Was ist Künstliches neuronales Netzwerk?

Ein künstliches neuronales Netzwerk ist eine Art von maschinellem Lernen, das sich nach dem menschlichen Gehirn modelliert und ein künstliches neuronales Netzwerk schafft, das es dem Computer ermöglicht, durch Hinzufügen neuer Daten durch einen Algorithmus zu lernen.

Obwohl die Haupteinheit des Gehirns Neuronen sind, ist der grundbauliche Baustein eines künstlichen neuronalen Netzwerks ein Sensor, der eine einfache Signalverarbeitung durchführt, die dann mit einem großen Netzwerk verbunden wird.

Der Computer mit dem neuronalen Netzwerk wird gelehrt, eine Aufgabe auszuführen, indem vorbeschriftete Trainingsproben analysiert werden. Ein häufiges Beispiel für ein neuronales Netzwerk, das Deep Learning verwendet, ist die Erkennung eines Objekts, in dem das neuronale Netzwerk mit einer großen Anzahl von Objekten eines bestimmten Typs dargestellt wird, z. B. einer Katze oder einem Computer. Es lernt, neue Bilder zu kategorisieren, indem es repetiating Muster in präsentierten Bildern analysiert.

Wie lernen neuronale Netze?

Im Gegensatz zu anderen Algorithmen können neuronale Netzwerke nicht direkt mit Deep Learning programmiert werden. Im Gegenteil, genau wie im sich entwickelnden Gehirn eines Kindes müssen sie Informationen lernen. Lernstrategien werden auf drei Arten angewendet:

  • Überwachtes Lernen: Diese Lernstrategie ist die einfachste, da es sich um ein Dataset handelt, das der Computer durchläuft, und der Algorithmus geändert wird, bis Sie das Dataset verarbeiten, um das gewünschte Ergebnis zu erzielen.
  • Unbeaufsichtigtes Lernen: Diese Strategie wird in Fällen verwendet, in denen es kein Dataset zum Lernen gibt. Das neuronale Netzwerk analysiert das Dataset und teilt dem neuronalen Netzwerk mit, wie weit das Ziel entfernt ist. Das neuronale Netzwerk wird dann angepasst, um die Genauigkeit des Algorithmus zu verbessern.
  • Befähigtes Lernen: In diesem Algorithmus wird das neuronale Netzwerk für positive Ergebnisse gestärkt und es ist unwahrscheinlich, dass es negative Ergebnisse hervorbringt.

Vorteile künstlicher neuronaler Netze

  • Mit paralleler Verarbeitungsfunktion kann es mehrere Aufträge gleichzeitig ausführen.
  • Informationen werden im gesamten Netzwerk gespeichert, nicht nur in einer Datenbank.
  • Es kann fehlende Informationen extrahieren, je nachdem, wie wichtig die fehlenden Informationen sind.
  • Es kann große Daten modellieren und daten, mit der Möglichkeit, über verborgene Beziehungen in Daten zu lernen, ohne feste Beziehungen zu befehlen.
  • Es kann die Ausgabe der Daten mit der Fähigkeit vorhersagen, Beziehungen auf unsichtbaren Daten zu verallgemeinern und abzuleiten.


Nachteile künstlicher neuronaler Netze

  • Künstliche neuronale Netzwerkarchitektur kann nur durch Versuch und Fehler und Erfahrung gefunden werden, um die geeignete Netzwerkstruktur zu bestimmen.
  • Es erfordert eine hohe Prozessoranforderung für parallele Verarbeitungsfunktionen.

Einsatzgebiete künstlicher neuronaler Netze

Die Bilderkennung war einer der ersten Bereiche, in denen neuronale Netze erfolgreich implementiert wurden, aber ihr Einsatz von Technologie weitete sich auf viele andere Bereiche aus, einschließlich:


    ·       Chatbots

    ·       Übersetzung

    ·       Börsenprognose

    ·       Planung und Optimierung von Liefertreiberrouten

    ·        Entdeckung und Entwicklung von Arzneimitteln

Dies sind mehrere spezifische Bereiche, in denen neuronale Netze heute angewendet werden.

  Zitat

KARABAY A, 2020 . Was ist Neuronales Netzwerk?

https://www.karabayyazilim.com/blog/diger/yapay-sinir-aglari-neural-network-nedir-2020-03-22-005754

(Abgerufen am 22. März 2020).


  Diesen Beitrag teilen

Kommentare (0)

Kommentar

Abonnieren
Melden Sie sich für den E-Mail-Newsletter an, um als Erster über meine Blogbeiträge Bescheid zu wissen