In der vorliegenden Arbeit soll eruiert werden, was allgemeinhin unter künstlichen neuronalen Netzwerken verstanden wird. Die grundlegende Funktionsweise und Konzepte sollen beleuchtet werden, sowie die Verbreitung und die Einsatzmöglichkeiten von künstlichen neuronalen Netzwerken zusammengefasst und erläutert werden.
Anwendungen basierend auf Künstlicher Intelligenz (KI) sind im Alltag angekommen. Ein hoher Prozentsatz der Menschen ist in ihrem Alltag schon mit Textvorschlägen beim Nachrichten schreiben, Routenvorschlägen, Sprachassistenten auf dem Smartphone, Titelempfehlungen beim Streaming, Entsperrung des Smartphones mit Gesichtserkennung, Kaufempfehlungen in Online-Shops, Fahrassistenzsystemen, automatischen Übersetzungen und Sprachassistenten auf dem Smartphone in Kontakt gekommen und konnten somit Erfahrung mit den Vorteilen Künstlichen Intelligenz sammeln. Diesen praktischen Anwendungsmöglichkeiten ist es zum Teil auch zu verdanken, dass seit 2017 tendenziell weniger Menschen KI als Gefahr, sondern als Chance und Wirtschaftstreiber wahrnehmen. Doch was ist eine KI?
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung in die Thematik
1.2 Problemstellung und Zielsetzung
1.3 Methodischer Aufbau der Arbeit
2 Grundlagen
2.1 Machine Learning
2.1.1 Supervised Learning
2.1.2 Unsupervised Learning
2.1.3 Reinforcement Learning
2.1.4 Deep Learning
2.2 Aufbau künstlicher neuronaler Netze
2.2.1 Biologisches Neuron
2.2.2 Künstliches Perzeptron
2.2.3 Mehrschichtperzeptron
2.2.4 Hyperparameter
2.2.5 Backpropagation und Zielfunktion
3 Funktionsweise künstlicher neuronaler Netze
3.1 Support Vector Machines und Klassifikation
3.2 Support Vector Machines und Klassifikation: Ein Beispiel
3.3 Künstliche neuronale Netze und Klassifikation
3.4 Künstliche neuronale Netze und Klassifikation: Ein Beispiel
4 Probleme künstlicher neuronaler Netze
4.1 Anzahl der verdeckten Neuronenschichten
4.2 Überanpassung
4.3 Problem des verschwindenden Gradienten
4.4 Problem der effizienten Aktivierungsfunktionen
5 Anwendungsfälle künstlicher neuronaler Netze
5.1 Spracherkennung und rückgekoppelte neuronale Netze
5.2 Bilderkennung und gefaltete neuronale Netze
5.3 Autonomes Fahren
6 Fazit und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit zielt darauf ab, ein grundlegendes Verständnis für künstliche neuronale Netze zu schaffen, indem ihre Funktionsweise, die zugrunde liegenden mathematischen Konzepte sowie ihre praktische Anwendung und Verbreitung detailliert erläutert werden.
- Grundlagen des maschinellen Lernens (Supervised, Unsupervised, Reinforcement Learning)
- Struktureller Aufbau künstlicher neuronaler Netze und deren biologische Inspiration
- Klassifikationsverfahren mittels Support Vector Machines und neuronalen Netzen
- Herausforderungen wie Überanpassung und verschwindende Gradienten
- Praktische Anwendungsfelder: Spracherkennung, Bilderkennung und autonomes Fahren
Auszug aus dem Buch
2.2.2 Künstliches Perzeptron
Ein Perzeptron ist ein sehr vereinfachtes künstliches Neuron und es erhält Eingabeparameter wie das biologische Neuron Signale. Die Menge der Eingabeparameter ist dabei nicht beschränkt und die Werte der Eingänge werden mit x1 bis xn bezeichnet (Vgl. Abbildung 2). Die Eingänge werden mit Gewichten (Weight) w1 bis wn versehen, multipliziert und anschließend im Perzeptron summiert (Vgl. Abbildung 2). Mit Gewichten können die Eingabeparameter gewichtet werden (Vgl. Abbildung 5) und eben einen der Eingabeparameter für das Ergebnis als wichtiger in der Rechnung priorisieren. An dieser Stelle wird nach dem Schema in Abbildung 2 das Ergebnis der Aktivierung direkt am Ausgang A gesendet. Jedoch ist im biologischen Neuron ein Schwellwert vorgesehen (Vgl. Abschnitt 2.2.1), welcher erreicht werden muss, bevor das Signal weitergeleitet wird bzw. der Ausgang der Perzeptron aktiviert wird. Dieser Schwellwert kann positive oder negative Werte enthalten. Das Ergebnis der gewichteten Summe wird durch die Aktivierungsfunktion passend gemacht. Passend machen bedeutet hier, dass die Aktivierungsfunktion aus bspw. einem möglichen Zahlenspektrum die gewünschte Ergebnisform erzeugt. Diese Ergebnisform könnten zwei diskrete Ausgabewerte wie Null und Eins sein, was mit der Sprungfunktion abbildbar ist (Vgl. a in Abbildung 6). Da die Sprungfunktion für alle Werte < 0 den Ausgabeparameter 0 und für Werte ≥ 0 den Ausgabeparameter 1 generiert. Mit der Aktivierungsfunktion werden also Schwellen gesetzt, mit welchen das Perzeptron arbeitet bzw. ein Regelwerk für das Perzeptron aufgestellt. Es kann unter verschiedenen Aktivierungsfunktion gewählt werden (Vgl. Abbildung 6).
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung führt in die Relevanz Künstlicher Intelligenz im Alltag ein, stellt das Ziel der Arbeit vor und skizziert den methodischen Aufbau der Ausarbeitung.
2 Grundlagen: Dieses Kapitel vermittelt die theoretischen Basiskenntnisse über Machine Learning sowie den strukturellen Aufbau und die mathematischen Funktionsweisen künstlicher neuronaler Netze.
3 Funktionsweise künstlicher neuronaler Netze: Hier wird der Prozess der Klassifikation erläutert, wobei ein Vergleich zwischen Support Vector Machines und künstlichen neuronalen Netzen gezogen und an Beispielen verdeutlicht wird.
4 Probleme künstlicher neuronaler Netze: Das Kapitel behandelt typische Herausforderungen beim Training, wie die Wahl der Schichtanzahl, das Phänomen der Überanpassung sowie Probleme mit Gradienten und Aktivierungsfunktionen.
5 Anwendungsfälle künstlicher neuronaler Netze: Dieses Kapitel veranschaulicht die praktische Relevanz neuronaler Netze anhand der Anwendungsbeispiele Spracherkennung, Bilderkennung und autonomes Fahren.
6 Fazit und Ausblick: Das Fazit fasst die Bedeutung künstlicher neuronaler Netze für Forschung und Wirtschaft zusammen und bietet einen Ausblick auf künftige Entwicklungen und Forschungspotenziale.
Schlüsselwörter
Künstliche Intelligenz, Machine Learning, Künstliche neuronale Netze, Supervised Learning, Deep Learning, Perzeptron, Backpropagation, Klassifikation, Support Vector Machines, Überanpassung, Spracherkennung, Bilderkennung, Autonomes Fahren, Aktivierungsfunktionen, Neuronengewichte
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Grundlagen und Anwendungsfälle künstlicher neuronaler Netze im Kontext der Künstlichen Intelligenz.
Was sind die zentralen Themenfelder der Ausarbeitung?
Zu den zentralen Themen gehören maschinelles Lernen, der Aufbau künstlicher Neuronen, Klassifikationsmethoden, mathematische Herausforderungen beim Training sowie konkrete Praxisbeispiele wie Spracherkennung und autonomes Fahren.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, die Funktionsweise und die zugrunde liegenden Konzepte künstlicher neuronaler Netze zu beleuchten sowie deren Verbreitung und Einsatzmöglichkeiten systematisch darzustellen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer fundierten Literaturrecherche und der Analyse von Fachquellen, um die theoretischen Aspekte und die praktische Anwendung der Technologie aufzuarbeiten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen (Machine Learning, Aufbau von Netzen), die Funktionsweise der Klassifikation, die Diskussion technischer Probleme (wie Überanpassung) und die Vorstellung realer Anwendungsbeispiele.
Welche Schlüsselwörter charakterisieren diese Arbeit?
Wichtige Begriffe sind unter anderem Künstliche Intelligenz, Deep Learning, neuronale Netze, Klassifikation, Backpropagation und autonomes Fahren.
Wie unterscheidet sich ein Perzeptron von einem biologischen Neuron?
Das Perzeptron ist eine mathematisch stark vereinfachte Abstraktion eines biologischen Neurons, welches Eingabewerte mit Gewichten multipliziert, summiert und durch eine Aktivierungsfunktion leitet, um einen Ausgabewert zu erzeugen.
Warum ist das "Problem des verschwindenden Gradienten" bei tiefen Netzen relevant?
Bei sehr tiefen Architekturen kann der Gradient während des Backpropagation-Prozesses so stark abnehmen, dass die Neuronengewichte nicht mehr effektiv angepasst werden, was das Lernen des Netzes zum Stillstand bringt.
Welche Rolle spielt die Aktivierungsfunktion bei der Bilderkennung?
Aktivierungsfunktionen erlauben es dem Netz, nicht-lineare Zusammenhänge zu erlernen, was essenziell ist, um komplexe abstrakte Muster in Bilddaten, wie Kanten oder Strukturen, korrekt zu identifizieren.
- Quote paper
- Dennis Hodapp (Author), 2021, Künstliche neuronale Netzwerke. Grundlagen und Anwendungsfälle von KI, Munich, GRIN Verlag, https://www.grin.com/document/1603002
