Künstliches neuronales Netz

Ein künstliches neuronales Netz (KNN) ist ein Computer­modell, das die Funktions­weise des mensch­lichen Gehirns und seiner Nerven­zellen abstrakt nachbildet. Es bildet die technolo­gische Grundlage für das tiefe Lernen (Deep Learning), einem speziali­sierten Bereich des maschi­nellen Lernens.

KNNs sind aus mehreren Schichten von Knoten aufgebaut, die künst­liche Neuronen repräsen­tieren. Informa­tionen gelangen über Eingabe­neuronen in das Netz und durchlaufen dann eine oder mehrere versteckte Schichten, bevor sie an den Ausgabe­neuronen verarbeitet werden. Jede Verbindung zwischen diesen Neuronen besitzt eine numerische Gewichtung und einen Schwellen­wert.

Im Trainings­prozess werden diese Gewich­tungen und Schwellen­werte auto­matisch angepasst. Das KNN lernt dabei, indem es aus Beispiel­daten komplexe Muster und Zusammen­hänge erkennt, um die Abwei­chungen zwischen seinen berechneten und den gewünschten Ergeb­nissen zu minimieren. Die „Tiefe“ des Netzes, also die hohe Anzahl von Schichten, ermöglicht es, sehr komplexe Muster abzubilden und immer abstraktere Repräsen­tationen der Daten zu erstellen.

KNNs finden breite Anwendung in modernen KI-Systemen für Aufgaben wie Muster­erkennung, Data Mining, Regressions­analysen, Clustering, Klassifi­kationen, Object Detection etc. Sie sind zudem in der Lage, ihre Wissens­basis im laufenden Betrieb kontinu­ierlich zu erweitern und ihre vorab trainierten Modelle zu verbessern.

zurück zum ifaa-Lexikon