Beruflich Dokumente
Kultur Dokumente
Machine Learning
-
1. A Short History
3. Perzeptron (Single-Layer-Netzwerke)
4. Multilayer-Netzwerke
6. Zusammenfassung
Rumelhart McClelland
(Quelle: http://www.idsia.ch/NNcourse/brain.html)
(http://www.medem.com/MEDEM/images/ama/
ama_brain_stroke_lev20_thebraineffectsstroke_01.gif)
(Quelle: http://www.idsia.ch/NNcourse/brain.html)
(http://www.medem.com/MEDEM/images/ama/
ama_brain_stroke_lev20_thebraineffectsstroke_01.gif)
• Weiterleitung dieses
Potentials an andere Zellen
über Synapsen.
• Zellkern-Axon-Synapsen-
Dendriten der anderen Zellen.
• Informationsweitergabe an 102
bis 104 Zellen.
• Weiterleitung dieses
Potentials an andere Zellen
über Synapsen.
• Zellkern-Axon-Synapsen-
Dendriten der anderen Zellen.
• Informationsweitergabe an 102
bis 104 Zellen.
• Unterschiedliche Aufgaben
(z. B. vierte Schicht
zuständig für
Sinneswahrnehmungen)
• Phase 1: Ruhepotential
• Phase 2: von außen, d. h.
entweder von anderen Zellen
oder von einem Rezeptor
(z. B. Augen) kommt ein
elektrischer Impuls. Der
Schwellenwert wird überstie-
gen, die Zelle “feuert” von -90
mV auf einen positiven Wert
innerhalb eines Bruchteils
einer Millisekunde
Quelle: Köhler, 1990, nach Schmidt & Tewes, 1987 • Phase 3: Repolarisierung
• Phase 4: Ruhepotential
• Synapsen exitatorisch
(erregend) oder inhibitorisch
(hemmend).
• Die Übertragung eines
Potentials durch Synapsen
sind entweder chemisch oder
elektrisch.
• Jeder Link hat ein numerisches Gewicht. Sie stellen das ‘Gedächtnis’ in einem
neuronalen Netz dar. Sie werden während des Lernvorgangs verändert.
• Einige Neuronen sind mit der • Die Idee ist: jedes Neuron
Außenwelt verbunden und heißen berechnet sein eigenes
Input- oder Outputneuronen. Aktivierungslevel (abhängig von
Gewichten und Eingaben der
• Jedes Neuron hat einen Satz von Nachbarn). Dabei gibt es keine
Eingabelinks von anderen ‘globale’ Kontrolle über die
Neuronen, ein Aktivierungslevel Neuronen.
und einen Satz von Ausgabe-
Links zu anderen Neuronen. • Aufbau eines Netzwerkes:
• Wie viele Neuronen braucht
man?
• Welche Art von Neuronen
braucht man?
• Wie sollen die Neuronen
miteinander vernetzt sein?
Neuronale Netze Machine Learning
Notation
• Typisches Neuron
• lineare Komponente Inputfunktion
• nicht lineare Komponente Aktivierungsfunktion
• elementarer Verarbeitungsschritt ist die Aktivierungsfunktion g, ein Beispiel:
ai g (ini ) g w j ,i a j
j
Neuronale Netze Machine Learning
Aktivierungsfunktion
• Neuronen mit einer Step-Funktion sind wie logische Gatter, wenn die
Eingabewerte und die Schwellenwerte in einer bestimmten Art gesetzt
sind.
• Eigenschaften
• Einschicht Feed-
forward-Netzwerk
• Jedes Output-
Neuron ist
unabhängig,
deshalb kann ein
Perzeptron einzeln
betrachtet werden.
• Gewichtsveränderung:
• Wj = Wj + Ij Error, ist die Lernrate
Neuronale Netze Machine Learning
Typisches Neuron
• Typisches Neuron
• lineare Komponente Inputfunktion
• nicht lineare Komponente Aktivierungsfunktion
• elementarer Verarbeitungsschritt ist die Aktivierungsfunktion g, ein Beispiel:
ai g (ini ) g w j ,i a j
j
Neuronale Netze Machine Learning
Perzeptrons und Entscheidungsbäume