Neuroinformatik

Einführung

Die Neuroinformatik ist ein Teilgebiet der Informatik und der Neurobiologie, das sich mit der Informationsverarbeitung in neuronalen Systemen befasst, um diese in technischen Systemen anzuwenden.

Interdisziplinarität

Bei der Neuroinformatik handelt es sich um ein stark interdisziplinäres Forschungsgebiet im Schnittbereich zwischen KI-Forschung und Kognitionswissenschaft. In der Neuroinformatik geht es, ähnlich der neuronalen KI, um die innere Arbeitsweise des Gehirns.

Biologische Neuronale Netze - BNN

Dessen Arbeitsweise wird untersucht, indem man seine Grundbausteine, Neuronen und Synapsen, und deren Verschaltung simuliert.

Verwandte wissenschaftliche Gebiete

Die Neuroinformatik ist ein Nachbargebiet der Computational Neuroscience, welche sich als Teilgebiet der Neurobiologie mit dem Verständnis biologischer neuronaler Systeme mittels mathematischer Modelle beschäftigt. Sie ist ferner zu unterscheiden von der im englischen Sprachraum als Neuroinformatics bezeichneten Disziplin, die sich mit der Organisation neurowissenschaftlicher Daten durch informatische Methoden beschäftigt.

Anwendungsgebiete

Neuronale Methoden werden vor allem dann eingesetzt, wenn es darum geht, aus schlechten oder verrauschten Daten Informationen zu gewinnen, aber auch Algorithmen, die sich neuen Situationen anpassen, also lernen, sind typisch für die Neuroinformatik.

Lernverfahren in der Neuroinformatik

In der Neuroinformatik unterscheidet man grundsätzlich überwachtes Lernen und unüberwachtes Lernen, ein Kompromiss zwischen beiden Techniken ist das Reinforcement-Lernen.

Assoziativspeicher

Assoziativspeicher sind eine besondere Anwendung neuronaler Methoden, und damit oft Forschungsgegenstand der Neuroinformatik.

Mustererkennung

Viele Anwendungen für künstliche neuronale Netze finden sich auch in der Mustererkennung und vor allem im Bildverstehen.

Aufgaben

• Definieren den Begriff "Lernen"!
• Wie wird der Begriff in unterschiedlichen Disziplinen verwendet (Erziehungswissenschaften, Maschinelles Lernen, Lernen im Tierreich, Erlernen von Fertigkeiten, Bewegungsabläufen, ...)? Welche Unterschiede und Gemeinsamkeiten gibt bei den Begriffsdefinitionen von Lernen.

Biologische Grundlagen neuronaler Netze

Nervenzelle - Neuron

Nervenzellen finden sich im Körper aller Gewebetiere und werden als die funktionellen Grundeinheiten ihres Nervensystems aufgefasst.

Synapsen - Verbindungen zwischen Neuronen

Neuronen sind mit anderen Neuronen über Synapsen verbunden. So entsteht ein Netzwerk aus Nervenzellen (i.e. neuronales Netz).

Netzwerkschichten

Ein neuronales Netz kann in Netzwerkschichten angeordnet sein. In jeder Schicht findet z.B. eine bestimmte Informationsverarbeitung statt und dann wird das Ergebnis der Verarbeitung ggf. an eine weitere Netzwerkschicht weitergeleitet (siehe Feedforward-Netze

Aufbau von Nervenzellen - Neuronen

Ein typisches Neuron besteht aus drei Anteilen:

• afferente Zellfortsätze, Dendriten genannt und als Dendritenbaum verzweigt
• integrierender Zellkörper, Perikaryon genannt
• efferenter Zellfortsatz, Neurit oder auch Axon genannt, mit Abzweigungen (Kollaterale) und Aufzweigungen (Telodendron)

Graue Substanz

In einem Gehirn bilden die meist graubraunen Nervenzellkörper – als Ansammlung von Perikarya an ähnlichem Ort auch Kerne genannt – die sogenannte graue Substanz.

Graue Substanz

Die helleren myelinisierten Nervenzellfortsätze – als Faserbündel von Axonen mit ähnlichem Verlauf auch Bahnen genannt – die sogenannte weiße Substanz. Die Dendritenbäume sind unterschiedlich stark verzweigt in der Nachbarschaft ausgebreitet und bilden so keinen makroskopisch auffälligen Aspekt.

Informationsübertragung

Neuronen sind über Synapsen miteinander verknüpft an den Stellen, wo die Erregung von einem Neuron auf ein anderes übertragen wird. Das elektrische Signal wird dabei selten direkt weitergegeben, sondern meist mithilfe eines Neurotransmitters über den 20–30 nm synaptischen Spalt getragen.

Erregende und hemmende neuronale Verbindungen

Bei solchen chemischen Synapsen unterscheidet man nach der Antwort der nachgeordneten (postsynaptischen) Zelle erregende exzitatorische von hemmenden inhibitorischen Synapsen.

Membranpotential und Reizschwelle

In einer Nervenzelle werden die durch verschiedene Synapsen hervorgerufenen Membranpotentialveränderungen (postsynaptische Potentiale) über dem Zellkörper summiert und am Axonhügel verrechnet. Wird dabei eine bestimmte Reizschwelle überschritten, so wird im Neuron ein Aktionspotential ausgelöst, das über sein Axon weitergeleitet wird.

Modellierung neuronaler Netze

Es gibt viele verschiedene Modelle, um Neuronale Netze zu modellieren. Ein Ansatz ist dabei, eine Reihe künstlicher Neuronen zu einem Netzwerk zu verschalten. Diese Neuronen können dabei je nach Fragestellung unterschiedlich nah an den biologischen Gegebenheiten orientiert sein. Es gibt aber auch viele andere Arten künstlicher neuronaler Netze:

Netze mit Lehrer

• Perzeptron (Frank Rosenblatt) und vor allem das Multi-Layer-Perzeptron (MLP)
• Hetero-Assoziative-Netze
• Backpropagation
• Radiale-Basisfunktionen-Netze

Netze mit Konkurrenz

• Selbstorganisierende Karten (werden auch als Kohonenkarten, nach Teuvo Kohonen, bezeichnet)
• K-Means Clusteranalyse
• Lernende Vektorquantisierung (LVQ)
• Adaptive Resonanz Theorie (ART)

Netze mit Rückkopplung

• Hopfield-Netze (John Hopfield)
• Auto-Assoziation
• Boltzmann-Maschine (Terrence J. Sejnowski, Geoffrey Hinton)

Literatur

• Russell Beale, Tom Jackson: Neural Computing. An Introduction. Adam Hilger, Bristol u. a. 1990, ISBN 0-85274-262-2.
• Simon Haykin: Neural Networks. A Comprehensive Foundation. 2nd edition. Prentice Hall, Upper Saddle River NJ 1999, ISBN 0-13-273350-1.
• John Hertz, Anders Krogh, Richard G. Palmer: Introduction to the Theory of Neural Computation (= Santa Fe Institute Studies in the Sciences of Complexity. Lecture Notes. 1). Addison-Wesley, Redwood City CA u. a. 1991, ISBN 0-201-51560-1.
• Christof Koch: Biophysics of Computation. Information Processing in Single Neurons. Oxford University Press, New York NY 1999, ISBN 0-19-976055-1.
• Burkhard Lenze: Einführung in die Mathematik neuronaler Netze. 3., durchgesehene und überarbeitete Auflage. Logos, Berlin 2009, ISBN 978-3-89722-021-8.
• Raúl Rojas: Theorie der neuronalen Netze. Eine systematische Einführung. 4., korrigierter Nachdruck. Springer, Berlin u. a. 1996, ISBN 3-540-56353-9 (englische Ausgabe online).
• Philip D. Wasserman: Advanced methods in neural Computing. Van Nostrand Reinhold, New York NY 1993, ISBN 0-442-00461-3.
• Andreas Zell: Simulation neuronaler Netze. Addison-Wesley, Bonn u. a. 1994, ISBN 3-89319-554-8 (Zugleich: Stuttgart, Universität, Habilitations-Schrift, 1994).
• Peter-Michael Ziegler: IBM will das Gehirn nachbauen. heise. 2008. Abgerufen am 2. April 2014..

Siehe auch

• Kurs:Maschinelles Lernen
• Digitale Lernumgebung

Weblinks

• Literatur von und über Neuroinformatik im Katalog der Deutschen Nationalbibliothek
• Beispiele: HTW Dresden – eine Menge studentische Arbeiten zu verschiedenen Themen.

Seiteninformation

Diese Lernresource können Sie als Wiki2Reveal-Foliensatz darstellen.

Wiki2Reveal

Dieser Wiki2Reveal Foliensatz wurde für den Lerneinheit Kurs:Maschinelles Lernen' erstellt der Link für die Wiki2Reveal-Folien wurde mit dem Wiki2Reveal-Linkgenerator erstellt.

• Die Seite wurde als Dokumententyp PanDocElectron-SLIDE erstellt.
• Link zur Quelle in Wikiversity: https://de.wikiversity.org/wiki/Neuroinformatik
• siehe auch weitere Informationen zu Wiki2Reveal und unter Wiki2Reveal-Linkgenerator.

Wikipedia2Wikiversity

Diese Seite wurde auf Basis der folgenden Wikipedia-Quelle erstellt:

• Neuroinformatik https://de.wikipedia.org/wiki/Neuroinformatik
• Datum: 29.4.2024
• Wikipedia2Wikiversity-Konverter: https://niebert.github.io/Wikipedia2Wikiversity