AI-United » Allgemein » Perceptron? Was zum Teufel?

Perceptron? Was zum Teufel?

Die Grundlagen neuronaler Netze

Perceptron

Perceptron ist ein einschichtiges neuronales Netzwerk und ein mehrschichtiges Perzeptron wird als neuronales Netz bezeichnet.

Perceptron ist ein linearer Klassifikator (binär). Es wird auch im überwachten Lernen eingesetzt. Es hilft, die angegebenen Eingabedaten zu klassifizieren. Aber wie funktioniert es?

Perceptron besteht aus 4 Teilen:

  1. Eingabewerte oder Eingabeschicht.
  2. Gewichtung und Neigung.
  3. Nettosumme.
  4. Aktivierungsfunktion.

Neuronale Netze funktionieren genauso wie ein Perceptron. Wenn Sie also wissen möchten, wie ein neuronales Netzwerk funktioniert, lernen Sie zuerst, wie Perceptron funktioniert.

Perceptron

Aber wie funktioniert es?

  • Alle Eingänge x werden mit ihren Gewichtungen w multipliziert. Nennen wir es k.
  • Addieren Sie alle multiplizierten Werte und nennen Sie sie gewichtete Summe.

Zum Beispiel: Unit Step Activation Function.

Warum brauchen wir Gewichtung und Neigung?

  • Gewichtungen zeigen die Stärke des jeweiligen Knotens.
  • Mit einem Bias-Wert können Sie die Aktivierungsfunktionskurve nach oben oder unten verschieben.

Warum brauchen wir eine Aktivierungsfunktion?

  • Kurz gesagt, die Aktivierungsfunktionen dienen dazu, die Eingabe zwischen den erforderlichen Werten wie (0, 1) oder (-1, 1) abzubilden.

Wo verwenden wir Perceptron?

  • Perceptron wird normalerweise verwendet, um die Daten in zwei Teilen zu klassifizieren. Daher wird es auch als binärer Klassifizierer bezeichnet.

Haben Sie gut verstehen können, was Perzeptron bedeutet?

Welche Verwendungen von Perzeptronen kommen noch in Frage?

Diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.

Quellen: https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53

AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410