Comments 8
Скажите, пожалуйста, а на кого рассчитана эта статья?
Для новичков статья будет интересной. Хоть я и не новичок в машинном обучении, но мне нравится такой формат: с нуля, анализ программы, разбор нюансов и тп.
Только есть нюанс. Новички и им подобные не читают Хабр (по крайней мере я так не делал).
Идея представления нейрона как отдельного объекта тоже интересная. Обычно всё рассматривается с точки зрения математики, все преобразования происходят исключительно матричными операциями (тензорными) и никаких нейронов, только матрицы и векторы. А с точки зрения алгоритмов я вроде ни разу не видел разбора.
Если говорить о создании цифрового интеллекта, то возможно стоит также рассматривать всё с точки зрения алгоритмов, а не только с точки зрения оптимизации функции.
Да, но рассмотрение как отдельного объекта, чисто формально, тоже можно свести к каким-то концепциям в математике.
Если загуглить перцептрон то можно найти массу материалов без всяких матриц и с различных точек зрения с картиночками и анологиями с живым нейроном
вот курс на степике, например https://stepik.org/lesson/21774/step/1?unit=5193
Но можно взять какой нить древний учебник по кибернетике там с высокой долей вероятности будут и алгоритмы и схемы и рисуночки
Недо-переизобрели Метод опорных векторов (Support vector machine). Недо- так как не смогли найти лучшую разделяющую гиперплоскость.
SVM. Подробный разбор метода опорных векторов, реализация на python
На счет трактовки:
Классификация определяет по какую сторону от прямой лежат точки. Выше прямой будет знак плюс, ниже прямой - знак минус.
Чтобы определить выше/ниже надо найти скалярное произведение точки и перпендикуляра к прямой (нормали). Именно это скалярное произведение и ищет нейрон.
Если изменить направление перпендикуляра то знак результата изменится и классификация станет полностью непоавильной, мы как бы поменяли выше/ниже местами.
Значения весов w это перпендикуляр и смещение вдоль него.
Возможно, я не совсем корректно сформулировал, что именно хочу от трактовки.
Меня интересовало, почему в описываемых случаях веса не корректируются самостоятельно из проблемной зоны в нужную, а зависают в проблемной зоне, если принудительно не заменить знаки весов на противоположные.
Рассуждения и тесты привели к тому, что при коррекции необходимо учитывать соответствующие параметры объектов. Написал об этом отдельно здесь.
вот курс на степике, например https://stepik.org/lesson/21774/step/1?unit=5193
возможно будет полезен, там подробно про алгоритм обучения перцептрона
Бинарная классификация одним простым искусственным нейроном. Личный опыт