Exposé zu "Neuronale Netze zur Bilderkennung".
Künstliche Intelligenz (KI) wird Gesellschaft und Wirtschaft nachhaltig verändern. Laut einer Studie des McKinsey Global Institute soll auf Basis von KI-Analysen bis 2030 ein zusätzlicher globaler Wertschöpfungsbeitrag in Höhe von 13 Billionen US-Dollar erzielt werden. Aus einer weiteren Studie von PwC aus dem Jahr 2018 geht hervor, dass lediglich die Einführung von KI dazu beitragen wird, dass das BIP in Deutschland im Zeitraum von 2017 bis 2030 um 11,3 Prozent ansteigen wird.
Auf einen Blick
- Note: 1,3
- Eigenständige Implementierung eines neuronalen Netzes mit der Programmiersprache Python
- Anwendung des Leitfadens von Tariq Rashid zur KNN-Programmierung in Python
Inhaltsverzeichnis
1. Einleitung: (2,5 Seiten)
1.1 Problemstellung und Zielsetzung : (0,5 Seiten)
1.2 Aufbau der Arbeit : (0,5 Seiten)
1.3 Hypothese : (0,5 Seiten)
2. Theoretische Grundlagen (4 Seiten)
2.1 Künstliche Neuronale Netze: (1 Seite)
2.2 Topologie: (0,5 Seiten)
2.3 Lernen: (2 Seiten)
2.4 Netzgröße: (0,5 Seiten)
3. Praxisteil (5,5 Seiten
3.1 Implementierung: (2 Seiten)
3.2 Analyse: (1 Seite)
3.3 Ergebnisse : (0,5 Seiten)
3.4 Diskussion: (2 Seiten)
4. Fazit: (1 Seite)
5. Zeitplan
Zielsetzung und thematische Schwerpunkte
Das primäre Ziel dieser wissenschaftlichen Arbeit besteht in der Untersuchung des Zusammenhangs zwischen der Lernrate und der Vorhersagekraft eines künstlichen neuronalen Netzes im Kontext der Handschrifterkennung. Hierbei soll anhand eines selbst implementierten Modells experimentell geprüft werden, inwieweit eine höhere Lernrate die Güte und Genauigkeit der Klassifikation beeinflusst.
- Bedeutung, Grundlagen und Funktionsweisen Künstlicher Neuronaler Netzwerke (KNN)
- Lernregeln und mathematische Verfahren wie Backpropagation und Anpassung der Gewichte
- Einfluss der Lernrate auf das Erreichen des Minimums der Fehlerfunktion
- Eigenständige Konzeption und Implementierung eines KNN mit Python
- Klassifikation handgeschriebener Ziffern unter Verwendung der MNIST-Datenbank
- Phasenmodell zur empirischen Modellierung, zum Training und zur Evaluation
Auszug aus dem Buch
3. Geplante Vorgehensweise und Methodik
Viele Studien befassen sich lediglich damit, die Relevanz der KI zu umreißen. Einige wenige Studien setzen sich mit der Optimierung der KI auseinander, obwohl in den Bereichen Bild- und Spracherkennung bereits große Fortschritte erzielt wurden.
Vor diesem Hintergrund ist das primäre Ziel der zugrundeliegenden Arbeit, den Zusammenhang zwischen Lernrate und Vorhersagekraft eines neuronalen Netzes zu untersuchen.
Um die Hypothesen zu überprüfen, soll ein neuronales Netzwerk mit Python selbständig implementiert werden. Für die Implementierung des KNN wird das Buch Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python von Tariq Rashid herangezogen.
Es soll ein Modell für Bilderkennungssysteme entwickelt werden. Der implementierte Algorithmus gehört der Kategorie Data Mining an. Die Aufgabe des trainierten Modells besteht darin, die Bilder zu einer der zehn Zahlen (null bis neun) richtig zuzuordnen (Klassifikation). Der Datensatz für das neuronale Netzwerk wird von der USamerikanischen MNIST-Datenbank für Handschrifterkennung mit handgeschriebenen Ziffern extrahiert.
Die Texterkennung der menschlichen Handschrift ist ein adäquates Beispiel, um KI zu erproben, da menschliche Intelligenz den computergestützten Algorithmen bei der Identifizierung der Handschrift überlegen sein sollte.
Die Implementierung des KNN soll in folgende Phasen erfolgen:
1. Definition Aufgabenstellung
2. Datenakquisition
3. Wahl des Netzmodells
4. Wahl der Netzwerkstruktur
5. Wahl der Netzparameter
Zusammenfassung der Kapitel
1. Einleitung: (2,5 Seiten): Dieses Kapitel führt in die wirtschaftliche sowie gesellschaftliche Bedeutung von Künstlicher Intelligenz ein, formuliert die Problemstellung und leitet die zentrale Hypothese zum Zusammenhang von Lernrate und Vorhersagekraft ab.
2. Theoretische Grundlagen (4 Seiten): Hier werden die Funktionsweisen künstlicher neuronaler Netze, biologische und mathematische Lernregeln wie Backpropagation sowie die Rolle von Topologie und Netzgröße detailliert dargelegt.
3. Praxisteil (5,5 Seiten: Der Praxisteil umfasst die methodische Konzeption und Python-Implementierung des Netzwerks zur Ziffernerkennung mittels MNIST-Daten, die Auswertung der Trainingsergebnisse sowie die anschließende Diskussion.
4. Fazit: (1 Seite): Das abschließende Kapitel fasst die wesentlichen Erkenntnisse zur Optimierung der Lernrate zusammen und bewertet die Güte des implementierten Modells.
5. Zeitplan: Dieser Abschnitt skizziert den zeitlichen Ablaufplan von der Literaturrecherche über die Modellentwicklung bis hin zur termingerechten Abgabe des Projekts.
Schlüsselwörter
Künstliche Intelligenz, Neuronale Netzwerke, Deep Learning, Lernrate, Backpropagation, Vorhersagekraft, MNIST-Datenbank, Handschrifterkennung, Python, Optimierung, Algorithmen, Klassifikation
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit widmet sich der Funktionsweise und Optimierung Künstlicher Neuronaler Netze und analysiert, wie sich netzspezifische Parameter auf die Modellleistung auswirken.
Was sind die zentralen Themenfelder der Untersuchung?
Zentrale Themen sind Künstliche Intelligenz, Machine Learning, Lernalgorithmen wie Backpropagation, Modellarchitekturen und die computergestützte Bild- und Handschrifterkennung.
Was ist das primäre Ziel beziehungsweise die Forschungsfrage?
Das Ziel ist die Erforschung des Zusammenhangs zwischen der gewählten Lernrate und der Vorhersagekraft eines neuronalen Netzes, insbesondere bei der Klassifikation von Ziffern.
Welche wissenschaftliche und praktische Methode wird angewendet?
Es wird eine theoriebasierte Herleitung mit einem empirisch-experimentellen Ansatz kombiniert, bei dem ein neuronales Netz mit Python programmiert und in definierten Trainings- sowie Testphasen evaluiert wird.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung neuronaler Netze und den Praxisteil, der die Datenakquisition, Netzmodellierung, das überwachte Training und die Leistungsanalyse abdeckt.
Welche Schlüsselbegriffe charakterisieren die Arbeit am besten?
Wesentliche Begriffe sind Künstliche Intelligenz, KNN, Lernrate, Backpropagation, Handschrifterkennung, MNIST und Vorhersagekraft.
Welche Hypothese wird im Rahmen des Forschungsvorhabens überprüft?
Es wird die Hypothese aufgestellt und überprüft: Je höher die Lernrate einer Netzgröße, desto schlechter fällt die Vorhersagekraft des neuronalen Netzes aus.
Welcher Datensatz dient als Grundlage für die Bilderkennung?
Als Trainings- und Testbasis wird die US-amerikanische MNIST-Datenbank verwendet, die handschriftlich verfasste Ziffern von null bis neun zur Klassifikation bereitstellt.
Welche Phasen umfasst der praktische Implementierungsprozess?
Der Prozess ist in sieben aufeinander aufbauende Phasen unterteilt: Aufgabenstellung, Datenakquisition, Wahl des Netzmodells, Wahl der Netzwerkstruktur, Wahl der Netzparameter, Training und Evaluierung.
- Arbeit zitieren
- Anonym (Autor:in), 2021, Neuronale Netze zur Bilderkennung, München, GRIN Verlag, https://www.grin.com/document/1139808