Glossar

Neuronales Netzwerk (NN)

Entdecke die Macht der Neuronalen Netze - der Schlüssel zu KI- und ML-Innovationen wie Computer Vision, NLP und Deep Learning-Durchbrüchen.

Trainiere YOLO Modelle einfach
mit Ultralytics HUB

Mehr erfahren

Neuronale Netze (NN), auch Künstliche Neuronale Netze (ANN) genannt, sind Rechenmodelle, die von der komplexen Struktur und Funktion des menschlichen Gehirns inspiriert sind. Sie bilden einen Eckpfeiler der modernen künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) und sind in erster Linie dazu gedacht, komplizierte Muster in Daten zu erkennen. Diese Netzwerke treiben viele intelligente Systeme an, mit denen wir täglich zu tun haben, von ausgeklügelten Bilderkennungsprogrammen bis hin zu fortschrittlichen Sprachübersetzungsdiensten.

Neuronale Netze verstehen

Ein neuronales Netzwerk besteht aus Schichten miteinander verbundener Knoten oder Neuronen. Diese Schichten bestehen in der Regel aus einer Eingabeschicht, die Rohdaten empfängt, einer oder mehreren versteckten Schichten, die die Daten verarbeiten, und einer Ausgabeschicht, die das Endergebnis liefert, z. B. eine Klassifizierung oder Vorhersage. Jede Verbindung zwischen den Neuronen hat ein Gewicht, das die Wichtigkeit der Verbindung angibt. Die Neuronen verarbeiten ihre Eingaben mithilfe einer Aktivierungsfunktion, um das Ausgangssignal zu bestimmen, das sie weitergeben. Das Netzwerk lernt, indem es diese Gewichte während eines Trainingsprozesses anpasst. Dabei werden in der Regel Algorithmen wie Gradientenabstieg und Backpropagation verwendet, um den Fehler zwischen seinen Vorhersagen und den tatsächlichen Zielwerten zu minimieren. Eine Anleitung zum effektiven Training findest du in unseren Tipps zum Modelltraining.

Modelle, die Deep Learning einsetzen, sind im Wesentlichen neuronale Netze mit zahlreichen versteckten Schichten (daher "deep"). Diese Tiefe ermöglicht es ihnen, hochkomplexe Muster und hierarchische Merkmale aus großen Datensätzen zu lernen, was sie für Aufgaben wie Objekterkennung und Bildsegmentierung besonders effektiv macht. Im Gegensatz zu einfacheren ML-Modellen, die eine manuelle Bearbeitung von Merkmalen erfordern, sind NNs hervorragend in der Lage, automatisch relevante Merkmale aus unstrukturierten Daten wie Bildern und Texten zu extrahieren.

Anwendungen von neuronalen Netzen

Neuronale Netze sind unglaublich vielseitig und werden in zahlreichen Bereichen eingesetzt. Hier sind zwei wichtige Beispiele:

  1. Computer Vision: Im Bereich Computer Vision (CV) werden NNs, insbesondere spezialisierte Typen wie CNNs, zur Analyse und Interpretation visueller Informationen eingesetzt. Hochmoderne Modelle wie Ultralytics YOLO nutzen tiefe neuronale Netze für die Objekterkennung, Bildsegmentierung und Posenschätzung in Echtzeit und ermöglichen so Anwendungen vom autonomen Fahren bis zur medizinischen Bildanalyse. Du kannst solche Modelle mit Plattformen wie Ultralytics HUB trainieren und einsetzen.
  2. Natürliche Sprachverarbeitung: NNs sind grundlegend für die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und ermöglichen es Maschinen, menschliche Sprache zu verstehen und zu erzeugen. Zu den Anwendungen gehören maschinelle Übersetzung, Stimmungsanalyse und die Entwicklung von Chatbots. Modelle wie BERT und verschiedene GPT-Modelle basieren auf ausgeklügelten neuronalen Netzwerkarchitekturen, insbesondere Transformers.

Neuronale Netze vs. ähnliche Konzepte

Es ist hilfreich, NNs von verwandten KI-Konzepten zu unterscheiden:

  • Künstliche Intelligenz (KI): KI ist das weite Feld der Entwicklung intelligenter Maschinen. NNs sind eine spezielle Technik, die innerhalb der KI verwendet wird, um Lernfähigkeiten zu erreichen.
  • Maschinelles Lernen (ML): ML ist ein Teilbereich der KI, der sich auf Algorithmen konzentriert, die aus Daten lernen. NNs sind eine wichtige Klasse von ML-Modellen, die vor allem beim Deep Learning dominieren.
  • Deep Learning (DL): DL ist ein Teilbereich von ML, der speziell NNs mit vielen Schichten (tiefe Architekturen) verwendet, um komplexe Muster zu modellieren. Alle Deep Learning-Modelle sind neuronale Netze, aber nicht alle neuronalen Netze sind tief.
  • Convolutional Neural Networks (CNNs): CNNs sind eine spezielle Art von NNs, die vor allem für die Verarbeitung gitterförmiger Daten, wie z. B. Bilder, entwickelt wurden, was sie sehr effektiv für Computer-Vision-Aufgaben macht.
  • Rekurrente Neuronale Netze (RNNs): RNNs wurden entwickelt, um sequentielle Daten wie Text oder Zeitreihen zu verarbeiten, indem sie über Verbindungen verfügen, die Zyklen bilden und es ermöglichen, dass die Informationen bestehen bleiben.
  • Transformatoren: Transformers sind eine neuere Architektur, die sich stark auf Aufmerksamkeitsmechanismen stützt. Sie sind für viele NLP-Aufgaben zum Stand der Technik geworden und werden zunehmend im Bereich des Computersehens eingesetzt.

Neuronale Netze sind leistungsstarke, vom Gehirn inspirierte Modelle, die es Maschinen ermöglichen, komplexe Muster aus Daten zu lernen. Sie sind die grundlegenden Bausteine für Deep Learning und treiben den Fortschritt in verschiedenen KI-Anwendungen voran, vom Verstehen von Bildern mit Computer Vision bis hin zur Sprachverarbeitung im NLP.

Alles lesen