AI Dictionary › Fondamenti AI
Percettrone
The perceptron is the most elementary mathematical model of an artificial neuron: it receives a set of numerical inputs, combines them by computing a weighted sum, and applies a function to this result that decides the final output, originally often a simple threshold producing a binary response. It is considered the basic building block from which modern neural networks conceptually derive.
The perceptron is the most elementary mathematical model of an artificial neuron: it receives a set of numerical inputs, combines them by computing a weighted sum, and applies a function to this result that decides the final output, originally often a simple threshold producing a binary response. It is considered the basic building block from which modern neural networks conceptually derive.
Each input to the perceptron is multiplied by an associated weight, the products are summed together with a bias term, and the result passes through an activation function that determines the output. In its original form, a single perceptron can learn to separate linearly separable data, meaning data that can be divided into two categories by a line or a plane, but it cannot solve problems where this linear separation is not possible.
A single perceptron today has mostly educational and historical value, but the principle it embodies, a weighted combination of inputs followed by an activation function, is exactly the basic mechanism of every single artificial neuron present in the layers of modern deep neural networks, including those used in language models. By stacking and connecting many perceptrons across multiple layers, the multilayer perceptron overcomes the limit of linear separability.
The term was coined to describe this first model of an artificial neuron, loosely inspired by the functioning of biological neurons, and it dates back to the earliest studies on artificial neural networks conducted in the 1950s.
Il percettrone è il modello matematico più elementare di neurone artificiale: riceve in ingresso un insieme di valori numerici, li combina calcolando una somma pesata, e applica a questo risultato una funzione che decide l'output finale, spesso in origine una semplice soglia che produce una risposta binaria. È considerato la cellula di base da cui derivano concettualmente le reti neurali moderne.
Ogni input del percettrone è moltiplicato per un peso associato, i prodotti vengono sommati insieme a un termine di bias, e il risultato passa attraverso una funzione di attivazione che determina l'output. Nella sua forma originale, un singolo percettrone può imparare a separare dati linearmente separabili, cioè dati che possono essere divisi in due categorie tramite una linea o un piano, ma non può risolvere problemi in cui questa separazione lineare non è possibile.
Un singolo percettrone ha oggi soprattutto valore didattico e storico, ma il principio che incarna, la combinazione pesata di input seguita da una funzione di attivazione, è esattamente il meccanismo di base di ogni singolo neurone artificiale presente negli strati delle reti neurali profonde moderne, incluse quelle usate nei modelli linguistici. Impilando e collegando molti percettroni in più strati, il percettrone multistrato supera il limite della separabilità lineare.
Il termine è stato coniato per descrivere questo primo modello di neurone artificiale ispirato, in modo semplificato, al funzionamento dei neuroni biologici, e risale ai primi studi sulle reti neurali artificiali condotti negli anni '50 del Novecento.
From our network
AGORÀ Intelligence — Enterprise AI Governance Platform
Govern AI at scale: policies, adoption and measurable results on your data. Built for boards and C-suite.
Visit agora-intelligence.com →From the Agora Intelligence blog
📱 Download the Android app (beta) iOS coming soon
Say what you mean. Get what you need.
Grace Certified — the AI coach that trains and certifies your prompt engineering — by Agora Intelligence.