Neuronale Netze und Machine Learning

Haben Sie bereits ein neuronales Netz trainiert?

Haben Sie Kinder?

Neuronale Netze lernen auf die gleiche Art wie Kinder: Durch Ausprobieren und erhaltenes Feedback. Durch die Wertung im Feedback wird das Verhalten angepaßt, um beim nächsten Versuch bessere Ergebnisse zu erreichen. In der Informatik beschreibt das "Machine Learning" eine Klasse von Algorithmen, die selbständig eigene Parameter modifiziert, um zu besseren Lösungen zu kommen. Eine Untergruppe des Machine Learning sind Neuronale Netze, die in aktuellen Systemen immer mehr Verbreitung finden. Ideale Anwendungsfälle für Neuronale Netze sind Systeme mit wenigen Freiheitsgraden, die auf bestimmten Mustern basieren. So eignen sich als Beispiele das "3 dimensional Strip-Packing Problem" aus der Logistik und die Klassifizierung und Vervollständigung in der Bildverarbeitung exzellent als Anwendungsfälle.

Neuronale Netze lernen auf die gleiche Art wie Kinder: Durch Ausprobieren und erhaltenes Feedback. Damit wird das Verhalten angepaßt und führt zu besseren Ergebnissen. Sehen Sie hier, wie sich Neuronale Netze zielgerichtet anwenden lassen.

3-dimensionales Packungsproblem

Pro Artikel, der gepackt werden soll, gibt es als Eingangsdaten nur dessen Abmessungen in drei Raumrichtungen. Ein statistischer Algorithmus löst diese Aufgabe mit zufälligen Schritten.

Neuronale Netze erkennen Packmuster und lösen das Problem in viel kürzerer Zeit.

Klassifizieren und Vervollständigen

CNNs, also Convolutional Neural Networks eignen sich, um Personen zu erkennen oder Gegenstände zu klassifizieren. Als Ergebnis erhält man die erkannten Objekte mit einer Erkennungswahrscheinlichkeit.

Gegenstände können aus Bildern entfernt und mit erkannten Mustern aufgefüllt werden.

Wann verwenden wir Neuronale Netze?

Neuronale Netze erkennen unschlagbar effizient ausgesuchte Muster. Daher sind sie die ideale Ergänzung zu klassischen deterministischen und statistischen Algorithmen.

Schon ein einfaches Problem, eine Anzahl von Gegenständen optimiert in Boxen zu verpacken, bringt einen deterministischen Algorithmus in den Bereich großer Rechenzeiten (vgl. „3-dimensional strip-packing problem“).

Um Rechenzeiten zu verkürzen, bietet es sich an, zufällige Lösungen zu probieren und an definierten Kriterien zu bewerten. Die so arbeitenden statistischen Algorithmen lassen sich verwenden, um neuronale Netze zu trainieren:
Die Ergebnisbewertung des neuronalen Netzes erfolgt mit Hilfe des statistischen Algorithmus. Mit dieser Rückmeldung wird das neuronale Netz angelernt, um optimale Lösungen in kürzester Laufzeit zu finden.