Das Video kommt von YouTube: erst beim Abspielen verbindet sich die Seite mit YouTube (Google).
Perzeptron Lernalgorithmus: Informatik
Das Wichtigste aus dem Video
Tipp auf eine Zeit – das Video springt genau dorthin.
Transkriptautomatisch erstellt · 57 Zeilen
- hallo und herzlich willkommen in meiner informatikecke heute geht's mit den perzeptronen weiter und wir schauen uns an wie denn der lernalgorithmus bei
- perzeptronen funktioniert wir brauchen erstmal ein perar zeptronen das überhaupt lernen
- kann und wir machen uns sozusagen ein blank perzeptronia also das überall mit null initialisiert ist das sieht etwa so aus wir haben z.B vier
- Eingänge und den Schwellenwert den setzen wir auch auf Null jetzt ist die Frage was soll dieses perzeptronen lernen also soll ja
- irgendwie eine bullsche Funktion sein und ich habe mir hier eine Aufgabe rausgesucht die habe ich mal auf einem Übungsblatt in der Uni gehabt und da
- ging es darum diese Funktion hier zu lernen nicht X1 und x3 und X4 oder
- X2 nicht X3 nicht X4 und ganz klar wir haben die Eingänge natürlich hier von oben nach
- unten UPS durchnumermeriert was uns dann noch fehlt ist eine trainingsmenge wenn wir hier die
- Funktion kennen könnten wir uns die komplett selber erstellen bei unserem bei unserer Aufgabe hier sind ein paar
- trainingsvektoren gegeben die trainingsmenge Blende ich jetzt mal ein die habe ich schon aufgeschrieben das sind jetzt also sechs
- Vektoren mit denen trainiert werden soll jetzt wundert ihr euch wahrscheinlich wir haben doch nur vier Eingänge warum steht hier jetzt noch eine fünfte ja ein
- fünfter Wert in dem Vektor dabei das liegt schlichtweg daran dass wir mit den erweiterten Vektoren arbeiten das heißt
- der Schwellwert hier der liegt immer negativ auf der ersten Stelle und danach kommen die ganz normalen Eingänge das liegt daran dass wir den Schwellwert
- natürlich mitrainieren müssen und deswegen möchte man möglichst alles in einen Vektor schreiben dann ist das alles viel einfacher also hier ganz oben
- erste Schwellwert deswegen ist ja auch hier immer ein den der wird bei den Eingängen immer mit ein
- beschaltet damit der da ist überhaupt sozusagen deswegen ist auch überall hier oben ein und unten die unteren vier Werte sind die Werte für die
- Eingänge so jetzt haben wir die Vektoren und jetzt müssen wir uns noch überlegen was denn das Ergebnis sein soll wenn diese
- Eingänge geschalten sind und wir haben ja hier oben die Funktion das heißt das können wir wir uns einfach schnell ausrechnen ich schreib die die
- gewünschten Ergebnisse mal dann immer in rot drunter also Schwellwert kann uns in diesem Fall erst egal sein wir schauen
- uns nur die unteren vier an und setzen die hier oben ein und schauen dann was rauskommt und das heißt wir haben hier das Ergebnis 0
- 1 0 100 1 also wenn wir diese Beschaltungen unserem parzeptron vornehmen möchten
- wirmer das Ergebnis erhalten was drunter steht so jetzt haben wir alle Voraussetzungen um mit dem Lernen loslegen zu
- können jetzt machen wir uns vielleicht noch ein paar grundlegende Gedanken vorher es kann natürlich jetzt sein dass mein perzeptronen mit diesen Eingängen
- von vorne herein das gewünschte Ergebnis liefert dann müssen wir nichts mehr tun ich denke ist klar es kann aber sein dass eigentlich wir gerne eine 1 hätten
- aber im Moment eine Null als Ergebnis steht was ist dann die logische Schlussfolgerung wir erhöhen unsere Gewichte und zwar erhöht man dann die
- Gewichte mit dem eingabenvektor mit dem man gerade arbeitet mal einer konstanten also man kann noch einen Faktor davor schreiben diesen Faktor meistens ist es
- ein Alpha den setzen wir hier auf ein also wenn wir eine Null haben aber eigentlich auf ein 1 kommen
- wollen dann ist unser W neu also unser neuer gewichtsvektor der alte gewichtsvektor plus Alpha wie nennen wir unsere
- eingabenvektoren nennen wir sie
- V das hier sind unsere eingabenvektoren also hier machen wir sind natürlich auch Vektoren Alpha ist eine konstante +
- V das V mit dem wir gerade arbeiten den Fall geht's natürlich auch noch umgekehrt wenn wir ein 1 haben aber eigentlich eine ull haben
- wollen dann ist das Ganze gleich nur dass wir abziehen denn es soll ja wir möchten ja auf einen niedrigeren Wert hin arbeiten deswegen ist es natürlich
- sinnvoll abzuziehen ich glaube wir probieren es jetzt einfach aus ich mache hier mal die ersten vier
- Vektoren die letzten beiden dürft ihr dann zum Schluss als Aufgabe bearbeiten und wir starten mal also ganz am Anfang haben wir unseren Vektor mit lauter
- Nullen initialisiert das sind unsere Eingabewerte die werden drauf geschalten und ihr wisst noch wir
- rechnen dann ein Skalarprodukt aus hier mit unseren eingangswerten also wir haben hier gewichtsvektor
- Eingangswerte wenn wir hier das glarprodukt Ausrechnen sieht man gleich kommt Null raus wir arbeiten jetzt ja mit diesen
- erweiterten gewichtsvektoren hier und deswegen vergleichen wir nicht mehr direkt mit dem Schwellenwert sondern wir vergleichen jetzt immer mit ull also
- wenn wir ein Ergebnis haben das größer als 0 ist erhalten wir 1 und wenn es kleiner gleich 0 ist erhalten wir 0 und die 0 ist kleiner gleich 0 also ist das
- Ergebnis 0 und wir gucken mal wir haben null rausbekommen haben eine Null gewollt ist
- also so gelaufen wie wir das gepl haben wir müssen nichts verändern gehen wir weiter zum nächsten Vektor unser gewichtsvektor sieht immer
- noch so aus wir haben ja nichts gemacht hier haben wir jetzt 10 [Musik]
- 10 wenn wir das Ausrechnen kommen wir auch auf Null wie vorhin das heißt unser perzeptron würde auch null
- ausspucken aber wir wollten eigentlich eine 1 haben also Problem das heißt jetzt schauen wir mal
- wir haben eine ull wollten eine 1 0 wollten eine 1 das heißt addieren unser Alpha haben wir gesagt für diese Übung setzen wir auf ein das macht am
- einfachsten das heißt wir addieren unseren gewichtsvektor mit dem eingabevektor also gewichtsvektor hier plus eingabewektor hier
- dann 0 und 1 1 0 und 0 S 0 0 0 voil unser neuer gewichtsvektor und mit dem arbeiten wir jetzt einfach weiter nächste eingabevektor aus der
- trainingsmenge ist hier oben 10 10
- 1 da bekommen wir 2 2 ist größer als 0 das heißt unser perzeptron sagt hier es kommt eine 1 raus okay was wollten wir haben wir
- wollten aber eigentlich eine Null haben ist jetzt wieder doof gelaufen also hier Problem diesmal sind wir zum unteren Fall das heißt wir machen das gleiche
- ziehen aber ab das bedeutet wir ziehen hier diesen trainingsvektor oder eingabevektor von unserem gewichtsvektor
- ab also hier min drüben daraus bekommen wir 1 - 1 0 0- 1 0 1- 1 0 0- 1 okay vierter Vektor aus der trainingsmenge ist 1
- 10 da sehen wir schon wieder kommt 0 raus und die KLE die ull also sagt das perzeptron auch null wir wollten aber eine ein haben wieder blöd gelaufen
- müssen also schon wieder was ändern also ull wten aber eine 1 das heißt wir addieren wieder und kommen dann auf 1 1
- 10-1 so jetzt sind noch zwei Vektoren übrig ich würde sagen die macht ihr jetzt mal noch fertig Lösung gibt's unter dem Video und stellt euch auch
- noch die Frage ob danach unser perzeptron schon vollständig trainiert ist so viel zu mir ich hoffe es hat euch wieder Spaß gemacht und bis zum nächsten
- Mal tschüss
Zum Nachlesen
PerzeptronDas Perzeptron (nach engl. perception, „Wahrnehmung“) ist ein vereinfachtes künstliches neuronales Netz, das zuerst von Frank Rosenblatt 1957 vorgestellt …
Künstliches NeuronEin künstliches Neuron bildet die Basis für das Modell der künstlichen neuronalen Netze, ein Modell aus der Neuroinformatik, das durch biologische neuronale …
BackpropagationFehlerrückführung bzw. Rückpropagierung ist ein verbreitetes Verfahren zum Einlernen künstlicher neuronaler Netze. Es gehört in der einfachen Form zur Gruppe …
Künstliches neuronales NetzEin künstliches neuronales Netz besteht aus mehreren künstlichen Neuronen, die miteinander verbunden sind und in der Regel in Schichten organisiert werden. Im …