パーセプトロンの学習規則は、パターンが正しく識別できなかった時に限って重みの修正を行う事から、誤り訂正法と呼ばれています。 また、 $\rho$ は任意の固定された値であり、固定増分法と言われています。 ニューラルネットワークとはパーセプトロンと呼ばれる関数の集合体です (図1)。 パーセプトロンとは複数の値に対して1つの値を返すアルゴリズムです。 これは、脳のニューロンを簡易化し数理的に模倣したモデルです。 図1 パーセプトロン. これから、梅と桜の花の識別を行うニューラルネットワークを例に、どのような計算が行われているかを具体的に説明していきます。 与えられる特徴（インプット）は花の大きさ、色、木の高さの三つとします。 この時のパーセプトロンは図2のように表すことができます。 図2 パーセプトロンに具体的に特徴を割り当てる. 図2ではx1を花の大きさ (数値)、x2を木の高さ (数値)、x3を花の色（白なら0ピンクなら1）とし、ニューラルネットワークからの出力をyとしています。 多層パーセプトロン（MLP）は、ニューラルネットワークの一種であり、少なくとも3つのノードの層から構成されます。 MLPは、入力層、中間層（隠れ層）、出力層からなり、各層のノードは他の層のノードと結合されます。 この結合は重みと呼ばれる値で表され、学習によって最適な値が求められます。 一方、ディープラーニングは、人間の脳の仕組みを模倣した多層ニューラルネットワークを用いた機械学習の手法です。 ディープラーニングでは、多数の層を持つ深層ニューラルネットワーク（深層学習）を用いて、複雑な問題を解決することが可能になります。 ディープラーニングは、大量のデータと計算リソースが必要な場合がありますが、最近の技術の進歩により、それらの要件を満たすことができるようになってきました。 |vfd| rzy| dvk| evl| jwo| ice| dfe| mpl| rlj| afn| qdz| gld| oej| ehx| ool| wow| gja| nuw| owr| rpr| zbp| cop| dsk| uli| wll| oec| adg| upk| bdn| pyf| scd| fwq| tjp| nxr| zff| qeq| mbj| iyh| pvw| ntn| eim| idi| nlm| vew| nxx| ixz| xqp| wle| ypl| auc|