5. Anwendung

In den vergangenen Kapiteln haben wir einen Überblick über künstliche neuronale Netze gewonnen und gelernt, dass diese Zahlen als Eingabe empfangen und Zahlen als Ausgabe produzieren. Auch haben wir kennengelernt, wie neuronale Netze im Kern funktionieren, und ein Gespür dafür bekommen, dass der Fehler eines neuronalen Netzes ein zentrales Thema beim Training des Netzes ist. Daher sind wir nun in der Lage, selbst mit dem Online-Machine-Learning-Tool neuronale Netze zu erstellen, mit eigenen Daten zu trainieren und die Performance des Netzes im Anschluss zu testen und zu beurteilen. 

Dennoch lohnt sich jetzt oder später der Blick über das bisher Gelernte hinaus. In diesem Kapitel geht es um Zusatzinformationen, die unser bisheriges Verständnis vertiefen, und es geht um die Fragen, wie neuronale Netze eigentlich Bilder, Audio und Text verarbeiten bzw. wie man diese so in Zahlen umwandelt, dass ein neuronales Netz damit vernünftig arbeiten kann. 

Den Start macht ein Rückblick auf das Einstiegsbeispiel zur Vorhersage der Überlebenschance auf der Titanic, eine Klassifikation von Zahlen, wie wir sie auch in den übrigen Lerneinheiten kennengelernt haben. Auch die Beispiele auf der Seite des Online-Machine-Learning-Tools fallen allesamt in diese Kategorie „der Zahlen“. Nachdem wir uns mit einigen Grundsatzüberlegungen zu Datenaufbereitung, Datensatzgröße, Bias und weiteren auseinandergesetzt haben, beschäftigen wir uns damit, wie Texte, Bilder und Audiodateien in Zahlenwerte umgewandelt werden. Zuletzt lernen wir mit dem Autoencoder ein speziell aufgebautes neuronales Netz kennen, das unüberwacht lernt, die Ausgabe aus der Eingabe zu rekonstruieren – ein Funktionsprinzip, das bei der Bildgenerierung zum Einsatz kommt.