Neuron

🎯 Definicja

Neuron w kontekście sztucznej inteligencji odnosi się do podstawowego elementu sztucznej sieci neuronowej, który naśladuje działanie biologicznego neuronu. Neuron w sztucznej sieci przetwarza dane wejściowe (np. liczby), wykonuje operacje matematyczne (np. sumowanie, aktywacja), a następnie przekazuje wynik dalej — do kolejnych neuronów w następnych warstwach.

🧠 Budowa i działanie sztucznego neuronu

Każdy neuron:

1. Odbiera dane wejściowe — zazwyczaj jako wektor liczb.
2. Mnoży każde wejście przez przypisaną wagę (ang. weight).
3. Dodaje sumę ważoną oraz komponent zwany bias.
4. Przetwarza sumę przez funkcję aktywacji (np. sigmoid, ReLU).
5. Przekazuje wynik jako sygnał wyjściowy do kolejnej warstwy.

Matematycznie:

output = activation(∑(input_i × weight_i) + bias)

🔢 Typy neuronów

Neurony wejściowe (input neurons)

• Tworzą pierwszą warstwę sieci.
• Odpowiadają za przyjmowanie surowych danych – np. pikseli obrazu, wartości liczbowych, tokenów tekstowych.
• Nie wykonują transformacji – tylko przekazują dane do neuronów kolejnych warstw.

Warstwa pośrednia (ukryta) – hidden neurons

• Znajduje się pomiędzy warstwą wejściową a wyjściową.
• Może zawierać wiele neuronów, które uczą się reprezentacji (cech) danych.
• W głębokim uczeniu (deep learning) warstw pośrednich może być setki, a nawet tysiące.
• Właściwa nauka i ekstrakcja wzorców zachodzą właśnie tutaj.

Neurony wyjściowe (output neurons)

• Tworzą warstwę końcową.
• Produkują końcową predykcję na podstawie sygnałów z poprzedniej warstwy.
• Ich liczba zależy od typu problemu:
  • 1 neuron – regresja;
  • n neuronów – klasyfikacja wieloklasowa (np. softmax dla klasyfikatora wieloetykietowego).

📚 Przykład wizualizacji: klasyczny perceptron

   x₁   x₂   x₃  → dane wejściowe
    ↓    ↓    ↓
    ○----○----○  → warstwa wejściowa  
         ↓
        ○○○○○     → warstwa ukryta (neurony uczące się reprezentacji)
         ↓
        ○○         → warstwa wyjściowa (np. 2 klasy: spam / nie-spam)

💡 Przykład praktyczny

W detekcji spamu pojedynczy e-mail jest przekształcany do wektora liczbowego (np. przez encoding słów). Neurony wejściowe przyjmują te liczby, warstwa pośrednia analizuje ich współzależności (np. czy użyto podejrzanych słów), a neurony wyjściowe przewidują: 1 = spam, 0 = nie-spam.

📌 Źródła

• https://en.wikipedia.org/wiki/Artificial_neuron
• Deep Learning — Ian Goodfellow, Yoshua Bengio, Aaron Courville
• https://towardsdatascience.com/what-is-a-neuron-in-a-neural-network-4c7d8b7c5bd3
• https://neuralnetworksanddeeplearning.com/

👽 Brudnopis

• neuron = jednostka przetwarzająca dane w sieciach AI
• funkcja aktywacji = nieliniowość nadająca sieci zdolność aproksymacji dowolnej funkcji
• neurony łączone w warstwy = sieć (net)
• relu, tanh, sigmoid – wybór funkcji ma wpływ na uczenie
• uczenie = modyfikacja wag i biasów każdego neuronu
• neuron ≠ biologiczny odpowiednik (tylko model matematyczny inspirowany biologią)

---