Design Künstlicher Neuronaler Netze: Ein Leitfaden Zur Effizienten Handhabung Mehrschichtiger Perzeptrone

ISBN-13: 9783824408429 / Niemiecki / Miękka / 2005 / 159 str.

Janette F. Walde

Opis

Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung von Kunstlichen Neuronalen Netzen wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Starken und Schwachen von mehrschichtigen Perzeptronen, die zu dieser Modellierungsklasse zahlen. Sie vergleicht deren Performance mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitatsanalysen die wichtigen Inputvariablen und uberpruft die aufgezeigten nichtlinearen Zusammenhange auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der Kunstlichen Neuronalen Netze, namlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenubersteht."

Spis treści

Standardprobleme beim Einsatz von mehrschichtigen Perzeptronen Analyse von möglichen Softwareprodukten Klassifikation mit Hilfe des Regressionsansatzes Klassifikation mit Hilfe des wahrscheinlichkeitsbasierten Ansatzes Optimale Anzahl der verborgenen Neuronen

O autorze

Dr. Janette F. Walde ist Universitätsassistentin am Institut für Statistik der Fakultät für Sozial- und Wirtschaftswissenschaft der Universität Innsbruck.

Blurb

Künstliche Neuronale Netze (KNN) zählen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit großen Erwartungen hinsichtlich Prognosefähigkeiten und Erkenntnisgewinn verbunden.

Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.