Este es un problema muy clásico e interesante de inteligencia artificial básica. Al intentar imitar las puertas lógicas en la imagen a continuación, podemos ver claramente que los puntos para la puerta AND y la puerta OR se pueden separar fácilmente usando solo una línea, lo que se logra básicamente usando una sola neurona. Lo mismo no es cierto para la puerta XOR porque los puntos de datos no son separables usando una sola línea. Definitivamente necesitamos dos líneas para separar los puntos de datos. Estas dos líneas se pueden lograr si introducimos una segunda capa de neuronas.
Una sola neurona de dos entradas representa una línea recta como sigue:
- ¿Puedes explicar cómo el BPTT sufre un problema de gradiente?
- ¿Se pueden programar las computadoras para comprender el valor estético de algo?
- ¿Hay algún proyecto de aprendizaje automático de código abierto al que un principiante pueda contribuir?
- ¿Por qué los nodos en una capa oculta producen resultados diferentes (cuando se basan en las mismas entradas)?
- Estoy usando Weka e implementé la ganancia de información forestal aleatoria usando Java. ¿Cuáles son algunos consejos sobre cómo imprimir cuántas funciones tiene después de aplicar la ganancia de información y cómo imprimir los nombres de las funciones y sus valores de ganancia de información en orden descendente (solo funciones de ganancia de información)?
f (x1w1 + x2w2) = y1,
donde x1 y x2 son las dos entradas y w1 y w2 son los dos pesos.f (.) es la función de activación que elegimos.
En la ecuación anterior, si tomamos y1 en el otro lado, se convierte en
f (x1w1 + x2w2) – y1 = 0 que es muy equivalente a
ax + por + c = 0.
La misma idea puede extenderse a dos capas de neuronas.
Espero que esto ayude.
