Figura 1. Problema de classificação não linear. Uma função linear não pode
separe claramente todos os pontos azuis dos pontos laranjas.
"Não linear" significa que não é possível prever um rótulo com precisão
modelo do formulário \(b + w_1x_1 + w_2x_2\). Em outras palavras, o
"superfície de decisão" não é uma linha.
No entanto, se realizarmos um cruzamento de atributos em nossos atributos $x_1$ e $x_2$, poderemos
depois representam a relação não linear entre os dois atributos usando uma
modelo linear:
$b + w_1x_1 + w_2x_2 + w_3x_3$, em que $x_3$ é o cruzamento de atributos
$x_1$ e $x_2$:
Figura 2. Ao adicionar o cruzamento de atributos,
x1x2, o modelo linear pode aprender
uma forma hiperbólica que separa os pontos azuis dos pontos laranjas.
Agora considere o seguinte conjunto de dados:
Figura 3. Um problema de classificação não linear mais difícil.
Talvez você também se lembre dos exercícios de cruzamento de atributos
que determinar os cruzamentos de atributos corretos para ajustar um modelo linear a esses dados
exigia um pouco mais de esforço e experimentação.
Mas e se você não tivesse que fazer todos os experimentos por conta própria?
Redes neurais são uma família
de arquiteturas de modelo projetadas para encontrar
não linear
padrões nos dados. Durante o treinamento de uma rede neural,
model automaticamente
aprende os cruzamentos de atributos ideais para realizar nos dados de entrada para minimizar
e perda de talentos.
Nas seções a seguir, vamos analisar mais de perto como as redes neurais funcionam.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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."]]],[]]