Das sogenannte überwachte Lernen ist eine Technik, um die "Schalter und Regler" eines künstlichen neuronalen Netzes so einzustellen, dass es die gegebene Aufgabe lösen kann. Im gezeigten Beispiel ist die Aufgabe, zu entscheiden, ob ein Bild einen Hund oder eine Katze zeigt.

Das Lernen läuft wie folgt ab:

Zu Beginn des Trainings (so nennen wir den Lernprozess auch) sind die "Schalter und Regler" ganz zufällig eingestellt.

Wir speisen dann ein Bild aus unseren Trainingsdaten in das künstliche neuronale Netz ein. (In den Abbildungen heißt es "Modell", was hier dasselbe meint...)

Wir wissen, was das künstliche neuronale Netz ausgeben soll. In diesem Fall ist es eine Katze, das Neuron der Ausgabeschicht, das zur Katze gehört, sollte also die Aktivierung 1 haben, das "Hundeneuron" die Aktivierung 0.

Da die "Schalter und Regler" zufällig eingestellt sind, wird das künstliche neuronale Netz am anfang viele Fehler machen. In hier gezeigten Fall gibt es für Katze den Wert 0,2 und für Hund den Wert 0,8 aus.

Wir können nun aus dem Unterschied zwischen der Wahrheit (1,0 und 0,0) und der Vermutung (0,2 und 0,8) einen Fehler berechnen.

Und es gibt eine Formel, mit der wir die "Schalter und Regler" des künstlichen neuronalen Netzes aufgrund dieses Fehlers ein kleines bisschen verändern können, sodass das Netz beim nächsten Mal ein kleines bisschen weniger falsch liegt. Diese Formel ist etwas kompliziert und soll uns hier nicht weiter beschäftigen.

Der eben beschriebene Ablauf wird so oft und mit verschiedenen Beispielen aus den Trainingsdaten wiederholt, bis das künstliche neuronale Netz nur noch sehr wenige Fehler macht und dann hoffentlich auch Bilder richtig erkennt, die nicht Teil der Trainingsdaten waren.

Zuletzt geändert: Freitag, 31. Januar 2025, 14:37