Funktionsweise und Training
Ein neuronales Netz verarbeitet Daten in einem Vorwärtsdurchlauf (Forward Propagation): Eingabedaten durchlaufen die Schichten, wobei jedes Neuron eine gewichtete Summe seiner Eingaben berechnet und eine Aktivierungsfunktion (z. B. eine Sigmoid-Funktion) anwendet, um das Signal weiterzugeben. So entsteht schrittweise eine abstrakte Repräsentation der Daten.
Das eigentliche Lernen geschieht durch Training:
Datenvorlage: Das Netz erhält gelabelte Beispiele (z. B. Fotos mit „Katze“- oder „Hund“-Label).
Fehlerberechnung: Die Differenz zwischen Vorhersage und tatsächlichem Label wird ermittelt.
Gewichtsanpassung: Mithilfe von Optimierungsalgorithmen (z. B. Gradientenabstieg) werden die Gewichte schrittweise so angepasst, dass der Fehler sinkt.
Je mehr Schichten ein Netz besitzt, desto tiefer (Deep Learning) und komplexer ist seine Lernfähigkeit. Deep-Learning-Modelle mit Millionen Neuronen können etwa natürliche Sprache übersetzen oder Tumore in Röntgenbildern erkennen. Allerdings erfordern sie enorme Rechenleistung und große Trainingsdatensätze.