Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- kuenstliche_intelligenz [2024/01/21 09:29] – [Neuronale Netze] torsten.roehl
+++ kuenstliche_intelligenz [2024/01/21 09:34] (aktuell) – [Hopfield Netz] torsten.roehl
@@ Zeile 10: / Zeile 10: @@
 ===== Neuronale Netze =====
+==== Grundlagen ====
@@ Zeile 21: / Zeile 22: @@
 |[[Anwendungen Neuronaler Netze]] |Anwendungen Neuronaler Netze |Die Anwendungsmöglichkeiten neuronaler Netze sind vielfältig. Die untenstehende kleine Liste vermittelt ein Bild von den Einsatzmöglichkeiten neuronaler Netze in Forschung und Industrie, Medizin,  Marketing, Telekommunikation und anderen Gebieten. |
 | [[History in a nutshell]]|History in a nutshell |Diese sehr kurze Übersicht über die Geschichte der neuronalen Netze soll hauptsächlich von Personen und deren Leistungen erzählen, die in den noch folgenden Lernabschnitten zu neuronalen Netzen besprochen werden. |
+==== Hopfield Netz  ====
+^☛ ^Thema^Beschreibung^
+| [[Wieso, weshalb warum? - Das Hopfield Netz]] | Wieso, weshalb warum? - Das Hopfield Netz |Das Hopfield-Netz ist eine besondere Form eines künstlichen neuronalen Netzes. Dieses Netzwerk wurde 1982  von dem Physiker John Hopfield entwickelt. Eine der Hauptanwendungen von Hopfieldnetzen ist die Fähigkeit dieser Netze, als autoassoziativer Speicher zu wirken. Deswegen erklären wir erst einmal was ein (auto)assoziativer Speicher ist.|
+|[[Aufbau des Hopfield-Netzes ]] |Aufbau des Hopfield-Netzes  |Hopfield-Netze sind sogenannt Feedback-Netze (Netze mit Rückkopplung). Bei einem Hopfield-Netz existiert nur eine Schicht, die gleichzeitig als Ein- und Ausgabeschicht ist. Die Gewichte \(w_{ij} \) sind symmetrisch, außerdem sind alle \(w_{ii} = 0\). |
+|[[Lernen in Hopfield-Netzen ]] |Lernen in Hopfield-Netzen |Um verstehen zu können, wie ein Hopfieldnetz Muster lernt,  benutzen wir ein besonders einfaches Netz mit lediglich 4 Neuronen.  Wir wollen, dass das Hopfield-Netz  zwei einfache Bilder lernen soll. Schwarze Pixel werden mit 1,  weiße mit -1 kodiert.  Anschießend zeigen wir,  dass  das Netzwerk, nachdem es die Muster gelernt hat, diese auch wiedererkennen kann. |
+|[[Aufgabenbeispiel ]] |Aufgabenbeispiel |Um das Hopfield-Netz in Aktion erleben zu können, verwenden wir es als autoassoziativen Speicher von Bildern.|
 weitere Themen...