Was ist ein PERZEPTRON? | Grundlage Neuronale Netze | Künstliche Intelligenz | #ki #ai
Elektro- und Informationstechnik in Karlsruhe
https://www.youtube.com/watch?v=1AacFjzlXHg

Transkript (automatisch erstellt)

0:00 Heute geht's um Neuronale Netzwerke. Tiefe Neuronale Netze sind quasi die Grundlage für diesen neuen KI Hype, den wir gerade erleben. Weil die so performant
0:09 sind und so viele Vorteile haben. Fangen wir an mit einer Wiederholung Das sollen die Neurone sein und hier gibt's ein weiteres Neuron, sie sind alle Feed Forward, also
0:22 nach vorne gerichtet verbunden. Und jede dieser Kanten hat ein Gewicht mit W abgekürzt für Weight. Wir hatten diese Struktur kennengelernt, das ist natürlich das Perzeptron 1957 von Rosenblatt
0:38 Und dieses Perceptron funktioniert so, dass die Aktivität dieser Neurone hier - gewichtet mit den einzelnen Gewichten auf den Kanten - summiert werden, das heißt, was hier passiert ist:
0:50 wir haben eine Summe, eine Summe über alle Eingänge. Nennen wir die Eingänge mal hier A für Aktivität. A1, A2, A3, A4. Und nennen wir das hier einfach mal A-Dach und kriegt eine 1, es gibt gibt
1:06 nur einen Ausgang. Dann ist die Aktivität dieses Neurons gegeben durch die Summe, die gewichtete Summe dieser Aktivitäten, gewichtet mit den einzelnen Gewichten. Das
1:14 heißt wir haben hier ein Gewicht, nennen wir Gewicht M, summieren über alle M= 1 bis M, das sind die Anzahl aller Input-Neuronen, also die Gewichte W von M mit den Aktivitäten Am.
1:28 wenn wir das so machen würden hätten wir nur eine lineare Summe der Eingangssignale. Das heißt jetzt kommt der Trick, wir machen davon noch eine nichtlineare Funktion
1:37 und diese nichtlineare Funktion hat den Namen Aktivierungsfunktion. Das hier, was hier steht, das ist dann das was A-Dach 1 ist, also Aktivität in diesem Neuron, auf das projiziert ist,
1:49 ist die gewichtete Summe der Inputs und dann eine Aktivierungsfunktion G die nichtlinear ist