איור 1. בעיית סיווג לא ליניארית. פונקציה לינארית לא יכולה להפריד בבירור בין כל הנקודות הכחולות לנקודות 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
שמייצג 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. הוספת המכפלה של המאפיינים x1x2 מאפשרת למודל ליניארי ללמוד צורה היפרבולית שמפרידה בין הנקודות הכחולות לנקודות הכתומות.
עכשיו נבחן את מערך הנתונים הבא:
איור 3. בעיית סיווג לא ליניארית קשה יותר.
אפשר גם להיזכר בתרגילי פיצ'ר
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 האלה בעצמכם?
רשתות נוירונים הן משפחה של ארכיטקטורות מודל שנועדו לזהות דפוסים לא לינאריים 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 לעומק את אופן הפעולה של רשתות נוירונים.
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2025-07-27 (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."]]],[]]
