下载掌阅APP，畅读海量书库
立即打开
在详细讨论感知机及其相关算法之前，先简单地介绍一下机器学习的起源。为了实现人工智能，人们试图去理解生物大脑如何工作，Warren McCulloch和Walter Pitts于1943年首次提出了简化的脑细胞概念，即所谓的McCulloch-Pitts（MCP）神经元（W.S.McCulloch，W.Pitts.A Logical Calculus of the Ideas Immanent in Nervous Activity，Bulletin of Mathematical Biophysics，5（4）：115-133，1943）。
生物神经元是大脑中相互连接的神经细胞，参与处理和传递化学信号与电信号，如图2.1所示。
McCulloch和Pitts将这种神经细胞
建模为输出为二进制信号的逻辑门。神经细胞的树突接收多个信号，然后将接收到的信号整合到细胞体中。如果细胞体中累积的信号超过某个阈值，神经细胞就会产生输出信号并由轴突将其传递给其他神经细胞。
图2.1 处理化学信号和电信号的神经元
仅仅几年之后，Frank Rosenblatt发表的论文首次提出基于MCP神经元模型的感知机学习规则（F.Rosenblatt.The Perceptron: A Perceiving and Recognizing Automaton，Cornell Aeronautical Laboratory，1957）。根据这个感知机规则，Rosenblatt提出了一个可以自动学习的权重优化算法。使用优化后的权重对输入特征加权求和，并根据结果决定是否触发神经元（产生传输信号）。在监督学习的分类场景下，可以用这个算法预测一个新样本的类别归属。