Neuronales Netz (NN)

Ein neuronales Netzwerk (NN) ist ein Rechenmodell, das von der Struktur und Funktion des menschlichen Gehirns inspiriert ist. Es bildet das Rückgrat der meisten Deep-Learning (DL)-Modelle und ist ein grundlegendes Konzept in der modernen Künstlichen Intelligenz (KI). NNs sind so konzipiert, dass sie Muster in Daten erkennen, indem sie Informationen durch miteinander verbundene Schichten von Knoten oder "Neuronen" verarbeiten. Diese Struktur ermöglicht es ihnen, aus riesigen Datenmengen zu lernen, was sie für komplexe Aufgaben wie Bilderkennung und natürliche Sprachverarbeitung (NLP) unglaublich leistungsfähig macht.

Wie funktionieren neuronale Netze?

Ein neuronales Netzwerk besteht aus drei Haupttypen von Schichten: einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Jede Schicht enthält Neuronen, die mit Neuronen in der nachfolgenden Schicht verbunden sind.

1. Eingabeschicht: Diese Schicht empfängt die anfänglichen Daten, wie z. B. die Pixel eines Bildes oder die Wörter in einem Satz.
2. Verborgene Schichten (Hidden Layers): Dies sind die Zwischenschichten zwischen der Eingabe und der Ausgabe. Hier findet der Großteil der Berechnungen statt. Jedes Neuron wendet eine mathematische Transformation auf seine Eingaben an, welche das Erlernen von Modellgewichten und einer Aktivierungsfunktion wie ReLU oder Sigmoid beinhaltet, um seine Ausgabe zu bestimmen. Netzwerke mit mehreren verborgenen Schichten werden als "tiefe" neuronale Netze bezeichnet.
3. Ausgabeschicht: Diese letzte Schicht erzeugt das Ergebnis, wie z. B. eine Klassifikationsbezeichnung oder einen vorhergesagten Wert.

Der Lernprozess, bekannt als Training, beinhaltet das Einspeisen großer Datensätze in das Netzwerk. Das Netzwerk trifft eine Vorhersage, vergleicht diese mit dem tatsächlichen Ergebnis und berechnet einen Fehler mithilfe einer Loss-Funktion. Anschließend verwendet es einen Algorithmus namens Backpropagation, um die Gewichtungen seiner Verbindungen anzupassen, um diesen Fehler über viele Iterationen oder Epochen zu minimieren. Dieser Prozess wird von einem Optimierungsalgorithmus wie Adam gesteuert.

Neuronale Netze im Vergleich zu verwandten Konzepten

Es ist wichtig, Neuronale Netze (NNs) von anderen verwandten Begriffen zu unterscheiden:

• Maschinelles Lernen vs. Neuronale Netze: Maschinelles Lernen (ML) ist ein breites Feld der KI, und NN sind nur eine Art von ML-Modell. Andere ML-Modelle umfassen Entscheidungsbäume und Support Vector Machines (SVMs), die keine schichtweise Neuronenarchitektur verwenden.
• Deep Learning vs. Neuronale Netze: Deep Learning ist ein Teilbereich des ML, der speziell tiefe neuronale Netze verwendet—NNs mit vielen verborgenen Schichten. Daher basieren alle Deep-Learning-Systeme auf NNs, aber ein einfaches NN mit nur einer verborgenen Schicht wird möglicherweise nicht als "tief" angesehen.

Typen und Anwendungen von neuronalen Netzen

Neuronale Netze sind unglaublich vielseitig und wurden in verschiedene spezialisierte Architekturen adaptiert. Hier sind zwei wichtige Beispiele:

1. Computer Vision (CV): Convolutional Neural Networks (CNNs) sind die dominierende Kraft in der Computer Vision.

   • Objekterkennung: Modelle wie Ultralytics YOLO11 verwenden CNNs, um Objekte innerhalb eines Bildes mithilfe von Bounding Boxes zu identifizieren und zu lokalisieren. Dies ist entscheidend für Anwendungen wie KI in selbstfahrenden Autos und KI-gestütztes Bestandsmanagement.
   • Bildsegmentierung: NNs können jedes Pixel in einem Bild klassifizieren, um ein detailliertes Szenenverständnis für Aufgaben wie die medizinische Bildanalyse zu ermöglichen. Sie können Segmentierungsaufgaben mit der Ultralytics-Dokumentation erkunden.

2. Natural Language Processing (NLP): NNs, einschließlich Recurrent Neural Networks (RNNs) und Transformers, haben die Art und Weise, wie Maschinen Sprache verarbeiten, revolutioniert.

   • Maschinelle Übersetzung: Dienste wie Google Translate verlassen sich auf komplexe NNs, um Text zwischen Sprachen mit bemerkenswerter Genauigkeit automatisch zu übersetzen.
   • Sentimentanalyse: Unternehmen verwenden NNs, um Kundenrezensionen und Social-Media-Kommentare zu analysieren, um den emotionalen Ton (positiv, negativ oder neutral) zu bestimmen, wie in dieser Übersicht über die Sentimentanalyse von IBM erläutert wird.

Tools und Frameworks

Die Entwicklung von NNs wird durch leistungsstarke Tools und Frameworks zugänglich gemacht.

• Bibliotheken: Frameworks wie PyTorch und TensorFlow stellen die wesentlichen Bausteine für die Erstellung und das Training von NNs bereit. Weitere Informationen finden Sie auf den offiziellen Webseiten von PyTorch und TensorFlow.
• Plattformen: Ultralytics HUB bietet eine integrierte Plattform für das Training von YOLO-Modellen, die Verwaltung von Datensätzen und die Vereinfachung des Modellbereitstellungsprozesses.
• Vorab trainierte Modelle: Viele Forscher und Entwickler beginnen mit vorab trainierten Modellen, die von Hubs wie Hugging Face oder innerhalb des Ultralytics-Ökosystems verfügbar sind. Diese Modelle erfordern oft nur Feinabstimmung auf einem bestimmten Datensatz, was erhebliche Zeit und Rechenressourcen spart. Sie können Vergleiche zwischen verschiedenen YOLO-Modellen in unserer Dokumentation finden.