Glanz am 24. Oktober 2025 um 07:53 Uhr

2025-10-24T07:53:54Z

Neue Seite

{{:MOOCit - Oben}}
{| align=center
{{:D-Tab}}
'''[[Neuronale Netzwerke]]'''
{{o}} [[Künstliche Intelligenz]]
{{o}} [[Maschinelles Lernen]]
{{o}} [[Deep Learning]]
{{o}} [[Datenverarbeitung]]
|}
= Einleitung =

{{:BRK}}

Neuronale Netzwerke sind ein zentraler Bestandteil der [[Künstlichen Intelligenz]] und [[Maschinelles Lernen]]. Sie orientieren sich an der Funktionsweise biologischer [[Nervensysteme]] und dienen dazu, komplexe Muster und Zusammenhänge in Daten zu erkennen. Dieser aiMOOC erklärt die Grundlagen, Strukturen und Anwendungen von neuronalen Netzwerken und bietet interaktive Übungen sowie offene Aufgaben, um das Thema praxisnah zu vertiefen.

{{:BRK}}

= Grundlagen neuronaler Netzwerke =

{{:BRK}}

== Was ist ein neuronales Netzwerk? ==

Ein [[Neuronales Netzwerk]] ist ein Modell aus miteinander verbundenen künstlichen [[Neuronen]], die Informationen verarbeiten. Es besteht aus:
{{o}} [[Eingabeschicht]]: Sie nimmt die Daten auf.
{{o}} [[Verborgene Schichten]]: Sie verarbeiten die Daten und erkennen Muster.
{{o}} [[Ausgabeschicht]]: Sie liefert die Ergebnisse.

== Funktionsweise ==

Ein neuronales Netzwerk arbeitet in mehreren Schritten:
{{o}} Eingangsdaten werden in die [[Eingabeschicht]] eingespeist.
{{o}} Diese Daten werden gewichtet und in den [[Aktivierungsfunktionen]] der [[Verborgenen Schichten]] verarbeitet.
{{o}} Am Ende wird das Ergebnis durch die [[Ausgabeschicht]] weitergegeben.

== Arten von neuronalen Netzwerken ==

Neuronale Netzwerke haben unterschiedliche Architekturen:
{{o}} [[Feedforward-Netzwerk]]: Daten fließen nur in eine Richtung.
{{o}} [[Rekurrentes Netzwerk]]: Daten können rückwärts fließen.
{{o}} [[Convolutional Neural Network (CNN)]]: Spezialisiert auf Bildverarbeitung.
{{o}} [[Generative Adversarial Network (GAN)]]: Erzeugt neue Daten wie Bilder.

{{:BRK}}

= Interaktive Aufgaben =

{{:BRK}}

== Quiz: Teste Dein Wissen ==

{{:Multiple-Choice Anfang}}

'''Wie nennt man die Schicht, die Daten in ein neuronales Netzwerk einspeist?'''
(Eingabeschicht)
(!Ausgabeschicht)
(!Verborgene Schicht)
(!Trainingsschicht)

'''Welche Netzwerke sind speziell für die Bildverarbeitung geeignet?'''
(Convolutional Neural Networks)
(!Feedforward-Netzwerke)
(!Rekurrente Netzwerke)
(!Lineare Netzwerke)

'''Welche Funktion haben Aktivierungsfunktionen?'''
(Sie entscheiden, ob ein Neuron "aktiviert" wird.)
(!Sie speichern Daten.)
(!Sie trainieren das Netzwerk.)
(!Sie visualisieren Daten.)

'''Was ist das Ziel des Trainings eines neuronalen Netzwerks?'''
(Das Minimieren des Fehlers.)
(!Das Maximieren der Datenmenge.)
(!Die Erstellung von mehr Neuronen.)
(!Die Veränderung der Netzwerkstruktur.)

'''Welche Daten fließen durch rekurrente Netzwerke?'''
(Daten können in beide Richtungen fließen.)
(!Daten fließen nur vorwärts.)
(!Daten werden zwischengespeichert.)
(!Daten werden ignoriert.)

'''Was ist ein Generative Adversarial Network (GAN)?'''
(Ein Netzwerk, das neue Daten generiert.)
(!Ein Netzwerk zur Fehlerkorrektur.)
(!Ein Netzwerk für lineare Regression.)
(!Ein Netzwerk zur Textverarbeitung.)

'''Welche Schicht kommt nach der Eingabeschicht?'''
(Verborgene Schicht)
(!Ausgabeschicht)
(!Datenbank)
(!Aktivierungsschicht)

'''Welche Anwendung nutzen Convolutional Neural Networks (CNNs)?'''
(Bildklassifikation)
(!Sprachübersetzung)
(!Textgenerierung)
(!Zeitreihenanalyse)

'''Was bedeutet "Training" in neuronalen Netzwerken?'''
(Anpassen der Gewichte.)
(!Erstellen neuer Neuronen.)
(!Visualisieren der Schichten.)
(!Speichern der Daten.)

'''Welche Art von Netzwerk eignet sich für Zeitreihenanalysen?'''
(Rekurrentes Netzwerk)
(!Feedforward-Netzwerk)
(!Convolutional Neural Network)
(!Generative Adversarial Network)

{{:Multiple-Choice Ende}}

{{:BRK}}

== Memory ==

<div class="memo-quiz">
{|
|-
| Neuron || Verarbeiten von Informationen
|-
| Eingabeschicht || Aufnahme von Daten
|-
| Aktivierungsfunktion || Entscheidung der Neuronaktivierung
|-
| CNN || Bildverarbeitung
|-
| GAN || Erzeugung neuer Daten
|}
{{:Memo Ende}}
<br>

{{:BRK}}

== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| NeuronalesNetzwerk || Wie nennt man künstlich aufgebaute Systeme nach dem Vorbild des Gehirns?
|-
| Aktivierung || Was entscheidet, ob ein Neuron Daten weitergibt?
|-
| CNN || Welches Netzwerk wird für Bildanalysen verwendet?
|-
| GAN || Wie heißt ein Netzwerk, das neue Bilder erzeugt?
|-
| Rekurrent || Welche Netzwerke analysieren Zeitreihen?
|-
| Trainingsdaten || Was benötigt ein Netzwerk, um Muster zu lernen?
|}
{{:Kreuzwort Ende}}
<br>

{{:BRK}}

== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Neuronale+Netzwerke </iframe>

== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Neuronale Netzwerke bestehen aus { Eingabeschicht }, { Verborgenen Schichten } und einer { Ausgabeschicht }. Sie werden mit { Trainingsdaten } trainiert, um Muster zu erkennen. Die { Aktivierungsfunktion } entscheidet, ob ein Neuron aktiv wird. Rekurrente Netzwerke analysieren { Zeitreihen }, während CNNs für die { Bildverarbeitung } genutzt werden.
</quiz>

<br>

= Offene Aufgaben =

{{:BRK}}

=== Leicht ===
{{o}} [[Erstelle eine Definition]] für neuronale Netzwerke.
{{o}} [[Zeichne ein Schema]] eines neuronalen Netzwerks.
{{o}} [[Beschreibe in einfachen Worten]] die Funktionsweise von neuronalen Netzwerken.

=== Standard ===
{{o}} [[Vergleiche verschiedene Arten]] von neuronalen Netzwerken.
{{o}} [[Untersuche Anwendungen]] von CNNs in der Praxis.
{{o}} [[Finde Beispiele]] für GANs in der Bildgenerierung.

=== Schwer ===
{{o}} [[Programmiere ein einfaches neuronales Netzwerk]] mit Python.
{{o}} [[Analysiere Vor- und Nachteile]] von neuronalen Netzwerken.
{{o}} [[Entwickle ein eigenes Projekt]] basierend auf einem rekurrenten Netzwerk.

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}

= Lernkontrolle =

{{o}} [[Erkläre den Zusammenhang]] zwischen Aktivierungsfunktion und Lernprozess.
{{o}} [[Diskutiere ethische Fragen]] bei der Nutzung von neuronalen Netzwerken.
{{o}} [[Beschreibe mögliche Schwächen]] eines neuronalen Netzwerks.
{{o}} [[Vergleiche biologisches und künstliches Lernen]].
{{o}} [[Erörtere die Zukunftsaussichten]] für neuronale Netzwerke.

<br>
<br>

= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Künstliches_neuronales_Netzwerk </iframe>

<br>

= Medien =

[[Datei:Artificial neural network.svg|1000px|rahmenlos|zentriert]]

{{#ev:youtube|https://www.youtube.com/watch?v=aircAruvnKk|300|center}}
{{#ev:youtube|https://www.youtube.com/watch?v=IHZwWFHWa-w|300|center}}

= Links =

{| align=center
{{:D-Tab}}
'''[[Neuronale Netzwerke]]'''
{{o}} [[Künstliche Intelligenz]]
{{o}} [[Maschinelles Lernen]]
{{o}} [[Deep Learning]]
{{o}} [[Datenverarbeitung]]
|}
[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Informatik]]

{{:MOOCit - Oben}}

{{:BRK}}
= Einleitung =
Willkommen zum aiMOOC [[Neuronales Netz|Neuronales Netz]]! In diesem Kurs lernst Du, wie [[Künstliche Intelligenz|Künstliche Intelligenz]] mit [[Künstliches neuronales Netz|künstlichen neuronalen Netzen]] arbeitet, welche [[Grundlagen der Informatik|Grundlagen]] wichtig sind und wie Verfahren wie [[Backpropagation|Backpropagation]], [[Gradientenabstieg|Gradientenabstieg]] oder [[Aktivierungsfunktion|Aktivierungsfunktionen]] funktionieren. Du erfährst, wie [[Deep Learning|Deep Learning]]-Modelle wie [[Convolutional Neural Network|Convolutional Neural Networks (CNN)]], [[Rekurrentes neuronales Netz|Rekurrente neuronale Netze (RNN)]], [[Long Short Term Memory|LSTM]] und [[Transformer (Modell)|Transformer]] aufgebaut sind und wo sie in [[Bilderkennung|Bilderkennung]], [[Spracherkennung|Spracherkennung]], [[Maschinelle Übersetzung|Übersetzung]] oder [[Medizinische Diagnostik|medizinischer Diagnostik]] eingesetzt werden.

Dieser aiMOOC liefert Dir Erklärtexte, interaktive Aufgaben, ein Quiz, ein [[Kreuzworträtsel|Kreuzworträtsel]], [[Memory|Memory]] und viele weiterführende [[Links|Links]]. Du kannst die Inhalte in der [[Schule|Schule]] nutzen, zur Prüfungsvorbereitung oder für eigene [[Projekte|Projekte]].

{{:BRK}}
= Was ist ein neuronales Netz? =
Ein [[Neuronales Netz|neuronales Netz]] ist ein Rechenmodell, das grob an biologische [[Neuron|Neuronen]] angelehnt ist. Es besteht aus Schichten (engl. [[Layer (Neuronales Netz)|Layers]]) mit vielen [[Knotenpunkt|Knoten]] (Neuronen), die über [[Gewicht (Neuronales Netz)|Gewichte]] verbunden sind. Jede Verbindung trägt eine Zahl (Gewicht), die beeinflusst, wie stark ein Signal weitergegeben wird. Ein [[Bias (Neuronales Netz)|Bias]] verschiebt die Aktivierung. Die Ausgabe eines Neurons ergibt sich aus einer gewichteten Summe der Eingaben plus Bias, gefolgt von einer [[Aktivierungsfunktion|Aktivierungsfunktion]] wie [[Sigmoidfunktion|Sigmoid]], [[Hyperbolische Tangensfunktion|Tanh]] oder [[ReLU|ReLU]].

{{:BRK}}
== Historische Entwicklung ==
{{o}} [[McCulloch-Pitts-Neuron|McCulloch & Pitts (1943)]]: Formales [[Neuron|Neuron]]-Modell.{{o}} [[Perceptron|Perceptron (1958)]]: Frühes lernfähiges Modell.{{o}} [[Backpropagation|Backpropagation (1986)]]: Effizientes Training mehrschichtiger Netze.{{o}} [[Convolutional Neural Network|CNN (1989–1998)]]: Erfolge in [[Bilderkennung|Vision]].{{o}} [[Deep Learning|Deep Learning (ab 2012)]]: Leistungsdurchbruch dank [[GPU|GPU]]-Rechenleistung, [[Große Datensätze|großer Daten]] und besserer [[Optimierungsverfahren|Optimierung]].{{o}} [[Transformer (Modell)|Transformer (2017)]]: [[Aufmerksamkeitsmechanismus|Attention]] ersetzt viele rekurrente Strukturen.

{{:BRK}}
== Mathematische Grundlagen ==
Ein [[Neuronales Netz|Feedforward-Netz]] berechnet in jeder Schicht '''z = W·x + b''' und '''a = φ(z)''', wobei '''W''' die [[Gewichtsmatrix|Gewichtsmatrix]], '''b''' der [[Bias|Bias]] und '''φ''' die [[Aktivierungsfunktion|Aktivierungsfunktion]] ist. Beim Training minimierst Du eine [[Kostenfunktion|Kosten- bzw. Verlustfunktion]] (z. B. [[Mittlere quadratische Abweichung|MSE]] oder [[Kreuzentropie|Kreuzentropie]]) mittels [[Gradientenverfahren|Gradienten]] und [[Gradientenabstieg|Gradientenabstieg]]. [[Backpropagation|Backpropagation]] nutzt die [[Kettenregel|Kettenregel]] der [[Differentialrechnung|Differentialrechnung]], um die Gradienten effizient durch das Netz zu berechnen.

{{:BRK}}
== Architekturen ==
{{o}} [[Perceptron|Perceptron]]: Einfachstes lineares [[Klassifikator|Klassifikations]]-Modell.{{o}} [[Mehrschichtiges Perzeptron|Mehrschichtiges Perzeptron (MLP)]]: Mehrere [[Verborgene Schicht|verborgene Schichten]].{{o}} [[Convolutional Neural Network|CNN]]: Faltungen für [[Bildverarbeitung|Bildverarbeitung]].{{o}} [[Rekurrentes neuronales Netz|RNN]], [[LSTM|LSTM]], [[GRU|GRU]]: Sequenzen und [[Zeitreihenanalyse|Zeitreihen]].{{o}} [[Autoencoder|Autoencoder]] & [[Variational Autoencoder|VAE]]: [[Dimensionenreduktion|Kompression]]/[[Generatives Modell|Generieren]].{{o}} [[Generative Adversarial Network|GAN]]: [[Generator|Generator]] und [[Diskriminator|Diskriminator]] im Wettbewerb.{{o}} [[Transformer (Modell)|Transformer]]: [[Self-Attention|Self-Attention]] für [[NLP|NLP]], [[Computer Vision|Vision]] und [[Multimodalität|Multimodalität]].

{{:BRK}}
== Training, Regularisierung und Optimierung ==
{{o}} [[Backpropagation|Backpropagation]] & [[Optimierer (KI)|Optimierer]]: [[SGD|SGD]], [[Momentum|Momentum]], [[RMSProp|RMSProp]], [[Adam|Adam]].{{o}} [[Regularisierung|Regularisierung]]: [[L1-Norm|L1]], [[L2-Norm|L2]], [[Dropout|Dropout]], [[Early Stopping|Early Stopping]], [[Datenaugmentation|Datenaugmentation]].{{o}} [[Lernrate|Lernrate]] & [[Lernratenplan|Sheduling]]: [[Warmup|Warmup]], [[Cosine Annealing|Cosine]].{{o}} [[Batch|Batch]]-[[Normalisierung|Normierung]]: [[Batch Normalization|BatchNorm]], [[Layer Normalization|LayerNorm]].

{{:BRK}}
== Überwachtes, unüberwachtes und bestärkendes Lernen ==
{{o}} [[Überwachtes Lernen|Überwachtes Lernen]]: [[Klassifikation|Klassifikation]], [[Regression|Regression]].{{o}} [[Unüberwachtes Lernen|Unüberwachtes Lernen]]: [[Clustering|Clustering]], [[Dimensionsreduktion|Reduktion]].{{o}} [[Bestärkendes Lernen|Bestärkendes Lernen (RL)]]: [[Agent (KI)|Agent]] maximiert [[Belohnung (RL)|Belohnung]] mittels [[Policy|Policy]] und [[Wertfunktion|Wertfunktionen]].

{{:BRK}}
== Anwendungen ==
{{o}} [[Bilderkennung|Bild- und Objekterkennung]] (z. B. [[CNN|CNNs]]).{{o}} [[Spracherkennung|Sprach- und Audioverarbeitung]] ([[RNN|RNN/LSTM]], [[Transformer (Modell)|Transformer]]).{{o}} [[Maschinelle Übersetzung|Übersetzung]] & [[Textverständnis|Textverständnis]].{{o}} [[Empfehlungssystem|Empfehlungssysteme]].{{o}} [[Medizinische Diagnostik|Diagnostik]], [[Autonomes Fahren|Autonomes Fahren]], [[Zeitreihenanalyse|Forecasting]].{{o}} [[Explainable AI|Erklärbarkeit]] & [[Ethik der KI|Ethik]]: [[Bias (Informatik)|Bias]], [[Fairness|Fairness]], [[Transparenz|Transparenz]].

{{:BRK}}
= Interaktive Aufgaben =

{{:BRK}}
== Quiz: Teste Dein Wissen ==
{{:Multiple-Choice Anfang}}

'''Woraus besteht die Grundoperation eines künstlichen Neurons?'''
(Gewichtete Summe plus Bias und Aktivierungsfunktion)
(!Nur eine logische UND-Verknüpfung)
(!Eine feste Tabelle mit Ausgaben ohne Gewichte)
(!Zufällige Ausgabe ohne Eingaben)

'''Welche Funktion minimiert man beim Training?'''
(Die Verlust- bzw. Kostenfunktion)
(!Die Aktivierungsfunktion)
(!Die Normalisierungsfunktion)
(!Die Zufallsfunktion)

'''Wofür steht die Abkürzung CNN?'''
(Convolutional Neural Network)
(!Conditional Numeric Network)
(!Central Neural Node)
(!Convergent Neuron Net)

'''Welche Methode berechnet Gradienten effizient durch alle Schichten?'''
(Backpropagation)
(!Forward Sampling)
(!Principal Component Analysis)
(!K-Means)

'''Welche Aktivierungsfunktion ist stückweise linear und oft in Deep Learning verwendet?'''
(ReLU)
(!Softmax)
(!Sigmoid)
(!Gauß)

'''Welches Verfahren gehört zur Regularisierung?'''
(Dropout)
(!Max-Pooling)
(!Softmax)
(!Batching)

'''Welche Architektur eignet sich besonders für Sequenzen?'''
(LSTM)
(!Perceptron)
(!Radial Basis Function)
(!K-Means-Netz)

'''Was bewirkt die Lernrate beim Gradientenabstieg?'''
(Sie bestimmt die Schrittweite der Gewichtsaktualisierung)
(!Sie legt die Anzahl der Schichten fest)
(!Sie wählt die Aktivierungsfunktion)
(!Sie erzeugt neue Trainingsdaten)

'''Was ist der Zweck von Softmax in der Klassifikation?'''
(Normalisierung zu Wahrscheinlichkeiten über Klassen)
(!Verkürzung der Trainingszeit durch Pruning)
(!Ersetzen von Convolutions)
(!Reduktion der Eingabedimension)

'''Welches Konzept steht im Zentrum von Transformern?'''
(Self-Attention)
(!Gewichts-Sharing über Convolutions)
(!Zeitverzögerte Rekurrenz)
(!Reinforcement Belohnung)
{{:Multiple-Choice Ende}}
<br>

{{:BRK}}
== Memory ==
<div class="memo-quiz">
{|
|-
| Perceptron || Frühes lineares Klassifikationsmodell
|-
| Backpropagation || Gradientenberechnung mit Kettenregel
|-
| ReLU || Stückweise lineare Aktivierung
|-
| CNN || Faltungen für Bilderkennung
|-
| LSTM || Gedächtniszellen für Sequenzen
|-
| Softmax || Wahrscheinlichkeitsverteilung über Klassen
|}
{{:Memo Ende}}
<br>

{{:BRK}}
== Drag and Drop ==
<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Meilensteine neuronaler Netze (chronologisch)
|-
| '''McCulloch-Pitts'''
| 1
|-
| '''Perceptron'''
| 2
|-
| '''Backpropagation'''
| 3
|-
| '''AlexNet'''
| 4
|-
| '''Transformer'''
| 5

|}
</div>

<br>
...
<br />

{{:BRK}}
== Kreuzworträtsel ==
<div class="kreuzwort-quiz">
{|
|-
| Perceptron || Einfachstes Neuronmodell zur Klassifikation?
|-
| Backpropagation || Wie heißt das Standardverfahren zur Gradientenberechnung?
|-
| Synapse || Wie nennt man die Verbindungsstelle zwischen Neuronen (biologisch)?
|-
| Gradienten || Welche Größen werden beim Abstieg berechnet und genutzt?
|-
| Aktivierung || Wie heißt die Ausgabe nach der Nichtlinearität?
|-
| Transformer || Welche Architektur nutzt Self-Attention zentral?
|}
{{:Kreuzwort Ende}}
<br>

{{:BRK}}
== LearningApps ==
<iframe> https://learningapps.org/index.php?s=Neuronales+Netz </iframe>

{{:BRK}}
== Lückentext ==
<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Ein neuronales Netz besteht aus Schichten mit vielen { Neuronen } und Verbindungen mit { Gewichten }.
Die gewichtete Eingabe wird um einen { Bias } ergänzt und durch eine Aktivierungsfunktion { transformiert }.
Beim Training minimiert man eine { Verlustfunktion } mithilfe von Gradienten und { Gradientenabstieg }.
Das Verfahren zur effizienten Gradientenberechnung heißt { Backpropagation } und nutzt die { Kettenregel }.
In der Bildverarbeitung sind { CNNs } verbreitet, in der Sprachverarbeitung oft { Transformer }.
Zur Vermeidung von Überanpassung dienen Methoden wie { Dropout } und { Early Stopping }.
</quiz>

<br>

{{:BRK}}
= Offene Aufgaben =
=== Leicht ===
{{o}} [[Begriffe sammeln|Begriffe sammeln]]: Erstelle ein Glossar mit mindestens 15 Begriffen (z. B. [[Neuron|Neuron]], [[Gewicht (Neuronales Netz)|Gewicht]], [[ReLU|ReLU]], [[Softmax|Softmax]]) und kurzen Erklärungen.
{{o}} [[Skizze zeichnen|Skizze zeichnen]]: Zeichne ein einfaches [[Mehrschichtiges Perzeptron|MLP]] mit Eingabe-, [[Verborgene Schicht|verborgenen]] und Ausgabeschichten.
{{o}} [[Anwendungen recherchieren|Anwendungen recherchieren]]: Finde fünf reale Anwendungen von [[Neuronales Netz|neuronalen Netzen]] in Deinem Alltag.

=== Standard ===
{{o}} [[Mini-Experiment|Mini-Experiment]]: Simuliere per Tabellenkalkulation ein [[Perceptron|Perceptron]] für eine ODER-Logik. Dokumentiere die [[Gewichte|Gewichte]] und Ergebnisse.
{{o}} [[Datenethik|Datenethik]]: Analysiere, wo [[Bias (Informatik)|Bias]] in Trainingsdaten entstehen kann, und formuliere Gegenmaßnahmen.
{{o}} [[Architekturvergleich|Architekturvergleich]]: Vergleiche [[CNN|CNN]], [[RNN|RNN/LSTM]] und [[Transformer (Modell)|Transformer]] hinsichtlich Stärken/Schwächen.

=== Schwer ===
{{o}} [[Kleines Projekt|Kleines Projekt]]: Implementiere ein MLP zur [[Klassifikation|Klassifikation]] eines kleinen Datensatzes (z. B. [[Iris-Datensatz|Iris]]). Erkläre [[Train/Validation/Test|Train/Validation/Test]].
{{o}} [[Hyperparameter-Studie|Hyperparameter-Studie]]: Untersuche Einfluss von [[Lernrate|Lernrate]], [[Batchgröße|Batchgröße]] und [[Epochenzahl|Epochen]] auf die [[Generalisation|Generalisation]].
{{o}} [[Erklärbarkeit|Erklärbarkeit]]: Wende einfache [[Explainable AI|XAI]]-Methoden (z. B. [[Saliency Map|Saliency]]) auf ein Bildklassifikationsmodell an.

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}
= Lernkontrolle =
{{o}} [[Übertrage Konzepte|Übertrage Konzepte]]: Erkläre, wie Du ein [[CNN|CNN]] für [[Audioverarbeitung|Audio]] anpassen würdest – welche Schritte und warum?
{{o}} [[Vergleiche Verfahren|Vergleiche Verfahren]]: In welchem Szenario ist [[Transformer (Modell)|Transformer]] einem [[LSTM|LSTM]] überlegen – begründe fachlich.
{{o}} [[Regularisierung planen|Regularisierung planen]]: Entwirf einen Regularisierungsplan für ein überanpassendes Modell (Konzept, nicht Code).
{{o}} [[Fehler analysieren|Fehler analysieren]]: Ein Modell ist stabil im [[Training|Training]] aber schlecht auf [[Testdaten|Testdaten]] – welche Ursachen, welche Maßnahmen?
{{o}} [[Metriken wählen|Metriken wählen]]: Welche [[Metriken (ML)|Metriken]] nutzt Du für ein unausgewogenes [[Klassifikationsproblem|Klassifikationsproblem]] und warum?

<br>

{{:BRK}}
= OERs zum Thema =
<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz </iframe>

<br>

{{:BRK}}
= Medien =
[[Datei:Artificial neural network.svg|1000px|rahmenlos|zentriert]]
[[Datei:Perceptron_mini.png|1000px|rahmenlos|zentriert]]
[[Datei:Deep_neural_network.png|1000px|rahmenlos|zentriert]]

{{#ev:youtube|https://www.youtube.com/watch?v=aircAruvnKk|300|center}}
{{#ev:youtube|https://www.youtube.com/watch?v=IHZwWFHWa-w|300|center}}
{{#ev:youtube|https://www.youtube.com/watch?v=zxQyTK8quyY|300|center}}

{{:BRK}}
= Links =
{| align=center
{{:D-Tab}}
'''[[Neuronales Netz – Überblick]]'''
{{o}} [[Neuronales Netz|Grundlagen neuronaler Netze]]
{{o}} [[Aktivierungsfunktion|Aktivierungsfunktionen]]
{{o}} [[Backpropagation|Backpropagation & Kettenregel]]
{{o}} [[Convolutional Neural Network|CNN – Faltungen & Pooling]]
{{o}} [[Rekurrentes neuronales Netz|RNN, LSTM, GRU]]
{{o}} [[Transformer (Modell)|Transformer & Attention]]
{{o}} [[Regularisierung|Regularisierung (L1/L2/Dropout)]]
{{o}} [[Optimierung (ML)|Optimierer: SGD, Adam]]
{{o}} [[Metriken (ML)|Metriken & Evaluierung]]
{{o}} [[Ethik der KI|Ethik, Fairness, Erklärbarkeit]]
|}

[[Kategorie:Informatik]]
[[Kategorie:Künstliche Intelligenz]]

= Teilen - Diskussion - Bewerten =
{{:Teilen - MOOCit}}
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]

[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]] [[Kategorie:Informatik]] [[Kategorie:Maschinelles Lernen]]

Neuronale Netzwerke - Versionsgeschichte

Glanz am 24. Oktober 2025 um 07:53 Uhr