🧠 Multi-Layer-Perzeptron Rechner

Interaktiver neuronaler Netzwerk-Simulator mit Live-Visualisierung

Netzwerk-Architektur

Training-Parameter

Gleicher Startwert + gleiche Einstellungen = exakt gleiches Ergebnis
💡 Tipp: Beim Laden eines Beispieldatensatzes (Tab „Daten“) werden die empfohlenen Einstellungen automatisch übernommen und das Netzwerk erstellt. Sigmoid eignet sich gut für binäre Klassifikation, ReLU für tiefe Netzwerke, Linear als Output für Regression. Beginnen Sie mit niedrigen Learning Rates (0.01-0.001) für stabile Konvergenz.

Beispieldatensätze

Beim Laden werden die empfohlenen Einstellungen (Dokument „Empfehlungen für Trainingsparameter“) übernommen und das Netzwerk erstellt.

Eigene CSV-Datei

ℹ️ Hinweise zum CSV-Upload (Speicherort & Format)
  • Speicherort: Die CSV-Datei muss lokal auf Ihrem Rechner (oder einem dort verbundenen Laufwerk/USB-Stick) gespeichert sein. Die Dateiauswahl Ăśffnet immer Ihren eigenen Rechner – auf Dateien einer Website oder eines Servers kann der Rechner nicht direkt zugreifen. Online-Dateien bitte zuerst herunterladen.
  • Datenschutz: Die Datei wird nur in Ihrem Browser verarbeitet und nicht hochgeladen.
  • Aufbau: eine Zeile je Beobachtung, Kopfzeile mit Spaltennamen empfohlen (z. B. USD,EUR,CNY,GBP,CHF). Standardmäßig ist die letzte Spalte das Ziel; nach dem Laden lässt sich jede Spalte als Ziel wählen. HĂśchstens 10 Input-Spalten.
  • Werte: Originalwerte (nicht normalisiert). Spalten mit Text oder Datum werden automatisch ignoriert; Zeilen mit fehlenden Werten werden Ăźbersprungen.
  • Reihenfolge: bei Zeitreihen chronologisch aufsteigend (älteste zuerst) – dann bilden die letzten Zeilen das Test-Set wie bei einer echten Prognose.
  • Trennzeichen: Komma oder Semikolon; bei Semikolon ist das Dezimalkomma erlaubt (Excel-Export deutsch). Zeichensatz UTF-8.

Datenaufbereitung

Änderungen wirken sofort auf die geladenen Daten – ein Neuladen ist nicht nötig. Danach neu trainieren.

DatenĂźbersicht

Training starten

0%

Aktuelle Epoch

0

Training Loss

0.000

Beste Loss

∞

Training Zeit

0s

Training Log

Live Loss-Kurve

🎯 Backtesting: Das trainierte Netz wird auf die Trainingsdaten und auf die beim Training nicht verwendeten Test-Daten angewendet. Alle Werte in Originalskala. Aussagekräftig für die Prognosegüte sind die Test-Kennzahlen.

Netzwerk-Architektur

💡 Tipp: Das Netzwerk zeigt die Verbindungen zwischen den Neuronen

Aktive Neuronen (Aktivierungsstatus)

Angezeigt: ● Normal Inaktive Neuronen: nur grauer Punkt

Gewichtsverteilung

Aktivierungswerte (Tabelle)

💡 Zeigt Aktivierungswerte aller Neuronen nach letzter Vorhersage.
FĂźhren Sie eine Vorhersage durch, dann klicken Sie "Aktualisieren".

Manuelle Eingabe (Originalwerte)

Batch-Vorhersagen

Gleiche Spalten wie beim Training (Originalwerte). Enthält die Datei zusätzlich die Zielspalte, werden Fehler und Kennzahlen berechnet. Hinweise zum Format wie im Tab „Daten“.
Batch aus den Test-Daten des geladenen Datensatzes (beim Training nicht verwendet; beim Währungsbeispiel der letzte Zeitraum):

Netzwerk-Statistiken

Layer-Informationen

Modell-Daten

Training & Vorhersagen

Visualisierungen

📝 Hinweis: Alle Daten werden als CSV exportiert (Excel-kompatibel). Grafiken als PNG mit weißem Hintergrund.