Ein Neuron im Spamfilter arbeitet wie ein Waage-Beamter vor dem Gerichtssaal. Es hört sich alle Zeugenaussagen an und entscheidet dann, wie laut es selbst ruft.

Der Beamte nimmt drei Zeugen ernst, zwei kaum. Jede Aussage hat ein Gewicht, je nach Glaubwürdigkeit. Am Ende addiert er alles zu einem Gesamteindruck. Überschreitet er eine Schwelle, öffnet er die Tür laut – sonst bleibt sie zu.

Technisch ist jede Zeugenaussage eine Eingabe, eine Zahl wie die Anzahl auffälliger Wörter in einer E-Mail. Das Gewicht ist ein gelernter Parameter, also eine Zahl, die das Modell während des Trainings automatisch anpasst. Der Gesamteindruck heißt gewichtete Summe, oft erhöht um einen Bias – eine gelernte Zahl, die das Neuron auch ohne Eingaben aktivieren kann. Das Rufen übernimmt die Aktivierungsfunktion: Sie bestimmt, wie stark das Neuron „feuert“.

Konkret kann ein Spam-Neuron drei Merkmale erhalten, etwa Anzahl auffälliger Wörter und Absenderdaten. Die gewichtete Summe 2,1 geht durch eine Aktivierung, die jeden Wert zwischen 0 und 1 begrenzt. Ein Wert nahe 1 bedeutet: hohe Feuerwahrscheinlichkeit, also Spam. In Netzen ist die ReLU-Funktion am verbreitetsten; sie gibt negative Summen als null aus, positive unverändert.

Das Bild hat eine Grenze: Ein Beamter versteht Aussagen, ein Neuron multipliziert nur Zahlen. Und ohne die Aktivierungsfunktion wäre das Ganze reines Addieren – nur geradlinige Zusammenhänge wären möglich. Viele solcher Schichten hintereinander machen erst ein „tiefes“ Netz.

Ein Neuron trifft also keine kluge Entscheidung – es rechnet und feuert. Die Klugheit steckt in den Gewichten, und die lernt das Training.

📌 Gewichte · Aktivierungsfunktion · Bias

📚 KI von Grund auf · Tag 2 von 30
#machinelearning #deeplearning #ki