Sie sind auf Seite 1von 5

Lea Iwert Fritz-Greve-Gymnasium Malchin 12b

Inhaltsverzeichnis

Einleitung..............................................................................................................................................1
Aufbau & Funktionsweise...................................................................................................................1
Aufgaben des Netzwerkes.................................................................................................................2
Vorteile und Nachteile der Netzwerkstruktur für die Aufgaben des Netzwerkes.........................3
Vorteile..........................................................................................................................................3
Nachteile.......................................................................................................................................3
Schluss..................................................................................................................................................4
Quellen..................................................................................................................................................4

0
Lea Iwert Fritz-Greve-Gymnasium Malchin 12b

Einleitung
Neuronale Netze sind Verbindungen in unserem Gehirn. Heutzutage existieren auch
künstliche neuronale Netze (KNN), jene ahmen dem menschlichen Gehirn in der
Funktionsweise nach. Dazu lässt sich noch hinzufügen, dass hierbei Neuronen künstlich
verbunden sind. Durch diese lassen sich einige Probleme der Statistik, Informatik und der
Wirtschaft lösen.
Der Aufbau erfolgt ganz leicht. Es gibt drei Schichten, diese sind die Eingabeschicht, die
verborgene Schicht und die Ausgabeschicht. Die künstlichen neuronalen Netze haben
heutzutage in vielen Sparten wichtige Rollen, wie z. B. beim autonomen Fahren,
Frühwarnsystemen oder medizinischen Analysen. Ebenso gibt es verschiedene Arten von
künstlichen neuronalen Netzen, und zwar Perceptron, Feed
Forward Neural Networks, Convolutional Neural Networks und Recurrent Neural Networks.
Ebenfalls ist dies ein sehr aktives Forschungsgebiet und bietet eine Grundlage für die
künstliche Intelligenz. Es lassen sich verschieden Datenquellen, wie z. B. Bilder, Geräusche
oder Texte interpretieren. Diese kann man dann für neue, unerforschte Daten zur Benutzung
ziehen. Dadurch kann man datengetrieben Voraussagen der Zukunft anfertigen. Die
Komplexität ist dabei jedoch ganz unterschiedlich. Somit sind sie tiefe Netzstrukturen,
welche Deep Learning betreiben.

Aufbau & Funktionsweise

Das Modell eines künstlichen neuronalen Netzwerks besteht aus mehreren Knoten, die
sogenannten Neuronen. Jene nehmen Informationen von anderen Neuronen oder von
außerhalb auf. Von diesen werden sie dann verarbeitet und als Ergebnis ausgegeben. Dafür
1
Lea Iwert Fritz-Greve-Gymnasium Malchin 12b

existieren drei verschiedene Schichten mit einer bestimmten Art Neuronen, die für jeweils
eine Schicht zuständig sind. Es gibt die Eingabeschicht mit Neuronen für den Input. Für die
Ausgabeschicht sind die Output-Neuronen zuständig und in der verborgenen Schicht die
sogenannten Hidden-Neuronen.
Die Input-Neuronen nehmen die Informationen auf, die Output-Neuronen geben die
Informationen, die von den Hidden-Neuronen verarbeitet werden, aus. Die Verbindung dieser
Neuronen, über die, die Informationen weitergegeben werden, erfolgt über sogenannte
Kanten. Dabei gilt: desto stärker die Verbindung ist, desto größer ist die Einflussnahme auf
das jeweils andere Neuron.
Die Eingabeschicht (auch Eingangsschicht) versorgt das neuronale Netz mit den
notwendigen Informationen. Danach werden diese Informationen von den Input-Neuronen
verarbeitet und gewichtet. Anschließend wird dies an die verborgene Schicht weitergegeben.
Die verborgene Schicht ist die Verbindung zwischen der Eingabeschicht und der
Ausgabeschicht. Wobei die Ein- und Ausgabeschicht jeweils nur eine Ebene besitzt, kann
die verborgene Schicht aus beliebig vielen Ebenen bestehen. Dort geschieht eine erneute
Wichtung (welche in jeder Schicht geschieht) der Informationen, welche von Neuron zu
Neuron weitergegeben werden. Jedoch kann man die genaue Verarbeitung nicht
beobachten, daher stammt auch die Herkunft des Namens und die Bezeichnung „Black Box“.
Die Ausgabeschicht ist die letzte Schicht und ist die direkte Nachfolge der letzten Ebene der
verborgenen Schicht. Die entstandene Entscheidung ist in den Output-Neuronen vorhanden.
Diese geben dann die Informationen aus.

Die Funktionsweise eines neuronalen Netzwerks kann man kompakt erklären. Ein Beispiel
dafür wäre die Unterscheidung zweier Bilder. Wenn man ein Bild von einem Apfel und ein
Bild von einer Birne hat, dann muss man dem Computer zuerst Zugang auf die Bilder
gewähren. Im Gegensatz zum menschlichen Gehirn kann der Computer keine Formen
erkennen. Er erkennt Pixel, Farben und ihre Größen. Die Farbwerte können der Input für die
Eingabeschicht sein. Von dort werden die Informationen an die verborgene Schicht
weitergegeben. Dort erfolgten dann die Verarbeitung und Gewichtung der Informationen.
Gegebenenfalls werden diese Informationen an die Ausgabeschicht weitergeleitet. Ein
Ergebnis erfolgt dann, wenn die Verarbeitung innerhalb der Schichten korrekt abgelaufen ist.
In jenem Fall gibt das KNN an, welches Bild welchen Gegenstand anzeigt.

2
Lea Iwert Fritz-Greve-Gymnasium Malchin 12b

Aufgaben des Netzwerkes


Die neuronalen Netzwerke finden in unterschiedlichen Sparten Anwendung. Sie sind für
Aufgaben bestimmt, für die wenig systematisches Lösungswissen existiert und viele
unpräzise Eingabeinformationen zu einer dinghaften Lösung verarbeitet werden müssen.
Einige Anwendungsbereiche sind die Bilderkennung, Spracherkennung, Mustererkennung,
Sprachsynthese, Schrifterkennung, Steuerung komplexer Prozesse, Prognosen für komplexe
Systeme, Frühwarnsysteme, Zeitreihenanalysen, maschinenbasiertes Übersetzen,
Simulation komplexer Systeme, biometrische Systeme, Wirtschaftsmodelle und noch einige
mehr.

Vorteile und Nachteile der Netzwerkstruktur für die Aufgaben


des Netzwerkes
Vorteile
Die KNN bringen bessere Ergebnisse hervor als statistische Ansätze, insofern das Problem
einen gewissen Schwierigkeitsgrad besitzt. Das heißt soviel wie, dass es nicht linear sein
darf und es viele Eingabedaten mit verschiedenen Variablen geben muss.
Außerdem gibt es Hyperparameter, welche in Abhängigkeit mit der jeweiligen Einstellung
besser oder schlechter trainiert werden können. Jedoch muss ein neuer maximaler
Rekordwert manuell eingestellt werden. Sonst ist die Anzahl der Parameter ziemlich niedrig.
Ebenso werden für sehr nicht lineare Probleme gute Lösungen gefunden. Dies umfasst so
gut wie alle Probleme einer Datenbasis, wo Menschen oder andere Einflüsse, die
unvorhersehbar sind, agieren. Zudem können für sehr große Mengen von Daten und vielen
Einflussfaktoren fundierte Ergebnisse ermittelt werden.

Nachteile
Künstliche neuronale Netze sind oft undurchsichtig. Daraus resultiert, dass man in diesen
Fällen die Entscheidungen, die ein Netzwerk trifft, nicht nachverfolgen kann. Um ein
aussagekräftiges Ergebnis zu finden, muss man viele Trainingsdaten sammeln. Dadurch,
dass die Menge der Daten sehr hoch ist, ist es am sinnvollsten, die Berechnungen auf einer
Grafikkarte durchzuführen.
Innerhalb eines Trainings wird eine große Menge an Gewichtsänderungen durchgeführt.
Aufgrund dessen kann man die Arbeit in ein verteiltes System wie zum Beispiel Apache
Hadoop oder auch Apache Spark nur sehr schwer aufteilen. Daraus resultieren oft große
Perfomance Einschränkungen. Sobald man das jeweilige Problem auch mathematisch lösen

3
Lea Iwert Fritz-Greve-Gymnasium Malchin 12b

kann, sind die KNN oft schlechter oder höchstens ebenso gut. Man kann an keinem
Zeitpunkt sagen, inwiefern die Lösung das Optimum ist bzw. ob bessere Lösungen
vorhanden sind.
Mittlerweile ist die Forschung so weit, dass es Ansätze gibt einige Nachteile zu lösen.

Schluss
Zum Schluss lässt sich sagen, dass die künstlichen neuronalen Netze komplexe Netzwerke
sind. Sie bestehen aus Knoten (Neuronen) und Kanten (Verbindung der Neuronen). Diese
Netze lassen sich der Netztopologie zuordnen. Hierbei ist jedes „Endgerät“ miteinander
verbunden und das Netzwerk komplett verbunden.

Quellen
https://datasolut.com/neuronale-netzwerke-einfuehrung/#definition-neuronales-netz
https://d1g9li960vagp7.cloudfront.net/wp-content/uploads/2022/01/WP_neuronales-
netz_aufbau2-1024x576.jpg
https://studyflix.de/informatik/neuronale-netze-4297
https://www.bigdata-insider.de/was-ist-ein-neuronales-netz-a-686185/
https://data-science-blog.com/blog/2015/09/12/knn-vorteile-und-nacheile/
https://novustat.com/statistik-blog/kuenstliches-neuronales-netz-einfach-erklaert.html

Das könnte Ihnen auch gefallen