neuronales Netzwerk
Ein (künstliches) neuronales Netz(werk) ist ein Programm oder Modell des maschinelles Lernens. Es trifft Entscheidungen auf ähnliche Weise wie das menschliche Gehirn: Seine Prozesse ahmen nach, wie biologische Neuronen zusammenwirken, um Phänomene zu identifizieren, Optionen abzuwägen und Schlussfolgerungen zu ziehen.
Neuronale Netzwerke bestehen aus Schichten von Knoten oder künstlichen Neuronen – eine Eingabeschicht, eine oder mehrere verborgene Schichten und eine Output-Schicht. Jeder Knoten ist mit anderen Knoten verbunden und verfügt über eine bestimmte Gewichtung und einen Schwellenwert. Wenn der Output eines einzelnen Knotens über dem angegebenen Schwellenwert liegt, wird dieser Knoten aktiviert und sendet Daten an die nächste Schicht des Netzes. Andernfalls werden keine Daten an die nächste Schicht des Netzes weitergegeben.
Neuronale Netze sind auf Trainingsdaten angewiesen, um zu lernen und mit der Zeit immer genauer zu werden, also immer mehr korrekte Aussagen zu treffen. Sobald dies der Fall ist, sind sie leistungsstarke Hilfsmittel in der Informatik und künstlichen Intelligenz und helfen uns, Daten mit hoher Geschwindigkeit zu klassifizieren und zu clustern. Für Aufgaben im Bereich Sprach- oder Bilderkennung braucht ein neuronales Netz im Vergleich zur manuellen Identifizierung durch menschliche Experten nur Minuten statt Stunden. Eines der bekanntesten Beispiele für ein neuronales Netz ist der Suchalgorithmus von Google.
Neuronale Netze werden manchmal auch als künstliche neuronale Netze (Artificial Neural Networks, ANNs) oder simulierte neuronale Netze (Simulated Neural Networks, SNNs) bezeichnet. Sie gehören in den größeren Komplex des maschinellen Lernens und bilden ihrerseits das Herzstück von Deep Learning-Modellen.
Weitere Informationen:
NEON
Index