1) Wymień 3 ważne własności neuronu
//
*TRANSMITUJE sygnał będący funkcją sygnałów z "wejść",po jego przetworzeniu
wewnątrz komóki na "wyjśćie" podlączone do wejść innych neuronów 
*NIELINIOWE PRZETWARZANIE SYGNAŁU:wyjśćie nie jest po prostu sumą sygnałów z wejść
*DYNAMICZNIE MODYFIKUJĘC CZUŁOŚĆ POŁĄCZEŃ innymi neuronami, dzięki czemu może
wzmacniać lub osłabiać połączenia z innymi neuronami w zależnośći od wykonywalnego zadania
//

2)Opisz krótko matematyczny model Perceptronu
//
*Perceptron to prosty matematyczny model Neuronu
*Pojedyńczy perceptron możę służyć jako klasyfikator lub regresor
Perceptron skłąda się z:
- n wejść x1...xn
- n wag w1...wn
- progu
- wyjścia y
//

3) Jak obliczane jest wyjście Perceptronu?
//
y=1 jeśli [[  SUMA(n, i=1) wi*xi == (W T X) >=próg ]] gdzie W,X oznaczają wektory wag i wejść
y=0 w przeciwnym wypadku 

*Perceptron jest aktywowany (y=1) tylko jeśli 
iloczyn skalarny W T X (net)
przekracza wartosć progu


//

4) Opisz krótko interpretację geometryczną działania Perceptronu
//
Perceptron aktywuję się tylko jeśli wektor wejść X jest po tej samej
stronie hieprpłszczyzny decyzyjnej co wektor wag W
//

5) Jak Perceptron może działać jako klasyfikator
//
*Perceptron może służyć jako klasyfikator gdy mamy dokładnie 2 klasy 
*pojedyńczy perceptron może też rozróżniąc tylko 
rejony liniowo-separowalne w przestrzeni atrybutów
//

6) Wymień przynajmniej 2 ograniczenia działania Perceptronu jako klasyfikatora
//
*nie jest zdolny do modelowania funkcji XOR (chyba żę połączy się 2 perceptory)
//

7) Opisz regułę delta uczenia perceptronu 
(wzór + interpretacja geometryczna)
//
*podajemy perceptronowi przykłądy uczące ze zbioru treningowego po kolei
*po każym przykładzie jeśli odpowiedź jest niewłaściwa modyfikujemy wagi:
	W' = W +(d-y)@X

	gdzie: d - decyzja prawidłowa
	       Y - faktyczna decyzja
	       0 <A<1 - stała uczenia
/////////////////////////////////////////////////////////////////////
WYKŁAD 4B:
1.Najczęściej używane funkcje aktywacji:
*funkcja 'signum' : y=signum(net)
*funkcja progowa: y= [x>0]
*funkcja sigmoidalna: y=1/1+[e(do -net)]
*funkcja liniowa y=net

*Perceptron nazywamy dyskretnym jeśli y należy {0,1} (lub{-1,1})
możę być użyty do kwalifikacji
*Perecptron nazywamy ciągłym jeśli y należy [0,1] (lub[-1,1])
może być użyty do regresji

2 podejścia do reprezentacji wyjśćia:
  -lokalna - liczba perceptronów jest dokładnie taka sama jak liczba klas ;; 
	   - każdy perceptron jest trenowany do aktywacji dla dokładnie 1 klasy;;
	   - schemat wyjśćia: 1 perceptron jest aktywny (i wyznacza decyzję klasyfikatora) 
	     a pozostałe są nieaktywne.

  -globalna- liczba perceptronów nie jest określona
	   - decyzja klasyfikacyjna jest wyznaczana na podstawie wyjść wszystkich 	
	     perceptronów