McCulloch-Pitts-Neuron

Auch bekannt als künstliches Neuron oder formales Neuron; einfaches mathematisches Modell eines biologischen Neurons, das 1943 von Warren McCulloch und Walter Pitts vorgeschlagen wurde. Es bildet die Grundlage für künstliche neuronale Netze und entsprechend auch fürs Machine Learning.

Quelle: Zhi-Hua Zhou (2021)

Es besteht aus den folgenden Komponenten:

• Eingaben (Inputs): Das Neuron empfängt eine Reihe von Eingaben $x_1, x_2, …, x_n$. Diese Eingaben können entweder von externen Quellen oder von den Ausgaben anderer Neuronen in einem Netzwerk stammen.
• Gewichte (Weights): Jede Eingabe hat ein zugehöriges Gewicht $w_1,w_2,...,w_n$. Diese Gewichte bestimmen die Stärke und Richtung (positiv oder negativ) des Einflusses der jeweiligen Eingabe auf das Neuron.
• Summation: Das Neuron berechnet die gewichtete Summe aller Eingaben: $$ S = \sum_{i=1}^{n} w_i \cdot x_i$$
• Schwellenwert (Threshold): Das Neuron hat einen Schwellenwert $θ$, der bestimmt, ob das Neuron aktiviert wird oder nicht.
• Aktivierungsfunktion: Das McCulloch-Pitts-Neuron verwendet eine einfache binäre Aktivierungsfunktion. Wenn die gewichtete Summe $S$ die Schwelle $\theta$ überschreitet, wird das Neuron aktiviert und gibt eine Ausgabe von 1. Andernfalls bleibt das Neuron inaktiv und gibt eine Ausgabe von 0: $$y = \begin{cases} 1 & \text{wenn } S \geq \theta \\ 0 & \text{wenn } S < \theta \end{cases}$$

• • (Zhi-Hua Zhou, 2021) Machine Learning