Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- lernalgorithmus [2025/01/23 09:38] – torsten.roehl
+++ lernalgorithmus [2025/01/29 10:58] (aktuell) – [Netzeingabe $net$] torsten.roehl
@@ Zeile 1: / Zeile 1: @@
 ====== Perzeptron Lernalgorithmus ======
-//Im Folgenden wird der Lernalgorithmus für das einfache Perzeptron beschrieben. Um das Prinzip zu verstehen, werden lediglich zwei Eingangsneuronen und ein Ausgangsneuron verwendet. Mithilfe des Lernalgorithmus kann dann (z. B. in Java) gezeigt werden, dass einfache Probleme wie das UND-Problem gelernt werden können.//
+//Im Folgenden wird der Lernalgorithmus für das **einfache Perzeptron** beschrieben. Um das Prinzip zu verstehen, werden lediglich zwei Eingangsneuronen und ein Ausgangsneuron verwendet. Mithilfe des Lernalgorithmus kann dann (z. B. in Java) gezeigt werden, dass einfache Probleme wie das UND-Problem gelernt werden können.//
 ===== Topologie =====
@@ Zeile 7: / Zeile 7: @@
           * **Ausgabeneuron** $y_1$ oder $o$ für **O**utput.
           * **Gewichte** $w_{11}$ , $w_{21}$ und $w_{31}$
-                  * Das Gewicht $w_{31}$ hat immer den Wert<color #22b14c> $w_{31}=-0.1$</color> .
+                  * Das Gewicht $w_{31}$ hat (in unserem Beispiel) immer den Wert<color #22b14c> $w_{31}=-0.1$</color> .
 {{ :pnn.png?400 |}}
 <WRAP center round tip 90%>
-Die Schwelle θ wird durch ein konstantes Gewicht $w_{31}=−0.1$ festgelegt. Nur  die Gewichte $w_{11}$ und $w_{21}$ werden gelernt, um alle Trainingsmuster wiedergeben zu können.
+Die Schwelle θ wird durch ein konstantes Gewicht (in unserem Beispiel) $w_{31}=−0.1$ festgelegt. Nur  die Gewichte $w_{11}$ und $w_{21}$ werden gelernt, um alle Trainingsmuster wiedergeben zu können.
@@ Zeile 27: / Zeile 27: @@
 \begin{equation} net_j = \sum w_{ij} \cdot x_i \end{equation}
 Da wir nur ein Ausgabeneuron haben ist $net_j=net_1=net$ also folgt für drei Eingabeneuronen:
-\begin{equation} net = \sum_1^3 w_{1j} \cdot x_i = w_{11}  \cdot x_1 +   w_{12}  \cdot x_1+ w_{13}  \cdot 1\end{equation}
+\begin{equation} net = \sum_{i=1}^3 w_{i1} \cdot x_i = w_{11}  \cdot x_1 +   w_{21}  \cdot x_2+ w_{31}  \cdot 1\end{equation}
+Dabei wird verwendet, dass $x_3=1$ gesetzt worden ist.
 ==== Aktivierungsfunktion ====
-Die Aktivierungsfunktion für //Perzeptron// lautet:
+Die Aktivierungsfunktion für das //Perzeptron// lautet:
@@ Zeile 61: / Zeile 61: @@
 ==== Algorithmus ====
 <WRAP center round box 100%>
+//Perzeptron Lernalgorithmus//
@@ Zeile 72: / Zeile 72: @@
 </WRAP>
-===== Aufgabe & Test =====
+===== Test & Aufgaben =====
   - Implementieren Sie den Perzeptron-Lernalgorithmus für das UND-Problem.
           - Überprüfen Sie, ob das UND-Problem korrekt gelernt wurde, indem Sie für alle Inputvektoren $(x_1,x_2)$ die Ausgaben berechnen.
   - Ändern Sie die Implementierung um auch das ODER-Problem zu lernen.
-  - Beschäftigen Sie sich nun mit dem XOR-Problem. Ändern Sie den Code um auch dieses Problem lernenzu lassen 8-)
+          - Wiederholen Sie das Lernen mehrmals und untersuchen Sie die gelernten Gewichte $w_{11}$ und $w_{21}$.
+  - Untersuchen Sie die Abhängigkeit der Lernrate von der Anzahl der Iterationen, die benötigt werden, um das Problem zu lösen.
+          - Erstellen Sie hierfür einen aussagekräftigen Graphen.
+  -   Beschäftigen Sie sich nun mit dem <color #ed1c24> XOR-Problem</color>.
+          - Ändern Sie den Code um auch dieses Problem zu studieren.**🕱 🕱 🕱**
 <WRAP center round tip 90%>
 Passen Sie gegebenenfalls die Lernrate oder die Anzahl der Iterationen an, damit das Problem erfolgreich gelernt werden kann.
 </WRAP>