Perceptron (Neuronale Netze)
1957 für tot erklärt, heute Grundbaustein jedes Deep-Learning-Modells. Hier in Aktion.
Was ist ein Perceptron?
Stell dir einen Türsteher vor einem exklusiven Club vor. Er schaut auf eine Checkliste mit verschiedenen Kriterien: Ist die Person auf der Gästeliste? Trägt sie angemessene Kleidung? Hat sie eine Einladung?
Jedes Kriterium hat eine unterschiedliche Wichtigkeit (Gewicht). Die Gästeliste zählt vielleicht mehr als die Kleidung. Der Türsteher addiert alle gewichteten Punkte zusammen und wenn die Summe über einem bestimmten Schwellenwert liegt, sagt er 'JA, rein!' - sonst 'NEIN, draußen bleiben!'. Genau so funktioniert ein Perceptron.
Analogie:
Stell dir einen Türsteher vor einem exklusiven Club vor. Er schaut auf eine Checkliste mit verschiedenen Kriterien: Ist die Person auf der Gästeliste? Trägt sie angemessene Kleidung? Hat sie eine Einladung?
Jedes Kriterium hat eine unterschiedliche Wichtigkeit (Gewicht). Die Gästeliste zählt vielleicht mehr als die Kleidung. Der Türsteher addiert alle gewichteten Punkte zusammen und wenn die Summe über einem bestimmten Schwellenwert liegt, sagt er 'JA, rein!' - sonst 'NEIN, draußen bleiben!'. Genau so funktioniert ein Perceptron.
Definition:
Das Perceptron ist ein binärer linearer Klassifikator, der 1957 von Frank Rosenblatt entwickelt wurde. Es nimmt mehrere Eingaben entgegen, multipliziert jede mit einem Gewicht, addiert diese Produkte zusammen mit einem Bias-Term und wendet eine Schwellenwert-Funktion an.
Mathematisch: y = σ(Σ wᵢxᵢ + b), wobei σ die Aktivierungsfunktion ist (typischerweise eine Stufenfunktion, die 1 zurückgibt wenn die Eingabe > 0 ist, sonst 0).
Interaktives Perceptron
Willkommen! Ein Perceptron ist das einfachste neuronale Netz - ein einzelnes künstliches Neuron. Es nimmt Eingaben (x₁, x₂), gewichtet sie (w₁, w₂), addiert einen Bias (b) und entscheidet dann: 1 oder 0.
Was auf dem Feld passiert
Ein einzelnes künstliches Neuron lernt, zwei Gruppen von Punkten zu trennen — allein indem es eine Grenze verschiebt. Hier steht, was du dabei auf dem Bild siehst.
- Was du siehst
- Ein quadratisches Feld mit Punkten in zwei Sorten: leere Kreise (○) und volle Kreise (●). Quer durch das Feld läuft eine gerade Linie — die Trennlinie. Sie teilt das Feld in zwei Hälften, eine für jede Sorte.
- Was passiert
- Bei jedem Lernschritt kippt und verschiebt sich die Linie ein Stück. Liegt ein Punkt auf der falschen Seite, dreht sie sich in seine Richtung. Nach und nach wandert die Linie in die Lage, in der beide Sorten sauber getrennt sind.
- Was du tun kannst
- Zieh die Linie mit der Maus an ihren beiden Griffen, oder lass das Neuron selbst lernen: Schritt für Schritt oder automatisch. Über den Regler stellst du das Tempo ein, und du kannst zwischen den Aufgaben AND, OR und XOR wechseln.
- Worauf du achtest
- So lernt das einfachste künstliche Neuron — nicht durch Nachdenken, sondern nur durch das Verschieben einer einzigen Grenze. Bei XOR gelingt das nie: keine gerade Linie kann diese Punkte trennen.
Klassifikationsebene
Klassifikationsebene: 1/4 Richtig klassifiziert, Genauigkeit 25%. w₁=0.50, w₂=0.50, Das Neuron bias=0.00.
Das Neuron
- w₁, w₂
- b
- Σ
- σ
Schau dir rechts das Neuron an: Eingaben fließen rein, werden gewichtet und summiert.
So funktioniert es
Das Perceptron ist das einfachste neuronale Netz - ein einzelnes künstliches Neuron. Es nimmt Eingaben entgegen, gewichtet sie, summiert sie auf und entscheidet dann: Ja (1) oder Nein (0).
Die Gewichte (w₁, w₂)
Gewichte bestimmen, wie wichtig jede Eingabe ist. Positive Gewichte verstärken, negative schwächen den Einfluss. Die Kombination der Gewichte bestimmt die Richtung der Trennlinie.
Der Bias (b)
Der Bias verschiebt die Trennlinie. Ein positiver Bias macht es leichter, 1 auszugeben; ein negativer macht es schwerer. Er ist wie ein 'Grundeinstellung' des Neurons.
Die Aktivierungsfunktion (σ)
Die Aktivierungsfunktion entscheidet final: Ist die gewichtete Summe größer als 0, gibt das Neuron 1 aus (feuert). Ist sie kleiner oder gleich 0, gibt es 0 aus (feuert nicht).
Perceptron erklärt
Das erste künstliche Neuron
Das Perceptron ist der Urahn aller neuronalen Netze. Es ist ein mathematisches Modell eines einzelnen Neurons, das 1957 von Frank Rosenblatt erfunden wurde. Trotz seiner Einfachheit enthält es alle fundamentalen Konzepte des maschinellen Lernens: Eingaben, Gewichte, Summation und Aktivierung.
Mathematische Grundlage
Das Perceptron berechnet eine gewichtete Summe seiner Eingaben: z = w₁x₁ + w₂x₂ + ... + wₙxₙ + b. Dabei sind x die Eingabewerte, w die Gewichte (die bestimmen, wie wichtig jede Eingabe ist), und b der Bias (eine Verschiebungskonstante). Die Ausgabe ist 1, wenn z > 0, sonst 0.
Was kann das Perceptron?
- Lineare Klassifikation: Trennung von zwei Klassen durch eine gerade Linie (oder Hyperebene)
- Logische Funktionen: AND und OR können perfekt dargestellt werden
- Einfache Mustererkennung: Kann zwischen zwei einfachen Mustern unterscheiden
Die fundamentale Grenze
Das Perceptron kann nur linear trennbare Probleme lösen. Das XOR-Problem (Exklusives Oder) ist das klassische Gegenbeispiel: Die Punkte liegen diagonal und können nicht durch eine einzelne gerade Linie getrennt werden. Diese Erkenntnis führte 1969 zum KI-Winter.
Lernregel
Das Perceptron lernt durch den Perceptron-Lernalgorithmus: Für jeden falsch klassifizierten Punkt werden die Gewichte angepasst: w_neu = w_alt + η × (y - ŷ) × x, wobei η die Lernrate ist, y das erwartete und ŷ das vorhergesagte Ergebnis.
Probiere es selbst aus! Bewege die Trennlinie in der Demo und beobachte, wie sich die Klassifikation ändert.
1943: Das McCulloch-Pitts-Neuron
Warren McCulloch und Walter Pitts legten mit ihrem Artikel "A Logical Calculus of Ideas Immanent in Nervous Activity" den Grundstein. Sie zeigten, dass Netzwerke aus einfachen Neuronen beliebige logische Funktionen berechnen können.
1957: Das Perceptron wird geboren
Frank Rosenblatt am Cornell Aeronautical Laboratory entwickelte das Perceptron. Die Mark I Perceptron-Maschine war ein Hardware-Gerät mit 400 Photozellen, das Buchstaben erkennen lernte. Die New York Times titelte enthusiastisch: "Embryo eines elektronischen Computers, der laufen, sprechen, sehen und schreiben wird."
1969: Das Buch "Perceptrons"
Marvin Minsky und Seymour Papert veröffentlichten ihr einflussreiches Buch "Perceptrons", das die fundamentalen Grenzen des Perceptrons mathematisch bewies. Die XOR-Unmöglichkeit war ein Schock für die KI-Forschung. Die Finanzierung wurde gekürzt - der KI-Winter begann.
Das Erbe des Perceptrons
Erst mit der Entwicklung von mehrschichtigen Netzwerken und dem Backpropagation-Algorithmus in den 1980er Jahren wurde die XOR-Grenze überwunden. Jedes moderne neuronale Netzwerk baut auf den Prinzipien des Perceptrons auf - es ist der Baustein aller tiefen Lernarchitekturen.
1
# Das Perceptron - Einfachstes neuronales Netz
2
funktion perceptron(eingaben):
3
# Zwei Eingabewerte: x₁ und x₂
4
gewichte = [w1, w2] # Wie wichtig ist jede Eingabe?
5
bias = b # Verschiebungswert (Schwellenwert)
6
7
für jede eingabe i in eingaben:
8
# Berechne gewichtete Summe
9
summe = summe + gewichte[i] * eingaben[i]
10
11
# Aktivierungsfunktion (Stufenfunktion)
12
wenn summe + bias > 0:
13
ausgabe = 1 # Neuron "feuert"
14
sonst:
15
ausgabe = 0 # Neuron "feuert nicht"
16
17
return ausgabe
18
19
# Lernregel: Gewichte anpassen
20
funktion trainiere(x, erwartete_ausgabe, lernrate):
21
für jedes trainingsbeispiel:
22
vorhersage = perceptron(x)
23
fehler = erwartete_ausgabe - vorhersage
24
# Gewichte in Richtung des Fehlers anpassen
25
gewichte[i] = gewichte[i] + lernrate * fehler * x[i]
26
bias = bias + lernrate * fehler
⚙️ Gewichte initialisieren
Starte mit zufälligen Gewichten (w₁, w₂) und einem Bias (b). Die Gewichte bestimmen, wie stark jede Eingabe die Entscheidung beeinflusst. Der Bias verschiebt die Entscheidungsgrenze.
gewichte = [w1, w2] # Wie wichtig ist jede Eingabe?
bias = b # Verschiebungswert (Schwellenwert)
📥 Eingabe
Das Perceptron erhält Eingabewerte (x₁, x₂). In der Demo sind das die Koordinaten eines Punktes. Jede Eingabe repräsentiert ein Merkmal (Feature).
⚖️ Gewichtung
Jede Eingabe wird mit einem Gewicht multipliziert. Positive Gewichte verstärken, negative schwächen den Einfluss. Die Gewichte werden beim Lernen angepasst.
➕ Summation
Alle gewichteten Eingaben werden zusammen mit dem Bias addiert: z = Σ(wᵢ × xᵢ) + b. Diese Summe ist der Netto-Input für das Neuron.
⚡ Aktivierung
Die Stufenfunktion (Heaviside) erzeugt eine binäre Ausgabe: 1 wenn z > 0, sonst 0. Dies entspricht der Entscheidung: Klasse 1 oder Klasse 0.
📤 Ausgabe
Die finale Klassifikation: 0 oder 1. In der Demo bedeutet das: blauer Bereich (○) oder orangener Bereich (●). Eine binäre Entscheidung.
Teste dein Wissen
Was macht ein Perceptron?
1. Was macht ein Perceptron?
- ☐ A) Es speichert große Datenmengen
- ☐ B) Es erzeugt zufällige Zahlen
- ☐ C) Es trennt Daten in zwei Klassen mit einer geraden Linie
- ☐ D) Es komprimiert Bilder
2. Was bewirken die Gewichte (w₁, w₂) im Perceptron?
- ☐ A) Sie messen die Geschwindigkeit des Lernens
- ☐ B) Sie bestimmen, wie wichtig jede Eingabe für die Entscheidung ist
- ☐ C) Sie speichern die Trainingsdaten
- ☐ D) Sie zählen die Anzahl der Eingaben
3. Warum kann ein einzelnes Perceptron das XOR-Problem nicht lösen?
- ☐ A) Weil XOR zu viele Eingaben hat
- ☐ B) Weil das Perceptron zu langsam rechnet
- ☐ C) Weil XOR nur mit Farben funktioniert
- ☐ D) Weil die gleichen Klassen diagonal liegen und keine gerade Linie sie trennen kann
4. In der Demo hast du die Trennlinie verschoben. Was passiert mit der Klassifikation, wenn du die Linie drehst?
- ☐ A) Punkte können von einer Klasse zur anderen wechseln
- ☐ B) Die Farben der Punkte ändern sich
- ☐ C) Die Punkte bewegen sich mit der Linie mit
- ☐ D) Neue Punkte erscheinen
5. Was war die historische Bedeutung der XOR-Entdeckung?
- ☐ A) Sie führte direkt zu ChatGPT
- ☐ B) Sie machte Perceptrons sofort populär
- ☐ C) Sie führte zum 'KI-Winter' - die Forschungsförderung wurde drastisch gekürzt
- ☐ D) Sie hatte keine Auswirkungen
Verwandte Inhalte
Artikel
Der Zündfunke: Aktivierungsfunktionen
Der eine kleine Knick in der Linie, ohne den neuronale Netze gar nichts lernen würden.
Die KI-Winter
Warum die Künstliche Intelligenz mehrfach abgeschrieben wurde, ohne sich darum zu scheren.
Das Herzstück des Lernens
Wie ein neuronales Netz seine Fehler nach Hause schickt — und alles unterwegs ein bisschen besser macht.
Bias & Datenqualität
Schlechte Daten in, schlechte KI out — mit der unangenehmen Pointe, dass es kein "perfekt fair" gibt.
Die Geburt der KI
Die ersten Jahre der KI — voller Optimismus, der ungefähr 15 Jahre lang anhielt.
Die Kettenregel: Verschachtelte Funktionen ableiten
Eine Mathe-Regel aus der Oberstufe, die die KI-Revolution erst möglich machte.
Computer Vision (CNNs): Wie Maschinen sehen lernten
Wie Maschinen Bilder lesen lernten und plötzlich Hunde von Katzen unterscheiden konnten — meistens.
Der Weg ins Tal: Gradientenabstieg
Wie Gradientenabstieg in einer Landschaft mit Millionen Hügeln den Tiefpunkt findet — meistens.
Das Netzwerk
Was die mittleren Schichten eines neuronalen Netzes lernen — und niemandem erklären können.
Die Knöpfe der Maschine — Parameter vs. Hyperparameter
Die feine Linie zwischen "von der Maschine gelernt" und "von dir geraten".
Lineare & Logistische Regression
Die mathematische Basis, auf die jeder Deep-Learning-Kurs erst nach drei Stunden eingeht.
Wie KI ihre Fehler misst: Loss-Funktionen
Loss-Funktionen sind die Schmerzgrenze eines Modells — ohne sie kein Lernen.
Datentabellen und Transformationen (Matrizen)
Das 2D-Zahlenraster, in dem jede ML-Bibliothek hauptsächlich denkt.
Programmieren vs. Trainieren
Wie sich das Programmieren veränderte, als man aufhörte, jede Regel selbst aufzuschreiben.
Wie gut ist dein Modell? Metriken, die wirklich zählen
Modelle bewerten ohne Selbstbetrug — Metriken, die nicht nur schmücken.
Wenn das Modell auswendig lernt (Overfitting)
Wie man bemerkt, dass das Modell nicht gelernt, sondern auswendig gepaukt hat.
Partielle Ableitungen & Der Gradient
Der Gradient: der Vektor, dem jede Optimierung folgt — bergab, hoffentlich.
Das künstliche Neuron
Frank Rosenblatts 1958er Idee, die nach 60 Jahren plötzlich wieder relevant wurde.
Zeit & Sequenzen (RNNs)
Die Architektur, die KI Gedächtnis gab — bevor jemand einen besseren Weg fand.
Supervised Learning — Lernen mit Lehrer
Supervised Learning: das ML-Paradigma, bei dem jemand vorher fleißig beschriftet hat.
Tensoren: Die Sprache der GPUs
Tensoren: der Begriff, der einschüchternder klingt, als die Sache ist.
Räume und Richtungen (Vektoren)
Warum man in der KI ständig mit Pfeilen im n-dimensionalen Raum hantiert.
Demo
Entscheidungsbaum
Interaktive Demo zum Entscheidungsbaum: Punkte setzen, Tiefe regeln, Splits live sehen und Overfitting erleben.
Gradient Descent
Interaktive Demo zum Verständnis von Gradient Descent: klicke einen Startpunkt auf die Verlustlandschaft, beobachte wie der Algorithmus ins Tal rollt, und experimentiere mit Lernrate und Optimierern.
K-Means Clustering
Interaktive Demo des K-Means Clustering Algorithmus mit Dr. Elana Vasquiz
Naive Bayes (Klassifikation)
Lerne den probabilistischen Klassifikator kennen, der Spam-Mails erkennt
Neuroevolution
Interaktive Demonstration von Neuroevolution: Neuronale Netze lernen durch evolutionäre Optimierung das Fahren auf einer Rennstrecke
Neural Network Playground
Klicke Schichten und Neuronen zusammen, wähle Datensatz und Aktivierungsfunktion und beobachte live, wie das Netz die Daten trennt.
Überwachtes Lernen
Begleite Sharlock Helmes bei seinem cleversten Fall: dem Erlernen der Unterscheidung zwischen echten Hinweisen und Moriattys raffinierten Ablenkungskanövern. Elementary, mein lieber Algorithmus!