Neuronale Netzwerke - Versionsgeschichte

Elisa am 27. Januar 2022 um 13:38 Uhr

2022-01-27T13:38:24Z

← Nächstältere Version		Version vom 27. Januar 2022, 15:38 Uhr
Zeile 26:		Zeile 26:

	Verschiedene Architekturen Neuronaler Netze:		Verschiedene Architekturen Neuronaler Netze:
	[[File:DynamischeNeuronaleFelder.jpg\|768px]]		[[File:DynamischeNeuronaleFelder.jpg\|768px\|link=Ausgelagerte_Bildbeschreibungen#Dynamische_Neuronale_Felder\|Ausgelagerte Bildbeschreibung von Dynamische Neuronale Felder]]

Elisa: /* einschichtig, rekurrent */

2022-01-27T10:51:36Z

einschichtig, rekurrent

← Nächstältere Version		Version vom 27. Januar 2022, 12:51 Uhr
Zeile 19:		Zeile 19:

	===einschichtig, rekurrent===		===einschichtig, rekurrent===
	[[File:neuronetz_einschichtig_rekurrent.png\|194px\|einschichtig, rekurrent]]		[[File:neuronetz_einschichtig_rekurrent.png\|194px\|einschichtig, rekurrent\|link=Ausgelagerte_Bildbeschreibungen#Neuronale_Netzwerke_einschichtig_rekurrent\|Ausgelagerte Bildbeschreibung von Neuronale Netzwerke einschichtig rekurrent]]
	<br><small>Bilder CC-BY-SA 3.0 [http://commons.wikimedia.org/wiki/User:Chrislb by Chrislb]</small>		<br><small>Bilder CC-BY-SA 3.0 [http://commons.wikimedia.org/wiki/User:Chrislb by Chrislb]</small>

Elisa: /* mehrschichtig, feedforward */

2022-01-21T14:08:13Z

mehrschichtig, feedforward

← Nächstältere Version		Version vom 21. Januar 2022, 16:08 Uhr
Zeile 16:		Zeile 16:

	===mehrschichtig, feedforward===		===mehrschichtig, feedforward===
	[[File:neuronetz_mehrschichtig_feedforward.png\|310px\|mehrschichtig, feedforward]]		[[File:neuronetz_mehrschichtig_feedforward.png\|310px\|mehrschichtig, feedforward\|link=Ausgelagerte_Bildbeschreibungen#Neuronale_Netzwerke_mehrschichtig_feedforward\|Ausgelagerte Bildbeschreibungen von Neuronale Netzwerke mehrschichtig feedforward]]

	===einschichtig, rekurrent===		===einschichtig, rekurrent===
	[[File:neuronetz_einschichtig_rekurrent.png\|194px\|einschichtig, rekurrent]]		[[File:neuronetz_einschichtig_rekurrent.png\|194px\|einschichtig, rekurrent]]

Elisa: /* einschichtig, feedforward */

2022-01-18T23:53:30Z

einschichtig, feedforward

← Nächstältere Version		Version vom 19. Januar 2022, 01:53 Uhr
Zeile 13:		Zeile 13:
	Künstliche Neuronale Netze unterscheiden sich in ihren Funktionen vor allem durch ihre Struktur. Es gibt einschichtige und mehrschichtige Netze. Einschichtige neuronale Netze bestehen aus nur einer Schicht Neuronen, mehrschichtige aus mehreren Schichten. Letztere können wiederrum entweder ''feedforward'' oder ''rekurrente'' (feedback) vernetzt sein. Bei mehrschichtigen Netzten nennt sich die Eingabeschicht „input layer“, die Ausgabeschicht „output layer“, dazwischenliegende verdeckte Schichten heißen „hidden layers“. Ein feedforward Netz bedeutet, dass eine Schicht immer nur mit der nächsthöheren verbunden ist, während rekurrente Netze über Rückkopplungsverbindungen verknüpft sind. Sie erlauben somit ein Feedback zu der Information, welches ein dynamisches Verhalten des Netzwerkes möglich macht.		Künstliche Neuronale Netze unterscheiden sich in ihren Funktionen vor allem durch ihre Struktur. Es gibt einschichtige und mehrschichtige Netze. Einschichtige neuronale Netze bestehen aus nur einer Schicht Neuronen, mehrschichtige aus mehreren Schichten. Letztere können wiederrum entweder ''feedforward'' oder ''rekurrente'' (feedback) vernetzt sein. Bei mehrschichtigen Netzten nennt sich die Eingabeschicht „input layer“, die Ausgabeschicht „output layer“, dazwischenliegende verdeckte Schichten heißen „hidden layers“. Ein feedforward Netz bedeutet, dass eine Schicht immer nur mit der nächsthöheren verbunden ist, während rekurrente Netze über Rückkopplungsverbindungen verknüpft sind. Sie erlauben somit ein Feedback zu der Information, welches ein dynamisches Verhalten des Netzwerkes möglich macht.
	===einschichtig, feedforward===		===einschichtig, feedforward===
	[[File:neuronetz_einschichtig_feedforward.png\|195px\|einschichtig, feedforward]]		[[File:neuronetz_einschichtig_feedforward.png\|195px\|einschichtig, feedforward\|link=Ausgelagerte_Bildbeschreibungen#Neuronale_Netzwerke_einschichtig_feedforward\|Ausgelagerte Bildbeschreibung von Neuronale Netzwerke einschichtig feedforward]]

	===mehrschichtig, feedforward===		===mehrschichtig, feedforward===
	[[File:neuronetz_mehrschichtig_feedforward.png\|310px\|mehrschichtig, feedforward]]		[[File:neuronetz_mehrschichtig_feedforward.png\|310px\|mehrschichtig, feedforward]]

Elisa: /* Grundlagen */

2022-01-18T23:44:21Z

Grundlagen

← Nächstältere Version		Version vom 19. Januar 2022, 01:44 Uhr
Zeile 8:		Zeile 8:

	Lernen findet durch Veränderung der Verbindungsstärken zwischen Einheiten statt. Donald O. Hebb entwarf 1949 die grundlegende Lernregel: '''„what fires together, wires together“'''. Die Idee ist, dass gleichzeitig feuernde Neurone stärker miteinander verknüpft werden. Seine Formel kann in Künstlichen Neuronalen Netzen z.B. eingesetzt werden um die Konditionierung zu simulieren: ein US (z.B. Essen im Mund) und ein CS (z.B. Glockenleuten) aktivieren jeweils eine Einheit. Diese Einheiten wiederum sind mit einer weiteren Einheit (z.B. Speicheln) verbunden. Wenn nun die US Einheit aktiviert ist (Essen im Mund), aktiviert das die Verhaltenseinheit (Speicheln). Wenn nun gleichzeitig die CS Einheit aktiviert wird (Glocke läutet), so führt die Koaktivierung der Einheiten zu einer Verstärkung der Verbindungsgewichte zwischen ihnen. Mit der Zeit genügt der CS, um das Verhalten auszulösen.		Lernen findet durch Veränderung der Verbindungsstärken zwischen Einheiten statt. Donald O. Hebb entwarf 1949 die grundlegende Lernregel: '''„what fires together, wires together“'''. Die Idee ist, dass gleichzeitig feuernde Neurone stärker miteinander verknüpft werden. Seine Formel kann in Künstlichen Neuronalen Netzen z.B. eingesetzt werden um die Konditionierung zu simulieren: ein US (z.B. Essen im Mund) und ein CS (z.B. Glockenleuten) aktivieren jeweils eine Einheit. Diese Einheiten wiederum sind mit einer weiteren Einheit (z.B. Speicheln) verbunden. Wenn nun die US Einheit aktiviert ist (Essen im Mund), aktiviert das die Verhaltenseinheit (Speicheln). Wenn nun gleichzeitig die CS Einheit aktiviert wird (Glocke läutet), so führt die Koaktivierung der Einheiten zu einer Verstärkung der Verbindungsgewichte zwischen ihnen. Mit der Zeit genügt der CS, um das Verhalten auszulösen.
	[[File:HebbscheLernregel.jpg\|768px\|Beispiel: Neuronale Netze\|Beispiel: Hebb'sche Lernregel in neuronalen Netzen]]		[[File:HebbscheLernregel.jpg\|768px\|Beispiel: Neuronale Netze\|Beispiel: Hebb'sche Lernregel in neuronalen Netzen\|link=Ausgelagerte_Bildbeschreibungen#Hebb'sche_Lernregel\|Ausgelagerte Bildbeschreibung von Hebb'sche Lernregel]]


	==Funktionale Unterschiede==		==Funktionale Unterschiede==

Micha: Micha verschob die Seite Sandkasten:Neuronale Netzwerke nach Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

2015-07-15T22:06:57Z

Micha verschob die Seite Sandkasten:Neuronale Netzwerke nach Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

← Nächstältere Version	Version vom 16. Juli 2015, 00:06 Uhr
(kein Unterschied)

Micha: Micha verschob die Seite Neuronale Netzwerke nach Sandkasten:Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

2015-06-29T15:55:35Z

Micha verschob die Seite Neuronale Netzwerke nach Sandkasten:Neuronale Netzwerke, ohne dabei eine Weiterleitung anzulegen

← Nächstältere Version	Version vom 29. Juni 2015, 17:55 Uhr
(kein Unterschied)

Micha: Die Seite wurde neu angelegt: „{{Nav||Modellierung|Hauptseite}} =Neuronale Netzwerke= Die Idee der Modellierung psychischer Prozesse durch Künstliche Neuronale Netze entspricht der Forschun…“

2015-06-29T15:55:12Z

Die Seite wurde neu angelegt: „{{Nav||Modellierung|Hauptseite}} =Neuronale Netzwerke= Die Idee der Modellierung psychischer Prozesse durch Künstliche Neuronale Netze entspricht der Forschun…“

Neue Seite

{{Nav||Modellierung|Hauptseite}}
=Neuronale Netzwerke=
Die Idee der Modellierung psychischer Prozesse durch Künstliche Neuronale Netze entspricht der Forschungsrichtung des [[Konnektionismus]]. Die Idee dahinter ist, Modelle einzelner Komponenten in Anlehung an die Funktionsweise des Gehirns zu entwerfen. Diese Komponenten spiegeln Prozesse der Informationsverarbeitung wider und können diese auf gegebenen Stimuli ausführen. Die '''zentralen Fähigkeiten''' neuronaler Netze liegen im ''Lernen'' und der ''Selbstorganisation'' von Informationen, der damit verbundenen ''Toleranz von Informationsfehlern'', dem ''Erkennen von Mustern'' und schließlich der ''Generalisierung'' dieser Prozesse, z.B. auf noch nie gesehene Stimuli.<br>
Durch die Modellierung sollen Verhaltensweisen und Verhaltensveränderungen repliziert, erklärt und vorhergesagt werden.

==Grundlagen==
Bei der Modellierung durch Künstliche Neuronale Netze greift man unter anderem auf die {Neuronenhypothese} zurück, es werden Neurone „simuliert“. Hierbei werden ''kleinste einfache Einheiten verschaltet''. Diese Verschaltungen ähneln biologischen ''„Synapsen“', also den Verbindungsstellen zwischen biologischen Neuronen. Aufgrund dieser Verbindungen erhält jede Einheit ''vektorielle Inputs'' („Reize“) von ihren verbundenen Nachbareinheiten. Diese Reize werden je nach Verbindungsstärke unterschiedlich ''gewichtet''. Die Gewichtung des Inputs ist dabei im Modell ''veränderbar'', was die Basis für späteres Lernen bildet. Diese gewichteten Inputs werden im in der Einheit (auch „Unit“ oder „Knoten“ genannt) aufsummiert (kumuliert). Über eine Aktivierungsfunktion wird schließlich der Output berechnet. Er ist skalar (durch einen numerischen Wert beschrieben) und oftmals nichtlinear (abhängig von der gewählten Aktivierungsfunktion).

Lernen findet durch Veränderung der Verbindungsstärken zwischen Einheiten statt. Donald O. Hebb entwarf 1949 die grundlegende Lernregel: '''„what fires together, wires together“'''. Die Idee ist, dass gleichzeitig feuernde Neurone stärker miteinander verknüpft werden. Seine Formel kann in Künstlichen Neuronalen Netzen z.B. eingesetzt werden um die Konditionierung zu simulieren: ein US (z.B. Essen im Mund) und ein CS (z.B. Glockenleuten) aktivieren jeweils eine Einheit. Diese Einheiten wiederum sind mit einer weiteren Einheit (z.B. Speicheln) verbunden. Wenn nun die US Einheit aktiviert ist (Essen im Mund), aktiviert das die Verhaltenseinheit (Speicheln). Wenn nun gleichzeitig die CS Einheit aktiviert wird (Glocke läutet), so führt die Koaktivierung der Einheiten zu einer Verstärkung der Verbindungsgewichte zwischen ihnen. Mit der Zeit genügt der CS, um das Verhalten auszulösen.
[[File:HebbscheLernregel.jpg|768px|Beispiel: Neuronale Netze|Beispiel: Hebb'sche Lernregel in neuronalen Netzen]]

==Funktionale Unterschiede==
Künstliche Neuronale Netze unterscheiden sich in ihren Funktionen vor allem durch ihre Struktur. Es gibt einschichtige und mehrschichtige Netze. Einschichtige neuronale Netze bestehen aus nur einer Schicht Neuronen, mehrschichtige aus mehreren Schichten. Letztere können wiederrum entweder ''feedforward'' oder ''rekurrente'' (feedback) vernetzt sein. Bei mehrschichtigen Netzten nennt sich die Eingabeschicht „input layer“, die Ausgabeschicht „output layer“, dazwischenliegende verdeckte Schichten heißen „hidden layers“. Ein feedforward Netz bedeutet, dass eine Schicht immer nur mit der nächsthöheren verbunden ist, während rekurrente Netze über Rückkopplungsverbindungen verknüpft sind. Sie erlauben somit ein Feedback zu der Information, welches ein dynamisches Verhalten des Netzwerkes möglich macht.
===einschichtig, feedforward===
[[File:neuronetz_einschichtig_feedforward.png|195px|einschichtig, feedforward]]
===mehrschichtig, feedforward===
[[File:neuronetz_mehrschichtig_feedforward.png|310px|mehrschichtig, feedforward]]
===einschichtig, rekurrent===
[[File:neuronetz_einschichtig_rekurrent.png|194px|einschichtig, rekurrent]]
<br><small>Bilder CC-BY-SA 3.0 [http://commons.wikimedia.org/wiki/User:Chrislb by Chrislb]</small>

==Komplexe Netzwerkarchitekturen ==
Um die komplexen Mechanismen eines Gehirns zu modellieren, die zum Beispiel bei sozialer Interaktion auftreten, genügt die Simulation durch ein Netz oft nicht. Man koppelt dann zum Beispiel mehrere verschiedene künstliche neuronale Netze hierarchisch aneinander und setzt so ein komplexes neuronales Netz aus mehreren einfacheren Subnetzen zusammen.

Verschiedene Architekturen Neuronaler Netze:
[[File:DynamischeNeuronaleFelder.jpg|768px]]