E-Book, Deutsch, 216 Seiten
Rey / Wender Neuronale Netze
3. aktualisierte und ergänzte Auflage 2019
ISBN: 978-3-456-95796-8
Verlag: Hogrefe AG
Format: PDF
Kopierschutz: 1 - PDF Watermark
Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung
E-Book, Deutsch, 216 Seiten
ISBN: 978-3-456-95796-8
Verlag: Hogrefe AG
Format: PDF
Kopierschutz: 1 - PDF Watermark
Im Grundlagenteil werden die Kernkomponenten, Lernregeln, Netztypen, Eigenschaften und Probleme neuronaler Netze erörtert. Der Anwendungsteil bezieht sich auf aktuelle (kognitions-)psychologische Fragestellungen, die aus der Perspektive neuronaler Netze dargestellt werden. Unter anderem werden das Phänomen der Farbkonstanz, die Durchführung von Routinetätigkeiten sowie neue Erklärungsansätze zur autistischen Entwicklungsstörung und zum seriellen Lernen besprochen. Der dritte Abschnitt des Lehrbuches widmet sich der Datenauswertung mittels neuronaler Netze. Hierbei werden die Softwareprogramme Visual-XSel, MemBrain und SPSS vorgestellt und eingehend behandelt. Im Rahmen einer Diplomarbeit oder in Forschungsprojekten erhobene Datensätze können somit ohne weitere Vorkenntnisse und ohne Rückgriff auf Varianz- bzw. Regressionsanalysen eigenständig ausgewertet werden. Die dritte Auflage wurde überarbeitet und aktualisiert; so wurden etwa im Kapitel zur Datenauswertung Text und Abbildungen zu den Programmen Visual-XSel, MemBrain und SPSS auf den neuesten Stand gebracht.
Zielgruppe
Studierende im Hauptfach Psychologie, Kognitions- und Neurowissenschaftler, Informatiker, Mathematiker, Statistiker, Soziologen, Biologen, Psychobiologen.
Autoren/Hrsg.
Fachgebiete
Weitere Infos & Material
1;Inhaltsverzeichnis und Vorworte;7
2;1 Grundlagen;16
2.1;1.1 Übersicht und Lernziele;16
2.2;1.2 Einleitung;16
2.3;1.3 Units und ihre Verbindungen;17
2.4;1.4 Funktionsweise von Units;19
2.4.1;1.4.1 Input und Netzinput;20
2.4.2;1.4.2 Aktivitätsfunktion;21
2.4.3;1.4.3 Output;27
2.5;1.5 Bias-Units;28
2.6;1.6 Trainings- und Testphase;29
2.7;1.7 Matrizendarstellung;30
2.8;1.8 Zusammenfassung;32
2.9;1.9 Übungsaufgaben;34
3;2 Lernregeln;36
3.1;2.1 Übersicht und Lernziele;36
3.2;2.2 Einleitung;36
3.3;2.3 Hebb-Regel;39
3.4;2.4 Delta-Regel;40
3.5;2.5 Gradientenabstiegsverfahren;42
3.5.1;2.5.1 Lösungsansatz;43
3.5.2;2.5.2 Probleme des Verfahrens;46
3.5.3;2.5.3 Lösungsansätze;48
3.6;2.6 Backpropagation;53
3.7;2.6.1 Einleitung;53
3.8;2.6.2 Problemstellung und Algorithmus;54
3.9;2.7 Competitive Learning;57
3.10;2.8 Zusammenfassung;58
3.11;2.9 Übungsaufgaben;59
4;3 Netztypen;61
4.1;3.1 Übersicht und Lernziele;61
4.2;3.2 Einleitung;61
4.3;3.3 Pattern Associator;63
4.3.1;3.3.1 Beispielberechnung;64
4.3.2;3.3.2 Eigenschaften;66
4.4;3.4 Rekurrente Netze;66
4.4.1;3.4.1 Simple Recurrent Networks;68
4.4.2;3.4.2 Jordan-Netze, Elman-Netze und Autoassociator;70
4.4.3;3.4.3 Attraktorennetze;71
4.4.4;3.4.4 Anwendungen;74
4.5;3.5 Kompetitive Netze;74
4.6;3.6 Kohonennetze;78
4.6.1;3.6.1 Berechnung;79
4.6.2;3.6.2 Wichtige Parameter;83
4.6.3;3.6.3 Anwendungen;87
4.7;3.7 Constraint-Satisfaction-Netze;89
4.7.1;3.7.1 Beispiel eines Constraint-Satisfaction-Netzes: Jets und Sharks;92
4.8;3.8 Zusammenfassung;93
4.9;3.9 Übungsaufgaben;94
5;4 Eigenschaften;96
5.1;4.1 Übersicht und Lernziele;96
5.2;4.2 Eigenschaften neuronaler Netze;96
5.3;4.3 Probleme neuronaler Netze;99
5.4;4.4 Zusammenfassung;101
5.5;4.5 Übungsaufgaben;103
6;5 Anwendungen;104
6.1;5.1 Übersicht und Lernziele;104
6.2;5.2 Einleitung;104
6.3;5.3 Farbkonstanz;105
6.3.1;5.3.1 Ausgangssituation;105
6.3.2;5.3.2 Netzaufbau;107
6.3.3;5.3.3 Ergebnisse und Fazit;110
6.4;5.4 Routinetätigkeiten;111
6.4.1;5.4.1 Ausgangssituation;111
6.4.2;5.4.2 Netzaufbau;114
6.4.3;5.4.3 Ergebnisse und Fazit;115
6.5;5.5 Autismus;118
6.5.1;5.5.1 Ausgangssituation;118
6.5.2;5.5.2 Netzaufbau;121
6.5.3;5.5.3 Ergebnisse und Fazit;123
6.6;5.6 Serielles Lernen;126
6.6.1;5.6.1 Ausgangssituation;126
6.6.2;5.6.2 Netzaufbau;127
6.6.3;5.6.3 Ergebnisse und Fazit;130
6.7;5.7 Spielkarten sortieren;132
6.7.1;5.7.1 Ausgangssituation;132
6.7.2;5.7.2 Netzaufbau;134
6.7.3;5.7.3 Ergebnisse und Fazit;135
6.8;5.8 Zahlenrepräsentation;136
6.8.1;5.8.1 Ausgangssituation;136
6.8.2;5.8.2 Netzaufbau;139
6.8.3;5.8.3 Ergebnisse und Fazit;140
6.9;5.9 Übungsaufgaben;142
7;6 Datenauswertung;143
7.1;6.1 Übersicht und Lernziele;143
7.2;6.2 Einleitung;143
7.3;6.3 Visual-XSel;146
7.3.1;6.3.1 Datensatz einfu?gen und Dialogbox auswählen;147
7.3.2;6.3.2 Variablen auswählen;148
7.3.3;6.3.3 Modellparameter festlegen;151
7.3.4;6.3.4 Korrelationen der Datenanalyse u?berpru?fen;153
7.3.5;6.3.5 Modellgewichte berechnen lassen;155
7.3.6;6.3.6 Kennwerte der Datenauswertung interpretieren;158
7.3.7;6.3.7 Weitere Einstellungen;160
7.3.8;6.3.8 Ergebnisse der Datenauswertung graphisch darstellen;162
7.4;6.4 MemBrain;166
7.4.1;6.4.1 Units einfu?gen;167
7.4.2;6.4.2 Verbindungen erstellen;171
7.4.3;6.4.3 Datensatz erstellen oder einfu?gen;173
7.4.4;6.4.4 Lernregel auswählen;176
7.4.5;6.4.5 Gewichte initialisieren und trainieren;179
7.4.6;6.4.6 Trainiertes Netz u?berpru?fen;181
7.5;6.5 SPSS;184
7.5.1;6.5.1 Datensatz einfu?gen und Neuronale-Netze-Dialogbox auswählen;184
7.5.2;6.5.2 Variablen auswählen und Partitions-Datenblatt ausfu?llen;185
7.5.3;6.5.3 Netzwerkarchitektur und Trainingsoptionen festlegen;187
7.5.4;6.5.4 Ausgabeeinstellungen vornehmen und Vorhersagen speichern;189
7.5.5;6.5.5 Export und weitere Optionen vornehmen;191
7.6;6.6 Übungsaufgaben;192
8;Literaturverzeichnis;194
9;Sachverzeichnis und Die Autoren;200
3 Netztypen
3.1 Übersicht und Lernziele
Das dritte Kapitel stellt ausgewählte Netztypen vor und erörtert deren Funktionsweisen und Anwendungsmöglichkeiten. Gemeinsamkeiten und Unterschiede der einzelnen Netztypen sowie deren Vor- und Nachteile werden diskutiert. Folgende Lernziele sind Bestandteil dieses Kapitels:
- Nach welchen Gesichtspunkten kann man neuronale Netze klassifizieren?
- Welche verschiedenen Netztypen gibt es?
- Worin unterscheiden sich diese?
- Durch welche zentralen Eigenschaften kann man die einzelnen Netztypen charakterisieren?
3.2 Einleitung
Wie bereits im ersten Kapitel erwähnt gibt es nicht das neuronale Netz, sondern der Oberbegriff umfasst diverse Arten von z. T. sehr heterogenen Netztypen. Welcher Netztyp zum Einsatz gelangen sollte, ist von der spezifischen Problemstellung abhängig. Oftmals ist dabei simples Ausprobieren erforderlich, aber auch Genetische Algorithmen (siehe Exkurs: Genetische bzw. Evolutionäre Algorithmen) sowie die Erfahrung des „Netzwerkarchitekten“ können herangezogen werden, um den geeigneten Netztyp mit den entsprechenden Parametern auszuwählen.
Neuronale Netze lassen sich nach unterschiedlichen Gesichtspunkten klassifizieren. Eine Möglichkeit zur Unterteilung bieten die Lernregeln, die diese Netze verwenden. Dabei ist zumeist keine klare Zuordnung zwischen Netztyp und Lernregel möglich, da einige Netztypen auf dieselbe Lernregel zurückgreifen, während andere sich mit verschiedenen Lernregeln realisieren lassen. Andere Klassifikationsmöglichkeiten betreffen folgende Aspekte:
- Existenz von Hidden-Units (vorhanden vs. nicht vorhanden) - Art der Trainingsphase (supervised, unsupervised oder reinforcement learning)
- Existenz von Rückkopplungen (rekurrente Verbindungen von Neuronen zu anderen Einheiten derselben oder einer vorangegangenen Schicht)
- Einsatzgebiet des Netzes (z. B. Vorhersage, Klassifikation, dem Erkennen von Mustern, der assoziativen Speicherung von Informationen, der Optimierung usw.)
Jedoch führen auch diese Aspekte zumeist nicht zu einer klaren Zuordnung zu verschiedenen Netztypen. Auf den kommenden Seiten werden von den unzähligen Netztypen und deren Varianten folgende vorgestellt:
- Pattern Associator
- Rekurrente Netze
- Kompetitive Netze
- Kohonennetze
- Constraint-Satisfaction-Netze
