In diesem Video zeige ich euch die Bedeutung von Aktivierungsfunktionen in neuronalen Netzen. Nach einem kurzen Überblick über mögliche Aktivierungsfunktionen zeige ich, wie mit der ReLU Funktion eine einfache, logistische Funktion approximiert werden kann. Anschließend gebe ich ein Beispiel für eine komplexere Funktion mit vielen Minima und Maxima und wie dort die tanh Aktivierungsfunktion bessere Werte liefert. Abschließend gehe ich kurz auf die Bedeutung mehrerer Layer in neuronalen Netzen ein.
Timestamps:
0:00 Intro
0:27 Beispiele Aktivierungsfunktionen
0:48 Auswirkung der Aktivierungsfunktion
3:00 Simple Funktionsapproximation
4:44 Komplexere Funktionsapproximation
7:35 Auszug: Multiple Layer
7:51 Outro
Quellen:
Intro Bild: Ahmed Gad auf Pixabay (mit leichten Farbänderungen)
YT Video: But what is a neural network REALLY? (ua-cam.com/video/FBpPjjhJGhk/v-deo.html)
YT Video: Why Neural Networks can learn (almost) anything (ua-cam.com/video/0QczhVg5HaI/v-deo.html)
YT Video: But what is a neural network? | Chapter 1, Deep learning (ua-cam.com/video/aircAruvnKk/v-deo.html)
Stackoverflow: Komplexe Funktionsapproximation (stackoverflow.com/questions/51163411/keras-neural-network-function-approximation)
Machine Learning Bibliothek: keras (keras.io/)
Meine Webseite:
codingwithmagga.com/
Artikel auf meiner Webseite:
codingwithmagga.com/aktivierungsfunktionen-in-neuronalen-netzen/
Patreon:
patreon.com/CodingWithMagga
PayPal:
www.paypal.com/paypalme/codingwithmagga