Was ist ein neuronales Netzwerk?

Künstliche neuronale Netzwerke (ANN), häufiger als neuronale Netzwerke (NN) bezeichnet, sind Computersysteme, die von den biologischen neuronalen Netzwerken inspiriert sind, aus denen menschliche Gehirne bestehen.

Neuronale Netzwerke: Eine kurze Geschichte

Neuronale Netzwerke mögen neu und aufregend erscheinen, aber das Feld selbst ist überhaupt nicht neu. Frank Rosenblatt, ein amerikanischer Psychologe, konzipierte und versuchte 1958, eine Maschine zu bauen, die wie der menschliche Geist reagiert. Er nannte seine Maschine „Perzeptron“.

Praktisch gesehen lernen künstliche neuronale Netzwerke mit gutem Beispiel, ähnlich wie ihre biologischen Gegenstücke. Externe Eingaben werden auf die gleiche Weise wie das menschliche Gehirn empfangen, verarbeitet und bearbeitet.

Die Schichtstruktur neuronaler Netzwerke

Wir wissen, dass verschiedene Bereiche des menschlichen Gehirns so programmiert sind, dass sie verschiedene Arten von Informationen verarbeiten. Diese Teile des Gehirns sind hierarchisch in Schichten angeordnet. Wenn Informationen in das Gehirn gelangen, verarbeitet jede Schicht oder Ebene von Neuronen ihre bestimmte Aufgabe. Die eingehenden Informationen werden verarbeitet, Erkenntnisse abgeleitet und an die nächste und übergeordnete Schicht weitergeleitet. Wenn Sie beispielsweise an einer Bäckerei vorbeigehen, reagiert Ihr Gehirn schrittweise auf das Aroma von frisch gebackenem Brot:

• Dateneingabe: Der Duft von frisch gebackenem Brot
• Gedanke: Das erinnert mich an meine Kindheit
• Entscheidungsfindung: Ich glaube, ich kaufe ein bisschen was von diesem Brot
• Erinnerung: Aber ich habe schon zu Mittag gegessen
• Argumentation: Vielleicht könnte ich einen Imbiss essen
• Handlung: Kann ich bitte einen Laib dieses Brots haben?

So funktioniert das Gehirn stufenweise. Künstliche neuronale Netzwerke funktionieren auf ähnliche Weise. Neuronale Netzwerke versuchen, diesen vielschichtigen Ansatz zur Verarbeitung verschiedener Informationseingaben zu simulieren und Entscheidungen darauf zu stützen.

Auf der Ebene zellulärer oder einzelner Neuronen werden die Funktionen abgestimmt. Neuronen sind die Nervenzellen im Gehirn. Nervenzellen haben feine Verlängerungen, die als Dendriten bekannt sind. Sie empfangen Signale und übertragen sie dann an den Zellkörper. Der Zellkörper verarbeitet die Impulse und entscheidet, Signale an andere Neuronen im Netzwerk auszulösen. Wenn sich die Zelle dazu entscheidet, leitet die als Axon bekannte Erweiterung des Zellkörpers das Signal über chemische Übertragung an andere Zellen weiter. Die Funktionsweise neuronaler Netzwerke wird von der Funktion der Neuronen in unserem Gehirn aktiviert, obwohl sich der technologische Wirkungsmechanismus vom biologischen unterscheidet.

Funktionsweise neuronaler Netzwerke ähnelt dem menschlichen Gehirn

Ein künstliches neuronales Netzwerk in seiner grundlegendsten Form besteht aus drei Neuronen-Schichten. Informationen fließen von einer zur nächsten, genau wie im menschlichen Gehirn:

• Die Eingabeschicht: Der Eintrittspunkt der Daten in das System
• Die verborgene Schicht: Dort, wo die Informationen verarbeitet werden
• Die Ausgabeschicht: Dort, wo das System anhand der Daten entscheidet, wie es weitergehen soll

Komplexere künstliche neuronale Netzwerke haben mehrere Schichten, von denen einige verborgen sind.

Das neuronale Netzwerk funktioniert über eine Ansammlung von Knoten oder verbundenen Einheiten, genau wie künstliche Neuronen. Diese Knoten modellieren lose das Neuronennetzwerk im tierischen Gehirn. Genau wie sein biologisches Gegenstück empfängt ein künstliches Neuron ein Signal in Form eines Impulses, verarbeitet es und sendet ein Signal an andere damit verbundene Neuronen.

Die Ähnlichkeiten hören hier jedoch auf.

Die neuronale Funktionsweise eines künstlichen neuronalen Netzwerks

In einem künstlichen neuronalen Netzwerk erhält das künstliche Neuron einen Impuls in Form eines Signals, das eine reelle Zahl ist. Dann:

• wird die Ausgabe jedes Neurons durch eine nichtlineare Funktion der Summe seiner Eingänge berechnet.
• Die Verbindungen zwischen den Neuronen werden als Kanten bezeichnet.
• Sowohl Neuronen als auch Kanten haben ein Gewicht. Dieser Parameter passt sich an und ändert sich im Laufe des Lernens.
• Das Gewicht erhöht oder verringert die Stärke des Signals an einer Verbindung.
• Neuronen können einen Schwellenwert haben. Ein Signal wird nur weitergeleitet, wenn das Aggregat-Signal diesen Schwellenwert überschreitet.

Wie bereits erwähnt, werden Neuronen zu Schichten aggregiert. Verschiedene Schichten können unterschiedliche Änderungen an ihren Eingaben vornehmen. Signale flitzen von der ersten Schichten (der Eingabeschicht) zur letzten Schicht (der Ausgabeschicht) auf die oben beschriebene Weise, manchmal nachdem sie die Schichten mehrmals durchlaufen haben.

Neuronale Netzwerke enthalten von Natur aus eine Art Lernregel, die die Gewichte der neuronalen Verbindungen entsprechend den ihnen präsentierten Eingabemustern modifiziert. Ein wachsendes Kind lernt genauso, Tiere anhand von Tierbeispielen zu erkennen.

Neuronale Netzwerke und Deep Learning

Es ist unmöglich, über neuronale Netzwerke zu sprechen, ohne Deep Learning zu erwähnen. Die Begriffe „neuronale Netzwerke“ und „Deep Learning“ werden oft als Synonyme verwendet, obwohl sie sich voneinander unterscheiden. Beide sind jedoch eng miteinander verbunden, da eines von dem anderen abhängt, um zu funktionieren. Wenn es keine neuronalen Netzwerke gäbe, würde Deep Learning auch nicht existieren:

• Deep Learning ist die neueste Entwicklung einer Entität, die bereits an vorderster Front steht, der künstlichen Intelligenz (KI).
• Deep Learning unterscheidet sich vom maschinellen Lernen. Mit Deep Learning soll der Computer lernen, Daten zu verarbeiten und daraus zu lernen.
• Mit Deep Learning trainiert sich der Computer kontinuierlich darin, Daten zu verarbeiten, daraus zu lernen und mehr Funktionen aufzubauen. Die mehrfachen Schichten komplexerer künstlicher neuronaler Netzwerke machen dies möglich.
• Komplexe neuronale Netzwerke enthalten eine Eingabeschicht und eine Ausgabeschicht, genau wie einfache neuronale Netzwerke, aber sie enthalten auch mehrere versteckte Schichten. Daher werden sie als tiefes neuronales Netzwerk bezeichnet und fördern Deep Learning.
• Ein Deep-Learning-System lehrt sich selbst und wird im Laufe der Zeit „kenntnisreicher“. Das System filtert Informationen durch mehrere verborgene Schichten, ähnlich wie das menschliche Gehirn mit all seiner Komplexität.

Warum Deep Learning für Unternehmen wichtig ist

Deep Learning ist wie der neue Goldrausch oder die neueste Ölentdeckung in der Technologiewelt. Das Potenzial von Deep Learning hat das Interesse großer, etablierter Unternehmen sowie aufstrebender Start-Up-Unternehmen und allen dazwischen geweckt. Warum?

Deep Learning ist Teil des datenbasierten Gesamtbildes, insbesondere dank der zunehmenden Bedeutung von Big Data. Stellen Sie sich aus dem Internet abgeleitete Daten als Rohöl vor, das in Datenbanken, Data Warehouses und Data Lakes gespeichert ist und darauf wartet, mit verschiedenen Datenanalytik-Tools gefördert zu werden. Deep Learning ist die Ölraffinerie, die die Rohdaten aufnimmt und in Endprodukte umwandelt, die Sie verwenden können.

Deep Learning ist das Endspiel in einem Markt, der mit Analyse-Tools überflutet ist, die sich auf einem Nährboden von Daten befinden: Ohne eine effiziente und hochmoderne Verarbeitungseinheit ist es einfach nicht möglich, etwas Wertvolles zu extrahieren.

Deep Learning hat das Potenzial, Menschen durch die Automatisierung sich wiederholender Aufgaben zu ersetzen. Deep Learning kann jedoch nicht die Denkprozesse eines Wissenschaftlers oder Ingenieurs ersetzen, der Deep-Learning-Anwendungen erstellt und verwaltet.

Unterscheidung zwischen maschinellem Lernen und anderen Arten des Lernens

Maschinelles Lernen

Wenn es um das Wie des maschinellen Lernens geht, geht es darum, die Lernalgorithmen wie lineare Regression, K-Means, Entscheidungsbäume, Random Forests, KNN-Algorithmus (K-Nächste-Nachbarn) und Support-Vector-Machine- oder SVM-Algorithmus zu trainieren.

Diese Algorithmen durchsuchen Datensätze und lernen dabei, sich an neue Situationen anzupassen und nach interessanten und aufschlussreichen Datenmustern zu suchen. Daten sind das wichtigste Substrat für diese optimale Funktion dieser Algorithmen.

Überwachtes Lernen

Die für das Training des maschinellen Lernens verwendeten Datensätze können beschriftet werden. Der Datensatz wird mit einem Antwortblatt geliefert, das den Computer über die richtige Antwort informiert. Beispielsweise kann ein Computer, der einen Posteingang auf Spam scannt, auf einen beschrifteten Datensatz verweisen, um zu verstehen, welche E-Mails Spam und welche legitim sind. Dies wird als überwachtes Lernen bezeichnet. Die überwachte Regression oder Klassifizierung erfolgt mit Hilfe der linearen Regression und des K-Nächste-Nachbarn-Algorithmus.

Unüberwachtes Lernen

Wenn Datensätze nicht beschriftet sind und Algorithmen wie K-Means verwendet werden, um Cluster-Muster ohne den Vorteil von Referenzblättern zu aggregieren, wird dies als unbeaufsichtigtes Lernen bezeichnet.

Neuronale Netzwerke und Fuzzy-Logik

Abgesehen davon ist es auch wichtig, zwischen neuronalen Netzwerken und Fuzzy-Logik zu unterscheiden. Mit der Fuzzy-Logik können Sie konkrete Entscheidungen auf der Grundlage ungenauer oder mehrdeutiger Daten treffen. Andererseits versuchen neuronale Netzwerke menschenähnliche Denkprozesse einzubeziehen, um Probleme zu lösen, ohne zuvor mathematische Modelle zu entwickeln.

Wie unterscheiden sich neuronale Netzwerke von herkömmlicher Datenverarbeitung?

Um besser zu verstehen, wie Computer mit einem künstlichen neuronalen Netzwerk funktioniert, müssen ein herkömmlicher „serieller“ Computer und seine Softwareprozessinformationen verstanden werden.

Ein serieller Computer verfügt über einen Zentralprozessor, der eine Reihe von Speicherplätzen adressieren kann, in denen Daten und Befehle gespeichert sind. Der Prozessor liest Befehle und alle Daten, die der Befehl benötigt, aus Speicheradressen. Der Befehl wird dann ausgeführt und die Ergebnisse werden an einem bestimmten Speicherplatz gespeichert.

In einem seriellen oder einem parallelen Standardsystem sind die Rechenschritte deterministisch, sequenziell und logisch. Darüber hinaus kann der Zustand einer bestimmten Größe von einer Operation zur anderen verfolgt werden.

Die Funktionsweise neuronaler Netzwerke

Im Gegensatz dazu sind künstliche neuronale Netzwerke weder sequentiell noch unbedingt deterministisch. Sie enthalten keine komplexen Zentralprozessoren. Stattdessen bestehen sie aus mehreren einfachen Prozessoren, die die gewichtete Summe ihrer Eingänge von anderen Prozessoren übernehmen.

Neuronale Netzwerke führen keine programmierten Befehle aus. Sie reagieren parallel (entweder simuliert oder tatsächlich) zum Muster der ihm präsentierten Eingänge.

Neuronale Netzwerke enthalten keine separaten Speicheradressen für die Datenspeicherung. Stattdessen sind Informationen im Gesamtaktivierungszustand des Netzwerks enthalten. Wissen wird durch das Netzwerk selbst repräsentiert, das buchstäblich mehr ist als die Summe seiner einzelnen Komponenten.

Vorteile neuronaler Netzwerke gegenüber herkömmlichen Techniken

Es ist zu erwarten, dass sich neuronale Netzwerke bei Problemen recht effizient selbst trainieren, bei denen die Beziehungen dynamisch oder nichtlinear sind. Diese Fähigkeit wird weiter verbessert, wenn die internen Datenmuster stark sind. Es hängt auch in gewissem Maße von der Anwendung selbst ab.

Neuronale Netzwerke sind eine analytische Alternative zu Standardtechniken, die sich etwas auf Ideen wie strenge Annahmen von Linearität, Normalität und variabler Unabhängigkeit beschränken.

Die Fähigkeit neuronaler Netzwerke, eine Vielzahl von Zusammenhängen zu untersuchen, erleichtert es dem Benutzer, Phänomene schnell zu modellieren. Diese Phänomene waren sonst möglicherweise nur schwer oder sogar unmöglich zu verstehen.

Einschränkungen neuronaler Netzwerke

Es gibt einige spezifische Probleme, die potenzielle Benutzer beachten sollten, insbesondere im Zusammenhang mit neuronalen Netzwerken mit Backpropagation und bestimmten anderen Netzwerktypen.

Prozess ist nicht erklärbar

Neuronale Netzwerke mit Backpropagation wurden als ultimative Blackbox bezeichnet. Abgesehen von der Beschreibung der allgemeinen Architektur und möglicherweise der Verwendung einiger Zufallszahlen als Seeding muss der Benutzer lediglich die Eingabe bereitstellen, ein Training durchführen und dann die Ausgabe empfangen. Bei einigen Softwarepaketen können Benutzer den Fortschritt des Netzwerks im Laufe der Zeit abtasten. Das Lernen selbst schreitet in diesen Fällen von selbst voran.

Die endgültige Ausgabe ist ein geschultes Netzwerk, das in dem Sinne autonom ist, dass es keine Gleichungen oder Koeffizienten liefert, die eine Beziehung außerhalb seiner eigenen internen Mathematik definieren. Das Netzwerk selbst ist die endgültige Gleichung der Beziehung.

Langsamer zu trainieren

Darüber hinaus trainieren Backpropagationsnetzwerke tendenziell langsamer als andere Netzwerktypen und erfordern manchmal Tausende von Epochen. Dies liegt daran, dass die Zentraleinheit der Maschine die Funktion jedes Knotens und jeder Verbindung separat berechnen muss. Dies kann sehr umständlich sein und Probleme in sehr großen Netzwerken mit einer riesigen Datenmenge verursachen. Moderne Maschinen arbeiten jedoch schnell genug, um dieses Problem zu umgehen.

Anwendungen neuronaler Netzwerke

Neuronale Netzwerke sind universelle Approximatoren. Sie funktionieren am besten, wenn das System eine hohe Fehlertoleranz aufweist.

Neuronale Netzwerke sind nützlich:

• zum Verständnis von Assoziationen oder zur Entdeckung regulärer Elemente innerhalb einer Reihe von Mustern
• wenn entweder das Volumen der Daten oder die Vielfalt der Parameter enorm sind
• zum vagen Verständnis der Beziehungen zwischen Variablen
• wenn herkömmliche Ansätze bei der Beschreibung von Beziehungen nicht ausreichen

Dieses wunderschöne, von der Biologie inspirierte Paradigma ist eine der elegantesten technologischen Entwicklungen unserer Zeit.