Das Video kommt von YouTube: erst beim Abspielen verbindet sich die Seite mit YouTube (Google).
Neuronale Netze einfach erklärt | Aufbau, Funktionsweise & Beispiele (KI verstehen)
Das Wichtigste aus dem Video
Tipp auf eine Zeit – das Video springt genau dorthin.
Transkriptautomatisch erstellt · 45 Zeilen
- In diesem Video geht es um die Funktionsweise von neuronalen Netzen. Ein neuronales Netz ist eine besondere Art von KI Modell, das sich an der
- Funktionsweise des menschlichen Gehirns orientiert. Um zu verstehen, wie es funktioniert, stellen wir uns vor, wie das menschliche
- Gehirn Informationen verarbeitet. Es besteht aus Milliarden von Nervenzellen, sogenannten Neuronen, die Überverbindungensignale weitergeben.
- Diese Neuronen erkennen Muster, bewerten Informationen und treffen Entscheidungen. Genau das versucht ein künstliches neuronales Netz
- nachzubilden. Ein neuronales Netz besteht aus mehreren Schichten künstlicher Neuronen, die miteinander verbunden sind. In einem
- neuronalen Netz gibt es drei Hauptbereiche. die Eingabeschicht, eine oder mehrere versteckten Schichten sowie die Ausgabeschicht.
- Stellen wir uns ein neuronales Netz vor, das einen Text als Eingabe erhält und entscheiden soll, ob es sich um einen wissenschaftlichen Artikel, einen
- Liebesroman oder einen Sportbericht handelt. Um diese Aufgabe zu lösen, wird der Text zunächst in einzelne Wörter zerlegt,
- wobei jedes Wort durch ein Neuron im Input Layer repräsentiert wird. Du lernst für deine Abschlussprüfung oder willst einfach besser durch die
- Berufsschule kommen, dann machst mit My Digi Academy, der Lernup für die Ausbildung. Über 120 Unternehmen und mehr als 2000 Atsubis lernen schon mit
- uns. Passend zu deinem Ausbildungsberuf findest du Lernvideos mit Schritt für Schritten, PDF Zusammenfassungen und realistischen Prüfungssimulationen mit
- echten Fragen und Lösungen. Teste My Digi Academy jetzt risikofrei und erhalte 14 Tage Geld zurück bei nicht gefallen. Link unter dem Video. Kommt
- ein bestimmtes Wort im Text vor, wird das entsprechende Neuron aktiviert. Fehlt es, bleibt das Neuron inaktiv. Beispielsweise führen Begriffe wie
- Hypothese, Experiment oder Datenanalyse dazu, dass Neuronen aktiviert werden, die für wissenschaftliche Inhalte stehen.
- Tauchen Wörter wie Liebe, Herz oder Sehnsucht auf, spricht das eher für einen Liebesroman. während Begriffe wie Tor, Spielstand oder Trainer auf einen
- Sportbericht hindeuten. Auf den ersten Blick könnte man meinen, dass allein die vorkommenden Wörter ausreichen, um den Text direkt einer Kategorie zuzuordnen.
- Doch in der Praxis ist das nicht so einfach. Viele Wörter sind mehrdeutig oder kommen in mehreren Textarten vor. Die Wörter Analyse und Team könnten
- sowohl in einem wissenschaftlichen Artikel als auch in einer Sportberichterstattung vorkommen. Die Wörter Gefühl und Berührung könnten
- sowohl in einem Liebesroman, wenn es um emotionale Nähe geht, als auch in einem Sportartikel, etwa zur Beschreibung der Ballkontrolle im Fußball vorkommen.
- Hier kommt die Hidden Layer ins Spiel, um genau diese Mehrdeutigkeiten aufzulösen und komplexere Zusammenhänge zu verarbeiten.
- In der Hidden Layer werden die Eingaben aus der ersten Schicht weiter verarbeitet, indem sie mit Gewichtungen versehen werden.
- Diese Gewichtungen bestimmen, wie stark ein bestimmtes Wort die Entscheidung beeinflusst. Wenn beispielsweise das Wort
- Datenanalyse vorkommt, könnte es zwar theoretisch in einem Sportkontext verwendet werden, doch im Zusammenhang mit anderen Begriffen wie Hypothese oder
- Experiment bekommt es eine viel höhere Gewichtung für die Kategorie wissenschaftlicher Artikel. Die Neuronen in dem Hidden Layer lernen
- also nicht nur, ob ein Wort vorkommt, sondern auch wie es mit anderen Wörtern zusammenhängt. Zusätzlich werden durch den Hidden Layer
- unwichtige oder wenig aussagekräftige Wörter herausgefiltert. Häufig verwendete Begriffe wie und der oder hat tragen kaum zur Klassifizierung
- bei, da sie in allen Textarten vorkommen. Das Netzwerk erkennt mit der Zeit, dass solche Wörter keine nützlichen Informationen liefern und
- reduziert deren Einfluss durch eine niedrige Gewichtung. Entscheidend ist also nicht nur, welche Wörter vorkommen, sondern auch wie sie in Bezug zueinander
- stehen und welche Kombinationen typisch für eine bestimmte Textart sind. Am Ende des Prozesses erfolgt die eigentliche Entscheidung in der Output
- Layer. Da das Modell zwischen drei möglichen Kategorien unterscheidet, gibt es hier drei Neuronen. Eines für wissenschaftlicher Artikel, eines für
- zum Liebesroman und eines für Sportbericht. Jedes dieser Neuronen gibt eine Aktivierungsstärke aus, die angibt, wie
- wahrscheinlich es ist, dass der eingegebene Text zu dieser Kategorie gehört. Das Neuron mit der höchsten Aktivierung bestimmt letztendlich die
- Klassifizierung. In unserem Beispiel hier der wissenschaftliche Artikel. Neuronale Netze werden für verschiedene textbasierte Anwendungen genutzt.
- Dazu gehören Chatbots wie Chat GPT, die Texte verstehen und generieren, Übersetzungsprogramme wie Deple, die Sprache in Echtzeit umwandeln oder
- Textanalyse Tools, die beispielsweise Stimmungen in Kundenbewertungen erkennen. Neben Sprachki gibt es aber auch
- neuronale Netze für Bilder, Videos und Audiodaten. Bei der Bilderkennung analysiert ein neuronales Netz ein Bildschrittweise.
- Die Eingabeschicht zerlegt das Bild in einzelne Pixelwerte. Die ersten versteckten Schichten erkennen einfache Muster wie Kanten, Linien und
- Farbkontraste, während mittlere Schichten komplexere Strukturen wie Formen oder Texturen erfassen. So können beispielsweise die Konturen eines
- Gesichts oder die Oberfläche eines Straßenschildes identifiziert werden. Die letzten Schichten setzen diese Informationen schließlich zusammen und
- entscheiden, was auf dem Bild zu sehen ist. etwa eine Katze, ein Hund oder wie hier ein Herz. In der Videoverarbeitung funktioniert
- das Prinzip ähnlich, allerdings über mehrere Einzelbilder hinweg. Neuronale Netze erkennen nicht nur Objekte in einzelnen Frames, sondern
- analysieren auch Bewegungen und zeitliche Abläufe. Dadurch lassen sich Muster im Verhalten identifizieren, was beispielsweise in Überwachungssystemen
- oder beim autonomen Fahren genutzt wird, um auffällige Aktivitäten zu erkennen. Auch in der Spracherkennung arbeiten neuronale Netze, indem sie Audiodaten
- schrittweise verarbeiten. Zunächst wird der Ton in Frequenzmuster zerlegt. Danach erkennen tiefere Schichten Sprachmelodien und einzelne
- Laute, bevor das System diese zu Wörtern und Sätzen zusammensetzt. Hallo.
Zum Nachlesen
Künstliches neuronales NetzEin künstliches neuronales Netz besteht aus mehreren künstlichen Neuronen, die miteinander verbunden sind und in der Regel in Schichten organisiert werden. Im …
Deep LearningDeep Learning erlaubt die Verarbeitung und Analyse komplexer Datenmuster; dazu verwendet Deep Learning tiefe hierarchische neuronale Netze, die automatisch …
Multi-Layer-PerzeptronDer Backpropagation-Algorithmus wird oft verwendet, um die Gewichtsaktualisierung zu berechnen. Der Backpropagation-Algorithmus nutzt das Konzept der …
Künstliches NeuronEin künstliches Neuron bildet die Basis für das Modell der künstlichen neuronalen Netze, ein Modell aus der Neuroinformatik, das durch biologische neuronale …