Abschnitt: Überblick & Einführung | Neuronale Netze kurz erklärt

Abschnittsübersicht

Überblick & Einführung
Warum beschäftigen wir uns allgemein mit künstlichen neuronalen Netzen? Was ist der Grund dafür, dass diese neuronalen Netze immer häufiger für verschiedene Aufgaben verwendet werden und ihnen so ein großes Potenzial zugetraut wird? Der Grund dafür ist recht einfach: Unser Ziel ist es, für fast alle Anwendungsfälle eine Funktion zu finden, die uns Zusammenhänge zwischen Größen darstellen kann. Je komplizierter die Fragestellung, desto komplizierter meistens auch die Funktion zur Darstellung dieser Zusammenhänge. Neuronale Netze sind nur sehr gute Annäherungen, sogenannte Approximatoren, für alle möglichen Funktionen.
- Aktivität Einstieg auswählen
  
  Künstliche neuronale Netze sind mittlerweile so weit verbreitet, weil klassische Ansätze, wie beispielweise die lineare Regression, nicht mit einer enormen Anzahl von Daten umgehen können, bzw. ihre Performance nicht weiter steigt. Und um Datensätze, die in heutiger Quantität zur Verfügung stehen, effektiv nutzen zu können, brauchen wir künstliche neuronale Netze, die meistens in ihrer Performance besser werden, wenn mehr Daten für die Anwendung verwendet werden. Bei kleineren Datensätzen können auch noch klassische Ansätze vergleichbare Ergebnisse liefern, bei größeren Datensätzen ist das nicht mehr möglich.
  Doch wie funktioniert das alles?
  Wir werden in diesem Lernangebot die Grundlagen (künstlicher) neuronaler Netze kennenlernen. Wir beginnen mit dem Vergleich zu der klassischen linearen Regression, stellen danach das Neuron vor und basteln uns daraus das erste neuronale Netz. Dann schauen wir, wie wir diesen mit bekannten Daten trainieren, dieses Training einstellen, die Ergebnisse testen und das trainierte, eingestellte und getestete neuronale Netz dann auch noch anwenden können.