Hallo!

Ich bin Jose, ein Doktorand im Bereich der Künstlichen Intelligenz. Heute nehme ich dich mit auf eine spannende Reise, um etwas über Künstliche Neuronale Netzwerke zu lernen.

Lassen Sie uns beginnen!

Hast du dich jemals gefragt, wie moderne KI-Systeme lernen, komplexe Aufgaben zu erledigen, wie zum Beispiel Gesichter zu erkennen, Texte zu übersetzen, Inhalte zu erzeugen, Krankheiten vorherzusagen oder Stimmen zu erkennen? Die Antwort liegt oft in künstlichen neuronalen Netzwerken.

AISystems

Aber was sind Künstliche Neuronale Netze?

Nun, beginnen wir mit einer interessanten Tatsache...

Wussten Sie, dass die frühen Forscher und Forscherinnen von unseren biologischen neuronalen Netzen inspiriert wurden, um Künstliche Neuronale Netze zu entwickeln? Ja, wirklich

https://giphy.com/gifs/harvard-brain-neuron-9N2UvCx7wXLnG

Werfen wir einen Blick auf die Beziehung zwischen unseren biologischen neuronalen Netzen und Künstlichen Neuronalen Netzen:

Unsere biologischen neuronalen Netze bestehen aus miteinander verbundenen Verarbeitungseinheiten, den Neuronen. Wenn wir genauer hinschauen, sehen wir, dass ein biologisches Neuron aus einem Soma, Dendriten und einem Axon besteht. Dendriten empfangen Signale, während Axone diese übertragen. Diese Signale werden durch Synapsen weitergegeben. Diese komplexe Kommunikation ermöglicht Aufgaben wie Lernen, Denken, Sehen und Sprechen.

BNNs

Ludwig, Parker E., Vamsi Reddy, and Matthew Varacallo. “Neuroanatomy, Neurons.” In StatPearls. Treasure Island (FL): StatPearls Publishing, 2024. http://www.ncbi.nlm.nih.gov/books/NBK441977/.
Frontiers for Young Minds. “What Is An Artificial Neural Network And Why Do We Need It?” Accessed October 20, 2024. https://kids.frontiersin.org/articles/10.3389/frym.2021.560631.

Ähnlich dazu bestehen grundlegende Künstliche Neuronale Netze (KNNs) aus miteinander verbundenen künstlichen Neuronen, die wir Knoten nennen. Jeder Knoten ahmt ein biologisches Neuron nach, indem er Signale empfängt, verarbeitet und überträgt. Wenn wir genauer hinschauen, sehen wir, dass ein Knoten gewichtete Eingaben empfängt. Das jeweilige Gewicht stellt die Relevanz/Wichtigkeit der Eingabe dar. Innerhalb des Knotens erfolgt die Verarbeitung durch zwei Funktionen: eine Übertragungsfunktion und eine Aktivierungsfunktion. Die Übertragungsfunktion bildet in der Regel eine Summe der gewichteten Eingaben. Anschließend ist die Aktivierungsfunktion dafür verantwortlich, den Output des Knotens zu berechnen.

BNNs

Sarker, Iqbal H. “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions.” SN Computer Science 2, no. 6 (August 18, 2021): 420. https://doi.org/10.1007/s42979-021-00815-1.

Ein grundlegendes Künstliches Neuronales Netzwerk hat eine spezielle Struktur. Es beginnt mit einer Eingabeschicht, in die die Daten eingespeist werden. Dann folgt eine oder mehrere verborgene Schichten, in denen das Lernen stattfindet. Schließlich gibt es eine Ausgabeschicht, in der wir das Ergebnis erhalten.

Wenn das Netzwerk viele versteckte Schichten hat, nennen wir es ein tiefes neuronales Netzwerk (Deep Neural Network).

BNNs

Deep Learning ist eine Teilmenge des Maschinellen Lernens.

Und Deep Learning ist ein Teilgebiet des maschinellen Lernens, das Techniken umfasst, mit denen Maschinen durch tiefe Künstliche Neuronale Netzwerke lernen können.

Aber wie lernen Maschinen mithilfe künstlicher neuronaler Netze, eine Aufgabe auszuführen?

Spoiler: Obwohl die Struktur künstlicher neuronaler Netze lose von biologischen neuronalen Netzen inspiriert wurde, funktionieren sie nicht auf dieselbe Weise. KNNs sind eine KI‑Technologie, die dafür entwickelt wurde, Muster in Daten zu erkennen. Sie nutzen Mathematik und zahlreiche kleine Berechnungen, um Daten zu analysieren, Muster zu identifizieren und zu lernen, Aufgaben zu erfüllen.

Auf der nächsten Seite erfahren wir, wie Maschinen mithilfe künstlicher neuronaler Netze eine Aufgabe erlernen. Also, legen wir los!