f6sen lassen.<\/li>\n

  3. Ausgabeschicht<\/strong>\n

    Die letzte Schicht bildet die Ausgabeschicht<\/strong>. Die Neuronen dieser Schicht sind in der Lage, die Ergebnisse zu pr\u00e4sentieren.<\/ul>\n

    Die Neuronen in einem Gehirn beeinflussen sich gegenseitig unterschiedlich stark. K\u00fcnstliche neuronale Netze sollen diese Unterschiede nachstellen. Das hei\u00dft, in den Netzen haben die Verbindungen der Neuronen ein unterschiedliches Gewicht. Mit steigendem Gewicht steigt auch der Einfluss auf das andere Neuron an.<\/li>\n<\/ol>\n

    K\u00fcnstliche neuronale Netze: Wo kommen sie zum Einsatz?<\/h2>\n
    \"Eines<\/a>

    Eines der Haupteinsatzgebiete f\u00fcr neuronale Netze ist die Gesichtserkennung. (#1)<\/p><\/div>\n

    K\u00fcnstliche Intelligenz kommt heute in vielen Bereichen zum Einsatz. K\u00fcnstliche neuronale Netze<\/strong>, kurz auch KNN<\/strong> genannt, haben daher ganz unterschiedliche Anwendungsgebiete. Die Eigenschaften der Netze sorgen daf\u00fcr, dass sie beispielsweise dort zum Einsatz kommen, wo es nur ein geringes Wissen \u00fcber das Problem gibt, das vorliegt. Ein gutes Beispiel hierf\u00fcr sind Erkennungsprogramme. Die Gesichtserkennung oder auch die Texterkennung greift auf die KNN zur\u00fcck. Eine sehr gro\u00dfe Verbreitung in Bezug auf den Einsatz der KNN gibt es bei Systemen die eingesetzt werden, um eine Vorhersage zu treffen. In der heutigen Zeit gibt es ganz unterschiedliche Bereiche, in denen eine Vorhersage notwendig ist. Einige Beispiele sind dabei die Fr\u00fcherkennung von Tsunamis oder Tornados sowie Einsch\u00e4tzungen dar\u00fcber, wie sich wirtschaftliche Prozesse m\u00f6glicherweise weiter entwickeln.<\/p>\n

    Oft ist den Menschen gar nicht bewusst, dass sie gerade von einem KNN profitieren. So gibt es beispielsweise Netze, die im Bereich der Musterkennung t\u00e4glich zum Einsatz kommen. Ein Beispiel in diesem Bereich stellt die Spracherkennung<\/strong> dar. Aber auch Fr\u00fchwarnsysteme<\/strong> verf\u00fcgen \u00fcber die Techniken. Zeitreihenanalysen<\/strong> sind ein gro\u00dfes Thema, wenn es um k\u00fcnstliche neuronale Netze geht. Analysen von Aktien oder Wetterdaten<\/strong> sind ein sehr interessanter Aspekt. Bei der Biometrie oder auch bei der Robotik sind die Systeme ebenfalls zu finden.<\/p>\n

    Auch wenn die Einsatzgebiete heute bereits sehr vielseitig gehalten sind, so gibt es noch immer Bereiche, in denen die KNN nicht genutzt werden k\u00f6nnen. Dazu geh\u00f6ren beispielsweise die Entschl\u00fcsslung von Texten, die mit einer Verschl\u00fcsselung gesch\u00fctzt sind sowie die Vorhersagen von Zufalls-Zahlen.<\/p>\n

    Welche Probleme ergeben sich beim Einsatz von k\u00fcnstlichen neuronalen Netzen?<\/h2>\n

    Auch wenn die Leistungen, die k\u00fcnstliche neuronale Netze erbringen k\u00f6nnen, durchaus beeindruckend sind, weisen sie auch einige Nachteile auf:<\/p>\n

      \n
    • Training<\/strong>\n

      Das Training<\/strong> ist ein durchaus sehr komplexes Verfahren, bei dem es zu Problemen in der Optimierung kommen kann. Gerade die Unterschiede zwischen einem lokalen und einem globalen Optimum sind hier ein Problem. Es ist also ein komplexes System, das einen hohen zeitlichen Aufwand mit sich bringen kann.<\/li>\n

    • Gewichte<\/strong>\n

      Die genannten Gewichte<\/strong> zwischen den Neuronen haben einen Einfluss auf die Ergebnisse.<\/li>\n

    • Trainingsdaten<\/strong>\n

      Die Sammlung von Trainingsdaten<\/strong> ist elementar. Diese werden gesammelt. Eine weitere Variante ist es, die Daten selbst zu erzeugen. Hierbei handelt es sich um einen Vorgang, der sich schwierig gestaltet. Grund daf\u00fcr ist, dass das neuronale Netz m\u00f6glicherweise Muster erlernen kann, die f\u00fcr die Entscheidungen in den jeweiligen Situationen nicht ausschlaggebend sind.<\/li>\n<\/ul>\n

      Verschiedene neuronale Netze im \u00dcberblick<\/h2>\n

      Es ist m\u00f6glich, neuronale Netze zu klassifizieren. Dabei werden meist die Lernregeln herangezogen, um eine Unterscheidung zu erreichen. Die klare Zuordnung in Bezug auf Lernregeln und Netztypen kann jedoch nicht immer erreicht werden, da die Lernregeln teilweise typ\u00fcbergreifend eingesetzt werden. F\u00fcr die Einteilung werden daher noch weitere Aspekte herangezogen, wie:<\/p>\n

        \n
      • Das Vorhandensein von Hidden-Units<\/strong>.<\/li>\n
      • Supervised<\/strong> oder unsupervised Trainingsphasen<\/strong>.<\/li>\n
      • Der Anwendungszweck<\/strong>, f\u00fcr den das Netz eingesetzt wird.<\/li>\n<\/ul>\n

        Unterschieden wird dabei zwischen den folgenden Netztypen:<\/p>\n

          \n
        1. Kohonennetze<\/strong>\n

          Die Kohonennetze<\/strong> sind eine Erweiterung zu den kompetitiven Netzen<\/strong>. Der Output wird f\u00fcr die Netze nicht festgelegt. Sie sind ohne einen externen Lehrer aktiv. Dadurch k\u00f6nnen sie in einer selbstorganisierenden Art und Weise den Lernvorgang durchf\u00fchren und erstellen Karten von einem Inputraum. Der Vorteil dieser Netze ist vor allem in der Plausibilit\u00e4t auf biologischer Grundlage zu finden. Im menschlichen Gehirn sind die Kohonennetze beim Sehsinn<\/strong> zu finden.<\/li>\n

        2. Kompetitive Netze<\/strong>\n

          Kompetitive Netze haben eine Output<\/strong>. Und eine Inputschicht. Sie verf\u00fcgen nicht \u00fcber Hidden-Units und arbeiten bei ihrer Trainingsphase in drei Schritten. Beginnend mit Erregung folgen der Wettbewerb sowie die Adjustierung der vorhandenen Gewichte. Eingesetzt werden sie dort, wo Redundanzen gefiltert werden sollen. Zudem werden sie gerne als ein vorgeschaltetes Netz genutzt, das im Zusammenspiel mit anderen Netzen zum Einsatz kommt. Ebenfalls zu finden sind sie in der Musterklassifikation<\/strong>.<\/li>\n

        3. Rekurrente Netze<\/strong>\n

          Bei Rekurrenten Netzen<\/strong> erfolgen zwischen den Schichten R\u00fcckkopplungen<\/strong>. Abh\u00e4ngig vom Netz existieren dabei direkte oder indirekte R\u00fcckkopplungen sowie seitliche R\u00fcckkopplungen. Auch vollst\u00e4ndige Verbindungen sind zu finden. In diesem Fall bestehen die Verbindungen zwischen allen Neuronen, die neuronale Netze aufweisen. Angewendet werden neuronale Netze dieser Art im Bereichen, wo Prognosen f\u00fcr die Zukunft getroffen werden sollen oder wo die Simulation in Bezug auf menschliches Verhalten erfolgt, wie bei der Sprachsteuerung.<\/li>\n

        4. Pattern Associator<\/strong>\n

          Dieser Typ von neuronalen Netzen erkennt Muster<\/strong> dann, wenn er sie gelernt hat. Im Rahmen der klassischen Konditionierung werden Verbindungen zwischen unterschiedlichen Reizpaaren erkannt und gebildet. Zu den sehr guten Eigenschaften dieser Netze geh\u00f6ren die F\u00e4higkeiten im Rahmen der Generalisierung sowie eine gewisse Toleranz in Bezug auf m\u00f6gliche interne Sch\u00e4den. So ist es m\u00f6glich, dass die Netze, auch wenn interne Sch\u00e4den vorliegen, weiterhin den passenden Output herleiten. Dies gilt auch dann, wenn externe Sch\u00e4den auf das Netz wirken. Soll es beispielsweise f\u00fcr die Gesichtserkennung<\/strong> eingesetzt werden und ist ein Teil vom Gesicht verdeckt<\/strong>, arbeitet es dennoch zuverl\u00e4ssig.<\/li>\n<\/ol>\n

          \n

          Bildnachweis: © shutterstock – Titelbild ktsdesign, #1 Andrey_Popov<\/p>\n","protected":false},"excerpt":{"rendered":"

          Neuronale Netze geh\u00f6ren zu den Begriffen, mit denen sich nur wenig anfangen l\u00e4sst, wenn man sich nicht in dem Bereich bewegt – die man aber alle Nase lang h\u00f6rt. Da neuronale Netze inzwischen auch k\u00fcnstlich geschaffen werden, bekommen sie einen immer gr\u00f6\u00dferen Stellenwert und werden im Rahmen der k\u00fcnstlichen Intelligenz h\u00e4ufig aufgegriffen.<\/p>\n","protected":false},"author":6,"featured_media":4199,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[585],"tags":[],"yoast_head":"\n\n\n\n\n\n\n\n\n\n\n\n\n\t\n\t\n\t\n\n\n\t\n\t\n\t\n