AITerms 登入
機器學習神經網路AI基礎

感知器(Perceptron)是什麼?

感知器是最簡單的神經網路模型,模擬生物神經元,接收輸入、加權求和、通過激活函數輸出,用於二元分類。

完整定義

感知器是一種二元線性分類器,也是最簡單的前饋神經網路。它接收多個輸入,每個輸入都有一個權重,將這些加權輸入求和,然後通過一個激活函數(通常是階躍函數或符號函數)來產生一個二元輸出。感知器主要用於解決線性可分的問題。

白話說明

你有沒有想過,最簡單的神經網路怎麼先把兩類東西分開?

你可以把 感知器 想成 模型學到的就是這些數值。

訓練真正改變的,就是參數,一條線先切出兩類,這就是感知器的核心 這件事就特別重要。

記住這句

一條線先切出兩類,這就是感知器的核心

比喻:感知器就像一個簡單的「是非判斷機」-- 它接收幾個資訊(輸入),根據每個資訊的重要性給予不同權重,然後決定最終答案是「是」或「否」(二元分類)。

容易混淆

感知器 vs 深度學習神經網路

感知器像一個單細胞生物,只能做最簡單的判斷;深度學習像一個大腦,由多個層次感知器組成,能處理非常複雜的模式和任務。

最關鍵的區別:一個是模型學到的值,一個是人先設的值。

感知器 vs 超參數

參數是模型自己學出來的數值,超參數是人先設好的設定

最關鍵的區別:一個靠訓練學,一個靠人先決定。

實際案例

案例 1:用感知器把可分的郵件分成垃圾和正常

案例 2:教學時拿它示範線性分類和權重更新

演算法與應用

核心意思就是:一條線先切出兩類,這就是感知器的核心。

神經網路裡的權重和偏差都屬於參數

訓練時會透過損失函數和梯度下降去調整它們

情境判斷

Q2(判斷題): 參數多就一定比較好嗎?

看情況,參數多代表容量大,但資料和訓練不夠時也更容易過擬合

常見問題

範例考題

某智慧城市專案導入 AI 技術,以優化垃圾收集路線調度並即時監測空氣品質變化。系統需持續蒐集環境數據(如 PM2.5、氣體濃度)與設備狀態(如垃圾桶滿溢溫度)。下列何種技術最直接支援上述需求?

  1. A專家系統(Expert System)
  2. B決策支援系統(Decision Support System)
  3. C啟發式決策引擎(Heuristic Decision Engine)
  4. D感知器網路(Sensor Network)
到題目頁作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本