Information Technology Reference
In-Depth Information
ponenten (meist die Verbindungsgewichte), um die Abweichung zu verringern. Ziel
beim überwachten Lernen ist, dass dem Netz nach mehreren Rechengängen mit unter-
schiedlichen Ein- und Ausgaben die Fähigkeit antrainiert wird, Assoziationen herzu-
stellen. Das bedeutet, dass die Abweichungen erstmaliger Präsentationen neuer Muster
von den gewünschten Ausgabemustern immer geringer werden. Diese Art des Lernens
ist die schnellste.
•
Bestärkendes Lernen
(reinforcement learning): Beim bestärkenden Lernen ermittelt die
Kontrollinstanz nach einer Ausgabe vom Netz die Information, ob die Ausgabe falsch
oder richtig war, eventuell auch noch den Grad der Richtigkeit. Liegt die gewünschte
Ausgabe vor, ist diese Art des Lernens langsamer als überwachtes Lernen. Sie ist aber
ihrem Original in der Biologie wesentlich näher, da das motivierte Lernen (durch Be-
lohnung oder Bestrafung) die häufigste Lernform beim Menschen ist.
•
Unüberwachtes Lernen
(unsupervised learning): Das unüberwachte Lernen verzichtet
vollständig auf den Eingriff einer netzexternen Kontrollinstanz. Das bedeutet, dass dem
Netz weder ein gewünschtes Ausgabemuster vorliegt, noch ihm mitgeteilt wird, ob sein
errechnetes Ergebnis korrekt ist oder nicht. Das Netz erstellt selbständig Klassifikato-
ren, nach denen es die Eingabemuster einteilt. Diese Methode ist die langsamste der
bisher vorgestellten. Allerdings ist sie dem menschlichen Lernen am ähnlichsten, da
das autodidaktische Lernen über dem didaktischen steht.
Es gibt sehr viele Möglichkeiten, einzelne Komponenten des Netzes nach einem Lern-
schritt so zu modifizieren, dass es dem gewünschten Ergebnis am nächsten kommt. Er-
lernen ist möglich durch eine oder mehrere der folgenden Möglichkeiten:
• Entwicklung neuer Verbindungen,
• Entwicklung neuer Zellen,
• Löschen existierender Verbindungen,
• Löschen existierender Zellen,
• Modifikation der Gewichtsmatrix,
• Modifikation der Schwellenwerte
• und/oder Modifikation der Rechenfunktionen (Aktivierungs-, Propagierungs- oder
Ausgabefunktion).
Diese Methoden sind nicht vollkommen voneinander getrennt. So erreicht man mit Hilfe
der Modifikation der Verbindungsgewichte, dass Verbindungen gelöscht (nicht angespro-
chen) oder dem Netz hinzugefügt werden (das entsprechende Verbindungsgewicht wird
von Null auf einen Wert erhöht oder erniedrigt). Einige Modelle künstlicher neuronaler
Netze eignen sich jedoch nicht für diese Methode, da ihre Gewichtsmatrix nicht für alle
Neuronen Verbindungen vorsieht und die entsprechenden Werte nicht mit in die Gewichts-
matrix aufnehmen, anstatt sie in ihr zu belassen und auf null zu setzen. Das Hinzufügen
oder Löschen von Zellen tritt bei neueren Modellen häufiger auf. Diese Methode ist je-
doch nur bedingt plausibel, da das Wachstum biologischer Neuronen bereits im Kindes-
