Leitfrage: Wie wird aus einem einzelnen künstlichen Neuron ein System, das beispielsweise Katzenbilder erkennen kann?

---

Ein einzelnes künstliches Neuron kann nur sehr einfache Berechnungen durchführen.

Der entscheidende Schritt besteht darin, viele Neuronen miteinander zu verbinden.

2.1 Das künstliche neuronale Netzwerk

Ein einfaches Netzwerk kann beispielsweise so aussehen:

Man kann die Neuronen eines künstlichen neuronalen Netzwerks grob in drei Arten von Schichten einteilen:

1. Eingabeschicht
   Sie nimmt die Eingangsdaten auf und gibt sie an das Netzwerk weiter.

2. Versteckte Schichten
   Hier werden die Informationen Schritt für Schritt verarbeitet. Ein Netzwerk kann eine oder sehr viele versteckte Schichten besitzen.

3. Ausgabeschicht
   Sie erzeugt das Ergebnis des Netzwerks, beispielsweise eine Klassifikation oder eine Vorhersage.

Damit du dir besser vorstellen kannst, was diese Schichten machen, hier ein stark vereinfachtes Beispiel zum obigen Bild: Die drei Neuronen in der Eingabeschicht könnten beispielsweise für drei Pixel eines Bildes stehen, die jeweils als Zahlenwerte dargestellt werden. In der versteckten Schicht werden diese Eingaben verarbeitet und dabei können gelernte Muster bzw. Zusammenhänge erkannt werden. Die beiden Neuronen in der Ausgabeschicht könnten anschliessend zwei Werte liefern, die beispielsweise angeben, ob das Bild einen Hund oder eine Katze enthält. Ein Wert von 1 könnte dabei für „vorhanden“ und ein Wert von 0 für „nicht vorhanden“ stehen.

Noch genauer: Für eine echte Bildklassifikation würde man normalerweise nicht nur drei Pixel verwenden, sondern sehr viele Eingabewerte – beispielsweise einen Wert für jedes Pixel bzw. jeden Farbkanal. Das Bild dient hier also wirklich nur als vereinfachtes Modell, um das Prinzip der Schichten zu erklären.

2.2 Warum braucht man neuronale Netze?

💻 Warum reichen klassische Regeln nicht immer aus?

Computer sind hervorragend darin, klare und eindeutige Regeln auszuführen.

Eine solche klassische Programmierung haben wir beispielsweise im letzten Schuljahr kennengelernt:

WENN ein französisches Verb auf -er endet
DANN schreibe die 1. Person Singular als Stamm + e

Beispiel: Französisches Verb

      parler
         ↓
     Stamm: parl
         ↓
     parl + e
         ↓
      je parle

🐱 Beispiel: Eine Katze erkennen

Bei manchen Problemen ist es sehr schwierig, alle notwendigen Regeln von Hand zu formulieren.

Stell dir vor, wir möchten einem Computer beibringen, eine Katze auf einem Bild zu erkennen.

Die entscheidende Frage wäre:

Wie lautet die exakte Regel für „Dieses Bild zeigt eine Katze“?

Man könnte versuchen, bestimmte Merkmale festzulegen:

• 👂 Hat zwei Ohren?
• 👀 Hat Augen?
• 🐾 Hat Pfoten?
• 🧶 Hat Fell?
• 〰️ Hat Schnurrhaare?
• 🐈 Hat einen Schwanz?

Auf den ersten Blick klingt das sinnvoll. In der Praxis funktioniert es jedoch nicht zuverlässig.

Eine Katze kann beispielsweise:

• liegen oder sitzen
• teilweise verdeckt sein
• im Bild sehr klein sein
• eine ungewöhnliche Fellfarbe haben
• von der Seite fotografiert sein
• von hinten fotografiert sein
• einzelne typische Merkmale nicht sichtbar haben

Dadurch müsste man immer mehr Sonderfälle und Regeln hinzufügen.

Hier ist Lernen aus Beispielen viel interessanter.

🧠 2.3. Lernen aus Beispielen

Anstatt einem Computer alle Regeln selbst zu programmieren, kann man einem neuronalen Netzwerk einfach viele Beispiele zeigen.

Zum Beispiel:

• 🖼️ → „Katze“
• 🖼️ → „Katze“
• 🖼️ → „Hund“
• 🖼️ → „Katze“
• 🖼️ → „Hund“

Das Netzwerk versucht zunächst, die Bilder zu klassifizieren. Dabei sind die Vorhersagen am Anfang oft noch nicht besonders gut. ❌

Anschließend läuft vereinfacht folgender Prozess ab:

        📚 Trainingsdaten
            ↓
        🔮 Vorhersage
            ↓
        📊 Fehler berechnen
            ↓
        🔧 Gewichte anpassen
            ↓
        🔮 Neue Vorhersage
            ↓
            ...

Dieser Vorgang wird sehr oft wiederholt. Mit jedem Durchlauf werden die Parameter so angepasst, dass das Netzwerk seine Vorhersagen möglichst verbessert. 🎯

⚙️ Was bedeutet „Training“?

Beim Training verändert das Netzwerk seine Parameter.

Bei einem einfachen neuronalen Netzwerk gehören dazu insbesondere:

• ⚖️ Gewichte
• ➕ Bias-Werte

Die Architektur des Netzwerks – also beispielsweise die Anzahl und Anordnung der Schichten und Neuronen – bleibt bei einem klassischen Training normalerweise weitgehend gleich.

💡 Das eigentliche Lernen besteht also hauptsächlich darin, die Zahlenwerte der Parameter anzupassen, sodass das Netzwerk aus seinen Fehlern lernt und immer bessere Ergebnisse liefert.

🧠 Kurz gesagt:
Beispiele zeigen → Vorhersage machen → Fehler berechnen → Parameter anpassen → wiederholen 🔄

2.4 Beispiel für Lernen

🐱🐶 Wie lernt ein neuronales Netzwerk?

Stell dir ein sehr einfaches neuronales Netzwerk vor, das entscheiden soll:

🖼️ Ist das Bild eher eine Katze oder eher ein Hund?

🎲 1. Am Anfang

Zu Beginn sind die Gewichte möglicherweise zufällig gewählt. Deshalb kann das Netzwerk zunächst ziemlich danebenliegen:

• 🐱 Katze: 30 %
• 🐶 Hund: 70 %

Die richtige Antwort lautet aber:

✅ Katze

Das Netzwerk hat also einen Fehler gemacht. ❌

🔄 2. Das Netzwerk lernt

Während des Trainings werden die Gewichte angepasst, sodass das Netzwerk ähnliche Situationen in Zukunft besser beurteilen kann.

Es bekommt dabei viele Beispiele und vergleicht seine Vorhersage mit der richtigen Antwort.

🎯 3. Nach dem Training

Nach vielen Trainingsbeispielen könnte die Vorhersage beispielsweise so aussehen:

• 🐱 Katze: 94 %
• 🐶 Hund: 6 %

Das Netzwerk hat seine Gewichte also so angepasst, dass es Katzenbilder wesentlich zuverlässiger erkennt. 🧠✨

Kurz gesagt:

🔧 Training = Gewichte anpassen → Fehler verringern → bessere Vorhersagen

2.5 Fazit

🧠 Gehirn und künstliches neuronales Netzwerk

Die Idee künstlicher neuronaler Netze ist vom menschlichen Gehirn inspiriert. Trotzdem gibt es zwischen beiden grosse Unterschiede.

🧠 Menschliches Gehirn	🤖 Künstliches neuronales Netzwerk
🧬 Biologische Zellen	🔢 Mathematische Recheneinheiten
⚡ Elektrochemische Signale	🔢 Zahlenwerte
🔗 Synapsen	⚖️ Gewichte
🌐 Extrem komplex	🧩 Stark vereinfachtes Modell
🔄 Kann Verbindungen verändern	⚙️ Klassisch hauptsächlich Gewichtsänderungen
📚 Lernt auf viele verschiedene Arten	💻 Training durch Algorithmen
🔋 Sehr energieeffizient	⚡ Training kann sehr viel Energie benötigen

Wichtig

„Neuronales Netzwerk“ bedeutet nicht, dass ein Computer ein künstliches Gehirn besitzt.

Die Ähnlichkeit liegt vor allem in der Grundidee:

🧩 Viele einfache Einheiten sind miteinander verbunden und können gemeinsam komplexe Aufgaben lösen.

Aufgabe: 🧠 Denkaufgabe: Welches Gewicht hat mehr Einfluss?

Stell dir vor, ein Netzwerk hat zwei Verbindungen mit folgenden Gewichten:

Verbindung 1: 0.0001

Verbindung 2: 0.9

❓ Welche Verbindung hat momentan wahrscheinlich den größeren positiven Einfluss auf die gewichtete Summe?

Lösung (nicht angemeldet)

Diese Lösung ist nur für angemeldete Benutzer zugänglich – wenn die LK die Lösung freigegeben hat. Bitte melde dich an, um die Lösung einsehen zu können.

Aufgabe: Mensch oder Maschine?

Ordne die Begriffe der richtigen Kategorie zu:

• 🔗 Synapse
• ⚖️ Gewicht
• 🌿 Dendrit
• ➕ Bias
• 🔄 Aktivierungsfunktion

🧠 Biologisch	🤖 Künstliche neuronale Netze
?	?
?	?
?	?

Lösung (nicht angemeldet)

Diese Lösung ist nur für angemeldete Benutzer zugänglich – wenn die LK die Lösung freigegeben hat. Bitte melde dich an, um die Lösung einsehen zu können.

🔑 Warum können neuronale Netze lernen?

Die zentrale Idee lässt sich in einem Satz zusammenfassen:

🧠 Das Netzwerk verändert seine Parameter so, dass seine Vorhersagen immer besser zu den Trainingsdaten passen.

Das ist ein wichtiger Unterschied zu einem klassischen Programm.

💻 Klassisches Programm

Bei einem klassischen Programm legen Menschen die Regeln fest:

Mensch → programmiert Regeln → Computer führt Regeln aus

🧠 Trainiertes neuronales Netzwerk

Bei einem trainierten neuronalen Netzwerk werden viele Regeln nicht direkt programmiert, sondern entstehen durch das Training:

Mensch → gibt Trainingsdaten vor → Netzwerk passt Parameter an → Netzwerk lernt Muster

Dadurch kann das Netzwerk Zusammenhänge erkennen, die der Programmierer nicht einzeln als Regeln vorgeben muss. 🔍

Aufgabe: 🔎 Quiz: Was passiert beim Training?

Was passiert beim Training eines klassischen neuronalen Netzwerks hauptsächlich?

• A) 🧬 Neue biologische Nervenzellen werden erzeugt.
• B) ⚖️ Die Gewichte und andere trainierbare Parameter werden angepasst.
• C) 🔌 Der Computer baut physische Kabel zwischen den Neuronen um.
• D) 💻 Das Netzwerk wird jedes Mal komplett neu programmiert.

Lösung (nicht angemeldet)

Diese Lösung ist nur für angemeldete Benutzer zugänglich – wenn die LK die Lösung freigegeben hat. Bitte melde dich an, um die Lösung einsehen zu können.

Mit künstlichen neuronalen Netzwerken ist es möglich, dass Maschinen Objekte relativ zuverlässig erkennen. Oder plakativ gesagt: Eine Maschine kann plötzlich sehen!