Künstliche neuronale Netzwerke & Deep Learning - Ein kurzer Exkurs

Künstliche neuronale Netzwerke & Deep Learning - Ein kurzer Exkurs

Künstliche neuronale Netzwerke und ihr Zusammenhang mit biologischen neuronalen Netzwerken (dein Gehirn)

Deep Learning verwendet künstliche neuronale Netzwerke als Werkzeug zur Mustererkennung.

Biologische neuronale Netzwerke

Neuronen – oder auch Nervenzellen genannt – sind biologische Zellen, die auf Erregung und Erregungsübertragung spezialisiert sind. Das komplette menschliche Nervensystem besteht in der Regel aus 100 Milliarden Neuronen. Ein Neuron besteht aus dem Zellkörper, auch Soma genannt und zwei baumartigen Ästen, den Dendriten und dem Axon-Strang, der mit den Synapsen endet. Im Zellkörper befindet sich der sogenannte Zellkern – oder auch Nukleus genannt. Der Zellkern beinhaltet Erbinformationen, sowie das notwendige Plasma als Energiespeicher für die Neuronen. (Siehe Abb. 1 Aufbau Neuronen).
Die Kommunikationen zwischen den Neuronen findet über die Dendriten und den Axon Strang statt. Über die Dendriten werden Impulse von anderen Neuronen empfangen und vom Zellkörper aus werden über den Axon-Strang Impulse über die Synapsen versendet. Der Axon-Strang ist mit den Synapsen an die Dendriten mit anderen Neuronen verbunden. Die Impulse werden in den Synapsen in Neurotransmitter umgewandelt und dienen als Botenstoffe zwischen den Neuronen. Durch den Austausch von Impulsen zwischen den Neuronen entwickelt sich, zum Beispiel, die Gedächtnisfunktion des Menschen. Komplexe Funktionen des Gehirns, wie zum Beispiel die Gesichtserkennung, werden von Neuronen innerhalb von einigen hundert Millisekunden durchgeführt. Das ist möglich, weil jedes Neuron mit 10³ zu 104 mit anderen Neuronen verbunden ist und die Impulse aus der Umwelt gleichzeitig von mehreren Neuronen verarbeitet werden. Nach diesem Prinzip sind künstliche neuronale Netzwerke aufgebaut.
Künstliche neuronale Netzwerke

Eines der ersten Modelle von künstlichen Neuronen stammt aus dem Jahr 1943 und wurde von Waren MC McCulloch und Walter Pitts entwickelt, auch bekannt als das McCulloch- Pitts-Neuron. Bei diesem Neuronen-Modell kann ein Neuron binäre Zahlen verarbeiten. Das heißt ein Neuron kann den Wert 1 oder 0 als Ausgang (Output) ausgeben. Dabei besteht ein Neuron aus einer Reihe von Eingängen (Inputs) X1, X2, X3 … Xn und einem Ausgang (Output) Y. Zusätzlich werden den Inputwerten noch Gewichtswerte W1, W2, W3, Wm zugewiesen, die im McCulloch-Pitts-Neuron entweder die Werte 0,1 oder -1,1 haben können. Die Inputwerte und Gewichtswerte werden miteinander multipliziert und summiert. Dies siehtdann in der vereinfachten Form wie folgt aus:

X1 * W1 + X2 * W2 + X3 + W3

Die Gewichtswerte Wn definieren, welche Relevanz ein Eingabewert Xn für die Berechnung der Ausgabe Y hat. Der Output wird im McCulloch-Pitts-Neuron mit einer binären Schrittfunktion berechnet. Wenn ein Neuron einen vorher definierten Schwellenwert erreicht, wird dieser Wert in den nächsten Layer verschickt.
Ein KNN (Künstlich Neuronales Netzwerk) besteht aus drei Schichten.

Eingabeschicht Input Layer

Über die Eingabeschicht werden die Daten in das Netzwerk geführt. Die Menge der Neuronen, die in der Eingabeschicht existieren, ist abhängig von Eingaben die erfolgen. Jede Eingabe in das Netzwerk ist ein Neuron und hat einen Einfluss auf die Ausgabe.

Versteckte Schicht – Hidden Layer

Die Hauptaufgabe eines künstlichen neuronalen Netzwerkes wird in der versteckten Schicht ausgeführt. Die verstecke Schicht verarbeitet die eingehenden Daten aus der Eingabeschicht. Wie in der Abbildung 6 zu sehen ist, kann ein neuronales Netzwerk aus mehreren verstecken Schichten bestehen. Je nach der Komplexität der Aufgabe, die das Netzwerk lösen muss, werden mehrere versteckte Schichten verwendet. Wenn mehrere versteckte Schichten in einem Netzwerk bestehen, liegt es daran das jede versteckte Schicht eine andere Funktion zur Lösung der Aufgabe verwendet.

Ausgabeschicht – Output Layer
In der Ausgabeschicht wird das Ergebnis aus erfolgten Eingaben und der Verarbeitung aus der versteckten Schicht präsentiert. Die Menge der Neuronen wird durch die zu erwartenden Ergebnisse bestimmt.
Du fragst dich, wie man künstliche neuronale Netzwerke & Deep Learning im Digital Marketing verwenden kann? Dann kontaktiere uns.