Нейрокомпьютер Mark-1

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск

Alfit Gaifullin (Обсуждение | вклад)
(Новая: = Нейрокомпьютер Mark I = '''Нейрокомпьютер Mark I''', или '''Mark I Perceptron''' («Перцептрон Mark I»), — экспериментальна...)
К следующему изменению →

Версия 10:07, 18 июля 2026

Содержание

Нейрокомпьютер Mark I

Нейрокомпьютер Mark I, или Mark I Perceptron («Перцептрон Mark I»), — экспериментальная электронно-электромеханическая вычислительная система для обучения распознаванию зрительных образов, созданная в конце 1950-х годов в Корнеллской авиационной лаборатории под руководством американского психолога и исследователя Фрэнка Розенблатта. Mark I представлял собой одну из первых аппаратных реализаций перцептрона — обучаемой модели, в которой ответ системы изменялся посредством настройки весов связей на основе предъявляемых примеров.

Название «нейрокомпьютер» применяется к Mark I преимущественно ретроспективно. В документах периода его разработки устройство называлось Mark I Perceptron, photoperceptron или просто perceptron. Система создавалась не как универсальный цифровой компьютер, а как специализированная исследовательская установка, моделировавшая некоторые предполагаемые принципы организации биологических нейронных сетей.

Mark I принимал оптическое изображение с массива фотоэлементов, преобразовывал его при помощи промежуточных ассоциативных элементов и формировал один из возможных ответов. Веса части связей могли изменяться в процессе обучения. Благодаря этому поведение машины определялось не только заранее составленной программой, но и накопленным опытом предъявления размеченных образов.[1]

История создания

Теоретические предпосылки

Mark I возник в рамках исследований, объединявших математическую психологию, нейрофизиологические представления, теорию вероятностей и разработку вычислительных машин.

В 1943 году Уоррен Мак-Каллок и Уолтер Питтс предложили математическую модель формального нейрона. Такой элемент получал несколько двоичных сигналов и активировался, если их суммарное воздействие превышало заданный порог.[1]

Эта модель показала, что сети достаточно простых пороговых элементов способны реализовывать логические операции. Однако в исходной форме параметры сети задавались разработчиком, а не формировались в результате обучения.

В 1949 году Дональд Хебб сформулировал нейропсихологическую гипотезу, согласно которой одновременная активность нейронов может приводить к усилению связей между ними. Эта идея оказала влияние на развитие обучаемых нейронных моделей, хотя конкретные алгоритмы Розенблатта не являлись прямой реализацией одного универсального «правила Хебба».[1]

Розенблатт стремился построить модель, которая не только выполняла бы заранее заданные логические операции, но и приобретала способность различать классы стимулов на основании опыта.

Проект PARA

Работы над перцептроном проводились в Корнеллской авиационной лаборатории в Буффало в рамках проекта PARA — Perceiving and Recognition Automaton, то есть проекта автомата восприятия и распознавания.

В январе 1957 года Розенблатт подготовил отчёт The Perceptron: A Perceiving and Recognizing Automaton. В нём перцептрон описывался как вероятностно организованная система, способная изменять реакции под влиянием подкрепления.[1]

Проект поддерживался Управлением военно-морских исследований США и исследовательскими организациями Военно-воздушных сил США. Интерес государственных учреждений был связан, в частности, с возможностью автоматического анализа изображений и распознавания объектов.

Первоначально работа перцептрона исследовалась при помощи программного моделирования на цифровом компьютере IBM 704. В одной из ранних демонстраций компьютер обучался различать карточки с отметкой в левой части и карточки с отметкой в правой части.[1]

Программное моделирование позволяло проверять математические свойства модели, но Розенблатт рассматривал перцептрон прежде всего как физическую машину, организация которой частично воспроизводила бы предполагаемые принципы работы нервной системы.

Создание аппаратной системы

В 1958 году Розенблатт и сотрудники Корнеллской авиационной лаборатории создали аппаратную установку Mark I Perceptron.[1]

Различные компоненты устройства были электронными и электромеханическими. Оптические сигналы регистрировались фотоэлементами, логические элементы обрабатывали поступавшие импульсы, а настраиваемые веса связей физически представлялись положениями потенциометров. Изменение части весов осуществлялось электродвигателями.

Подробное описание устройства и порядка его эксплуатации было опубликовано в 1960 году в руководстве оператора.[1]

В 1967 году Mark I был передан из Корнеллского университета в коллекцию Смитсоновского института при участии Управления военно-морских исследований США.[1]

Архитектура

Архитектура перцептрона Розенблатта включала три основных типа элементов:

  • сенсорные элементы, или S-элементы;
  • ассоциативные элементы, или A-элементы;
  • реагирующие элементы, или R-элементы.

Эта последовательность внешне напоминает слоистую архитектуру современных искусственных нейронных сетей, однако устройство Mark I и способы обучения существенно отличались от современных многослойных моделей.

Сенсорный слой

Входная часть Mark I называлась сетчаткой и состояла из массива фотоэлементов. В одной из основных конфигураций использовалась сетка размером 20 \times 20, содержавшая 400 светочувствительных элементов.

Каждый фотоэлемент соответствовал одной позиции изображения. Освещённая область формировала активный сигнал, а неосвещённая — неактивный или более слабый сигнал.

Таким образом, входной образ можно представить как вектор:

\mathbf{x} = (x_1,x_2,\ldots,x_{400}),

где x_i обозначает состояние соответствующего фотоэлемента.

Для предъявления стимулов могла использоваться оптическая система с камерой. В конструкции также присутствовали ручные переключатели, позволявшие задавать входные сигналы при настройке и проведении экспериментов.

Пространственное разрешение в 400 элементов было крайне небольшим по сравнению с современными системами компьютерного зрения, однако для экспериментального распознавания простых геометрических образов оно позволяло формировать достаточно различимые входные конфигурации.

Ассоциативные элементы

Сигналы сенсорной сетчатки поступали к ассоциативным A-элементам. В одной из конфигураций Mark I использовалось 512 таких элементов.

Каждый A-элемент был связан не со всей сетчаткой, а с некоторым подмножеством сенсорных элементов. Часть связей могла оказывать возбуждающее воздействие, а часть — тормозящее.

Схематически состояние ассоциативного элемента можно представить как

a_j = H\left(\sum_i v_{ji}x_i-\theta_j\right),

где:

  • x_i — сигналы сенсорных элементов;
  • v_{ji} — параметры связей от сетчатки к ассоциативному элементу;
  • \theta_j — порог активации;
  • H — пороговая функция;
  • a_j — выход ассоциативного элемента.

Связи между S- и A-элементами в Mark I в основном задавались заранее и не обучались. Они формировались с использованием случайного распределения и соединялись через коммутационную панель.

Розенблатт использовал случайные связи, стремясь исследовать, может ли система формировать полезные реакции без предварительного проектирования каждого детектора признаков. Это соответствовало его вероятностному подходу к моделированию организации нервной системы.[1]

Ассоциативный слой выполнял роль фиксированного преобразования входа. Различные A-элементы реагировали на разные локальные сочетания сигналов и создавали новое представление изображения.

В современной терминологии такой механизм можно отчасти сравнить со случайным отображением признаков. Однако подобная аналогия является ретроспективной и не означает полного совпадения Mark I с современными методами случайных признаков.

Реагирующие элементы

Выходы A-элементов передавались реагирующим R-элементам. Каждый R-элемент соответствовал определённой реакции или распознаваемому классу.

Сигнал одного реагирующего элемента можно схематически записать как

r_k = H\left(\sum_j w_{kj}a_j-\tau_k\right),

где:

  • a_j — выходы ассоциативных элементов;
  • w_{kj} — настраиваемые веса связей;
  • \tau_k — порог реагирующего элемента;
  • r_k — выходная реакция.

Именно веса связей между A- и R-элементами составляли основную обучаемую часть Mark I.

В одной из конфигураций установка поддерживала восемь реагирующих элементов. Для простого двоичного распознавания могли использоваться два конкурирующих ответа, например «класс 1» и «класс 2».

Физическое представление весов

В современных нейронных сетях веса представлены числами, хранящимися в цифровой памяти. В Mark I обучаемые веса физически реализовывались с помощью потенциометров.

Потенциометр изменял величину электрического сигнала, передаваемого от ассоциативного элемента к реагирующему. При обучении небольшие электрические двигатели поворачивали потенциометры, усиливая или ослабляя соответствующие связи.

Таким образом, процесс обучения можно было наблюдать как физическое изменение состояния машины. Это является одной из наиболее примечательных особенностей Mark I: параметры модели существовали не только как абстрактные числа, но и как положения механических компонентов.

Коммутационные панели позволяли изменять структуру части соединений и исследовать различные конфигурации перцептрона. Установка была одновременно вычислительной машиной и лабораторным стендом для исследования обучаемых систем.

Принцип работы

Работа Mark I состояла из нескольких последовательных этапов.

  1. На сенсорную сетчатку предъявлялось изображение.
  1. Фотоэлементы преобразовывали распределение света в электрические сигналы.
  1. Сигналы поступали к ассоциативным элементам через заранее заданные связи.
  1. A-элементы активировались при превышении внутренних порогов.
  1. Их выходы передавались реагирующим элементам через взвешенные связи.
  1. Система формировала реакцию, соответствующую элементу с наиболее сильной активацией.
  1. Если реакция была неверной, веса изменялись в направлении правильного ответа.

После обучения веса фиксировались, а системе предъявлялись новые изображения. Способность правильно классифицировать ранее не показанные примеры рассматривалась как обобщение.

Обучение

Обучение с учителем и подкрепление

Mark I обучался преимущественно на примерах, для которых экспериментатор указывал правильную реакцию. В современной терминологии это близко к обучению с учителем.

В работах Розенблатта также использовался термин «подкрепление». Правильная реакция могла получать положительное подкрепление, а неправильная — отрицательное. Однако это не следует полностью отождествлять с современным обучением с подкреплением, в котором агент обычно действует в среде и оптимизирует долгосрочную сумму наград.

В простейшем случае правило изменения веса можно представить как

w_j \leftarrow w_j + \eta (y-\widehat{y})a_j,

где:

  • w_j — вес связи;
  • \eta — величина шага обучения;
  • y — требуемый ответ;
  • \widehat{y} — фактический ответ;
  • a_j — выход ассоциативного элемента.

Если система отвечала правильно, изменение веса не требовалось. При ошибке веса активных признаков изменялись так, чтобы увеличить вероятность правильной реакции при повторном предъявлении похожего образа.

Эта формула передаёт общий принцип алгоритма перцептрона. Реальная схема Mark I включала несколько режимов обучения и конкретные электромеханические процедуры, описанные в руководстве оператора.

Отличие обучения от программирования

В обычной программе разработчик непосредственно задаёт правила преобразования входных данных в результат. Например, для распознавания буквы можно вручную описать необходимые линии, углы и пересечения.

В Mark I разработчик задавал архитектуру и правило корректировки весов, но конкретные значения обучаемых связей формировались при предъявлении примеров.

Это различие стало одним из ключевых элементов будущего машинного обучения: вместо полного ручного описания решения система подбирает параметры на основании данных.

При этом Mark I не обучал всю архитектуру. Сенсорно-ассоциативные связи в основном оставались фиксированными, а изменялись только веса последнего этапа. Поэтому объём автоматически формируемого представления был значительно ограничен.

Распознавание образов

Mark I предназначался прежде всего для экспериментов с распознаванием простых оптических образов.

В ходе исследований перцептроны обучались различать:

  • положение отметки в левой или правой части поля;
  • простые геометрические фигуры;
  • буквы;
  • контурные и сплошные изображения;
  • варианты одного образа, смещённые относительно сенсорной сетчатки;
  • в отдельных экспериментах — варианты с ограниченным изменением ориентации.

Результаты программных и аппаратных экспериментов показывали, что система могла не только запоминать предъявленные примеры, но и правильно реагировать на некоторые новые изображения того же класса.[1]

Однако качество обобщения зависело от множества факторов:

  • числа ассоциативных элементов;
  • структуры случайных связей;
  • количества обучающих примеров;
  • степени различия классов;
  • положения и ориентации изображения;
  • уровня шума;
  • выбранного правила обучения.

Использованные задачи были значительно проще современных задач компьютерного зрения. Изображения обычно представляли собой контрастные двумерные фигуры с небольшим числом контролируемых изменений. Поэтому успешное распознавание букв или геометрических фигур не означало способности анализировать произвольные реальные сцены.

Связь с перцептроном

Термин «перцептрон» может обозначать несколько связанных, но не полностью совпадающих понятий.

Во-первых, это общая теория вероятностно организованных обучаемых систем, предложенная Розенблаттом.

Во-вторых, это конкретный алгоритм линейной классификации, обычно рассматриваемый в современных учебниках.

В-третьих, это аппаратная система Mark I, реализовавшая одну из конфигураций перцептрона.

Современный простой перцептрон получает вектор признаков \mathbf{x} и вычисляет

\widehat{y}=H\left(\sum_{i=1}^{n}w_i x_i+b\right).

Он формирует линейную границу решений:

\sum_{i=1}^{n}w_i x_i+b=0.

Mark I имел более сложную физическую структуру. Между сенсорной сетчаткой и обучаемым выходом находились ассоциативные элементы:

\mathbf{x}\longrightarrow\mathbf{a}(\mathbf{x})\longrightarrow\widehat{\mathbf{y}}.

Поэтому обучаемый выход Mark I был линейным не непосредственно относительно исходных пикселей, а относительно представления, созданного A-элементами.

Это различие важно при обсуждении ограничений системы.

Линейная разделимость

= Определение

Два класса объектов называются линейно разделимыми в некотором пространстве признаков, если существует гиперплоскость, полностью отделяющая один класс от другого.

Для двух классов y \in {-1,+1} условие линейной разделимости можно записать как существование таких параметров \mathbf{w} и b, что для каждого обучающего объекта

y_i\left(\mathbf{w}^{\mathsf T}\mathbf{x}_i+b\right)>0.

Если такое разделение существует, классический алгоритм перцептрона при определённых условиях на шаг обучения за конечное число ошибок находит разделяющее решение. Этот результат известен как теорема сходимости перцептрона.[1]

Если классы не являются линейно разделимыми, обычное правило перцептрона не обязано сходиться к решению с нулевой ошибкой.

Проблема исключающего ИЛИ

Классическим примером линейно неразделимой задачи является логическая функция «исключающее ИЛИ», или XOR.

Для двух двоичных признаков она задаётся следующим образом:

(0,0)\mapsto 0,\qquad (1,1)\mapsto 0,
(0,1)\mapsto 1,\qquad (1,0)\mapsto 1.

Невозможно провести одну прямую, отделяющую обе точки класса 1 от обеих точек класса 0.

Один линейный пороговый элемент, получающий исходные признаки непосредственно, не способен точно реализовать XOR.

Линейная разделимость в Mark I

Ограничение Mark I следует формулировать точнее, чем ограничение простейшего однослойного классификатора.

Mark I сначала преобразовывал изображение при помощи ассоциативных элементов:

\mathbf{a}=\mathbf{a}(\mathbf{x}),

а затем формировал линейное пороговое решение в пространстве \mathbf{a}:

\widehat{y}=H\left(\mathbf{w}^{\mathsf T}\mathbf{a}+b\right).

Следовательно, для успешного обучения классы должны были быть линейно разделимыми не обязательно в пространстве исходных пикселей, а в пространстве активаций A-элементов.

Фиксированное нелинейное преобразование могло сделать некоторые исходно сложные классы более разделимыми. Чем больше было разнообразных ассоциативных элементов, тем выше могла быть вероятность появления полезных признаков.

Однако Mark I не мог обучать само преобразование от сенсорных элементов к ассоциативным. Если случайно сформированные признаки не делали классы разделимыми, настройка только выходных весов не могла полностью решить задачу.

Таким образом, основное ограничение Mark I состояло не просто в наличии промежуточного слоя, а в том, что его параметры не обучались посредством распространения ошибки.

Отличие от современных глубоких сетей

В современных глубоких нейронных сетях настраиваются веса нескольких последовательных слоёв. Каждый слой формирует представление, полезное для уменьшения общей функции потерь.

Обучение обычно выполняется методом обратного распространения ошибки и вариантами градиентного спуска.

Это позволяет модели последовательно формировать признаки разных уровней:

  • локальные границы;
  • текстуры;
  • геометрические элементы;
  • части объектов;
  • более сложные категории.

В Mark I первый этап извлечения признаков был в основном случайным и фиксированным. Обучался только последний этап принятия решения. Поэтому система не могла самостоятельно выстраивать многоуровневую иерархию признаков.

Возможности

Для своего времени Mark I демонстрировал несколько принципиально важных возможностей.

Изменение поведения на основе опыта

Машина могла изменять реакцию после предъявления обучающих примеров. Это отличало её от устройств, в которых все правила распознавания непосредственно задавались инженерами.

Автоматическая настройка весов

Корректировка потенциометров представляла собой физическую реализацию изменения параметров модели. Mark I наглядно демонстрировал идею, что знания системы могут храниться в распределённых значениях связей.

Обобщение

В некоторых экспериментах перцептрон правильно классифицировал изображения, которые не совпадали полностью с обучающими. Это показывало возможность статистического обобщения, а не только точного запоминания.

Параллельная обработка

Множество ассоциативных элементов обрабатывало сигналы одновременно. Такой подход отличался от строго последовательного выполнения команд обычным процессором, хотя отдельные управляющие операции системы могли оставаться последовательными.

Исследование случайных представлений

Mark I позволял экспериментально изучать, насколько случайно сформированная система признаков может быть полезна для классификации. Этот вопрос в изменённой форме сохраняется в современных исследованиях случайных признаков и резервуарных вычислений.

Ограничения

Небольшой масштаб

Количество сенсорных и ассоциативных элементов было мало по современным стандартам. Система могла работать только с изображениями очень низкого разрешения и ограниченным числом классов.

Фиксированные признаки

Связи от сенсорного слоя к ассоциативному задавались заранее. Mark I не мог обучать полноценную иерархию представлений непосредственно из данных.

= Зависимость от линейной разделимости

Выходной классификатор мог успешно разделить классы только тогда, когда они становились линейно разделимыми в пространстве активаций ассоциативных элементов.

Отсутствие устойчивой работы со сложными изображениями

Изменение масштаба, произвольный поворот, перекрытие объектов, фон и шум могли существенно снижать качество распознавания.

Ограниченная вычислительная скорость

Электромеханическая настройка потенциометров была значительно медленнее современных цифровых операций. Проведение обучения и перенастройка установки требовали существенного времени.

Ограниченная автономность

Экспериментатор должен был подготавливать изображения, указывать правильный ответ, управлять режимами установки и оценивать результаты. Mark I не являлся автономной системой восприятия в современном понимании.

Отсутствие универсального интеллекта

Несмотря на некоторые оптимистичные публичные прогнозы того периода, Mark I решал ограниченные задачи классификации изображений. Он не обладал пониманием языка, рассуждением общего назначения, сознанием или способностью самостоятельно ставить цели.

Заявления прессы о будущих возможностях перцептрона отражали ожидания и прогнозы, а не фактически продемонстрированные свойства машины.

Критика и дискуссия о возможностях перцептронов

В 1969 году Марвин Минский и Сеймур Пейперт опубликовали книгу Perceptrons, в которой математически исследовали возможности и ограничения определённых классов перцептронных систем.[1]

Особое внимание уделялось задачам, которые невозможно или крайне трудно решать при ограниченной локальной структуре связей и одном обучаемом пороговом уровне. К таким задачам относились некоторые варианты проверки связности фигур и вычисления чётности.

Эту работу нередко описывают как доказательство бесперспективности любых нейронных сетей. Такая трактовка является слишком широкой. Книга анализировала конкретные архитектурные ограничения и не доказывала невозможность обучения многослойных сетей вообще.

Розенблатт также исследовал более сложные системы с дополнительными связями, обратными воздействиями и несколькими слоями. Однако эффективные универсальные методы обучения внутренних слоёв в тот период не получили практического распространения.

Историки по-разному оценивают степень влияния книги Минского и Пейперта на последующее снижение финансирования нейросетевых исследований. Наряду с теоретическими ограничениями существенную роль могли играть недостаток вычислительных ресурсов, сложность аппаратных реализаций и конкуренция со стороны символьного искусственного интеллекта.[1]

Поэтому представление о единственной публикации, полностью остановившей развитие нейронных сетей, следует считать спорным историческим упрощением.

Связь с искусственными нейронными сетями

Mark I содержал основные компоненты, характерные для многих последующих искусственных нейронных сетей:

  • множество простых вычислительных элементов;
  • направленные связи между элементами;
  • числовые веса связей;
  • пороговые функции активации;
  • обучение на примерах;
  • распределённое представление информации;
  • проверку на ранее не предъявлявшихся данных.

Однако прямое отождествление Mark I с современной глубокой сетью некорректно.

Современные сети обычно реализуются программно на цифровых процессорах и графических ускорителях. Они могут содержать миллиарды параметров и обучаться на огромных массивах данных. Mark I был специализированным физическим устройством с сотнями элементов и электромеханически изменяемыми весами.

Кроме того, современные модели обучают несколько последовательных слоёв. В Mark I основная адаптация происходила в связях между ассоциативными и реагирующими элементами.

Тем не менее Mark I принадлежит к ранней истории коннекционизма — направления, рассматривающего интеллектуальное поведение как результат взаимодействия большого числа относительно простых элементов.

Связь с машинным обучением

Историческое значение Mark I для машинного обучения связано не столько с практической производительностью устройства, сколько с продемонстрированными принципами.

Обучение параметров по данным

Вместо ручного задания всех правил система автоматически изменяла часть параметров на основании обучающих примеров.

Разделение обучения и применения

Сначала проводилась последовательность обучающих предъявлений, после чего параметры фиксировались и оценивалась работа системы на новых примерах.

Такое разделение соответствует современному различию между обучающей и тестовой выборками.

Использование функции ошибки

Изменение параметров зависело от расхождения между требуемой и фактической реакцией. Этот принцип лежит в основе большинства современных методов обучения с учителем.

Изучение сходимости

Исследования перцептрона привели к формальным результатам о том, когда алгоритм обучения гарантированно находит решение.

Переход от правил к статистическому обучению

Mark I представлял альтернативу системам, в которых распознавание полностью основывалось на вручную заданных символах и логических правилах.

При этом современное машинное обучение развивалось из множества источников: статистического распознавания образов, теории управления, оптимизации, теории информации и исследований искусственного интеллекта. Поэтому Mark I следует рассматривать как один из важных ранних проектов, а не как единственный источник всей современной области.

Историческое значение

Mark I часто называется одной из первых физических искусственных нейронных сетей и одной из первых аппаратных машин, способных обучаться распознаванию образов.

Его историческое значение связано с несколькими обстоятельствами.

Во-первых, Mark I продемонстрировал, что обучаемая модель может быть реализована как реальное физическое устройство, а не только как математическая теория или программная имитация.

Во-вторых, система показала возможность автоматической настройки параметров классификатора на основании примеров.

В-третьих, эксперименты с Mark I стимулировали развитие математической теории линейной классификации, обобщения и сходимости алгоритмов обучения.

В-четвёртых, возникшие вокруг перцептрона споры помогли точнее определить различия между линейными и нелинейными задачами и показали необходимость обучения многослойных представлений.

В-пятых, сохранившийся экземпляр Mark I является материальным свидетельством раннего этапа развития искусственных нейронных сетей. Его потенциометры, двигатели и коммутационные панели показывают, насколько буквально в первых нейроморфных проектах реализовывалась идея изменяемых связей между искусственными нейронами.

Возрождение интереса к нейронным сетям в 1980-х годах было связано с развитием алгоритмов обучения многослойных сетей, включая обратное распространение ошибки.[1]

Современное глубокое обучение существенно отличается от системы Розенблатта, однако сохраняет фундаментальную идею: поведение сети формируется посредством изменения весов связей на основе данных.

Поэтому Mark I корректно рассматривать как исторического предшественника обучаемых нейронных систем, но не как уменьшенную копию современной глубокой нейронной сети.

Заключение

Нейрокомпьютер Mark I был экспериментальной аппаратной системой распознавания образов, созданной в рамках исследований Фрэнка Розенблатта. Он реализовывал одну из ранних конфигураций перцептрона и включал сенсорные, ассоциативные и реагирующие элементы.

Изображение поступало на сетку фотоэлементов, преобразовывалось фиксированными связями ассоциативного слоя и классифицировалось реагирующими элементами. Веса выходных связей изменялись в процессе обучения и физически представлялись потенциометрами, приводимыми в движение электрическими двигателями.

Mark I мог обучаться различать простые классы изображений и в некоторых случаях обобщать полученный опыт на новые варианты образов. Вместе с тем его возможности ограничивались небольшим масштабом, низким разрешением входа, фиксированными внутренними признаками и необходимостью линейной разделимости классов в пространстве ассоциативных активаций.

Система не являлась универсальным искусственным интеллектом и не обладала возможностями современных нейронных сетей. Её основное значение состоит в ранней физической демонстрации обучения через изменение весов связей.

Mark I стал одним из важных этапов развития перцептронов, искусственных нейронных сетей и машинного обучения. При этом оценка его влияния на последующую историю должна учитывать как реальные технические достижения, так и ограничения системы и неоднозначность исторических интерпретаций.

См. также

Литература

  • Bishop C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
  • Hay J. C., Lynch B. E., Smith D. R. Mark I Perceptron Operators’ Manual. Project PARA. Cornell Aeronautical Laboratory, Report VG-1196-G-5, 1960.
  • Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. Cambridge, Massachusetts: MIT Press, 1969.
  • Nilsson N. J. The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge: Cambridge University Press, 2010.
  • Olazaran M. A Sociological Study of the Official History of the Perceptrons Controversy // Social Studies of Science. 1996. Vol. 26, No. 3. P. 611–659.
  • Rosenblatt F. The Perceptron: A Perceiving and Recognizing Automaton. Project PARA. Cornell Aeronautical Laboratory, 1957.
  • Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. 1958. Vol. 65, No. 6. P. 386–408.
  • Rosenblatt F. Perceptron Simulation Experiments // Proceedings of the IRE. 1960. Vol. 48, No. 3. P. 301–309.
  • Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington: Spartan Books, 1962.
  • Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.

Примечания

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BA%D0%BE%D0%BC%D0%BF%D1%8C%D1%8E%D1%82%D0%B5%D1%80_Mark-1»
Личные инструменты