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 und Themenschwerpunkte
Diese Bachelorarbeit befasst sich mit künstlichen neuronalen Netzen. Ziel ist es, die Grundlagen dieser Technologie zu erläutern und verschiedene Anwendungsfälle zu präsentieren. Die Arbeit soll ein umfassendes Verständnis der Funktionsweise, der Probleme und des Potenzials künstlicher neuronaler Netze vermitteln.
- Grundlagen des Machine Learning und künstlicher neuronaler Netze
- Funktionsweise und Architektur verschiedener neuronaler Netzwerktypen
- Herausforderungen und Limitationen beim Einsatz neuronaler Netze
- Anwendungsbeispiele in verschiedenen Bereichen (Spracherkennung, Bilderkennung, Autonomes Fahren)
- Ausblick auf zukünftige Entwicklungen
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Thematik der künstlichen neuronalen Netze ein, beschreibt die Problemstellung und die Zielsetzung der Arbeit und skizziert den methodischen Aufbau.
2 Grundlagen: Dieses Kapitel legt die theoretischen Grundlagen für das Verständnis künstlicher neuronaler Netze. Es werden die Konzepte des Machine Learning (Supervised, Unsupervised, Reinforcement Learning und Deep Learning) eingeführt und der Aufbau künstlicher neuronaler Netze, beginnend vom biologischen Neuron bis hin zum Mehrschichtperzeptron, detailliert erklärt. Besondere Aufmerksamkeit wird den Hyperparametern und dem Backpropagation-Algorithmus gewidmet.
3 Funktionsweise künstlicher neuronaler Netze: In diesem Kapitel wird die Funktionsweise künstlicher neuronaler Netze im Kontext von Klassifikationsaufgaben erläutert. Es wird ein Vergleich zwischen Support Vector Machines und künstlichen neuronalen Netzen gezogen und an Beispielen verdeutlicht, wie beide Ansätze Klassifikationsprobleme lösen.
4 Probleme künstlicher neuronaler Netze: Dieses Kapitel befasst sich mit den Herausforderungen und Problemen, die bei der Entwicklung und Anwendung künstlicher neuronaler Netze auftreten können. Es werden Probleme wie die Wahl der Anzahl der verdeckten Schichten, Überanpassung, das Problem des verschwindenden Gradienten und die Wahl effizienter Aktivierungsfunktionen detailliert diskutiert.
5 Anwendungsfälle künstlicher neuronaler Netze: Das Kapitel präsentiert verschiedene Anwendungsfälle künstlicher neuronaler Netze, unter anderem in der Spracherkennung (mit rückgekoppelten neuronalen Netzen), der Bilderkennung (mit gefalteten neuronalen Netzen) und im autonomen Fahren. Es wird gezeigt, wie die im vorherigen Kapitel vorgestellten Konzepte in der Praxis angewendet werden.
Schlüsselwörter
Künstliche neuronale Netze, Machine Learning, Deep Learning, Perzeptron, Backpropagation, Klassifikation, Spracherkennung, Bilderkennung, Autonomes Fahren, Überanpassung, verschwindender Gradient.
Häufig gestellte Fragen
Was ist der Themenschwerpunkt dieser Arbeit über künstliche neuronale Netze?
Diese Bachelorarbeit befasst sich mit künstlichen neuronalen Netzen. Ziel ist es, die Grundlagen dieser Technologie zu erläutern und verschiedene Anwendungsfälle zu präsentieren. Die Arbeit soll ein umfassendes Verständnis der Funktionsweise, der Probleme und des Potenzials künstlicher neuronaler Netze vermitteln.
Welche Grundlagen werden in der Arbeit behandelt?
Die Arbeit behandelt die Grundlagen des Machine Learning und künstlicher neuronaler Netze, die Funktionsweise und Architektur verschiedener neuronaler Netzwerktypen, Herausforderungen und Limitationen beim Einsatz neuronaler Netze, Anwendungsbeispiele in verschiedenen Bereichen (Spracherkennung, Bilderkennung, Autonomes Fahren), und gibt einen Ausblick auf zukünftige Entwicklungen.
Welche Kapitel sind in der Arbeit enthalten und was sind deren Schwerpunkte?
Die Arbeit ist in folgende Kapitel unterteilt:
- 1 Einleitung: Einführung in die Thematik, Beschreibung der Problemstellung und Zielsetzung, Skizzierung des methodischen Aufbaus.
- 2 Grundlagen: Theoretische Grundlagen des Machine Learning (Supervised, Unsupervised, Reinforcement Learning und Deep Learning) und des Aufbaus künstlicher neuronaler Netze (biologisches Neuron, Perzeptron, Mehrschichtperzeptron, Hyperparameter, Backpropagation).
- 3 Funktionsweise künstlicher neuronaler Netze: Erläuterung der Funktionsweise im Kontext von Klassifikationsaufgaben, Vergleich mit Support Vector Machines.
- 4 Probleme künstlicher neuronaler Netze: Behandlung von Herausforderungen wie die Wahl der Anzahl der verdeckten Schichten, Überanpassung, das Problem des verschwindenden Gradienten und die Wahl effizienter Aktivierungsfunktionen.
- 5 Anwendungsfälle künstlicher neuronaler Netze: Präsentation verschiedener Anwendungsfälle in der Spracherkennung (rückgekoppelte neuronale Netze), Bilderkennung (gefaltete neuronale Netze) und im autonomen Fahren.
- 6 Fazit und Ausblick
Welche Probleme werden bei der Anwendung künstlicher neuronaler Netze behandelt?
Die Arbeit behandelt Probleme wie die Wahl der Anzahl der verdeckten Neuronenschichten, Überanpassung, das Problem des verschwindenden Gradienten und die Wahl effizienter Aktivierungsfunktionen.
Welche Anwendungsfälle künstlicher neuronaler Netze werden in der Arbeit vorgestellt?
Die Arbeit stellt Anwendungsfälle in der Spracherkennung (mit rückgekoppelten neuronalen Netzen), der Bilderkennung (mit gefalteten neuronalen Netzen) und im autonomen Fahren vor.
Welche Schlüsselwörter sind relevant für diese Arbeit?
Relevante Schlüsselwörter sind: Künstliche neuronale Netze, Machine Learning, Deep Learning, Perzeptron, Backpropagation, Klassifikation, Spracherkennung, Bilderkennung, Autonomes Fahren, Überanpassung, verschwindender Gradient.
- Arbeit zitieren
- Dennis Hodapp (Autor:in), 2021, Künstliche neuronale Netzwerke. Grundlagen und Anwendungsfälle von KI, München, GRIN Verlag, https://www.grin.com/document/1603002
