A fejezet célja, hogy részletesen bemutassa a leggyakrabban alkalmazott, ellenőrzött tanítással tanítható hálózatok alapelemét, az elemi neuront, valamint a neuron szabad paramétereinek meghatározását eredményező tanuló eljárásokat. Az itt bemutatásra kerülő elemi neuron a természetes (biológiai) neuron, az idegsejt bizonyos tulajdonságait megragadó modelljének is tekinthető.

Amikor elemi neuronról beszélünk, valójában két neuron-modellről van szó, melyek annak ellenére, hogy a felépítésük gyakorlatilag azonos, mind tanításukban, mind működésükben különböznek. A fejezet a közös felépítés ismertetésén túl bemutatja a kétféle tanuló eljárást, és azt is, hogy a kétfajta neuron mennyiben rendelkezik eltérő képességekkel.

Mindkét neuronmodell a 2. fejezetben bemutatott, statikus, memória nélküli

$y=f\text{(}{w}^{T}x\text{)}$ (3.1)

nemlineáris leképezést megvalósító hálózat, amely először a bemeneteire kerülő jelek súlyozott összegét képezi, majd a súlyozott összegre egy nemlineáris függvényt alkalmazva állítja elő a skalár kimenetet. A súlyozó együtthatók vektora, w képezi a neuron szabadon beállítható paramétereit, mely paraméterek megfelelő megválasztásával, beállításával módosíthatjuk a neuron által megvalósított leképezést.

A kétféle elemi neuront szinte egyidőben javasolták, mint neuron modelleket: Frank Rosenblatt 1956-ban javasolta [Ros58] a róla elnevezett Rosenblatt perceptront, míg Bernard Widrow 1959-ben [Wid60] az adaline-t (adaline= adaptive linear neuron).

A perceptron egyike a legelső és a legegyszerűbb mesterséges neurális hálózatoknak. Az előrecsatolt, többrétegű hálózatok olyan speciális változatának tekinthető, amely egyetlen rétegből és azon belül egy vagy több processzáló elemből áll. Mind a Rosenblatt perceptron, mind az adaline valójában egy egyrétegű, egy processzáló elemből álló előrecsatolt hálózat.