Şekil 1. Doğrusal olmayan sınıflandırma problemi. Doğrusal fonksiyonlar,
tüm mavi noktaları turuncu noktalardan net bir şekilde ayırın.
"Doğrusal olmayan" etiketi içeren bir etiketi doğru tahmin edemeyeceğiniz
\(b + w_1x_1 + w_2x_2\)formunun modelidir. Başka bir deyişle,
"karar yüzeyi" bir çizgi değil.
Ancak, $x_1$ ve $x_2$ özellikleri üzerinde çapraz özellik yaparsak
sonra, iki özellik arasındaki doğrusal olmayan ilişkiyi bir
doğrusal model:
$b + w_1x_1 + w_2x_2 + w_3x_3$ burada $x_3$, iki nokta arasındaki
$x_1$ ve $x_2$:
Şekil 2. Ayrıca,
x1x2 ise doğrusal model
mavi noktaları turuncu noktalardan ayıran hiperbolik bir şekildir.
Şimdi aşağıdaki veri kümesini göz önünde bulundurun:
Şekil 3. Daha zor bir doğrusal olmayan sınıflandırma sorunudur.
Çapraz özellikler alıştırmalarından da hatırlayabilirsiniz.
doğru özelliğin belirlenmesinin bu verilere doğrusal bir model uyduracak şekilde kesiştiğini
ve denemeler yapmak gerekiyordu.
Peki, tüm bu denemeleri kendiniz yapmak zorunda olmasanız ne olur?
Nöral ağlar bir ailedir
bulmak için tasarlanmış model mimarilerini
doğrusal olmayan
verilerdeki kalıplar. Bir sinir ağının eğitimi sırasında
model özelliğini otomatik olarak
en aza indirmek için giriş verilerinde en iyi özellik kesişimlerini öğrenir
kaybetmezsiniz.
İlerleyen bölümlerde nöral ağların nasıl çalıştığına daha yakından bakacağız.
[[["Anlaması kolay","easyToUnderstand","thumb-up"],["Sorunumu çözdü","solvedMyProblem","thumb-up"],["Diğer","otherUp","thumb-up"]],[["İhtiyacım olan bilgiler yok","missingTheInformationINeed","thumb-down"],["Çok karmaşık / çok fazla adım var","tooComplicatedTooManySteps","thumb-down"],["Güncel değil","outOfDate","thumb-down"],["Çeviri sorunu","translationIssue","thumb-down"],["Örnek veya kod sorunu","samplesCodeIssue","thumb-down"],["Diğer","otherDown","thumb-down"]],["Son güncelleme tarihi: 2024-08-13 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."]]],[]]