単純パーセプトロンとAIの起源（AIシステムと人・社会との関係第1回）#放送大学講義録

ーーーー講義録始めーーーー

ディープラーニングの起源と単純パーセプトロン

現代のAI技術を支えるディープラーニングは、多層ニューラルネットワークを基盤としています。しかし、その研究の起源は、1958年にフランク・ローゼンブラットによって提案された単純パーセプトロンにさかのぼります。この研究はニューラルネットワークの原点とされ、多くの研究者が参入する新しい分野を切り開きました。

---

単純パーセプトロンの構造と動作

単純パーセプトロンは、以下の要素で構成されています（印刷教材図1.10参照）：

• 入力値（x₁, x₂, x₃）：特徴量を表します。
• 重み（w₁, w₂, w₃）：各入力に割り当てられる重み。
• 閾値（θ）：判定の基準値。

計算プロセスは次の通りです：

1. 入力値 $x₁, x₂, x₃$ に重み $w₁, w₂, w₃$ を掛けた総和を計算します： $$f(x)=(x_1\cdot w_1)+(x_2\cdot w_2)+(x_3\cdot w_3)$$
2. 総和 $f(x)$ と閾値 $θ$を比較します：
   • $f(x) \geq θ$ の場合、出力は1。
   • $f(x) < θ$ の場合、出力は0。

このシンプルなモデルで、データを分類することが可能です。

---

具体例：猫とその他の動物の判別

印刷教材図1.10に基づく具体例を以下に示します。ここでは、「猫」と「猫以外の動物」を分類する単純パーセプトロンを考えます：

• 特徴量：
  • $x₁$：ヒゲの長さ（cm）
  • $x₂$：耳の長さ（cm）
  • $x₃$：顎の長さ（cm）
• 重み：
  • $w₁ = 0.3, w₂ = 0.2, w₃ = 0.5$
• 閾値：$θ = 7$

データ例：

1. データ1（猫）：$x₁ = 10, x₂ = 4, x₃ = 10$

   $$f(x)=(10\cdot 0.3)+(4\cdot 0.2)+(10\cdot 0.5)=8.8$$$$$f(x) = 8.8 \geq 7$ のため、「猫」と判定。

2. データ2（猫以外の動物）：$x₁ = 6, x₂ = 2, x₃ = 5$

   $$f(x)=(6\cdot 0.3)+(2\cdot 0.2)+(5\cdot 0.5)=4.7$$

   $f(x) = 4.7 < 7$ のため、「猫以外」と判定。

このように、特徴量を数値化し、重みと閾値を設定することでデータを分類します。

---

学習プロセスと応用

単純パーセプトロンは誤った判定を行う場合があります。その際、**重み（w₁, w₂, w₃）**を調整することで判定精度を向上させます。この調整を繰り返すプロセスが学習であり、ニューラルネットワーク研究の基礎を築く重要なステップとなりました。

---

ニューラルネットワークの発展

単純パーセプトロンの提案により、ニューラルネットワークは記号主義AIとは異なる新しい研究分野として認識され、1960年代にブームを迎えました。その後、単純パーセプトロンでは解けない問題が指摘されるようになり、多層構造を持つディープラーニングへと進化しました。

AIシステムと人・社会との関係 (放送大学教材)