بيرسيبترون Perceptrons

ما هي الشبكة العصبية؟ للبدء ، سأشرح نوعًا من الخلايا العصبية الاصطناعية تسمى “perceptron”. تم تطوير Perceptrons في 1950s و 1960s من قبل العالم فرانك Rosenblatt ، مستوحاة من العمل في وقت سابق من قبل وارن ووالت بيتس. من الشائع استخدام نماذج أخرى من الخلايا العصبية الاصطناعية – في هذا المقال ، وفي الكثير من الأعمال الحديثة على الشبكات العصبية ، فإن النموذج العصبي الرئيسي المستخدم هو واحد يسمى العصب السيني. سنصل إلى الخلايا العصبية sigmoid قريبا. ولكن لفهم لماذا يتم تعريف الخلايا العصبية السيني بالطريقة التي هي عليها ، فإنه يستحق أن تأخذ الوقت لفهم perceptrons أولا.

إذن كيف تعمل المستقبلات؟ يأخذ perceptron عدة مدخلات ثنائية ، x1 ، x2 ، … ، وينتج مخرجات ثنائية واحدة:

في المثال الموضح في perceptron ثلاثة مدخلات ، x1 ، x2 ، x3. بشكل عام يمكن أن يكون لها مدخلات أكثر أو أقل. اقترح روزنبلات قاعدة بسيطة لحساب الناتج. قدم الأوزان ، W1 ، W2 ، … ، والأرقام الحقيقية معربا عن أهمية المدخلات الخاصة للمخرجات. يتم تحديد ناتج العصبون ، 0 أو 1 ، من خلال ما إذا كان المجموع المُرجَّح   ∑jwjxjأقل أو أكبر من بعض عتبة القيمة. تماما مثل الأوزان ، العتبة هي رقم حقيقي وهو معلمة من الخلايا العصبية. لوضعها في عبارات جبرية أكثر دقة:

هذا كل ما في الأمر يتعلق بكيفية عمل perceptron!

هذا هو النموذج الرياضي الأساسي. وهناك طريقة يمكنك التفكير في perceptron هو أنه جهاز يتخذ القرارات من خلال تقييم الأدلة. اسمحوا لي أن أقدم مثالا على ذلك. إنه ليس مثالًا واقعيًا جدًا ، ولكنه سهل الفهم ، وسنصل قريبًا إلى أمثلة أكثر واقعية. لنفترض أن عطلة نهاية الأسبوع قادمة ، وقد سمعت أنه سيكون هناك مهرجان للجبن في مدينتك. أنت تحب الجبن ، وتحاول أن تقرر ما إذا كنت ستذهب إلى المهرجان أم لا. يمكنك اتخاذ قرارك من خلال تقييم ثلاثة عوامل:

هل الطقس جيد؟

هل يريد صديقك أو صديقتك مرافقتك؟

هل يقام المهرجان بالقرب من النقل العام؟ (أنت لا تملك سيارة).

يمكننا تمثيل هذه العوامل الثلاثة من خلال المتغيرات الثنائية المقابلة x1 و x2 و x3. على سبيل المثال ، سيكون لدينا x1 = 1 إذا كان الطقس جيدًا ، و x1 = 0 إذا كان الطقس سيئًا. وبالمثل ، x2 = 1 إذا كان صديقك أو صديقتك يريدان الذهاب ، و x2 = 0 إن لم يكن. وبالمثل مرة أخرى ل X3 والنقل العام.

الآن ، لنفترض أنك تعشق الجبن ، لدرجة أنك سعيد بالذهاب إلى المهرجان حتى إذا كان صديقك أو صديقتك غير مهتمين بالمهرجان وصعوبة الوصول إليه. ولكن ربما كنت لا تستوعب سوء الأحوال الجوية ، ولا توجد طريقة للذهاب إلى المهرجان إذا كان الطقس سيئًا. يمكنك استخدام perceptrons لنمذجة هذا النوع من اتخاذ القرار. إحدى الطرق للقيام بذلك هي اختيار وزن w1 = 6 للطقس ، و w2 = 2 و w3 = 2 للظروف الأخرى. تشير القيمة الأكبر لـ w1 إلى أن الطقس يهمك كثيرًا ، أكثر بكثير مما إذا كان صديقك أو صديقتك ينضم إليك ، أو قرب النقل العام. أخيرًا ، لنفترض أنك اخترت حدًا مقداره 5 لمنطقة الإحساس. باستخدام هذه الخيارات ، يقوم المعتمد بتنفيذ نموذج صنع القرار المرغوب ، حيث يتم إخراج 1 كلما كان الطقس جيدًا ، و 0 كلما كان الطقس سيئًا. لا فرق في الناتج سواء صديقك أو صديقتك يريد الذهاب ، أو ما إذا كان النقل العام في مكان قريب.

من خلال تغيير الأوزان والعتبة ، يمكننا الحصول على نماذج مختلفة لصنع القرار. على سبيل المثال ، لنفترض أننا بدلاً من ذلك اخترنا حدًا أقصى من 3 ، ثم قرر المستثمر أن تذهب إلى المهرجان كلما كان الطقس جيدًا أو عندما كان المهرجان بالقرب من النقل العام وكان صديقك أو صديقتك على استعداد للانضمام إليك. بمعنى آخر ، سيكون نموذجًا مختلفًا لصنع القرار. إسقاط العتبة يعني أنك أكثر استعدادًا للذهاب إلى المهرجان.

من الواضح ، أن المعترض ليس نموذجًا كاملًا لصنع القرار البشري! لكن ما يوضحه المثال هو كيف يمكن أن يدرك الباحثون أنواع مختلفة من الأدلة لاتخاذ القرارات. وينبغي أن يبدو من المعقول أن شبكة معقدة من المستقبلات يمكن أن تتخذ قرارات دقيقة للغاية: