Nachdem wir bereits die zwei wichtigsten Arten von Neural Networks und deren Unterschiede vorgestellt haben, wollen wir uns heute mal die verschiedenen Lernmethoden für Neural Netwok’s anschauen.
Wir unterscheiden hier bei fünf Arten von Lernmethoden:
Überwachtes Lernen, unüberwachtes Lernen, bestärkendes Lernen, teilüberwachtes Lernen und aktives Lernen. Diese Lernmethoden werden ich nun nacheinander vorstellen.
Überwachtes Lernen (supervised learning)
Beim überwachten Lernen lernt das neuronale Netz aus vorhandenen Trainingsdaten die dem Netz zur Verfügung gestellt werden.
Dabei bekommt das Netz immer ein Datenpaar mit Eingabe- und Ausgabedaten übergeben. Innerhalb des neuronalen Netzes werden die Gewichte so angepasst, dass die aus den Eingabewerten nach durchlaufen des neuronalen Netzes die gegebenen Ausgabewerte ausgegeben werden.
Hierbei kommen auch entsprechende Fehlerminimierungsverfahren wie Gradientenabstig oder Backpropagation zum Einsatz. Typische Anwendungsbereiche für überwachtes Lernen ist die automatische Klassifizierung.
Unüberwachtes Lernen (unsupervised learning)
Beim unüberwachten Lernen werden keine bereits vorhandene und klassifizierte Beispieldaten für das Training des neuronalen Netzes verwendet.
Bei dieser Methode versucht das neuronale Netz eigenständig Muster in den Eingabe- und Ausgabedaten zu erkennen und dadurch entsprechenden Rückschlüsse zu ziehen
Bestärktes Lernen (reinforced learning)
Das bestärkente lernen funktioniert etwas anders als die bereits vorangegangenen Lernverfahren. Hier wird die Software bzw. das Netz nicht mehr mit menschlichen Daten gefüttert, sondern lernt annähernd wie ein Mensch selbstständig durch Versuche und Irrtum eine geeignete Strategie zu entwickeln.
Lediglich die Rahmenbedingungen werden von einem Entwickler vorgegeben sowie zum Beispiel ein Belohnungssystem für das Verhalten mit einem gewünschten Ergebnis.
Schreibe einen Kommentar