1. Зачем нам нужно изучать нейронную сеть?
В линейной регрессии мы проверяем, как зависимая переменная численно зависит от независимой переменной, и наносим наилучшую прямую линию. В то время как логистическая регрессия классифицирует данные по разным классам в зависимости от набора данных. Но в каком-то наборе данных мы не можем использовать ни один из них и классифицировать набор данных по эллипсу или кругу. Мы не можем провести прямую линию для нелинейных данных, используя регрессию. Прямой линии недостаточно, поэтому мы используем логистическую регрессию. Но когда логистическая регрессия также не может классифицировать данный набор данных, мы выбираем нейронную сеть. Для этого типа набора данных нам нужно изучить основы нейронной сети.
2. Что вы подразумеваете под нейронной сетью?
Искусственная нейронная сеть — это вычислительная система, созданная на основе нейронной системы человека. То, как мы видели объект, точно так же, как система анализирует объект. Для простоты понимания мы можем сказать, что множественная комбинация логистической регрессии представляет собой нейронную сеть.
Здесь X1 и X2 — это 2 входа. W1 и W2 — весовой возраст для X1 и X2 соответственно, а Y1 — средний весовой возраст X1 и X2 на 1-й итерации, где Y2 — средний весовой возраст X1 и X2 на 2-й итерации, когда весовой возраст равен W1' и W2' соответственно. Z — это выход, на котором мы примем решение, что представляет собой объект. Но помните, что Y1 и Y2 — входные данные для Z, а вес — W3 и W4 соответственно.
В нейронной сети на вход поступают X1 и X2, и каждый круг является узлом. Y1 и Y2 — это 2 узла в скрытом слое. Выход Z, по которому мы будем принимать решение.
Если мы увеличим ширину нейронной сети, что означает, что если у нас больше нет. скрытых слоев, тогда сеть подвергается глубокому обучению.
Для лучшего понимания оформите заказ на изображении ниже.
