Şekil 1. Doğrusal olmayan sınıflandırma sorunu. 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 sorunu.
Özellik çaprazlama alıştırmalarında, bu verilere doğrusal bir model sığdırmak için doğru özellik çaprazlamalarının belirlenmesinin biraz daha fazla çaba ve deneme gerektirdiğini de hatırlayabilirsiniz.
Peki, tüm bu denemeleri kendiniz yapmak zorunda olmasanız ne olur?
Nöral ağlar, verilerdeki doğrusal olmayan kalıpları bulmak için tasarlanmış bir model mimarileri ailesidir. Bir sinir ağının eğitimi sırasında model, kaybı en aza indirmek için giriş verilerinde gerçekleştirilecek optimum özellik kesişimlerini otomatik olarak öğrenir.
Aşağıdaki bölümlerde, sinir ağlarının işleyiş şeklini daha ayrıntılı olarak inceleyeceğiz.
[[["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: 2025-07-27 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."]]],[]]
