algılayıcılar
Bir Algılayıcı Yapay Bir Nörondur
Mümkün olan en basit Sinir Ağıdır
Sinir Ağları , Yapay Zekanın yapı taşlarıdır .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971), Yapay Zeka alanında dikkat çeken Amerikalı bir psikologdu.
1957'de gerçekten büyük bir şeye başladı.
Bilim adamları, beyin hücrelerinin ( Nöronlar ) elektrik sinyalleriyle duyularımızdan girdi aldığını keşfettiler .
Nöronlar, daha sonra bilgiyi depolamak ve önceki girdilere dayalı kararlar vermek için tekrar elektrik sinyallerini kullanır.
Frank, Yapay Nöronların öğrenme ve karar verme yeteneği ile beyin ilkelerini simüle edebileceği fikrine sahipti .
Bu düşüncelerden Perceptron'u "icat etti" .
Perceptron, 1957'de Cornell Havacılık Laboratuvarı'nda bir IBM 704 bilgisayarında test edildi.
algılayıcı
Orijinal Perceptron , bir dizi ikili girdi almak ve bir ikili çıktı (0 veya 1) üretmek üzere tasarlanmıştır.
Buradaki fikir, her bir girdinin önemini temsil etmek için farklı ağırlıklar kullanmak ve doğru veya yanlış (0 veya 1) gibi bir karar vermeden önce değerlerin toplamının bir eşik değerinden büyük olması gerektiğiydi.
Perceptron Örneği
Bir algılayıcı düşünün (beyninizde).
Algılayıcı, bir konsere gitmeniz gerekip gerekmediğine karar vermeye çalışır.
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.