Neuronales Netzwerk (NN)

Neuronale Netze verstehen

Ein neuronales Netzwerk besteht aus Schichten miteinander verbundener Knoten, den Neuronen. Diese Schichten bestehen in der Regel aus einer Eingabeschicht, die Rohdaten empfängt (z. B. Pixelwerte in einem Bild oder Wörter in einem Satz), einer oder mehreren versteckten Schichten, die die Daten durch Berechnungen verarbeiten, und einer Ausgabeschicht, die das Endergebnis liefert, z. B. ein Klassifizierungsetikett oder einen vorhergesagten Wert. Jede Verbindung zwischen Neuronen hat ein "Gewicht", einen numerischen Wert, der die Bedeutung der Verbindung für die Berechnungen des Netzwerks angibt.

Die Neuronen verarbeiten ihre kombinierten Eingaben mithilfe einer Aktivierungsfunktion wie ReLU oder Sigmoid, die das Ausgangssignal bestimmt, das sie an die nächste Schicht weitergeben. Das Netzwerk "lernt", indem es diese Gewichte während eines Trainingsprozesses anpasst, in der Regel anhand von markierten Beispielen in einer überwachten Lernumgebung. Algorithmen wie der Gradientenabstieg und der Backpropagation-Algorithmus werden üblicherweise verwendet, um die Gewichte iterativ so zu verändern, dass eine Verlustfunktion minimiert wird, die die Differenz zwischen den Vorhersagen des Netzwerks und den tatsächlichen Zielwerten misst. Ein effektives Modelltraining erfordert oft eine sorgfältige Abstimmung der Hyperparameter und Strategien, die in Leitfäden wie unseren Tipps zum Modelltraining beschrieben werden.

Modelle, die Deep Learning (DL) einsetzen, sind im Wesentlichen NNs mit mehreren 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 Instanzsegmentierung besonders effektiv macht. Im Gegensatz zu einfacheren ML-Modellen wie der linearen Regression oder Support Vector Machines (SVM), die eine manuelle Bearbeitung von Merkmalen erfordern, eignen sich NNs hervorragend für die automatische Extraktion von Merkmalen aus unstrukturierten Rohdaten wie Bildern und Texten.

Arten von neuronalen Netzen und Unterscheidungen

Während die oben beschriebene Grundstruktur allgemein gilt, gibt es verschiedene spezialisierte NN-Architekturen:

• Convolutional Neural Networks (CNNs): Besonders effektiv für gitterartige Daten wie Bilder. Sie verwenden Faltungsschichten, um räumliche Hierarchien von Merkmalen zu lernen. Viele Architekturen zur Objekterkennung nutzen CNNs als Rückgrat.
• Rekurrente Neuronale Netze (RNNs): Entwickelt für sequentielle Daten wie Text oder Zeitreihen, mit Verbindungen, die gerichtete Zyklen bilden, so dass die Informationen erhalten bleiben. Varianten wie LSTM sind weit verbreitet.
• Transformatoren: Ursprünglich für NLP-Aufgaben entwickelt, basieren sie stark auf Mechanismen der Selbstaufmerksamkeit und haben in verschiedenen Bereichen bemerkenswerte Leistungen gezeigt, darunter auch im Bereich des Sehens(Vision Transformer (ViT)).

NNs unterscheiden sich deutlich von traditionellen Algorithmen wie Entscheidungsbäumen oder k-Nächsten Nachbarn (KNN), die nach anderen Prinzipien arbeiten und für hochdimensionale, komplexe Daten wie Bilder ohne umfangreiche Vorverarbeitung oft weniger geeignet sind.

Anwendungen von neuronalen Netzen

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

1. Computer Vision (CV): NNs, vor allem CNNs, sind die treibende Kraft hinter den großen Fortschritten im Bereich CV. Sie werden eingesetzt für:

   • Bildklassifizierung: Einem ganzen Bild eine Bezeichnung zuweisen (z. B. eine Katze oder einen Hund identifizieren).
   • Objekterkennung: Identifizierung und Lokalisierung von Objekten in einem Bild mithilfe von Bounding Boxes, wie es von Ultralytics YOLO Modelle wie YOLO11. Dies ist entscheidend für Anwendungen wie KI in selbstfahrenden Autos und KI-gesteuerte Bestandsverwaltung.
   • Bildsegmentierung: Die Klassifizierung jedes Pixels in einem Bild ermöglicht ein detailliertes Verständnis der Szene für Aufgaben wie die medizinische Bildanalyse. Erforsche Segmentierungsaufgaben mit der Ultralytics Dokumentation.

2. Natürliche Sprachverarbeitung (NLP): NNs, einschließlich RNNs und Transformers, haben die Art und Weise, wie Maschinen menschliche Sprache verstehen und erzeugen, revolutioniert. Zu den Anwendungen gehören:

   • Maschinelle Übersetzung: Automatisches Übersetzen von Texten von einer Sprache in eine andere (z. B. Google Translate).
   • Stimmungsanalyse: Bestimmung der emotionalen Stimmung eines Textes (positiv, negativ, neutral).
   • Textgenerierung: Erstellen von menschenähnlichem Text für Chatbots und Tools zur Inhaltserstellung auf der Grundlage von Modellen wie BERT und GPT.

Tools und Rahmenwerke

Die Entwicklung und der Einsatz von NNs wird durch verschiedene leistungsstarke Deep Learning Tools und Frameworks erleichtert:

• Bibliotheken: Frameworks wie PyTorch und TensorFlow bieten die Kernbausteine und automatischen Differenzierungsmöglichkeiten, die für das Training von NNs benötigt werden. Keras bietet eine High-Level-API, die häufig mit TensorFlow verwendet wird.
• Plattformen: Ultralytics HUB bietet eine Plattform für das Training von YOLO , die Verwaltung von Datensätzen und die Rationalisierung des Modellbereitstellungsprozesses.
• Modelle: Vorgefertigte Modelle wie die in der Ultralytics YOLO Familie bieten eine gute Ausgangsbasis für verschiedene Lebenslaufaufgaben und erfordern oft nur noch eine Feinabstimmung für bestimmte Datensätze. In unserer Dokumentation findest du Vergleiche zwischen verschiedenen YOLO .

Das Verständnis von NNs ist für jeden, der im Bereich KI oder ML arbeitet, von entscheidender Bedeutung, da sie die Grundlage für viele hochmoderne Lösungen in verschiedenen Branchen bilden, von KI im Gesundheitswesen bis hin zu KI in der Landwirtschaft.