Der Begriff „neuronale Netze“ bezeichnet das Netzwerk aus Nervenzellen im Gehirn von Mensch und Tier, das für jegliche Denkvorgänge verantwortlich ist. Im Bereich der Informatik steht der Begriff in der Regel für künstliche neuronale Netze (KNN), d.h. für stark vereinfachte Modelle der biologischen Systeme. Durch solche Modelle wird es möglich, Computer auch für Aufgaben einzusetzen, die nicht – oder nur schwer – explizit programmiert werden können, sondern Lernvorgänge erfordern.

Insbesondere Aufgaben der Mustererkennung zählen hierzu. Bei der Erkennung von Gesichtern, von Schriften (OCR) und Stimmen werden neuronale Netze erfolgreich eingesetzt. Die automatische Erkennung von Kreditkartenbetrug basiert häufig auf neuronalen Netzen, ebenso die Steuerung autonomer Fahrzeuge (vgl. [3], S. 11).

Ich habe mich für dieses Thema entschieden, da ich der Meinung bin, dass die Möglichkeiten neuronaler Netze heutzutage noch bei weitem nicht ausgeschöpft sind und sich – auch aufgrund der stetig zunehmenden Geschwindigkeit von Prozessoren – neue, spannende Einsatzgebiete auftun werden. Zum Vergleich: Heutige neuronale Netze besitzen meist nicht mehr als einige hundert Neuronen – die Anzahl der Neuronen im menschlichen Gehirn wird auf etwa 30 Milliarden geschätzt (vgl. [1], S. 43).

Die Arbeit ist in einen Theorie- und einen Praxisteil gegliedert:

Im Theorieteil werden zunächst die biologischen Grundlagen neuronaler Netze erläutert, dann die entsprechende Implementierung als mathematisches Modell. Besonderes Augenmerk liegt hierbei auf dem Lernverfahren Backpropagation.

Der Praxisteil beschreibt die Entwicklung eines Programms in der Programmiersprache Python, das zur automatischen Klassifizierung und Sortierung von Texten nach der verwendeten Sprache eingesetzt werden kann. Hierbei geht es in erster Linie um die Umsetzung der im Theorieteil hergeleiteten Algorithmen als Python-Modul, um das Festlegen von Netz-Topologie und Parametern sowie um die Resultate dieses Projekts. Weiterlesen

Inhaltsverzeichnis | Nervenzellen als biologisches Vorbild >