Summary  
This chapter explains how to implement a single artificial neuron by receiving inputs, applying weights, computing their weighted sum, passing it through an activation function, and updating the weights via backpropagation during training.  

General domain of usage  
Neural networks in machine learning

Ein **Neuron** ist die Grundeinheit eines neuronalen Netzwerks. Es erhält numerische Eingaben, verarbeitet diese und gibt ein Ergebnis weiter. Jede Eingabe besitzt ein **Gewicht**, das ihre Bedeutung widerspiegelt.

Definition

Ein Neuron arbeitet in vier Hauptschritten:

1. **Eingabe empfangen** — es nimmt mehrere Werte auf: $$x_1, x_2, x_3, ...$$
2. **Gewichte anwenden** — jede Eingabe wird mit einem entsprechenden Gewicht $$w_1, w_2, w_3, ...$$ multipliziert. Die Gewichte sind anfangs zufällig und werden später während des Trainings durch **Backpropagation** angepasst
3. **Summation** — das Neuron berechnet die gewichtete Summe: $$w_1x_1 + w_2x_2 + \dots$$
4. **Aktivierungsfunktion** — die Summe wird durch eine Funktion geleitet, die den Output des Neurons erzeugt, abhängig von der jeweiligen Aufgabe.

Alle Werte (Eingaben, Gewichte und Ausgaben) sind **Gleitkommazahlen**, die üblicherweise im Bereich von **-1 bis 1** liegen. Falls die Originaldaten nicht in diesem Format vorliegen, müssen sie vorverarbeitet werden.

Hinweis

## 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 Trainings passt das Netzwerk die Gewichte an, um den **Fehler** zwischen Vorhersagen und tatsächlichen Werten zu **verringern**.
Bei einem Fehler werden die Gewichte so aktualisiert, dass zukünftige Vorhersagen verbessert werden.

Durch wiederholte Anpassungen **lernt** das Netzwerk **Muster** in den Daten und wird genauer.


Was zeigen die Gewichte eines Neurons an?

Neuronale Netze sind leistungsfähige Algorithmen, die von der Struktur des menschlichen Gehirns inspiriert sind und zur Lösung komplexer Machine-Learning-Probleme eingesetzt werden. Sie werden Ihr eigenes neuronales Netz von Grund auf erstellen, um dessen Funktionsweise zu verstehen. Nach diesem Kurs sind Sie in der Lage, neuronale Netze zur Lösung von Klassifikations- und Regressionsproblemen mit der scikit-learn-Bibliothek zu erstellen.

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.

Was ist ein Neuron?

Einzelner Neuron

Neuron als Teil eines neuronalen Netzwerks

1. Was zeigen die Gewichte eines Neurons an?

2. Was ist eine Aktivierungsfunktion?

3. Was ist der Backpropagation-Algorithmus?