Perceptron
Perceptron adalah Neuron Buatan
Ini adalah Neural Network yang paling sederhana
Neural Networks adalah blok bangunan Kecerdasan Buatan .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) adalah seorang psikolog Amerika yang terkenal di bidang Artificial Intelligence.
Pada tahun 1957 ia memulai sesuatu yang sangat besar.
Para ilmuwan telah menemukan bahwa sel-sel otak ( Neuron ) menerima masukan dari indera kita dengan sinyal listrik.
Neuron, sekali lagi menggunakan sinyal listrik untuk menyimpan informasi, dan membuat keputusan berdasarkan masukan sebelumnya.
Frank memiliki gagasan bahwa Neuron Buatan dapat mensimulasikan prinsip-prinsip otak, dengan kemampuan untuk belajar dan membuat keputusan.
Dari pemikiran ini, dia "menemukan" Perceptron .
Perceptron diuji pada komputer IBM 704 di Cornell Aeronautical Laboratory pada tahun 1957.
Perceptron
Perceptron asli dirancang untuk mengambil sejumlah input biner , dan menghasilkan satu output biner (0 atau 1).
Idenya adalah menggunakan bobot yang berbeda untuk mewakili pentingnya setiap input , dan bahwa jumlah nilai harus lebih besar dari nilai ambang batas sebelum membuat keputusan seperti benar atau salah (0 atau 1).
Contoh Perceptron
Bayangkan sebuah perceptron (di otak Anda).
Perceptron mencoba memutuskan apakah Anda harus pergi ke konser.
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.