Klassifikation - Database Systems Group - Ludwig-Maximilians ...
Klassifikation - Database Systems Group - Ludwig-Maximilians ...
Klassifikation - Database Systems Group - Ludwig-Maximilians ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
DATABASE<br />
SYSTEMS<br />
GROUP<br />
3.6 Neuronale Netze<br />
Grundlagen [Bigus 1996], [Bishop 1995]<br />
• PParadigma di für fü ein i Maschinen- M hi und dB Berechnungsmodell<br />
h d ll<br />
• Funktionsweise ähnlich der von biologischen Gehirnen<br />
Neuronales Netz: Menge von Neuronen, über Kanten<br />
miteinander it i d verbunden b d<br />
Neuron: entspricht biologischem Neuron Aktivierung<br />
durch Input-Signale an den Synapsen<br />
• Menschliches Gehirn: 1011 Neuronen jedes verbunden mit ~104 Menschliches Gehirn: 10 Neuronen, jedes verbunden mit 10<br />
anderen, schnellste Aktionszeit 10-3 Sek. (Computer: 10-10 ) – aber<br />
komplexe Entscheidungen sehr schnell (visuelle Erkennung der<br />
eigenen Mutter: 10-1 eigenen Mutter: 10 Sek ≈ 100 Schritte)<br />
1 Sek. ≈ 100 Schritte)<br />
• Erzeugung eines Output-Signals, das zu anderen Neuronen<br />
weitergeleitet wird.<br />
• OOrganisation i ti eines i neuronalen l NNetzes t<br />
Input-Schicht, verborgene Schichten, Output-Schicht<br />
Knoten einer Schicht mit allen Knoten der vorhergehenden Schicht<br />
verbunden<br />
DATABASE<br />
SYSTEMS<br />
GROUP<br />
Grundlagen<br />
Kanten besitzen Gewichte<br />
Funktion eines neuronalen Netzes<br />
w ij<br />
Output-Vektor y<br />
Output-Schicht<br />
verborgene g Schicht<br />
Input-Schicht<br />
Input-Vektor x<br />
w ij<br />
Vorhergesagte<br />
Klasse<br />
79<br />
80