Künstliches neuronales Netz
Was ist ein künstliches neuronales Netz?
Ein künstliches neuronales Netz (artificial neuron network, ANN) ist ein Computersystem, das der Funktionsweise der Neuronen im menschlichen Gehirn nachempfunden ist.
Wie funktionieren künstliche neuronale Netze?
Künstliche neuronale Netze lassen sich am besten als gewichtete gerichtete Graphen betrachten, die üblicherweise in Schichten angeordnet sind. Diese Schichten weisen viele Knoten auf, die die Neuronen des menschlichen Gehirns zum Vorbild haben. Die Neuronen sind miteinander verbunden und verfügen über eine Aktivierungsfunktion. Die erste Schicht empfängt das rohe Eingabesignal von der Außenwelt – analog zu den Sehnerven bei der menschlichen Bildverarbeitung. Jede nachgeordnete Schicht erhält die Ausgabe der vorangegangenen Schicht, ähnlich wie Neuronen, die weiter vom Sehnerv entfernt liegen und Signale von jenen empfangen, die ihnen am nächsten liegen. Die Ausgabe an jedem Knoten wird als Aktivierung oder Knotenwert bezeichnet. Die letzte Schicht erzeugt die Ausgabe des Systems. KNNs sind eigentlich lernfähige mathematische Modelle. Durch den Einsatz von KNNs konnten wir bestehende Datenanalysetechnologien verbessern. Sie sind einer der Gründe, warum wir große Fortschritte in den Bereichen künstliche Intelligenz (KI), Machine Learning (ML) und Deep Learning beobachten können.
Perzeptron – Künstliches neuronales Netz
Der einfachste Typ eines künstlichen neuronalen Netzwerks ist das Perzeptron. Diese Art von Netz wird typischerweise zur Erstellung binärer Vorhersagen verwendet. Ein Perzeptron kann nur funktionieren, wenn die Daten linear trennbar sind. 
Mehrschichtiges künstliches neuronales Netz
Ein vollständig verbundenes mehrschichtiges neuronales Netz wird auch als mehrlagiges Perzeptron (Multi-Layer Perceptron, MLP) bezeichnet. Diese Art von künstlichem neuronalem Netz besteht aus mehr als einer Schicht künstlicher Neuronen oder Knoten (z. B. das gefaltete neuronale Netz, das rekurrente neuronale Netz usw.). Ein mehrschichtiges KNN wird verwendet, um komplexere Klassifizierungs- und Regressions-Tasks zu lösen. Das gebräuchlichste Modell ist das dreischichtige, vollständig verbundene Backpropagation-Modell. Die erste Schicht besteht aus Eingabeneuronen, die Daten an die zweite Schicht weiterleiten, die wiederum die Ausgabeneuronen an die dritte Schicht sendet. 
Künstliches neuronales Netz mit FeedForward
In diesem ANN ist der Informationsfluss unidirektional. Die Informationen verbreiten sich nur in eine Richtung; nach vorne; ohne Rückkopplungsschleifen zu erzeugen. Sie durchlaufen zuerst die Eingabeknoten, dann die versteckten Knoten (falls vorhanden) und am Ende die Ausgabeknoten.
K ünstliches neuronales Netz mit FeedBack
In diesem Fall gibt es inhärente Rückkopplungsverbindungen zwischen den Neuronen der Netze. Hier sind Rückkopplungsschleifen erlaubt.