Allgemeine Einführungen

Neuro-Fuzzy AG Universität Münster, "Einführung in Neuronale Netze": Die Neuro-Fuzzy AG der Universität Münster bietet eine hervorragende Einführung in die Thematik der neuronalen Netze. Das multimediale Skript bietet neben Bildern, anschaulichen Gif-Animationen und Java-Applets zur interaktiven Visualisierung auch Übungsaufgaben zu den einzelnen Themenbereichen. Dabei werden unter anderem folgende Inhalte präsentiert: biologische Grundlagen, Geschichte neuronaler Netze sowie eine sehr gute und ausführliche Einführung zur Backpropagation-Lernregel. Insgesamt sicherlich einer der besten deutschsprachigen Einführungen. Stand: 16. Januar 2001
Jürgen Sauer, "Neuronale Netze und Fuzzy Control-Systeme": Ein sehr gutes, ausführliches und anwendungsbezogenes Skript mit vielen Java-Applets (s.a. Link unter "Interaktive Visualisierungen / Applets"). Als Themen werden behandelt: biologische und mathematische Grundlagen, Lernregeln (Hebb- und Delta-Regel, Backpropagation), Adaline, Madaline, das XOR-Problem, Counter Propagation, Autoassociator, Thermodynamische Modelle (Hopfield, Guarded-Discrete-Stochastic-Netzwerk (GDS), BAM-Modell (bidirektionaler assoziativer Speicher), simuliertes Abkühlen (simulated annealing), Boltzmann Netze, Harmonie-Netze), SOM (Self Organizing Maps), Fuzzy-Systeme sowie eine Einführung in das Konzept und die Arbeitsweise genetischer Algorithmen. Stand: März 2004
Heinz Horner, Vorlesungsskript "Neuronale Informationsverarbeitung": Das vorliegende PDF-Dokument ist gut bebildert und umfasst u.a. die Themen: Anatomie des Gehirns, neuronale Signalverarbeitung, neuronale Plastizität, Perceptron, geschichtete Netzwerke mit verborgenen Einheiten, Assoziativer Speicher - Attraktor Netzwerke sowie nicht überwachtes Lernen. Stand: WS 2005 / 2006
Jürgen Weiprecht, "Neuronen, Modelle, Künstliche Neuronale Netze": Das 146 Seiten umfassende PDF-Skript ist gut illustriert und anwendungsbezogen. Es umfasst u. a. eine Einführung zu künstlichen neuronalen Netzen (KNN) sowie die Programmierung von Neuronenmodellen in C++. Stand: 21. Dezember 2004
David Kriesel, "Ein kleiner Überblick über Neuronale Netze": Das 201 Seiten umfassende PDF-Skript wurde in LaTeX verfasst und wird von David Kriesel kontinuierlich aktualisiert. Die derzeitige, illustrierte Auflage lässt sich dabei sehr gut lesen. Sie beinhaltet u. a. die Themenbereiche Geschichte und Grundlagen neuronaler Netze, Feedforward-, Feedback- und vollständig verbundene Netze, Training neuronaler Netze, Gradientenabstiegsverfahren, Hebb- und Delta-Regel, Backpropagation-Verfahren, radiale Basisfunktionen, rekurrente Netze, Learning Vector Quantization, Self Organizing Feature Maps, Regional and Online Learnable Fields, Hopfield-Netze und neuronale Netze zur Vorhersage. Zudem existieren Exkurse zu Themen, welche oftmals im Kontext neuronaler Netze Erwähnung finden (z. B. Clusteringverfahren und Reinforcement Learning). Übungsaufgaben und dazugehörige Lösungen runden das Skript ab. Stand: keine Angabe
Günter Daniel Rey, "Neuronale Netze. Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung.": Die von mir (Günter Daniel Rey) erstellten (Seminar-)Folien im PDF-Format behandeln - wie diese Internetseite und das von mir geschriebene Lehrbuch - die Kernkomponenten, Lernregeln, Netztypen, Eigenschaften und Probleme neuronaler Netze. Die Folien zu den Anwendungen neuronaler Netze beziehen sich auf aktuelle (kognitions-)psychologische Fragestellungen, die aus der Perspektive neuronaler Netze dargestellt werden. Stand: April 2008
Ben Kröse und Patrick van der Smagt, "An Introduction to Neural Networks": Ein sehr ausführliches, jedoch englischsprachiges Skript, welches in die Abschnitte Grundlagen, Theorie (Perzeptron und Adaline, Backpropagation, rekurrente Netze, selbstorganisierende Netze, Verstärkungslernen), Anwendungen (Robotersteuerung, Modellierung visueller Wahrnehmung) und Implementationsformen (mittels konventioneller Hardware sowie spezieller Neurohardware) unterteilt ist. Stand: November 1996
Michael Herrmann, "Neuronale Netze": Das bebilderte Skript stellt einige Modelle neuronaler Netze vor, wobei insbesondere der informationstheoretische Aspekt in den Vordergrund gestellt wird. Als Themen werden biologische Grundlagen, das Perceptron sowie die Backpropagation-Lernregel behandelt. Des Weiteren finden sich hier z.B. Ausführungen zu Hauptkomponentenanalyse (PCA), unabhängigen Komponenten (ICA), rekurrenten Netzen (Hopfield-Modell, Boltzmann-Maschine, Hidden-Markov-Modelle, die Helmholtz-Maschine) und SOM (Self Organizing Maps). Die Entwicklung des Skriptes scheint allerdings in der Entwurfsphase stehengeblieben zu sein, da zahlreiche Abschnitte leer sind. Stand: 22. April 1999
Nikolaus Petry, "Fuzzy Logik und neuronale Netze": Diese Internetseite liefert eine kurze, bebilderte Einführung in die Fuzzy-Logik und neuronale Netze. Stand: 17. Dezember 1999
Diego Andina de la Fuente, "Künstliche Neuronale Netzwerke" (ins Deutsche übersetzt von Jens Warken): Diese Lernhilfe, welche auch in englischer und spanischer Sprache verfügbar ist, unterteilt die vorgestellten neuronalen Netze in zwei Klassen: nicht-überwachte Modelle (festgewichtete assoziative Speichernetzwerke, konkurrierend-lernende Netzwerke) und überwachte Modelle (entscheidungsabhängige Netzwerke, Näherungs- und Optimierungsnetzwerke). Zuvor wird eine allgemeine Einführung in die Grundlagen neuronaler Netze geboten. Stand: keine Angabe
Matthias Jauernig, Themensammlung zu KNN: Auf dieser Internetseite erhalten Sie eine kurze, illustrierte und anwendungsorientierte Einführung in die Thematik der neuronalen Netze. Der Autor behandelt dabei die biologischen Grundlagen, gibt aber auch persönliche Buchempfehlungen und liefert die Grundlagen zur Implementierung eines 3-schichtigen vorwärtsgerichteten Backpropagationnetzes mit einer C++-Klasse. Auf der Homepage finden sich zudem auch noch zwei weitere Skripte sowie diverse Anwendungsbeispiele zu neuronalen Netzen, die sich herunterladen lassen. Stand: 2007
Dietmar Jackèl, Vorlesungsskript "Neuronale Netze": Die 88 Folien im PDF-Format enthalten eine besonders gute, ausführliche und reichhaltig illustrierte Darstellung biologischer Grundlagen neuronaler Netze. Auch die weiteren Themenbereiche (künstliche neuronale Netze, Netztopologien, Lernregeln, Perzeptron, Backpropagation, Hopfield-Netze, Kohonen-Karten, Growing Neural Gas) werden durch zahlreiche Abbildungen visualisiert. Stand: 3. Dezember 2004
Fabian Niestroj, Seminarbeitrag "Neuronale Netze": Hier finden Sie eine Seminarpräsentation, die einen kurzen Einblick in die Grundlagen und historische Entwicklung neuronaler Netze liefert. Stand: 18. Juli 2001
Gerald Reif, "Moderne Aspekte der Wissensverarbeitung": In Unterpunkt 8 dieser Diplomarbeit wird in illustrierter Form eine grundlegende Einführung in die Themenbereiche (künstliches) Neuron, Perzeptron, XOR, sowie Backpropagation gegeben. Außerdem werden im folgenden Punkt hybride Neuro-Fuzzy-Systeme vorgestellt. Stand: 20. Januar 2001
ChemgaPedia: Diese Enzyklopädie zur Chemie enthält u.a. ausführliche Einträge mit den Themen "Einführung und Geschichte neuronaler Netze", "Konzepte des Konnektionismus", "Komponenten" neuronaler Netze, "Backpropagation" sowie "Perzeptron". Darüber hinaus sind auch vereinzelte andere Inhalte wie z.B. Glossareinträge oder interaktive Applets von Interesse (zum Auffinden der genannten Einträge am besten die Suchfunktion verwenden). Leider ist die Seite aber relativ stark von Werbeanzeigen durchsetzt. Stand: keine Angabe (bzgl. einzelner Artikel)
Nitin Sawhney und Shaun M. Abrahamson, "Neural Networks: Introduction and Applications": Es wird auf 22 Folien ein grober Überblick über Grundlagen neuronaler Netze, ihre Eigenschaften, Anwendung sowie die Kombination mit genetischen Algorithmen gegeben. Stand: 14. März 1997
StatSoft, Einführung in neuronale Netze: Diese Einführung ist Teil eines umfangreichen elektronischen Statistiklehrbuches und behandelt neben den eher "üblichen" Themen (biologische Grundlagen, Anwendungen, mehrschichtiges Perzeptron, Backpropagation, SOM) z.B. auch die Probleme der Datensammlung, Vor- und Nachverarbeitung der Daten, Radiale-Basisfunktions-Netze, probabilistische Netze. Wichtige Begriffe werden darüber hinaus in einem eigenen Glossar erklärt. Die Webseite wird jedoch von einem kommerziellen Anbieter zur Verfügung gestellt und die Ausführungen beziehen sich z.T. auf ein Produkt des Anbieters. Stand: keine Angabe
Heinrich Werner, Vorlesung "Neuronale Netzwerke": Die reich bebilderten Vorlesungsfolien behandeln die Themen Geschichte / biologisches Vorbild, Grundlagen, Perzeptron, Backpropagation und kompetitives Lernen. Stand: SS 2000
Christos Stergiou und Dimitrios Siganos, "Neural Networks": Eine kürzer gefasste und eher konzeptuell, d.h. wenig mathematisch-formal orientierte Einführung, welche die "konventionellen" Themen (Historischer Hintergrund, biologisches vs. künstliches Neuron, gebräuchliche Netzarchitekturen, Lernvorgang, Anwendungen) abdeckt. Stand: 1996
Thorsten Kolb, "Neuronale Netze - Eine Einführung": Hier werden neben einer Erläuterung der Eigenschaften neuronaler Netze, der Backpropagation-Thematik, des Problems der Generalisierungsfähigkeit sowie des kompetitiven Lernens eine (kurze) Schritt-für-Schritt-Anleitung beim Einsatz neuronaler Netze zur Lösung von Anwendungsproblemen sowie ein Vergleich symbolischer und subsymbolischer Repräsentation gegeben. Stand: 22. August 1997
Genevieve Orr, Lehrveranstaltung "Neural Networks": Diese englischsprachigen Unterlagen für eine Lehrveranstaltung zum Thema neuronale Netze sind übersichtlich aufgebaut und behandeln auch weniger "übliche" Themen (z.B. zeitverzögerte Inputs), sind aber eher stichpunktartig, formal orientiert und formellastig. Stand: 1999
Kevin Gurney, "Neural Nets": Diese Einführung, die die Grundlage eines 1997 erschienenen Buches ("An Introduction to Neural Networks") bildet, ist recht ausführlich, aber ebenfalls stärker formal orientiert. Stand: 12. Juni 1996
Raul Rojas, "Neural Networks - A Systematic Introduction": Auf dieser Seite wird das komplette, 502 Seiten umfassende englischsprachige Lehrbuch von Raul Rojas (1996) zum Download zur Verfügung gestellt. Kapitel: "The biological paradigm", "Threshold logic", "Weighted Networks - The Perceptron", "Perceptron learning", "Unsupervised learning and clustering algorithms", "One and two layered networks", "The backpropagation algorithm", "Fast learning algorithms", "Statistics and Neural Networks", "The complexity of learning", "Fuzzy Logic", "Associative Networks", "The Hopfield Model", "Stochastic networks", "Kohonen networks", "Modular Neural Networks", "Genetic Algorithms", "Hardware for neural networks". Stand: 1996
James Garson, "Connectionism": Der Eintrag über Konnektionismus in der (allgemein empfehlenswerten) Stanford Encyclopedia of Philosophy beleuchtet nach einer allgemeinen Einführung (Beschreibung der Funktionsweise neuronaler Netze, Backpropagation, Anwendungen) vor allem die Debatte "Symbolische vs. subsymbolische Repräsentation" sowie weitere aus philosophischer Perspektive bedeutsame Aspekte. Stand: 7. März 2007
Leslie Smith, "Six lectures on Back-Propagation": In sechs pdf-Dokumenten wird (eher kurz und bündig) auf Einzelheiten des Backpropagation-Algorithmus wie z.B. geeignete Netzarchitekturen, zugrundeliegender Gedanke, mathematischer Beweis, verwendeter Fehlerterm, Konvergenz / Abbruchkriterium, Anwendungsmöglichkeiten, Generalisierung und Varianten des Algorithmus eingegangen. Stand: 1996
Sabine Kranz, "Einführung in die Neuronalen Netze": Und noch eine deutschsprachige Einführung, die bislang zwar nur Self-Organizing Maps behandelt, diese dafür recht ausführlich unter Verwendung von Grafiken und integrierten Java-Applets. Grundlegende Prinzipien wie z.B. Aktivierungsfunktionen werden hier nicht erläutert, weshalb es sich lohnt, sich zuvor darüber auf anderen Einführungen oder aber anhand der als pdf zur Verfügung gestellten Diplomarbeit, auf der die Inhalte der Seite basieren, zu informieren. Stand: 25. Dezember 2007
Grundstudium.Info, "Neuronale Netze: Eine Übersicht": Diese illustrierte Webseite liefert Informationen über das Perzeptron, MLP (Multilayer-Perzeptron), RBF-Netze (Radial Basis Funktionen-Netze), SOM (Self Organizing Maps), neuronales Gas, LVQ (Learning Vector Quantization), Hopfieldnetze und SVM (Support Vector Machines). Kritisch anzumerken ist, daß nach unserem Wissen die Inhalte dieser Seite unautorisiert eins zu eins aus der Vorlesung von Hochschuldozent Dr. Nils Goerke der Universität Bonn entnommen wurden. Auch entstammen weitere Inhalte der Abteilung Neuroinformatik Bonn unter der Leitung von Herrn Prof. Eckmiller. Stand: keine Angabe