Einführung in Künstliche Neuronale Netzwerke!

No video

Einführung in Künstliche Neuronale Netzwerke!

Рет қаралды 11,409

Күн бұрын

Du möchtest wissen, was ein Künstliches Neuronales Netzwerk ist und welchen Zweck dieses hat?
In diesem Video geben wir dir eine Einführung zum Thema Künstliche Neuronale Netzwerke und erklären dir, was ein Künstliches Neuronales Netzwerk (KNN) eigentlich ist, wie dieses aufgebaut ist und für welche Zwecke es eingesetzt werden kann.
Dazu schauen wir uns zunächst an, was die Eigenschaften eines solchen Netzwerkes sind und wie die Architektur ausschaut. Im Anschluss erfährst du mehr darüber, wie ein Künstliches Neuronales Netzwerk trainiert wird und wie es funktioniert.
Zudem zeigen wir dir, welche verschiedenen Arten es von Künstlichen Neuronalen Netzwerken gibt und welche Eigenschaften diese haben. Zu den verschiedenen Arten zeigen wir dir vor allem das sogenannte Perceptron, Convolutional Neural Network (CNN), Recurrent Neural Network und Transformer an und zeigen anhand von Beispielen und Grafiken wie diese funktionieren.
Hat dir das Video gefallen? Abonniere doch gerne unseren Kanal, um weitere interessante Videos zum Thema Künstliche Intelligenz zu erhalten.
Einen passenden Artikel zu Künstlichen Neuronalen Netzwerken findest du auf unserer Website:
datasolut.com/neuronale-netzw...
Timecodes:
00:00 - Intro
02:10 - Aufbau von Künstlichen Neuronalen Netzwerken
03:10 - Training
04:15 - Architektur
04:25 - Perceptron
05:50 - Convolutional Neural Networks (CNN)
07:15 - Recurrent Neural Networks (RNN)
08:20 - Transformer
Internetpräsenz:
Unsere Website: datasolut.com
Facebook: / datasolut.offical
LinkedIn: / datasolut
Xing: www.xing.com/pages/datasolutgmbh
Pinterest: www.pinterest.ch/datasolut/

Пікірлер: 24

@m.lehmann6648 10 ай бұрын

Theoriebuch perfekt wiedergegeben ohne praktische Anschungs-Beispiele, trotzdem danke.

@datasolut 10 ай бұрын

Danke fürs Feedback!

@juliabremen2581 2 жыл бұрын

perfekt danke!

@datasolut 2 жыл бұрын

Gerne, freut uns!

@WitaliSchwarz 2 жыл бұрын

Sehr gut gemacht!!! für meinen geschmack genau die richtige mischung!!!

@datasolut Жыл бұрын

Freut mich, danke!

@esiebrunner2080 Ай бұрын

wie wäre es mit ein paar Beispiele???

@datasolut Ай бұрын

Gute Idee! 👍🏻

@jugibur2117 Жыл бұрын

Danke für die Erklärungen, auch wenn ich zugeben muss, dass es für mich trotzdem irgendwie "magisch" bleibt, gerade wenn ich mir z.B. die Ergebnisse und Fähigkeiten von ChatGTP oder MidJourney ansehe. Letzteres kann ja geradezu künstlerisch anspruchsvolle / ausgefeilte / originelle Werke erschaffen, sogar mit Objekten, die sich im Wasser spiegeln, korrekten Lichtern und Schatten, sowie abnehmende Tiefenschärfe wie bei einem Objektiv. Eine Frage dazu: Liegen diese phänomenalen Ergebnisse nur an den Trainingsdaten oder gibt es doch noch andere spezielle "Zutaten", so dass Konkurrenten womöglich niemals an diese Klasse heranreichen können? Könnte also z.B. DALL-E wiederum durch die Ergebnisse von MidJourney dazulernen? Ich habe so etwas als Modell bei Stable Diffusion gesehen, allerdings waren die Ergebnisse immer noch bescheiden im Vergleich.

@datasolut Жыл бұрын

Danke für dein Interesse und Feedback! Die beeindruckenden Ergebnisse dieser neuen Deep Learning-basierten Tools beruhen wohl hauptsächlich auf drei Faktoren: große Mengen an qualitativ hochwertigen Trainingsdaten, dem Einsatz von immens viel Rechenpower zum Training und natürlich auf dem geschickten Design der verwendeten NN-Architektur. Diese Architektur ist die "spezielle Zutat", die z.B. bei MidJourney zu ästhetisch ansprechenderen Bildern führt. Das Feintuning anderer Modelle auf Midjourney-Bildern kann dabei helfen, diesen Stil zu imitieren. Trotzdem wird wegen der unterschiedlichen Architektur der Output der anderen Modelle dadurch nicht genau den Stil von Midjourney erreichen und "bescheidener" bleiben. VG Lukas

@Akililedjeli 9 ай бұрын

Hallo Wissen sie bitte wie man auf Daten, die vom machinen learning trainiert werden, kommt? Ich muss öffentlichen Daten verschiedener industrieller prozesse suchen.

@datasolut 9 ай бұрын

Grundsätzlich gibt es auf kaggle.com viele öffentliche Datensätze.

@tradingtradingchampion108 3 жыл бұрын

Vielleicht sollten Sie im nächsten Video mal etwas komplexer auf die Architektur von Künstlichen Neuronalen Netzen eingehen, auch wenn das langwierig und vielleicht manchmal langweilig erscheint.

@datasolut 3 жыл бұрын

Hey, das können wir gerne mal machen. Es ist immer eine Gratwanderung: zwischen zu komplex und zu easy. Danke für ihr / dein Feedback!

@WitaliSchwarz 2 жыл бұрын

@@datasolut gibt es zu komplex??? XD

@user-ms7ob9rs5i 9 ай бұрын

das ist alles sehr schön. Mich interessiert die Art der Programmierung und. Eine Maschine kann nicht lernen. Die hat nur einen recht grossen Speicher.

@datasolut 9 ай бұрын

Schau doch einfach mal in unseren Tutorials nach. Wir haben einige Beispiele mit Programmierung und dem Code dazu. Vg

@simsalaanimationen4247 Жыл бұрын

Ein Generator versucht Bilder zu erzeugen die täuschend echt aussehen. Doch wie wurde die Grundlage dafür aufgebaut? Hat er Bereits Bilder eingespeist, die dann überlappt werden oder macht irgend einen Mischmasch aus dem was er schon gelernt hat? Denn irgendwo muss das ganze ja erst anfangen. Der Diskriminator versucht die Echtheit der Bilder zu erkennen? Wer überprüft das? Gibt der Generator dann die Antwort drauf ob es richtig oder falsch war , was der Diskriminator geantwortet hat?

@datasolut Жыл бұрын

Es gibt bereits vortrainierte Modelle, die auf Millionen von Bildern trainiert wurden. Diese kann man in einem Transfer Learning Verfahren nutzen und auf einige Anwendungen trainieren.

@urimtefiki226 Жыл бұрын

Versuchen die Neurale Netwzverke mit deutsche Sprache 10 6 16 4 13 9 14 7 11 8 12 1 2 5 15 3 replace the numbers with articles as follow: der die das die des der des der dem der dem den den die das die

@datasolut Жыл бұрын

😁

@siegfrieddyroff9898 7 ай бұрын

das versteht kein normaler Mensch !

@datasolut 7 ай бұрын

Vielleicht sprechen meine Neuronen eine exklusive Sprache! 🧠😄 Spaß beiseite, wenn du Fragen hast, stehe ich zur Verfügung, um das Ganze zu entschlüsseln!