La fonction seuil et les décisions linéaires
Comment un perceptron sépare deux classes.
La fonction seuil et les décisions linéaires est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
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. 📏
Questions Fréquemment Posées
La leçon « La fonction seuil et les décisions linéaires » est-elle gratuite ?
Oui — le texte complet de « La fonction seuil et les décisions linéaires » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « La fonction seuil et les décisions linéaires » ?
Comment un perceptron sépare deux classes. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « La fonction seuil et les décisions linéaires » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Poids, biais et somme pondérée
- La fonction seuil et les décisions linéaires
- Programmer un perceptron à partir de zéro
- Le problème XOR : pourquoi un neurone ne suffit pas