Ступенчатая функция и линейные решения
Как перцептрон разделяет два класса
«Ступенчатая функция и линейные решения» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
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. 📏
Часто задаваемые вопросы
Урок «Ступенчатая функция и линейные решения» бесплатный?
Да — полный текст урока «Ступенчатая функция и линейные решения» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «Ступенчатая функция и линейные решения»?
Как перцептрон разделяет два класса Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «Ступенчатая функция и линейные решения»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Веса, смещение и взвешенная сумма
- Ступенчатая функция и линейные решения
- Напишите перцептрон с нуля
- Проблема XOR: почему одного нейрона недостаточно