{"id":8016,"date":"2020-03-19T15:59:02","date_gmt":"2020-03-19T14:59:02","guid":{"rendered":"https:\/\/complex-systems-ai.com\/?page_id=8016"},"modified":"2022-12-03T23:03:51","modified_gmt":"2022-12-03T22:03:51","slug":"perceptron-fr","status":"publish","type":"page","link":"https:\/\/complex-systems-ai.com\/es\/algoritmos-neuronales\/perceptron-es\/","title":{"rendered":"Perceptr\u00f3n"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-page\" data-elementor-id=\"8016\" class=\"elementor elementor-8016\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-9c6dd42 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"9c6dd42\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-46d3ee6\" data-id=\"46d3ee6\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-de7c494 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"de7c494\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/algorithmes-neuronaux\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Algorithmes neuronaux<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-bc66b3e\" data-id=\"bc66b3e\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6ecfa69 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"6ecfa69\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Page d'accueil<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-c6e3d01\" data-id=\"c6e3d01\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-e74e32d elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"e74e32d\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/fr.wikipedia.org\/wiki\/Perceptron\" target=\"_blank\" rel=\"noopener\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Wiki<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-3599184 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"3599184\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-41bbd33a\" data-id=\"41bbd33a\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-69b32504 elementor-widget elementor-widget-text-editor\" data-id=\"69b32504\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_2 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Contenus<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/complex-systems-ai.com\/es\/algoritmos-neuronales\/perceptron-es\/#Perceptron\" >Perceptron<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Perceptron\"><\/span>Perceptron<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p class=\"has-text-align-justify\">Le Perceptron s&rsquo;inspire du traitement de l&rsquo;information d&rsquo;une seule cellule neuronale (appel\u00e9e neurone). Un neurone accepte les signaux d&rsquo;entr\u00e9e via son axone, qui transmettent le signal \u00e9lectrique au corps cellulaire. Les dendrites transmettent le signal aux synapses, qui sont les connexions des dendrites d&rsquo;une cellule aux axones d&rsquo;autres cellules. Dans une synapse, l&rsquo;activit\u00e9 \u00e9lectrique est convertie en activit\u00e9 mol\u00e9culaire (mol\u00e9cules de neurotransmetteurs traversant la fente synaptique et se liant aux r\u00e9cepteurs). La liaison mol\u00e9culaire d\u00e9veloppe un signal \u00e9lectrique qui est transmis \u00e0 l&rsquo;axone des cellules connect\u00e9es.<\/p>\n<p><\/p>\n<p class=\"has-text-align-justify\">L&rsquo;objectif de traitement de l&rsquo;information de la technique est de mod\u00e9liser une fonction donn\u00e9e en modifiant les pond\u00e9rations internes des signaux d&rsquo;entr\u00e9e pour produire un signal de sortie attendu. Le syst\u00e8me est form\u00e9 \u00e0 l&rsquo;aide d&rsquo;une m\u00e9thode d&rsquo;apprentissage supervis\u00e9, o\u00f9 l&rsquo;erreur entre la sortie du syst\u00e8me et une sortie attendue connue est pr\u00e9sent\u00e9e au syst\u00e8me et utilis\u00e9e pour modifier son \u00e9tat interne. L&rsquo;\u00e9tat est maintenu dans un ensemble de pond\u00e9rations sur les signaux d&rsquo;entr\u00e9e. Les poids sont utilis\u00e9s pour repr\u00e9senter une abstraction de la mise en correspondance des vecteurs d&rsquo;entr\u00e9e avec le signal de sortie pour les exemples auxquels le syst\u00e8me a \u00e9t\u00e9 expos\u00e9 pendant la formation.<\/p>\n<p><\/p>\n<p class=\"has-text-align-justify\">Le Perceptron est compos\u00e9 d&rsquo;une structure de donn\u00e9es (poids) et de proc\u00e9dures distinctes pour la formation et l&rsquo;application de la structure. La structure n&rsquo;est en r\u00e9alit\u00e9 qu&rsquo;un vecteur de poids (un pour chaque entr\u00e9e attendue) et un terme de biais.<\/p>\n<p><\/p>\n<p class=\"has-text-align-justify\">L&rsquo;algorithme suivant fournit un <a href=\"https:\/\/complex-systems-ai.com\/es\/algoritmico\/pseudo-lenguaje-y-diagrama-de-flujo\/\">pseudocode<\/a> pour l&rsquo;apprentissage du Perceptron. Un poids est initialis\u00e9 pour chaque entr\u00e9e plus un poids suppl\u00e9mentaire pour un biais constant qui est presque toujours fix\u00e9e \u00e0 1,0. L&rsquo;activation du r\u00e9seau \u00e0 un mod\u00e8le d&rsquo;entr\u00e9e donn\u00e9 est calcul\u00e9e comme suit:<\/p>\n<p><\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"aligncenter wp-image-8019 size-full\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc1.png\" alt=\"Perceptron\" width=\"319\" height=\"58\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc1.png 319w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc1-300x55.png 300w\" sizes=\"(max-width: 319px) 100vw, 319px\" \/><\/figure>\n<p><\/p>\n<p class=\"has-text-align-justify\">o\u00f9 n est le nombre de poids et d&rsquo;entr\u00e9es, x_ki est le k-\u00e8me attribut sur le i-\u00e8me motif d&rsquo;entr\u00e9e, et w_bias est le poids de biais. Les poids sont mis \u00e0 jour comme suit:<\/p>\n<p><\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"aligncenter wp-image-8020 size-full\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc2.png\" alt=\"Perceptron\" width=\"309\" height=\"37\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc2.png 309w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc2-300x36.png 300w\" sizes=\"(max-width: 309px) 100vw, 309px\" \/><\/figure>\n<p><\/p>\n<p class=\"has-text-align-justify\">o\u00f9 w_i est le i-\u00e8me poids aux temps t et t + 1, \u03b1 est le taux d&rsquo;apprentissage, e(t) et a(t) sont la sortie r\u00e9elle attendue au temps t, et x_i est la i-\u00e8me entr\u00e9e. Ce processus de mise \u00e0 jour est appliqu\u00e9 \u00e0 chaque poids tour \u00e0 tour (ainsi qu&rsquo;au poids de biais avec son entr\u00e9e).<\/p>\n<p><\/p>\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" class=\"aligncenter wp-image-8021 size-full\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc3.png\" alt=\"Perceptron\" width=\"433\" height=\"186\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc3.png 433w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/perc3-300x129.png 300w\" sizes=\"(max-width: 433px) 100vw, 433px\" \/><\/figure>\n<p><\/p>\n<p class=\"has-text-align-justify\">Le Perceptron peut \u00eatre utilis\u00e9 pour approximer des fonctions lin\u00e9aires arbitraires et peut \u00eatre utilis\u00e9 pour des probl\u00e8mes de <a href=\"https:\/\/complex-systems-ai.com\/es\/correlacion-y-regresiones\/\">r\u00e9gression<\/a> ou de classification. Le Perceptron ne peut pas apprendre un mappage non lin\u00e9aire entre les attributs d&rsquo;entr\u00e9e et de sortie. Le probl\u00e8me XOR est un exemple classique d&rsquo;un probl\u00e8me que le Perceptron ne peut pas apprendre.<\/p>\n<p><\/p>\n<p class=\"has-text-align-justify\">Les valeurs d&rsquo;entr\u00e9e et de sortie doivent \u00eatre normalis\u00e9es de telle sorte que chaque x soit dans [0; 1]. Le taux d&rsquo;apprentissage \u03b1 dans [0; 1] contr\u00f4le la quantit\u00e9 de changement que chaque erreur a sur le syst\u00e8me, les apprentissage inf\u00e9rieurs sont courants tels que 0,1. Les poids peuvent \u00eatre mis \u00e0 jour en ligne (apr\u00e8s l&rsquo;exposition \u00e0 chaque mod\u00e8le d&rsquo;entr\u00e9e) ou par lots (apr\u00e8s qu&rsquo;un nombre fixe de mod\u00e8les ait \u00e9t\u00e9 observ\u00e9). Les mises \u00e0 jour par lots devraient \u00eatre plus stables que les mises \u00e0 jour en ligne pour certains probl\u00e8mes complexes. <\/p>\n<p class=\"has-text-align-justify\">Un poids de polarisation est utilis\u00e9 avec un signal d&rsquo;entr\u00e9e constant pour assurer la stabilit\u00e9 du processus d&rsquo;apprentissage. Une fonction de transfert par \u00e9tapes est couramment utilis\u00e9e pour transf\u00e9rer l&rsquo;activation vers une valeur de sortie binaire 1&lt;&#8211;activation \u2265 0, sinon 0. Il est recommand\u00e9 d&rsquo;exposer le syst\u00e8me \u00e0 des mod\u00e8les d&rsquo;entr\u00e9e dans un ordre al\u00e9atoire diff\u00e9rent \u00e0 chaque it\u00e9ration. Les poids initiaux sont g\u00e9n\u00e9ralement de petites valeurs al\u00e9atoires, g\u00e9n\u00e9ralement dans [0; 0,5].<\/p>\n<p><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>P\u00e1gina de inicio de Wiki de Algoritmos Neurales Perceptron El Perceptron est\u00e1 inspirado en el procesamiento de informaci\u00f3n de una sola c\u00e9lula neuronal (llamada neurona). Una neurona acepta se\u00f1ales de entrada... <\/p>","protected":false},"author":1,"featured_media":0,"parent":7157,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-8016","page","type-page","status-publish","hentry"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8016","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/comments?post=8016"}],"version-history":[{"count":7,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8016\/revisions"}],"predecessor-version":[{"id":18907,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8016\/revisions\/18907"}],"up":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/7157"}],"wp:attachment":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/media?parent=8016"}],"curies":[{"name":"gracias","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}