Design Künstlicher Neuronaler Netze

Kiinstliche Neuronale Netze (KNN) sind, wie so viele Methoden in der Okonomik, eine An leihe bei den Naturwissenschaften. Meiner Meinung nach handelt es sich dieses Mal aber urn den "Import" einer auBerordentlich interessanten Methode fur die Okonomen, vor aHem fur die Mustererkennung im weiteren Sinne. Dabei sind allerdings einige wichtige Anwendungs fragen noch ungekliirt, und wie bei allen neuen Instrumenten wird zuweilen auch Missbrauch damit getrieben. Die Arbeit von Janette Walde setzt genau an diesen beiden Punkten an. Sie besteht inha- lich aus zwei ineinander iibergehenden Teilen: einmal einer iibersichtlichen und kompetenten Darstellung bereits existierender Er kenntnisse zu Kiinstlichen Neuronalen Netzen, zum anderen der Entwicklung eigener weiterfiihrender Forschungsergebnisse. Beim ersten Punkt fallt vor all em die immense (man ist bei aller Vorsicht sogar geneigt zu sagen umfassende) Literaturkenntnis der Verfasserin auf. Dabei sind ersichtlich auch die Er kenntnisse mehrerer einschliigiger intemationaler Konferenzen eingegangen. Die wichtigen weiterfuhrenden Forschungsergebnisse sind unter anderem: Oberlegungen zur MindestgroBe def benotigten Stichproben, Oberlegungen und Darstellung der Siittigungsmengen (mit besonderer Beriicksichtigung okonomischer Gegebenheiten), ausgiebige Vergleiche mit konventionellen linearen statistischen Verfahren (Diskrimi nanzanalyse, Regressionsanalyse etc.), Gegeniiberstellung von Software -Paketen (SENN, Neural Connection, Neuframe) hin sichtlich Effizienz, Geschwindigkeit und Flexibilitiit, eine Analyse der Bedeutung gewiihlter Fehlerfunktionen, def Vergleich zweier Netzwerkarchitekturen fur Klassifikationsfragen, der Nachweis von Instabilitiiten der Performancekennzahlen, vor allem bei kleinen StichprobengroBen, Geleitwort VI die Konsequenzen der StichpTObengroBe auf die Erreichbarkeit und Qualitat der Ergeb nisse und eine Diskussion der Problematik "verborgener" (hidden) Neuronen."