🎯 Definicja
Sztuczny Neuron to matematyczna cegiełka budująca sztuczną inteligencję. Jest to uproszczony model biologicznego neuronu. Działa jak mała funkcja: pobiera sygnały wejściowe, waży ich ważność, sumuje i decyduje, czy “wystrzelić” sygnał dalej (aktywacja).
🔑 Kluczowe punkty
- Wejścia (Inputs): Dane (x1, x2…), np. jasność piksela.
- Wagi (Weights): Siła połączenia (w1, w2…). “Jak ważne jest to wejście?“. Uczenie sieci to po prostu szukanie odpowiednich wag.
- Funkcja Aktywacji (Activation): Decyzja. “Jeśli suma przekracza 5, wyślij 1. Jeśli nie, wyślij 0” (np. ReLU, Sigmoid).
📚 Szczegółowe wyjaśnienie
Matematycznie neuron to: y = f(suma(x * w) + b).
Pojedynczy neuron (Perceptron) potrafi rozwiązać tylko proste problemy liniowe (np. oddzielić czarne kropki od białych kreską).
Ale miliony neuronów połączonych w warstwy tworzą Sieć Neuronową (Deep Learning), która potrafi rozpoznawać twarze, tłumaczyć języki i pisać wiersze (LLM).
💡 Przykład zastosowania
Neuron decydujący: “Czy iść na spacer?“. Wejścia:
- Czy pada? (x1 = 1 [tak], waga = -10 [nienawidzę deszczu]).
- Czy mam czas? (x2 = 1 [tak], waga = 5).
- Czy kolega idzie? (x3 = 1 [tak], waga = 3). Suma: (1 * -10) + (1 * 5) + (1 * 3) = -2. Wynik ujemny → Nie idę. (Brak aktywacji).
📌 Źródła
- “Neural Networks and Deep Learning” (Michael Nielsen).
👽 Brudnopis
- Biologiczne neurony są dużo bardziej skomplikowane, ale matematyczna abstrakcja wystarczy, by zbudować ChatGPT.