Dit això, poden aproximar de manera arbitrària una funció discontínua. Per exemple, la funció del costat pesat, que és 0 per a x=0, es pot aproximar mitjançant sigmoide(lambdax) i l'aproximació millora a mesura que lambda va a l'infinit.
Les xarxes neuronals poden aprendre funcions discontínues?
Una xarxa neuronal de tres capes pot representar qualsevol funció multivariant discontínua. … En aquest article demostrem que aquestes xarxes neuronals poden implementar no només les funcions contínues sinó també totes les funcions discontinues.
Una xarxa neuronal pot aproximar alguna funció?
El teorema de l'aproximació universal estableix que una xarxa neuronal amb 1 capa oculta pot aproximar qualsevol funció contínua per a entrades dins d'un rang específic. Si la funció s alta o té grans llacunes, no podrem aproximar-la.
Quina xarxa neuronal pot aproximar qualsevol funció contínua?
En resum, una afirmació més precisa del teorema de la universalitat és que les xarxes neuronals amb una única capa oculta es poden utilitzar per aproximar qualsevol funció contínua amb la precisió desitjada.
Les xarxes neuronals poden resoldre algun problema?
Avui, les xarxes neuronals s'utilitzen per resoldre molts problemes empresarials com ara la previsió de vendes, la investigació de clients, la validació de dades i la gestió de riscos. Per exemple, a Statsbot nos altresaplicar xarxes neuronals per a prediccions de sèries temporals, detecció d'anomalies en dades i comprensió del llenguatge natural.
