Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.
Beide Seiten, vorherige Überarbeitung Vorherige Überarbeitung Nächste Überarbeitung | Vorherige ÜberarbeitungLetzte ÜberarbeitungBeide Seiten, nächste Überarbeitung | ||
faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:start [09.05.2023 16:49] – Marco Kuemmel | faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:start [11.09.2023 19:05] – [Wie ist ein künstliches Neuron aufgebaut?] Marco Kuemmel | ||
---|---|---|---|
Zeile 9: | Zeile 9: | ||
{{: | {{: | ||
=== Arbeitsblatt 1) === | === Arbeitsblatt 1) === | ||
- | Bearbeite das folgende Arbeitsblatt. | + | Bearbeite das folgende Arbeitsblatt. |
- | Nutze für die Aufgabe 1 u. a. die folgende Seite: http:// | + | Nutze für die Aufgabe 1 u. a. die folgende Seite: http:// |
{{ : | {{ : | ||
Zeile 52: | Zeile 52: | ||
++++ | ++++ | ||
- | {{simplefilelist> | + | ===== Künstliches neuronales Netzwerk ===== |
+ | Wenn wir mehrere (künstliche) Neuronen hintereinander schalten und vielfach miteinander verknüpfen, | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | Typischerweise werden Neuornale Netze (NN) so dargestellt, | ||
+ | * Der **Input-Layer** hat keine wirkliche Funktion (insb. keine Aktivierungsschwelle), | ||
+ | * Der **Hidden-Layer** (davon muss mindestens einer existieren, um von einem Netzwerk sprechen zu können), ist notwendig, um komplexere Zusammenhänge zwischen den Eingabedaten berücksichtigen zu können. Er ist versteckt (hidden), da man ihn von außerhalb nicht direkt erkennen kann, da man nur mit der Ein- und Ausgabe zu tun hat. | ||
+ | * Der **Output-Layer** gibt schließlich das Ergebnis aus. | ||
+ | |||
+ | {{ : | ||
+ | * Wenn es mehrere Hidden-Layer gibt, dann spricht man vom **deep learning** (in etwa " | ||
+ | * Bei diesem zweiten Bild sieht man außerdem gut, dass alle Neuronen **benachbarter Ebenen** miteinander verbunden sind, aber **nicht** die Neuronen innerhalb einer Ebene. | ||
+ | * Zudem sieht man, dass es auch mehrere Outputs geben kann. Diese können je nach Anwendungszweck beispielsweise als Binärzahl, Koordinaten oder ähnliches aufgefasst werden. | ||
+ | |||
+ | **Bearbeite nun die (Knobel-)Aufgabe Nr. 4 auf dem Arbeitsblatt.** | ||
+ | ++++Mögliche Lösung: | | ||
+ | {{ : | ||
+ | ++++ | ||
+ | |||
+ | |||
+ | <WRAP center round info 90%> | ||
+ | **Erkenntnis: | ||
+ | Die Gewichte und Schwellenwerte kann man mit viel Aufwand bei kleinen Netzwerken manuell bestimmen. Bei großen Netzwerken wird das aber praktisch unmöglich.\\ | ||
+ | => **Wir müssen dem neuronalen Netz daher das eigenständige Lernen beibringen (siehe nächstes Kapitel)!** | ||
+ | </ | ||
+ | |||
+ | {{simplefilelist> |