https://github.com/msamuelsons/rnn-perceptron

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).
https://github.com/msamuelsons/rnn-perceptron

binary perceptron perceptron-learning-algorithm rnn

Last synced: 3 months ago
JSON representation

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).

• Host: GitHub
• URL: https://github.com/msamuelsons/rnn-perceptron
• Owner: Msamuelsons
• Created: 2024-06-09T19:16:06.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2024-06-10T02:10:52.000Z (about 1 year ago)
• Last Synced: 2025-01-22T01:16:13.987Z (5 months ago)
• Topics: binary, perceptron, perceptron-learning-algorithm, rnn
• Language: Python
• Homepage:
• Size: 4.88 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Perceptron

Este 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.

## O que é um Perceptron?

O 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.

## Estrutura do Perceptron

Um perceptron consiste em:

- **Entradas**: Valores que o perceptron recebe como entrada.

- **Pesos**: Cada entrada é multiplicada por um peso correspondente.

- **Soma ponderada**: As entradas multiplicadas pelos pesos são somadas.

- **Função de Ativação**: A soma ponderada é passada através de uma função de ativação para produzir a saída do perceptron.

## Funcionamento do Perceptron

1. **Inicialização**: Os pesos do perceptron são inicializados aleatoriamente.

2. **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.

3. **Predição**: Uma vez treinado, o perceptron pode ser usado para fazer previsões para novos dados de entrada.

## Arquivos do Projeto

- `perceptron.py`: Contém a implementação da classe Perceptron com métodos para treinamento, predição e avaliação de acurácia.

- `README.md`: Este arquivo, fornecendo uma visão geral do projeto e instruções sobre como utilizá-lo.

## Requisitos

- Python 3.x

- numpy

Você pode instalar o `numpy` usando pip:

## Explicação do Código

Este 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.

## Funcionamento do Código

Este 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:

1. Importa a classe `Perceptron` do arquivo `perceptron.py` e a biblioteca `numpy`.

2. 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.

3. Inicializa um objeto `Perceptron` com dois neurônios de entrada.

4. 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.

5. 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.

6. Calcula a acurácia do perceptron usando o método `acuracia`, comparando as predições com os valores alvo.

7. Imprime as predições para cada par de valores de entrada e a acurácia do modelo.

O objetivo final é demonstrar como um perceptron pode ser treinado e utilizado para realizar a classificação de dados e avaliar sua precisão.