Zur Startseite
KI-Programmierung und Verhaltensbiologie
für den Unterricht

SchülerWissen „KILab

Neuronale Netze

Das Herzstück aller Software-Programme, die maschinelles Lernen nutzen, ist die Entwicklung künstlicher neuronaler Netze (KNNs), die für einen intelligenten Wissenserwerb genutzt werden.

Der Aufbau der neuronalen Netzwerke sollte dabei so gewählt werden, dass die spezifischen Probleme und Aufgaben möglichst genau bearbeitet werden können. Dementsprechend unterscheiden sich neuronale Netze aufgrund ihrer verschiedenen Spezifizität voneinander.

Grundsätzlich bestehen jedoch alle KNNs aus künstlichen Neuronen, die dem biologischen Vorbild eines Neurons nachempfunden sind und sich aus mehreren Bestandteilen zusammensetzen.

Wie auch biologische Neurone, sind künstliche Neurone in der Lage, mehrere unterschiedliche Eingaben (x1, x2, …xn) zu empfangen, zu verarbeiten sowie über eine Aktivierung auf diese zu reagieren und so weiterzuleiten. Die Gewichtungen (w1j,w2j,…wnj) bestimmen dabei, wie stark der Einfluss einer einzelnen Eingabe in der Gesamtverrechnung ausfällt und entsprechen den anpassbaren Elementen des neuronalen Netzes. Die eingehenden Signale werden mittels der Übertragungsfunktion Σ verrechnet und mit der Aktivierungsfunktion φ abgeglichen. Wird ein gewisser Schwellenwert erreicht, wird das Neuron aktiviert und leitet die Aktivierung 𝜊j an andere künstliche Neuronen oder auch als Output an die entwickelte Software weiter (Abbildung 3).

Layer

Die künstlichen Neuronen eines KNNs stehen dabei über sogenannte Kanten in Kontakt zueinander, wobei eine solche Kante von der Aktivierung des einen Neurons zum Eingang des anderen Neurons führt. Erst diese synaptischen Verbindungen ermöglichen einem KNN intelligentes Verhalten zu zeigen.

In der Praxis sind die neuronalen Netze in hintereinander angeordneten Schichten (layer) aus Neuronen organisiert und kommen zur Anwendung, wenn es besonders große Datenmengen zu bearbeiten gilt, die Menschen aufgrund der Menge selbst nicht mehr auswerten können (Abbildung 4).

Ein Beispiel ist die Bilderkennung von Körperpositionen und der damit verbundene Rückschluss auf Verhaltensweisen bei afrikanischen Savannentieren. Nur ein geringer Teil der Bilddaten wurde von Verhaltensbiologen und Verhaltensbiologinnen händisch ausgewertet.