AI-For-Beginners/translations/ml/lessons/3-NeuralNetworks/03-Perceptron

ന്യൂറൽ നെറ്റ്വർക്കുകളിലേക്ക് പരിചയം: പേഴ്സെപ്ട്രോൺ

പ്രീ-ലെക്ചർ ക്വിസ്

ആധുനിക ന്യൂറൽ നെറ്റ്വർക്കിനോട് സാമ്യമുള്ള ഒന്നിനെ ആദ്യമായി നടപ്പിലാക്കാൻ ശ്രമിച്ചത് 1957-ൽ കോർണൽ എയറോണോട്ടിക്കൽ ലബോറട്ടറിയിലെ ഫ്രാങ്ക് റോസൻബ്ര്ലാറ്റ് ആണ്. ഇത് "മാർക്ക്-1" എന്ന ഹാർഡ്‌വെയർ രൂപത്തിൽ ഉണ്ടായിരുന്നു, ട്രയാംഗിളുകൾ, സ്ക്വയറുകൾ, സർക്കിളുകൾ പോലുള്ള പ്രാഥമിക ജ്യാമിതീയ ആകൃതികൾ തിരിച്ചറിയാൻ രൂപകൽപ്പന ചെയ്തിരുന്നത്.

ചിത്രങ്ങൾ വിക്കിപീഡിയയിൽ നിന്ന്

ഒരു ഇൻപുട്ട് ചിത്രം 20x20 ഫോട്ടോസെൽ അറേ ആയി പ്രതിനിധീകരിച്ചിരുന്നു, അതിനാൽ ന്യൂറൽ നെറ്റ്വർക്കിന് 400 ഇൻപുട്ടുകളും ഒരു ബൈനറി ഔട്ട്പുട്ടും ഉണ്ടായിരുന്നു. ഒരു ലളിതമായ നെറ്റ്വർക്ക് ഒരു ന്യൂറോൺ മാത്രമായിരുന്നു, അതിനെ threshold logic unit എന്നും വിളിച്ചിരുന്നു. ന്യൂറൽ നെറ്റ്വർക്കിലെ വെയ്റ്റുകൾ പോട്ടൻഷ്യോമീറ്ററുകൾ പോലെ പ്രവർത്തിച്ചു, പരിശീലന ഘട്ടത്തിൽ മാനുവൽ ക്രമീകരണം ആവശ്യമായിരുന്നു.

✅ പോട്ടൻഷ്യോമീറ്റർ എന്നത് ഒരു സർക്യൂട്ടിന്റെ റെസിസ്റ്റൻസ് ക്രമീകരിക്കാൻ ഉപയോക്താവിന് അനുവദിക്കുന്ന ഉപകരണം ആണ്.

ആ സമയത്ത് ന്യൂയോർക്ക് ടൈംസ് പേഴ്സെപ്ട്രോണിനെ കുറിച്ച് എഴുതിയതു: നാവികസേന പ്രതീക്ഷിക്കുന്ന ഒരു ഇലക്ട്രോണിക് കമ്പ്യൂട്ടറിന്റെ ഭ്രൂണ രൂപം, അത് നടക്കാനും, സംസാരിക്കാനും, കാണാനും, എഴുതാനും, സ്വയം പുനരുത്പാദിപ്പിക്കാനും, അതിന്റെ നിലനിൽപ്പിനെ ബോധ്യപ്പെടുത്താനും കഴിയും.

പേഴ്സെപ്ട്രോൺ മോഡൽ

നമുക്ക് N ഫീച്ചറുകൾ ഉള്ള ഒരു മോഡൽ ഉണ്ടെന്ന് കരുതുക, അപ്പോൾ ഇൻപുട്ട് വെക്ടർ N വലുപ്പമുള്ള ഒരു വെക്ടർ ആയിരിക്കും. പേഴ്സെപ്ട്രോൺ ഒരു ബൈനറി ക്ലാസിഫിക്കേഷൻ മോഡലാണ്, അതായത് രണ്ട് ക്ലാസ്സുകളിലുള്ള ഇൻപുട്ട് ഡാറ്റ തമ്മിൽ വ്യത്യാസം കാണിക്കാൻ കഴിയും. ഓരോ ഇൻപുട്ട് വെക്ടറിനും x, നമ്മുടെ പേഴ്സെപ്ട്രോണിന്റെ ഔട്ട്പുട്ട് +1 അല്ലെങ്കിൽ -1 ആയിരിക്കും, ക്ലാസ്സിന്റെ അടിസ്ഥാനത്തിൽ. ഔട്ട്പുട്ട് താഴെ കാണുന്ന ഫോർമുല ഉപയോഗിച്ച് കണക്കാക്കും:

y(x) = f(w^Tx)

ഇവിടെ f ഒരു സ്റ്റെപ്പ് ആക്ടിവേഷൻ ഫംഗ്ഷനാണ്

പേഴ്സെപ്ട്രോൺ പരിശീലനം

പേഴ്സെപ്ട്രോൺ പരിശീലിപ്പിക്കാൻ, ഏറ്റവും കൂടുതൽ മൂല്യങ്ങൾ ശരിയായി ക്ലാസിഫൈ ചെയ്യുന്ന വെയ്റ്റ് വെക്ടർ w കണ്ടെത്തണം, അതായത് ഏറ്റവും കുറഞ്ഞ പിശക് ഉണ്ടാക്കുന്ന w. ഈ പിശക് E, പേഴ്സെപ്ട്രോൺ ക്രൈറ്റീരിയൻ പ്രകാരം താഴെപ്പറയുന്ന വിധം നിർവചിക്കുന്നു:

E(w) = -∑w^Tx_it_i

ഇവിടെ:

• തകരാറുള്ള ക്ലാസിഫിക്കേഷൻ ഉണ്ടാക്കുന്ന പരിശീലന ഡാറ്റ പോയിന്റുകൾ i-കളുടെ സംഖ്യയാണ് ഈ സമാഹാരം
• x_i ഇൻപുട്ട് ഡാറ്റയാണ്, t_i നെഗറ്റീവ് ഉദാഹരണങ്ങൾക്ക് -1, പോസിറ്റീവ് ഉദാഹരണങ്ങൾക്ക് +1 ആണ്.

ഈ ക്രൈറ്റീരിയൻ വെയ്റ്റ് w-യുടെ ഫംഗ്ഷനായി കണക്കാക്കപ്പെടുന്നു, അതിനെ കുറയ്ക്കേണ്ടതാണ്. സാധാരണയായി ഗ്രേഡിയന്റ് ഡിസെന്റ് എന്ന രീതിയാണ് ഉപയോഗിക്കുന്നത്, ഇതിൽ നാം ആദ്യം ചില പ്രാരംഭ വെയ്റ്റുകൾ w⁽⁰⁾ എടുക്കുന്നു, പിന്നീട് ഓരോ ഘട്ടത്തിലും താഴെ കാണുന്ന ഫോർമുല പ്രകാരം വെയ്റ്റുകൾ അപ്ഡേറ്റ് ചെയ്യുന്നു:

w^(t+1) = w^(t) - η∇E(w)

ഇവിടെ η എന്നത് ലേണിംഗ് റേറ്റ് ആണ്, ∇E(w) E-യുടെ ഗ്രേഡിയന്റ് ആണ്. ഗ്രേഡിയന്റ് കണക്കാക്കിയ ശേഷം, നമുക്ക് ലഭിക്കുന്നത്:

w^(t+1) = w^(t) + ∑ηx_it_i

Python-ൽ ആൽഗോരിതം ഇങ്ങനെ കാണാം:

def train(positive_examples, negative_examples, num_iterations = 100, eta = 1):

    weights = [0,0,0] # ഭാരങ്ങൾ ആരംഭിക്കുക (ഏതാണ്ട് യാദൃച്ഛികമായി :)
        
    for i in range(num_iterations):
        pos = random.choice(positive_examples)
        neg = random.choice(negative_examples)

        z = np.dot(pos, weights) # പെർസെപ്ട്രോൺ ഔട്ട്പുട്ട് കണക്കാക്കുക
        if z < 0: # പോസിറ്റീവ് ഉദാഹരണം നെഗറ്റീവായി വർഗ്ഗീകരിച്ചു
            weights = weights + eta*weights.shape

        z  = np.dot(neg, weights)
        if z >= 0: # നെഗറ്റീവ് ഉദാഹരണം പോസിറ്റീവായി വർഗ്ഗീകരിച്ചു
            weights = weights - eta*weights.shape

    return weights

സംക്ഷേപം

ഈ പാഠത്തിൽ, നിങ്ങൾ പേഴ്സെപ്ട്രോൺ എന്ന ബൈനറി ക്ലാസിഫിക്കേഷൻ മോഡലിനെക്കുറിച്ച് പഠിച്ചു, കൂടാതെ വെയ്റ്റ് വെക്ടർ ഉപയോഗിച്ച് അത് എങ്ങനെ പരിശീലിപ്പിക്കാമെന്ന് മനസിലാക്കി.

🚀 ചലഞ്ച്

നിങ്ങൾക്ക് നിങ്ങളുടെ സ്വന്തം പേഴ്സെപ്ട്രോൺ നിർമ്മിക്കാൻ ആഗ്രഹമുണ്ടെങ്കിൽ, Microsoft Learn-ലെ ഈ ലാബ് പരീക്ഷിക്കാം, ഇത് Azure ML ഡിസൈനർ ഉപയോഗിക്കുന്നു.

പോസ്റ്റ്-ലെക്ചർ ക്വിസ്

അവലോകനം & സ്വയം പഠനം

പേഴ്സെപ്ട്രോൺ ഉപയോഗിച്ച് ഒരു ലളിതമായ പ്രശ്നവും യഥാർത്ഥ ജീവിത പ്രശ്നങ്ങളും എങ്ങനെ പരിഹരിക്കാമെന്ന് കാണാനും പഠനം തുടരാനും - Perceptron നോട്ട്‌ബുക്ക് സന്ദർശിക്കുക.

ഇതും ഒരു രസകരമായ പേഴ്സെപ്ട്രോണുകളെക്കുറിച്ചുള്ള ലേഖനം ആണ്.

അസൈൻമെന്റ്

ഈ പാഠത്തിൽ, ബൈനറി ക്ലാസിഫിക്കേഷൻ ടാസ്കിനായി പേഴ്സെപ്ട്രോൺ നടപ്പിലാക്കി, രണ്ട് കൈയെഴുത്ത് അക്കങ്ങൾ തമ്മിൽ ക്ലാസിഫൈ ചെയ്യാൻ ഉപയോഗിച്ചു. ഈ ലാബിൽ, നിങ്ങൾക്ക് അക്ക ക്ലാസിഫിക്കേഷൻ പ്രശ്നം പൂർണ്ണമായി പരിഹരിക്കണം, അതായത് നൽകിയ ചിത്രത്തിന് ഏറ്റവും അനുയോജ്യമായ അക്കത്തെ കണ്ടെത്തണം.

• നിർദ്ദേശങ്ങൾ
• നോട്ട്‌ബുക്ക്

---

അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.