Künstliche neuronale Netze – ein Überblick
Von Idego Group
Künstliche neuronale Netze (ANNs) stellen einen bedeutenden Fortschritt in der Machine-Learning-Technologie dar. Viele Fortschritte im Bereich der künstlichen Intelligenz sind neue statistische Modelle, wobei ANNs die dominierende Technologie sind, die diese Entwicklungen vorantreibt.
Obwohl ANNs gehirninspirierte Computersysteme sind, unterscheiden sie sich von den in der Neurobiologie untersuchten biologischen neuronalen Netzen. Diese Systeme bestehen aus Eingabe- und Ausgabeschichten mit verborgenen Verarbeitungseinheiten, die Daten in nutzbare Ausgaben transformieren.
Historisch gesehen entwickelten sich ANNs aus Perzeptronmodellen, die in den 1960er Jahren mit McCulloch-Pitts-Neuronen entwickelt wurden. Forscher entwickelten später mehrschichtige Perzeptrons, die zum Synonym für moderne künstliche neuronale Netze wurden.
Die drei primären Verwendungszwecke von ANNs umfassen: Klassifikation, die Daten in vordefinierte Klassen kategorisiert; Clustering, das Daten in undefinierte Kategorien gruppiert; und Vorhersage, die künftige Ergebnisse auf der Grundlage historischer Muster prognostiziert.
ANNs funktionieren durch überwachtes Lernen, bei dem Netze durch die Verarbeitung zahlreicher Frage-Antwort-Beispiele lernen. Berechnungen und Werte, die gefragt und beantwortet werden, werden an jedem Neuron gespeichert, und Synapsen werden durch einen Prozess namens Backpropagation langsam angepasst.
Es gibt drei wesentliche Architekturtypen. Rekurrente neuronale Netze beheben Einschränkungen durch die Einbeziehung von Vorwissen. Convolutional Neural Networks verarbeiten Bilddaten effizient durch die Wiederverwendung von Neuronen. Reinforcement-Learning-Systeme maximieren Belohnungen durch Verhaltensoptimierung.