Персептрон - возможности классификации образов, задача XOR | #2 нейросети на Python

Классификация линейно-разделимых образов с помощью персептрона на одном нейроне. Понятие биаса (bias) - порогового смещения. Различение нелинейно-разделимых образов (задача XOR) с помощью трехслойной нейронной сети.
Телеграм-канал: t.me/machine_l...
Инфо-сайт: proproprogs.ru
lesson 2_1.py, lesson 2_2.py, lesson 2_3.py: github.com/sel...

[@ЭльдарДевликамов-ю5р]

Редкая удача - наткнуться на такой канал. Автору спасибо!

[@Sweet_Bibaleh]

Он преподаёт в университете)

[@lubovd5335]

@@Sweet_Bibaleh Это заметно :-)

[@mister_darth_vader]

@@Sweet_Bibaleh В каком ? мне интересно

[@nikitaegle5533]

Смотрю на превью, где написано 6+, и начинаю бояться за тех детей, которые случайно нажали на это видео

[@selfedu_rus]

=)

[@евгенийбогданов-щ1б]

@@selfedu_rus почему мне тогда 14 и я ничего не понимаю( (знаю, что нужно высшую математику знать)

[@ozz3549]

@@евгенийбогданов-щ1б тут нет высшей математики

[@monacci]

@@евгенийбогданов-щ1б потому что не вникаешь, и не знаешь базовый основ машинного обучения

[@WitcherCoin]

@@евгенийбогданов-щ1б мне 15, всё понятно, если вникать.

[@Физикаматематикаиинженерноедел]

Невероятный уровень объяснения)) круто

[@andreyjustandreyoff]

Это максимально офигенно, 3 года назад было выложено видео, а я смотрю это в 2024 году и все понимаю!

[@АсяХаликова-в7б]

Дар преподавания! После двух изученных плейлистов по основам Питона и ООП начала этот курс видео. Восхищена!

[@cerpanovmita77Cher]

Привет! Как успехи? К чему пришла за 3 года?

[@ВНе-р4з]

Шикарно, только есть совет всем тем кто слушает. Стоит пересмотреть видео несколько раз, это обязательно, вам может показаться что вы все поняли, но это не так. На самом деле понимать вы начнёте где-то с 5го повтора видео, и это не потому что плохо объясняют, а из-за реальной сложности этой темя

[@УголокКодера]

Такие каналы как ваш, достойны намного большего количества подписчиков. Круто объясняешь!

[@CalmVideo]

Начиная со 2 серии мозг кипит. Сколько не смотрю разные видео - не понимаю Но объяснения в этом видео мне нравятся

[@MathPTU]

а что непонятного?

[@СергейКондулуков-з9ч]

Сергей здравствуйте. С удовольствием занимаюсь по вашему бесплатному курсу по Python на Степик. Не всё конечно получается с первого раза, но как говорится Упорство и Труд всё перетрут. На комментарии внутри курса где рекламируются другие курсы не особенно обращайте внимания. Как говорится Собака лает. Караван идёт. Да и про конкуренцию тоже не забывайте 🙂 Пример с семейством, которое переезжает в другой район обязательно сделаю. Просто шестерёнки ещё скрипят. Большое спасибо за хороший курс по Python. С уважением С. Кондулуков.

[@mistrebrown7642]

Супер! И ещё пара слов для продвижения канала в ютубе

[@escozoonv]

Смотрю второе видео и хотел написать что вам бы преподавать, а вы оказывается уже) Спасибо за уроки, подписался

[@KromlechKannabikus]

Даже такой отъявленный гуманитарий как я, смог понять многие вещи после такого объяснения. Благодарю за труд!

[@romastep6576]

И снова добра, счастья, удачи и здоровья тебе Человечище👍😁

[@hfhfhffjf]

Поступил в магистратуру на IT как вторая специальность... На паре глаза были по пять копеек. Но с вашим видео стало определенно понятнее! Спасибо!

[@a-rg1tj]

Та же история

[@dmitrelkin9256]

Лектор уровня "Бог". Вспоминается Р. Фейнман с его принципом объяснять сложные вещи простыми словами. Смотрю лекции канала, разрываюсь между несколькими плейлистами, уже опух, но все равно интересно )) Первый раз встретил внятное и очень простое объяснение "разделяющей прямой". Спасиба!

[@selfedu_rus]

Спасибо за такое лестное сравнение с самим Фейнманом! ))

[@dmitrelkin9256]

@@selfedu_rus подозреваю, что понятие разделяющей гиперплоскости выводится таким же образом как и разделяющей прямой?

[@selfedu_rus]

@@dmitrelkin9256 да, именно так!

[@unstablebunny6572]

очень крутые видео. жаль, что не нашел ваш канал раньше

[@__-pq1nt]

Спасибо вам большое. Нейронные сети - сложная тема, а вы так легко и доступно объясняете её. Конечно есть пара непонятных моментов, но в ходе изучения нейронных сете они буду разобраны, ну, я надеюсь на это

[@uselslip]

Очень крутые уроки, только начал смотреть надеюсь дойду до конца и научусь сам их писать

[@АндрейМалахов-т9м]

Спасибо что Ютуб показ в поиске ваше видео. Очень качественно и понятно. Лайк + подписка + хороший комментарий. Продолжайте в том же духе

[@Mr.Mar_ad]

курс просто невероятно полезный, спасибо!

[@leomysky]

Просто какой-то невероятный канал, спасибо

[@СарматПересветов]

Ну на самом деле, если не плохие знания, то покачто все просто. Смотрю с телефона, но когда приду домой попробую все сам реализовать. Спасибо!

[@mtiv4636]

спасибо огромное! вы очень хорошо объясняете, буду и дальше вас смотреть.

[@leonidpopov5965]

Спасибо вам огромное за такие понятные и логичные объяснения!

[@pasha5584]

Да как же круто! И о сложном и простое объяснение. А то слушаешь некоторые курсы и кровь из ушей идет - такую дичь толкают. Только возможно не всем понятно что за гиперплоскость, хотя концепция важная.

[@reabstractor]

Гениально! Теперь я понял всю суть. Благодарю!

[@ViktorKataev]

Спасибо! Отличные уроки!

[@ИванКруткевич]

Тэээкс хорошо, теперь осталось только узнать зачем это нужно!

[@ViktorKataev]

Шедеврально!

[@kardonov]

Автор добился невозможного, я понял принцип работы персептрона 😁

[@realypotato7270]

Хорошее видео для старта изучения машинного обучения. Жду видео о обновления весов, ADALINE, градиентном спуске, переобучение, недообучение и библиотек для работы с нейросетями

[@maksutaatuskam860]

Спасибо, жаль что у такого канала так мало подписоты

[@ВикторСороколетов]

Автор привет делаешь супер контент смотрю с удовольствием, хотя вот моменты который хотел бы что бы показал, а точнее алготюритм индекстрон, а так же q learning

[@Батал-щ1ж]

я ставлю лайк видео когда понял его , так что после пересмотров)😄

[@eerieevilelf]

Спасибо вам огромное за подробные и понятные видео! Не могли бы вы ещё пожалуйста чуть подробнее пояснить, когда вы на 15:55 говорите, что мы для надёжности всё смещаем на -0,5, зачем мы это делаем? В чём заключается надёжность, почему это лучше чем 0/1/0?

[@selfedu_rus]

Мы смещаем границу, чтобы расстояния от классов образов было наибольшим. Это увеличивает обобщающие сопосбности сети и уменьшает число ошибок при эксплуатации.

[@yporotxx]

Ваш курс: Я что-то понимаю, но всё равно какая-то магия с тем, как он даёт правильные ответы; Другие курсы: Ну нейронная сеть это нейроны и да они умеют общаться друг с другом, ну а в целом вот код, смотрите она работает БИНГО

[@selfedu_rus]

Для понимания только математика, без нее - никак! )

[@АндрейКоваленко-о5е]

топ объяснение темы, спасибо!

[@РоманГиматдинов-п8л]

Небольшое дополнение, значения на разделяющей прямой будут входить область значений одного из классов

[@Bravekostya]

появляется чувство, что я (судя по комментариям)- единственный, кто не может с первого раза разобраться в видеоролике...

[@laser3453]

А как ты думал, на фоне включить и всё понять невозможно. Смотри внимательно, делай паузы, обдумывай идеи, о которых тебе говорят. Попробуй переписать код из видео, посмотреть, какая строка за что отвечает, попробуй его немного изменить. Можно посмотреть ролик несколько раз. Это не такая уж и простая тема.

[@hemenguelbindi3888]

Огромное спасибо автору.

[@ВикторЧеботарь-з2в]

Спасибо за урок

[@ashimov1970]

отличные видео. П.С. не биас, а байес, и не порог а так как ты сам изначально обозвал - смещение (сдвиг). порог на английском - threshold

[@jp2en]

образы распределены в диапазоне МЕЖДУ 0 и 1, по этому... будем полагать, что на вход функции подается либо 0, либо 1... это ГЕНИАЛЬНО!!!

[@vivacuba1990]

Хороший канал. Подписка...

[@ЮрийСтаростин-я1щ]

Работает на pycharm : надо импорт библиотек? !: есть кнопка install сбоку справа (раздел рядом с терминалом): выбрать библиотеку (напечатать название биоблиотеки), жать на кнопку. Удобный импорт библиотек на pycharm.

[@РоманГаврилов-п5п]

Добрый день. восхитительное видео, но не понятно одно: что произошло в строке 18? Что такое образы класса? и каким образом мы их перебрали? что означают те квадратные скобки?

[@laser3453]

Я сам долго тупил, но в итоге понял, что это такое. В общем, у нас есть некие объекты, которые можно охарактеризовать двумя числами. Пусть первое число - x1, второе число - x2. Задача нейронной сети заключается в классификации двух объектов по этим характеристикам. Вот эти самые числа и называются образами. А так как количество чисел равно 2, их можно изобразить на плоскости в виде точек. Если бы их было 3, можно было бы изобразить в пространстве, тогда разделяла бы их плоскость, а не прямая. Если больше, то уже начинаются многомерные пространства, разделителями будут гиперплоскости. Представить себе такую картину невозможно, но это работает. К примеру, когда мы классифицируем рукописные цифры из датасета MNIST, там в ход вступают 784-мерные пространства, так как каждый нейрон входного слоя получает на вход одно из чисел, а числа являются значениями конкретных пикселей на изображении.

[@lisay7395]

Ето то что я искал

[@eng9507]

Начинаю смотреть этот плейлист в 10 классе, хочу связать свою жизнь с машинным обученим по возможности, вот сижу и пытаюсь понять все эти формулы и разделяющие прямые на графиках, голова кипит, но я пытаюсь уложить это в ней.

[@selfedu_rus]

Не знаю как это зайдет 10-ти класснику, но лучше начинать с плейлиста "Основы машинного обучения". Успехов!

[@eng9507]

@@selfedu_rus спасибо, скорее всего послушаю ваш совет

[@lubovd5335]

02:44, На графике не правильно изображена прямая. Прямая должна проходить через 2и 4 квадранты, поскольку коэффициент перед аргументом функции отрицательный! Прямая должна идти из левого верхнего угла в правый нижний угол.

[@selfedu_rus]

А если один из весов w отрицательный? А такая прямая нарисована как общий случай - ее поворот может быть любым!

[@nedokormysh]

Чего-то совсем завис со смещением в выходном нейроне. Если судить по картинкам мы верный результат должны получать и без смещения. Отсюда и неясность для чего мы вообще делаем это смещение. Если же разбираться в цифрах, то пусть подаём на вход (0, 0) - левый нижний угол. То получаем в выходном нейроне умножение веса [-1, 1, -0.5] на вектор out = [0, 0, 1]. [0, 0, 1] - единицу в конец мы добавили в этот вектор, потому что у нас есть связь третьего входа с выходным нейроном? Умножаем и получаем -0.5 - подаём в функцию активации - получаем верный ответ. Но это только лишь за счёт смещения. А если бы мы отрицательное смещение не подавали было бы [-1, 1, 1] на [0, 0, 1]. В результате на вход активационной функции подавалась бы единица, и определяется неверный класс. А если бы у нас не было связи третьего входа с выходным нейроном, то нам бы не пришлось выставлять отрицательный вес? Т.е. мы как будто бы отрицательным -0.5 смещением компенсируем 1, которую задаём от третьего входа, который у нас появляется для учёта смещения. Если, конечно, я это уловил верно.

[@daniilk3737]

спасибо за материал. правильно понимаю, что в 1ой задаче разделительная прямая может быть разная (по наклону и направлению) или это "классическая" где всё именно так? значения на вход нейроны имеют только 0 и 1 , и весовых коэф.-ов от -1 до 1 или они могут иметь любые значения в зависимости от задачи и подхода?

[@vervol1490]

Прошу прошения но вдруг кому пригодиться визуализация Задачи XOR lesson 2_3.py: import numpy as np import random import matplotlib.pyplot as plt def act(x): return 0 if x

[@Dmitrii-Zhinzhilov]

Круто! Благодарю!!! 🔥👍💯

[@DaniilMusin]

огонь, спасибо!

[@ОлегЗорин-и8ч]

При х1=2 и х2=0; w1=0.5 и w2=1 получаем точку с координатами (1;0), она лежит на оси х1 и принадлежит С1 (положительный диапазон значений ф-ии). Но судя по рисунку на 2,49 нинуте должна принадлежать С2 (отрицательный диапазон). Или я ошибаюсь?

[@freshmen5491]

Не чего не понял, нооо очень интересно 😁

[@megistone]

Здравствуйте, учу по книжке Ян Гудденфлоу - Глубокое обучение, и не понял, почему функция активации именно такая, почему не другая какая-то? Например сигмоида или ReLU max(0, x). Как её правильно выбрать?

[@ifredis]

Респект

[@ForMotherRussia1]

Пока вообще ничего непонятно, но очень интересно)

[@WitcherCoin]

А почему на канале до сих пор только 50к подписчиков? Наверно потому, что контент не самый простой на ютубе)

[@vasiliykozlov13]

Правильно ли я понимаю, что так нейросеть может распознавать изображения? То есть на графике множество точек - это некие опорные точки изображения, мы составляем подходящую нейронную сеть с необходимым количеством нейронов и слоев и через функции активации она определяет, что изображено на изображении?

[@_Mirius_]

В первом примере после С1 = [x1, x2], вызывается х1 = np.random.random(N) Не поменяется ли значение х1 внутри С1 после этого? И с х2 так же

[@selfedu_rus]

нет, см. базу по Python

[@G-kw3332]

x1 это всего-лишь ссылка на np.random.random(N)

[@takiekakmi7532]

Нифига не понятно, но очень интересно. Нужно подтянуть сначала математику по ходу😪

[@_sort_]

Не понятно зачем столько заморочек на задаче xor. Когда на википедие есть модель в целом такая же, но чуть проще и понятнее, и другими весами. Но ваше объяснение также хорошо изложено и является более полным.) Но боюсь для новых людей оно слишком запутанно выглядит.

[@jamjam3337]

👏👍

[@СержСандрян]

Спасибо

[@АлексейКокуренков]

когда мы находим веса не очень понятно, почему на вспомагательных графиках для нужной нам области то 1, то 0

[@selfedu_rus]

это как бы биты, они могут быть 1 или 0

[@radacom]

Я девочка. Можно еще раз на пальцах обьяснить - с красивым гитаристом на яхте?😂😂😂

[@no7....925]

супер

[@alexeypriw4085]

там еще мафон нужен был касетный чтоб частоту резонатора регулировать пока комп не поймет)

[@monacci]

Здравствуйте. Спасибо за ваш курс. Не знаю, досмотрю или нет

[@rtu_karaidel115]

На выходном слое нейронов поступает именно вероятность той или иной категории!

[@selfedu_rus]

не согласен, выходной сигнал как вероятность можно интерпретировать только при логистической функции потерь (см. курс по машинному обучению)

[@rtu_karaidel115]

@@selfedu_rusДа , машинное обучение только планировал посмотреть , посмотрю оценю суждение. Так или иначе , спасибо за столь качественный контент!

[@magadan4626]

Почему X2 = 1 * X1 это прямая проходящая через 0 под углом 45 гр.?

[@selfedu_rus]

x2 = y, x1 = x => y = x

[@Dimofey]

Было бы неплохо установить таймкоды на ролики. Тема не самая простая, иногда хочется иметь быстрый доступ к тому или иному отрывку.

[@alexeypriw4085]

да ты реально с Альфо-Цинтавры) и пофиг что неправильно пишу)

[@dantealighiery8455]

Автор-гений! Но судя по всему без знания математики , лезть смысла нет(((

[@МихаБорисов-с4н]

Всё круто, но так как я не шарю в графиках и математике и я НОВИЧОК в программировании и у меня проблемы с matplotlib и последней версией numpy, я повторял всё описанное целый день. И этот день мне показался адом. Автор молодец, это я тупой.

[@selfedu_rus]

спасибо, дорогу осилит идущий! )

[@nikitakolchanov350]

Спасибо большое ❤. Есть вопросик, когда мы выбирали смешение bias, то почему в коде на python мы взяли 1, а не 1.5 и 0.5?

[@selfedu_rus]

можно и другие величины, это как пример

[@leylamehtiyeva6451]

Кто не понял для чего нужен f = [0, 1]. 0 - bias (смещение прямой наверх или вниз) 1 - угол наклона (если он отрицательный, то прямая направлена в другую сторону) Таким образом это значения коэффициентов уравнения прямой b и k соответственно в уравнении y = k*x + b

[@tryhardery]

Это нужно для немного другого) Чтобы построить прямую y = x в матплотлиб

[@Rusia-16]

А почему мы для С1 не добавили смещение +0,1 ? Что бы все точки были выше прямой.

[@selfedu_rus]

метку времени укажите, я ж на память все это не помню где что было ))

[@Rusia-16]

@@selfedu_rus kzbin.info/www/bejne/qmq0l5Z8g9B6a5o

[@selfedu_rus]

@@Rusia-16 это мы просто так генерируем множество точек для второго класса C2, чтобы они отличались от точек класса C1, вот и все

[@maxli2134]

hello, at 4:27, why do we use np.random.randint(10)/10 ?

[@aleksandrdontsu8948]

to get a number between 0 and 1

[@Web3Day]

А где информацию поискать про графики? Какой раздел алгебры посмотреть? Совсем не понимаю как из математического уравнения можно построить график. Тем более из уравнения где все неизвестные. А так лайк тебе и вот длинный коммент.

[@pinochet8108]

уравнение прямой y=kx+b это где-то 7й класс алгебры

[@Web3Day]

@@pinochet8108 спасибо, я думал другая магия

[@KrasenDayZ]

А что значат входные данные для класса 1 и 2 тоесть 1, 0 и 0, 1 для первого и 0, 0 и 1, 1 для второго?

[@WitcherCoin]

Посоветуйте пожалуйста книгу(или книги) про ИИ. Хотелось бы чтоб были примеры на python.

[@selfedu_rus]

С примерами они не очень )) Если с уровнем математики, то лучшая, на мой взгляд, среди русскоязычных - это С. Николенко "Глубокое обучение".

[@WitcherCoin]

@@selfedu_rus спасибо)

[@maxli2134]

если в первом примере всять весы 0.3 и -0.3 место -0.3 и 0.3, то тогда класификатция будет работать на оборот: точки С2 будут классифицированные как С1. Надо обязательно чтобы имено первый весовой коефицент был отрецательный?

[@user-oy7vn6mk1t]

А как сделать круг? Вот к примеру в круга и на нём это клас С1, а все что снаружи С2.

[@user-oy7vn6mk1t]

Смотри: когда ты меняешь минус на плюс как ты это сказал, то значение k=(-w1)/w2 не поменяется. То-есть по логике программа не должна ломаться, но прикол в том что меняя эти две штуки на нейронах, они станут хранить в себе другие данные. Из-за этого на выходе с нейронов тоже поменяются знаки. Ну ок, знаки на нейронах поменялись и что дальше? Значение k всеравно будет = 1. И чё? Почему все поламалось? Проблема в том, что на весах ты поменял знаки, и на нейронах останутся суммы с другими знаками. Когда эта сумма будет идти к выходу, она умножится на другие весы, но на этих весах которые стоят у самого выхода ты знаки НЕ ПОМЕНЯЛ! А они там были тоже разные. В итоге раз ты не поменял знаки, то в ответе получится та самая сумма с не правилным знаком. Из-за не правильного знака нейронная сеть класифицирует точку (допустим) как С1, но должна была сказать что это С2! Просто ты на одних весах знаки поменял, а на конечных весах не знал что тоже надо поменять. В итоге у тебя ответ наоборот получился. То-есть ты можешь поменять местами минус и плюс перед нейронами, но после нейронов тоже надо поменять!

[@kirilllevin5372]

@@user-oy7vn6mk1t вы имеете ввиду знаки равенства в функции активации?

[@user-oy7vn6mk1t]

@@kirilllevin5372 Я не знаю как вам ответить. Забросил изучение нейросетей. Подумал "Ну щас перечитаю, вспомню что написал и объясню", но фиг там. Я нишиши не понял что писал))) Как же легко все забылось

[@dubinin_s]

У меня вопрос. Вы к выходным значениям нейронов, в последнем примере, прибавляете пороговое смещение и применяете функцию активации, разве в результате у Вас не получается еще один слой нейронов состоящий из одного нейрона? И как следствие эта схема превращается в нейронную сеть с двумя скрытыми слоями.

[@selfedu_rus]

Это и есть работа нейрона: он к полученной сумме (вместе с bias (смещением)) применяет функцию активации. Полученное значение - это выход последнего нейрона. В результате, у нас всего 3 слоя: входной, скрытый и выходной.

[@dubinin_s]

@@selfedu_rus Точно, про выходной слой забыл, нужно внимательнее смотреть ваши ролики))

[@KrasenDayZ]

не понял почему -b если мы плюсуем все значения и получаем правильный результат

[@arturbrynzak7468]

Кто ты о достойнейший? Преподаешь ли ты где то? Поучиться захотелось даже

[@andreibeliak9725]

bias [ˈbīəs] - байас - не "биас"

[@VanFlek]

Спасибо! Скажите пожалуйста , а почему для корректной классификации k должен быть равен единице?

[@selfedu_rus]

Просто я так расположил образы, что они разделяются прямой с угловым коэффициентом k=1. Вполне могут быть другие варианты, например, с k = -1 и т.п.

[@VanFlek]

selfedu спасибо

[@id-4]

16:11 а нельзя это сделать без нейрона смещения? Например, изменив активирующую функцию. Или из-за этого дольше обучаться будет?

[@selfedu_rus]

"нейрон смещения" - это новый термин? )) смещение - один из входов и его заменить чем-либо другим нельзя и он нужен обязательно

[@lubovd5335]

16:16, Откуда взялась -1 на верхнем входе выходного нейрона, ведь активационная функция предыдущего нейрона выдает только 0 и 1 ???

[@selfedu_rus]

Это вес связи, а не выходное значение нейрона.

[@OOOJohnJ]

А с помощью сигмоидной активационной функции задачу обучения решить возможно? У меня нейронка упорно выходит на среднюю ошибку

[@ТИПАМОЩНЫЙНИКНЕЙМ]

Здравствуйте. Не могли бы вы мне помочь с секцией видео со смещением. Я пробовал умножать матрицы с омега 3 внутри, но всегда получается отрицательный результат.

[@selfedu_rus]

Это в телегам-канал по машинному обучению (ссылка под видео).

[@РодионовМихаил-т3с]

Спасибо за объяснение. Скажите пожалуйста, а как быть в случае, если у нас кол-во С больше чем 2, например 5?

[@selfedu_rus]

Создается несколько разделяющих гиперплоскостей

[@JluMoSHa]

​ @selfedu Значит, нейронов второго слоя будет уже 5?

[@selfedu_rus]

@@JluMoSHa Если хотите, чтобы сеть на выходе выдавала классы принадлежности для входного наблюдения, то да, на выходе делаете 5 нейронов, обычно, с функцией активации softmax.

[@hh_english]

День добрый! :-) На 8-28, почему мы выразили смещение как негативное отношение омега 3 к омега 2? Потому что так захотели? Омега три всегда домножается на единицу, то есть омега три и есть смещение? Почему мы решили связать его со вторым весом (омегой 2)?

[@selfedu_rus]

y = 0 = x1*w1+x2*w2+x3*w3 из этой формулы все и вытекает

[@hh_english]

@@selfedu_rus спасибо, буду думать)

[@hh_english]

Подумал, дошло) Другой вопрос: здесь у нас веса омега 1 и омега 2 равны в абсолютном выражении, отличается лишь знак. Поэтому при построении функции линии через x1 = ... или через х2 = ... не влияет на угловой коэффициент. Однако если омега 1 и 2 будут иметь разные значения, скажем 2 и 3, то угловой коэффициент будет 2/3 и 3/2, разделяющие линии будут разными. Это значит...ммм обе подойдут? Или нужно всегда выражать через х2 - почему?

[@selfedu_rus]

@@hh_english Это был лишь пример, когда нужно разделить два класса образов линией с угловым коэффициентом k = 1. Поэтому и веса эти одинаковы. В общем случае, конечно, они будут разными и это определяется в процессе обучения НС.

[@hh_english]

@@selfedu_rus спасибо!

[@shooobaa]

я ничего не понимаю, надо математика заново учить ???

[@дмитрийм-т1п]

неплохоб примера из жизни добавить как в прошлых уроках , например нак по пяти признакам отличить мужика от телки

[@user-oy7vn6mk1t]

А если у меня будет круг а не линия? Видео топ, но мало примеров если честно. Вот пусть класс С1 это точки в круге, а С2 это снаружи и на линии круга. Что тогда?

[@selfedu_rus]

Это "добивается" нелинейными функциями активаций нейронов. Обычно, для универсальности выбирают единую функцию активации для одного слоя и обучают (подбирают веса) так, чтобы разделяющая гиперплоскость описывала этот самый круг. Также, дополнительно, можно проводить предобработку наблюдений, чтобы нейросети было проще их классифицировать. Это задача выделения вторичных признаков из исходных данных. А вообще, универсальных рецептов не существует и каждая конкретная задача - это творчество.

[@cnota69]

1:42 а может быть С3? Можно ли сделать? w1x1+w2x2 > 0 --> C1 w1x1+w2x2 = 0 --> C2 w1x1+w2x2 < 0 --> C3

[@__-pq1nt]

можно, но это не имеет смысла. В С2 попасть даже за 1000 попыток будет сложно