قاعدة التعلم

تستند قاعدة تعلم البيرسيبترون إلى فرضية هيب، وقد استخدمها فرانك روزنبلات في بيرسيبترونه عام ١٩٥٨. تُمرر الشبكة إلى دالة التنشيط ( النقل )، ويُستخدم ناتج هذه الدالة لضبط الأوزان. إشارة التعلم هي الفرق بين الاستجابة المطلوبة والاستجابة الفعلية للعصبون. غالبًا ما تُستخدم دالة الخطوة كدالة تنشيط، وعادةً ما تقتصر مخرجاتها على -١ أو ٠ أو ١.

يتم تحديث الأوزان باستخدام

${\displaystyle w_{\text{new}}=w_{\text{old}}+\eta (to)x_{i}}$حيث "t" هي القيمة المستهدفة و" o" هي ناتج البيرسيبترون، و${\displaystyle \eta }$يُطلق عليه معدل التعلم.

تتقارب الخوارزمية إلى التصنيف الصحيح إذا: ^{[ 5 ]}

• بيانات التدريب قابلة للفصل الخطي *
• ${\displaystyle \eta }$صغير بما فيه الكفاية (وإن كان أصغر)${\displaystyle \eta }$يعني ذلك عمومًا وقت تعلم أطول وعددًا أكبر من الدورات التدريبية)

* تجدر الإشارة أيضًا إلى أن الشبكة العصبية ذات الطبقة الواحدة مع قاعدة التعلم هذه غير قادرة على العمل على المدخلات غير القابلة للفصل خطيًا، وبالتالي لا يمكن حل مشكلة XOR باستخدام هذه القاعدة وحدها ^{[ 6 ].}

يشبه هذا النموذج قاعدة تعلم البيرسيبترون، لكنه يختلف عنه في الأصل. طُوّر هذا النموذج لاستخدامه في شبكة ADALINE ، التي تختلف عن البيرسيبترون بشكل أساسي في عملية التدريب. تُعدّل الأوزان وفقًا للمجموع المرجح للمدخلات (الشبكة)، بينما في البيرسيبترون، كانت إشارة المجموع المرجح تُستخدم لتحديد المخرجات، حيث تُضبط العتبة على 0 أو -1 أو +1. هذا ما يُميّز ADALINE عن البيرسيبترون التقليدي.

قاعدة دلتا (DR) تشبه قاعدة تعلم البيرسيبترون (PLR)، مع بعض الاختلافات:

1. لا يقتصر الخطأ (δ) في معدل الكشف على القيم 0 أو 1 أو -1 (كما هو الحال في معدل الكشف الاحتمالي)، بل قد يأخذ أي قيمة.
2. يمكن اشتقاق DR لأي دالة إخراج/تنشيط قابلة للتفاضل f، بينما في PLR يعمل فقط مع دالة الإخراج العتبية

أحيانًا، يُشار إلى خوارزمية ويدرو-هوف باسم قاعدة دلتا عند تطبيقها على أهداف ثنائية تحديدًا، ولكن يبدو أن المصطلحين يُستخدمان غالبًا بشكل متبادل. تُعتبر قاعدة دلتا حالة خاصة من خوارزمية الانتشار العكسي .

كما أن قاعدة دلتا تشبه إلى حد كبير نموذج ريسكورلا-فاغنر الذي يحدث في ظله التكييف البافلوفي. ^{[ 8 ]}