Ein neuronales Netzwerk ist ein Verfahren des maschinellen Lernens, das Zusammenhänge und Muster in Daten erkennen kann. Es besteht aus vielen miteinander verbundenen Recheneinheiten, die vereinfacht als künstliche Neuronen bezeichnet werden. Diese sind meist in mehreren Schichten angeordnet: einer Eingabeschicht, einer oder mehreren Zwischenschichten und einer Ausgabeschicht.

Beim Training erhält das Netzwerk Beispiele und passt seine internen Parameter, sogenannte Gewichte und Bias-Werte, schrittweise an. Vereinfacht gesagt lernt es dadurch, welche Merkmale für eine bestimmte Aufgabe wichtig sind. Bei der Bilderkennung können frühe Verarbeitungsschritte beispielsweise einfache Strukturen erfassen, während spätere Schichten komplexere Zusammenhänge daraus ableiten. Am Ende kann das Netzwerk etwa entscheiden, zu welcher Kategorie ein Bild wahrscheinlich gehört.

Der Begriff geht auf eine grobe Inspiration durch biologische Nervensysteme zurück. Künstliche neuronale Netzwerke bilden das menschliche Gehirn jedoch nicht realistisch nach. Sie sind mathematische Modelle und besitzen weder biologische Nervenzellen noch menschliches Verständnis.

Neuronale Netzwerke bilden die technische Grundlage vieler Deep-Learning-Verfahren und werden unter anderem für Bild- und Spracherkennung, Textverarbeitung und Prognosen eingesetzt. Besonders tiefe Netzwerke bestehen aus zahlreichen Verarbeitungsschichten. Ihre Leistungsfähigkeit hängt jedoch stark von Trainingsdaten, Architektur und Trainingsverfahren ab. Auch ein umfangreiches neuronales Netzwerk kann deshalb falsche oder verzerrte Ergebnisse liefern.

Quellen:
▪︎ Stanford University: CS231n – Deep Learning for Computer Vision
▪︎ IBM: What Is a Neural Network?
▪︎ IBM: What is Machine Learning?