Neuronale Netze und Deep Learning kapieren -- Der einfache Praxiseinstieg mit Beispielen in Python

Kapitel 4: Lernen in neuronalen Netzen: Gradientenabstieg

Der einzige relevante Test, um die Gültigkeit einer Hypothese zu bestätigen, ist der Vergleich der Vorhersage mit der Erfahrung.

– Milton Friedman, Essays in Positive Economics (University of Chicago Press, 1953)

In diesem Kapitel:

• Treffen neuronale Netze genaue Vorhersagen?

• Weshalb Fehler gemessen werden

• Hot und Cold Learning

• Richtung und Betrag der Gewichtsanpassung anhand des Fehlers berechnen

• Gradientenabstieg

• Lernen bedeutet nur, den Fehler zu verringern

• Wie man Ableitungen zum Lernen verwendet

• Divergenz und alpha

4.1  Vorhersagen, Vergleichen und Erlernen

In Kapitel 3 hast du ...