퍼셉트론 모델 (Perceptron Model)

퍼셉트론(Perceptron)은 1957년 프랭크 로젠블랫(Frank Rosenblatt)이 제안한 초기의 인공신경망 모델입니다. McCulloch-Pitts 뉴런보다 한 단계 발전된 형태로, 기계가 데이터를 보고 스스로 학습하는 최초의 시도라고 볼 수 있습니다.

---

🧠 퍼셉트론의 기본 개념

퍼셉트론은 간단한 뇌세포(뉴런)를 흉내낸 모델로, 입력을 받아서 계산하고 결과를 출력하는 구조입니다. 중요한 특징은, 정답 데이터를 보고 스스로 가중치를 조정하는 학습 기능이 있다는 점입니다.

---

⚙️ 구성 요소

1. 입력(Input): 여러 개의 숫자 형태의 데이터 (예: x1, x2, ..., xn)
2. 가중치(Weight): 입력 각각에 곱해지는 숫자. 얼마나 중요한지를 의미함.
3. 총합(Summation): 모든 입력 × 가중치를 더한 값 (∑ xi × wi)
4. 활성화 함수(Activation Function): 총합이 어떤 기준(임계값)을 넘으면 1, 넘지 못하면 0을 출력.
5. 출력(Output): 최종적으로 퍼셉트론이 내놓는 결과값 (0 또는 1)

출력 y = 1, if (Σ xi×wi ≥ θ)
출력 y = 0, otherwise

---

🔁 퍼셉트론의 학습 방법

• 컴퓨터가 처음에는 임의의 가중치로 계산을 시작합니다.
• 정답과 결과가 다르면, 가중치를 조금씩 조정합니다.
• 이 과정을 반복하면서 점점 더 정답에 가까운 출력을 내도록 학습합니다.

---

🖼 예시: 고양이 vs 강아지 분류

• 입력값: 귀의 모양, 꼬리 길이, 울음소리 등 (0~1의 수치로 표현)
• 가중치: 각 특징이 결과에 얼마나 영향을 미치는지 설정됨
• 출력: 1 = 고양이, 0 = 강아지
• 퍼셉트론은 여러 번 고양이와 강아지를 보여주며, 점점 더 정확하게 구분할 수 있게 됩니다.

---

📌 퍼셉트론의 한계와 의의

• 퍼셉트론은 입력 데이터를 기준으로 **결정 경계가 직선(linear decision boundary)**인 경우에만 문제를 해결할 수 있습니다.
  • 예: 두 개의 클래스가 직선 하나로 나눠질 수 있다면 퍼셉트론이 잘 작동합니다.
  • 하지만 XOR 문제처럼 데이터를 하나의 직선으로 구분할 수 없는 경우(선형으로 분리 불가능한 문제)는 퍼셉트론으로 해결할 수 없습니다.
• 이 한계를 극복하기 위한 연구들이 이어졌고, 결과적으로 **다층 퍼셉트론(Multi-layer Perceptron, MLP)**과 **딥러닝(Deep Learning)**의 발전으로 이어졌습니다.

---

✅ 요약

• 퍼셉트론 = 입력을 받아 가중합을 계산하고, 일정 기준 이상이면 1, 아니면 0을 출력.
• 스스로 가중치를 조정하며 학습할 수 있음.
• 오늘날 AI의 시작을 연 역사적인 모델입니다.