Neuronale Netze (Überwachtes Lernen)
Überwachtes Lernen — jemand muss vorher hingeschaut und beschriftet haben. Diese Person ist meist unterbezahlt.
Neuronale Netze (Überwachtes Lernen)
Analogie:
Definition:
Wie es funktioniert
Diese interaktive Demonstration zeigt überwachtes Lernen in Aktion. Sie stellen beschriftete Beispiele bereit (Hinweise vs. falsche Fährten), und das neuronale Netzwerk lernt, neue Beweise zu klassifizieren. Das System verwendet Backpropagation, um Gewichte anzupassen und seine Entscheidungsfindung im Laufe der Zeit zu verbessern.
Wichtige Parameter
- Lernrate:Steuert, wie schnell sich das Netzwerk an neue Informationen anpasst. Höhere Werte lernen schneller, können aber optimale Lösungen überschießen.
- Trainingsgeschwindigkeit:Bestimmt, wie viele Lernschritte pro Sekunde während des automatischen Trainings ausgeführt werden. Anpassen, um Lernmuster in unterschiedlichen Geschwindigkeiten zu beobachten.
- Beweis-Typen:Drei Kategorien: Hinweise (echte Beweise), Falsche Fährten (irreführende Spuren) und Ungewiss (unbeschriftete Daten zum Testen von Vorhersagen).
Visualisierungselemente
Die Demo bietet mehrere Wege, um zu verstehen, wie das neuronale Netzwerk Entscheidungen trifft und aus Ihren Daten lernt.
- Datenpunkte:Blaue Kreise stellen Hinweise dar, rote Kreise sind falsche Fährten, und graue Kreise zeigen ungewisse Beweise mit Vorhersage-Rändern.
- Entscheidungsgrenze:Die farbigen Bereiche zeigen, wo das Netzwerk Beweise als Hinweise (blau) oder falsche Fährten (rot) klassifizieren würde, wobei die Deckkraft die Konfidenz anzeigt.
- Neuronales Netzwerk:Visuelle Darstellung der 2-3-1 Netzwerkarchitektur, die Knoten, Verbindungen und Echtzeit-Gewichtsaktualisierungen während des Trainings zeigt.
Tipps für effektives Training
- Beginnen Sie mit einigen klaren Beispielen in jeder Kategorie, um grundlegende Muster zu etablieren.
- Fügen Sie ungewisse Punkte hinzu, um die Vorhersagen des Netzwerks bei unbeschrifteten Daten zu testen.
- Beobachten Sie die Genauigkeitsanzeige - sie sollte sich verbessern, wenn Sie mehr vielfältige Trainingsbeispiele hinzufügen.
- Experimentieren Sie mit verschiedenen Lernraten, um zu sehen, wie sie die Konvergenzgeschwindigkeit und -stabilität beeinflussen.
Interaktiver Scharlock Heims Trainingsplatz
Helfen Sie Scharlock Heims dabei zu lernen, echte Hinweise von falschen Fährten zu unterscheiden, indem Sie ein neuronales Netzwerk trainieren. Klicken Sie auf die Leinwand, um Datenpunkte hinzuzufügen, und beobachten Sie, wie das Netzwerk aus Ihren Beispielen lernt. Die untenstehende Visualisierung zeigt, wie Scharlocks künstliches neuronales Netzwerk Beweise verarbeitet: Eingabe-Neuronen empfangen Koordinaten, versteckte Neuronen analysieren Muster, und das Ausgabe-Neuron bestimmt, ob ein Beweis ein Hinweis oder eine falsche Fährte von Doktorant Moriatti ist.
Was auf dem Ermittlungsfeld zu sehen ist
Sharlock Helmes lernt hier, echte Hinweise von falschen Fährten zu unterscheiden — nicht nach festen Regeln, sondern aus bekannten Beispielen. Hier steht, was das Bild zeigt.
- Was du siehst
- Ein quadratisches Ermittlungsfeld, auf dem Punkte in zwei Klassen liegen: blaue Hinweise und rote falsche Fährten. Der Hintergrund ist als farbige Fläche eingefärbt und teilt das Feld in zwei Bereiche — einen blauen und einen roten. Dort, wo Blau in Rot übergeht, verläuft die Trennlinie. Rechts daneben zeigt ein kleines Diagramm das neuronale Netz, das diese Einteilung trifft.
- Was passiert
- Aus wenigen Punkten mit bekannter Antwort zieht das Modell eine erste grobe Grenze. Mit jedem Trainingsschritt verschiebt sich die farbige Fläche, bis die Trennlinie die blauen von den roten Punkten sauber scheidet. Je mehr Beispiele du gibst, desto schärfer und passender wird der Übergang zwischen den Farben.
- Was du tun kannst
- Wähle oben einen Beweis-Typ und setze per Klick neue Punkte aufs Feld. Trainiere in Einzelschritten oder automatisch, regle Lerntempo und Geschwindigkeit, oder lade einen fertigen Fall aus Sharlocks Fallakte. Reset leert das Feld.
- Worauf du achtest
- Überwachtes Lernen heißt: aus bekannten Beispielen mit Antwort eine Regel ziehen. Achte darauf, dass die Grenze am Ende auch neue, noch ungesetzte Punkte richtig einordnet — nicht nur die, aus denen sie gelernt hat.
Scharlocks Detektions-Labor
Beweis-Sammlung
Lernrate: 0.80
Trainingsgeschwindigkeit: 2 Schritte/Sekunde
Scharlocks Neuronales Deduktions-Netzwerk
Supervised Learning erklärt
Lernen mit Lehrer
Supervised Learning ist wie Lernen mit einem Lehrer: Das Modell erhält gelabelte Trainingsdaten - Beispiele mit der richtigen Antwort. Es lernt, Eingaben (Features) auf Ausgaben (Labels) abzubilden, indem es Muster in den Trainingsdaten erkennt.
Das Training erfolgt iterativ: Das Modell macht Vorhersagen, vergleicht sie mit den echten Labels, berechnet den Fehler, und passt seine Parameter an, um den Fehler zu minimieren. Dieser Prozess wiederholt sich bis das Modell gute Vorhersagen macht.
Klassifikation vs. Regression
Klassifikation: Vorhersage von Kategorien (z.B. Spam/nicht-Spam, Katze/Hund). Regression: Vorhersage von kontinuierlichen Werten (z.B. Hauspreise, Temperatur).
Vorteile
- Präzise Vorhersagen: Bei guten Trainingsdaten sehr akkurat
- Gut verstanden: Etablierte Methoden und Best Practices
- Messbare Performance: Klare Metriken (Accuracy, F1-Score, etc.)
- Breite Anwendbarkeit: Funktioniert für viele Problemtypen
Herausforderungen
Benötigt viele gelabelte Daten - das Labeln ist teuer und zeitaufwändig. Overfitting (zu gute Anpassung an Trainingsdaten) und Underfitting (zu simple Modelle) sind häufige Probleme. Datenqualität ist entscheidend.
Praktische Anwendungen
Bild und Spracherkennung, Spam-Filter, medizinische Diagnose, Kreditrisiko-Bewertung, Aktienpreis-Vorhersage, Empfehlungssysteme, und autonomes Fahren.
Probiere die Demo aus! Train ein Modell und sieh wie es aus Beispielen lernt.
1
# Überwachtes Lernen Algorithmus
2
funktion trainiere_modell(daten, labels):
3
# Hauptfunktion: Lernt Muster aus beschrifteten Daten
4
X, y = lade_daten() # Features und Zielwerte
5
X_train, X_test, y_train, y_test = teile_daten(80/20)
6
7
# Modell initialisieren
8
modell = erstelle_neuronales_netz(schichten=[100, 50, 10])
9
lernrate = 0.001, batch_größe = 32, epochen = 100
10
11
für jede epoche in epochen:
12
# Eine Epoche = Einmal durch alle Trainingsdaten
13
für jeden batch in trainingsdaten:
14
# Vorwärtspass: Vorhersagen machen
15
eingabe = batch.features
16
vorhersagen = modell.vorwärts(eingabe)
17
18
# Verlust berechnen: Wie falsch lagen wir?
19
verlust = berechne_fehler(vorhersagen, batch.labels)
20
21
# Rückwärtspass: Aus Fehlern lernen
22
gradienten = berechne_gradienten(verlust)
23
modell.aktualisiere_gewichte(gradienten, lernrate)
24
25
# Validierung: Wie gut sind wir?
26
val_vorhersagen = modell.vorhersage(X_val)
27
genauigkeit = berechne_genauigkeit(val_vorhersagen, y_val)
28
29
wenn genauigkeit > beste_genauigkeit:
30
speichere_modell('bestes_modell.pkl')
31
32
# Finale Testung auf ungesehenen Daten
33
test_genauigkeit = teste_modell(X_test, y_test)
34
return modell, test_genauigkeit
📊 Daten vorbereiten
Lade beschriftete Daten: Eingaben (X) und richtige Antworten (y). Teile in Trainings- (80%) und Testdaten (20%) auf, damit wir später testen können.
X, y = lade_daten() # Features und Zielwerte
X_train, X_test, y_train, y_test = teile_daten(80/20)
💾 Datensammlung
Sammle beschriftete Beispiele: Bilder mit Kategorien, Texte mit Sentiment, Zahlen mit Vorhersagen. Qualität der Daten bestimmt Erfolg!
🔧 Vorverarbeitung
Bereite Daten auf: Normalisierung (0-1 skalieren), Fehlende Werte füllen, Kategorien zu Zahlen. Saubere Daten = besseres Lernen.
🎓 Training
Iteratives Lernen: Zeige Beispiele, mache Vorhersagen, berechne Fehler, passe an. Wiederhole hunderte Male bis Modell gut ist.
📋 Validierung
Kontinuierliche Überprüfung während Training. Verhindert Überanpassung (Auswendiglernen). Früh stoppen wenn Validierung schlechter wird.
🚀 Einsatz
Trainiertes Modell in Produktion: Neue, ungesehene Daten vorhersagen. Überwache Leistung und trainiere bei Bedarf neu.
Überwachtes Lernen Quiz
Was ist das Hauptziel überwachten Lernens?
1. Was ist das Hauptziel überwachten Lernens?
- ☐ A) Muster in unbekannten Daten finden
- ☐ B) Vorhersagen basierend auf bekannten Beispielen treffen
- ☐ C) Daten ohne Zielvorgabe clustern
- ☐ D) Algorithmen selbst entwickeln lassen
2. Welche Art von Daten benötigt überwachtes Lernen?
- ☐ A) Nur Eingabedaten
- ☐ B) Nur Ausgabedaten
- ☐ C) Eingabe- und Zielausgabedaten (Labels)
- ☐ D) Keine spezifischen Daten
3. Was unterscheidet Klassifikation von Regression?
- ☐ A) Klassifikation arbeitet nur mit Zahlen
- ☐ B) Regression vorhersagt Kategorien, Klassifikation kontinuierliche Werte
- ☐ C) Klassifikation vorhersagt Kategorien, Regression kontinuierliche Werte
- ☐ D) Es gibt keinen Unterschied
4. Du trainierst ein Modell mit 1000 Katzenbildern und 10 Hundebildern. Was wird passieren?
- ☐ A) Das Modell wird perfekt funktionieren
- ☐ B) Das Modell wird fast alles als Katze klassifizieren
- ☐ C) Das Modell wird zufällig raten
- ☐ D) Das Modell wird nur Hunde erkennen
5. Warum heißt es 'überwachtes' Lernen?
- ☐ A) Weil ein Mensch beim Training zusehen muss
- ☐ B) Weil wir die richtigen Antworten vorgeben (Labels)
- ☐ C) Weil der Computer überwacht wird
- ☐ D) Weil es sehr langsam ist
6. In der Demo siehst du, dass dein trainiertes Modell bei Trainingsdaten 100% Genauigkeit hat, bei neuen Testdaten aber nur 60%. Was ist passiert?
- ☐ A) Das ist normal und erwünscht
- ☐ B) Das Modell hat Overfitting - es hat Trainingsdaten auswendig gelernt
- ☐ C) Die Testdaten sind fehlerhaft
- ☐ D) Das Modell braucht mehr Training
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.
Bayes & Bedingte Wahrscheinlichkeit
Bedingte Wahrscheinlichkeit: das Werkzeug, mit dem man Statistiker erkennt — sie rechnen anders nach.
Bias & Datenqualität
Schlechte Daten in, schlechte KI out — mit der unangenehmen Pointe, dass es kein "perfekt fair" gibt.
Lageparameter: Wo ist die Mitte?
Drei Wege, die "Mitte" der Daten zu finden — und die unterhaltsame Frage, welcher davon gerade unehrlich ist.
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.
Korrelation vs. Kausalität
Warum jeder Statistiker zuckt, wenn jemand "korreliert mit" sagt und "verursacht" meint.
Generative Bildmodelle (Diffusion)
Wie ein Algorithmus lernte, aus Schneerieseln Hunde zu generieren — mit der Geduld eines Mönchs.
Verteilungen: Die Form der Daten
Die Form der Daten erklärt — und warum eine Glockenkurve seltener ist, als man denkt.
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".
Lernen mit KI (Statt Schummeln)
Wie man eine KI als Lernpartner nutzt, statt als Spickzettel mit Internetzugang.
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.
Wahrscheinlichkeit & Erwartungswert
Erwartungswert: der Durchschnitt der Zukünfte, gewichtet nach Wahrscheinlichkeit.
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.
Transfer Learning & Fine-Tuning
Wie man ein KI-Modell für sich gewinnt, statt es selbst aufzuziehen — von Anfang an unbezahlbar.
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
Neural Network Playground
Klicke Schichten und Neuronen zusammen, wähle Datensatz und Aktivierungsfunktion und beobachte live, wie das Netz die Daten trennt.
Perceptron (Neuronale Netze)
Entdecke das erste künstliche Neuron - den Urknall des maschinellen Lernens aus dem Jahr 1957.
Q-Learning
Interaktive Demonstration des Q-Learning Algorithmus mit einem intelligenten Agenten im Tempel des Lernens