DeepLearning und Neuronale Netzwerke
Aufbau
Künstliche Intelligenz
Definition: Erforschung „intelligenten” Problemlösungsverhaltens sowie die Erstellung „intelligenter” Computersysteme. https://wirtschaftslexikon.gabler.de/definition/kuenstliche-intelligenz-ki-40285
Machine Learning
Definition: Machine Learning oder maschinelles Lernen umfasst unterschiedliche Formen des Selbstlernens bei Systemen der Künstlichen Intelligenz und der Robotik. Diese erkennen beispielsweise Regel- und Gesetzmäßigkeiten in den Daten und leiten Konklusionen und Aktionen daraus ab. Vorbild ist das menschliche oder tierische Lernen, also ein Aspekt menschlicher oder tierischer Intelligenz. Es kann aber ebenso bewusst davon abgewichen werden. https://wirtschaftslexikon.gabler.de/definition/machine-learning-120982
Deep Learning
Big Data
Definition: Große Mengen an Daten, die u.a. aus Bereichen wie Internet und Mobilfunk, Finanzindustrie, Energiewirtschaft, Gesundheitswesen und Verkehr und aus Quellen wie intelligenten Agenten, sozialen Medien, Kredit- und Kundenkarten, Smart-Metering-Systemen, Assistenzgeräten, Überwachungskameras sowie Flug- und Fahrzeugen stammen und die mit speziellen Lösungen gespeichert, verarbeitet und ausgewertet werden.
https://wirtschaftslexikon.gabler.de/definition/big-data-54101
Anwendungsgebiete
Künstliche Neuronale Netzwerke
Aufbau: Neuronale Netze bestehen aus einer Menge untereinander über Kommunikationskanäle verknüpfter Verarbeitungseinheiten, den Neuronen.
https://wirtschaftslexikon.gabler.de/definition/neuronale-netze-41065
Arbeitsweise: Eingabeinformationen werden innerhalb des Netzes von den Neuronen i.d.R. über nicht lineare Funktionen verarbeitet und das Ergebnis über die Kommunikationskanäle an andere Neuronen weiterpropagiert. Die Ausgabeinformationen stellen das Ergebnis der Verarbeitungsprozesse dar. Stärke der neuronalen Netze ist die hochparallele Verarbeitung der Eingabeinformationen, die durch die Verknüpfung der Neuronen und ihrer Verarbeitungsfunktionen ermöglicht wird. Dadurch können sehr komplexe, nicht lineare Abhängigkeiten in den Eingabeinformationen abgebildet werden. Neuronale Netze müssen diese Abhängigkeiten erlernen (Learning), was i.d.R. auf der Basis von Erfahrungsdaten geschieht
https://wirtschaftslexikon.gabler.de/definition/neuronale-netze-41065
Aufgabenbereiche: Klassifikations-, Prognose- und Optimierungsaufgaben. Zunehmender Einsatz in betriebswirtschaftlichen Bereichen. Beliebtes Einsatzfeld ist die Finanzwirtschaft, z.B. im Rahmen von Aktienkursprognosen, aber auch z.B. für Absatz-, Umsatzprognosen oder Kreditwürdigkeitsprüfungen. In jüngster Zeit verstärkter Einsatz in der Produktionsplanung, aber auch in der Personalplanung.https://wirtschaftslexikon.gabler.de/definition/neuronale-netze-41065
dient dazu, dass große Datenmengen und Informationen in numerische Daten umgewandelt und ausgewertet werden können
Biologische vs künstliche Netzwerke
Das Nervensystem
Peripheres Nervensystem: Bestehend aus Nerven, die außerhalb des Rückenmarks und des Gehirns liegen
Anwendung und Erforschung von Verfahren, durch die Computersysteme befähigt werden, selbstständig Wissen aufzunehmen und zu erweitern, um ein gegebenes Problem besser lösen zu können als vorher (Learning).
Formen: mechanisches Lernen, Lernen durch Unterweisung, Lernen durch Operationalisieren, Lernen aus Analogien, Lernen durch Beispiele, Lernen aus Beobachtungen, Lernen durch Entdeckung, Lernen durch Experimentieren https://wirtschaftslexikon.gabler.de/definition/maschinelles-lernen-38193
Definition: Künstliche Neuronale Netze sind Algorithmen, die dem menschlichen Gehirn nachempfunden sind. Dieses abstrahierte Modell von verbundenen künstlichen Neuronen, ermöglicht es, komplexe Aufgaben aus den Bereichen Statistik, Informatik und Wirtschaft durch Computer zu lösen. https://datasolut.com/neuronale-netzwerke-einfuehrung/
Ziel der Entwicklung der neuronalen Netzwerke:
Adaption von Selbstorganisation bzw. Lernfähigkeit, Generalisierungsfähigkeit und fehlertoleranz aus der Biologie (Gehirn) (Kriesel 2005: S.5).
Definition Lernverfahren: „Ein Lernverfahren ist ein Algorithmus, der das Neuronale Netz verändert und ihm so beibringt, für eine vorgegebene Eingabe eine gewünschte Ausgabe zu produzieren.“ (Kriesel 2005: S.41)
Das Modell des neuronalen Netzes besteht aus Knoten, auch Neuronen genannt, die Informationen von anderen Neuronen oder von außen aufnehmen, modifizieren und als Ergebnis ausgeben. Dies erfolgt über drei verschiedene Schichten, denen jeweils eine Art Neuronen zugeordnet werden kann.
Eingabeschicht: Die Eingangsschicht versorgt das neuronale Netz mit den notwendigen Informationen. Die Input-Neuronen verarbeiten die eingegebenen Daten und führen diese gewichtet an die nächste Schicht weiter.
Steuerung von komplexen Systemen
autonomes Fahren
Frühwarnsysteme (Raumfahrt, Luftfahrt, Verteidigung)
Waffensysteme
verstehen von natürlicher Sprache
deuten von natürlicher Sprache
Empfehlungssysteme im E-Commerce
Betrugserkennung
Bilderkennung
Erzeugen von Stimmen
Übersetzung von Sprache
Wettervorhersagen
Wirtschaftssysteme
Zeitreihenprognosen
Vorhersage von Kundenverhalten
Medizinische Systeme (Krankheitsanalysen)
Biometrische Systeme
und viele weitere
Verborgene Schicht: zwischen Eingabe- und Ausgabeschicht mit beliebig vielen Unterschichten. Erneute Gewichtung von Informationen, in die im Vergleich zur Eingabe- und Ausgabeschicht nicht eingesehen werden kann. https://datasolut.com/neuronale-netzwerke-einfuehrung/