Psychologie Lexikon der ArgumenteHome
| |||
|
| |||
| Neuronale Netze: Neuronale Netze sind Rechenmodelle nach dem Vorbild des menschlichen Gehirns, die Muster erkennen und komplexe Probleme lösen sollen. Sie bestehen aus Schichten miteinander verbundener Knoten (analog zu Neuronen), die Eingabedaten verarbeiten und lernen, Aufgaben zu erfüllen, indem sie die Stärke der Verbindungen auf der Grundlage von Rückmeldungen anpassen. Sie werden häufig beim maschinellen Lernen eingesetzt und ermöglichen Anwendungen wie Bilderkennung, Sprachverarbeitung und Vorhersageanalysen. Siehe auch Künstliche Neuronale Netze, Konnektionismus, Computermodelle, Computation, Künstliche Intelligenz, Maschinenlernen._____________Anmerkung: Die obigen Begriffscharakterisierungen verstehen sich weder als Definitionen noch als erschöpfende Problemdarstellungen. Sie sollen lediglich den Zugang zu den unten angefügten Quellen erleichtern. - Lexikon der Argumente. | |||
| Autor | Begriff | Zusammenfassung/Zitate | Quellen |
|---|---|---|---|
|
Denis Mareschal über Neuronale Netze – Lexikon der Argumente
Slater I 92 Neuronale Netzwerke/Konnektionism/Mareschal: Konnektionistische Modelle sind implementierte Computersimulationen von "brain-style" (Gehirn-Stil) Lernen und Informationsverarbeitung (Rumelhart & McClelland, 1986)(1). Konnektionistische Netzwerkmodelle bestehen aus einfachen Verarbeitungseinheiten (idealisierte Neuronen), die über gewichtete Kommunikationsleitungen miteinander verbunden sind (idealisierte Slater I 93 Synapsen). Einheiten werden oft als Kreise und die gewichteten Kommunikationslinien, als Linien zwischen diesen Kreisen dargestellt. Über diese Verbindungsgewichte fließt die Aktivierung von Einheit zu Einheit. Das globale Verhalten des Netzwerks wird durch die Verbindungsgewichte bestimmt. Wenn die Aktivierung durch das Netzwerk fließt, wird sie durch den Satz von Verbindungsgewichten zwischen aufeinanderfolgenden Schichten im Netzwerk umgewandelt. Lernen/Konnektionismus/Mareschal: (d.h. Anpassung des eigenen Verhaltens) wird durch Abstimmung der Verbindungsgewichte erreicht, bis ein stabiles Verhalten erreicht ist. Überwachte Netzwerke passen ihre Gewichte an, bis die Ausgangsreaktion (für einen bestimmten Eingang) einer Zielreaktion entspricht. Dieses Ziel kann von einem aktiven Lehrer oder passiv durch Beobachtung der Umwelt kommen, aber es muss von außerhalb des Systems kommen. Unüberwachte Netzwerke passen ihre Gewichte an, bis eine interne Einschränkung erfüllt ist (z.B. müssen maximal unterschiedliche Eingänge maximal unterschiedliche interne Darstellungen haben). >Überwachtes Lernen, >Lernen, >Wissen. Slater I 94 Die wichtigste Schlussfolgerung aus dieser Arbeit ist der Begriff der abgestuften Darstellung von Wissen. Das heißt, anstatt als Alles-oder-Nichts-Begriff zu existieren, wurde die Objektpermanenz schrittweise erworben. Folglich existierten die Darstellungen, die diesem Begriff zugrunde lagen, in abgestuften Zuständen, die mit Alter und Erfahrung immer robuster wurden und immer komplexere Verschwindensereignisse unterstützten. >Objektpermanenz/Konnektionismus. 1. Rumelhart, D.E. and McClelland, J.L. 1986.Parallel distributed processing: explorations in the microstructure of cognition, vols. I and II. Cambridge, MA: MIT Press Denis Mareschal and Jordy Kaufman, „Object permanence in Infancy. Revisiting Baillargeon’s Drawbridge Experiment“ in: Alan M. Slater & Paul C. Quinn (eds.) 2012. Developmental Psychology. Revisiting the Classic Studies. London: Sage Publications_____________ Zeichenerklärung: Römische Ziffern geben die Quelle an, arabische Ziffern die Seitenzahl. Die entsprechenden Titel sind rechts unter Metadaten angegeben. ((s)…): Kommentar des Einsenders. Übersetzungen: Lexikon der ArgumenteDer Hinweis [Begriff/Autor], [Autor1]Vs[Autor2] bzw. [Autor]Vs[Begriff] bzw. "Problem:"/"Lösung", "alt:"/"neu:" und "These:" ist eine Hinzufügung des Lexikons der Argumente. |
Mareschal, Denis
Slater I Alan M. Slater Paul C. Quinn Developmental Psychology. Revisiting the Classic Studies London 2012 |
||
> Gegenargumente gegen Mareschal
> Gegenargumente zu Neuronale Netze
