今天要介紹的是感知器 (Perceptron)，這個概念最早是在1940年時，由美國心理學家Frank Rosenblatt所提出的概念，他利用人類大腦內的神經做為發想，設計出一個可以執行簡單功能的運算模型，也就是今天我們所說的二元線性分類器 (Binary Linear Classifier) ，而這種只有一層感知器的架構則是最簡單的神經網路。

在人腦中，神經元是一個基礎的單位，而神經網路就是由一組一組，由不同架構或不同功能的神經元所組成，當任何一個感知器接收到刺激，例如光線進入眼睛，或是手指觸摸到物品等，這時距離感知器最近的神經元的樹突 (Dendrites) 部分會先接收到信號，接著透過髓鞘 (Myelin sheath)傳送到軸突 (Axon)，軸突在等電位達到一個閾值後就會把信號傳送到下一個神經的樹突去，最後傳到你的中樞神經，也就是你的大腦，告訴你你現在看到一陣光。

一個樹突並不一定只會接收來自一個軸突的信號，而他會透過神經核 (Nucleus) 判斷所有收到的信號的權重分別是多少，並以此來判斷軸突會傳給下一個細胞元的信號會是什麼，而一個細胞元的實際樣子可以參考下圖。

講了這麼多，為什麼要在介紹ML歷史的時候突然開始上生物課呢？現在讓我們看看下面這張圖，是不是跟上面的神經構造圖有87%像呢？

沒錯，我們利用神經網路的概念，將不同的資訊輸入到模型中，不同地方來的輸入就像是樹突，並會有不同的權重，並在經過一系列演算後，就像視神經中的髓鞘把電子傳送下去，而且有符合某個閾值後，就會得到最後的結果輸出，紀像是神經元中的軸突。此外，若在多層神經網路架構中，這個結果會變成下一個神經元的輸入資訊，並進行之後的運算。

在今天的最後，我要感謝高中的生物老師讓我對這些名詞沒那麼陌生，也在這邊祝老師晚了10天的教師節快樂。