パーセプトロンは、人工知能の分野における最も初期の学習アルゴリズムの一つであり、人工ニューラルネットワークの基本的な構成要素です。これは、1957年にフランク・ローゼンブラットによって考案されました。

パーセプトロンの基本的な役割は、入力されたデータがどのクラスに属するかを分類することにあります。例えば、「はい」か「いいえ」の二択のような、線形分離可能な問題を解くために設計されました。

その仕組みは、人間の脳のニューロン（神経細胞）の働きを非常に単純化したモデルに基づいています。複数の入力データ（特徴量）を受け取り、それぞれの入力には重みが割り当てられます。この重みは、その入力が分類結果にどれだけ重要であるかを示しています。

入力値とそれに対応する重みを掛け合わせたものをすべて合計し、その総和がしきい値（またはバイアス）を超えているかどうかを判断します。

総和がしきい値を超えていれば一つのクラス（例：１）として出力し、超えなければ別のクラス（例：０）として出力します。この活性化関数による二値の出力が、パーセプトロンの最終的な予測となります。

パーセプトロンには、正しく分類できるように、この重みを自動で調整していく学習規則があります。誤った分類をした場合、その間違いを基に重みを少しずつ修正し、次回はより正しい答えを出せるように訓練されます。

しかし、パーセプトロンは線形分離が不可能な、例えば排他的論理和（XOR）のような複雑な問題は解けないという限界がありました。この限界は、後に多層パーセプトロンやバックプロパゲーションといった技術の登場により克服され、現代の深層学習へと繋がっていきます。

パーセプトロンは、今日の複雑なAIモデルの祖先とも言える、非常に重要な基礎的概念です。