Apakah ada perbedaan antara istilah "jaringan saraf" dan "perceptron"?
Jawaban:
Ya, ada - "perceptron" mengacu pada model pembelajaran terawasi tertentu, yang diuraikan oleh Rosenblatt pada tahun 1957. Perceptron adalah jenis jaringan saraf tertentu, dan pada kenyataannya penting secara historis sebagai salah satu jenis jaringan saraf yang dikembangkan. Ada jenis lain dari jaringan saraf yang dikembangkan setelah perceptron, dan keragaman jaringan saraf terus tumbuh (terutama mengingat betapa canggih dan modernnya pembelajaran modern saat ini).
Model perceptron terkandung dalam set model neural net.
A (single layer) perceptron adalah jaringan saraf single layer yang berfungsi sebagai linear binary classifier. Menjadi jaringan neural lapisan tunggal dapat dilatih tanpa menggunakan algoritma yang lebih maju seperti propagasi balik dan sebaliknya dapat dilatih dengan "melangkah ke arah" kesalahan Anda dalam langkah-langkah yang ditentukan oleh tingkat pembelajaran. Ketika seseorang mengatakan perceptron, saya biasanya memikirkan versi single layer.
Namun, jika Anda berbicara tentang perceptron multilayer , maka istilahnya sama dengan jaringan saraf umpan maju .
Prosedur Pembelajaran Perceptron tidak dapat digeneralisasi ke lapisan tersembunyi
• Prosedur konvergensi perceptron bekerja dengan memastikan bahwa setiap kali bobot berubah, mereka semakin dekat ke setiap set bobot yang "layak secara dermawan".
- Jenis jaminan ini tidak dapat diperluas ke jaringan yang lebih kompleks di mana rata-rata dua solusi yang baik mungkin merupakan solusi yang buruk.
• Jadi jaringan saraf "multi-layer" tidak menggunakan prosedur pembelajaran perceptron.
- Mereka seharusnya tidak pernah disebut multi-layer perceptrons.
-Referensi Coursera.org - Neural net course - Minggu 3
Seperti @Nick disebutkan Preceptron adalah jaringan saraf dengan lapisan tunggal, yang menggunakan program tulisan tangan berdasarkan akal sehat untuk mendefinisikan fitur . Fitur-fitur ini digunakan sebagai input jaringan dan kemudian membuat keputusan biner berdasarkan itu.
[Gambar & penjelasan didasarkan pada Hinton Slide di Coursera]