Neuronale Netze unter der Lupe | Die Welt der KI entdecken 10
Summary
TLDRDieses Skript bietet einen umfassenden Überblick über neuronale Netze, ihre Funktionsweise und ihre Anwendungen in Bereichen wie Bildrkennung, Übersetzung und mehr. Es erklärt die Grundstruktur von Neuronen und wie sie in künstlichen neuronalen Netzwerken zusammenarbeiten, um Lernprozesse und Erinnerungen zu simulieren. Es geht auch auf das Training solcher Netze ein, wie sie Gewichte und Bias anpassen, um Vorhersagen zu optimieren, und stellt verschiedene Netztypen wie Feed-Forward-Netzwerke, CNNs und GANs vor. Der Fokus liegt auf der Fähigkeit von neuronalen Netzen, komplexe Datenmuster zu verarbeiten und zu lernen.
Takeaways
- 🧠 Neuronale Netze sind eine Sammlung verschiedener, aber verwandter Methoden, die Eingabedaten verarbeiten und nützliche Ausgaben liefern.
- 💡 Diese Netze sind inspiriert vom menschlichen Gehirn, das aus Nervenzell组团, sogenannten Neuronen, besteht.
- 🔄 Neurone reagieren auf eingehende Signale und passen ihre Reaktionen im Laufe der Zeit an, was das Lernen und Merken ermöglicht.
- 🤖 Künstliche Neuronen werden durch Computer implementiert, wobei elektrische Signale die Eingabedaten repräsentieren.
- 🔢 Die Funktionsweise eines Neurons basiert auf der Multiplikation von Eingabewerten mit Gewichten, Summierung und Aktivierung durch eine Aktivierungsfunktion.
- 📈 Aktivierungsfunktionen wie der ReLU (Rectified Linear Unit) ermöglichen es neuronalen Netzen, die Beziehung zwischen Ein- und Ausgabe zu modellieren.
- 🌐 Neuronale Netze bestehen aus Schichten, wobei die Ausgabe einer Schicht als Eingabe für die nächste Schicht dient.
- 📊 Das Training neuronaler Netze erfolgt durch überwachtes Lernen, bei dem die tatsächliche Ausgabe mit dem Sollwert verglichen und Fehler minimiert werden.
- 🔧 Das Ziel des Trainings ist es, die Gewichte und Biaswerte so anzupassen, dass das Netzwerk die richtige Vorhersage trifft.
- 🖼️ Spezialisierungen von Neuronale Netzen, wie Convolutional Neural Networks (CNNs), sind für Aufgaben wie die Bilderkennungs optimiert.
- 🎨 Generative Adversarial Networks (GANs) bestehen aus zwei Netzwerken, einem Generator und einem Diskriminator, die gegenseitig trainiert werden, um Daten zu generieren oder zu fälschen.
Q & A
Was sind neuronale Netze und wofür werden sie verwendet?
-Neurnale Netze sind eine Reihe verschiedener, aber verwandter Methoden, die Eingabedaten verarbeiten und nützliche Ausgaben liefern. Sie werden für eine Vielzahl von Anwendungen verwendet, darunter Bilderkennung, Nachahmung von Kunststilen, Computer-Übersetzung und mehr.
Wie funktionieren neuronale Netze im Vergleich zu unserem Gehirn?
-Neurnale Netze sind entfernt von unserem Gehirn inspiriert. Sie bestehen aus sogenannten Neuronen, die eingehende Signale aufnehmen und bei Erreichen eines Schwellenwerts ein Signal an andere Neuronen ausgeben. Im Vergleich zum menschlichen Gehirn sind sie jedoch stark vereinfacht und arbeiten mit Zahlen anstatt Nervenzellen.
Was ist ein künstliches Neuron und wie verhält es sich zu einem echten Neuron?
-Ein künstliches Neuron ist eine vereinfachte Version eines echten Neurons. Es nimmt Eingabesignale, multipliziert sie mit Gewichten, summiert sie und gibt bei Erreichen eines bestimmten Schwellenwerts ein Signal aus. Es kann jedoch nicht besonders viel ohne die Zusammenarbeit mit vielen anderen künstlichen Neuronen.
Was ist eine Aktivierungsfunktion und welche Rolle spielt sie in neuronalen Netzen?
-Eine Aktivierungsfunktion ist ein Mechanismus, der die Beziehung zwischen Ein- und Ausgabe in neuronalen Netzen modelliert. Sie gibt neuronalen Netzen mehr Möglichkeiten, indem sie die Ausgaben der Neuronen in einer Schicht verändert, um die Ausgaben der nächsten Schicht zu beeinflussen.
Wie wird ein neuronales Netz trainiert?
-Ein neuronales Netz wird durch überwachtes Lernen trainiert. Das bedeutet, dass es Eingabe- und Erwartungsausgabe-Paare erhält, um die Gewichte und Biase im Netz anzupassen, um den Fehler zu minimieren. Dieser Prozess wird als Backpropagation bezeichnet.
Was sind einige der bekanntesten Aktivierungsfunktionen in neuronalen Netzen?
-Zu den bekanntesten Aktivierungsfunktionen gehören der ReLU (Rectified Linear Unit), der nur positive Werte weitergibt, und die Sigmoid-Funktion, die negative Werte annähernd Null und positive Werte annähernd Eins auf eine S-förmige Kurve abbildet.
Was sind die Vorteile von Mehr-Schichten-Netzwerken im Vergleich zu Ein-Schicht-Netzwerken?
-Mehr-Schichten-Netzwerke können komplexere Beziehungen zwischen Eingabe und Ausgabe abdecken und modellieren. Sie ermöglichen es, Daten in mehreren Abstraktionsebenen zu verarbeiten, was zu besseren Lernresultaten führt.
Was sind Convolutional Neural Networks (CNNs) und wie unterscheiden sie sich von regulären neuronalen Netzen?
-Convolutional Neural Networks (CNNs) sind spezialisierte neuronale Netze, die für die Bildverarbeitung entwickelt wurden. Sie verwenden Convolution und Pooling Schichten, um Muster in Bildern zu erkennen und zu klassifizieren, was sie effektiver für die Bildrkennung macht.
Was sind Generative Adversarial Networks (GANs) und wie funktionieren sie?
-Generative Adversarial Networks (GANs) bestehen aus zwei Teilnetzwerken: einem Generator, der neue Inhalte erzeugt, und einem Diskriminator, der beurteilt, ob ein Inhalt echt oder gefälscht ist. Sie werden durch gegenseitiges Lernen trainiert, wobei der Generator immer besser im Erzeugen von Inhalten und der Diskriminator im Unterscheiden von echten und gefälschten Inhalten wird.
Warum ist es manchmal schwierig, die Entscheidungen von neuronalen Netzen zu erklären?
-Neurnale Netze können sehr komplex sein mit vielen Parametern, die optimiert werden müssen. Dies kann dazu führen, dass bestimmte Entscheidungen des Netzes schwer zu verstehen sind, da die Beziehung zwischen Eingabe und Ausgabe nicht immer klar ist.
Outlines
🧠 Grundlagen neuronaler Netze
Der erste Absatz behandelt die Grundlagen von neuronalen Netzen, ihre Beliebtheit und Anwendungsbereiche wie Bildrkennung, Übersetzung und mehr. Er erklärt, wie Neuronen in einem neuronalen Netzwerk funktionieren, wie sie Signale verarbeiten und wie sie durch Gewichte und Aktivierungsfunktionen miteinander verbunden sind. Der Absatz stellt ein einfaches Beispiel eines künstlichen Neurons zur Veranschaulichung vor und erklärt, wie es Daten verarbeiten kann.
🤖 Anwendung von neuronalen Netzen im maschinellen Lernen
In diesem Absatz wird beschrieben, wie neuronale Netze in der Praxis eingesetzt werden, insbesondere im maschinellen Lernen. Es wird ein Beispiel gegeben, wie ein neuronales Netz trainiert werden kann, um zwischen Obst und Gemüse zu unterscheiden, basierend auf den Eingabeparametern wie Ballaststoffe und Proteine. Der Absatz erklärt auch, wie Aktivierungsfunktionen die Leistung von Neuronen beeinflussen und wie das Konzept der Schichten im neuronalen Netz die Komplexität von Mustern ermöglicht.
📈 Das Training neuronaler Netze und die Bedeutung von Gewichten und Bias
Der dritte Absatz konzentriert sich auf das Training neuronaler Netze und die Bedeutung von Gewichten und Bias. Er erklärt, wie durch das Anpassen dieser Parameter die Leistung des Netzes verbessert werden kann. Es wird veranschaulicht, wie das Lernen durch Überwachung und Rückpropagation funktioniert, wobei der Fehler gemessen und die Parameter entsprechend angepasst werden. Der Absatz zeigt auch, wie die Wahl der Aktivierungsfunktion die Fähigkeit des Netzes, komplexe Datenmuster zu verstehen, beeinflusst.
🔍 Spezialisierte neuronale Netze und Deep Learning
In diesem Absatz werden spezialisierte neuronale Netze wie Convolutional Neural Networks (CNNs) und Generative Adversarial Networks (GANs) vorgestellt. Es wird erklärt, wie diese Netze in spezifischen Aufgaben wie der Bild- und Spracherkennung oder der Datengenerierung verwendet werden. Der Absatz betont die Bedeutung von Deep Learning, bei dem sehr viele Schichten verwendet werden, um komplexe Datenmuster zu verstehen und zu klassifizieren.
🌐 Diversität von neuronalen Netzen und Herausforderungen
Der letzte Absatz diskutiert die Vielfalt von neuronalen Netzen und die damit verbundenen Herausforderungen. Es wird erklärt, dass es viele verschiedene Arten von neuronalen Netzen gibt, die für verschiedene Aufgaben optimal sind. Der Absatz spricht auch über die Schwierigkeiten, die mit dem Training dieser Netzen einhergehen, insbesondere die Notwendigkeit, große Mengen an Trainingsdaten zu haben und die Zeit, die für das Finden der optimalen Gewichtungen benötigt wird. Schließlich wird auf die potenziellen Auswirkungen von KI auf die Gesellschaft hingewiesen.
Mindmap
Keywords
💡Neuronales Netz
💡Eingabedaten
💡Ausgabe
💡Aktivierungsfunktion
💡Gewichte
💡Bias
💡Training
💡Fehler
💡Feed-Forward-Netzwerk
💡Tiefes Lernen
💡Konvolutionale Netzwerke (CNN)
💡Generative Adversarial Networks (GAN)
Highlights
Neuronale Netze sind in vielen Bereichen beliebt und werden für Aufgaben wie Bilderkennung, Übersetzung und mehr eingesetzt.
Das Gehirn ist die Inspiration für künstliche Neuronen, die Eingangssignale verarbeiten und bei Erreichen eines Schwellenwerts reagieren.
Ein künstliches Neuron multipliziert Eingaben mit Gewichten, summiert sie und kann mit Aktivierungsfunktionen verarbeiten.
Aktivierungsfunktionen wie der ReLU (Rectified Linear Unit) modellieren die Beziehung zwischen Ein- und Ausgabe.
Künstliche neuronale Netze bestehen aus Schichten, wobei die Ausgaben einer Schicht als Eingabe für die nächste dienen.
Ein Beispiel für ein neuronales Netz ist die Klassifizierung von Obst und Gemüse basierend auf Nährstoffen.
Das Training von neuronalen Netzen beinhaltet das Anpassen von Gewichten und Bias, um den Fehler zu minimieren.
Überwachtes Lernen verbessert die Vorhersage des Netzes durch Vergleich von tatsächlicher und erwarteter Ausgabe.
Nichtlineare Aktivierungsfunktionen ermöglichen es, komplexe Datenmuster zu modellieren.
Tiefes Lernen mit vielen verborgenen Schichten führt zu besseren Ergebnissen in der Bildklassifizierung.
Konvolutionale Schichten (CNNs) sind spezialisiert auf die Erkennung von Mustern in Bildern.
Pooling-Schichten reduzieren die Anzahl der Pixel, die das Netz verarbeiten muss, ohne Details zu verlieren.
Generative Adversarial Networks (GANs) bestehen aus zwei Netzen, die gegenseitig trainiert werden, um echte und gefälschte Daten zu erzeugen und zu unterscheiden.
Neuronale Netze sind in der Lage, riesige Datenmengen zu verarbeiten und komplexe Modelle zu erstellen.
Das Training neuronaler Netze kann je nach Größe und Komplexität des Netzes und der Hardware Tage oder sogar Monate dauern.
Es gibt viele verschiedene Arten von neuronalen Netzen, die für verschiedene Aufgaben optimiert sind.
Neuronale Netze sind nicht immer in der Lage, die Entscheidungsprozesse hinter ihren Ausgaben vollständig zu erklären.
Die Diskussion über künstliche Intelligenz und ihre Auswirkungen auf die Gesellschaft wird in zukünftigen Folgen fortgesetzt.
Transcripts
hey möglich
neuronale netze gehört in dieser einheit
ansehen was man alle netze sind wie sie
funktionieren und warum sie so beliebt
sind die netze werden für alles mögliche
verwendet bilderkennung nachstellen
eines bestimmten kunst stils computer
übersetzung und so weiter der begriff
neuronales netz schreibt eine reihe
unterschiedlicher aber verwandter
methoden die eingabedaten verarbeiten
und nützliche ausgaben liefern
neuronale netze sind ganz entfernt von
unserem gehirn inspiriert unser gehirn
besteht aus nervenzellen sogenannte
neuronen ein euro ist eine einfache
zelle die eingehende signale aufnimmt
und unter bestimmten bedingungen zb bei
erreichen eines bestimmten schwellenwert
ein signal an andere neuronen ausgibt
ein einzelnes neuron kann natürlich
nicht besonders viel aber wenn wir eben
nicht nur eines sondern millionen oder
milliarden davon haben dann schon jedes
neuron reagiert anders auf eingehende
signale und kann diese reaktion im laufe
der zeit auch anpassen oder verändern
und genau das ist der schlüssel zum
erinnern und lernen wir können jetzt
diese einfache ideen nehmen um ein
künstliches neuronen zu erzeugen
wir wissen ja computer arbeiten mit
zahlen
die signale sind also diesmal
elektrische signale die alt zahlen
darstellen
diese eingaben werden dann quasi mit
einem bestimmten faktor dem gewicht
multipliziert er ein konstanter faktor
dabei ist hinzugefügt und alles
aufsummiert wird das bestimmt quasi wie
stark das kumulierte signal sein muss
damit dass neurone überhaupt angeregt
wird überhaupt etwas ausgibt bevor das
künstliche neuronen jetzt eine ausgabe
erzeugt wird noch eine aktivierungs
funktion angewendet mehr dazu gleich
neuronen besteht also im wesentlichen
aus gewichteten eingaben etwas matt und
nach ausgabe nutzen jetzt mal dieses
einfache beispiel eines künstlichen euro
und ein paar daten zu verarbeiten
dazu habe ich einfach mal eingaben
gewichtung im weißen zugefügt unser
künstliches neuronen nimmt die eingabe
multipliziert sie mit den gewichten hat
ihr dehnbares und summiert alles in
diesem fall haben wir also einmal 0,2
plus 0 x 0,7 plus - 2001 und so weiter
wenn das ganze ausrechnen konnten darf
6 bevor die ausgabe ist aber weiter
geben wenden wir eine aktivierungs
funktional aktivierungs funktionen geben
neuronalen netzen mehr möglichkeiten die
beziehung zwischen ein- und ausgabe
nachzubilden bzw zu modellieren zu den
gebräuchlichsten aktivierungs funktionen
gehören der gleichrichter der nur
positive werte weitergibt und geht mit
negativen wert durch neue ersetzt wenn
wir den jetzt hier als aktivierungs
funktionen verwenden gibt unser neuronen
da kann man sechs positives auf 0,6 aus
darüber hinaus gibt es aber auch andere
aktivierungs funktionen verwenden
könnten beispielsweise sieg nord diese
funktionen die hatten s förmigen verlauf
und bildet negative werte auf annähernd
null ab positive werte auf annähernd 1 1
hat um die neue leben an den glatten s
förmigen übergang
genau wie bei unserem gehirn wird uns
ein einzelnes neuron nicht so weit
bringen aber kombinieren wir unsere
künstliche neuronen zu netzwerken dann
erhalten wir ein künstliches neuronales
netz auf 2 dargestellt
wir wollen nun untersuchen dass all
diese knoten und kanten die
verschiedenen schichten und auch deren
vernetzung bedeutet dafür schauen sie
uns ein einfaches beispiel an du
erinnerst dich vielleicht an unser
problem aus dem video zu überwachen
lernen bei denen wir anhand des problems
in der glas stoffe pro 100 gramm
entscheiden sollten ob etwas an folgt
also obst oder gemüse schauen wir uns
mal an wie wir das mit einem neuronalen
mehr zu umsetzen können
unser nationales netz besteht aus einer
eingabe schicht die zwei eingaben
hingegen nimmt die menge an
ballaststoffen und proteinen programm
und eine ausgabe schicht die ausgabe der
in der ausgabe schicht geben die
wahrscheinlichkeit an ob es sich bei der
eingabe im obst oder gemüse handelt
die eingabe schicht empfängt der eingabe
die ausgabe schicht sagt die ausgabe
voraus wir können aber auch noch einige
nach außen verbauten der
zwischenschichten zwischen diesen beiden
schichten hinzufügen einen ausgabe
schicht sind zwar immer noch miteinander
verbunden
aber die zwischenschichten ermöglichen
es uns jetzt komplexere beziehungen
abzudecken und abzubilden
die neuerungen verhalten sich wie das
einzelnen dass wir uns vorher angesehen
haben mit einer ausnahme
die ausgaben der neuronen einer schicht
dienen jetzt als eingabe für jedes
neuron der nächsten schicht
das trifft natürlich auf jedes neuron in
jeder schicht zu welche ausgabe erhalten
wir jetzt wenn wir unser netzwerk mit
0,3 gramm protein pro 100 gramm und 2,4
gramm ballaststoffe pro 100 gramm
aufrufen
die eingabe wird jetzt an jedes neuronen
der nächsten der verdeckten schicht
gegeben
für jedes dieser neuronen müssen wir die
gewichtete ist somit der eingaben
berechnen also für das erste runde in
der verborgenen schicht ist es dann
dreimal protein plus 0,7 mehr
ballaststoffe also 0,7 mal 2,4 dann
addieren wir den bayers also 0,3 hinzu
und wenden die aktivierungs funktionen
die ich jetzt hier mal nur mit hf
bezeichnet habe dasselbe gilt auch für
die anderen euro-länder zwischenschicht
anstatt bestimmte zahlen zu verwenden
verwende ich jetzt immer nur noch
platzhalter wie einst wie zwei und so
weiter das heißt für das zweite neue
runde zwischenschicht berechnen ihr
gewicht wieder einmal protein plus
gewicht wie viermal ballaststoffe
addieren den anderen byers und wenn die
aktivierungs funktionen und hörtest
dritten euro und mama genau dasselbe
auch auf der ausgabe schicht gehen wir
genauso vor was wir als ausgabe für die
neuronen in der zwischenschicht
berechnet haben dient jetzt als eingabe
für die neuronen in der ausgabe schicht
wir können also die wahrscheinlichkeit
für obst und gemüse berechnen
indem wir die gewichtete summe der
ausgaben der zwischenschicht berechnen
den jeweiligen bayers agieren und die
aktivierungs funktion anwenden
stellen wir uns mal vor wir hätten die
folgenden gewichte und weise in unserem
netzwerk mit diesen wetten können wir
jetzt die auskleidung des netzwerks
berechnen und in diesem fall sagt unser
netzwerk dann voraus dass es sich im
obsthandel thomas bei den eingabedaten
bei denen es sich um einen apfel haben
tut er auch korrekt ist entscheidend für
die vorhersage des richtigen ergebnis
ist es dass wir passen die gewichte und
bayers verwenden
aber wie weiß unser netzwerk etwas gutes
und gewichte sind und woher kommen diese
werte
bisher sind wir davon ausgegangen dass
wir ein trainiertes funktionierendes
neuronales netz vor und halten
aber setzen wir mal das netzwerk in den
zustand zurück bevor es trainiert worden
ist da wir nur zwei eingabe dimensionen
haben also proteine und ballaststoffe
kann mit die entscheidung unseres
neuronalen netzes auch in einem
zweidimensionalen koordinatensystem
visualisieren in der visualisierung hier
habe ich den bereich hervorgehoben in
dem die wahrscheinlichkeit für obst
höher ist als für gemüse in rot und der
bereich in dem die wahrscheinlichkeit
für gemüse höher ist als für grün helfe
obst in grün
daher werden jetzt all die punkte hier
im grünen bereich als gemüse
klassifiziert
wir sehen auch der apfel mit seinen
beiden werten wird jetzt das gemüse
klassifiziert das ist halt nicht ganz
das was wir erwarten und noch nicht ganz
das was wir wollen aber durch
anpassungen der gewichte im bus können
wir die grenze anpassen an der etwas
obst und gemüse klassifiziert
falls aktivierungs funktion nehmen wir
hier erst mal eine einfache funktion die
identität dieser funktion den gleichen
wert zurück der auch als argument
verwendet wurde
ich beginne jetzt damit hier die
gewichte zu verändern und wir sehen wir
haben insgesamt zwölf gewichte dich
manipulieren kann
wenn ich also jetzt die werte der
gewichtige ändere dann sehen wir die
grenzen zwischen den beiden bereichen
verschiebt sich aber blöderweise erlaubt
uns die anpassung der gehweg denn nur
die steigungen der grenze zu verändern
deshalb brauchen wir auch dem die bayern
durch anpassung dabei ist können wir den
ex und y achsen abschnitt unserer grenze
verändern
trotzdem wenn wir das machen bekommen
wir immer noch eine gerade linie
die reicht aber offensichtlich nicht um
die daten richtig abzugrenzen was machen
hat die lösung ist gar nicht so schwer
wir wechseln einfach auf eine nicht
lineare aktivierungs funktion also an
die funktion als aktivierungs
funktionieren keine linie oder keine
gerade darstellt zusammen mit der cygnet
funktion die wir vorhin haben oder von
gesehen haben haben wir jetzt genügend
kontrolle über die grenze um obst und
gemüse sinnvoll zu trennen und damit
werde ich jetzt erstmal versuchen
geeignete gewichte und beißt zu finden
wenn wir gerade gesehen haben haben wir
sehr viel ausprobieren müssen um
passende gewichte in bayers zu finden
aber das kann es ja wohl eh sein da
musst du einen besseren weg gehen und
klar den gibt's die gewichte beides
automatisch bestimmen zu lassen sagt
einen ganzen punkt warum in alle netze
einsetzen und dem automatischen prozess
den wir als training bezeichnen lernt
das netzwerk geben selbst geeignete
gewichte in bars und bei diesem jetzt
untrainierten netz sehen wir dass die
vorher gesagt der ausgabe eben nicht
ganz das was wir uns gewünscht hätten
die wahrscheinlichkeit dass es sich bei
unserem abfüllung gemüsehandel beträgt 0
56 ein die wahrscheinlichkeit für obst
00 42 beträgt wir werden nun überwachtes
lernen nutzen um die vorhersage des
netzwerks zu verbessern
beim überwachten lern haben wir zusammen
mit der eingabe auch die erwartete
ausgabe also den sollwert mitgeliefert
wenn es jetzt vergleichen also ist
gemüse das waren 0 56 eigentlich soll
aber hier null rauskommen ist ja gar
kein gemüse sondern obst das heißt wir
können aus ist und soll jetzt durch ein
vergleich der vorhergesagten und eben
tatsächlichen ausgabe berechnen wie groß
der fehler ist und auf grundlage dieses
fehlers wissen wir nun in welche
richtung und in welchem umfang die
parameter also die gewichtung die beiers
angepasst werden müssen diese
information wird jetzt rückwärts durch
das netzwerk übertragen sodass
gewichtung bei es jeder schicht
angepasst werden kann um den fehler zu
minimieren
ein prozess das bag kooperation
bezeichnet wird dieser prozess in dem
die eingabe neben zunächst vorwärts
durch das netzwerk geleitet und dann nie
vorher gesagt und erwartete ausgabe zur
rückwärts berechnung des fehlers
verwendet werden wird jetzt so lange
wiederholt bis unser netzwerk in den
meisten fällen das richtige ergebnis
vorhersagen kann
und genau dieser idee basieren jetzt
auch größere neuronale netze
das zweite netzwerk das wir uns ansehen
erkennt ob eine handgezeichnete ziffer 9
12 ist und so weiter
bekanntes beispiel für bilderkennung
jedes bild besteht hierbei aus 28 28
pixeln jedes pixel wird durch eine zahl
zwischen 1 dargestellt die angibt wie
hell oder dunkel des pixel ist 28 28
wechsel führen pro bild zu 784 pixel mit
einem wert zwischen 0 und 1 diese 784
werte können jetzt als eingabe für
unsere neuronales netz verwendet werden
das heißt wir haben 784 eingabe neuronen
die jeweils ein pixel
sicherlich jetzt zu viel und das sind
zwei dimensionen darzustellen die anzahl
der ausgang des neuronen entspricht der
anzahl der möglichen kategorien wie wir
unterscheiden wollen in diesem fall zehn
stück eines für jede ziffer von 0 bis 9
dieses mal haben wir jetzt zwei
verborgenen zwischenschichten dazwischen
die zwischen schichten enthalten zwölf
beziehungsweise acht neuronen er selber
tatsächlich bloß eine willkürliche
festlegung tatsächlich kann es anpassen
und verändern dieser zahlen dazu
beitragen bessere netzwerke zu erhalten
und sogar die anzahl der
zwischenschichten in diesem fall zwei
dient eigentlich bloß der
veranschaulichung kann nahezu beliebig
angepasst werden
mit vielen zwischenschichten können die
netzwerke dann ziemlich tief werden
daher kommt auch der begriff die
learning also tiefes lernen lernen mit
sehr vielen zwischenschichten und auch
hier in diesem netzwerk dient die
ausgabe eines nur uns einer schicht
jetzt als eingabe für jedes neuron der
nächsten schicht wenn wir die gesamte
verschaltung vornehmen haben wir am ende
eine ganze menge verbindungen wie sage
ich jetzt mal die ausgabe jeweils mit
einer farbe also die aufgabe jedes neue
wohnung sah ich eine zahl da das sehr
unübersichtlich würde haben wir mal
farben gewählt schwarz bedeutet dass wir
eine niedrige aktivierung oder ein wert
von null haben weiß bedeutet das für
eine hohe aktivierung oder mehr von
einst haben kaum berührte
dementsprechend dass die werte und
dazwischen liegen je nach dem wie hell
des grauens ist der wert nähernder 1
wenn wir die simplen berechnungen jetzt
für jedes neuron in der ersten
zwischenschicht durchführen erhalten wir
ausgaben die wieder als eingabe für die
nächste die zweite zwischenschicht
dienen
und die könnten dann irgendwann in der
ausgabe unseres neuronalen netzes
insgesamt in der ausgabe schicht ist die
aktivierung jetzt hier für das dritte
neuerung von oben am höchsten
das netz sei gesagt dementsprechend
voraus das ist ja ne 2 sind es ist ganz
leicht zu erfassen dass die werte der
eingabe schicht sind wenn man direkte
verbindung was diese werte bedeuten
pixel
wir wissen auch was der was die ausgabe
bedeutet da wird diesen wert ja
interpretieren wie sicher sein wie hände
2 und so weiter aber es ist viel
schwieriger zu verstehen was die ausgabe
wert inzwischen schichten darstellen
im wesentlichen stellt ein neuron einer
zwischenschicht auch ein merkmal dar
eines das ich ihm aus merkmalen der
vorangegangenen schicht zusammensetzt im
falle der ersten zwischenschicht handelt
es sich also um eine kombination der
merkmale die einzelnen pixel
repräsentieren ein blick auf die
gewichtung der eingänge eines neurons
richtung zu erkennen wie stark jedes
merkmal berücksichtigt wurde
selbst dieses netzwerk das gerade mal 28
28 pixel hingegen nimmt hat bereits
circa 10.000 gewichten beides die
optimieren können das können wir uns
wieso ein riesiges mischpult vorstellen
bei dem wir die perfekte kombination
finden müssen weder all diese knapp für
richtig einstellen neuronale netze haben
aber oft noch viel mehr parameter dies
zu optimieren gilt und deshalb hört man
manchmal auch experten sagen dass sie
nicht richtig erklären können warum
bestimmte entscheidungen vom system
getroffen worden und je nach größe des
neuronalen netzes und sicherlich auch
der verwendeten hardware kann es dann
stunden tage oder sogar monate dauern
bis das training also die bestimmt und
geeigneter gewichte in bayern auf basis
vorliegender daten abgeschlossen ist in
wirklichkeit ist es so dass es viele
verschiedene arten von neuronalen netzen
gibt die bei verschiedenen
problemstellungen oder datensätzen ihm
unterschiedlich gute ergebnisse liefern
wir wollen jetzt hier noch einige
bekannte arten hervorheben
beide netzwerk gibt uns gerade an
gesehen haben sind sogenannte feed
forward netzwerke sie leiten
informationen vorwärts durch das
netzwerk um herausgabe vorherzusagen und
werden in der regel durch überwachtes
lernen trainiert das heißt sie erhalten
eine kombination aus ein- und ausgabe
daten die verwendet werden um den fehler
zurück zu verfolgen möchte das netzwerk
und die gewichtung bei ist
durchweg kooperation anzupassen
angenommen jetzt genügend neuronen
dazwischen schicht kann solches netzwerk
tatsächlich theoretisch wie die
beziehung zwischen einen ausgabe
unabhängig jetzt von der komplexität
modulieren
in der praxis gibt es jedoch noch andere
hürden beispielsweise notwendigkeit und
unglaublich vielen gerichten oder noch
mehr trainingsdaten und daher gibt es
netzwerke die auf ganz bestimmte
aufgaben spezialisiert sind
beispielsweise ein besonders auf bilder
spezialisierter netzwerk typ sind
conditional networks oder cnnc enhance
verwenden zusätzliche arten von
schichten nämlich conditional und polen
geschichten um die leistung bei
bestimmten aufgaben geben der
bilderkennung zu steigern
conversion geschichten wenn quasi filter
auf das bild an das kann man sich
ähnlich wie die verwendung eines filters
in ein bildbearbeitungsprogramm
vorstellen zum beispiel ein filter der
uns hilft vertikale linie zu erkennen
er nimmt bestimmtes fenster von pixeln
und nicht das ganze bild um den wert
eines neuen pixies zu berechnen mit
hilfe von training kann das netzwerk
eben geeignete filter bestimmen
daneben verfügen endes auch über pulling
geschichten bei denen wir beispielsweise
zweimal zwei pixel nehmen und den pixel
mit dem höchsten rotanteil weitergeben
das reduziert die gesamte anzahl der
pixel yvonnes hintern action schicht
ansehen müssen uns hängt ebenso die
komplexität nach dem einsatz von einem
oder mehreren solchen kommunen in
pulling schichten werden bei 71 oft noch
viele forderten erzählen sandy gepackt
also um sie beispielsweise dazu zu
verwenden die daten weiterzuverarbeiten
und am ende auch eine entscheidung zu
treffen
sehen wir jetzt hier einen hund oder
eine katze und so weiter einige
neuronale netze können sogar zur
generierung von daten trainiert werden
stichwort die pace der begriff die fakes
beschreibt medien die von einer ki
erzeugt oder verändert wurden
einige beispiele finden sich auf der
website des bösen dass nordex ist sie
existiert nicht existieren auch nicht
und er existiert auch nicht hättest du
das gedacht das system hier verwendet
ein sogenanntes generated etwas array
networks eingang enthält zwei netzwerke
die zusammenarbeit
dabei kann sich um zwei beliebige daten
von netzwerken handeln obwohl auf eine
kombination aus viel vorweg netzen und
ziehen es verwendet wird
das erste match der generator der soll
inhalte wie bilder von personen aus
früheren eingaben erzeugen also das kann
ja nie was vom benutzer hingekritzelt
ist sein oder einfach nur zufälliges
rauschen das zweite netzwerk der des
kriminellen muss die eingabe oder die
inhalte die wo erstellt wurde jetzt
beurteilen
er urteilt indem er entweder sagt dass
diese daten echt oder gefälscht
gefälscht würde heißen dass sie vom
ersten netz erzeugt wurden damit beginnt
jetzt eine art wettbewerb in dem seine
trainings strategie wie vorher auch
angewendet wird wird das zweite netzwerk
immer besser darin echte von gefälschten
oder von generierten daten zu
unterscheiden und das erste netzwerk
gelernt wiederum aus der rückmeldung des
anderen
ob oder wie er bilder besser fälschen
muss es wird also man besser im fälschen
egal welches neuronale netzwerks
verwenden oder welche art von neuronalen
netzen jetzt verwenden neuronale netze
unterstützen uns beim umgang mit
riesigen datenmengen die wehr beim
maschinellen lernens sehr oft haben im
prinzip finden sie den weg eingabedaten
in ausgaben zu verwandeln
die pixel eines bildes in der
bildunterschrift in deutschland satz in
englischen raus staaten ein gefälschtes
bild und so weiter freilich keine magie
im spiel nur eine menge geschickter
matte und dann neuronale netz immer
größer werden das ist manchmal wirklich
schwer zu erklären warum sie bestimmte
ausgaben sie zu bestimmten ausgaben
führen bei all den unterschiedlichen
gewichtungen & byers fällt es uns
einfach schwer zu sagen welche aspekte
der eingabe für welche aspekte der
ausgabe verantwortlich sind
das war's für die heutige folge
danke fürs zu sehen und wir sehen uns
morgen wenn wir über ki und die
auswirkungen auf unsere gesellschaft
sprechen
macht's gut
Browse More Related Video
![](https://i.ytimg.com/vi/cxCzhFVyUdw/hq720.jpg)
Wie Künstliche Intelligenz funktioniert | Philip Häusser
![](https://i.ytimg.com/vi/Dgu5utapmk0/hq720.jpg)
Generative KI auf den Punkt gebracht – Wie man im KI-Zeitalter besteht und erfolgreich ist (AI dub)
![](https://i.ytimg.com/vi/xvSYUBATfb0/hq720.jpg)
Google Ads Werbung Schalten - Die Basics in 10 Minuten
![](https://i.ytimg.com/vi/s7jPXnFDyTA/hq720.jpg)
Crashkurs für Anfänger | Canva Tutorial Deutsch
![](https://i.ytimg.com/vi/5gbzA-S2y8Q/hq720.jpg)
#Vorgelesen: Die Seele des Kollektivisten von Ayn Rand
![](https://i.ytimg.com/vi/MpmfKq5Aq9A/hq720.jpg)
IT_NT01: Rechnernetze allgemein
5.0 / 5 (0 votes)