Einzelner Neuron

Ein Neuron ist die grundlegende Einheit eines neuronalen Netzwerks und für die Informationsverarbeitung verantwortlich. Es empfängt Eingabedaten (beliebige Daten, die als numerische Werte codiert sind), verarbeitet diese und gibt das Ergebnis weiter. Jeder Eingabe wird ein Gewicht zugewiesen, das ihre Bedeutung in der Berechnung des Neurons bestimmt.

Die Funktionsweise eines Neurons lässt sich in 4 Schritte unterteilen:

1. Empfangen von Eingaben: Ein Neuron nimmt mehrere Eingaben entgegen, dargestellt als $x_1$, $x_2$, $x_3$ usw.;
2. Anwenden von Gewichten: Jede Eingabe wird mit einem entsprechenden Gewicht $w_1$, $w_2$, $w_3$ usw. multipliziert, das ihre Bedeutung definiert. Anfangs werden diese Gewichte zufällig gesetzt, später jedoch während des Trainings mithilfe einer Methode namens Backpropagation angepasst, auf die wir später noch eingehen werden;
3. Summation: Die gewichteten Eingaben werden zusammenaddiert ($w_1 \times x_1 + w_2 \times x_2 + ...$);
4. Aktivierungsfunktion: Diese Summe wird durch eine Aktivierungsfunktion geleitet, die sie in die Ausgabe des Neurons umwandelt. Die Wahl der Aktivierungsfunktion hängt von der Problemstellung ab, die das neuronale Netzwerk lösen soll.

Neuron als Teil eines neuronalen Netzwerks

Die Ausgabe des Neurons dient als Eingabe für die nächste Schicht von Neuronen. Dieser Prozess setzt sich über mehrere Schichten fort, bis das Netzwerk ein Endergebnis liefert.

Während des Lernprozesses werden die Gewichte des Neurons so angepasst, dass der Fehler zwischen den vom neuronalen Netzwerk vorhergesagten Werten und den tatsächlichen Werten minimiert wird.

Wenn das Netzwerk einen Fehler macht, aktualisiert es die Gewichte, um zukünftige Vorhersagen zu verbessern.

Durch die kontinuierliche Verfeinerung dieser Verbindungen lernt das neuronale Netzwerk Muster in den Daten und verbessert seine Genauigkeit bei der Lösung von Aufgaben.