WALTER PITTS

MARIJA FERKO, ANA FURJANIĆ, 3.C

BIOGRAFIJA

 Američki logičar koji je radio na polju računalne

neuroznanosti
 Rođen: 23. travnja 1923.
 Preminuo: 14. svibnja 1969.
 Obrazovanje: University of Chicago
NAJPOZNATIJI RADOVI

 1943. - „Logički račun ideja imanentnih

živčanoj stanici“
 1959. – „Što žablje oko govori žabljem
mozgu“
 1960. – „Anatomija i fiziologija vida u žabe“
„LOGIČKI RAČUN IDEJA IMANENTNIH ŽIVČANOJ STANICI“

• U ovom su radu McCulloch i Pitts pokušali

shvatiti kako mozak može proizvesti vrlo
složene obrasce koristeći mnoge osnovne
stanice (neurone) koje su međusobno
povezane.
• McCulloch i Pittsov (pojednostavljen) model
neurona (MCP neuron) dao je važan doprinos
razvoju umjetnih neuronskih mreža – koje
modeliraju ključne značajke bioloških
neurona.
INDUKCIJA

 Sokrat je čovjek. Sokrat je smrtan. Dakle, svi ljudi su smrtni.

 Kreće od entiteta čija su nam neka svojstva poznata, poput Sokrata, i kaže nam da ako
Sokrat ima neko svojstvo P, onda svi entiteti koji su po ostalim bitnim svojstvima isti
kao Sokrat, trebaju također imati svojstvo P.
 Strojno učenje - područje koje se bavi formalnim postupcima indukcije
STROJNO UČENJE

 Stvaramo sustav koji na temelju „bitnih svojstava“ ima pravo tvrditi da je neki novi
entitet isti kao i stari po nekom ciljanom svojstvu Px
 Rezultat rada u strojnom učenju gotovi su modeli koji u sebi imaju pravila za koja ne
znamo kako izgledaju, ali za slične inpute dobivamo odgovore slične onima kakve
smo sustavu „rekli“ da očekujemo
 Premisa „Sokrat je smrtan.“ -> konkluzija „Svi ljudi su smrtni.“
 „Za svaki x, ako je čovjek x, onda je x smrtan.“
ALGORITAM STROJNOG UČENJA

 Dvije faze:
1. Treniranje – sustavu dajemo input i željene outpute u nadi da će on razviti dobra
pravila tako da može za nove primjere reći da su isti kao stari
2. Predikcija – utrenirani algoritam (model) koristimo na novim, nepoznatim inputima,
a on onda generira nove outpute
UMJETNE NEURONSKE MREŽE

 sustavi međusobno povezanih elemenata koji služe za raznovrsna izračunavanja, a

zasnovani su na pokušaju oponašanja ljudskog mozga
POVIJEST UMJETNIH NEURONSKIH MREŽA

 POČETAK 1943. godine na Odsjeku za filozofiju

Sveučilišta u Chicagu, pod pokroviteljstvom Rudolfa Carnapa
 Walter Pitts (filozofski logičar) i Warren McCulloch
(psiholog, neurolog i filozof)  prvi matematički model
neuronske mreže – „McCulloch-Pitts neuron”
 1957. Frank Rosenblatt uvodi „Perceptron”
 2006. Geoffrey Hinton stvorio prvu uspješnu duboku umjetnu
neuronsku mrežu  nastala ideja dubokog učenja
KAKO RADE UMJETNE NEURONSKE MREŽE?

 broj ulaza = broj težina

 TEŽINA – multiplikatori za ulazne varijable; ovise
o algoritmu učenja
 AKTIVACIJSKA FUNKCIJA – na temelju zbroja
ulaznih vrijednosti proslijedi odgovarajuću jačinu
signala na izlaz
 binarni izlaz = vrijednost 0 ili 1
 izlazna vrijednost 1  signal se prosljeđuje
 izlazna vrijednost 0  ne prosljeđuje se signal
ALAN TURING

 engleski matematičar, logičar i kriptoanalitičar

 tijekom Drugog svjetskog rata radio na razbijanju
njemačkih kriptografskih šifri  konstruirao uređaj
„The Bombe”
 jedan od najznačajnijih pionira računarstva 
TURINGOV UNIVERZALNI STROJ
TURINGOV UNIVERZALNI STROJ

 apstraktni model automata koji uz odgovarajuće programiranje može obavljati posao

bilo kojeg stroja namijenjenog rješavanju posebnih zadataka
 model zasnovan na pretpostavkama da se:
- svi matematički pojmovi mogu prikazati nizom bezznačenjskih brojeva
- svi matematički postupci mogu rastaviti na niz jednostavnih logičkih koraka
- svaka informacija može opisati nizom temeljnih sastavnica (bitova) koje imaju
samo 2 stanja
TURINGOV UNIVERZALNI STROJ
IZVORI

Umjetne neuronske mreže

 https://www.enciklopedija.hr/Natuknica.aspx?ID=43562
 https://www.youtube.com/live/Zxyl6cYW_5A?feature=share

Turingov univerzalni stroj

 https://www.enciklopedija.hr/Natuknica.aspx?ID=62762
 https://youtu.be/dNRDvLACg5Q
 https://youtu.be/7TycxwFmdB0
HVALA NA PAŽNJI!