Neuronale Netze - Grundlagen (eBook)

Mit Beispielprogrammen in Java

Thomas Kaffka (Autor)

eBook Download: PDF

2017 | 1. Auflage
240 Seiten
MITP Verlags GmbH & Co. KG
978-3-95845-608-2 (ISBN)

Infos

Von den ersten Modellen bis zum Backpropagation-Netz Allgemeinverständliche Erläuterungen mit vielen Praxis- und Anwendungsbeispielen Zahlreiche Programme zum Ausprobieren, Ausführen und Trainieren Neuronaler Netze mit Beispieldaten Für Programmierer: Vollständige Programmierung eines Backpropagation-Netzes zur Passworterkennung (in Java) Dieses Buch ist eine grundlegende Einführung in die Entwicklung und Funktionsweise Neuronaler Netze. Sie lernen verschiedene Modelle kennen sowie alle Elemente, die für die Funktionalität Neuronaler Netze von Bedeutung sind. So werden Sie im Detail verstehen, wie diese arbeiten. Praxisansatz des Buches: Alle vorgestellten Netze werden beispielhaft anschaulich durchgerechnet. So können Sie nachvollziehen, wie ein Neuronales Netz funktioniert und arbeitet. Außerdem liefert der Autor zusätzlich zum Buch selbst erstellte Programme, mit denen Sie am PC experimentieren können, indem Sie Beispieldaten eingeben und die jeweiligen Eigenschaften der unterschiedlichen Netze praktisch ausprobieren sowie diese trainieren und ausführen können. Kaffka beschreibt zunächst die frühesten Modelle Neuronaler Netze sowie die Hebbsche Formel und das von Rosenblatt entwickelte Modell des Perzeptrons. Daraufhin geht er auf die Mustererkennung mit einem Hopfield-Netz ein und erläutert die Grundlagen eines einfachen und eines bidirektionalen Assoziativspeichers. Schließlich behandelt Kaffka das aktuelle Modell des Backpropagation-Netzes. Sie lernen im Detail, wie ein solches Neuronales Netz funktioniert - von der Netztopologie über die Transferfunktion bis zur Lernformel zum Trainieren eines Netzes. Darauf aufbauend stellt der Autor verschiedene Beispiele und Anwendungen für Neuronale Netze vor. Hier diskutiert er zusätzlich, wie diese im Rahmen der Regressionsanalyse eingesetzt werden können. Zudem wird gezeigt, dass Neuronale Netze auch drei- oder mehrdimensionale Funktionen erlernen können. Ein Ausblick zu Expertensystemen im Vergleich zu Neuronalen Netzen rundet die Einführung ab. Zusatznutzen für Programmierer: Programmierer, die selber ein neuronales Netz programmieren wollen, finden ein ausführliches Kapitel, in dem ein Backpropagation-Netz vollständig in Java programmiert wird. Für Programmierer wird der Java-Code aller im Buch verwendeten Programme erläutert. Downloads zum Buch: Alle Programme der im Buch beschriebenen Neuronalen Netze zum Ausprobieren Für Programmierer: Der Quellcode eines vollständigen Backpropagation-Netzes sowie aller im Buch verwendeten Programme Aus dem Inhalt: Historische Ansätze: Hebbsche Formel, Perzeptron, Hopfield-Netz Neuronale Netze mit der Backpropagation-Technologie Gewichtsmatix, Training und Lernkurve Muster-/Bilderkennung Bidirektionaler Assoziativspeicher Netztopologie mit bis zu 3 Schichten Regressionsanalyse Mehrdimensionale Funktionen Expertensysteme Vollständige Programmierung eines Backpropagation-Netzes zur Passworterkennung

Thomas Kaffka hat als Softwareingenieur sowie Projektleiter in Softwarehäusern und Wirtschaftsprüfungs- und Beratungsgesellschaften gearbeitet. Mit den Instrumenten der Künstlichen Intelligenzforschung beschäftigt er sich seit seinem Studium und hat im Rahmen seines Berufslebens auch solche Systeme eingesetzt.

Inhalt

Cover 1
Titel 3
Impressum 4
Inhaltsverzeichnis 7
Prolog 11
Einleitung 17
Kapitel 1: Neuronale Netze und das Gehirn 21
1.1 Was sind Neuronale Netze? 22
1.2 Das Gehirn als Vorbild 23
1.2.1 Organisation und Physiologie des Gehirns 24
1.2.2 Die biologische Nervenzelle 25
Kapitel 2: Die Simulation des Gehirns 29
2.1 Die ersten Versuche 29
2.2 Die Hebbsche Formel 33
2.3 Das Perzeptron 34
2.3.1 Die Theorie von Rosenblatt 34
2.3.2 Das Perzeptron auf dem Papier 36
2.3.3 Das Programm zum Perzeptron 38
Kapitel 3: Mustererkennung durch ein Hopfield-Netz 45
3.1 Der Assoziativspeicher 45
3.1.1 Das Hopfield-Netz auf dem Papier 46
3.1.2 Mustererkennung 50
3.1.3 Ein Beispiel für Mustererkennung 52
Kapitel 4: Der bidirektionale Assoziativspeicher 59
4.1 Verteilter Assoziativspeicher 59
4.1.1 Der bidirektionale Assoziativspeicher auf dem Papier 62
4.1.2 Mustererkennung mit dem bidirektionalen Assoziativspeicher 66
4.1.3 Bilderkennung mit dem bidirektionalen Assoziativspeicher 70
Kapitel 5: Das Backpropagation-Netz 79
5.1 Netztopologie 79
5.2 Die Transferfunktion 80
5.3 Die Lernformel 82
5.4 Das Backpropagation-Netz auf dem Papier 85
Kapitel 6: Vorstellung eines Programms zum Ausführen Neuronaler Netze 91
6.1 Allgemeine Erläuterungen des Programms NetAndDecision 91
6.2 Verwalten der Projekte 92
6.3 Die Gewichtsmatrix 96
6.4 Beispiele erfassen 97
6.5 Der Beispiel-Generator 98
6.6 Das Training des Netzes 101
6.7 Die Ausführung des Netzes 103
6.8 Die Lernkurve 103
6.9 Die Grafik 104
Kapitel 7: Beispiele für Neuronale Netze 107
7.1 Ermittlung der Wurfweite eines Steins 107
7.2 Kreditvergabe Entscheidung 117
7.3 Unterstützung der Kaufentscheidung für einen PC 120
Kapitel 8: Regressionsanalyse mit einem Neuronalen Netz 125
8.1 Die Chartanalyse mit einem Neuronalen Netz 125
8.2 Die Regressionsanalyse 129
8.3 Mehrdimensionale Funktionen 133
Kapitel 9: Expertensysteme 137
9.1 Das Erheben von Wissen 138
9.2 Aufbau eines Expertensystems 139
9.2.1 Wissensbasis 140
9.2.2 Darstellungsproblematik von Wissen 140
9.2.3 Regelbasis 141
9.2.4 Datenbasis 142
9.2.5 Regelinterpreter (Inferenzkomponente) 142
9.2.6 Userschnittstelle 143
9.3 Vorstellung eines Programms zum Ausführen von Expertensystemen 143
9.3.1 Verwalten von Projekten 144
9.3.2 Expertensystem Analyse 145
9.3.3 Expertensystem Daten 146
9.3.4 Verwalten von Expertensystemen 147
9.3.5 Verwalten von Attributen 149
9.3.6 Verwalten von Regeln 152
9.4 Regelbasis zur Auswahl von statistischen Prognoseverfahren 155
9.4.1 Literaturstudium zum Erheben des Expertenwissens 156
9.4.2 Ausführen des Expertensystems 159
9.5 Regelbasis zur Unterstützung der Kaufentscheidung für einen PC 161
Kapitel 10: Ein Backpropagation-Netz programmieren 169
10.1 Erfassung von Passwort-Mustern 170
10.2 Ein Neuronales Netz zur Erkennung von Passwort-Mustern 175
10.3 Die Programmierung des Neuronalen Netzes 178
10.3.1 Die Programmierung des Hauptprogramms 179
10.3.2 Der Konstruktor der Klasse »NeuralNetwork« 180
10.3.3 Das Einlesen und Verarbeiten von Kommandos 181
10.3.4 Weitere Methoden der Klasse »NeuralNetwork« 187
10.3.5 Das Einlesen der Beispieldaten 188
10.4 Die Programmierung der Backpropagation-Technologie 194
10.4.1 Das Ausführen des Neuronalen Netzes 195
10.4.2 Das Training des Neuronalen Netzes 196
10.4.3 Das Ausführen von außen 200
Kapitel 11: Ausblick 203
Anhang A: Anhang 207
A.1 Die Beispielprogramme 207
A.2 Installation der Beispielprogramme 208
A.3 Die verwendete Datenbanktechnologie 208
Anhang B: Dokumentierter Quelltext der Programme 213
B.1 Das Programm Perzeptron 213
B.2 Das Programm HopfieldNet 220
B.3 Das Programm AssociativeMemory 225
B.4 Das Programm AssociativeMemoryPicture 230
Stichwortverzeichnis 237

Produkt-Details

• Erscheint lt. Verlag: 27.10.2017
• Reihe/Serie: mitp Professional
• Sprache: deutsch
• Themenwelt: Mathematik / Informatik ► Informatik ► Programmiersprachen / -werkzeuge
• Schlagworte: Deep learning • Künstliche Intelligenz • machine learning • Programmierung
• ISBN-10: 3-95845-608-1 / 3958456081
• ISBN-13: 978-3-95845-608-2 / 9783958456082