Metalernen von Aktivierungsfunktionen von Neuronalen Netzen
Masterarbeit,Studienarbeit,Diplomarbeit
Im Rahmen des Projekts Cochlear Implants

Description

Künstliche neuronale Netze erreichen Bestleistungen in vielen Problemstellungen. Sie erreichen dies durch eine typischerweise einfache, modulare Struktur von der ein wesentlicher Kern die sogenannte Aktivierungsfunktion ist. Diese überführt den Eingangswert des sogenannten Neurons in einen Ausgabewert. Ein typisches Beispiel ist die logistische Funktion. Die Erfahrung zeigt, dass in der Praxis die Aktivierungsfunktionen zu unterschiedlich guten Ergebnissen führen, d.h. es existiert eine ggf. problemspezifische Rangfolge der Aktivierungsfunktionen. Praktisch gibt es eine kleine Menge an Aktivierungsfunktionen die bei der Lösung von Problemen mittels künstlicher neuronaler Netze Anwendung findet. In dieser Arbeit soll untersucht werden, ob durch Methoden der evolutionären Optimierungsalgorithmen unter zur Hilfenahme spezieller mathematischer Ansätze neue, bessere Aktivierungsfunktionen gefunden werden können.

Im Rahmen der Arbeit sind dazu umfangreiche Programmierungen und Trainings von neuronalen Netzen auf einer Menge an Standardproblemen notwendig. Hierzu sollte in Python eine Pipeline entworfen werden, welche die evolutionären Algorithmen mit weiterer Algorithmik verknüpft und automatisch auswertet. Die Ergebnisse sollten schlussendlich auf statistische Signifikanz untersucht werden.

Voraussichtlich wird die Arbeit recht anspruchsvoll werden, ich biete jedoch eine intensive Betreuung, so dass bei entsprechender Leistungsbereitschaft der Anspruch kein Hindernis darstellen sollte.

Bei entsprechender Ergebnisqualität ist eine anschließende Veröffentlichung unter Mitautorenschaft des Studenten. ggf. möglich.

Requirements

- Leistungsbereitschaft - Grundkenntnisse: Python - Grundkenntnisse: Maschinelles Lernen - Solides mathematisches Verständnis - Selbstständigkeit

Contact person: Reemt Hinrichs