Aktuelle Version vom 24. Oktober 2025, 08:53 Uhr

Neuronale Netzwerke

Einleitung

Neuronale Netzwerke sind ein zentraler Bestandteil der Künstlichen Intelligenz und Maschinelles Lernen. Sie orientieren sich an der Funktionsweise biologischer Nervensysteme und dienen dazu, komplexe Muster und Zusammenhänge in Daten zu erkennen. Dieser aiMOOC erklärt die Grundlagen, Strukturen und Anwendungen von neuronalen Netzwerken und bietet interaktive Übungen sowie offene Aufgaben, um das Thema praxisnah zu vertiefen.

Grundlagen neuronaler Netzwerke

Was ist ein neuronales Netzwerk?

Ein Neuronales Netzwerk ist ein Modell aus miteinander verbundenen künstlichen Neuronen, die Informationen verarbeiten. Es besteht aus:

Eingabeschicht: Sie nimmt die Daten auf.
Verborgene Schichten: Sie verarbeiten die Daten und erkennen Muster.
Ausgabeschicht: Sie liefert die Ergebnisse.

Funktionsweise

Ein neuronales Netzwerk arbeitet in mehreren Schritten:

Eingangsdaten werden in die Eingabeschicht eingespeist.
Diese Daten werden gewichtet und in den Aktivierungsfunktionen der Verborgenen Schichten verarbeitet.
Am Ende wird das Ergebnis durch die Ausgabeschicht weitergegeben.

Arten von neuronalen Netzwerken

Neuronale Netzwerke haben unterschiedliche Architekturen:

Feedforward-Netzwerk: Daten fließen nur in eine Richtung.
Rekurrentes Netzwerk: Daten können rückwärts fließen.
Convolutional Neural Network (CNN): Spezialisiert auf Bildverarbeitung.
Generative Adversarial Network (GAN): Erzeugt neue Daten wie Bilder.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Wie nennt man die Schicht, die Daten in ein neuronales Netzwerk einspeist? (Eingabeschicht) (!Ausgabeschicht) (!Verborgene Schicht) (!Trainingsschicht)

Welche Netzwerke sind speziell für die Bildverarbeitung geeignet? (Convolutional Neural Networks) (!Feedforward-Netzwerke) (!Rekurrente Netzwerke) (!Lineare Netzwerke)

Welche Funktion haben Aktivierungsfunktionen? (Sie entscheiden, ob ein Neuron "aktiviert" wird.) (!Sie speichern Daten.) (!Sie trainieren das Netzwerk.) (!Sie visualisieren Daten.)

Was ist das Ziel des Trainings eines neuronalen Netzwerks? (Das Minimieren des Fehlers.) (!Das Maximieren der Datenmenge.) (!Die Erstellung von mehr Neuronen.) (!Die Veränderung der Netzwerkstruktur.)

Welche Daten fließen durch rekurrente Netzwerke? (Daten können in beide Richtungen fließen.) (!Daten fließen nur vorwärts.) (!Daten werden zwischengespeichert.) (!Daten werden ignoriert.)

Was ist ein Generative Adversarial Network (GAN)? (Ein Netzwerk, das neue Daten generiert.) (!Ein Netzwerk zur Fehlerkorrektur.) (!Ein Netzwerk für lineare Regression.) (!Ein Netzwerk zur Textverarbeitung.)

Welche Schicht kommt nach der Eingabeschicht? (Verborgene Schicht) (!Ausgabeschicht) (!Datenbank) (!Aktivierungsschicht)

Welche Anwendung nutzen Convolutional Neural Networks (CNNs)? (Bildklassifikation) (!Sprachübersetzung) (!Textgenerierung) (!Zeitreihenanalyse)

Was bedeutet "Training" in neuronalen Netzwerken? (Anpassen der Gewichte.) (!Erstellen neuer Neuronen.) (!Visualisieren der Schichten.) (!Speichern der Daten.)

Welche Art von Netzwerk eignet sich für Zeitreihenanalysen? (Rekurrentes Netzwerk) (!Feedforward-Netzwerk) (!Convolutional Neural Network) (!Generative Adversarial Network)

Memory

Neuron	Verarbeiten von Informationen
Eingabeschicht	Aufnahme von Daten
Aktivierungsfunktion	Entscheidung der Neuronaktivierung
CNN	Bildverarbeitung
GAN	Erzeugung neuer Daten

Kreuzworträtsel

NeuronalesNetzwerk	Wie nennt man künstlich aufgebaute Systeme nach dem Vorbild des Gehirns?
Aktivierung	Was entscheidet, ob ein Neuron Daten weitergibt?
CNN	Welches Netzwerk wird für Bildanalysen verwendet?
GAN	Wie heißt ein Netzwerk, das neue Bilder erzeugt?
Rekurrent	Welche Netzwerke analysieren Zeitreihen?
Trainingsdaten	Was benötigt ein Netzwerk, um Muster zu lernen?

LearningApps

Lückentext

Offene Aufgaben

Leicht

Erstelle eine Definition für neuronale Netzwerke.
Zeichne ein Schema eines neuronalen Netzwerks.
Beschreibe in einfachen Worten die Funktionsweise von neuronalen Netzwerken.

Standard

Vergleiche verschiedene Arten von neuronalen Netzwerken.
Untersuche Anwendungen von CNNs in der Praxis.
Finde Beispiele für GANs in der Bildgenerierung.

Schwer

Programmiere ein einfaches neuronales Netzwerk mit Python.
Analysiere Vor- und Nachteile von neuronalen Netzwerken.
Entwickle ein eigenes Projekt basierend auf einem rekurrenten Netzwerk.

Lernkontrolle

Erkläre den Zusammenhang zwischen Aktivierungsfunktion und Lernprozess.
Diskutiere ethische Fragen bei der Nutzung von neuronalen Netzwerken.
Beschreibe mögliche Schwächen eines neuronalen Netzwerks.
Vergleiche biologisches und künstliches Lernen.
Erörtere die Zukunftsaussichten für neuronale Netzwerke.

OERs zum Thema

Medien

Links

Neuronale Netzwerke

Neuronale Netzwerke

Einleitung

Willkommen zum aiMOOC Neuronales Netz! In diesem Kurs lernst Du, wie Künstliche Intelligenz mit künstlichen neuronalen Netzen arbeitet, welche Grundlagen wichtig sind und wie Verfahren wie Backpropagation, Gradientenabstieg oder Aktivierungsfunktionen funktionieren. Du erfährst, wie Deep Learning-Modelle wie Convolutional Neural Networks (CNN), Rekurrente neuronale Netze (RNN), LSTM und Transformer aufgebaut sind und wo sie in Bilderkennung, Spracherkennung, Übersetzung oder medizinischer Diagnostik eingesetzt werden.

Dieser aiMOOC liefert Dir Erklärtexte, interaktive Aufgaben, ein Quiz, ein Kreuzworträtsel, Memory und viele weiterführende Links. Du kannst die Inhalte in der Schule nutzen, zur Prüfungsvorbereitung oder für eigene Projekte.

Was ist ein neuronales Netz?

Ein neuronales Netz ist ein Rechenmodell, das grob an biologische Neuronen angelehnt ist. Es besteht aus Schichten (engl. Layers) mit vielen Knoten (Neuronen), die über Gewichte verbunden sind. Jede Verbindung trägt eine Zahl (Gewicht), die beeinflusst, wie stark ein Signal weitergegeben wird. Ein Bias verschiebt die Aktivierung. Die Ausgabe eines Neurons ergibt sich aus einer gewichteten Summe der Eingaben plus Bias, gefolgt von einer Aktivierungsfunktion wie Sigmoid, Tanh oder ReLU.

Historische Entwicklung

McCulloch & Pitts (1943): Formales Neuron-Modell.
Perceptron (1958): Frühes lernfähiges Modell.
Backpropagation (1986): Effizientes Training mehrschichtiger Netze.
CNN (1989–1998): Erfolge in Vision.
Deep Learning (ab 2012): Leistungsdurchbruch dank GPU-Rechenleistung, großer Daten und besserer Optimierung.
Transformer (2017): Attention ersetzt viele rekurrente Strukturen.

Mathematische Grundlagen

Ein Feedforward-Netz berechnet in jeder Schicht z = W·x + b und a = φ(z), wobei W die Gewichtsmatrix, b der Bias und φ die Aktivierungsfunktion ist. Beim Training minimierst Du eine Kosten- bzw. Verlustfunktion (z. B. MSE oder Kreuzentropie) mittels Gradienten und Gradientenabstieg. Backpropagation nutzt die Kettenregel der Differentialrechnung, um die Gradienten effizient durch das Netz zu berechnen.

Architekturen

Perceptron: Einfachstes lineares Klassifikations-Modell.
Mehrschichtiges Perzeptron (MLP): Mehrere verborgene Schichten.
CNN: Faltungen für Bildverarbeitung.
RNN, LSTM, GRU: Sequenzen und Zeitreihen.
Autoencoder & VAE: Kompression/Generieren.
GAN: Generator und Diskriminator im Wettbewerb.
Transformer: Self-Attention für NLP, Vision und Multimodalität.

Training, Regularisierung und Optimierung

Backpropagation & Optimierer: SGD, Momentum, RMSProp, Adam.
Regularisierung: L1, L2, Dropout, Early Stopping, Datenaugmentation.
Lernrate & Sheduling: Warmup, Cosine.
Batch-Normierung: BatchNorm, LayerNorm.

Überwachtes, unüberwachtes und bestärkendes Lernen

Überwachtes Lernen: Klassifikation, Regression.
Unüberwachtes Lernen: Clustering, Reduktion.
Bestärkendes Lernen (RL): Agent maximiert Belohnung mittels Policy und Wertfunktionen.

Anwendungen

Bild- und Objekterkennung (z. B. CNNs).
Sprach- und Audioverarbeitung (RNN/LSTM, Transformer).
Übersetzung & Textverständnis.
Empfehlungssysteme.
Diagnostik, Autonomes Fahren, Forecasting.
Erklärbarkeit & Ethik: Bias, Fairness, Transparenz.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Woraus besteht die Grundoperation eines künstlichen Neurons? (Gewichtete Summe plus Bias und Aktivierungsfunktion) (!Nur eine logische UND-Verknüpfung) (!Eine feste Tabelle mit Ausgaben ohne Gewichte) (!Zufällige Ausgabe ohne Eingaben)

Welche Funktion minimiert man beim Training? (Die Verlust- bzw. Kostenfunktion) (!Die Aktivierungsfunktion) (!Die Normalisierungsfunktion) (!Die Zufallsfunktion)

Wofür steht die Abkürzung CNN? (Convolutional Neural Network) (!Conditional Numeric Network) (!Central Neural Node) (!Convergent Neuron Net)

Welche Methode berechnet Gradienten effizient durch alle Schichten? (Backpropagation) (!Forward Sampling) (!Principal Component Analysis) (!K-Means)

Welche Aktivierungsfunktion ist stückweise linear und oft in Deep Learning verwendet? (ReLU) (!Softmax) (!Sigmoid) (!Gauß)

Welches Verfahren gehört zur Regularisierung? (Dropout) (!Max-Pooling) (!Softmax) (!Batching)

Welche Architektur eignet sich besonders für Sequenzen? (LSTM) (!Perceptron) (!Radial Basis Function) (!K-Means-Netz)

Was bewirkt die Lernrate beim Gradientenabstieg? (Sie bestimmt die Schrittweite der Gewichtsaktualisierung) (!Sie legt die Anzahl der Schichten fest) (!Sie wählt die Aktivierungsfunktion) (!Sie erzeugt neue Trainingsdaten)

Was ist der Zweck von Softmax in der Klassifikation? (Normalisierung zu Wahrscheinlichkeiten über Klassen) (!Verkürzung der Trainingszeit durch Pruning) (!Ersetzen von Convolutions) (!Reduktion der Eingabedimension)

Welches Konzept steht im Zentrum von Transformern? (Self-Attention) (!Gewichts-Sharing über Convolutions) (!Zeitverzögerte Rekurrenz) (!Reinforcement Belohnung)

Memory

Perceptron	Frühes lineares Klassifikationsmodell
Backpropagation	Gradientenberechnung mit Kettenregel
ReLU	Stückweise lineare Aktivierung
CNN	Faltungen für Bilderkennung
LSTM	Gedächtniszellen für Sequenzen
Softmax	Wahrscheinlichkeitsverteilung über Klassen

Drag and Drop

Ordne die richtigen Begriffe zu.	Meilensteine neuronaler Netze (chronologisch)
McCulloch-Pitts	1
Perceptron	2
Backpropagation	3
AlexNet	4
Transformer	5

...

Kreuzworträtsel

Perceptron	Einfachstes Neuronmodell zur Klassifikation?
Backpropagation	Wie heißt das Standardverfahren zur Gradientenberechnung?
Synapse	Wie nennt man die Verbindungsstelle zwischen Neuronen (biologisch)?
Gradienten	Welche Größen werden beim Abstieg berechnet und genutzt?
Aktivierung	Wie heißt die Ausgabe nach der Nichtlinearität?
Transformer	Welche Architektur nutzt Self-Attention zentral?

LearningApps

Lückentext

Ein neuronales Netz besteht aus Schichten mit vielen

und Verbindungen mit

.

Die gewichtete Eingabe wird um einen

ergänzt und durch eine Aktivierungsfunktion

.

Beim Training minimiert man eine

mithilfe von Gradienten und

.

Das Verfahren zur effizienten Gradientenberechnung heißt

und nutzt die

.

In der Bildverarbeitung sind

verbreitet, in der Sprachverarbeitung oft

.

Zur Vermeidung von Überanpassung dienen Methoden wie

und

.