Inhaltsverzeichnis

Lernen in neuronalen Netzen

Lernen in künstlichen neuronalen Netzen bedeutet im Allgemeinen, Allgorithmen zu finden, die die Verbindungsgewichte (wij ) zwischen den Neuronen so anpassen, dass das neuronale Netz bei Eingabe eines Musters die gewünschte Ausgabe berechnet. Siehe hierzu auch im Abschnitt die Hebb'sche Lernregel.

In neuronalen Netzen kann man zwischen drei Arten des Lernens unterscheiden.

supervised learning

Beim überwachten Lernen sind Eingabemuster und das gewünschte Ausgabemuster bekannt. Das neuronale Netz kann das jeweils gewünschte Ausgabemuster mit dem momentan berechneten Ausgabemuster vergleichen. Das Netzwerk ändert mit jeder Präsentation eines Eingabemusters die Gewichte zwischen den Neuronen selbständig und lernt, die Eingabemuster mit dem gewünschten Ausgabemuster richtig zu assoziieren.

Dieses Lernverfahren ist sehr schnell.

reinforcement learning

Beim bestärkenden Lernen stehen dem neuronalen Netz nicht so viele Informationen zur Verfügung wie beim überwachten Lernen.

Das Netzwerk bekommt nur die Information, ob die Ausgabemuster richtig oder falsch klassifiziert wurden, mehr nicht.

Die Aufgabe, das richtige Ausgabemuster zu finden, muss also das Netz selbst leisten. Diese Lernmethode ist nicht so schnell wie das überwachte Lernen.

Wenn man neuronale Netze als Modelle für reale biologische Systeme betrachtet, hat diese Methode allerdings den Vorteil, dass sie biologisch leichter zu begründen ist als dies beim überwachten Lernen der Fall ist.

unsupervised learning

Dieses Lernverfahren kommt gänzlich ohne Lehrer aus, d.h., das Netzwerk kennt weder die gewünschten Ausgabemuster, noch weiß das Netzwerk, ob die berechnete Ausgabe richtig oder falsch ist.

Wie kann man denn dann lernen?

Das Lernen bedeutet hier, die Eingabemuster in verschiedene Gruppen oder Kategorien einzuordnen. Das Netzwerk analysiert also die Eingabemuster nach Übereinstimmungen und ändert die Gewichte derart, dass einander ähnliche Eingabemuster möglichst die gleichen Ausgaben erzeugen. Gleiche Ausgabemuster bedeuten, dass auch die gleichen (oder räumlich nahe benachbarte) Neurongruppen aktiviert sind, um die entsprechende Ausgabe zu erzeugen.

Ein wichtiges Beispiel für diese Art des Lernens sind Kohonennetze. Dieses Lernverfahren ist biologisch gut begründet.