Perceptron Introduction

["O perceptron \u00e9 um algoritmo para aprendizado supervisionado de classificadores bin\u00e1rios, introduzido por Frank Rosenblatt em 1958. \u00c9 um tipo de classificador linear que faz previs\u00f5es com base em uma fun\u00e7\u00e3o de predi\u00e7\u00e3o linear que combina um conjunto de pesos com um vetor de caracter\u00edsticas. O perceptron tornou-se o primeiro modelo de rede neural a ganhar ampla aten\u00e7\u00e3o, estabelecendo as bases para o aprendizado de m\u00e1quina e o aprendizado profundo modernos, apesar de suas limita\u00e7\u00f5es iniciais.\n\n## Origens e Desenvolvimento Inicial\n\nO conceito do neur\u00f4nio artificial remonta a 1943, quando Warren McCulloch e Walter Pitts publicaram \"A Logical Calculus of the Ideas Immanent in Nervous Activity\". Em 1957, Frank Rosenblatt, trabalhando no Cornell Aeronautical Laboratory, simulou o perceptron em um IBM 704. Ele estava mais interessado em implementa\u00e7\u00f5es de hardware e garantiu financiamento da Information Systems Branch do Escrit\u00f3rio de Pesquisa Naval dos Estados Unidos e do Rome Air Development Center para construir um computador anal\u00f3gico personalizado, o Mark I Perceptron. Rosenblatt descreveu o perceptron em um artigo de 1958, organizando-o em tr\u00eas tipos de unidades: sensoriais (S), de associa\u00e7\u00e3o (A) e de resposta (R). Ele apresentou seu trabalho no primeiro simp\u00f3sio internacional sobre IA, \"Mechanisation of Thought Processes\", em novembro de 1958.\n\n## M\u00e1quina Mark I Perceptron\n\nO Mark I Perceptron foi constru\u00eddo entre junho e dezembro de 1959 e demonstrado publicamente em 23 de junho de 1960. Tinha tr\u00eas camadas: uma matriz de 400 fotoc\u00e9lulas organizadas em uma grade 20x20 (unidades S), uma camada oculta de 512 unidades de associa\u00e7\u00e3o (unidades A) e uma camada de sa\u00edda de oito unidades de resposta (unidades R). Rosenblatt chamou isso de alfa-perceptron. As unidades S conectavam-se \u00e0s unidades A aleatoriamente por meio de um painel de conex\u00f5es para evitar vi\u00e9s intencional, refletindo a cren\u00e7a de Rosenblatt de que a retina se conecta aleatoriamente ao c\u00f3rtex visual. As conex\u00f5es de A para R tinham pesos ajust\u00e1veis codificados em potenci\u00f4metros, atualizados por motores el\u00e9tricos durante o aprendizado. A m\u00e1quina est\u00e1 agora no Smithsonian National Museum of American History.\n\nEm uma coletiva de imprensa de 1958 organizada pela Marinha dos EUA, Rosenblatt fez afirma\u00e7\u00f5es ousadas, levando o The New York Times a descrever o perceptron como \"o embri\u00e3o de um computador eletr\u00f4nico que [a Marinha] espera que ser\u00e1 capaz de andar, falar, ver, escrever, reproduzir-se e estar consciente de sua exist\u00eancia\". Isso causou controv\u00e9rsia entre a nascente comunidade de IA. De 1960 a 1964, a Divis\u00e3o de Fotografia da CIA estudou o Mark I para reconhecer alvos silhuetados de interesse militar em fotografias a\u00e9reas.\n\n## Princ\u00edpios da Neurodin\u00e2mica (1962)\n\nRosenblatt detalhou seus experimentos com variantes do perceptron em seu livro de 1962 \"Principles of Neurodynamics\", baseado em um relat\u00f3rio de 1961. As variantes inclu\u00edam acoplamento cruzado (conex\u00f5es dentro da mesma camada), acoplamento reverso (conex\u00f5es de camadas posteriores para anteriores), perceptrons de quatro camadas com pesos ajust\u00e1veis nas duas \u00faltimas camadas, unidades com atraso de tempo para dados sequenciais e an\u00e1lise de \u00e1udio. A m\u00e1quina foi enviada ao Smithsonian em 1967 sob uma transfer\u00eancia governamental.\n\n## Limita\u00e7\u00f5es e a Cr\u00edtica de 1969\n\nPerceptrons de camada \u00fanica s\u00f3 podem aprender padr\u00f5es linearmente separ\u00e1veis. Para uma tarefa de classifica\u00e7\u00e3o com uma fun\u00e7\u00e3o de ativa\u00e7\u00e3o em degrau, um \u00fanico n\u00f3 cria uma \u00fanica linha divis\u00f3ria; mais n\u00f3s criam mais linhas, mas n\u00e3o podem combin\u00e1-las em classifica\u00e7\u00f5es complexas. Uma segunda camada de perceptrons ou n\u00f3s lineares pode resolver muitos problemas n\u00e3o separ\u00e1veis. Em 1969, o livro \"Perceptrons\" de Marvin Minsky e Seymour Papert mostrou que perceptrons de camada \u00fanica n\u00e3o podiam aprender uma fun\u00e7\u00e3o XOR, um resultado frequentemente mal interpretado como prova de que redes neurais eram fundamentalmente limitadas. Isso contribuiu para uma estagna\u00e7\u00e3o na pesquisa de redes neurais por muitos anos, at\u00e9 o reconhecimento de que perceptrons multicamadas (com duas ou mais camadas) ofereciam maior poder de processamento.\n\n## Legado e Impacto\n\nA introdu\u00e7\u00e3o do perceptron marcou um momento pivotal na hist\u00f3ria da intelig\u00eancia artificial, estabelecendo o paradigma da rede neural. Apesar de seus contratempos iniciais, os princ\u00edpios do perceptron sustentam as arquiteturas modernas de aprendizado profundo, incluindo modelos transformadores usados em modelos de linguagem de grande escala. O trabalho de Rosenblatt influenciou desenvolvimentos posteriores em institui\u00e7\u00f5es como MIT CSAIL e Stanford AI Lab, e seu legado persiste na pesquisa e aplica\u00e7\u00f5es contempor\u00e2neas de IA.", true]