Funkcja schodkowa i decyzje liniowe
Zobaczyć, jak perceptron rozdziela dwie klasy
Funkcja schodkowa i decyzje liniowe to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. 📏
Często zadawane pytania
Czy lekcja „Funkcja schodkowa i decyzje liniowe” jest bezpłatna?
Tak — pełny tekst „Funkcja schodkowa i decyzje liniowe” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Funkcja schodkowa i decyzje liniowe”?
Zobaczyć, jak perceptron rozdziela dwie klasy Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Funkcja schodkowa i decyzje liniowe”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Wagi, bias i suma ważona
- Funkcja schodkowa i decyzje liniowe
- Zakodować perceptron od podstaw
- Problem XOR: dlaczego jeden neuron nie wystarcza