Die Sprungfunktion und lineare Entscheidungen
Wie ein Perzeptron zwei Klassen trennt.
Die Sprungfunktion und lineare Entscheidungen ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
From Score to Decision
The weighted sum gives a score, but you often need a clean yes or no. A step function turns that raw score into a firm decision.
What the Step Does
The step function outputs 1 if the score is at or above zero, and 0 if it is below. No in-between, just on or off. ⚡
output = 1 if score >= 0 else 0The Threshold
Zero is the threshold where the decision flips. Cross it and the neuron fires; stay below and it stays quiet.
Bias Moves the Threshold
Changing the bias slides that threshold. A larger bias makes the neuron fire more easily, a smaller one makes it harder.
A Line in the Data
With two inputs, the firing rule draws a straight line on a graph. Points on one side say yes, points on the other say no.
The Decision Boundary
That line is the decision boundary. It splits your feature space into two regions, one class on each side.
Weights Tilt the Line
The weights control the angle and steepness of the boundary. Adjusting them rotates the dividing line across your data.
Linear Means Straight
This is a linear decision: the boundary is always a straight line or flat plane. It cannot bend or curve around the data.
Linearly Separable Data
If one straight line can split your classes cleanly, the data is linearly separable. A single neuron handles this case perfectly.
The Hard Edge Problem
The step's hard edge jumps abruptly from 0 to 1. That sharp jump has no useful slope, which makes gradient-based learning tricky later.
A Tiny Classifier
Combine the weighted sum with a step and you have a working binary classifier in two short lines of Python.
score = w1 * x1 + w2 * x2 + b
label = 1 if score >= 0 else 0Quick Check
Think about the shape a single neuron can carve.
Recap
The step function turns a score into 0 or 1 at a threshold. With two inputs it draws a straight decision boundary, splitting linearly separable data. 📏
Häufig gestellte Fragen
Ist die Lektion „Die Sprungfunktion und lineare Entscheidungen“ kostenlos?
Ja — der vollständige Text von „Die Sprungfunktion und lineare Entscheidungen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Die Sprungfunktion und lineare Entscheidungen“?
Wie ein Perzeptron zwei Klassen trennt. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Die Sprungfunktion und lineare Entscheidungen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Gewichte, Bias und die gewichtete Summe
- Die Sprungfunktion und lineare Entscheidungen
- Ein Perzeptron von Grund auf programmieren
- Das XOR-Problem: Warum ein Neuron nicht genügt