Concept map: Grundlagen

Dieser visuelle Strukturüberblick fasst die zentralen Konzepte des Kapitels "Grundlagen" als Concept map zusammen. (Eine Concept map ist eine Begriffstrukturdarstellung, die aus Knoten, welche Personen, Objekte oder Konstrukte repräsentieren und gerichteten Kanten, die die Beziehungen zwischen den Knoten darstellen, besteht.)

Die 7 rot markierten Kreise kennzeichnen Teilbereiche in der Grafik, die im folgenden erläutert werden:

1. Oben links im Bild sehen Sie 4 verschiedene Unittypen, wobei Input- und Hidden-Units sowie Hidden- und Output-Units durch Verbindungen miteinander verknüpft sind.
2. Diese Verbindungen können als positive, negative oder neutrale Gewichte (auch in Form einer Gewichtsmatrix!) dargestellt werden.
3. Ein Gewicht wird mit dem jeweiligen Output multipliziert. Das Ergebnis wird als Input einer Unit (nicht zu verwechseln mit einer Input-Unit!) bezeichnet.
4. Sämtliche Inputs eines Neurons werden addiert und ergeben den Netzinput.
5. Durch die Aktivitätsfunktion erfolgt die Zuordnung des Netzinputs einer Einheit zu ihrem Aktivitätslevel. Dieser wird wiederum einem Output zugeordnet, der an andere Neuronen oder die Umwelt weitergegeben wird. Im Text werden vier verschiedene Aktivitätsfunktionen besprochen.
6. Man unterscheidet grundsätzlich zwischen einer Trainings- und einer Testphase. Die Trainingsphase kann man zudem danach unterteilen, ob der korrekte Output vorgegeben wird oder nicht (supervised vs. unsupervised learning). Bei der Testphase stellt sich die Frage, welche Reize vorgegeben werden (Ausgangsreize vs. neue Reize).
7. Lernen kann zu Wissen führen. Während das Lernen ausschließlich in der Trainingsphase stattfindet, ist das bereits erworbene Wissen sowohl für die Trainings- als auch für die Testphase relevant. Dass sich in neuronalen Netzen die Begriffe Lernen und Wissen über die Gewichte definieren lassen, unterstreicht nochmals deren zentrale Stellung.