Im Rahmen dieser Studienarbeit werden die Grundlagen von künstlichen neuronalen Netzen ausführlich von geschichtlicher Entwicklung über Aufbau bis hin zu Anwendungsgebieten erläutert, ehe am Beispiel von Pokerkarten ein solches Netz in Python beschrieben wird.
In der heutigen Zeit sind verschiedene Formen künstlicher Intelligenz (KI) fest im Alltag verankert – von Sprachassistenten auf dem Smartphone über kooperative Roboter bis hin zu Technologien bezüglich des autonomen Fahrens greifen alle auf die künstliche Intelligenz zurück. Neben diesen Einsatzmöglichkeiten existieren noch unzählige weitere, wie beispielsweise Diagnosen im medizinischen Bereich oder die Erforschung des menschlichen Gehirns.
Während in der „klassischen“ Programmierung von Software stets Regeln für alle verschiedenen Eintrittsfälle aufgestellt werden müssen, bieten künstliche neuronale Netze die Möglichkeit, sich durch Training mit großen Datensätzen selbst anzupassen und sind am Ende in der Lage Muster zu erkennen, Klassifizierungen vorzunehmen und vieles mehr. Hierzu sind herkömmlich entwickelte Programme nicht in der Lage, neuronale Netze aufgrund der Lernfähigkeit jedoch mit einem gewissen Fehlergrad schon. Trotz einer Anlehnung an biologische neuronale Netze, unterscheiden sich deren künstlich entwickelte Abbilder recht deutlich von der Vorlage.
Inhaltsverzeichnis
1 Einleitung
2 Theoretische Grundlagen
2.1 Begriffseinordnung
2.1.1 Künstliche Intelligenz
2.1.2 Machine Learning
2.1.3 Deep Learning
2.2 Künstliche Neuronale Netze
2.2.1 Historische Entwicklung
2.2.2 Aufbau
2.2.3 Funktionen
2.2.4 Lernmechanismus
2.2.5 Anwendungsgebiete
2.2.6 Beispiel Mustererkennung
3 Einsatz von neuronalen Netzen beim Poker
3.1 Regeln Poker (Texas Hold’em)
3.2 Entwicklung neuronales Netz zur Einordnung der Hände
3.2.1 Grundlagen
3.2.2 Aufbau neuronales Netz
3.2.3 Training neuronales Netz
3.2.4 Testdurchlauf
3.3 Regeln bei bekannten Online-Anbietern
4 Fazit
Zielsetzung & Themen
Diese Arbeit erläutert die theoretischen Grundlagen und die praktische Implementierung neuronaler Netze, wobei der Fokus auf dem Verständnis der zugrunde liegenden Mechanismen und einer beispielhaften Anwendung zur Klassifizierung von Pokerkarten liegt.
- Grundlagen künstlicher Intelligenz und Machine Learning
- Aufbau und Funktionsweise künstlicher neuronaler Netze
- Mathematische Lernverfahren und Fehlerfunktionen
- Anwendungsgebiete von neuronalen Netzen
- Praktische Entwicklung eines Modells mit Python und Keras
Auszug aus dem Buch
2.2.2 Aufbau
Neuronale Netze sind grundsätzlich als Black Box-Modell aufgebaut. Als Black Box werden nach Thommen Modelle bezeichnet, bei denen sich die Eingaben (Inputs) und Ausgaben (Outputs) messen lassen, aber dazwischen liegende, ablaufende Prozesse sich nicht genau erfassen lassen.2
Bei künstlichen neuronalen Netzen kommt dies zustande, da die Neuronen auf verschiedene Ebenen (siehe Abbildung 4) verteilt werden, wobei Neuronen je nach Ebene unterschiedliche Aufgaben erfüllen.3
a. Eingabeschicht (Input-Layer)
b. Verdeckte Schicht (Hidden Layer)
c. Ausgabeschicht (Output-Layer)
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung verortet künstliche Intelligenz und neuronale Netze im Alltag und betont ihre mathematische Logik im Vergleich zur klassischen Programmierung.
2 Theoretische Grundlagen: Dieses Kapitel definiert die Begriffe künstliche Intelligenz, Machine Learning und Deep Learning und erläutert detailliert Aufbau, Funktionen und Lernmechanismen neuronaler Netze.
3 Einsatz von neuronalen Netzen beim Poker: Hier werden die Spielregeln von Texas Hold'em erläutert und die Entwicklung eines neuronalen Netzes zur Einordnung von Pokerhänden mittels Python und der Bibliothek Keras praktisch beschrieben.
4 Fazit: Das Fazit fasst die Relevanz der neuronalen Netze für komplexe Problemlösungen zusammen und reflektiert die einfache Anwendbarkeit durch moderne Softwarebibliotheken.
Schlüsselwörter
Neuronale Netze, Künstliche Intelligenz, Machine Learning, Deep Learning, Texas Hold'em, Python, Keras, Mustererkennung, Lernalgorithmus, Gewichtsmatrix, Aktivierungsfunktion, Propagierungsfunktion, Fehlerfunktion, Klassifizierung, Black-Box-Modell
Häufig gestellte Fragen
Worum geht es in dieser Studienarbeit grundsätzlich?
Die Arbeit behandelt die grundlegende Theorie künstlicher neuronaler Netze und zeigt anhand eines konkreten Beispiels, wie man ein solches Netz programmiert.
Welche Themenfelder stehen im Mittelpunkt?
Die zentralen Felder sind die Funktionsweise von Neuronen, die Architektur neuronaler Netze (Input, Hidden, Output), Lernalgorithmen sowie die praktische Umsetzung für Anwendungsfälle.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Vermittlung der theoretischen Hintergründe und die Demonstration, wie man ein neuronales Netz für eine spezifische Klassifizierungsaufgabe, hier die Einordnung von Pokerhänden, aufbaut und trainiert.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine literaturbasierte Aufarbeitung der theoretischen Grundlagen sowie eine experimentelle Vorgehensweise zur Modellentwicklung unter Verwendung der Programmiersprache Python und der Keras-Bibliothek gewählt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Herleitung der Netzfunktionen und Lernmechanismen sowie einen praktischen Teil, in dem ein neuronales Netz zur Pokerhand-Klassifizierung Schritt für Schritt implementiert und evaluiert wird.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Neuronale Netze, Maschinelles Lernen, Deep Learning, Mustererkennung, Keras, Gewichtsmatrix und Fehlerfunktion.
Warum wird für die Einordnung von Pokerhänden ein neuronales Netz verwendet?
Da es bei etwa 2,6 Millionen möglichen Kartenkombinationen zu aufwendig wäre, jede Variante mit starren Regeln zu programmieren, bietet ein neuronales Netz eine effizientere Lösung, um Muster zu erkennen.
Welche Genauigkeit erreicht das im Beispiel entwickelte Netz?
Nach einem Training über 200 Epochen erreicht das Netz eine Genauigkeit von etwa 98 % bei der Erkennung der Pokerhände.
- Arbeit zitieren
- Finn Floruß (Autor:in), 2021, Neuronale Netze. Geschichtliche Entwicklung, Aufbau und Anwendungsgebiete, München, GRIN Verlag, https://www.grin.com/document/1043437
