Was ist ein Feedforward-Neuronales Netz?
Ein vorwärts gerichtetes neuronales Netzwerk ist eine Art neuronales Netzwerk, bei dem die Einheitenverbindungen nicht in einer Schleife, sondern in einem einzigen gerichteten Pfad verlaufen. Dies unterscheidet sich von einem wiederkehrenden neuronalen Netzwerk, in dem Informationen im gesamten System sowohl vorwärts als auch rückwärts verschoben werden können. Ein neuronales Feedforward-Netzwerk ist möglicherweise der häufigste Typ eines neuronalen Netzwerks, da es am einfachsten zu verstehen und zu konfigurieren ist. Diese Arten von neuronalen Netzen werden im Data Mining und in anderen Forschungsbereichen verwendet, in denen prädiktives Verhalten erforderlich ist.
Ein neuronales Netzwerk ist ein künstliches Intelligenznetzwerk, das die Denkprozesse eines menschlichen Gehirns lose imitieren soll. Durch das Einspeisen von Datenketten in das Netzwerk erhält der Computer die Möglichkeit, die durch ihn fließenden Muster zu "lernen" und so die richtigen Antworten zu identifizieren und Trendanalysen durchzuführen. Sie werden bei Aufgaben verwendet, bei denen ein gewisses Maß an Lern- und Mustererkennung erforderlich ist, beispielsweise bei Data Mining-Vorgängen. Data Mining ist einfach die Analyse von Trends aus einer Sammlung von Informationen, z. B. die Analyse von Verbraucherkauftrends und Börsenentwicklungen.
Informationen, die durch ein vorwärts gerichtetes neuronales Netzwerk übertragen werden, gelangen in die Eingabeebene, durchlaufen die verborgene Ebene und treten aus der äußeren Ebene des Netzwerks aus, wodurch der Endbenutzer eine Antwort auf seine Anfrage erhält. Eine Eingabeebene ist einfach der Ort, an dem der Benutzer die Rohdaten oder Parameter der Informationen eingibt. Das Fleisch der Transaktion spielt sich in der verborgenen Ebene ab, in der der Computer auf seine "Erfahrung" im Umgang mit ähnlichen Daten zurückgreift, um eine geschätzte Antwort zu erhalten. Die Informationen werden über die Ausgabeebene übertragen, wo eine Antwort an den Endbenutzer zurückgesendet wird.
Ein neuronales Feedforward-Netzwerk wird in der Regel effizienter, wenn der Endbenutzer ihm immer mehr experimentelle Daten zur Verfügung stellt. Ähnlich wie bei der Berechnung eines Durchschnitts wird durch die Verwendung einer großen Anzahl von Testereignissen ein genaueres Ergebnis erzielt. Beispielsweise beträgt die Wahrscheinlichkeit, eine "1" auf einem sechsseitigen Würfel zu würfeln, 16,667 Prozent. Es dauert jedoch Hunderte oder Tausende von Simulationen, bis der berechnete Durchschnitt durch die Verwendung realer Daten bestätigt wird. Feedforward neuronale Netze sind die gleichen; Ihre Antworten werden mit der Zeit und Erfahrung genauer.