Ein künstliches neuronales Netz ist ein parametrisiertes Modell des maschinellen Lernens, das aus mehreren Schichten miteinander verbundener Verarbeitungseinheiten besteht.
Jede Einheit transformiert Eingangswerte mithilfe gewichteter Verbindungen und einer Aktivierungsfunktion. Durch das Zusammenspiel vieler Einheiten können komplexe nichtlineare Funktionen approximiert werden.
Das Training erfolgt typischerweise durch Optimierungsverfahren wie Gradientenabstieg in Verbindung mit Backpropagation, um die Gewichte so anzupassen, dass eine definierte Fehlerfunktion minimiert wird.
Neuronale Netze bilden die Grundlage moderner Deep-Learning-Architekturen und werden in Bereichen wie Computer Vision, Natural Language Processing und Spracherkennung eingesetzt.
Definition:
“An artificial neural network is an interconnected group of artificial neurons that uses a mathematical or computational model for information processing based on a connectionist approach to computation.”
Quelle:
Scholarpedia – Artificial neural network; siehe auch Standardliteratur zu neuronalen Netzen und Deep Learning.