{"id":205402,"date":"2025-05-05T06:30:00","date_gmt":"2025-05-05T05:30:00","guid":{"rendered":"https:\/\/liora.io\/de\/?p=205402"},"modified":"2026-02-06T05:43:59","modified_gmt":"2026-02-06T04:43:59","slug":"restricted-boltzmann-maschinen-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/restricted-boltzmann-maschinen-was-ist-das","title":{"rendered":"Einf\u00fchrung in Restricted Boltzmann Maschinen (RBM): So funktionieren sie &amp; das sind ihre Einsatzbereiche"},"content":{"rendered":"<b>Die Restricted Boltzmann Machines (RBM) sind eine Art von k\u00fcnstlichem neuronalen Netz, das f\u00fcr unbeaufsichtigtes Lernen konzipiert wurde. Sie erlauben das Erlernen einer Wahrscheinlichkeitsverteilung aus einer Menge von Eingabedaten.<\/b>\n\nVon Geoffrey Hinton und Terry Sejnowski 1985 erfunden und in den 2000er Jahren popul\u00e4r gemacht, sind RBM besonders geeignet f\u00fcr die <b>Dimensionsreduktion<\/b>, die <b>Merkmalextraktion<\/b> und die <b>Vorhersage fehlender Daten<\/b>. Sie dienen oftmals als Bausteine f\u00fcr tiefere Architekturen wie die <b>Deep Belief Networks (DBN)<\/b>.\n\n<style><br \/>\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<h2><font size=\"6\">Was ist der Ursprung der RBM?<\/font><\/h2>\nRBM sind eine eingeschr\u00e4nkte Version der <b>Boltzmann Machines (BM)<\/b>, die energetische neuronale Netze sind, in denen alle Neuronen miteinander verbunden sind. In einem RBM sind die Verbindungen zwischen Neuronen derselben Schicht jedoch untersagt, was die Berechnung und das Training des Modells vereinfacht. Diese Einschr\u00e4nkung erm\u00f6glicht es RBM, n\u00fctzliche latente Repr\u00e4sentationen in verschiedenen Bereichen wie der Computer Vision, der nat\u00fcrlichen Sprachverarbeitung und der Inhaltsweiterempfehlung zu lernen.\n\n<a href=\"https:\/\/liora.io\/de\/was-ist-das-2\" target=\"_blank\" rel=\"noopener\">\nNeural vs Neuronal\n<\/a>\n<h2><font size=\"6\">Wie funktionieren die RBM?<\/font><\/h2>\nDie <b>Restricted Boltzmann Machines (RBM)<\/b> funktionieren nach einer speziellen Architektur bestehend aus zwei Schichten von Neuronen: einer sichtbaren Schicht, die die <b>Eingabedaten<\/b> repr\u00e4sentiert, und einer <b>versteckten Schicht<\/b>, die relevante Merkmale daraus extrahiert. Im Gegensatz zu klassischen neuronalen Netzen haben sie keine Ausgabeschicht, da ihr Ziel darin besteht, eine <b>Wahrscheinlichkeitsverteilung der Daten<\/b> zu modellieren. Das Lernen basiert auf der Anpassung der Gewichte, die diese beiden Schichten verbinden, ohne interne Verbindungen innerhalb derselben Schicht.\n<h3>1. Architektur eines RBM<\/h3>\nRBM sind symmetrische bipartite Graphen, bei denen jedes Neuron der <b>sichtbaren Schicht<\/b> mit jedem Neuron der versteckten Schicht verbunden ist, jedoch existiert keine Verbindung zwischen <a href=\"https:\/\/liora.io\/de\/kuenstliche-neuronale-netzwerke\" target=\"_blank\" rel=\"noopener\">den Neuronen derselben Schicht<\/a>. Jede Verbindung ist mit einem Gewicht assoziiert, das w\u00e4hrend des Lernens aktualisiert wird.\n<h3>2. Lernphase<\/h3>\nW\u00e4hrend der Lernphase wird eine Technik namens <b>Contrastive Divergence (CD-k)<\/b> verwendet, um diese Gewichte zu aktualisieren. Der Prozess beginnt mit dem Pr\u00e4sentieren eines Eingabevektors an die sichtbare Schicht, die dann die Informationen an die versteckte Schicht mit einer <b>sigmoidalen Aktivierungsfunktion<\/b> weitergibt. Eine neue Stichprobe wird dann von dieser versteckten Schicht generiert, um eine approximative Version der urspr\u00fcnglichen Eingabe zu rekonstruieren. Der Unterschied zwischen dieser Rekonstruktion und dem Original erlaubt es, einen Fehler abzusch\u00e4tzen, der anschlie\u00dfend zur Anpassung der Modellgewichte dient. Dieser Prozess wird iterativ wiederholt, bis die <b>Gewichtsanpassungen<\/b> vernachl\u00e4ssigbar werden.\n\n<style><br \/>\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"1000\" height=\"571\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1.webp 1000w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1-300x171.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-1-768x439.webp 768w\" sizes=\"(max-width: 1000px) 100vw, 1000px\">\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/einfuehrung-in-die-wahrscheinlichkeitsrechnung-teil-1\">Einf\u00fchrung in die Wahrscheinlichkeitsrechnung<\/a><\/div><\/div>\n\n<h3>3. Energiefunktion und Wahrscheinlichkeitsverteilung<\/h3>\nRBM basieren auf einer Energiefunktion, die die Wahrscheinlichkeit eines gegebenen Zustands bestimmt. Die gemeinsame Wahrscheinlichkeit der <b>sichtbaren und versteckten Schichten<\/b> wird durch die Boltzmann-Verteilung beschrieben.\n\nDie Gleichung der Boltzmann-Verteilung beschreibt die Wahrscheinlichkeit <b><i>\u03a1(\u0395)<\/i><\/b>, dass ein Teilchen einen Zustand mit der Energie <b><i>\u0395<\/i><\/b> bei einer Temperatur <b><i>\u03a4<\/i><\/b> einnimmt. Sie wird durch die folgende Formel gegeben:\n\n<img decoding=\"async\" width=\"308\" height=\"137\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/distribution-de-Boltzmann.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/distribution-de-Boltzmann.png 308w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/distribution-de-Boltzmann-300x133.png 300w\" sizes=\"(max-width: 308px) 100vw, 308px\">\n<ul>\n \t<li><b><i>P(E)<\/i><\/b> ist die Wahrscheinlichkeit eines Zustands mit der Energie <b><i>E<\/i><\/b>,<\/li>\n \t<li><b><i>E<\/i><\/b> ist die Energie des Zustands,<\/li>\n \t<li><b><i>k<\/i><\/b><b><i>B<\/i><\/b><b><i>\u200b<\/i><\/b> ist die Boltzmann-Konstante,<\/li>\n \t<li><b><i>T<\/i><\/b> ist die Temperatur in Kelvin,<\/li>\n \t<li><b><i>Z<\/i><\/b> ist die Zustandssumme (Partition Function).<\/li>\n<\/ul>\nJe geringer die Energie eines Zustands ist, desto wahrscheinlicher ist er.\n<h3>4. Gewichtsaktualisierung<\/h3>\nDie Gewichte der Verbindungen zwischen den Neuronen werden aktualisiert, indem der Rekonstruktionsfehler minimiert wird. Die Gleichung f\u00fcr die Gewichtsaktualisierung lautet:\n\n<img decoding=\"async\" width=\"543\" height=\"120\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/equation-de-mise-a-jour.png\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/equation-de-mise-a-jour.png 543w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/equation-de-mise-a-jour-300x66.png 300w\" sizes=\"(max-width: 543px) 100vw, 543px\">\n\nWobei <b>\u0394\u03c9<\/b> die Gewichtsaktualisierung ist, <b><i>\u03b7<\/i><\/b> die Lernrate ist, <b><i>v<\/i><\/b> und <b><i>h<\/i><\/b> die Aktivierungen der sichtbaren und versteckten Neuronen sind, und <b><i>v\u0302<\/i><\/b> und <b><i>\u0125<\/i><\/b> die rekonstruierten Aktivierungen sind. Diese Aktualisierung passt die Gewichte an, um den Fehler zwischen den tats\u00e4chlichen und rekonstruierten Aktivierungen zu reduzieren.\n\n<a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\" target=\"_blank\" rel=\"noopener\">\nBilde Dich in diesem Bereich weiter\n<\/a>\n<h2><font size=\"6\">Was sind die Vorteile und Nachteile von RBM?<\/font><\/h2>\n<h3>1. Vorteile<\/h3>\nRBM haben mehrere Vorteile. Ihre Hauptst\u00e4rken sind:\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Unsupervised Learning<\/b>: Da RBM mit un\u00fcberwachtem Lernen arbeiten, sind sie sehr effektiv bei der Extraktion von Merkmalen aus rohen Daten.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>F\u00e4higkeit, komplexe und hochdimensionale Daten zu modellieren<\/b>: Sie sind in der Lage, komplexe und hochdimensionale Verteilungen zu modellieren.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Verwendet als grundlegende Bausteine f\u00fcr tiefe Architekturen (DBN)<\/b>: Sie bilden ein grundlegendes Element im Design tieferer Architekturen wie der Deep Belief Networks.<\/li>\n<\/ul>\n<h3>2. Nachteile<\/h3>\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Schwierigkeiten beim Finden der richtigen Hyperparameter<\/b>: Die Lernrate muss gut eingestellt werden. Ein zu hoher Wert kann Oszillationen verursachen und die Konvergenz des Modells verhindern, w\u00e4hrend eine zu niedrige Lernrate das Lernen erheblich verlangsamt. Zudem beeinflusst die Anzahl der versteckten Neuronen direkt die F\u00e4higkeit des Modells, relevante Repr\u00e4sentationen zu lernen. Eine unzureichende Anzahl kann die Reichhaltigkeit der extrahierten Merkmale einschr\u00e4nken, w\u00e4hrend eine zu gro\u00dfe Anzahl das Risiko von Overfitting erh\u00f6ht.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Der Lernprozess kann lange dauern f\u00fcr gro\u00dfe Datens\u00e4tze<\/b>: Aufgrund der gro\u00dfen Anzahl von Iterationen, die ben\u00f6tigt werden, um die Gewichte optimal anzupassen. Diese Einschr\u00e4nkung wird auch problematischer, wenn man mit gro\u00dfen Datens\u00e4tzen arbeitet, bei denen jede Aktualisierung der Gewichte viele Berechnungsoperationen erfordert.<\/li>\n<\/ul>\n<img decoding=\"async\" width=\"1000\" height=\"571\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2.webp 1000w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2-300x171.webp 300w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2025\/05\/Restricted-Boltzmann-Machine-Liora-2-768x439.webp 768w\" sizes=\"(max-width: 1000px) 100vw, 1000px\">\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\">Entdecke unsere Weiterbildungen<\/a><\/div><\/div>\n\n<h2><font size=\"6\">Wie werden RBM verwendet?<\/font><\/h2>\nRBM haben zahlreiche Anwendungen in verschiedenen Bereichen gefunden:\n<ul>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Kollaboratives Filtern<\/b>: Verwendet in Empfehlungssystemen, um die Vorlieben der Nutzer vorherzusagen.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Computer Vision<\/b>: Objekterkennung, Rauschunterdr\u00fcckung und Bildrekonstruktion.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Nat\u00fcrliche Sprachverarbeitung<\/b>: Sprachmodellierung, Textklassifikation und Sentiment-Analyse.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Bioinformatik<\/b>: Vorhersage von Proteinstrukturen, Analyse von Genexpressionsdaten.<\/li>\n \t<li style=\"font-weight: 400;\" aria-level=\"1\"><b>Finanzen<\/b>: Vorhersage von Aktienkursen, Risikoanalyse und Betrugserkennung.<\/li>\n \t<li><b>Anomalieerkennung<\/b>: Identifizierung von betr\u00fcgerischen Transaktionen, Netzwerksicherheit und medizinische Diagnostik.<\/li>\n<\/ul>\nDie Anwendungen der RBM sind vielf\u00e4ltig und decken viele Bereiche ab. In <b>Empfehlungssystemen<\/b> optimieren sie das kollaborative Filtern durch die Vorhersage der Vorlieben der Nutzer. In der Computer Vision werden sie zur Objekterkennung, <b>Bildrauschunterdr\u00fcckung<\/b> und <b>visuellen Datenrekonstruktion<\/b> eingesetzt. In der nat\u00fcrlichen Sprachverarbeitung dienen sie der <a href=\"https:\/\/liora.io\/de\/large-language-model-was-ist-das\">Sprachmodellierung<\/a>, der <a href=\"https:\/\/liora.io\/de\/sentiment-analysis-und-machine-learning\">Sentiment-Analyse<\/a> und der <b>Textklassifikation<\/b>. Sie finden auch Anwendung in der <a href=\"https:\/\/liora.io\/de\/bioinformatik\">Bioinformatik<\/a>, insbesondere bei der Analyse von Genexpressionsdaten und der Vorhersage von Proteinstrukturen, sowie im Finanzwesen zur Vorhersage von Aktienkursen oder der Betrugserkennung. Schlie\u00dflich werden sie in <a href=\"https:\/\/liora.io\/de\/ki-und-cybersicherheit\">Cybersecurity-Kontexten<\/a> und der <a href=\"https:\/\/liora.io\/de\/alles-ueber-e-health\">medizinischen Diagnostik<\/a> eingesetzt, wo sie die Anomalieerkennung und die Erkennung ungew\u00f6hnlichen Verhaltens erleichtern.\n<h2><font size=\"6\">Fazit<\/font><\/h2>\nDie <b>Restricted Boltzmann Machines<\/b> sind m\u00e4chtige Werkzeuge f\u00fcr <a href=\"https:\/\/liora.io\/de\/unueberwachtes-lernen-prinzip-und-verwendung\">unbeaufsichtigtes Lernen<\/a> und die Merkmalextraktion. Ihre F\u00e4higkeit, n\u00fctzliche Repr\u00e4sentationen zu lernen, macht sie unerl\u00e4sslich f\u00fcr viele Anwendungen in der k\u00fcnstlichen Intelligenz. Obwohl sie einige Herausforderungen in Bezug auf Training und Parametrierung darstellen, bleiben sie ein Schl\u00fcsselbestandteil bei der Entwicklung fortgeschrittenerer Modelle wie den <b>Deep Belief Networks<\/b> und anderer <a href=\"https:\/\/liora.io\/de\/deep-neural-network\">tiefer neuronaler Architekturen<\/a>.\n\n<a href=\"https:\/\/liora.io\/de\/unsere-aus-und-weiterbildungen\" target=\"_blank\" rel=\"noopener\">\nWerde RBM Experte\n<\/a>","protected":false},"excerpt":{"rendered":"<p>Die Restricted Boltzmann Machines (RBM) sind eine Art von k\u00fcnstlichem neuronalen Netz, das f\u00fcr unbeaufsichtigtes Lernen konzipiert wurde. Sie erlauben das Erlernen einer Wahrscheinlichkeitsverteilung aus einer Menge von Eingabedaten. Von Geoffrey Hinton und Terry Sejnowski 1985 erfunden und in den 2000er Jahren popul\u00e4r gemacht, sind RBM besonders geeignet f\u00fcr die Dimensionsreduktion, die Merkmalextraktion und die [&hellip;]<\/p>\n","protected":false},"author":74,"featured_media":205404,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-205402","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/205402","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/74"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=205402"}],"version-history":[{"count":5,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/205402\/revisions"}],"predecessor-version":[{"id":216753,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/205402\/revisions\/216753"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/205404"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=205402"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=205402"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}