Perceptron
Un Perceptron è un neurone artificiale
È la rete neurale più semplice possibile
Le reti neurali sono gli elementi costitutivi dell'intelligenza artificiale .
Frank Rosenblatt
Frank Rosenblatt (1928 – 1971) è stato uno psicologo americano noto nel campo dell'intelligenza artificiale.
Nel 1957 iniziò qualcosa di veramente grande.
Gli scienziati hanno scoperto che le cellule cerebrali (i neuroni ) ricevono input dai nostri sensi tramite segnali elettrici.
I neuroni, quindi, utilizzano nuovamente i segnali elettrici per memorizzare informazioni e per prendere decisioni basate su input precedenti.
Frank aveva l'idea che i neuroni artificiali potessero simulare i principi del cervello, con la capacità di apprendere e prendere decisioni.
Da questi pensieri, ha "inventato" il Perceptron .
Il Perceptron è stato testato su un computer IBM 704 presso il Cornell Aeronautical Laboratory nel 1957.
Il Perceptron
Il Perceptron originale è stato progettato per accettare un numero di ingressi binari e produrre un'uscita binaria (0 o 1).
L'idea era quella di utilizzare pesi diversi per rappresentare l'importanza di ciascun input e che la somma dei valori dovesse essere maggiore di un valore di soglia prima di prendere una decisione come vero o falso (0 o 1).
Esempio Perceptron
Immagina un perceptron (nel tuo cervello).
Il perceptron cerca di decidere se dovresti andare a un concerto.
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.