Zusammenfassung
In der Realität sind die Wirkungsbeziehungen zwischen Variablen häufig sehr komplex, wobei sich die Komplexität einerseits in einer großen Anzahl von miteinander verknüpften Einflussfaktoren äußert, andererseits darin, dass die Beziehungen zwischen den Variablen häufig nicht-linear sind. Auch kann der Anwender in vielen Fällen keine begründeten Hypothesen äber die Art der Zusammenhänge aufstellen. In solchen Fällen sind sog. Künstliche Neuronale Netze (KNN) von großem Nutzen, da der Anwender bei dieser Gruppe von Analyseverfahren nicht zwingenderweise eine Vermutung über den Zusammenhang zwischen Variablen treffen muss. Das bedeutet, dass weder eine kausale Verknüpfung zwischen Variablen postuliert noch die Verknüpfung zwingend als linear untqerstellt werden muss. Außerdem können Neuronale Netze auch Variablen mit unterschiedlichem Skalenniveau verarbeiten. Durch KNN werden die Zusammenhänge zwischen Variablen selbständig durch einen Lernprozess ermittelt und sie können dabei eine Vielzahl von Variablen berücksichtigen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturhinweise
A. Basisliteratur zu den Neuronalen Netzen
Anders, U. (1997), Statistische Neuronale Netze, München.
Rey, G. D. / Wender, K. F. (2008), Neuronale Netze – Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung, Bern.
Rojas, R. (1996), Theorie der neuronalen Netze: Eine systematische Einführung, 4. Auflage, Berlin / Heidelberg.
Schöneburg, E./ Hansen, N./ Gawelczyk, A. (2000), Neuronale Netzwerke: Einführung, Überblick und Anwendungsmöglichkeiten, München. SPSS Inc. (2013), IBM SPSS Neural Networks 22, Chicago.
B. Zitierte Literatur
Anders, U. (1997), Statistische Neuronale Netze, München.
Bigus, J. (1996), Data mining with neural networks: solving business problems from application development to decision support, New York u. a.
Bischoff, R./ Bleile, C./ Graalfs, J. (1991), Der Einsatz Neuronaler Netze zur betrieblichen Kennzahlenanalyse, in: Wirtschaftsinformatik, Vol. 5, Nr. 33, S. 375–385.
Bishop, C. (1995), Neural Networks for Pattern Recognition, Oxford.
Cybenko, G. (1989), Approximation by superpositions of sigmoids, in: Mathematics of Control, Signals, and Systems, Vol. 2, S. 303–314.
Düsing, R. (1997), Betriebswirtschaftliche Anwendungsbereiche Konnektionistischer Systeme, Hamburg.
Haykin, S. (2008), Neural Networks: A Comprehensive Foundation, 3. Auflage, New York.
Heitmann, C. (2002), Beurteilung der Bestandfestigkeit von Unternehmen mit Neuro-Fuzzy, Frankfurt a. M. u. a.
Kandel, E. R./ Schwartz, J. H./ Jessell, T. M./ Siegelbaum, S. A./ Hudspeth, A. J. (2012), Principles of Neural Science, 5. Auflage, New York et al.
Kearns, M. (1996), A bound on the error of cross validation using the approximation and estimation rates, with consequences for the training-test split, 8. Auflage, Cambridge, MA, S. 183–189.
Rojas, R. (1996), Theorie der neuronalen Netze: Eine systematische Einführung, 4. Auflage, Berlin-Heidelberg.
Rumelhart, D./ Hinton, G./ Williams, R. (1986), Learning Internal Representations by Error Propagation, in: Rumelhart, D./ McClelland, J. (Hrsg.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition Cambridge, MIT Press, S. 318-362, 1. Auflage, Cambridge, MA.
Schöneburg, E./ Hansen, N./ Gawelczyk, A. (2000), Neuronale Netzwerke: Einführung, Uberblick und Anwendungsmöglichkeiten, München.
Werbos, P. (1988), Backpropagation: Past and Future, in: Proceedings of the International Conference on Neural Networks, I, IEEE Press, S. 343-353, New York.
Zell, A. (1997), Simulation Neuronaler Netze, München.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2015 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Backhaus, K., Erichson, B., Weiber, R. (2015). Neuronale Netze. In: Fortgeschrittene Multivariate Analysemethoden. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-46087-0_6
Download citation
DOI: https://doi.org/10.1007/978-3-662-46087-0_6
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-662-46086-3
Online ISBN: 978-3-662-46087-0
eBook Packages: Business and Economics (German Language)