Perceptrons များ
Perceptron သည် Artificial Neuron ဖြစ်သည် ။
၎င်းသည် ဖြစ်နိုင်ချေ အရိုးရှင်းဆုံး Neural Network ဖြစ်သည်။
Neural Networks များသည် Artificial Intelligence ၏ တည်ဆောက်မှုတုံးများဖြစ်သည် ။
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) သည် Artificial Intelligence နယ်ပယ်တွင် ထင်ရှားသော အမေရိကန် စိတ်ပညာရှင် တစ်ဦးဖြစ်သည်။
1957 မှာ သူတကယ်ကြီးကျယ်တဲ့အရာတစ်ခုကို စတင်ခဲ့တယ်။
ဦးနှောက်ဆဲလ်များ ( Neuron ) များသည် လျှပ်စစ်အချက်ပြမှုများဖြင့် ကျွန်ုပ်တို့၏အာရုံများထံမှ သွင်းအားများကို လက်ခံရရှိကြောင်း သိပ္ပံပညာရှင်များက ရှာဖွေတွေ့ရှိခဲ့သည်။
နျူရွန်များသည် အချက်အလက်များကို သိမ်းဆည်းရန် လျှပ်စစ်အချက်ပြမှုများကို ထပ်မံအသုံးပြုကာ ယခင်ထည့်သွင်းမှုအပေါ် အခြေခံ၍ ဆုံးဖြတ်ချက်များချရန်၊
ဖရန့်ခ်သည် Artificial Neurons များကို သင်ယူနိုင်ပြီး ဆုံးဖြတ်ချက်များချနိုင်မှုဖြင့် ဦးနှောက်အခြေခံမူများကို အတုယူနိုင်သည်ဟူသော အယူအဆရှိသည်။
ဒီအတွေးတွေကြောင့် သူက Perceptron ကို တီထွင်ခဲ့တယ် ။
Perceptron ကို 1957 ခုနှစ်တွင် Cornell Aeronautical Laboratory တွင် IBM 704 ကွန်ပျူတာဖြင့် စမ်းသပ်ခဲ့သည်။
Perceptron ၊
မူရင်း Perceptron ကို binary inputs အများအပြားယူရန် ဒီဇိုင်းထုတ်ထားပြီး binary output တစ်ခု (0 သို့မဟုတ် 1) ကို ထုတ်လုပ်ပါသည်။
အိုင်ဒီယာမှာ ထည့်သွင်းမှု တစ်ခု စီ ၏ အရေးပါမှုကို ကိုယ်စားပြုရန် မတူညီသော အ လေးများကို အသုံးပြုရန် နှင့် တန်ဖိုးများ ပေါင်းလဒ် သည် မှန် သည် ဖြစ်စေ ၊
Perceptron ဥပမာ
သင့်ဦးနှောက်ထဲမှာ perceptron ကို မြင်ယောင်ကြည့်ပါ။
Perceptron သည် ဖျော်ဖြေပွဲသို့ သွားသင့်သလား ဆုံးဖြတ်ရန် ကြိုးစားသည်။
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.