¿Hay alguna diferencia entre los términos "red neuronal" y "perceptrón"?
Respuestas:
Sí, hay "perceptrón" se refiere a un modelo particular de aprendizaje supervisado, que fue descrito por Rosenblatt en 1957. El perceptrón es un tipo particular de red neuronal, y de hecho es históricamente importante como uno de los tipos de redes neuronales desarrolladas. Existen otros tipos de redes neuronales que se desarrollaron después del perceptrón, y la diversidad de redes neuronales continúa creciendo (especialmente dada la vanguardia y la moda del aprendizaje profundo en estos días).
Los modelos de Perceptron están contenidos dentro del conjunto de modelos de redes neuronales.
Un perceptrón (capa única) es una red neuronal de capa única que funciona como un clasificador binario lineal. Al ser una red neuronal de una sola capa, se puede entrenar sin el uso de algoritmos más avanzados como la propagación hacia atrás y, en cambio, se puede entrenar "avanzando hacia" su error en pasos especificados por una tasa de aprendizaje. Cuando alguien dice perceptrón, generalmente pienso en la versión de una sola capa.
Sin embargo, si está hablando de un perceptrón multicapa , entonces el término es el mismo que una red neuronal de retroalimentación .
El procedimiento de aprendizaje de Perceptron no se puede generalizar a capas ocultas
• El procedimiento de convergencia de perceptrón funciona asegurando que cada vez que cambien los pesos, se acerquen a cada conjunto de pesos "generosamente factible".
- Este tipo de garantía no puede extenderse a redes más complejas en las que el promedio de dos buenas soluciones puede ser una mala solución.
• Entonces, las redes neuronales “multicapa” no usan el procedimiento de aprendizaje perceptrónico.
- Nunca deberían haberse llamado perceptrones multicapa.
-Referencia Coursera.org - Curso de red neuronal - Semana 3
Como @Nick mencionó, Preceptron es una red neuronal con una sola capa, que utiliza programas escritos a mano basados en el sentido común para definir las características . Esta característica se usa como entrada de red y luego toma una decisión binaria basada en eso.
[La imagen y la explicación se basaron en las diapositivas de Hinton en Coursera]