Начните свое путешествие с машинного обучения с изучения перцептрона (первая в истории модель нейрона)

Каждый раз, когда кто-то решает начать изучать машинное обучение, его могут ошеломить результаты поиска со всеми сложными сетями и кодом. Но с чего начать свой путь? Я бы сказал, что ответ должен исходить от перцептрона в основном потому, что это самая простая и примитивная форма нейронной сети.

Нейрон в искусственной нейронной сети похож на биологический нейрон в головном мозге. Все вычисления поступающих сигналов происходят в этих нейронах, и принимается соответствующий ответ.

Части перцептрона:

  1. Входные данные: входные данные - это функции, которые передаются нейронной сети для обучения модели или тестирования модели. Здесь они обозначаются x₀, x₁ и x₂ и обычно обозначаются в векторной форме X = [x₀ , x₁… .xₘ] ᵗ
  2. Веса: это обучаемые параметры в нейронных сетях, настроенные для получения желаемого ответа. Они представляют силу соединения. Здесь они обозначаются как w₀, w₁ и w₂ и обычно обозначаются векторная форма W = [w₀, w₁… .wₘ] ᵗ
  3. Блок суммирования: здесь все входящие сигналы суммируются, чтобы получить один выход v.
  4. Функция активации. Это математические уравнения, определяющие выходной сигнал y нейронной сети. В зависимости от нашего приложения можно использовать различные типы функций активации, но это уже другая тема.

Обычно w₀ называют смещением.

Итак, что такое предвзятость?

Смещение - это константа, которая помогает модели лучше всего соответствовать заданным данным. В основном как точка пересечения, добавленная в линейное уравнение.

Для упрощения мы пишем это как w₀.

Формула, используемая в перцептроне:

v=Xᵗ.W

Вывод: y = Φ (v)

На основе нашего приложения веса перцептрона можно регулировать по определенным правилам.

Эти перцептроны связаны между собой, образуя различные сети, такие как сеть прямого распространения, CNN и т. Д.

По сути, это всего лишь пептроны, связанные определенным образом.

Теперь, когда вы сделали первый шаг к машинному обучению, вы готовы погрузиться в море алгоритмов и статистики.

Удачного обучения!