Das Perceptron ist ein sehr komplexes und schwer zu entwickelendes Neuronales Netz, welches sehr selten in Verwendung kommt.

Je mehr Layer in einem Neuronalem Netzwerk vorhanden sind, desto genauer kann das Modell Bestimmungen tätigen.

Neuronale Netze können den Perceptron-Algorithmus verwenden.

Ein Neuronales Netzwerk besteht aus gleich gewichteten Verbindungen.

Verbindungen zwischen Knoten können unterschiedlich gewichtet werden.

Je mehr Dimensionen berücksichtigt werden, desto mehr Beobachtungen braucht es, um dieselbe Anpassungqualität zu

bekommen.

Ein Reinforcment-Learning Netzwerk lernt in Echtzeit um seine Langzeitkosten zu minimieren.

Das Einfügen von Hidden Layers sollte vermieden werden, da es keinen Mehrwert für das neuronale Netzwerk liefert.

benötigt, dass die Eigentumsverhältnisse von Besitzer

zum Benutzer wandern.

Die Ära der Korrelation ist vorüber

Kann unstrukturierte Daten ohne Hintergrundkenntnisse analysieren

Echtzeitanalysen sind nicht mehr reproduzierbar

Neuronale Netze können den Perceptron-Algorithmus verwenden.

Je mehr Layer ein neuronales Netz hat, desto verständlicher ist die Arbeitsweise des Netzes.

Die Anzahl der Input Nodes müssen der Anzahl der Nodes in einem versteckten Layer entsprechen.

Die Verbindungen von einem Knoten zu einem anderen werden alle gleichermaßen gewichtet.

Ein neuronales Netz kann für die Erkennung von Mustern in einem Bild verwendet werden.

y: Perceptron

x: Outcomes

x: Inputdaten

Initialisiere den Bias der Neuronen

Simulation von kognitive Lernprozessen im Gehirn und Versuch der Übertragung auf Maschinen

Hohe Prädiktabilität

schlechte Interpretierbarkeit der Entscheidungsfindungsprozesse