Programma Les 99 van 250 · Neural-Net Intuition, LLMs & AI Capstone
Neural-Net Intuition, LLMs & AI Capstone

Een Neuron vanaf nul

Al van deep learning is gebouwd uit één klein onderdeel: het artificial neuron. Het doet drie dingen, in volgorde.

  • Gewogen som. Vermenigvuldig elke input met zijn eigen gewicht en tel ze bij elkaar op. Een gewicht zegt hoeveel die input ertoe doet.
  • Voeg een bias toe.Een enkel getal dat het resultaat omhoog of omlaag verschuift, zoals een intercept.
  • Activation. Druk het resultaat door een niet-lineaire functie zodat het neuron meer kan uitdrukken dan een rechte lijn.

A klassieke activatie is de sigmoid, die elk getal naar een waarde tussen 0 en 1 brengt (handig voor kansberekeningen):

sigmoid(z) = 1 / (1 + e^(-z))

Enkele herkenningspunten: sigmoid(0) is precies 0.5, grote positieve inputs benaderen 1, en grote negatieve inputs benaderen 0. Zet het samen en een neuron is gewoon:

import numpy as np

def neuron(x, w, b):
    z = np.dot(x, w) + b      # weighted sum + bias
    return 1 / (1 + np.exp(-z))  # sigmoid activation

np.dot(x, w) doet de vermenigvuldiging en optelling voor de hele input vector in één keer. Dat is het hele idee. Stapel duizenden van deze op en train de weights, en je hebt een neuraal netwerk.

Jij bent aan de beurt

Implementeer neuron(x, w, b) met numpy. Bereken de gewogen som np.dot(x, w), voeg de bias b toe, en geef dan de sigmoid daarvan terug. Stel daarna out = neuron(x, w, b) in voor de gegeven x, w en b.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.