{"id":478395,"date":"2023-08-09T09:32:22","date_gmt":"2023-08-09T09:32:22","guid":{"rendered":""},"modified":"2023-09-05T11:16:40","modified_gmt":"2023-09-05T11:16:40","slug":"perceptron","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/it\/wiki\/perceptron\/","title":{"rendered":"Percettrone"},"content":{"rendered":"

Perceptron \u00e8 un tipo di neurone o nodo artificiale utilizzato nell'apprendimento automatico e nell'intelligenza artificiale. Rappresenta un modello semplificato di un neurone biologico ed \u00e8 fondamentale per alcuni tipi di classificatori binari. Funziona ricevendo input, aggregandolo e quindi facendolo passare attraverso una sorta di funzione a gradini. Il Perceptron viene spesso utilizzato per classificare i dati in due parti, rendendolo un classificatore lineare binario.<\/p>\n

La storia dell'origine del Perceptron e la sua prima menzione<\/h2>\n

Il Perceptron fu inventato da Frank Rosenblatt nel 1957 presso il Cornell Aeronautical Laboratory. Inizialmente \u00e8 stato sviluppato come dispositivo hardware con l\u2019obiettivo di imitare la cognizione umana e i processi decisionali. L'idea \u00e8 stata ispirata da un precedente lavoro sui neuroni artificiali di Warren McCulloch e Walter Pitts nel 1943. L'invenzione del Perceptron ha segnato una pietra miliare significativa nello sviluppo dell'intelligenza artificiale ed \u00e8 stato tra i primi modelli in grado di apprendere dal suo ambiente.<\/p>\n

Informazioni dettagliate su Perceptron<\/h2>\n

Un Perceptron \u00e8 un modello semplice utilizzato per comprendere il funzionamento di reti neurali pi\u00f9 complesse. Prende pi\u00f9 input binari e li elabora attraverso una somma ponderata, pi\u00f9 un bias. L'output viene quindi fatto passare attraverso un tipo di funzione a gradino nota come funzione di attivazione.<\/p>\n

Rappresentazione matematica:<\/h3>\n

Il Perceptron pu\u00f2 essere espresso come:<\/p>\n

s\u00ec<\/mi>=<\/mo>F<\/mi>(<\/mo>\u2211<\/mo>io<\/mi>=<\/mo>1<\/mn><\/mrow>N<\/mi><\/msubsup>w<\/mi>io<\/mi><\/msub>X<\/mi>io<\/mi><\/msub>+<\/mo>B<\/mi>)<\/mo><\/mrow>y = f(somma_{i=1}^n w_ix_i + b)<\/annotation><\/semantics><\/math><\/span><\/span>s\u00ec<\/span><\/span>=<\/span><\/span><\/span><\/span>F<\/span>(<\/span>\u2211<\/span><\/span>io<\/span>=<\/span>1<\/span><\/span><\/span><\/span><\/span>N<\/span><\/span><\/span><\/span>\u200b<\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span>w<\/span><\/span>io<\/span><\/span><\/span><\/span>\u200b<\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span>X<\/span><\/span>io<\/span><\/span><\/span><\/span>\u200b<\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span>+<\/span><\/span><\/span><\/span>B<\/span>)<\/span><\/span><\/span><\/span><\/span><\/p>\n

Dove s\u00ec<\/mi><\/mrow>s\u00ec<\/annotation><\/semantics><\/math><\/span><\/span>s\u00ec<\/span><\/span><\/span><\/span><\/span> \u00e8 l'output, w<\/mi>io<\/mi><\/msub><\/mrow>w_i<\/annotation><\/semantics><\/math><\/span><\/span>w<\/span><\/span>io<\/span><\/span><\/span><\/span>\u200b<\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span> sono i pesi, X<\/mi>io<\/mi><\/msub><\/mrow>x_i<\/annotation><\/semantics><\/math><\/span><\/span>X<\/span><\/span>io<\/span><\/span><\/span><\/span>\u200b<\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span><\/span> sono gli input, B<\/mi><\/mrow>B<\/annotation><\/semantics><\/math><\/span><\/span>B<\/span><\/span><\/span><\/span><\/span> \u00e8 il pregiudizio, e F<\/mi><\/mrow>F<\/annotation><\/semantics><\/math><\/span><\/span>F<\/span><\/span><\/span><\/span><\/span> \u00e8 la funzione di attivazione.<\/p>\n

La struttura interna del percettrone<\/h2>\n

Il Perceptron \u00e8 costituito dai seguenti componenti:<\/p>\n

    \n
  1. Livello di input<\/strong>: Prende i segnali di ingresso.<\/li>\n
  2. Pesi e bias<\/strong>: Applicato ai segnali di ingresso per enfatizzare gli input importanti.<\/li>\n
  3. Funzione di somma<\/strong>: aggrega l'input ponderato e la distorsione.<\/li>\n
  4. Funzione di attivazione<\/strong>: Determina l'output in base alla somma aggregata.<\/li>\n<\/ol>\n

    Analisi delle caratteristiche principali di Perceptron<\/h2>\n

    Le caratteristiche principali del Perceptron includono:<\/p>\n