Perzeptron (Perceptron)
Frühes einschichtiges neuronales Modell, das aus Beispielen eine lineare Entscheidungsgrenze lernt; Rosenblatt (1958), später durch Minsky/Papert eingegrenzt.
Ein Perzeptron ist eine einfache einschichtige Einheit eines neuronalen Netzes: Eingaben mit einstellbaren Gewichten speisen eine Schwellenfunktion für eine binäre Ja/Nein-Entscheidung. Frank Rosenblatts Entwurf von 1958 zeigte, dass ein solches System aus Fehlern lernen kann, indem es Gewichte anpasst, eine Kernidee des modernen maschinellen Lernens.
Das Buch Perceptrons (1969) von Marvin Minsky und Seymour Papert bewies, dass einschichtige Perzeptrons bestimmte Funktionen (u. a. XOR) nicht darstellen können. Fördergremien lasen daraus oft „neuronale Netze scheitern“, obwohl mehrschichtige Netze die Grenzen prinzipiell umgehen konnten. Mehrschichtiges Training wurde in den 1980ern mit Backpropagation praktikabel; heutiges Deep Learning baut weiter auf Gewichtsanpassung aus Vorhersagefehlern.