Was ist ein Neuronales Netz?
Neuronen, Gewichte, Bias und Aktivierungsfunktionen — interaktiv erklärt.
👋 HerrKI hier — heute öffnen wir die Blackbox: das Neuron
Du weißt jetzt, wie Daten zu Tensoren werden und wie man damit rechnet. Aber WER rechnet da eigentlich? Zeit, das berühmteste Bauteil der KI kennenzulernen — und zu entdecken, dass ein „Neuron“ weniger Gehirn und mehr Taschenrechner ist: eine Multiplikation, eine Addition — fertig.
Heute schaust du ihm live dabei zu: Du drehst selbst an Gewicht und Bias und siehst sofort, was mit der Zahl passiert, die hindurchfließt. Wenn das einmal sitzt, ist der Rest des Kurses nur noch Zusammenbauen.
- ✅ Was sind Neuronen? (Eingabe × Gewicht + Bias)
- ✅ Was sind Gewichte und warum sind sie wichtig?
- ✅ Was macht eine Aktivierungsfunktion? (ReLU, Sigmoid)
- ✅ Wie werden Neuronen zu Layern verbunden?
Keine Angst vor Mathe! Ich zeige dir alles visuell und interaktiv. Du siehst, wie Zahlen durch das Netz fließen, wie Gewichte angepasst werden und wie am Ende eine Vorhersage rauskommt. Learning by Seeing! 👀
💡 HerrKI-Tipp: Neuron = Eingabe × Gewicht + Bias → Aktivierung. Das ist die Grundformel! Alles andere ist nur mehr davon. 🧠
📦 → 🧠 Tensoren treffen auf Neuronen!
Du hast in den vorherigen Modulen gelernt, dass alle Daten als Tensoren dargestellt werden - ob Bilder, Text oder Tabellen. Jetzt lernst du, wie Neuronen diese Tensoren verarbeiten!
🔗 Die Verbindung: Tensoren & Neuronen
📦 Input-Tensor
[1]
Wassermenge: 100 ml
🧠 Neuron
+ 0.0 (bias)
Verarbeitung
📦 Output-Tensor
[1]
Wachstum: 5.0 cm
💡 Was passiert hier?
- Input-Tensor: Die Daten kommen als Tensor rein - hier ein Skalar [1] mit dem Wert 100
- Neuron verarbeitet: Das Neuron multipliziert den Wert mit seinem Gewicht (0.05) und addiert den Bias (0.0)
- Output-Tensor: Das Ergebnis ist wieder ein Tensor [1] mit dem Wert 5.0
🎯 Die große Erkenntnis:
Neuronen sind Tensor-Transformatoren!
Sie nehmen Tensoren als Eingabe, verarbeiten sie mit Gewichten und Bias, und geben transformierte Tensoren aus.
In komplexen Netzen fließen diese Tensoren durch viele Neuronen in vielen Schichten - aber das Grundprinzip bleibt gleich!
Mehrere Eingaben
z.B. Wasser, Sonne, Temp
[3]
→ Ein Neuron kann viele Eingaben verarbeiten!
Layer von Neuronen
Mehrere Neuronen parallel
→ Viele Neuronen = viele Transformationen!
Tiefe Netze
Layer stapeln
→ Layer 2 →
→ Layer 3 → Output
→ Tensoren fließen durch viele Schichten!
🔑 Merke dir:
- 📦 Alles sind Tensoren: Eingaben, Ausgaben, Zwischenergebnisse
- 🧠 Neuronen transformieren Tensoren: Mit Gewichten und Bias
- 🔗 Netze sind Tensor-Pipelines: Daten fließen von Tensor zu Tensor
- 📊 Shape ist wichtig: Input-Shape muss zur Netz-Architektur passen!
🌱 Experiment 1: Ein einzelnes Neuron - Pflanzenwachstum vorhersagen
Praktisches Beispiel: Ein Neuron berechnet das Wachstum unserer roten Pflanze! Es nimmt die Wassermenge (ml pro Tag), multipliziert sie mit dem Wachstumsfaktor, und addiert das Grundwachstum.
Wassermenge
ml pro Tag
Neuron
Wasser × Faktor + Basis
Wachstum
cm pro Woche
📐 Berechnung des Pflanzenwachstums:
Wachstum = 0.05 cm/ml × 100 ml + 0.0 cm = 5.0 cm
- Wie wächst die Pflanze bei nur 50ml Wasser pro Tag?
- Was passiert mit einem höheren Wachstumsfaktor (0.10)?
- Wie wirkt sich ein Grundwachstum von 2cm aus?
⚡ Experiment 2: Aktivierungsfunktionen
Aktivierungsfunktionen entscheiden, ob ein Neuron „feuert“ oder nicht — sie machen neuronale Netze erst richtig leistungsfähig. Warum ausgerechnet diese kleinen Knicke aus Geraden beliebige Kurven machen, nimmst du später in „Warum eine Gerade nicht reicht“ auseinander.
Linear
y = x
Keine Veränderung
ReLU
y = max(0, x)
Negative Werte → 0
Sigmoid
y = 1/(1+e^-x)
Werte zwischen 0 und 1
🔄 Mit Aktivierungsfunktion:
y = 10.0 (linear)
🎯 Warum Neuronale Netze?
Ein einzelnes Neuron ist wie eine einfache Formel. Aber wenn wir viele Neuronen in mehreren Schichten kombinieren, können sie komplexe Muster lernen!
Und das Verrückte: Es ist immer DIESELBE Maschine.
Egal welches Beispiel — unter der Haube passiert exakt das, was du gerade mit dem Regler gemacht hast, nur millionenfach:
- 📈 Wohnungspreis schätzen: Eingabe-Tensor [3] (Fläche, Zimmer, Lage) → Schichten → Preis. Baust du selbst in „Multiple Regression“.
- 🖼️ Handschrift erkennen: das 28×28-Pixel-Bild aus „Bilder als Tensoren“, flachgedrückt zu [784] → Schichten → „das ist eine 7“.
- 💬 Mit dir chatten: Token-Tensoren aus „Text & LLMs“ → sehr viele Schichten → nächstes Wort. Ja — auch ChatGPT ist am Ende dieser kleine Tensor-Transformator, nur gestapelt.
- 🎮 Spiele meistern: Spielfeld als Tensor → Schichten → bester Zug.
Eine „Schicht“ ist dabei genau die Matrixmultiplikation aus „Tensor-Operationen“: viele Neuronen rechnen auf einen Schlag.
Gleich trainierst du so ein Netz selbst — vorher klären wir nur noch, woher es weiß, in welche Richtung es seine Gewichte drehen muss.
Du verstehst jetzt, was ein Neuron ist: ein kleiner Tensor-Transformator. Als Nächstes klären wir, woher das Netz weiß, WIE es seine Gewichte verstellen muss — „Wie falsch ist falsch?“ und „Gradient Descent zum Anfassen“ — und dann trainierst du in „Lineare Regression“ dein erstes echtes Modell.
🧠 Kurzer Check — hast du es?
Drei schnelle Fragen, dann bist du durch — klick einfach deine Antwort an:
Ausgabe = Aktivierung(w₁·x₁ + w₂·x₂ + … + b). Klingt unspektakulär — aber Tausende davon in Schichten ergeben die Netze, die Gesichter erkennen.