Ich habe gelernt, dass eine weitere Wiederholung von dem Feedforward-Netzstoff durchaus wichtig wäre,

aber ich würde das gerne so machen, dass ich noch ein letztes Kapitel,

was zu Feedforward-Netzen gehört, zu Ende erzähle und dann können wir noch einmal die

ganzen Feedforward-Netz mit den verschiedenen Facetten besprechen und dann sehen wir auch,

warum die sich gegenseitig ergänzen oder eben nicht ergänzen.

Weil morgen würde ich dann eben gerne mit rekorenten Netzen loslegen,

sprich dynamischen Systemen und der wirklichen mathematischen Schönheit.

Nun gut, also jetzt schauen wir uns mal an hier Neurofasil.

Das Thema ist im Laufe der Jahre unter verschiedenen, sagen wir mal,

Schwerpunkten immer wieder modern geworden.

Ein Thema, das früher natürlich einfach war, da gab es Fasilogik,

da gab es neuronale Netze und so weiter.

Und dann gab es eben Veranstaltungen, wo es hieß, ja, moderne Mathematik

für die Erklärung der Ökonomie oder was auch immer.

Und dann gab es dann einen Vorteil über Fasilogik an über Neuro.

So, und das erste, was ich also hier dann erklären will, ist,

wie die beiden Gebiete zusammenhängen und warum man die zusammenfügen kann.

Später war dann die Frage eher, ja, das ist ja gut und schön,

dass man jetzt gute Modelle bauen kann, aber ich möchte gern verstehen,

warum das Modell eine Empfehlung gibt, warum das Modell eine Entscheidung

in der und der Richtung fällt.

Das heißt also, dass man dann eben gesagt hat, ich will nicht nur einfach

da einen Output haben, der von irgendwelchen Inputs abhängt,

sondern ich möchte gern die interne Logik von einem Netzwerk verstehen.

Und das kann man mit Neuro Fasil sehr elegant machen.

Die dritte Möglichkeit, die heute sozusagen mehr nach vorne gekehrt wird,

ist zu sagen, dass man eben sagt, ich möchte gerne sichere Modelle haben,

sicher in dem Sinne von, da kann es keinen Generalisierungsfall geben,

der plötzlich irgendwas macht, was keiner vorher gewusst hat.

Weil die Modelle sind so weit verstehbar, dass dann eben auf jeden Fall

irgendwas rauskommt, was nachvollziehbar ist.

Also die Verstehbarkeit von Modellen, die Interpretierbarkeit von Modellen

ist gerade das, was man hervorkehren würde.

Und dann haben wir auf der einen Seite die Aussage, wir möchten bestmögliche

Modelle machen, mit aller Mathematik, die uns gerade einfällt,

und auf der anderen Seite haben wir die Aussage, ich möchte gern

verstehbare Modelle machen. Das ist nicht dasselbe.

Also wenn ich verstehbare Modelle machen will, muss ich möglicherweise darauf

verzichten, die bestmöglichen Performance rauszuholen.

Gegenüber, tja, gucken wir uns an, wie die Verstehbarkeit hier aussieht.

Also was ich erklären will, also Fasciologik ist sozusagen weiche

if-then-else-Statements, also weiche Regeln.

Und Neuro haben wir jetzt besprochen, muss ich ja nicht erklären,

wie man die beiden Seiten zusammenbringt, damit die sich helfen

und nicht gegenseitig behindern.

Warum sie sich denn erstmal, warum sie erstmal in der Konkurrenz

stehen könnten, sieht man auf diesem Bild.

Auf der linken Seite haben wir die normale Betrachtungsweise von Neuro

angewandt auf irgendein Problem, wo ich dann sage, ich habe einen Beobachter,

der sammelt Daten. Also der muss noch nicht total verstanden haben,