איור 1. בעיית סיווג לא ליניארית. פונקציה לינארית לא יכולה
מפרידים בבירור את כל הנקודות הכחולות מהנקודות הכתומות.
'לא לינארי' פירושו שלא ניתן לחזות באופן מדויק תווית עם
בצורת \(b + w_1x_1 + w_2x_2\). במילים אחרות,
'שטח לקבלת החלטה' הוא לא שורה.
עם זאת, אם נבצע שילוב של תכונות בתכונות $x_1$ ו-$x_2$, נוכל
לייצג את הקשר הלא ליניארי בין שתי התכונות באמצעות
מודל לינארי:
$b + w_1x_1 + w_2x_2 + w_3x_3$ כאשר $x_3$ הוא שילוב התכונות
$x_1$ ו-$x_2$:
איור 2. על ידי הוספת צלב התכונות
x1x 2, המודל הלינארי יכול ללמוד
צורה היפרבולית שמפרידה בין הנקודות הכחולות מהנקודות הכתומות.
עכשיו נבחן את מערך הנתונים הבא:
איור 3. בעיית סיווג לא ליניארית קשה יותר.
אפשר גם להיזכר בתרגילי פיצ'ר חוצה-תכונות
שקובעת מהי התכונה הנכונה חוצה כדי להתאים מודל ליניארי לנתונים האלה
השקענו קצת יותר מאמץ וניסויים.
אבל מה אם לא הייתם צריכים לבצע את כל הניסויים בעצמכם?
רשתות נוירונים הן משפחה
של ארכיטקטורות מודלים
לא לינארי
דפוסים בנתונים. במהלך האימון של רשת נוירונים,
בניית מודל באופן אוטומטי
לומדת את הצלבות התכונות האופטימליות שצריך לבצע על נתוני הקלט כדי לצמצם
.
בחלקים הבאים נבחן מקרוב את האופן שבו רשתות נוירונים פועלות.
[null,null,["עדכון אחרון: 2024-08-13 (שעון UTC)."],[[["This module explores neural networks, a model architecture designed to automatically identify nonlinear patterns in data, eliminating the need for manual feature cross experimentation."],["You will learn the fundamental components of a deep neural network, including nodes, hidden layers, and activation functions, and how they contribute to prediction."],["The module covers the training process of neural networks, using the backpropagation algorithm to optimize predictions and minimize loss."],["Additionally, you will gain insights into how neural networks handle multi-class classification problems using one-vs.-all and one-vs.-one approaches."],["This module builds on prior knowledge of machine learning concepts such as linear and logistic regression, classification, and working with numerical and categorical data."]]],[]]
