Neuronale Netzwerke für die Datenanalyse

• Betrugserkennung, wie etwa Kreditkarten- oder Abrechnungsbetrug im Gesundheitswesen
• Optimierung der Transportlogistik
• Zeichen- und Spracherkennung, auch „Verarbeitung natürlicher Sprache“ (NLP) genannt
• Medizinische und Krankheitsbezogene Diagnostik
• Zielorientiertes Marketing.
• Finanzprognosen für Aktienpreise, Währungen, Optionen, Termingeschäfte, Insolvenzen und Anleihenbewertungen
• Robotersteuersysteme

• Prognosen zur Stromversorgung und Energiebedarf
• Prozesssteuerung und Qualitätskontrolle
• Identifikation chemischer Verbindungen
• Ökosystembewertung
• Bildverarbeitungssysteme zur Auswertung von Foto- und Video-Rohdaten, z. B. in der medizinischen Bildgebung, Robotik oder Gesichtserkennung

Ein einfaches neuronales Netz besteht aus einer Eingabeschicht, einer Ausgabeschicht (Zielschicht) und einer verborgenen Zwischenschicht. Die Schichten sind über Verbindungen und Knoten miteinander verbunden, die ein Netz bilden – das neuronale Netz.

Als Vorbild für diese Knoten dienen die Neuronen des menschlichen Gehirns. Die Knoten imitieren das Verhalten von Neuronen. Das heißt, sie werden aktiviert, wenn ein ausreichend starker Stimulus (Input) auf sie einwirkt. Diese Aktivierung verbreitet sich im Netz und generiert eine Reaktion auf den Stimulus (Output). Die Verbindungen zwischen den künstlichen Neuronen funktionieren wie einfache Synapsen. Das heißt, sie ermöglichen die Signalübertragung von einem Neuron zum nächsten. Die Signale passieren die Schichten von der ersten Eingabe- bis zur letzten Ausgabeschicht und werden auf diesem Weg verarbeitet.

Um Anforderungen zu bearbeiten oder Probleme zu lösen, führen die Neuronen mathematische Berechnungen durch und ermitteln, ob genügend Informationen vorliegen, diese ans nächste Neuron weiterzuleiten. Einfacher ausgedrückt, lesen sie alle Daten ein und stellen fest, wo die am stärksten ausgeprägten Zusammenhänge bestehen. Im einfachsten Typ eines neuronales Netzes werden die eingehenden Daten aufsummiert. Überschreitet die Summe einen bestimmten Schwellenwert, „feuert“ das Neuron und aktiviert ein weiteres mit ihm verbundenes Neuron.

Ist die Anzahl verborgener Zwischenschichten in einem neuronalen Netz ausreichend hoch, spricht man von einem „tiefen neuronalen Netz“. Deep Learning-Architekturen stehen für den nächsten Entwicklungsschritt neuronaler Netze. Data Scientists können aus solchen neuralen Netzen eigene Deep Learning-Netze konstruieren, die zu maschinellem Lernen fähig sind und darauf trainiert werden können, bestimmte menschliche Fähigkeiten wie Spracherkennung, Bilderkennung oder Prognoseerstellung präzise nachzuahmen. Gleichermaßen bedeutsam ist die Tatsache, dass diese neuralen Netze (bzw. die Computer, in denen sie angesiedelt sind) selbstständig lernen können, Muster in den zahlreichen Verarbeitungsschichten zu erkennen.

Was bedeutet diese Definition in der Praxis? Die Daten gelangen über die Eingabeschicht ins neuronale Netz. Die Eingabeschicht kommuniziert mit den verborgenen Schichten. Die Verarbeitung findet in den verborgenen Schichten statt, und zwar mittels eines Systems gewichteter Verbindungen. Die Knoten in der verborgenen Schicht kombinieren die Daten aus der Eingabeschicht mit einem Set von Koeffizienten und weisen ihnen bestimmte Gewichtungen zu. Diese Werte aus Eingabedaten und Gewichtungen werden aufsummiert. Die Summe passiert die Aktivierungsfunktion eines Knotens, die ermittelt, wie weit ein Signal das Netz noch durchlaufen muss, um Einfluss auf die Ausgabe nehmen zu können. Die verborgenen Schichten sind mit der Ausgabeschicht verbunden, von wo die Ausgabedaten letztendlich abgerufen werden können.