The perceptron learning algorithm i

The perceptron learning algorithm is an example of supervised learning. This
kind of approach does not seem very plausible from the biologist’s point of
view, since a teacher is needed to accept or reject the output and adjust
the network weights if necessary. Some researchers have proposed alternative
learning methods in which the network parameters are determined as a result
of a self-organizing process. In unsupervised learning corrections to the network
weights are not performed by an external agent, because in many cases
we do not even know what solution we should expect from the network. The
network itself decides what output is best for a given input and reorganizes
accordingly.
We will make a distinction between two classes of unsupervised learning:
reinforcement and competitive learning. In the first method each input produces
a reinforcement of the network weights in such a way as to enhance the
reproduction of the desired output. Hebbian learning is an example of a reinforcement
rule that can be applied in this case. In competitive learning, the
elements of the network compete with each other for the “right” to provide the
output associated with an input vector. Only one element is allowed to answer
the query and this element simultaneously inhibits all other competitors.
This chapter deals with competitive learning. We will show that we can
conceive of this learning method as a generalization of the linear separation
methods discussed in the previous two chapters.

ผลลัพธ์ (ไทย) 3:

ที่ธรรมดาคือตัวอย่างของการเรียนรู้ การเรียนรู้ วิธีดูแล นี้
ประเภทของวิธีการไม่ได้ดูเหมือนมากเป็นไปได้จากจุดของนักชีววิทยาของ
ดูตั้งแต่เป็นครูจำเป็น จะยอมรับ หรือปฏิเสธผลและปรับ
เครือข่ายน้ำหนักถ้าจำเป็น นักวิจัยบางคนได้เสนอทางเลือก
วิธีการเรียน ซึ่งเครือข่ายพารามิเตอร์กำหนดเป็นผล
ของตนเองจัดระเบียบกระบวนการ ในการแก้ไขดาวแคระดำในเครือข่าย
น้ำหนักจะไม่ได้ดำเนินการโดยตัวแทนภายนอก เพราะในหลายกรณี
เราไม่รู้ว่า โซลูชั่น เราควรจะคาดหวังจากเครือข่าย
เครือข่ายตัวเองตัดสินใจอะไร ออก เป็น ที่ดีที่สุดสำหรับการป้อนข้อมูลและจัดการ

ตามนั้น เราจะให้ความแตกต่างระหว่างสองประเภทของการเรียนรู้แบบไม่มีผู้สอน :
การเสริมแรงการเรียนรู้และแข่งขัน ในวิธีแรกแต่ละอินพุตคมชัด
เสริมของเครือข่ายน้ำหนักในลักษณะเช่นการเพิ่ม
การสืบพันธุ์ของผลลัพธ์ที่ต้องการ . hebbian การเรียนรู้เป็นตัวอย่างของกฎการเสริมแรง
ที่สามารถใช้ในกรณีนี้ ในการเรียนรู้แข่งขัน
องค์ประกอบของเครือข่ายแข่งขันกับแต่ละอื่น ๆสำหรับ " ขวา " เพื่อให้
ผลผลิตที่เกี่ยวข้องกับอินพุตเวกเตอร์ เพียงองค์ประกอบหนึ่งอนุญาตให้ตอบแบบสอบถาม และองค์ประกอบนี้
พร้อมกันยับยั้งคู่แข่งอื่น ๆทั้งหมด .
บทนี้ ด้วยการเรียนรู้ การแข่งขัน เราจะแสดงให้เห็นว่าเราสามารถเข้าใจวิธีการเรียนรู้
เป็นเชิงนัยทั่วไปของวิธีการแยก
กล่าวในก่อนหน้านี้สองบท