Künstliche Neuronale Netze (KNN)

Einige Beispiele für KNN

1. Ein populärer Ansatz sind hier z. B. Convolutional Neural Nets (CNNs – faltende neuronale Netze), die spezielle Filter- und Pooling-Schichten verwenden. Sie eignen sich besonders für strukturierte Daten wie Bilder oder Zeitreihen. Sie erfassen deren räumliche oder zeitliche Abhängigkeiten und reduzieren dabei die Anzahl der Parameter des Netzes.
2. Recurrent Neural Nets (RNNs – rekurrente neuronale Netze) nutzen zirkuläre Verbindungen, und sind so z. B. für die Verarbeitung von Zeitreihendaten oder sequenziellen Daten geeignet. Noch modernere Architekturen verwenden Mechanismen wie Attention (Aufmerksamkeit), um Netze mit vielen Parametern trainieren zu können.
3. Oder sie versuchen geometrische Zusammenhänge, wie z. B. in Graphen, direkt in der Struktur abzubilden (Graph Neural Networks, Graf-Neuronale Netze). Diese verschiedenen Formen von maschinellen Lernprozessen zeigen die Komplexität des Betrachtungsgegenstands auf.