McCulloch-Pittsin hermoverkko

McCulloch-Pittsin hermoverkko on hermoverkon matemaattinen malli, jonka amerikkalainen neurofysiologi Warren McCulloch ja fyysikko Warren Pitts ehdottivat vuonna 1943. Tämä malli oli yksi ensimmäisistä yrityksistä luoda tekoälyä ja sillä oli merkittävä vaikutus tietojenkäsittelytieteen ja tekoälyn kehitykseen.

McCulloch ja Pitts kehittivät mallinsa perustuen ajatukseen, että aivojen hermosolut toimivat päälle/pois -tavalla ja niitä voidaan kuvata kahdella muuttujalla: toimintapotentiaali ja latenssi. He ehdottivat, että toimintapotentiaali voitaisiin esittää kaikkien tulopotentiaalien summan funktiona ja viive voitaisiin esittää kaikkien tulojen viiveen funktiona.

Tämä ajatus muodosti perustan McCulloch-Pitzin hermoverkon matemaattiselle mallille, joka koostuu useista hermosoluista, jotka ovat yhteydessä toisiinsa synapsien kautta. Jokaisella neuronilla on useita sisääntuloja, joista jokainen vastaanottaa signaalin toiselta neuronilta. Signaalit välittyvät verkon yli synapsien kautta, joilla on erilaiset painot, jotka määräävät hermosolujen välisten yhteyksien vahvuuden.

McCulloch-Pitt-malli on monien nykyaikaisten hermoverkkojen perusta ja sitä käytetään ratkaisemaan ongelmia koneoppimisessa, hahmontunnistuksessa, luonnollisen kielen käsittelyssä ja muilla aloilla. Sillä on myös käytännön sovelluksia lääketieteessä, esimerkiksi sairauksien diagnosoinnissa tai hoitotulosten ennustamisessa.

McCulloch-Pitts hermoverkko McCulloch ja Pptts ehdottivat neuronimallia, joka on perusta keinotekoisten hermoverkkojen kehittämiselle. Tämä verkko koostuu useista hermoverkkokerroksista, joista jokainen sisältää useita neuroneja. Jokainen sisääntulon neuroni vastaanottaa N erilaista signaalia (ne voidaan ymmärtää "välisignaalina"), ja ulostulossa se tuottaa Y erilaista arvoa - signaalia seuraavalle neuronikerrokselle. Ensimmäisen kerroksen neuronit vastaanottavat tulosignaaleja, jotka ovat kuvan pikseleitä tai verkon käsittelemiä tuloja. Syöttötiedot syötetään projektiohermosolujen kautta. Ne antavat tulosignaalin neuronin tuloon. Se käyttää signaalimekanismia toisen arvon luomiseksi, jota käytetään seuraavassa vaiheessa. Tätä prosessia toistetaan, kunnes tulos saavuttaa vaaditun tarkkuuden. On olemassa kaksikerroksisia ja monikerroksisia hermoviestintäverkkoja. Yksi kerros voi sisältää kahdesta useaan sataan linkkiä, mikä teoriassa tarkoittaa kykyä käsitellä miljoonia tietoja.