Was ist ein Künstliches Neuronales Netz?

In diesem Lernschritt werden Probleme aufgezeigt, für die klassische regelbasierte Ansätze nicht geeignet sind. Für diese Probleme müssen alternative Ansätze, wie Künstliche Neuronale Netze, verfolgt werden.

In diesem Lernschritt wird verdeutlicht, dass es sich bei einem Künstlichen Neuronalen Netz um eine mathematische Funktion handelt. Am Beispiel der Bilderkennung wird gezeigt, wie sich Ein- und Ausgabe des Netzes in Zahlen umwandeln lassen. Nur so können diese Probleme mithilfe eines Künstlichen Neuronalen Netzes gelöst werden.

In diesem Lernschritt wird der Aufbau eines (Feed-Forward-)KNNs gezeigt. Es werden außerdem für einfache KNNs die Ausgaben zu gegebenen Eingabe-Werten berechnet.

Dabei wird nicht darauf eingegangen, wozu die einzelnen Bestandteile notwendig sind oder warum diese so heißen. Diese Themen werden in dem Lernpfad "Warum sieht ein KNN so aus, wie es aussieht?“ behandelt (siehe "Das könnte Sie auch interessieren").

Im vorherigen Lernschritt wurde als Aktivierungsfunktion die historisch bedeutsame binäre Aktivierungsfunktion genutzt. In diesem Lernschritt werden weitere Aktivierungsfunktionen gezeigt.

Die Frage, wofür ein KNN überhaupt eine Aktivierungsfunktion benötigt, wird im Lernpfad „Warum sieht ein KNN so aus, wie es aussieht?“ beantwortet (siehe "Das könnte Sie auch interessieren").

In diesem Lernschritt wird ein Künstliches Neuronales Netz trainiert. Dabei wird deutlich, dass eine manuelle Anpassung der Parameter-Werte nicht sinnvoll ist. Dies motiviert das automatisierte Training, welches im Lernpfad „Wie funktioniert das Training eines KNNs?“ behandelt wird (siehe "Das könnte Sie auch interessieren").

In dem Video wird auf diese Online-Anwendung verwiesen: KNN Schritt für Schritt.

In diesem Lernschritt können die wichtigsten Erkenntnisse des Lernpfades anhand kleiner Aufgaben wiederhol werden.

Weitere Lernpfade zu Künstlichen Neuronalen Netzen

Warum sieht ein Künstliches Neuronales Netz so aus, wie es aussieht?

Braucht es wirklich Gewichte, Bias und Aktivierungsfunktion? Oder reichen Bias und Gewichte schon aus? Spoiler: Wir brauchen das alles. Und warum das so ist, können Sie in diesem Lernpfad erleben.

Wie funktioniert das Training eines Künstlichen Neuronalen Netzes?
Künstliche Neuronale Netze, wie sie zum Beispiel hinter ChatGPT stecken, sind riesige mathematische Funktionen mit Milliarden Parametern. Aber wie werden die richtigen Werte für diese Parameter gefunden, sodass am Ende beeindruckende Programme entstehen? Das Grundprinzip hinter dieser Suche nach den richtigen Zahlen (auch Training genannt) schauen wir uns in diesem Lernpfad an.

Visualisierungen

Unter stefanhickl.eu/machine-learning/ finden Sie alle Visualisierungen aus dem Lernpfad und einige weitere Anwendungen zu KNNs.

Video-Empfehlung

Im Lernpfad wurden klassische KNNs vorgestellt. Für verschiedene Anwendungszwecke werden Anpassungen im Aufbau vorgenommen. Das YouTube-Video How Neural Networks Learned to Talk stellt beispielsweise die Grundidee hinter Netzen wie ChatGPT und deren historische Entwicklung vor.

Unterrichtsmaterialien

• Die Seite LINKSAMMLUNG KÜNSTLICHE INTELLIGENZ der TU Dresden bietet einen Überblick über  Unterrichtsmaterialien zum Thema Künstliche Intelligenz. 
• Das Material Machine Learning in der Schule von Daniel Janssen kann als Inspiration dienen.