Perceptrón
Modelo neuronal temprano de una sola capa que aprende un límite de decisión lineal a partir de ejemplos; Rosenblatt (1958), luego acotado por Minsky y Papert.
Un perceptrón es una unidad simple de red neuronal de una sola capa: entradas con pesos ajustables alimentan una función umbral para una decisión binaria sí/no. El diseño de Frank Rosenblatt (1958) mostró que tal sistema puede aprender de errores actualizando pesos, idea central del aprendizaje automático moderno.
El libro Perceptrons (1969) de Marvin Minsky y Seymour Papert demostró que los perceptrones de una capa no pueden representar algunas funciones (entre ellas XOR). Los comités de financiación a menudo lo leyeron como «las redes neuronales fallan», aunque las redes multicapa podían eludir los límites en principio. El entrenamiento multicapa se volvió práctico con backpropagation en los 80; el aprendizaje profundo actual sigue apoyándose en ajustes de peso por error de predicción.