Neuronales Netz (NN)

Ein neuronales Netz (NN) ist ein Berechnungsmodell, das von der Struktur und Funktion des menschlichen Gehirns inspiriert ist. Es bildet das Rückgrat der meisten Deep-Learning-Modelle (DL) und ist ein grundlegendes Konzept der modernen künstlichen Intelligenz (KI). NNs sind darauf ausgelegt, Muster in Daten zu 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 Verarbeitung natürlicher Sprache (NLP) unglaublich leistungsfähig macht.

Wie funktionieren neuronale Netze?

Ein neuronales Netz 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 erhält die Ausgangsdaten, wie z. B. die Pixel eines Bildes oder die Wörter eines Satzes.
2. Ausgeblendete Schichten: 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, was das Lernen von Modellgewichten und eine Aktivierungsfunktion wie ReLU oder Sigmoid einschließt, um seine Ausgabe zu bestimmen. Netze mit mehreren versteckten Schichten werden als "tiefe" neuronale Netze bezeichnet.
3. Ausgabeschicht: Diese letzte Schicht liefert das Ergebnis, z. B. ein Klassifizierungslabel oder einen vorhergesagten Wert.

Beim Lernprozess, dem so genannten Training, wird das Netz mit großen Datensätzen gefüttert. Das Netz macht eine Vorhersage, vergleicht sie mit dem tatsächlichen Ergebnis und berechnet einen Fehler anhand einer Verlustfunktion. Dann verwendet es einen Algorithmus namens Backpropagation, um die Gewichte seiner Verbindungen anzupassen, um diesen Fehler über viele Iterationen oder Epochen zu minimieren. Dieser Prozess wird von einem Optimierungsalgorithmus wie Adam gesteuert.

Neuronale Netze vs. verwandte Konzepte

Es ist wichtig, NNs von anderen verwandten Begriffen zu unterscheiden:

• Maschinelles Lernen vs. Neuronale Netze: Maschinelles Lernen (ML) ist ein weites Feld der künstlichen Intelligenz, und NNs sind nur eine Art von ML-Modell. Andere ML-Modelle sind Entscheidungsbäume und Support-Vektor-Maschinen (SVMs), die nicht die geschichtete Neuronenarchitektur verwenden.
• Deep Learning vs. Neuronale Netze: Deep Learning ist ein Teilbereich des ML, der speziell tiefe neuronale Netze (NN) mit vielen versteckten Schichten verwendet. Daher basieren alle Deep-Learning-Systeme auf neuronalen Netzen, aber ein einfaches neuronales Netz mit nur einer verborgenen Schicht kann nicht als "tief" angesehen werden.

Arten und Anwendungen neuronaler Netze

Neuronale Netze sind unglaublich vielseitig und wurden in verschiedenen spezialisierten Architekturen angepasst. Hier sind zwei wichtige Beispiele:

1. Computer Vision (CV): Faltungsneuronale Netze (Convolutional Neural Networks, CNN) sind die dominierende Kraft in der Computer Vision.

   • Objekt-Erkennung: Modelle wie Ultralytics YOLO11 verwenden CNNs zur Identifizierung und Lokalisierung von Objekten innerhalb eines Bildes mithilfe von Begrenzungsrahmen. Dies ist entscheidend für Anwendungen wie KI in selbstfahrenden Autos und KI-gesteuerte Bestandsverwaltung.
   • Bild-Segmentierung: NNs können jedes Pixel in einem Bild klassifizieren, um ein detailliertes Verständnis der Szene für Aufgaben wie die medizinische Bildanalyse zu ermöglichen. Sie können Segmentierungsaufgaben mit der Ultralytics Dokumentation erkunden.

2. Verarbeitung natürlicher Sprache (NLP): NNs, einschließlich rekurrenter neuronaler Netze (RNNs) und Transformers, haben die Art und Weise, wie Maschinen Sprache verarbeiten, revolutioniert.

   • Maschinelle Übersetzung: Dienste wie Google Translate stützen sich auf komplexe NNs, um Texte automatisch und mit bemerkenswerter Genauigkeit zwischen Sprachen zu übersetzen.
   • Stimmungsanalyse: Unternehmen verwenden NNs zur Analyse von Kundenrezensionen und Kommentaren in sozialen Medien, um den emotionalen Ton (positiv, negativ oder neutral) zu bestimmen, wie in diesem Überblick über die Stimmungsanalyse von IBM erläutert wird.

Tools und Rahmenwerke

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

• Bibliotheken: Frameworks wie PyTorch und TensorFlow bieten die wesentlichen Bausteine für die Erstellung und das Training von NNs. Sie können mehr auf den offiziellen PyTorch- und TensorFlow-Webseiten erfahren.
• Plattformen: Ultralytics HUB bietet eine integrierte Plattform für das Training von YOLO-Modellen, die Verwaltung von Datensätzen und die Vereinfachung des Modellbereitstellungsprozesses.
• Vorgefertigte Modelle: Viele Forscher und Entwickler beginnen mit vortrainierten Modellen, die von Hubs wie Hugging Face oder innerhalb des Ultralytics-Ökosystems zur Verfügung stehen. Diese Modelle erfordern oft nur eine Feinabstimmung an einem bestimmten Datensatz, was viel Zeit und Rechenressourcen spart. Sie können Vergleiche zwischen verschiedenen YOLO-Modellen in unserer Dokumentation finden.