Neurala nätverk-labbet – ai-aktiviteter.se

Neurala nätverk‑labbet

Ett neuralt nätverk lär sig göra förutsägelser genom att träna på data. Här får du se hela processen steg för steg.

Träna nätverket – Nätverket börjar med slumpmässiga vikter. Genom att träna på hundratals exempel lär det sig vilka kopplingar som är viktiga.

Utforska beräkningarna – Stega genom nätverket neuron för neuron. Se hur varje neuron multiplicerar, summerar och aktiverar.

Gör egna förutsägelser – Ändra indatavärdena och se om nätverket svarar rätt.

💡 Du startar i 🧮 Beräkningsläge där varje neuron räknar med enkla heltal. När du förstått hur en neuron fungerar – byt till ett av scenarierna och låt nätverket träna sig självt.

Scenario

Arkitektur

Indatavariabler

Aktivering

Tryck Träna modellen för att börja.

Träningsepoker

📖 Begrepp – klicka för förklaring

Neuron Vikt Bias (+b) Aktivering Aktiveringsfunktion Dolt lager Utdata Förlust Framåtpass Epok Förutsägelse

Neuron – En beräkningsenhet (cirkel i nätverket). Den tar emot värden, multiplicerar dem med vikter, summerar och kör resultatet genom en aktiveringsfunktion.

Vikt – Ett tal som bestämmer hur stark kopplingen mellan två neuroner är. Vikterna är det nätverket lär sig under träning. Tjockare linje = starkare vikt.

Bias (+b) – Ett startvärde som adderas i varje neuron innan aktiveringen. Det gör att neuronen kan aktiveras även om alla inputs är noll. Tänk på det som neuronens grundinställning.

Aktivering – När en neuron "aktiveras" betyder det att den skickar vidare en signal till nästa lager. Aktiveringsfunktionen bestämmer hur starkt neuronen reagerar. Högt värde = starkt aktiverad. Lågt = nästan inaktiv.

Aktiveringsfunktion – Den matematiska funktion som varje neuron kör sitt summavärde genom. Utan den hade nätverket bara kunnat lära sig linjära samband.

ReLU – max(0, x). Enklast: negativa värden blir 0, positiva passerar rakt igenom. Bra för beräkningsövningar.
Sigmoid – Pressar alla värden till mellan 0 och 1. Utdatan kan tolkas som en sannolikhet. Används i scenarierna.
Tanh – Pressar värden till mellan -1 och 1. Kan ge negativa aktiveringsvärden.

Dolt lager – Lager mellan indata och utdata. Det är här nätverket hittar mönster i datan. Fler neuroner och lager gör att nätverket kan lära sig mer komplexa samband.

Utdata – Nätverkets slutgiltiga svar. Utdataneuronens värde representerar en sannolikhet mellan 0 och 1. Ett värde på 0.85 betyder 85% säkerhet på "Ja".

Förlust (loss) – Ett mått på hur mycket fel nätverket gör. Under träningen jämförs nätverkets svar med det rätta – skillnaden blir förlusten. Målet är att göra förlusten så liten som möjligt.

Framåtpass – Processen där data flödar genom nätverket från indata till utdata, lager för lager.

Epok – Ett varv genom all träningsdata. Under varje epok justeras vikterna lite. Fler epoker innebär att nätverket har övat mer.

Förutsägelse – Nätverkets svar för nya indatavärden. Jämför med rätt svar för att se om nätverket lärt sig rätt.