Waarom is dit belangrijk?
Met dit leermodel konden machines eenvoudige visuele patronen van elkaar onderscheiden en daar een keuze uit afleiden. In de wetenschap gebruikten onderzoeksgroepen het vroeg voor beeldherkenning met een camera, en het geldt als het eerste neurale netwerk. In onderwijs en in onderzoek blijft het een helder startpunt voor latere modellen, maar het deelt gegevens verkeerd in wanneer een rechte grens tussen de groepen niet volstaat.
Zo werkt het in de praktijk
In taaltechnologie traint men een perceptron om woordsoorten toe te kennen en zinnen te ontleden. Collins beschreef die training in 2002. Het algoritme draait ook bij grote leertaken op meerdere computers.
Aan Cornell University onderzocht Rosenblatt met het project Tobermory of een perceptron gesproken woorden kon herkennen. Het apparaat stond in een hele kamer. Later zochten Krauth en Mezard een scheiding met meer speling tussen de groepen.
Bij het voted perceptron van Freund en Schapire stemmen meerdere perceptrons, en elk telt zwaarder bij meer goede antwoorden. Die variant zoekt de breedste strook tussen de groepen. Met de kerneltruc, een rekenstap die gegevens herschikt, vormt zij de basis van de support-vector machine.




