Neuron McCullocha-Pittsa

Neuron McCullocha-Pittsa (ang. McCulloch-Pitts neuron, threshold neuron) – jeden z matematycznych modeli neuronu, zaproponowany w 1943 r. przez neurofizjologa Warrena McCullocha i logika Waltera Pittsa. Neuron ten posiada wiele wejść oraz jedno wyjście; każdemu z wejść przyporządkowana jest liczba rzeczywista nazywana wagą. Wartość na wyjściu neuronu obliczana jest w następujący sposób[1]:
1). obliczana jest suma iloczynów , a także dodawana jest wartość (tzw. bias) :
2). wyjście neuronu oblicza się jako wartość funkcji aktywacji obliczonej dla sumy .
W oryginalnym neuronie McCullocha-Pittsa funkcja aktywacji miała postać funkcji skokowej
a na wejścia podawane były liczby binarne, tj. 0 lub 1. McCulloch i Pitts pokazali, że taki neuron może wykonywać operacje logiczne. Późniejsze modyfikacje wprowadzały inne funkcje aktywacji oraz dopuszczały na wejścia dowolne wartości liczbowe rzeczywiste, niekoniecznie binarne.
Neuron McCullocha-Pittsa, choć prosty i ograniczony, był przełomowym modelem w historii sztucznej inteligencji, gdyż:
- wprowadził pojęcie sumy ważonej i funkcji aktywacji, które do dziś są fundamentalnymi elementami współczesnych sztucznych neuronów
- pokazał, że neurony mogą realizować logikę formalną
- stał się inspiracją dla perceptronów - pierwszych sieci neuronowych, utworzonych z połączenia neuronów McCullocha-Pittsa.
Neurony McCullocha-Pittsa realizujące bramki logiczne
[edytuj | edytuj kod]Neurony M-P realizują bramki logiczne AND, OR, NOT, NAND. Zadanie sprowadza się do ustawienia liczby wejść, wag i biasu. Wartości te dobierano "ręcznie" - dopiero późniejsze badania Rosenblatta wprowadziły metodę uczenia się sieci (por. perceptron).
Przypisy
[edytuj | edytuj kod]- ↑ Stephen Marsland: Machine Learning : an algorithmic perspective. ISBN 978-1-4665-8328-3.
Linki zewnętrzne
[edytuj | edytuj kod]- R. Sikora, Jak uczy się sztuczna inteligencja? - na YouTube - omówiono budowę sztucznego neuronu, zasadę jego trenowania