complete guide artificial neural network machine learning
In diesem Tutorial wird erklärt, was ein künstliches neuronales Netzwerk ist, wie ein ANN funktioniert, wie es aufgebaut ist und welche Arten von ANN- und neuronalen Netzwerkarchitekturen verwendet werden:
wie man Computerprogramm für Anfänger
In diesem Maschinelles Lernen für alle haben wir alles erkundet Arten des maschinellen Lernens in unserem vorherigen Tutorial.
In diesem Tutorial werden die verschiedenen Algorithmen in neuronalen Netzen sowie der Vergleich zwischen maschinellem Lernen und ANN erläutert. Bevor wir lernen, wie ANN zum maschinellen Lernen beiträgt, müssen wir wissen, was ein künstliches neuronales Netzwerk ist, und kurze Kenntnisse über maschinelles Lernen haben.
Lassen Sie uns mehr über maschinelles Lernen und künstliches neuronales Netzwerk erfahren!
=> Lesen Sie die komplette Schulungsreihe zum maschinellen Lernen durch
Was du lernen wirst:
- Was ist maschinelles Lernen?
- Was ist ein künstliches neuronales Netzwerk?
- Struktur eines biologischen neuronalen Netzwerks
- Vergleich von biologischem Neuron und künstlichem Neuron
- Eigenschaften von ANN
- Struktur von ANN
- Aktivierungsfunktion
- Was ist ein künstliches Neuron?
- Wie funktioniert künstliches Neuron?
- Grundmodelle von ANN
- Neuronale Netzwerkarchitektur
- Beispiel eines künstlichen Neuronennetzwerks
- Vergleich zwischen maschinellem Lernen und ANN
- Neuronale Netze und tiefes Lernen
- Anwendungen für künstliche neuronale Netze
- Einschränkungen neuronaler Netze
- Fazit
- Literatur-Empfehlungen
Was ist maschinelles Lernen?
Maschinelles Lernen ist ein Wissenschaftsbereich, in dem Computer lernen und handeln können, ohne explizit programmiert zu werden. Es ist ein Teilgebiet der künstlichen Intelligenz.
Was ist ein künstliches neuronales Netzwerk?
ANN ist ein nichtlineares Modell, das im maschinellen Lernen weit verbreitet ist und auf dem Gebiet der künstlichen Intelligenz eine vielversprechende Zukunft hat.
Das künstliche neuronale Netzwerk ist analog zu einem biologischen neuronalen Netzwerk. Ein biologisches neuronales Netzwerk ist eine Struktur von Milliarden miteinander verbundener Neuronen in einem menschlichen Gehirn. Das menschliche Gehirn besteht aus Neuronen, die als Reaktion auf eine durchgeführte Aktion Informationen an verschiedene Körperteile senden.
Ähnlich ist ein künstliches neuronales Netzwerk (ANN) ein Computernetzwerk in der Wissenschaft, das den Eigenschaften eines menschlichen Gehirns ähnelt. ANN kann als die ursprünglichen Neuronen des menschlichen Gehirns modellieren, daher werden ANN-verarbeitende Teile als künstliche Neuronen bezeichnet.
ANN besteht aus einer großen Anzahl miteinander verbundener Neuronen, die von der Arbeit eines Gehirns inspiriert sind. Diese Neuronen haben die Fähigkeit zu lernen, die Trainingsdaten zu verallgemeinern und Ergebnisse aus komplizierten Daten abzuleiten.
Diese Netzwerke werden in den Bereichen Klassifizierung und Vorhersage, Muster- und Trendidentifikation, Optimierungsprobleme usw. verwendet. ANN lernt aus den Trainingsdaten (Eingabe und Zielausgabe bekannt) ohne Programmierung.
Das erlernte neuronale Netzwerk wird als bezeichnet Expertensystem mit der Fähigkeit, Informationen zu analysieren und die Fragen eines bestimmten Feldes zu beantworten.
Die formale Definition von ANN von Dr. Robert Hecht-Nielson, Erfinder eines ersten Neurocomputers, lautet:
„… Ein Computersystem, das aus einer Reihe einfacher, stark miteinander verbundener Verarbeitungselemente besteht, die Informationen durch ihre dynamische Zustandsantwort auf externe Eingaben verarbeiten.“
Struktur eines biologischen neuronalen Netzwerks
Ein biologisches neuronales Netzwerk besteht aus:
- Soma: Dies wird auch als Zellkörper bezeichnet. Hier befindet sich der Zellkern.
- Dendriten: Dies sind baumartige Netzwerke, die mit dem Zellkörper verbunden sind. Es besteht aus der Nervenfaser.
- Axon: Axon überträgt das Signal vom Zellkörper. Es teilt sich in Stränge auf und jeder Strang endet in einer zwiebelartigen Struktur, die als Synapse bezeichnet wird. Die elektrischen Signale werden zwischen Synapse und Dendriten übertragen.
(Bild Quelle ))
Vergleich von biologischem Neuron und künstlichem Neuron
Biologisches Neuron | Künstliches Neuron |
---|---|
ML wird in E-Commerce, Gesundheitswesen, Produktempfehlungen usw. angewendet. | ANN wird im Finanzbereich, beim maschinellen Lernen und bei der künstlichen Intelligenz angewendet. |
Es besteht aus Zellen. | Die Zellen entsprechen Neuronen. |
Es hat Dendriten, die Verbindungen zwischen dem Zellkörper sind. | Die Verbindungsgewichte entsprechen Dendriten. |
Soma erhält die Eingabe. | Soma ähnelt dem Netto-Eingangsgewicht. |
Das Axon empfängt das Signal. | Die Ausgabe von ANN entspricht Axon. |
Eigenschaften von ANN
- Nichtlinearität: Der in ANN verfolgte Mechanismus zur Erzeugung des Eingangssignals ist nichtlinear.
- Überwachtes Lernen: Die Eingabe und Ausgabe werden abgebildet und die ANN wird mit dem Trainingsdatensatz trainiert.
- Unbeaufsichtigtes Lernen: Die Zielausgabe wird nicht angegeben, daher lernt der ANN selbstständig, indem er die Merkmale in den Eingabemustern erkennt.
- Adaptive Natur: Die Verbindungsgewichte in den Knoten von ANN können sich selbst anpassen, um die gewünschte Ausgabe zu ergeben.
- Biologische Neuronenanalogie: Das ANN hat eine vom menschlichen Gehirn inspirierte Struktur und Funktionalität.
- Fehlertoleranz: Diese Netzwerke sind sehr tolerant, da die Informationen in Schichten verteilt sind und die Berechnung in Echtzeit erfolgt.
Struktur von ANN
Künstliche Neuronale Netze verarbeiten Elemente entweder in Form von Algorithmen oder Hardware-Geräten, die der neuronalen Struktur einer Gehirnrinde des menschlichen Gehirns nachempfunden sind.
Diese Netze werden auch einfach als neuronale Netze bezeichnet. Das NN besteht aus vielen Schichten. Die mehreren miteinander verbundenen Schichten werden häufig als 'Multilayer Perceptron' bezeichnet. Die Neuronen in einer Schicht werden 'Knoten' genannt. Diese Knoten haben eine 'Aktivierungsfunktion'.
Das ANN hat 3 Hauptschichten:
- Eingabeebene: Die Eingabemuster werden den Eingabeebenen zugeführt. Es gibt eine Eingabeebene.
- Versteckte Ebenen: Es kann eine oder mehrere versteckte Ebenen geben. Die Verarbeitung in den inneren Schichten wird als 'versteckte Schichten' bezeichnet. Die ausgeblendeten Ebenen berechnen die Ausgabe basierend auf den „Gewichten“, der „Summe der gewichteten Synapsenverbindungen“. Die verborgenen Schichten verfeinern die Eingabe, indem sie redundante Informationen entfernen und die Informationen zur weiteren Verarbeitung an die nächste verborgene Schicht senden.
- Ausgabeschicht: Diese verborgene Ebene verbindet sich mit der „Ausgabeebene“, in der die Ausgabe angezeigt wird.
Aktivierungsfunktion
Die Aktivierungsfunktion ist ein interner Zustand eines Neurons. Es ist eine Funktion der Eingabe, die das Neuron empfängt. Die Aktivierungsfunktion wird verwendet, um das Eingangssignal am Knoten von ANN in ein Ausgangssignal umzuwandeln.
Was ist ein künstliches Neuron?
Ein künstliches neuronales Netzwerk besteht aus stark miteinander verbundenen Verarbeitungselementen, die als Knoten oder Neuronen bezeichnet werden.
Diese Neuronen arbeiten parallel und sind in einer Architektur organisiert. Die Knoten sind durch Verbindungsverbindungen miteinander verbunden. Jedes Neuron trägt ein Gewicht, das Informationen über das Eingangssignal enthält.
Wie funktioniert künstliches Neuron?
Ein künstliches Neuron erhält eine Eingabe. Diese Eingaben haben ein Gewicht, das als 'Synapse' bezeichnet wird. Diese Neuronen (auch Knoten genannt) haben eine 'Aktivierungsfunktion'. Diese Aktivierungsfunktion bearbeitet den Eingang und verarbeitet ihn zu einem Ausgang.
Die gewichtete Summe der Eingänge wird zu einem Eingangssignal für die Aktivierungsfunktion, um einen Ausgang zu erhalten. Diese Eingabegewichte sind einstellbar, so dass das neuronale Netzwerk seine Parameter anpassen kann, um die gewünschte Ausgabe zu erhalten.
Einige gängige Aktivierungsfunktionen, die in künstlichen neuronalen Netzen verwendet werden, sind:
# 1) Identitätsfunktion
Es kann für alle Werte von x als f (x) = x definiert werden. Dies ist eine lineare Funktion, bei der der Ausgang mit dem Eingang identisch ist.
# 2) Binärschrittfunktion
Diese Funktion wird in einschichtigen Netzwerken verwendet, um die Nettoeingabe in die Ausgabe umzuwandeln. Die Ausgabe ist binär, d. H. 0 oder 1. Das t repräsentiert den Schwellenwert.
(Bild Quelle ))
# 3) Bipolare Schrittfunktion
Die bipolare Schrittfunktion hat bipolare Ausgänge (+1 oder -1) für den Nettoeingang. T steht für den Schwellenwert.
# 4) Sigmoidalfunktion
Es wird in Backpropagation-Netzwerken verwendet.
Es gibt zwei Arten:
- Binäre Sigmoidfunktion: Es wird auch als unipolare Sigmoidfunktion oder logistische Sigmoidfunktion bezeichnet. Der Bereich der Sigmoidalfunktion ist 0 bis 1.
- Bipolares Sigmoid: Die bipolare Sigmoidalfunktion reicht von -1 bis +1. Es ähnelt der hyperbolischen Tangentenfunktion.
(Bild Quelle ))
# 5) RampFunction
Das gewichtete Summe der Eingaben bedeutet das „Produkt aus dem Gewicht der Eingabe und dem Wert der Eingabe“, das für alle Eingaben summiert wird.
Sei I = {I1, I2, I3… In} das Eingabemuster für das Neuron.
Sei W = {W1, W2, W3… Wn} das Gewicht, das jeder Eingabe in den Knoten zugeordnet ist.
Gewichtete Summe der Eingaben = Y = (? Wi * Ii) für i = 1 bis n
Grundmodelle von ANN
Die künstlichen neuronalen Netzwerkmodelle bestehen aus 3 Einheiten:
- Gewichte oder synaptische Verbindungen
- Die Lernregel zum Anpassen der Gewichte
- Aktivierungsfunktionen des Neurons
Neuronale Netzwerkarchitektur
In ANN sind die Neuronen miteinander verbunden und der Ausgang jedes Neurons ist durch Gewichte mit dem nächsten Neuron verbunden. Die Architektur dieser Verbindungen ist in einem ANN wichtig. Diese Anordnung liegt in Form von Schichten vor und die Verbindung zwischen den Schichten und innerhalb der Schicht ist die neuronale Netzwerkarchitektur.
Die bekanntesten Netzwerkarchitekturen sind:
- Single-Layer-Feed-Forward-Netzwerk
- Mehrschichtiges Feed-Forward-Netzwerk
- Einzelner Knoten mit eigenem Feedback
- Wiederkehrendes Netzwerk mit einer Schicht
- Wiederkehrendes Netzwerk mit mehreren Schichten
Schauen wir uns diese im Detail an.
kostenloser DVD-Ripper für Windows 7
# 1) Single-Layer-Feed-Forward-Netzwerk
Eine Schicht ist ein Netzwerk aus Neuronen. Diese Neuronen sind mit den anderen Neuronen der nächsten Schicht verbunden. Für eine einzelne Ebene gibt es nur die Eingabe- und Ausgabeebenen. Die Eingabeebene ist mit Gewichten mit den Knoten der Ausgabeschicht verbunden.
Alle Eingangsknoten sind mit jedem der Ausgangsknoten verbunden. Der Begriff Feed-Forward zeigt an, dass keine Rückmeldung von der Ausgabeschicht an die Eingabeschicht gesendet wird. Dies bildet ein einschichtiges Feed-Forward-Netzwerk.
(Bild Quelle ))
# 2) Mehrschichtiges Feed-Forward-Netzwerk
Das mehrschichtige Netzwerk besteht aus einer oder mehreren Schichten zwischen Eingang und Ausgang. Die Eingangsschicht empfängt nur ein Signal und puffert es, während die Ausgangsschicht die Ausgabe zeigt. Die Ebenen zwischen Eingabe und Ausgabe werden als versteckte Ebenen bezeichnet.
Die verborgenen Schichten haben keinen Kontakt mit der äußeren Umgebung. Mit mehr versteckten Ebenen ist die Ausgabeantwort effizienter. Die Knoten in der vorherigen Schicht sind mit jedem Knoten in der nächsten Schicht verbunden.
Da keine Ausgangsschicht mit der Eingangsschicht oder den verborgenen Schichten verbunden ist, bildet sie ein mehrschichtiges Feed-Forward-Netzwerk.
# 3) Einzelner Knoten mit eigenem Feedback
Die Netzwerke, in denen die Ausgabe der Ausgabeschicht als Eingabe an die Eingabeschicht oder die anderen verborgenen Schichten zurückgesendet wird, werden als Rückkopplungsnetzwerke bezeichnet. In Einzelknoten-Rückkopplungssystemen gibt es eine einzelne Eingabeschicht, in der die Ausgabe als Rückkopplung zurückgeleitet wird.
# 4) Single Layer Recurrent Network
In einem einschichtigen wiederkehrenden Netzwerk bildet das Rückkopplungsnetzwerk eine geschlossene Schleife. In diesem Modell erhält ein einzelnes Neuron eine Rückmeldung an sich selbst oder die anderen Neuronen im Netzwerk oder an beide.
# 5) Mehrschichtiges wiederkehrendes Netzwerk
In einem wiederkehrenden Netzwerk mit mehreren Schichten existieren mehrere verborgene Schichten, und die Ausgabe wird zurück zu den Neuronen der vorherigen Schichten und anderen Neuronen in denselben Schichten oder demselben Neuron selbst umgeleitet.
Beispiel eines künstlichen Neuronennetzwerks
Nehmen wir das folgende Netzwerk mit der angegebenen Eingabe und berechnen das Netto-Eingangsneuron und erhalten die Ausgabe des Neurons Y mit Aktivierungsfunktion als binäres Sigmoidal.
Der Eingang hat 3 Neuronen X1, X2 und X3 und einen einzelnen Ausgang Y.
Die mit den Eingaben verbundenen Gewichte sind: {0,2, 0,1, -0,3}
Eingaben = {0,3, 0,5, 0,6}
Nettoeingang = {x1 * w1 + x2 * w2 + x3 * w3}
Nettoeintrag = (0,3 * 0,2) + (0,5 * 0,1) + (0,6 * -0,3)
Nettoeingang = -0,07
Ausgabe für binäres Sigmoidal:
X ist -0,07
Die Ausgabe beträgt 0,517
Beste VPNs für Japan
Vergleich zwischen maschinellem Lernen und ANN
Maschinelles Lernen | Künstliche neuronale Netz |
---|---|
Maschinelles Lernen lernt aus Eingabedaten und entdeckt interessierende Ausgabedatenmuster. | ANN werden in Algorithmen für maschinelles Lernen verwendet, um das System mithilfe von Synapsen, Knoten und Verbindungsverbindungen zu trainieren. |
ML ist eine Teilmenge des Bereichs der künstlichen Intelligenz. | ANN ist auch Teil des Wissenschaftsbereichs Künstliche Intelligenz und eine Teilmenge des maschinellen Lernens. |
ML-Algorithmen lernen aus Daten, die dem Algorithmus zu Entscheidungszwecken zugeführt werden. Einige dieser Algorithmen sind Klassifizierungen. Clustering, Assoziations-Data-Mining. | ANN ist eine Deep-Learning-Wissenschaft, die die Daten wie Menschen mit logischen Strukturen analysiert. Einige der AN-Lernschemata sind Hebbian, Perceptron, Back Propagation usw. |
ML-Algorithmen verfügen über selbstlernende Fähigkeiten, erfordern jedoch ein menschliches Eingreifen, wenn das Ergebnis ungenau ist. | ANN-Algorithmen können sich mithilfe von Verbindungsgewichten anpassen, wenn sich herausstellt, dass das Ergebnis falsch ist. |
ML-Algorithmen erfordern Programmierkenntnisse, Datenstruktur und Kenntnisse in Big-Data-Datenbanken. | ANN erfordert auch gute Kenntnisse in Mathematik, Wahrscheinlichkeit, Datenstrukturen usw. |
ML-Programme können das Ergebnis für gelernte Datensätze vorhersagen und sich an neue Daten anpassen. | ANN kann lernen und selbst intelligente Entscheidungen für neue Daten treffen, aber es ist tiefer als maschinelles Lernen. |
Überwachtes und unbeaufsichtigtes Lernen fallen unter maschinelles Lernen. | Lernen wie Kohenen, radiale Vorspannung und vorwärts gerichtetes neuronales Netzwerk fallen unter ANN. |
Einige Beispiele für ML sind Google-Suchergebnisse usw. | Einige Beispiele für ANN sind Gesichtserkennung, Bilderkennung usw. |
Neuronale Netze und tiefes Lernen
Deep Learning-Netzwerke enthalten mehrere verborgene Ebenen zwischen Eingabe und Ausgabe. Diese Netzwerke unterscheiden sich durch die Tiefe der darin verborgenen Schichten. Die Eingabedaten durchlaufen mehrere Schritte, bevor die Ausgabe angezeigt wird.
Diese Netzwerke unterscheiden sich von den früheren NN wie Perceptron, das eine einzige verborgene Schicht hatte und Shallow Networks genannt wurde. Jede verborgene Schicht im Deep-Learning-Netzwerk trainiert die Daten mit bestimmten Funktionen basierend auf der Ausgabe der vorherigen Schicht.
Die Daten durchlaufen am Knoten viele Schichten nichtlinearer Funktionen. Je mehr Ebenen vorhanden sind, desto komplexer können Merkmale erkannt werden, da die nächste Ebene eine Aggregation von Merkmalen aus den vorherigen Ebenen durchführt.
Mehrere versteckte Schichten im Netzwerk erhöhen die Komplexität und Abstraktion. Diese Tiefe wird auch als Feature-Hierarchie bezeichnet. Aus diesem Grund können Deep-Learning-Netzwerke hochdimensionale Daten verarbeiten.
Einige Beispiele für Deep-Learning-Netzwerke umfassen das Clustering von Millionen von Bildern anhand ihrer Eigenschaften und Ähnlichkeiten, das Filtern von E-Mail-Nachrichten, das Anwenden von Filtern auf Nachrichten in CRM, das Identifizieren von Sprache usw.
Deep Learning Networks können sowohl für beschriftete als auch für unbeschriftete Datensätze trainiert werden. Für den unbeschrifteten Datensatz führen die Netzwerke wie Boltzmann-Auswahlmaschinen eine automatische Merkmalsextraktion durch.
Das Netzwerk lernt automatisch, indem es die Eingabe durch Stichproben analysiert und den Unterschied zwischen Ausgabe und Verteilung der Eingabe minimiert. Das neuronale Netzwerk findet hier Korrelationen zwischen den Merkmalen und Ergebnissen.
Die auf markierten Daten trainierten Deep-Learning-Netzwerke können auf unstrukturierte Daten angewendet werden. Je mehr Trainingsdaten in das Netzwerk eingespeist werden, desto genauer werden sie.
Die Fähigkeit des Netzwerks, aus unbeschrifteten Daten zu lernen, ist gegenüber den anderen Lernalgorithmen von Vorteil.
Anwendungen für künstliche neuronale Netze
Neuronale Netze wurden erfolgreich in einer Vielzahl von Lösungen verwendet, wie unten gezeigt.
# 1) Mustererkennung: ANN wird bei der Mustererkennung, Bilderkennung, Visualisierung von Bildern, Handschrift, Sprache und anderen derartigen Aufgaben verwendet.
# 2) Optimierungsprobleme: Probleme wie das Finden des kürzesten Weges, die Planung und die Herstellung, bei denen Problembeschränkungen erfüllt und optimale Lösungen erzielt werden müssen, verwenden NNs.
# 3) Prognose: NN kann das Ergebnis für Situationen vorhersagen, indem es vergangene Trends analysiert. Anwendungen wie Bankwesen, Börse, Wettervorhersage verwenden neuronale Netze.
# 4) Steuerungssysteme: Steuerungssysteme wie Computerprodukte, chemische Produkte und Robotik verwenden neuronale Netze.
Einschränkungen neuronaler Netze
Nachfolgend sind einige der Nachteile neuronaler Netze aufgeführt.
- Diese Netzwerke sind Black Boxes für den Benutzer, da der Benutzer keine anderen Rollen hat, als die Eingabe einzugeben und die Ausgabe zu beobachten. Dem Benutzer ist das im Algorithmus stattfindende Training nicht bekannt.
- Diese Algorithmen sind ziemlich langsam und erfordern viele Iterationen (auch Epochen genannt), um genaue Ergebnisse zu erzielen. Dies liegt daran, dass die CPU die Gewichte und die Aktivierungsfunktion jedes Knotens separat berechnet, wodurch sowohl Zeit als auch Ressourcen verbraucht werden. Es verursacht auch ein Problem mit einer großen Datenmenge.
Fazit
In diesem Tutorial haben wir etwas über das künstliche neuronale Netzwerk, seine Analogie zum biologischen Neuron und die Arten des neuronalen Netzwerks gelernt.
ANN fällt unter maschinelles Lernen. Es ist ein Rechenmodell, das aus mehreren Neuronenknoten besteht. Diese Knoten empfangen Eingaben, verarbeiten die Eingaben mithilfe der Aktivierungsfunktion und leiten die Ausgabe an die nächsten Ebenen weiter.
Die Eingaben sind Verbindungsverbindungsgewichten zugeordnet, die als Synapse bezeichnet werden. Eine grundlegende ANN besteht aus einer Eingabeebene, Gewichten, Aktivierungsfunktion, versteckter Ebene und einer Ausgabeschicht.
Die Aktivierungsfunktionen werden verwendet, um den Eingang in den Ausgang umzuwandeln. Einige von ihnen sind binär, bipolar, sigmoidal und eine Rampenfunktion. Es gibt verschiedene Arten von ANN, wie z. B. Single-Layer-Feed-Forward, Multilayer-Feed-Forward, wiederkehrende Netzwerke usw., basierend auf der Anzahl der verborgenen Schichten und Rückkopplungsmechanismen.
ANN mit vielen versteckten Schichten zwischen Eingabe und Ausgabe bilden ein Deep-Learning-Netzwerk. Die Deep-Learning-Netzwerke weisen eine hohe Komplexität und Abstraktionsstufe auf, sodass sie hochdimensionale Daten mit Tausenden von Parametern berechnen können.
ANN wird im Bereich der Vorhersage, Bildverarbeitung, Steuerungssysteme usw. verwendet. Diese wurden erfolgreich als Lösung für die Reihe von Problemen in der Wissenschaft eingesetzt.
Wir hoffen, dass dieses Tutorial alles erklärt hat, was Sie über künstliche neuronale Netze wissen müssen !!
=> Besuchen Sie hier für die exklusive maschinelle Lernserie
Literatur-Empfehlungen
- Data Mining gegen maschinelles Lernen gegen künstliche Intelligenz gegen tiefes Lernen
- Netzwerksicherheitstests und beste Netzwerksicherheitstools
- Arten des maschinellen Lernens: Überwachtes gegen unbeaufsichtigtes Lernen
- 11 beliebtesten Software-Tools für maschinelles Lernen im Jahr 2021
- Tutorial für maschinelles Lernen: Einführung in ML und seine Anwendungen
- Anleitung zur Subnetzmaske (Subnetz) und zum IP-Subnetzrechner
- Handbuch zur Bewertung und Verwaltung von Netzwerkanfälligkeiten
- 15 besten Netzwerk-Scan-Tools (Netzwerk- und IP-Scanner) von 2021