Le problème XOR : pourquoi un neurone ne suffit pas
La limite qui impose des couches cachées.
Le problème XOR : pourquoi un neurone ne suffit pas est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 4 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.
Découvrez XOR
La règle XOR renvoie 1 lorsqu’une seule entrée vaut 1, et 0 dans les autres cas. Elle semble simple, mais elle a mis en échec les premiers réseaux neuronaux. 🤔
La table de vérité de XOR
XOR renvoie 0 pour (0,0) et (1,1), mais 1 pour (0,1) et (1,0). Les paires identiques indiquent non, tandis que les paires différentes indiquent oui.
Tracer les quatre points
Placez les quatre entrées sur une grille. Les deux points oui se trouvent sur des coins opposés, tandis que les points non occupent les deux autres.
Aucune ligne unique ne fonctionne
Essayez de séparer les coins correspondant à oui de ceux correspondant à non avec une seule ligne droite. C’est tout simplement impossible. Les classes s’entrecroisent en diagonale.
Non séparables linéairement
XOR est l’exemple classique de données non séparables linéairement. Un seul neurone, limité à une frontière droite, ne pourra jamais résoudre ce problème.
Le perceptron cale
Entraînez un perceptron sur XOR : il ne converge jamais. Les poids continuent d’osciller, car aucune ligne ne satisfait les quatre exemples à la fois.
Un obstacle historique
Cette limite de XOR, mise en évidence en 1969, a contribué à déclencher un hiver de l’IA. Beaucoup ont alors douté que les réseaux neuronaux puissent un jour traiter des problèmes difficiles.
Ajouter une couche cachée
La solution consiste à empiler des neurones. Une couche cachée permet au réseau de combiner plusieurs lignes pour former une structure plus complexe.
Courber la frontière
Avec une couche cachée et une non-linéarité, le réseau peut courber sa frontière. Il peut alors entourer les coins correspondant à oui et ignorer ceux correspondant à non.
Deux neurones suffisent à le résoudre
Deux neurones cachés alimentant un neurone de sortie suffisent à résoudre XOR. Chaque unité cachée trace une ligne, puis la sortie les combine.
Pourquoi la profondeur compte
XOR est la plus petite démonstration que la profondeur compte. Empiler des couches permet aux réseaux d’apprendre des courbes, des angles et la complexité du monde réel.
Vérification rapide
Rappelez-vous pourquoi XOR met un seul neurone en échec.
Récapitulatif
XOR n’est pas séparable linéairement, un seul neurone échoue donc. Ajouter une couche cachée permet au réseau de courber sa frontière et de résoudre le problème. La profondeur libère sa puissance. 🚀
Questions Fréquemment Posées
La leçon « Le problème XOR : pourquoi un neurone ne suffit pas » est-elle gratuite ?
Oui — le texte complet de « Le problème XOR : pourquoi un neurone ne suffit pas » 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 « Le problème XOR : pourquoi un neurone ne suffit pas » ?
La limite qui impose des couches cachées. 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 4 sur 4.
Combien de temps prend la leçon « Le problème XOR : pourquoi un neurone ne suffit pas » ?
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