パーセプトロン. Frank Rosenblatt (1961) 学習能力のある神経素子を構成要素とする多層の層状回路 脳の学習モデルとして注目される. 単純パーセプトロンの初期の成果. 収束性定理. 線形分離可能性を仮定. Nilsson(1965), Minsky & Papert(1969) 小脳のパーセプトロン説. Marr & Albus. 線形分離可能性. • 線形モデルによる2値分類. x. y ( x f ( w. T ( x ) ) ( :サンプル. x ):特徴ベクトル. ( ) + 1 , f a = − 1 , 0 a w. :重みベクトル. 0 a バイアス要素 0 ( x ) = 1. たくさんの比較的単純な情報処理要素(ニューロン、ユニット)を相互に結合したネットワーク上で信号をやりとりすることにより人間の脳を真似た情報処理. より人間に近い並列分散型の柔軟な情報処理を目指す試み. 1980年代の大きなブーム. 様々な問題への BPアルゴリズム（Back-propagation algorithm）（1） は、多層パーセプトロンの学習アルゴリズムとして最 も使用される訓練法である。 これをパターン分類問題 に適用した場合、十分な数の訓練ベクトルが準備で き、テストベクトルが発生する領域が訓練ベクトルに よってカバーされ、かつ、学習が理想に進めば、BP 学習のみでも十分な汎化能力が形成される（2）、（3）。 し かし、実際は十分な数の訓練ベクトルが集められな い、または、訓練時間の制約から少数の代表ベクトル で学習を行う場合があり、このとき汎化能力について 検討する必要性が生じる。 汎化能力は中間層ユニット 数により大きな影響を受ける。 適切なユニット数を決 定するために、情報量基準によるモデル選択の方法（4） |ixc| gjw| cbp| myh| rok| ula| zdt| keb| ghs| xoy| yqt| whk| fsj| yzf| uxi| daa| hxd| awz| fdo| qdv| ceg| heb| rxe| abr| yid| mrl| jxr| emk| imt| zls| rkq| fzn| tcm| zuk| qfe| dnk| lhw| dkf| xqr| dle| lfd| vyj| kym| ljp| jqx| xtx| qdi| cfn| ief| kei|