Introducción
Presentamos al perceptron simple, el cual puede clasificar dos clases linealmente diferenciables, puede parecer sensillo, pero obtener su verdadero potencial le tomo a los cientificos más de 50 años y otros 30 años más para explotar todo su potencial, ya que son la base de lo que hoy todos conocemos como Neural-network, dentro del campo del deep learning.
Algoritmo:
En este modelo del perceptron, nuestra función de activación es: F(x*W+bias) =x*W+bias
Al bias tambien lo podemos nombrar threshold en esta aplicación.
Sea: Perceptron{{X^i, Y^i,i =1,…,n}, T}
Se inicializan W y bias con valores en cero
For t = 1,...,T then
For i = 1,...,n then
If 〖Y^i*(W〗_t*X^i+bias)≤0 then
Update W_(t+1)←W_t+Y^i*X^i
Update bias ←bias+Y^i
Interpretación:
El modelo de perceptron resuelve los problemas de la forma iterativa, en la cuál su convergencia, dependerá de sus condiciones iniciales y la forma en la que su función de perdida y su actualización de estado es escrita.
He aquí la primera diferencia entre las distintas aplicaciones y tipo de algoritmos de machine learning hoy en día, todos se basan en este principio iterativo.
Entendemos que i=1,2,...,n quiere decir la cantidad de muestras que tenemos en nuestros datos, es decir los datos que queremos que nuestro perceptron aprenda.
Entendemos que t =1,2,...,T quiere decir la cantidad de iteraciones que queremos que realice nuetro perceptron, es cedir cuantas rondas de aprendizaje queremos que realice.
Entendemos que 〖Y^i*(W〗_t*X^i+bias)≤0 es la función de perdida paraeste modelo.
Por cada afirmación de la función de perdida se procede a actualizar los pesos de nuestro perceptron, de igualmente el valor del bias de este.
pesos: W_(t+1)←W_t+Y^i*X^i
bias: bias ←bias+Y^i
Algoritmo en Python3:
Conclusión:
Para poder programar el perceptron es necesario entender como funciona conceptualmente y el porqué. La programación es consecuencia de de lo primero, en esta ocación fue escrita con python, pero ustedes podrían obtenerla de otras maneras.
Me despido y muchas gracias a tod@s.