V05 - Künstliche Neuronale Netze Flashcards
Welche Bestandteile hat ein Neuronales Netz? (V05F15)
○ Neuronen (U), verarbeiten einen Eingabewert und liefern einen Ausgabewert
○ Gewichte (W), auf der Verbindung zwischen Neuronen angeben
○ Aktivierungsfunktion (A)
Wie arbeitet ein neuronales Netz grundlegend? (V05F17)
○ 1 zunächst befindet sich ein Netz in einer Ruhephase oder einem eingefrorenen Zustand
○ 2 Aktivierungsphase: es werden durch die externe Aktivierungsfunktion externe Aktivierungen der Eingabeneuronen ermittelt
○ 3 Arbeitsphase: Aktivierungen werden durch das Netz propagiert. Die Arbeitsphase ist spätestens dann abgeschlossen, wenn das Netz erneut in eine Ruhephase übergegangen ist, sich also die Aktivierungen nicht mehr ändern
○ 4 die Aktivierungspotentiale der Ausgabeneuronen werden nun als Ausgabe des Netzes interpretiert und je nach Einsatz bzw. Anwendung des Netzes genutzt
Wie ist das Perzeptron (künstliches Neuron) aufgebaut? (V05F30)
Von links nach rechts: Input, Gewichte, Gesamtinput, Aktivierung, Output
Wie läuft die Aktivierung eines künstlichen Neurons ab? (V05F30F)
○ Der Gesamtinput ergibt sich als gewichtete Summe der Inputwerte
○ Die Aktivierung des Neurons geschieht über die Aktivierungsfunktion, deren Wert von der Differenz aus Gesamtinput und Schwellwert abhängt (Ein Neuron wird nur aktiviert, wenn der Schwellwert überschritten wird)
○ Je nach Aktivierung (Grad der Aktivierung) wird ein Outputwert generiert
Wie wird ein vorwärts gerichtetes künstliches neuronales Netz mittels Back-Propagation trainiert? (V05F39)
○ Werte werden in die Inputschicht eingegeben
○ Forward-Pass: der Input wird anhand von Gewichten und Aktivierungen durch das Netz geleitet, bis ein Wert in der Outputschicht erzeugt wurde, der die berechnete Klasse angibt
○ Fehlerbestimmung: Outputwert wird mit tatsächlicher Klassenzugehörigkeit verglichen
○ Bachward-Pass: Bei einer Abweichung von Soll- und Ist-Wert (bezüglich der Klasse) werden ausgehend von den Outputneuronen die zugehörigen Verbindungsgewichte sowie die vorherigen Verbindungsgewichte der Neuronen derart geändert, dass die Abweichung (der Fehler) minimiert wird.
Was sind Vorteile vorwärts gerichteter KNNs? (V05F42)
○ Können sehr gute Ergebnisse bei der Klassifikation und Prognose erzeugen
○ Die offene Struktur macht das Modell sehr flexibel
Was sind Nachteile vorwärts gerichteter KNNs? (V05F42)
○ Es werden keine expliziten Regeln angegeben
○ Das Adaptieren der Gewichte geschieht mitunter sehr langsam
○ Netzstruktur und Gewichtsinitialisierung sind nicht vorgegeben
Warum wird bei Neuronalen Netzen eine (Aktivierungs-)Funktion angewendet? (V05F??)
○ Durch die Funktion soll ein Punkt gefunden werden, an dem ein Schnitt zwischen zwei oder mehr Datenmengen gesetzt werden kann
○ So sollen die Daten in verschiedene Klassen aufgeteilt werden
Was kann bei einem Neuronalen Netz angepasst werden, um Inhalte zu lernen? (V05F28)
○ Gewichte anpassen
○ Mehr versteckte Neuronen verwenden
○ Mehr Output-Neuronen verwenden
○ Andere Aktivierungsfunktion verwenden
○ Rauschen hinzufügen
