Klassifikation

Wir wollen nun ein neuronales Netz untersuchen, das folgende Klassifikationsaufgabe lösen soll:

Die Aufgabe lautet, Schwarz-Weiß-Bilder bestehend aus 16 x 16 Pixel zu analysieren und eine Rückmeldung zu geben, ob es sich um einen Kreis (bzw. Buchstabe O) oder um ein Kreuz (bzw. Buchstabe X) handelt.

Wie wir bereits gelernt haben, können Schwarz-Weiß-Bilder als Eingangssignal eines neuronalen Netzes interpretiert werden. Ein neuronales Netz, um die genannte Klassifikationsaufgabe zu lösen, kann daher folgendermaßen aufgebaut werden:

Die 256 Neuronen der Eingangsschicht dienen dazu, das Eingangssignal eines 16 x 16 Schwarz-Weiß-Bildes zu verarbeiten. Es folgt eine Schicht bestehend aus vier Neuronen sowie die Ausgangsschicht mit Neuron A und Neuron B. Die Bedeutung der Ausgangsneuron muss jedoch eindeutig definiert werden:

Falls das Ausgangsneuron A aktiviert ist, dann wurde das Eingangssignal als Kreis erkannt.
Falls das Ausgangsneuron B aktiviert ist, dann wurde das Eingangssignal als Kreuz erkannt.

Damit haben ein Modell aufgebaut, um die Aufgabe zumindest theoretisch lösen zu können.

Wie gut das neuronale Netz die genannte Klassifikationsaufgabe tatsächlich lösen kann, hängt dabei vor allem davon ab, ob die Gewichte und Schwellwerte sinnvoll gewählt wurden.

Wie es funktionieren kann, demonstriert die folgende Anwendung. Dabei wurden die Gewichte und Schwellwerte bereits bezüglich der geforderten Aufgabe gewählt. Man spricht davon, dass das KI-Modell trainiert wurde.

Anwendung
Zeichne einen Kreis oder ein Kreuz und werte das zugehörige Eingangssignal aus. Zurückgegeben werden die Zustände bzw. Werte der Neuronen A und B.
Aufgabe

Mache dich mit der Anwendung zuvor vertraut. Zeichne diverse Kreise und Kreuze und führe eine Strichliste darüber, ob die jeweiligen Objekte eindeutig erkannt wurden bzw. nicht eindeutig erkannt wurden.

Tragt eure Ergebnisse zusammen und diskutiert darüber, ob das neuronale Netz die geforderte Klassifikationsaufgabe gut lösen kann oder nicht.

Quiz
Zusammenfassung