说实话，开创“机器学习”新领域，成为“深度学习”等技术路线的指路人，的确十分诱人，光是提出“人工神经网络”的概念，就足以名垂青史了。
但对于自己现在的水平，江寒心里还是很有数的，不谦虚地说，只能算略知一二。
前世虽然上过大学，学的却不是计算机专业，在编程和硬件领域，基本上全靠自己摸索，知识体系并不完善。
至于“人工神经网络”方面，前后只看了几本入门教材，外加在P站看了十几个系列视频教程。
一些重要的概念是清楚的，一些经典算法也是了解的，做一些简单的推演，应该也没什么大问题。
可许多公式背后的原理，当时就没能理解得十分深刻，到了现在，印象就更加模糊了。至于那些需要最先进的数学工具，才能完成的证明与推导……
在机器学习领域，“深度学习”被称作最具颠覆性的理论，以他目前掌握的这点儿皮毛，想要从无到有地开辟出一整条技术路线，难度可想而知。
可难就不搞了吗？
这是个难得的机遇，一定要好好把握才行。只是他还需要好好想一想，如何妥善运用那些“走私”来的知识。
既要充分发掘价值，也要注意合理性。起码拿出来的东西，要符合自己的人设，要找得到合理的解释，免得惹出什么不必要的麻烦……
江寒前思后想，终于做出了决定。
总之，必须尽快将“感知机”的概念抛出去，否则后续的一系列技术，全都得憋在脑袋里，没法拿出来见人。
只是这样一来，估计自己将来基本跑不掉一个“机器学习宗师”、“AI教父”、“人工神经网络创始人”之类的称号了……
别看“感知机”简单，却是“人工神经网络”的基石，很多“机器学习”算法，比如支持向量机（SVM）、深度学习、D-QLearning、生成对抗网络（GAN）……都是在其基础上才发展出来的。
在另一个世界，“感知机”的概念诞生于1957年，由Cornell航空实验室的FrankRosenblatt提出。
本质上是一个线性分类模型，用于解决二元线性分类问题，对应于输入空间中将实例划分为两类的分离超平面，是最简单的前馈人工神经网络。
好吧，说人话。
简单点说，感知机就是一个算法，通过大量训练，可以让电脑掌握某种规则，然后按照这种规则，将输入的数据分成两类。
如果输入的数据空间只有两个维度，将其视作平面直角坐标系，那么“感知机”的图像，其实就是一根直线。
“感知机”虽然简单，还是有点用的。
比如经过训练后，输入身份证号，就能帮你判断出是男是女；比如输入身高和体重，就能判断是否超重……
可能有人会问：随便写个程序，不是很简单就能实现这些功能吗？
但感知机的神奇之处，在于使用同样结构的程序，就能在很多领域里通用，而不用针对性编程。
这是机器学习和常规编程的本质区别。
感知机结构异常简单，工作原理也不复杂，但要想写成论文，也需要进行一些数学推导，以及前置理论。
“感知机”是建立在M-P模型的基础上的。
生物的神经细胞结构，主要由树突、突触、细胞体及轴突组成。单个神经细胞有两种状态：激活或者未激活。
神经细胞是否激活，取决于从其它的神经细胞收到的输入信号量，及突触的强度（抑制或加强）。
当信号量总和超过了某个阈值时，神经元就会激活，产生电脉冲，电脉冲会沿着轴突并通过突触传递到其它神经元……
M-P模型就是模拟生物神经元的工作机制，创建出来的一种数学模型，采用阈值加权和与激活函数来控制信息传导过程，是生物神经元的一种简单抽象。
如果M-p模型的相关论文尚未发表，江寒就需要自己推导，并将其容纳进自己的论文里，否则难以自圆其说。
在写论文前，必须扫清障碍，接下来江寒就开始在网上寻找论文和线索。
功夫不负有心人，江寒几经周折，终于在一个学术网站，找到了那篇讲述M-P模型的论文：《Alogicalcalculusoftheideasimmanentinnervousactivity》。
这篇论文发表也有几十年了，却没在这个世界引起多少关注，引用数更是少得可怜，不过也幸好如此，否则哪轮得到自己来引领时代风骚？
江寒重生前就看过这篇论文，但那时候并没怎么细心揣摩，只是一扫而过，现在为了写出合格的SCI论文，自然要好好琢磨了。
他找来一个只写了两、三页的日记本，边刷论文边记录要点和心得，论文里遇到的术语，如果不十分理解，还要上网寻找文献和参考资料，还要确定来源是否可靠……
本小章还未完，请点击下一页继续阅读后面精彩内容！