ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？

この記事では、よく知られているニューラルネットワークトポロジの基本的な理論と構造について説明します。

これは、ニューラルネットワークの設計、トレーニング、および評価の長い紹介として役立つ一連の記事の最初の記事です。目標は、多層パーセプトロンと呼ばれるニューラルネットワークアーキテクチャを実装するPythonコンピュータープログラムを使用して複雑な分類を実行することです。

パーセプトロンシリーズの残りの部分は、便利なようにここにあります：

1. ニューラルネットワークを使用して分類を実行する方法：パーセプトロンとは何ですか？
2. 単純なパーセプトロンニューラルネットワークの例を使用してデータを分類する方法
3. 基本的なパーセプトロンニューラルネットワークをトレーニングする方法
4. 単純なニューラルネットワークトレーニングを理解する
5. ニューラルネットワークのトレーニング理論の概要
6. ニューラルネットワークの学習率を理解する
7. 多層パーセプトロンを使用した高度な機械学習
8. シグモイド活性化関数：多層パーセプトロンニューラルネットワークでの活性化
9. 多層パーセプトロンニューラルネットワークをトレーニングする方法
10. 多層パーセプトロンのトレーニング式とバックプロパゲーションを理解する
11. Python実装のためのニューラルネットワークアーキテクチャ
12. Pythonで多層パーセプトロンニューラルネットワークを作成する方法
13. ニューラルネットワークを使用した信号処理：ニューラルネットワーク設計での検証
14. ニューラルネットワークのデータセットのトレーニング：Pythonニューラルネットワークをトレーニングおよび検証する方法

ニューラルネットワークとは何ですか？

ニューラルネットワークは、人間の脳の構造に大まかに基づいた信号処理ツールです。それらは通常、人工知能（AI）に関連付けられています。 「人工知能」という用語は不正確で還元的であるため、私は好きではありません。 「インテリジェンス」を数値計算を迅速に実行する能力として定義すると、ニュートラルネットワークは間違いなくAIです。しかし、私の意見では、インテリジェンスはそれだけではありません。設計するようなものです。 数値計算を迅速に実行し、それについての記事を書き、「知性」という言葉の意味を熟考し、なぜ人間がニューラルネットワークを作成してそれらについての記事を書くのか疑問に思うシステム。

さらに、人工知能は人工ではありません。とても本物 インテリジェンス、それはそれを設計した人間のインテリジェンスに従って動作する数学的システムだからです。

ニューラルネットワークは、既存のデータから「学習」し、複雑な信号処理の問題を効率的に解決できるソフトウェアルーチンです。それらは研究と実験に興味があり、場合によっては「通常の」アルゴリズムの能力をはるかに超えています。しかし、彼らは世界の飢餓をなくすことはできず、良い詩を書くこともできず、冷静でテキストメッセージを作成しない人間のように安全に車を運転できるとは思えません。

パーセプトロンとは

基本的なパーセプトロンニューラルネットワークは、概念的に単純です。これは、加重接続によって結合された2つの入力ノードと1つの出力ノードのみで構成できます。

入力データの次元は、入力層の次元と一致する必要があります。ほとんどの人は3次元を超えるものを視覚化できないため、「次元」という用語はここでは少し混乱する可能性があります。つまり、入力データ（たとえば、分類するパターン）は特定の長さのベクトルであり、入力レイヤーにはベクトル内の各要素のノードが必要です。したがって、一連の20個のデータポイントで表されるパターンを分類しようとしている場合、20個の要素のベクトルがあり、20個の入力ノードが必要です。

出力ノードは、設計者が関心を持つデータを生成します。出力ノードの数は、アプリケーションによって異なります。はい/いいえの分類を決定する場合は、入力ノードが数百ある場合でも、必要な出力ノードは1つだけです。一方、目標が入力ベクトルをいくつかの可能なカテゴリの1つに配置することである場合、複数の出力ノードがあります。

あるノードから別のノードに移動するデータには、重みが掛けられます。これらの通常のスカラー値は、実際にはパーセプトロンの機能の鍵です。重みはトレーニングプロセス中に変更され、トレーニングデータに含まれるパターンに従って重みを自動的に調整することにより、ネットワークは有用な出力を生成する機能を獲得します。

ノード内で何が起こるか？ （別名、ニューラルネットワークはどのように機能しますか？）

入力レイヤーのノードは単なる接続ポイントです。入力データは変更されません。出力レイヤー、および入力と出力の間の追加レイヤーには、ネットワークの計算ノードが含まれます。数値データが計算ノードに到着すると、最初にそれらが合計され、次に「活性化」関数が実行されます。

活性化の概念は、アクティブまたは非アクティブの活動電位を介して通信する（生物学的）ニューロンの動作に戻ります。アナログシステムというよりは、オン/オフのデジタルシステムのようなものです。 （人工）ニューラルネットワークのコンテキストでは、ノード（（人工）ニューロンとも呼ばれます）は、入力がしきい値より大きい場合は1を出力し、そうでない場合は0を出力するしきい値関数を適用することにより、ニューロンの動作を模倣できます。

次のプロットは、基本的な「ユニットステップ」活性化関数の入出力関係を示しています。

このしきい値変換をノードからノードへのデータの伝播に挿入することにより、システムに非線形性を導入します。この非線形性がないと、ニューラルネットワークの機能は非常に制限されます。ここでの理論は複雑ですが、一般的な考え方（私は思う）は、線形変換の組み合わせは、たとえこれらの線形変換が何度も発生したとしても、複雑な自然現象と高度な信号処理タスクを特徴付ける関係を近似することはできないということです。

実際のニューロンはある種のオン/オフモデルに従って動作するという事実にもかかわらず、（人工）ニューラルネットワークのアクティブ化へのしきい値アプローチは最適ではありません。このトピックについては、今後の記事で再検討します。

結論

パーセプトロンの最も基本的な要素について説明しました。次の記事では、これらの要素をまとめて、基本的なシステムがどのように機能するかを確認します。

ニューラルネットワークは広大なトピックであり、これは長いシリーズになる可能性があることを公正に警告します。でもいいものになると思います。