Studium, Ausbildung und Beruf

web uni-protokolle.de
 powered by
NachrichtenLexikonProtokolleBücherForenSamstag, 25. Mai 2019 

Künstliches neuronales Netz


Dieser Artikel von Wikipedia ist u.U. veraltet. Die neue Version gibt es hier.
Künstliche neuronale Netze (engl. artificial neural networks - ANNs) als Teilgebiet der Künstlichen Intelligenz beinhalten im Wesentlichen Vorschläge für die Simulation neuronaler Schaltvorgänge wie sie im (menschlichen) Gehirn beobachtet werden können (siehe auch neuronale Netze ). Sie sind eine Realisierung des konnektionistischen Paradigmas.

Während das Gehirn jedoch zur massiven Parallelverarbeitung in der ist arbeiten die meisten heutigen Computersysteme nur bzw. partiell parallel (sog. Von-Neumann-Architektur eines Rechners). Es gibt jedoch auch Prototypen neuronaler Rechnerarchitekturen sozusagen den Neuronalen Chip die das Forschungsgebiet der KNNs die theoretischen bereitstellt. Man stellt KNNs damit explizit den "neuronalen Netzwerken" gegenüber welches Modelle von Nervenzellverschaltungen im Gehirn sind. Meistens sind im fachlichen Sprachgebrauch gemeint wenn nur von "neuronalen Netzen" die ist.

Neuronale Netze haben im Vergleich zu Gebieten der künstlichen Intelligenz ihren Anwendungsschwerpunkt immer dort wo ein Computer etwas lernen soll auch durch einige ausgewählte Eingabemuster auf eine abstraktere Form des Musters schliessen können soll z. B. Bild-/Gesichtserkennung). Auch bei der Vorhersage Veränderungen in komplexen Systemen werden KNNs unterstützend z.B. zur Früherkennung sich abzeichnender Tornados oder auch zur Abschätzung der weiteren Entwicklung wirtschaftlicher

Die beiden Hauptnachteile von KNNs sind

  1. Das Trainieren von KNNs führt zu nichtlinearen Optimierungsproblemen. Diese müssen i.allg. heuristisch gelöst In der Praxis ist häufig nicht klar man der global optimalen Lösung nahe kommt nicht.
  2. Bei Anwendung einer 'heuristischen' -nicht statistischen- bei der Netzwerkspezifikation neigen KNN dazu die einfach auswendig zu lernen (Overfitting). Wenn dies können sie nicht mehr auf neue Daten Um Overfitting zu vermeiden muss die Netzwerkarchitektur 'vorsichtig' gewählt werden.

Durch Anwendung statistischer Testverfahren lassen sich 'Überanpassungseffekte' im Regelfall vermeiden. Hierdurch ist die der Praxis oft noch anzutreffende Strategie des verschiedener Netzwerkstrukturen nicht mehr nötig und entsprechend ineffizient einzustufen. Seit einigen Jahren werden häufig Verfahren (Boosting Support Vektor Maschinen Regularisierungsnetzwerke) eingesetzt. sind praktisch ggf. einfacher anzuwenden.

Inhaltsverzeichnis

Biologische Grundlagen

Lernregeln

Typen von KNNs

Lernverfahren

Anwendungen

Implementierungen und Simulationspakete

Siehe auch:

Aktivierungsraum

Literatur


Newsgroups

Weblinks



Bücher zum Thema Künstliches neuronales Netz

Dieser Artikel von Wikipedia unterliegt der GNU FDL.

ImpressumLesezeichen setzenSeite versendenSeite drucken

HTML-Code zum Verweis auf diese Seite:
<a href="http://www.uni-protokolle.de/Lexikon/KNN.html">Künstliches neuronales Netz </a>