Perceptronen.

Den första datormodellen av människans neuron, perceptronen, uppfanns vid 1957 av Frank Rosenblatt. Det är en enkel modell men ger ändå värdefull insyn i hur vi människor processar information. Till höger visas en bild och ekvationen som beskriver själva processningen. Vi har ingångar, som på bilden är tre stycken. En mänsklig neuron har i storlekordningen 1000. Sen har vi en utsignal som representerar neuronens cellkropp.

Perceptronen processar information bestående av reella tal, medans det neuronella korrelatet är en frekvens av elektriska potentialtaggar, så kallade spikes. Men idén är den samma,
information kommer in (IN), informationen viktas i synapskopplingar (w), processas i en överföringsfunktion och fortleds (UT).

Perceptronens ekvation visas till höger, sign är en operation där ett positivt tal, vilket som helst, ger +1 och ett negativt tal ger -1. Utgången från en perceptron har alltså bara två lägen, plus eller minus, ja eller nej, kaffe eller te...
Detta är även någorlunda sant för neuronen, som vid lite stimulans ger ifrån sig en liten, konstant utfrekvens, men om stimulansen bara överstiger ett tröskelvärde pumpar den på med en iaf. begränsad spike-frekvens. Även här ett någorlunda binärt beteende.

Perceptronsekvationen representerar geometriskt ett plan i indatarummet, där indata på ena sidan planet ger -1 ut, och på andra sidan +1. Planets lutning bestäms av synapskopplingarnas styrka (w), att lära perceptronen någonting representerar alltså att ändra dessa värden.

Följande, något artificiella exempel illustrerar idén:
Säg att jag varit runt med en väderstation och mätt luftfuktighet och temperatur i två länder. När jag tränat min perceptron på detta data och alltså uppdaterat synapsstyrkorna korrekt så vill jag att peceptronen ska kunna säga vilket land jag är i, säg australien eller sverige, bara genom att mäta just luftfuktighet och temperatur och stoppa in dessa värden (som IN 1 och 2). Andvändbart va?

Mina mätdata och planet (i 2D en linje) visas i figur till höger. Hög luftfuktighet och temperatur hamnar på ena sidan linjen, som också kallas beslutsgräns, ger +1. Aha jag är i australien. På andra sidan får jag -1. Kvar i sverige. Shit...

Poängen med allt detta var att visa hur man kan tänka på hjärnans informationsprocessning. Våra neuron delar in representationer av vår omvärld i tänkta plan. Vi delar in och approximerar, gör regler av specialfall. Simplifierar en komplex omvärld. Ser mönster.