อัลกอริธึมการเรียนรู้ของ Perceptron: มันทำงานอย่างไร

สมองของมนุษย์เป็นอวัยวะที่ซับซ้อนและน่าสนใจ ความสามารถของมันไปไกลกว่าที่ตาเห็น หน้าที่ทางสรีรวิทยา จิตใจ และอารมณ์ที่ซับซ้อนเป็นเพียงส่วนเล็กๆ ของภูเขาน้ำแข็ง เมื่อพูดถึงความสามารถของสมองมนุษย์ มันเป็นธรรมชาติที่น่าสนใจมากที่สร้างแรงบันดาลใจให้วิทยาศาสตร์

มนุษย์มีแนวโน้มพิเศษที่จะเลียนแบบธรรมชาติ เราเห็นนกบิน และเราอยากได้วัตถุบินของเราเอง เครื่องบินซึ่งเป็นครั้งแรกที่สามารถบินได้เป็นผลโดยตรงจากการสังเกตนั้นและความเต็มใจที่จะทำซ้ำสิ่งที่เราเห็นและพบว่ามีค่าควร ธรรมชาติเป็นศูนย์กลางของนวัตกรรมดังกล่าวทั้งหมด

วิทยาศาสตร์ได้พัฒนาผ่านข้อจำกัดทั้งหมดและพยายามจำลองสมองมนุษย์ การวิจัยจำนวนมากได้ทำความเข้าใจว่าสมองของมนุษย์ทำงานอย่างไร และง่ายต่อการเก็บ ตีความ และจัดการข้อมูลมากมายเพียงใด แนวคิดของโครงข่ายประสาทเทียมได้แรงบันดาลใจมาจากและพบว่าเป็นเพียงการแสดงเครือข่ายประสาททางชีววิทยาในสมองของเราที่มีขนาดเล็กแต่แม่นยำ

ตอนนี้เรามีเครื่องจักรที่จำลองการทำงานของสมอง – อย่างน้อยก็ทำหน้าที่บางอย่าง ปัญญาประดิษฐ์ได้มอบเครื่องจักรที่สามารถจำแนกวัตถุ สื่อสารกับเรา คาดการณ์อนาคต และเล่นเกมได้ดีกว่าเรา

รับ หลักสูตร Machine Learning Online จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว

• สารบัญ

  โครงข่ายประสาทเทียมคืออะไร?

โครงข่ายประสาทเทียมเกิดขึ้นเมื่อชุดของโหนดหรือเซลล์ประสาทเชื่อมโยงกันผ่านการเชื่อมต่อแบบซินแนปติก มีสามชั้นในทุกโครงข่ายประสาทเทียม – เลเยอร์อินพุต เลเยอร์ที่ซ่อนอยู่ และเลเยอร์เอาต์พุต อินพุตเลเยอร์ที่สร้างขึ้นจากคอลเลกชั่นของโหนดหรือเซลล์ประสาทหลายตัวรับอินพุต ทุกเซลล์ประสาทในเครือข่ายมีฟังก์ชัน และทุกการเชื่อมต่อมีค่าน้ำหนักที่เกี่ยวข้อง อินพุตจะย้ายจากเลเยอร์อินพุตไปยังเลเยอร์ที่สร้างจากชุดเซลล์ประสาทที่แยกจากกัน ซึ่งเป็นเลเยอร์ที่ซ่อนอยู่ เลเยอร์เอาต์พุตให้ผลลัพธ์สุดท้าย

• อัลกอริทึมการเรียนรู้คืออะไร?

เป็นวิธีการปรับตัวที่จัดเครือข่ายหน่วยคำนวณด้วยตนเองเพื่อใช้พฤติกรรมที่ต้องการ อัลกอริธึมเหล่านี้บางส่วนทำได้โดยนำตัวอย่างบางส่วนของการแมปอินพุต-เอาท์พุตที่จำเป็นมาไว้ข้างหน้าเครือข่าย ทำซ้ำขั้นตอนการแก้ไขอย่างต่อเนื่องจนกว่าเครือข่ายจะสร้างการตอบสนองที่ต้องการ อัลกอริธึมการเรียนรู้สามารถเรียกได้ว่าเป็นวงปิดที่มีการแก้ไขและตัวอย่างที่ส่งต่อไปยังเครือข่าย

• อัลกอริธึมการเรียนรู้ของ Perceptron คืออะไร?

เพอร์เซปตรอน ซึ่งเป็นต้นแบบการคำนวณของเซลล์ประสาท ถูกจัดประเภทเป็นรูปแบบที่ง่ายที่สุดของโครงข่ายประสาทเทียม Frank Rosenblatt เป็นผู้คิดค้น Perceptron ที่ Cornell Aeronautical Laboratory ในปี 1957 Perceptron มีข้อมูลป้อนเข้า กระบวนการ และผลลัพธ์เพียงรายการเดียว

แนวคิดของ perceptron มีบทบาทสำคัญในการเรียนรู้ของเครื่อง มันถูกใช้เป็นอัลกอริธึมหรือตัวแยกประเภทเชิงเส้นเพื่ออำนวยความสะดวกในการเรียนรู้ตัวแยกประเภทไบนารีภายใต้การดูแล การเรียนรู้ภายใต้การดูแลเป็นหนึ่งในปัญหาการเรียนรู้ที่มีการวิจัยมากที่สุด ตัวอย่างการเรียนรู้ภายใต้การดูแลประกอบด้วยอินพุตและเอาต์พุตที่ถูกต้อง/ชัดเจนเสมอ วัตถุประสงค์ของปัญหาการเรียนรู้นี้คือการใช้ข้อมูลที่มีป้ายกำกับที่ถูกต้องสำหรับการคาดการณ์ข้อมูลในอนาคต สำหรับการฝึกโมเดล ปัญหาทั่วไปบางประการของการเรียนรู้ภายใต้การดูแล ได้แก่ การจำแนกประเภทเพื่อทำนายป้ายกำกับชั้นเรียน

ตัวแยกประเภทเชิงเส้นที่ Perceptron ถูกจัดประเภทเป็นอัลกอริธึมการจำแนกประเภท ซึ่งอาศัยฟังก์ชันตัวทำนายเชิงเส้นในการทำนาย การคาดคะเนขึ้นอยู่กับชุดค่าผสมที่รวมน้ำหนักและเวกเตอร์คุณลักษณะ ตัวแยกประเภทเชิงเส้นแนะนำสองประเภทสำหรับการจำแนกประเภทของข้อมูลการฝึกอบรม ซึ่งหมายความว่า หากจัดหมวดหมู่สำหรับสองหมวดหมู่ ข้อมูลการฝึกอบรมทั้งหมดจะอยู่ภายใต้สองหมวดหมู่นี้

อัลกอริธึมของ Perceptron ในรูปแบบพื้นฐานที่สุด พบการใช้งานในการจำแนกประเภทข้อมูลแบบไบนารี Perceptron ใช้ชื่อจากหน่วยพื้นฐานของเซลล์ประสาทซึ่งมีชื่อเดียวกัน

ในบางสถานการณ์และปัญหาการเรียนรู้ของเครื่อง คุณสามารถค้นพบอัลกอริธึมการเรียนรู้ของ Perceptron ได้หากต้องการ มันสามารถแสดงข้อจำกัดที่คุณไม่เคยรู้ว่ามีอยู่จริง แต่นี่คือปัญหาของการเรียนรู้อัลกอริธึมส่วนใหญ่ ถ้าไม่ทั้งหมด เหมาะสำหรับปัญหาบางอย่าง ไม่ใช่สำหรับปัญหาอื่นๆ จนถึงจุดหนึ่ง เครือข่ายของ Perceptron ยังพบว่าไม่มีความสามารถในการใช้ฟังก์ชันพื้นฐานบางอย่างเพียงพอ อย่างไรก็ตาม ปัญหานี้ได้รับการแก้ไขทันทีที่เครือข่าย Perceptron แบบหลายชั้นและกฎการเรียนรู้ที่ได้รับการปรับปรุงได้เข้ามามีบทบาท

ปัจจุบัน Perceptron ได้กลายเป็นอัลกอริธึมการเรียนรู้ที่สำคัญในโลกของปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ถือว่าเป็นวิธีแก้ปัญหาที่น่าเชื่อถือและรวดเร็วสำหรับประเภทของปัญหาที่มีความสามารถในการแก้ไข นอกจากนี้ หากคุณพัฒนาความเข้าใจเกี่ยวกับวิธีการทำงานของ perceptron คุณจะพบว่างานในการทำความเข้าใจเครือข่ายที่ซับซ้อนมากขึ้นง่ายขึ้นมาก

• องค์ประกอบหลักของการรับรู้คืออะไร?

1. อินพุต: ฟีเจอร์ต่างๆ ถูกใช้เป็นอินพุตในอัลกอริธึมของเพอร์เซปตรอน อินพุตจะแสดงเป็น x1, x2, x3, x4, .xn – 'x' ในอินพุตเหล่านี้ระบุค่าของฟีเจอร์และ 'n' จำนวนการเกิดขึ้นทั้งหมดของฟีเจอร์เหล่านี้ นอกจากนี้ยังมีประเภทอินพุตพิเศษซึ่งเรียกว่าอคติ เราจะกำหนดอคติในภายหลัง
2. น้ำหนัก: ค่าเหล่านี้เป็นค่าที่คำนวณระหว่างการฝึกโมเดล น้ำหนักจะได้รับค่าเริ่มต้นเมื่อเริ่มต้น ทุกครั้งที่เกิดข้อผิดพลาดในการฝึก ค่าน้ำหนักจะได้รับการอัปเดต น้ำหนักแสดงเป็น w1, w2, w3, w4, ..wn
3. อคติ: ดังที่เราได้กล่าวไปแล้วก่อนหน้านี้ ความลำเอียงเป็นประเภทอินพุตพิเศษ อนุญาตให้ลักษณนามย้ายขอบเขตการตัดสินใจไปรอบๆ จากตำแหน่งเดิมไปทางขวา ซ้าย ขึ้นหรือลง ในแง่ของพีชคณิต ความเอนเอียงทำให้ตัวแยกประเภทสามารถเปลี่ยนขอบเขตการตัดสินใจได้ วัตถุประสงค์ของอคติคือการเลื่อนแต่ละจุดไปในทิศทางเฉพาะสำหรับระยะทางที่กำหนด อคติช่วยให้การฝึกโมเดลมีคุณภาพสูงขึ้นและเร็วขึ้น อัลกอริธึมของ Perceptron สามารถแบ่งได้เป็น Perceptron แบบชั้นเดียวและแบบหลายชั้น ประเภทชั้นเดียวจัดระเบียบเซลล์ประสาทในชั้นเดียวในขณะที่ประเภทหลายชั้นจัดเรียงเซลล์ประสาทในหลายชั้น ในสถานการณ์หลายเลเยอร์ เซลล์ประสาทแต่ละเซลล์ของเลเยอร์แรกรับอินพุตและตอบสนองต่อกลุ่มของเซลล์ประสาทที่อยู่ในเลเยอร์ที่สอง กระบวนการนี้จะดำเนินต่อไปจนถึงชั้นสุดท้าย
4. ฟังก์ชันการเปิดใช้งาน/ขั้นตอน: ฟังก์ชันการเปิดใช้งานหรือขั้นตอนใช้เพื่อสร้างโครงข่ายประสาทเทียมแบบไม่เป็นเชิงเส้น ฟังก์ชันเหล่านี้สามารถเปลี่ยนค่าของโครงข่ายประสาทเทียมเป็น 0 หรือ 1 ได้ การแปลงค่าจะทำเพื่อให้ชุดข้อมูลจำแนกได้ง่าย เราสามารถใช้ฟังก์ชั่นขั้นตอนขึ้นอยู่กับค่าที่ต้องการ ฟังก์ชันซิกมอยด์และฟังก์ชันเครื่องหมายสามารถใช้สำหรับค่าระหว่าง 0 ถึง 1 และ 1 และ -1 ตามลำดับ ฟังก์ชันสัญญาณเป็นฟังก์ชันไฮเพอร์โบลิกแทนเจนต์ที่เหมาะสำหรับโครงข่ายประสาทหลายชั้น Rectified linear unit (ReLu) เป็นฟังก์ชันขั้นตอนอื่นที่สามารถใช้สำหรับค่าที่เข้าใกล้ศูนย์ – ค่าที่น้อยกว่าหรือมากกว่าศูนย์ อย่างไรก็ตาม การจำแนกประเภทเชิงเส้นกำหนดให้ Perceptron เป็นเส้นตรง
5. ผลรวมแบบถ่วงน้ำหนัก: การคูณของทุกคุณสมบัติหรือค่าอินพุต (xn) ที่เกี่ยวข้องกับค่าน้ำหนักที่สอดคล้องกัน (wn) จะให้ผลรวมของค่าที่เรียกว่าผลรวมแบบถ่วงน้ำหนัก ผลรวมถ่วงน้ำหนักจะแสดงเป็น ∑wixi สำหรับ i -> [1 ถึง n] ทั้งหมด

• ขั้นตอนในการดำเนินการอัลกอริธึมการเรียนรู้ของ perceptron

1. ป้อนคุณลักษณะของโมเดลที่จำเป็นในการฝึกเป็นอินพุตในเลเยอร์แรก
2. น้ำหนักและอินพุตทั้งหมดจะถูกคูณ - ผลคูณของน้ำหนักและอินพุตแต่ละรายการจะถูกรวมเข้าด้วยกัน
3. ค่าอคติจะถูกเพิ่มเพื่อเปลี่ยนฟังก์ชันเอาต์พุต
4. ค่านี้จะแสดงในฟังก์ชันการเปิดใช้งาน (ประเภทของฟังก์ชันการเปิดใช้งานจะขึ้นอยู่กับความต้องการ)
5. ค่าที่ได้รับหลังจากขั้นตอนสุดท้ายคือค่าเอาต์พุต

หากมีอัลกอริธึมการจำแนกประเภทอื่น ๆ เช่น KNN ที่เราสามารถใช้ในปัญหาการเรียนรู้เหล่านี้ได้ แล้วทำไมต้องเรียนรู้อัลกอริธึมของ Perceptron?

อัลกอริธึม Perceptron เหมาะที่สุดสำหรับปัญหาที่เกี่ยวข้องกับชุดข้อมูลที่ซับซ้อน เช่น ในการจดจำภาพ เป็นงานที่ยากในการฝึกอัลกอริทึมด้วย KNN และวิธีการจำแนกประเภททั่วไปอื่นๆ ในกรณีเหล่านี้ เพอร์เซปตรอนหลายชั้นเหมาะอย่างยิ่งสำหรับปัญหาเกี่ยวกับชุดข้อมูลที่ซับซ้อน ฟังก์ชันการเปิดใช้งานเป็นองค์ประกอบที่สำคัญในอัลกอริธึมการเรียนรู้ของเพอร์เซปตรอน เราสามารถใช้ฟังก์ชันการเปิดใช้งานที่แตกต่างกันได้หากอัตราการเรียนรู้ช้า

หากคุณต้องการเป็นเลิศในการเรียนรู้ของเครื่อง คุณต้องรวบรวมประสบการณ์จริงกับโครงการการเรียนรู้ของเครื่องดังกล่าว โดยการทำงานกับเครื่องมือ ML และอัลกอริธึม ML เท่านั้น คุณจึงจะเข้าใจได้ว่าโครงสร้างพื้นฐาน ML ทำงานอย่างไรในความเป็นจริง ตอนนี้ ไปข้างหน้าและทดสอบความรู้ทั้งหมดที่คุณได้รวบรวมผ่านหนังสือเรียนและบทช่วยสอน เพื่อสร้างโปรเจ็กต์แมชชีนเลิร์นนิงของคุณเอง!

หากคุณมีความหลงใหลและต้องการเรียนรู้เพิ่มเติมเกี่ยวกับปัญญาประดิษฐ์ คุณสามารถ เรียนหลักสูตร PG Diploma in Machine Learning และ Deep Learning ของ IIIT-B และ upGrad ที่มีการเรียนรู้มากกว่า 400 ชั่วโมง ภาคปฏิบัติ การช่วยเหลืองาน และอื่นๆ อีกมากมาย