परसेप्ट्रोन
एक परसेप्ट्रोन एक कृत्रिम न्यूरॉन है
यह सबसे आसान संभव तंत्रिका नेटवर्क है
तंत्रिका नेटवर्क आर्टिफिशियल इंटेलिजेंस के निर्माण खंड हैं ।
फ्रैंक रोसेनब्लाट
फ्रैंक रोसेनब्लट (1928 - 1971) एक अमेरिकी मनोवैज्ञानिक थे जो आर्टिफिशियल इंटेलिजेंस के क्षेत्र में उल्लेखनीय थे।
1957 में उन्होंने वास्तव में कुछ बड़ा शुरू किया।
वैज्ञानिकों ने पता लगाया था कि मस्तिष्क की कोशिकाएं ( न्यूरॉन्स ) विद्युत संकेतों द्वारा हमारी इंद्रियों से इनपुट प्राप्त करती हैं।
फिर न्यूरॉन्स, सूचनाओं को संग्रहीत करने और पिछले इनपुट के आधार पर निर्णय लेने के लिए विद्युत संकेतों का उपयोग करते हैं।
फ्रैंक का विचार था कि कृत्रिम न्यूरॉन्स सीखने और निर्णय लेने की क्षमता के साथ मस्तिष्क के सिद्धांतों का अनुकरण कर सकते हैं।
इन विचारों से, उन्होंने परसेप्ट्रोन का "आविष्कार" किया ।
1957 में कॉर्नेल एरोनॉटिकल लेबोरेटरी में आईबीएम 704 कंप्यूटर पर परसेप्ट्रॉन का परीक्षण किया गया था।
परसेप्ट्रोन
मूल परसेप्ट्रॉन को कई बाइनरी इनपुट लेने और एक बाइनरी आउटपुट (0 या 1) का उत्पादन करने के लिए डिज़ाइन किया गया था।
विचार प्रत्येक इनपुट के महत्व का प्रतिनिधित्व करने के लिए अलग-अलग वजन का उपयोग करना था, और यह कि सही या गलत (0 या 1) जैसे निर्णय लेने से पहले मूल्यों का योग थ्रेसहोल्ड मान से अधिक होना चाहिए ।
परसेप्ट्रोन उदाहरण
एक परसेप्ट्रोन की कल्पना करें (आपके मस्तिष्क में)।
परसेप्ट्रोन यह तय करने की कोशिश करता है कि क्या आपको किसी संगीत कार्यक्रम में जाना चाहिए।
Is the artist good? Is the weather good?
What weights should these facts have?
| Criteria | Input | Weight |
|---|---|---|
| Artists is Good | x1 = 0 or 1 | w1 = 0.7 |
| Weather is Good | x2 = 0 or 1 | w2 = 0.6 |
| Friend Will Come | x3 = 0 or 1 | w3 = 0.5 |
| Food is Served | x4 = 0 or 1 | w4 = 0.3 |
| Alcohol is Served | x5 = 0 or 1 | w5 = 0.4 |
The Perceptron Algorithm
Frank Rosenblatt suggested this algorithm:
- Set a threshold value
- Multiply all inputs with its weights
- Sum all the results
- Activate the output
1. Set a threshold value:
- Threshold = 1.5
2. Multiply all inputs with its weights:
- x1 * w1 = 1 * 0.7 = 0.7
- x2 * w2 = 0 * 0.6 = 0
- x3 * w3 = 1 * 0.5 = 0.5
- x4 * w4 = 0 * 0.3 = 0
- x5 * w5 = 1 * 0.4 = 0.4
3. Sum all the results:
- 0.7 + 0 + 0.5 + 0 + 0.4 = 1.6 (The Weighted Sum)
4. Activate the Output:
- Return true if the sum > 1.5 ("Yes I will go to the Concert")
If the treshold value is 1.5 for you, it might be different for someone else.
Example
const treshold = 1.5;
const inputs = [1, 0, 1, 0, 1];
const weights = [0.7, 0.6, 0.5, 0.3, 0.4];
let sum = 0;
for (let i = 0; i < inputs.length; i++) {
sum += inputs[i] * weights[i];
}
const activate = (sum > 1.5);
Perceptron Terminology
- Perceptron Inputs
- Node values
- Node Weights
- Activation Function
Perceptron Inputs
Perceptron inputs are called nodes.
The nodes have both a value and a weight.
Node Values
In the example above the node values are: 1, 0, 1, 0, 1
Node Weights
Weights shows the strength of each node.
In the example above the node weights are: 0.7, 0.6, 0.5, 0.3, 0.4
The Activation Function
The activation functions maps the result (the weighted sum) into a required value like 0 or 1.
The binary output (0 or 1) can be interpreted as (no or yes) or (false or true).
In the example above, the activation function is simple: (sum > 1.5)
In Neuroscience, there is a debate if single-neuron encoding or distributed encoding is most relevant for understanding how the brain functions.
It is obvious that a decision like the one above, is not made by one neuron alone.
At least there must be other neurons deciding if the artist is good, if the weather is good...
Neural Networks
The Perceptron defines the first step into Neural Networks.
The perceptron is a Single-Layer Neural Network.
The Neural Network is a Multi-Layer Perceptron.