Das Thema der neuronalen Netze ist in Technikkreisen sehr beliebt. Dennoch ist uns als Studenten des Wirtschaftsingenieurswesens dieses Forschungsfeld nahezu unbekannt. Zudem sollen in Zukunft im Rahmen der MATLAB Vorlesungen während des Theoriesemesters neuronale Netze kurz angerissen werden. Hierzu ist aber aktuell kein passendes Skript, beziehungsweise kein anschauliches Beispiel, verfügbar. Doch um dieses Thema bearbeiten zu können muss zunächst verstanden werden, worum es sich bei neuronalen Netzen handelt und wo sich diese eingliedern. Hierzu soll diese Arbeit dienen.
Inhaltsverzeichnis
1. Einleitung
2. Definitionen
2.1. Artificial Intelligence
2.2. Machine Learning
3. Grundlagen
3.1. Units
3.2. Input und Netzinput
3.3. Arten von künstlichen neuronalen Netzen
3.4. Arten des Lernens
4. Bilderkennung durch Convolutional Neural Networks
5. Fazit
Zielsetzung & Themen
Diese Studienarbeit zielt darauf ab, Studierenden des Wirtschaftsingenieurwesens die theoretischen Grundlagen neuronaler Netze verständlich zu vermitteln und die Einordnung dieser Technologie innerhalb der künstlichen Intelligenz zu verdeutlichen. Basierend auf der Identifikation einer Lücke in bestehenden Lehrmaterialien dient die Arbeit als anschauliche Einführung in die Funktionsweise und Anwendungsmöglichkeiten moderner Lernalgorithmen.
- Grundlegende Definitionen von Künstlicher Intelligenz und Machine Learning
- Aufbau und Funktionsweise künstlicher Neuronen und neuronaler Netze
- Klassifizierung und Unterschiede zwischen verschiedenen Lernmethoden (überwacht, unüberwacht, bestärkend)
- Praktische Anwendung von Convolutional Neural Networks am Beispiel der Bilderkennung
Auszug aus dem Buch
3.1. Units
Neuronale Netze bestehen aus vielen einzelnen Neuronen. Jedes einzelne dieser Neuronen wird auch als Units, Einheit oder Knoten bezeichnet. Diese Einheiten haben die Funktion, Informationen aus der Eingabeschicht, oder anhand der Nachbarneuronen aufzunehmen und an andere Einheiten oder die Ausgabeschicht in abgeänderter Form weiterzuleiten.
Man unterscheidet zwischen 3 verschiedenen Arten von Neuronen:
• Input-Units: Einheiten, die von der Umwelt als Signale (Reize, Muster) oder auch durch einzelne Daten empfangen können.
• Hidden-Units: Einheiten, die sich zwischen der Eingabeschicht und der Ausgabeschicht befinden und eine interne Kalkulation durchführen. Daher stammt auch der Name „hidden“ (Englisch für versteckt), da diese Werte nicht direkt eingesehen werden.
• Output-Units: Einheiten, die Signale anhand der Ausgabemaske an den Benutzer oder das System ausgeben können.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die Relevanz des Themas neuronale Netze für Wirtschaftsingenieure und definiert den Bedarf an anschaulichem Lehrmaterial.
2. Definitionen: Dieses Kapitel differenziert zwischen Artificial Intelligence und Machine Learning und ordnet diese Begriffe historisch sowie inhaltlich ein.
3. Grundlagen: Hier werden der technische Aufbau neuronaler Netze, von einzelnen Neuronen bis hin zu den verschiedenen Lernarten, detailliert erläutert.
4. Bilderkennung durch Convolutional Neural Networks: Das Kapitel veranschaulicht anhand eines Praxisbeispiels zur Mustererkennung, wie Convolutional Neural Networks mittels Filtern und Pooling-Layern Bilder verarbeiten.
5. Fazit: Das Fazit fasst das enorme Potenzial künstlicher Intelligenz zusammen und plädiert für die Aufnahme dieser Technologie in das Curriculum des Wirtschaftsingenieurwesens.
Schlüsselwörter
Neuronale Netze, Künstliche Intelligenz, Machine Learning, Deep Learning, Superintelligenz, NLP, Convolutional Neural Networks, Bilderkennung, Backpropagation, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Units, Neuronen, Datenverarbeitung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit bietet eine grundlegende Einführung in die Theorie und Entwicklung neuronaler Netze, spezifisch zugeschnitten auf Studierende des Wirtschaftsingenieurwesens.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themen umfassen die KI-Hierarchie, den Aufbau künstlicher Neuronen, verschiedene Lernmodelle wie überwachtes und bestärkendes Lernen sowie die Bildverarbeitung mittels CNNs.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, ein anschauliches Verständnis für neuronale Netze zu schaffen und als fachliche Basis zu dienen, da bisher für die Zielgruppe keine geeigneten Skripte vorlagen.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine fundierte Literaturanalyse zur Definition der Grundlagen verwendet, ergänzt durch mathematische Beispiele und praxisnahe Erklärungen der Algorithmen.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil widmet sich dem technischen Aufbau (Input, Hidden, Output Units) sowie der detaillierten Beschreibung der Funktionsweise und mathematischen Gewichtung innerhalb verschiedener Netzarchitekturen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Neuronale Netze, Maschinelles Lernen, Bilderkennung, Convolutional Neural Networks und Künstliche Intelligenz.
Wie unterscheidet der Autor zwischen schwacher und starker KI?
Schwache KI ist auf spezifische Gebiete spezialisiert, während starke KI die Fähigkeit besäße, intellektuelle Leistungen auf beliebig viele Bereiche zu übertragen.
Was ist die Kernaufgabe des Backpropagation-Verfahrens?
Backpropagation dient dazu, Fehlermeldungen vom Ausgang zurück in das Netz zu geben, um die Gewichte der Verbindungen gezielt anzupassen und so die Genauigkeit des Modells schrittweise zu erhöhen.
Welche Rolle spielt das Pooling bei Convolutional Neural Networks?
Das Pooling dient zur Reduzierung der Datenmenge eines Bildstapels durch Entnahme von Maximalwerten in kleinen Fensterbereichen, wodurch Rechenkapazität optimiert wird.
- Arbeit zitieren
- Jon Hoch (Autor:in), 2021, Neuronale Netze. Grundlagen und Entwicklung von Anwendungsbeispielen, München, GRIN Verlag, https://www.grin.com/document/1044811
