Perzeptron

Übungsaufgaben zu neuronalen Netzen und Modellbewertung

Zwei Übungsaufgaben zu neuronalen Netzen und zur Bewertung von Modellen: Perzeptron beschriften, erläutern, rechnen und einen Lernschritt durchführen, ein mehrschichtiges Netz beschriften und einen Knoten berechnen, neuronale Netze und CNNs für die Bilderkennung begründen (mit englischem Fachtext); danach Konfusionsmatrix aufstellen, Kennzahlen zuordnen und berechnen, einen Random Forest auswerten, Modelle vergleichen und die passende Kennzahl begründen.

Neuronale Netze und Modellbewertung

Wie rechnet ein künstliches Neuron, und wie lernt ein Netz aus vielen davon? Der Artikel erklärt das Perzeptron mit Eingaben, Gewichten, Bias und Aktivierungsfunktion, die Lernregel, mehrschichtige Netze mit Eingabe-, verdeckten und Ausgabeschichten sowie das Training mit Backpropagation. Er zeigt, warum sich neuronale Netze und besonders Convolutional Neural Networks für Bilder eignen und wie ein Random Forest mehrere Entscheidungsbäume abstimmen lässt. Zum Schluss geht es darum, wie gut ein Modell ist: Konfusionsmatrix, Accuracy, Sensitivity und Precision und der Vergleich von Modellen.