الإدراك
المدرك هو عصبون اصطناعي
إنها أبسط شبكة عصبية ممكنة
الشبكات العصبية هي اللبنات الأساسية للذكاء الاصطناعي .
فرانك روزنبلات
كان فرانك روزنبلات (1928 - 1971) عالمًا نفسيًا أمريكيًا معروفًا في مجال الذكاء الاصطناعي.
في عام 1957 بدأ شيئًا كبيرًا حقًا.
اكتشف العلماء أن خلايا الدماغ ( الخلايا العصبية ) تتلقى مدخلات من حواسنا عن طريق الإشارات الكهربائية.
ثم تستخدم الخلايا العصبية مرة أخرى الإشارات الكهربائية لتخزين المعلومات ، ولاتخاذ القرارات بناءً على المدخلات السابقة.
كان لدى فرانك فكرة أن الخلايا العصبية الاصطناعية يمكنها محاكاة مبادئ الدماغ ، مع القدرة على التعلم واتخاذ القرارات.
من هذه الأفكار ، "اخترع" Perceptron .
تم اختبار Perceptron على كمبيوتر IBM 704 في مختبر كورنيل للطيران في عام 1957.
المدرك
تم تصميم Perceptron الأصلي لأخذ عدد من المدخلات الثنائية ، وإنتاج مخرج ثنائي واحد (0 أو 1).
كانت الفكرة هي استخدام أوزان مختلفة لتمثيل أهمية كل إدخال ، وأن مجموع القيم يجب أن يكون أكبر من قيمة الحد قبل اتخاذ قرار مثل صواب أو خطأ (0 أو 1).
مثال على Perceptron
تخيل مدركًا حسيًا (في دماغك).
يحاول المستدرك أن يقرر ما إذا كان يجب عليك الذهاب إلى حفلة موسيقية.
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.