Ein neuronales Netzwerk ist eine Art maschinelles Lernen, das sich dem menschlichen Gehirn anpasst. Dadurch entsteht ein künstliches neuronales Netzwerk, das dem Computer durch einen neuen Algorithmus durch Einfügen neuer Daten das Lernen ermöglicht.

Während es heutzutage viele künstliche Intelligenzalgorithmen gibt, können neuronale Netze das tun, was man als tiefes Lernen bezeichnet. Während die Grundeinheit des Gehirns das Neuron ist, ist der wesentliche Baustein eines künstlichen neuronalen Netzwerks ein Perzeptron, das eine einfache Signalverarbeitung durchführt, und diese werden dann zu einem großen Maschennetzwerk verbunden.

Der Computer mit dem neuronalen Netzwerk lernt, eine Aufgabe auszuführen, indem er Trainingsbeispiele analysiert, die zuvor markiert wurden. Ein allgemeines Beispiel für eine Aufgabe für ein neuronales Netzwerk, das tiefes Lernen verwendet, ist eine Objekterkennungsaufgabe, bei der dem neuronalen Netzwerk eine große Anzahl von Objekten eines bestimmten Typs präsentiert wird, beispielsweise einer Katze oder eines Straßenschilds, und dem Computer. lernt durch Analyse der wiederkehrenden Muster in den dargestellten Bildern, neue Bilder zu kategorisieren.

Wie neuronale Netze lernen

Im Gegensatz zu anderen Algorithmen können neuronale Netzwerke mit ihrem tiefen Lernen nicht direkt für die Aufgabe programmiert werden. Sie haben vielmehr die Anforderung, genau wie ein sich entwickelndes Gehirn eines Kindes, dass sie die Informationen lernen müssen. Die Lernstrategien basieren auf drei Methoden:

  • Überwachtes Lernen: Diese Lernstrategie ist die einfachste, da es einen beschrifteten Datensatz gibt, den der Computer durchläuft, und der Algorithmus so lange geändert wird, bis der Datensatz verarbeitet werden kann, um das gewünschte Ergebnis zu erhalten.
  • Unbeaufsichtigtes Lernen: Diese Strategie wird in Fällen angewendet, in denen kein beschrifteter Datensatz verfügbar ist, von dem man lernen kann. Das neuronale Netzwerk analysiert den Datensatz, und eine Kostenfunktion teilt dem neuronalen Netzwerk mit, wie weit es vom Ziel entfernt war. Das neuronale Netzwerk passt sich dann an, um die Genauigkeit des Algorithmus zu erhöhen.
  • Verstärktes Lernen: Bei diesem Algorithmus wird das neuronale Netzwerk für positive Ergebnisse verstärkt und für ein negatives Ergebnis bestraft, sodass das neuronale Netzwerk im Laufe der Zeit lernen muss.

Geschichte neuronaler Netze

Während neuronale Netze sicherlich eine leistungsstarke moderne Computertechnologie darstellen, geht die Idee bis in das Jahr 1943 zurück, mit zwei Forschern der University of Chicago, dem Neurophysiologen Warren McCullough und dem Mathematiker Walter Pitts.

Ihre Zeitung, “Eine logische Berechnung der Ideen, die in nervösen Aktivitäten immanent sind,” wurde erstmals in der Zeitschrift Brain Theory veröffentlicht, in der die Theorie populär gemacht wurde, dass die Aktivierung eines Neurons die grundlegende Einheit der Gehirnaktivität ist. Diese Arbeit hatte jedoch mehr mit der Entwicklung kognitiver Theorien zu dieser Zeit zu tun, und die beiden Forscher zogen 1952 an das MIT, um die erste Abteilung für kognitive Wissenschaften zu gründen.

Neuronale Netze in den 1950er Jahren waren ein fruchtbarer Bereich für die Erforschung neuronaler Computernetze, einschließlich des Perceptron, das visuelle Mustererkennung basierend auf dem zusammengesetzten Auge einer Fliege durchführte. Im Jahr 1959 entwickelten zwei Forscher der Stanford University MADALINE (Multiple ADAptive LINear Elements) mit einem neuronalen Netzwerk, das über das theoretische hinausgeht und ein tatsächliches Problem aufgreift. MADALINE wurde speziell angewendet, um das Echo auf einer Telefonleitung zu verringern und die Sprachqualität zu verbessern. Es war so erfolgreich, dass es bis heute kommerziell genutzt wird.

Trotz anfänglicher Enthusiasmus in künstlichen neuronalen Netzwerken, ein bemerkenswertes Buch aus dem Jahr 1969 des MIT, hat Perceptrons das gemildert. Die Autoren äußerten ihre Skepsis gegenüber künstlichen neuronalen Netzwerken und wie dies wahrscheinlich eine Sackgasse auf der Suche nach wahrer künstlicher Intelligenz war. Dies hat den Forschungsbereich in den 70er Jahren sowohl hinsichtlich des allgemeinen Interesses als auch hinsichtlich der Finanzierung erheblich getrübt. Trotzdem wurden einige Anstrengungen fortgesetzt, und 1975 wurde das erste mehrschichtige Netzwerk entwickelt, das den Weg für die weitere Entwicklung neuronaler Netze ebnet. Eine Errungenschaft, die einige vor weniger als einem Jahrzehnt für unmöglich gehalten hatten.

1982 wurde das Interesse an neuronalen Netzwerken erheblich erneuert, als John Hopfield, Professor an der Princeton University, das assoziative neuronale Netzwerk erfand; Die Neuerung bestand darin, dass Daten bidirektional übertragen werden konnten, da sie zuvor nur unidirektional waren und auch für ihren Erfinder als Hopfield-Netzwerk bekannt sind. Künstliche neuronale Netze erfreuen sich in der Zukunft großer Beliebtheit und Wachstum.

Realer Gebrauch für neuronale Netze

Die Handschrifterkennung ist ein Beispiel für ein Problem der realen Welt, das über ein künstliches neuronales Netzwerk angegangen werden kann. Die Herausforderung besteht darin, dass Menschen Handschrift mit einfacher Intuition erkennen können, aber die Herausforderung für Computer besteht darin, dass die Handschrift jeder Person einzigartig ist, mit unterschiedlichen Stilen und sogar unterschiedlichen Abständen zwischen den Buchstaben, so dass es schwierig ist, sie einheitlich zu erkennen.

Zum Beispiel kann der erste Buchstabe, ein Großbuchstabe A, als drei gerade Linien beschrieben werden, bei denen sich zwei auf einem Gipfel an der Spitze treffen und der dritte sich auf halbem Weg zwischen den anderen beiden befindet und für den Menschen sinnvoll ist, jedoch eine Herausforderung darstellt drücken Sie dies in einem Computeralgorithmus aus.

Mit dem Ansatz eines künstlichen neuronalen Netzwerks erhält der Computer Trainingsbeispiele von bekannten handgeschriebenen Zeichen, die zuvor mit dem Buchstaben oder der Nummer gekennzeichnet sind, denen sie entsprechen, und der Computer lernt dann über den Algorithmus, jedes Zeichen und die Daten zu erkennen Die Anzahl der Zeichen wird erhöht, ebenso die Genauigkeit. Für die Handschrifterkennung gibt es verschiedene Anwendungen, wie zum Beispiel das automatisierte Lesen von Adressen auf Briefen im Postdienst, wodurch Bankbetrug bei Schecks bis hin zur Zeicheneingabe für das Pen-based Computing reduziert wird.

Ein anderes Problem für ein künstliches neuronales Netz ist die Prognose der Finanzmärkte. Dies wird auch als "algorithmischer Handel" bezeichnet und wird auf alle Arten von Finanzmärkten angewendet, von Aktienmärkten, Rohstoffen, Zinssätzen und verschiedenen Währungen. Auf dem Aktienmarkt verwenden Händler neuronale Netzwerkalgorithmen, um unterbewertete Aktien zu finden, bestehende Aktienmodelle zu verbessern und die tiefen Lernaspekte zu nutzen, um ihren Algorithmus bei sich ändernden Marktbedingungen zu optimieren. Mittlerweile gibt es Unternehmen, die sich auf neuronale Aktienhandelsalgorithmen spezialisiert haben, zum Beispiel MJ Trading Systems.

Künstliche neuronale Netzwerkalgorithmen mit ihrer inhärenten Flexibilität werden weiterhin für komplexe Mustererkennung und Vorhersageprobleme eingesetzt. Neben den oben genannten Beispielen gehören dazu vielfältige Anwendungen wie Gesichtserkennung auf Social-Media-Bildern, Krebserkennung für medizinische Bildgebung und Unternehmensprognose.

  • Interessiert an AI? Wir haben 7 tägliche Anwendungen für die KI hervorgehoben, an die Sie noch nie zuvor gedacht haben