Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen der Seite angezeigt.

--- faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:start [09.05.2023 17:30] – Marco Kuemmel
+++ faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:start [12.09.2023 18:44] (aktuell) – Marco Kuemmel
@@ Zeile 1: / Zeile 1: @@
+((Quelle siehe: [[faecher:informatik:oberstufe:machine_learning:einfuehrung_mit_membrain:start|Einführung in Maschinelles Lernen mithilfe von MemBrain]] ))
 <WRAP center round important 90%>
 Orientiere dich bei der Bearbeitung der Arbeitsblätter am **WIKI**! Lies hier genau welche Aufgabe als nächstes bearbeitet werden soll und lies zwischen den Aufgaben (falls vorhanden) erst hier die nächste Information.
@@ Zeile 9: / Zeile 10: @@
 {{:aufgabe.png?nolink  |}}
 === Arbeitsblatt 1) ===
 Bearbeite das folgende Arbeitsblatt.
-Nutze für die Aufgabe 1 u. a. die folgende Seite: http://www.biologie-schule.de/nervenzelle-neuron.php
+Nutze für die Aufgabe 1 u. a. die folgende Seite: http://www.biologie-schule.de/nervenzelle-neuron.php
 {{ :faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:ab_1_-_gehirn.pdf |}}
@@ Zeile 58: / Zeile 59: @@
 Typischerweise werden Neuornale Netze (NN) so dargestellt, dass die Daten von links nach rechts laufen.
-  * Der **Input-Layer** hat keine wirklich Funktion (insb. keine Aktivierungsschwelle), sondern liefert nur die "nackten" Eingabedaten.
+  * Der **Input-Layer** hat keine wirkliche Funktion (insb. keine Aktivierungsschwelle), sondern liefert nur die "nackten" Eingabedaten.
   * 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.
 {{ :faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:nn_example2.png?600 |}}
-  * Wenn es mehrere Hidden-Layers gibt, dann spricht man vom **deep learning** (in etwa "tiefgehendes Lernen"). Damit können noch komplexere Zusammenhänge berücksichtigt werden, allerdings gilt **nicht** zwingend der Zusammenhang "mehr = besser"!
+  * Wenn es mehrere Hidden-Layer gibt, dann spricht man vom **deep learning** (in etwa "tiefgehendes Lernen"). Damit können noch komplexere Zusammenhänge berücksichtigt werden, allerdings gilt **nicht** zwingend der Zusammenhang "mehr = besser"!
   * Bei diesem zweiten Bild sieht man außerdem gut, dass alle Neuronen **benachbarter Ebenen** miteinander verbunden sind, aber **nicht** die Neuronen innerhalb einer Ebene.
-  * Außerdem sieht man, dass es auch mehrere outputs geben kann. Diese können je nach Anwendungszweck beispielsweise als Binärzahl, Koordinaten oder ähnliches aufgefasst werden.
+  * 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: |
+{{ :faecher:informatik:oberstufe:machine_learning:einfuehrung_nn:blatt2_aufg4_lsg.jpg?600 |}}
+++++
+<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)!**
+</WRAP>
-{{simplefilelist>.:*}}
+{{simplefilelist>.:*.pdf}}