Perceptron

لعبة خاملة تزايدية تعتمد على بناء شبكة عصبية

Perceptron هي لعبة تزايدية جديدة تعتمد على فكرة بناء شبكة عصبية وتدريبها. لقد تم استخلاص المفاهيم الكامنة وراء الشبكة العصبية من جوهرها في هذه المحاكاة الخاملة.

لا يعني ذلك أن اللعبة بسيطة. بالتأكيد، يبدأ الأمر بسيطًا باستخدام العقد والتدريب والبيانات فقط، ولكنه سرعان ما يتضخم ليصبح لعبة خاملة معقدة تتمتع بالهيبة والترقيات. ناهيك عن الدعم دون الاتصال بالإنترنت.

قم بدور طالب جامعي شاب عندما تصبح قطبًا خاملاً. وقريبًا ستنافس GPT-3.

إن Perceptron ليس مجرد أداة نقر خاملة أخرى. لقد تم تصميمه حول فكرة تدريب الشبكة العصبية وقد استلهم من العديد من موضوعات الشبكات العصبية. من يدري، قد ينتهي بك الأمر إلى تعلم شيء ما.

مفهوم:

يعتبر البيرسيبترون، الذي قدمه فرانك روزنبلات في عام 1957، نموذجًا أساسيًا للشبكة العصبية الاصطناعية الذي يصنف البيانات الثنائية إلى فئتين باستخدام دالة خطية. إنه نموذج بسيط ولكنه قوي كان بمثابة حجر الزاوية للشبكات العصبية الأكثر تعقيدًا.

بناء:

يتكون البيرسبترون من ثلاث طبقات:

* طبقة الإدخال: تتلقى ميزات الإدخال الثنائية، والتي يتم تمثيلها عادةً بقيم 0 أو 1.

* الطبقة المخفية: تحتوي على وحدة معالجة واحدة تسمى الخلية العصبية.

* طبقة الإخراج: إخراج تصنيف ثنائي، يُشار إليه عادةً بـ 0 أو 1.

وظيفة:

تحسب الخلية العصبية الموجودة في الطبقة المخفية المجموع المرجح لميزات الإدخال:

```

المجموع المرجح = w1 * x1 + w2 * x2 + ... + wn * xn

```

أين:

* w1، w2، ...، wn هي الأوزان المرتبطة بكل ميزة إدخال

* x1، x2، ...، xn هي ميزات الإدخال الثنائية

يتم بعد ذلك تمرير المجموع المرجح من خلال دالة العتبة، والتي تنتج تصنيفًا ثنائيًا:

```

الإخراج = f (المجموع المرجح)

```

حيث f هي دالة العتبة، والتي يتم تعريفها عادةً على النحو التالي:

```

و(س) = 1 إذا كان س >= 0

و(س) = 0 إذا كان س <0

```

خوارزمية التعلم:

يتم تدريب Perceptron باستخدام خوارزمية التعلم الخاضعة للإشراف والتي تقوم بشكل متكرر بضبط أوزان الخلايا العصبية لتقليل عدد التصنيفات الخاطئة. تتبع الخوارزمية الخطوات التالية:

1. تقديم ناقل ميزة الإدخال وتصنيفه الصحيح.

2. احسب المجموع المرجح وقم بتطبيق دالة العتبة للحصول على تنبؤ Perceptron.

3. إذا كان التوقع غير صحيح، قم بتحديث الأوزان باستخدام القاعدة التالية:

```

w_i = w_i + x_i * (y - p)

```

أين:

* w_i هو الوزن المرتبط بميزة الإدخال x_i

* x_i هي قيمة ميزة الإدخال

* y هو التصنيف الصحيح

* p هو التنبؤ Perceptron

التطبيقات:

وقد وجد Perceptron تطبيقات في مجالات مختلفة، بما في ذلك:

* التصنيف الثنائي: تحديد الأشياء أو الأحداث على أنها تنتمي إلى إحدى الفئتين.

* التعرف على الأنماط: اكتشاف الأنماط أو الأشكال في البيانات.

* الانحدار الخطي: تقريب العلاقات الخطية بين متغيرات الإدخال والإخراج.

القيود:

في حين أن Perceptron فعال للبيانات القابلة للفصل خطيًا، إلا أن لديه قيودًا عند التعامل مع البيانات غير القابلة للفصل خطيًا. أدى هذا القيد إلى تطوير نماذج شبكات عصبية أكثر تعقيدًا، مثل الإدراك الحسي متعدد الطبقات والشبكات العصبية التلافيفية.