{"id":24515151,"url":"https://github.com/msamuelsons/rnn-perceptron","last_synced_at":"2025-03-15T10:28:15.156Z","repository":{"id":243592005,"uuid":"812750245","full_name":"Msamuelsons/rnn-perceptron","owner":"Msamuelsons","description":"A prova de convergência do procedimento de aprendizado proposto por Rosenblatt é conhecida como teorema de convergência do perceptron. O perceptron construído em torno de um único neurônio é limitado a realizar classificação de padrões com apenas duas classes (hipóteses).","archived":false,"fork":false,"pushed_at":"2024-06-10T02:10:52.000Z","size":5,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-22T01:16:13.987Z","etag":null,"topics":["binary","perceptron","perceptron-learning-algorithm","rnn"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/Msamuelsons.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-06-09T19:16:06.000Z","updated_at":"2024-06-10T02:10:55.000Z","dependencies_parsed_at":"2024-06-10T03:25:24.994Z","dependency_job_id":"e9c93f7a-7d89-4df3-a57f-182ccbc4945f","html_url":"https://github.com/Msamuelsons/rnn-perceptron","commit_stats":null,"previous_names":["msamuelsons/rnn-perceptron"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Msamuelsons%2Frnn-perceptron","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Msamuelsons%2Frnn-perceptron/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Msamuelsons%2Frnn-perceptron/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/Msamuelsons%2Frnn-perceptron/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/Msamuelsons","download_url":"https://codeload.github.com/Msamuelsons/rnn-perceptron/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243717011,"owners_count":20336261,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["binary","perceptron","perceptron-learning-algorithm","rnn"],"created_at":"2025-01-22T01:16:22.253Z","updated_at":"2025-03-15T10:28:15.130Z","avatar_url":"https://github.com/Msamuelsons.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Perceptron\n\nEste repositório contém uma implementação básica de um perceptron em Python utilizando a biblioteca `numpy`. Um perceptron é um tipo de neurônio artificial usado para tarefas de classificação binária.\n\n## O que é um Perceptron?\n\nO Perceptron é uma unidade básica de uma rede neural artificial inspirada no funcionamento do neurônio biológico. Ele recebe entradas, aplica pesos às entradas, soma-as e passa o resultado através de uma função de ativação para produzir uma saída. Essa saída é usada para fazer uma previsão ou tomar uma decisão.\n\n## Estrutura do Perceptron\n\nUm perceptron consiste em:\n\n- **Entradas**: Valores que o perceptron recebe como entrada.\n- **Pesos**: Cada entrada é multiplicada por um peso correspondente.\n- **Soma ponderada**: As entradas multiplicadas pelos pesos são somadas.\n- **Função de Ativação**: A soma ponderada é passada através de uma função de ativação para produzir a saída do perceptron.\n\n## Funcionamento do Perceptron\n\n1. **Inicialização**: Os pesos do perceptron são inicializados aleatoriamente.\n2. **Treinamento**: Os pesos são ajustados iterativamente com base nos erros de previsão. Durante o treinamento, os dados de entrada são alimentados ao perceptron, e os pesos são atualizados para minimizar os erros de saída.\n3. **Predição**: Uma vez treinado, o perceptron pode ser usado para fazer previsões para novos dados de entrada.\n\n## Arquivos do Projeto\n\n- `perceptron.py`: Contém a implementação da classe Perceptron com métodos para treinamento, predição e avaliação de acurácia.\n- `README.md`: Este arquivo, fornecendo uma visão geral do projeto e instruções sobre como utilizá-lo.\n\n## Requisitos\n\n- Python 3.x\n- numpy\n\nVocê pode instalar o `numpy` usando pip:\n\n\n\n## Explicação do Código\n\nEste código realiza o treinamento de um perceptron utilizando os dados de entrada `variaveis` e os alvos `target`, em seguida, realiza a predição para cada par de valores de entrada e calcula a acurácia do modelo.\n\n## Funcionamento do Código\n\nEste código implementa um exemplo de treinamento e utilização de um perceptron para realizar a classificação de dados. Aqui está uma explicação passo a passo do que o código faz:\n\n1. Importa a classe `Perceptron` do arquivo `perceptron.py` e a biblioteca `numpy`.\n2. Define os dados de treinamento `variaveis` e os alvos `target`. `variaveis` representa os pares de valores de entrada, e `target` representa os valores alvo correspondentes.\n3. Inicializa um objeto `Perceptron` com dois neurônios de entrada.\n4. Chama o método `treinamento` do perceptron, passando os dados de treinamento, uma taxa de aprendizado de 0.1 e 100 épocas de treinamento. Isso ajusta os pesos do perceptron com base nos dados de treinamento fornecidos.\n5. Realiza a predição para cada par de valores de entrada (0, 0), (0, 1), (1, 0) e (1, 1) usando o método `predicao` do perceptron com os pesos calculados no passo anterior.\n6. Calcula a acurácia do perceptron usando o método `acuracia`, comparando as predições com os valores alvo.\n7. Imprime as predições para cada par de valores de entrada e a acurácia do modelo.\n\nO objetivo final é demonstrar como um perceptron pode ser treinado e utilizado para realizar a classificação de dados e avaliar sua precisão.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fmsamuelsons%2Frnn-perceptron","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fmsamuelsons%2Frnn-perceptron","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fmsamuelsons%2Frnn-perceptron/lists"}