Neuronale Netze einfach erklärt | Aufbau, Funktionsweise & Beispiele (KI verstehen)
MyDigiAcademy
https://www.youtube.com/watch?v=eZiLeWiJ8ps

Transkript (automatisch erstellt)

0:00 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
0:11 Funktionsweise des menschlichen Gehirns orientiert. Um zu verstehen, wie es funktioniert, stellen wir uns vor, wie das menschliche
0:19 Gehirn Informationen verarbeitet. Es besteht aus Milliarden von Nervenzellen, sogenannten Neuronen, die Überverbindungensignale weitergeben.
0:29 Diese Neuronen erkennen Muster, bewerten Informationen und treffen Entscheidungen. Genau das versucht ein künstliches neuronales Netz
0:37 nachzubilden. Ein neuronales Netz besteht aus mehreren Schichten künstlicher Neuronen, die miteinander verbunden sind. In einem
0:47 neuronalen Netz gibt es drei Hauptbereiche. die Eingabeschicht, eine oder mehrere versteckten Schichten sowie die Ausgabeschicht.
0:58 Stellen wir uns ein neuronales Netz vor, das einen Text als Eingabe erhält und entscheiden soll, ob es sich um einen wissenschaftlichen Artikel, einen
1:07 Liebesroman oder einen Sportbericht handelt. Um diese Aufgabe zu lösen, wird der Text zunächst in einzelne Wörter zerlegt,
1:16 wobei jedes Wort durch ein Neuron im Input Layer repräsentiert wird. Du lernst für deine Abschlussprüfung oder willst einfach besser durch die
1:24 Berufsschule kommen, dann machst mit My Digi Academy, der Lernup für die Ausbildung. Über 120 Unternehmen und mehr als 2000 Atsubis lernen schon mit
1:33 uns. Passend zu deinem Ausbildungsberuf findest du Lernvideos mit Schritt für Schritten, PDF Zusammenfassungen und realistischen Prüfungssimulationen mit
1:42 echten Fragen und Lösungen. Teste My Digi Academy jetzt risikofrei und erhalte 14 Tage Geld zurück bei nicht gefallen. Link unter dem Video. Kommt
1:51 ein bestimmtes Wort im Text vor, wird das entsprechende Neuron aktiviert. Fehlt es, bleibt das Neuron inaktiv. Beispielsweise führen Begriffe wie
2:01 Hypothese, Experiment oder Datenanalyse dazu, dass Neuronen aktiviert werden, die für wissenschaftliche Inhalte stehen.
2:11 Tauchen Wörter wie Liebe, Herz oder Sehnsucht auf, spricht das eher für einen Liebesroman. während Begriffe wie Tor, Spielstand oder Trainer auf einen
2:22 Sportbericht hindeuten. Auf den ersten Blick könnte man meinen, dass allein die vorkommenden Wörter ausreichen, um den Text direkt einer Kategorie zuzuordnen.
2:32 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
2:41 sowohl in einem wissenschaftlichen Artikel als auch in einer Sportberichterstattung vorkommen. Die Wörter Gefühl und Berührung könnten
2:50 sowohl in einem Liebesroman, wenn es um emotionale Nähe geht, als auch in einem Sportartikel, etwa zur Beschreibung der Ballkontrolle im Fußball vorkommen.
3:00 Hier kommt die Hidden Layer ins Spiel, um genau diese Mehrdeutigkeiten aufzulösen und komplexere Zusammenhänge zu verarbeiten.
3:08 In der Hidden Layer werden die Eingaben aus der ersten Schicht weiter verarbeitet, indem sie mit Gewichtungen versehen werden.
3:15 Diese Gewichtungen bestimmen, wie stark ein bestimmtes Wort die Entscheidung beeinflusst. Wenn beispielsweise das Wort
3:24 Datenanalyse vorkommt, könnte es zwar theoretisch in einem Sportkontext verwendet werden, doch im Zusammenhang mit anderen Begriffen wie Hypothese oder
3:34 Experiment bekommt es eine viel höhere Gewichtung für die Kategorie wissenschaftlicher Artikel. Die Neuronen in dem Hidden Layer lernen
3:42 also nicht nur, ob ein Wort vorkommt, sondern auch wie es mit anderen Wörtern zusammenhängt. Zusätzlich werden durch den Hidden Layer
3:52 unwichtige oder wenig aussagekräftige Wörter herausgefiltert. Häufig verwendete Begriffe wie und der oder hat tragen kaum zur Klassifizierung
4:03 bei, da sie in allen Textarten vorkommen. Das Netzwerk erkennt mit der Zeit, dass solche Wörter keine nützlichen Informationen liefern und
4:11 reduziert deren Einfluss durch eine niedrige Gewichtung. Entscheidend ist also nicht nur, welche Wörter vorkommen, sondern auch wie sie in Bezug zueinander
4:20 stehen und welche Kombinationen typisch für eine bestimmte Textart sind. Am Ende des Prozesses erfolgt die eigentliche Entscheidung in der Output
4:30 Layer. Da das Modell zwischen drei möglichen Kategorien unterscheidet, gibt es hier drei Neuronen. Eines für wissenschaftlicher Artikel, eines für
4:39 zum Liebesroman und eines für Sportbericht. Jedes dieser Neuronen gibt eine Aktivierungsstärke aus, die angibt, wie
4:47 wahrscheinlich es ist, dass der eingegebene Text zu dieser Kategorie gehört. Das Neuron mit der höchsten Aktivierung bestimmt letztendlich die
4:55 Klassifizierung. In unserem Beispiel hier der wissenschaftliche Artikel. Neuronale Netze werden für verschiedene textbasierte Anwendungen genutzt.
5:06 Dazu gehören Chatbots wie Chat GPT, die Texte verstehen und generieren, Übersetzungsprogramme wie Deple, die Sprache in Echtzeit umwandeln oder
5:16 Textanalyse Tools, die beispielsweise Stimmungen in Kundenbewertungen erkennen. Neben Sprachki gibt es aber auch
5:24 neuronale Netze für Bilder, Videos und Audiodaten. Bei der Bilderkennung analysiert ein neuronales Netz ein Bildschrittweise.
5:34 Die Eingabeschicht zerlegt das Bild in einzelne Pixelwerte. Die ersten versteckten Schichten erkennen einfache Muster wie Kanten, Linien und
5:43 Farbkontraste, während mittlere Schichten komplexere Strukturen wie Formen oder Texturen erfassen. So können beispielsweise die Konturen eines
5:51 Gesichts oder die Oberfläche eines Straßenschildes identifiziert werden. Die letzten Schichten setzen diese Informationen schließlich zusammen und
6:00 entscheiden, was auf dem Bild zu sehen ist. etwa eine Katze, ein Hund oder wie hier ein Herz. In der Videoverarbeitung funktioniert
6:09 das Prinzip ähnlich, allerdings über mehrere Einzelbilder hinweg. Neuronale Netze erkennen nicht nur Objekte in einzelnen Frames, sondern
6:19 analysieren auch Bewegungen und zeitliche Abläufe. Dadurch lassen sich Muster im Verhalten identifizieren, was beispielsweise in Überwachungssystemen
6:27 oder beim autonomen Fahren genutzt wird, um auffällige Aktivitäten zu erkennen. Auch in der Spracherkennung arbeiten neuronale Netze, indem sie Audiodaten
6:38 schrittweise verarbeiten. Zunächst wird der Ton in Frequenzmuster zerlegt. Danach erkennen tiefere Schichten Sprachmelodien und einzelne
6:47 Laute, bevor das System diese zu Wörtern und Sätzen zusammensetzt. Hallo.