Funktionsweise künstlicher neuronaler Netzwerke: Grundlagen und Programmierung eines Beispiels

Künstliche neuronale Netzwerke sind eine mathematische Nachbildung der menschlichen beziehungsweise tierischen Reizverarbeitung im Nervensystem. Sie sind selbstlernende Algorithmen und dadurch ein Zweig der künstlichen Intelligenz, ein Teilbereich der Informatik. Sie haben eine Vielzahl von Anwendungsgebieten. Diese reichen von der Gesichtserkennung bis zur Fahrzeugsteuerung.

Die vorliegende Arbeit gibt einen Einblick in den Aufbau und die Funktionsweise von künstlichen neuronalen Netzen. Anfangs wird der Algorithmus theoretisch beleuchtet, das künstliche neuronale Netzwerk wird aus dem biologischen Vorbild modelliert und mathematisch, in Bezug auf Aufbau und Verwendung, betrachtet. Danach wird ein vielverwendetes Lernverfahren, das Gradientenabstiegsverfahren, hergeleitet. In einem weiteren Teil dieser Arbeit wird das künstliche neuronale Netz von der praktischen Seite beschrieben, indem es in ein Computersystem implementiert wird. Das Programm lernt erfolgreich, handgeschriebene Ziffern selbstständig zu klassifizieren. Abschließend werden gesellschaftliche und ethische Probleme, welche mit der Verwendung künstlicher neuronaler Netze einher gehen, untersucht.