Perceptron
Modèle neuronal précoce monocouche qui apprend une frontière de décision linéaire à partir d'exemples ; Rosenblatt (1958), ensuite limité par Minsky et Papert.
Un perceptron est une unité simple de réseau neuronal monocouche : des entrées avec des poids ajustables alimentent une fonction de seuil pour une décision binaire oui/non. Le design de Frank Rosenblatt (1958) a montré qu’un tel système peut apprendre de ses erreurs en mettant à jour les poids, idée centrale de l’apprentissage automatique moderne.
L’ouvrage Perceptrons (1969) de Marvin Minsky et Seymour Papert a prouvé que les perceptrons monocouches ne peuvent pas représenter certaines fonctions (dont le XOR). Les comités de financement y ont souvent lu « les réseaux neuronaux échouent », alors que des réseaux multicouches pouvaient en principe contourner les limites. L’entraînement multicouche est devenu pratique avec la rétropropagation dans les années 1980 ; l’apprentissage profond actuel repose toujours sur l’ajustement des poids à partir des erreurs de prédiction.