پیاده سازی شبکه عصبی پرسپترون تک لایه (جلسه دوم)

پیاده‌سازی شبکه عصبی پرسپترون تک لایه و قانون یادگیری پرسپترون

در جلسه دوم ما در ابتدا شبکه‌عصبی پرسپترون تک لایه را آموزش داده و در متلب گام به گام پیاده‌سازی ‌می‌کنیم. این شبکه ساده‌ترین نوع شبکه عصبی است که برای کلاسبندی داده‌های خطی استفاده می‌شود. قبل از اینکه بخواهیم یک شبکه عصبی را در محیطی ‌پیاده‌سازی کنیم لازم است که در ابتدا به سه سوال اساسی جواب بدیم:

• ساختار این شبکه چیه؟
• قانون یادگیری شبکه چیه؟
• کاربرد این شبکه کجاست؟

ما در این جلسه به این سه سوال جواب داده و سپس تئوری همگرایی قانون یادگیری پرسپترون آموزش میدهیم. بعد از اینکه تئوری  شبکه عصبی پرسپترون تک لایه را یاد گرفتیم یک الگوریتم خلاصه شده جهت یادگیری این شبکه می‌نویسم و طبق آن در متلب به صورت مرحله به مرحله پیاده‌سازی ‌می‌کنیم. و در نهایت چند مثال عملی انجام می‌دهیم تا مطالب را به طور عملی درک کنیم.  سپس برای درک بهتر مطالب، آموزش می‌دهیم که چطور میتوان مرز تفکیک کننده داده‌ها را رسم کرد تا متوجه بشویم که شبکه عصبی پرسپترون تک لایه چطور یک مسئله کلاسبندی را انجام میدهد.

در نهایت عیب الگوریتم یادگیری پرسپترون را با یک مثال عملی در متلب نشان میدهیم و بعد سراغ راه حل می‌رویم. قانون یادگیری پرسپترون با اینکه انقلابی در حوزه هوش مصنوعی به پا کرده است ولی دو تا مشکل اساسی دارد که در ویدیو توضیح می‌دهیم. به دلیل اینکه طبقه‌بند ماکزیمم شباهت(maximum likelihood ) شباهت خیلی زیادی به پرسپترون تک لایه دارد فصل چهارم کتاب Simon haykin طبقه بندML را در ادامه مطالب پرسپترون تک لایه آورده و ایده کلاسبندی این طبقه بند را توضیح داده است. ماهم برای اینکه رشته مطالب کتاب از دست نرود تئوری کلاسبند ML را توضیح داده و سپس در متلب ‌پیاده‌سازی کرده و یک مثال عملی هم با این کلاسبند انجام می‌دهیم. سپس شباهت و تفاوت این دو کلاسبند را به طور مفصل توضیح میدهیم و نشان میدهیم که شبکه عصبی اگر قانون یادگیری پرسپترون را بهبود دهد خیلی بهتر از کلاسبندهای پارامتری مثل ML خواهد بود.

نکته: بخشی از مباحث این جلسه طبق مطالب فصل کتاب Simon haykin است.