1.
A mult eloadasban a neuralis halokkal ismerkedtunk meg, es kulon kitertunk a perceptronra. Ismertettuk hogy melyik feladatokat kepes ellatni a perceptron, es melyeket nem. Azzal fejeztuk, hogy a perceptron nem kepes megvalositani a XOR logikai fuggvenyt. Eben az eloadasban a neuralis halozatok tanitasarol lesz szo, a perceptron betanitasi szaballyal reszletesen foglalkozunk.
Ahhoz hogy a neuralis halozat kepes legyen ellatni egy feladatot, betanitasra van szukseg. A betanitasi modszer alapjan megkulonboztetunk felugyelt es nem felugyelt tanitast. 
Felugyelt tanitas eseten a halozat nagyszamu elore megadott pelda alapjan tanul. A tanulas a hibafuggveny alapjan a sulyok modositasaval tortenik.
Nem felugyelt halozatoknal altalaban a Kohonen onszervezo terkepet hasznaljak. Itt a halozat nem tudja hogy az adott bemenetre mi a helyes kimenet.
Ebben a kurzusban a perceptron betanitasi modszerrel fogunk foglalkozni, ez egy felugyelt modszer.

2.
A perceptron, meg egyaltalan a neuralis halozat betanitasa annyit jelent hogy meg kell hatarozni a sulyok es a kuszob erteket ugy, hogy minden bemenetre helyes kimenetet produkaljon. A legegyszerubb peldaknal, mint az "ES" logikai fuggveny, akar fejbol is meghatarozhattuk a megfelelo ertekeket, de altalanos esetben valamilyen betanitasi algoritmusra van szukseg.

Eloszor feltetelezzuk, hogy a perceptronnak hard-limit aktivacios fuggvenye van, tehat a kimenet vagy 0 vagy 1, attol fuggoen hogy a bemeneti vektor es a sulyvektor linearis kombinacioja eleri-e a kuszobot vagy nem.
Ha a perceptron nemkivanatos kimenetet ad, ket kulonbozo dolog tortenhetett:

1. a kivant kimenet 0, de a perceptron bemenete a kuszob felett van, igy az aktualis kimenet 1 lesz. Tehat a kimenet 0 helyett 1.
2. a perceptron masik hibalehetosege amikor a kivant kimenet 1, de a bemenet a kuszob alatt van. Tehat a helyes kimenet 1, de helyette 0-t kapunk.

3.
1. Ha a kimenet 0 helyett 1, ilyen esetben a sulyokat csokkenteni kell, csak kerdes hogy melyik sulyokat csokkentsuk es mennyivel? A perceptron betanitasi algoritmus szerint azokat a sulyokat csokkentjuk amelyek 1-es bemenetre vannak kotve. Itt az az otlet, hogy ha valamelyik sulyra kapcsolt bemenet nagyon nagy, akkor valoszinuleg ez az el jarult hozza a hiba legnagyobb reszehez.

2. A perceptron masik hibalehetosege amikor a kivant kimenet 1, de a bemenet a kuszob alatt van. Tehat a helyes kimenet 1, de helyette 0-t kapunk. Ebben az esetben a sulyokat novelni kell. Ugyanaz a logika szerint mint az elso esetben, azokat a sulyokat noveljuk amelyek 1-esre vannak kotve.
A betanitasi algoritmus meg egy fontos eleme a tanitasi egyutthato. Ez hatarozza meg hogy mekkora lepesekkel valtoztatjuk a sulyokat.

A kovetkezo video egy konkret peldat mutat be a perceptron betanitasi szabalyra.