Neurocomputing Neurocomputing ist ein Teilgebiet der Informationsverarbeitung. Neurocomputing ist eine neue Technik in der Informationsverarbeitung. Es ist die erste Alternative zum programmed computing, welches die Informationsverarbeitung der letzten 45 Jahre beherrscht hat. Lösungen mit programmed computing beinhalten das Entwickeln von Algorithmen und/oder Regeln, die in einer Programmiersprache codiert werden. Mit den neuen Verfahren des neurocomputing (meist neuronale Netze, Entscheidungsbume oder Cluster Verfahren) müssen keine Algorithmen und Regeln ermittelt, getestet und codiert werden. Das reduziert den Softwareentwicklungsprozeß und erhöht die Softwarequalität. Das Entwickeln von Algorithmen und Regeln und deren Kodierung wird durch das Lernen des Sachverhalten aus Vergangenheitsdaten ersetzt. Diese Verfahren eignen sich besonders gut bei Problemstellungen, bei denen sich keine oder nur schwer Regeln ableiten lassen z.B. bei Kreditwürdigkeitsüberprüfungen, wo aus den Angaben zur Person (z.B. Alter, Geschlecht, Beruf, usw.) die Kreditwürdigkeit der Person prognostiziert werden soll. Industriell eingesetzt werden diese Verfahren im Rahmen von Data Mining Projekten. Data Mining Data Mining ist der Prozess, bei dem Muster, Regeln und Beziehungen in einer großen Datamengen gesucht werden. Verfahren die in der Lage sind, Muster oder Regeln aufspüren sind, abgesehen von den klassischen statistischen Verfahren, unteranderem neuronale Netze, Entscheidungsbume oder Cluster Verfahren. Eine eindeutige Definiton für Data Mining gibt es derzeit noch noch. Data Mining wird oft auch mit KDD (knowlwdge discovery in databases) bezeichnet. Die genaue Definition varriert von Autor zu Autor . Die Tendenz im Data Mining geht weg von der Verfahrenorientierten Lösungen hin zu Problemlösung. Das Verfahren, mit dem die Lösungsfindung erfolgt, spielt eine untergeordnete Rolle. Moderne Data Mining-Tools bieten deshalb ein ganzes Sammelsurium an Verfahren die zur Problemlösung eingesetzt werden können. Ein sehr schöne übersich über Data Mining Anwendungen ist in Mastering Data Mining von Michael J. A. Berry und Gorden S. Linoff zu finden siehe Literatur Feedforward neuronale Netze Der gebräuchlichste Typ von neuronalen Netzen sind sogenannte Feedforward Multilayer Perceptron (MLP), welche dem biologischen Prinzip der Reizauswertung nachempfunden sind. Ein MLP-Netz besteht aus Neuronen, die in Schichten strukturiert sind. Dabei ist jedes Neuron einer Schicht mit allen anderen Neuronen der nachfolgenden Schicht verbunden. Jede dieser Verbindung ist durch einen Wert (Gewicht) gekennzeichnet. Die Eingangsneuronen nehmen dabei Eingangswerte auf. Die Summe der Eingänge wird dann mit einer Transferfunktion verrechnet und das Ergebnis als Ausgang ausgegeben. Die Bestimmung der Gewichte, um das Ergebnis zu berechnen, erfolgt in zwei Schritten. Als erstes wird das neuronalen Netze mit historischen Daten (den sog. Trainingsdaten) trainiert. Dazu werden die gemessenen Parameter als Eingangssignale an die erste Neuronen-Schicht angelegt. Dieses Training ist ein iterativer Vorgang bei dem ein spezieller Algorithmus die Gewichte so einstellt, dass die Ausgangsschicht möglichst genau dem bekannten Ergebnis entspricht. Dabei wird der entstehende Fehler (berechnete Ausgabe und gewünschte Ausgabe) zur neuen Berechnung der Gewichte verwendet. Im zweiten Schritt werden dann Testdaten, deren Ergebniswerte dem Netz nicht mitgeteilt wurden, zum Test des trainierten Netzes verwendet. Sind die Gewichte bestimmt, ist das Neuronale Netz funktionsfähig und kann getestet werden. Die Stärke der neuronalen Netze liegt darin, dass sie auf das vorhandene Datenmaterial aufsetzen und es keiner "Linearisierung" der Daten und auch kein umfangreiches theoretisches Prozeßwissen bedarf. Die Anzahl der Eingangsparameter ist nahezu beliebig und hoch komplexe Zusammenhänge sind kein Problem sofern die Datenmenge und Güte für das Training ausreicht. Einführungen sind unter http://www.unet.univie.ac.at/~a9303347/nn/index.htm (deutsch) Uni Freiburg (deutsch) http://www.media.mit.edu/~nitin/classes/adaptive/NNtalk/index.htm zu finden.
Beim Shoppen anderen helefen! Tolle Seite - Tolle Idee!!
|