McCulloch-Pitts nervenettverk

McCulloch-Pitts nevrale nettverk er en matematisk modell av et nevralt nettverk som ble foreslått av den amerikanske nevrofysiologen Warren McCulloch og fysikeren Warren Pitts i 1943. Denne modellen var et av de første forsøkene på å skape kunstig intelligens og hadde en betydelig innvirkning på utviklingen av informatikk og kunstig intelligens.

McCulloch og Pitts utviklet sin modell basert på ideen om at nevroner i hjernen fungerer på/av-måte og kan beskrives i form av to variabler: aksjonspotensial og latens. De foreslo at aksjonspotensialet kunne representeres som en funksjon av summen av alle inngangspotensialer, og latensen kan representeres som en funksjon av latensen til alle innganger.

Denne ideen dannet grunnlaget for den matematiske modellen av McCulloch-Pitz nevrale nettverk, som består av mange nevroner koblet til hverandre via synapser. Hvert nevron har flere innganger, som hver mottar et signal fra en annen nevron. Signaler overføres over nettverket gjennom synapser, som har forskjellig vekt som bestemmer styrken på forbindelsene mellom nevroner.

McCulloch-Pitt-modellen er grunnlaget for mange moderne nevrale nettverk og brukes til å løse problemer innen maskinlæring, mønstergjenkjenning, naturlig språkbehandling og andre områder. Den har også praktiske anvendelser innen medisin, for eksempel for å diagnostisere sykdommer eller forutsi behandlingsresultater.

McCulloch-Pitts nevrale nettverk McCulloch og Pptts foreslo en modell av et nevron, som er grunnlaget for utviklingen av kunstige nevrale nettverk. Dette nettverket består av flere nevrale nettverkslag, som hver inneholder flere nevroner. Hvert nevron ved inngangen mottar N forskjellige signaler (de kan forstås som et "mellomliggende" signal), og ved utgangen genererer det Y forskjellige verdier - signaler for neste lag med nevroner. Nevronene i det første laget mottar inngangssignaler, som er bildepiksler eller innganger som behandles av nettverket. Inndata legges inn gjennom projeksjonsnevroner. De gir et inngangssignal til inngangen til nevronet. Den driver en signalmekanisme for å generere en annen verdi som brukes i neste trinn. Denne prosessen gjentas til resultatet når den nødvendige nøyaktigheten. Det er to-lags og flerlags nevrale kommunikasjonsnettverk. Et enkelt lag kan inneholde fra to til flere hundre lenker, noe som teoretisk sett innebærer muligheten til å behandle millioner av data.