Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- lernen_in_neuronalen_netzen [2024/01/21 11:16] – [reinforcement learning] torsten.roehl
+++ lernen_in_neuronalen_netzen [2024/01/21 11:18] – [supervised learning] torsten.roehl
@@ Zeile 11: / Zeile 11: @@
 ===== 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.
+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 =====
@@ Zeile 18: / Zeile 20: @@
+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.