1) Einfach erklärt
Ein neuronales Netz ist eine Art Rechenmodell, das grob an Nervenzellen erinnert. Es besteht aus vielen „Neuronen“ (kleinen Recheneinheiten), die über Gewichte verbunden sind. Beim Lernen werden diese Gewichte schrittweise angepasst, bis das Netz bei neuen Daten gute Ergebnisse liefert.
So funktioniert es in kurz:
- Du gibst Beispiele mit Eingabe und richtiger Antwort (z. B. Bild → „Katze“).
- Das Netz macht eine Vorhersage.
- Liegt es falsch, werden die Gewichte so korrigiert, dass die nächste Vorhersage besser wird (Verfahren: Backpropagation + Gradientenabstieg).
Alltags‑Beispiele:
- Bilder erkennen: Fotos von Ziffern, Tieren, Bauteilen richtig einordnen.
- Sprache/Text: Spracherkennung, Übersetzen, Chat‑Assistenten.
- E‑Mail‑Filter: Spam vs. Nicht‑Spam zuverlässig trennen.
Merke: Je tiefer (mehr Schichten) das Netz, desto komplexere Muster kann es lernen (→ Deep Learning).
2) Professionelle Definition
Ein künstliches neuronales Netz (ANN) ist eine Menge parametrisierter Funktionen, organisiert als gerichteter Graph aus Schichten. Ein Neuron berechnet typischerweise h=σ(Wx+b)h = \sigma(Wx + b)h=σ(Wx+b) mit Gewichtsmatrix WWW, Bias bbb und Aktivierung σ\sigmaσ (z. B. ReLU, Sigmoid).
Architekturen (Auswahl):
- MLP/Feed‑Forward‑Netze für tabellarische/grundlegende Aufgaben,
- CNNs für Bilder/Video (Faltungen/Pooling),
- RNN/LSTM/GRU für Sequenzen (Zeitreihen, Sprache),
- Transformer (Self‑Attention) für NLP, Vision und Multimodal.
Training: Minimierung einer Verlustfunktion (z. B. Kreuzentropie, MSE) mittels Backpropagation und (stochastischem) Gradientenabstieg/Optimierern (SGD, Adam). Regularisierung: Dropout, Gewichtszerfall, Datenaugmentation. Eigenschaften: Universal Approximation (unter milden Bedingungen können MLPs stetige Funktionen approximieren), Kapazität/Generalisation abhängig von Daten, Modellgröße und Regularisierung.
Quellen
- Goodfellow, Bengio, Courville – Deep Learning (Online‑Buch):
https://www.deeplearningbook.org/ - Rumelhart, Hinton, Williams (1986) – Learning representations by back‑propagating errors (Nature):
https://www.nature.com/articles/323533a0 - Stanford CS231n – Convolutional Neural Networks for Visual Recognition:
https://cs231n.stanford.edu/