Was ist ein Künstliches Neuronales Netz?

In diesem Lernpfad werden die Grundprinzipien künstlicher neuronaler Netze vermittelt, die als zentrale Technologie hinter vielen modernen KI-Systemen wie ChatGPT, Midjourney und anderen Anwendung finden. Es wird erklärt, was ein künstliches neuronales Netz ist und wie es aufgebaut ist. Dabei steht die Funktionsweise solcher Netze im Mittelpunkt: Die Schichtenstruktur aus miteinander verbundenen künstlichen Neuronen, inspiriert vom menschlichen Gehirn, ermöglicht die Verarbeitung und Analyse großer Datenmengen. Die Bedeutung künstlicher neuronaler Netze für Anwendungen wie Sprach- und Bilderkennung wird ebenso verdeutlicht wie ihr Stellenwert für das maschinelle Lernen und Deep Learning.

Über diesen Lernpfad

Hinter vielen modernen KI-Systemen wie ChatGPT oder Midjourney stehen Künstliche Neuronale Netze.

Der Lernpfad geht der Frage nach, warum diese Netze eingesetzt werden und was genau darunter zu verstehen ist. Dabei wird ihr grundsätzlicher Aufbau veranschaulicht, ohne jedoch auf die detaillierte Benennung und Erklärung einzelner Bestandteile einzugehen.

Lernschritt 1 – Wozu braucht man Künstliche Neuronale Netze?

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.

Lernschritt 2 – Was ist ein Künstliche Neuronales Netz?

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.

Lernschritt 3 – Wie ist ein Künstliches Neuronales Netz aufgebaut?

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").

Lernschritt 4 – Welche Aktivierungsfunktionen werden genutzt?

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").

Lernschritt 5 – Manuelles Training eines Künstlichen Neuronalen Netzes

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.

Lernschritt 6 – Wiederholung der wichtigsten Erkenntnisse

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

Lernschritt 7 – Das könnte Sie auch interessieren...

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.

Lernschritt 8 – Weiterführende Materialien

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

Lernschritt 9 – Methodenworkshops