Funktionsweise
Funktionsschema neuronaler Netze
Funktionsweise
Künstliche neuronale Netze lernen—ähnlich unserem Gehirn—Probleme zu lösen. In künstlichen neuronalen Netzen entsprechen die Knoten (in der Darstellung unten Kreise) den Neuronen und die Kanten (Linien zwischen den Kreisen) den Synapsen unseres Gehirns.Untrainiertes Netz
Das noch nicht angelernte neuronale Netz ist ‚dumm‘, alle Knoten innerhalb des Netzes haben die gleiche Wertigkeit.Bekanntes Wissen
Um das neuronale Netz anlernen zu können werden Daten benötigt, zum Beispiel vier Kombinationen. Diese Kombinationen soll das Netz später erkennen können.
Lernphase
Die bekannten Eingaben bilden zusammen mit den bekannten Ergebnissen die Trainingsgrundlage.
Trainingsdurchläufe
Dem Netz werden nun die bekannten Daten gezeigt, das ungelernte Netz wird zufällig ein falsches oder richtiges Ergebnis anzeigen.
Feedback
Da bei den Testdaten bekannt ist, ob sie richtig oder falsch sind, kann das Ergebnis des Netzes bewertet werden. Hat das Netz ein falsches Ergebnis erzeugt, so werden die entsprechenden Knoten geschwächt. Ist das Ergebnis richtig, werden die Konten bestärkt.
Ende der Lernphase
Mit jedem Lernschritt verändert sich das neuronale Netz. Die Lernphase ist beendet, wenn die Ergebnisse stabil sind.
Anwendungsphase
Das neuronale Netz kann nun angewendet werden. In Gegensatz zur Lernphase ist bei der Nutzung nur eine geringe Rechenleistung notwendig.
Eigenständige Anwendungen
Die Anwendungsgebiete sind vielfältig.