Piense en un perceptrón básico que realiza una clasificación binaria, donde solo hay una neurona de salida y dos neuronas de entrada que están conectadas a esta salida. Esto es esencialmente una regresión lineal, y está ajustando una línea que dividirá el espacio de entrada en dos regiones. Si no tiene una unidad de sesgo para la neurona artificial individual, está restringiendo su elección de hipótesis (la hipótesis es la línea de separación en este ejemplo) a las líneas que pasan por el origen, mientras que con un sesgo, puede hacer cualquier línea. Claramente, el sesgo nos permite elegir muchas hipótesis nuevas, y muchos espacios 2D de clasificación binaria necesitan una línea que no pase por el origen.
En una neurona en una red neuronal más normal, eso no es una salida y no solo tiene dos entradas, lo que está haciendo es definir un hiperplano y calcular el grado en que la entrada está por encima o por debajo del hiperplano (y luego aplicando una activación en esto). Si no tiene una unidad de polarización, está obligando a este hiperplano diferenciador a pasar por el origen, lo que generalmente no se desea.
- ¿Qué tipo de proyectos de IA serán útiles en el mundo de hoy?
- ¿Qué software, lenguajes de programación y / o bibliotecas recomendaría para comenzar a hacer investigación independiente de redes neuronales y aprendizaje automático?
- ¿Dónde no se puede aplicar el aprendizaje automático?
- ¿Los robots reemplazarán a los gerentes y jefes?
- ¿Cómo se hace el software para controlar grandes máquinas y robots? Cual es el proceso
