El documento describe el perceptrón, la primera red neuronal artificial inventada por Frank Rosenblatt en 1957. El perceptrón tiene una arquitectura de dos capas, con una capa de entrada y una capa de salida con una única neurona. Se entrena mediante la regla del perceptrón, que modifica los pesos sinápticos para minimizar el error entre la salida deseada y la real. El perceptrón solo puede resolver problemas linealmente separables.

1. Unidad II Redes Neuronales Monocapa con Conexiones en Cascada El Perceptrón

8. Single-Neuron Perceptron

9. Perceptrón Multiple

11. Soluciona Problemas linealmente Separables

12. Incapaz de Resolver Problemas no linealmente separables

17. La Red fue muy criticada por M. Minsky y S. Paper en Perceptrons

19. Clasificación de Patrones por medio del Perceptrón Método Gráfico

20. Decision Boundary • All points on the decision boundary have the same inner product with the weight vector. • Therefore they have the same projection onto the weight vector, and they must lie on a line orthogonal to the weight vector

21. Example - OR

22. OR Solution Weight vector should be orthogonal to the decision boundary. Pick a point on the decision boundary to find the bias.

23. Clasificación de Patrones por medio del Perceptrón “ La regla de aprendizaje del perceptrón”

25. Learning Rule Test Problem

26. Starting Point Present p 1 to the network: Random initial weight: Incorrect Classification.

27. Tentative Learning Rule • Set 1 w to p 1 – Not stable • Add p 1 to 1 w Tentative Rule:

28. Second Input Vector (Incorrect Classification) Modification to Rule:

29. Third Input Vector Patterns are now correctly classified. (Incorrect Classification)

30. Unified Learning Rule A bias is a weight with an input of 1.

31. Multiple-Neuron Perceptrons To update the ith row of the weight matrix: Matrix form:

32. Apple/Banana Example Training Set Initial Weights

33. Perceptron Rule Capability The perceptron rule will always converge to weights which accomplish the desired classification, assuming that such weights exist.

34. Matlab Neural Network Toolbox Simulación del Perceptrón

35. Perceptrón Architecture W w 1 1  w 1 2   w 1 R  w 2 1  w 2 2   w 2 R  w S 1  w S 2   w S R  = w i w i 1  w i 2  w i R  = W w T 1 w T 2 w T S =

39. Some Question ???

40. Sorry !!!, I See you