AI FOR VET • POGLAVLJE 6

Od jednostavnog perceptrona do višeslojnih mreža

Prevazilaženje linearne razdvojivosti i rešavanje problema XOR.

🎯 Learning Outcomes / Ishodi učenja:
  • Razumevanje zašto jedan perceptron ne može da reši XOR.
  • Kako skriveni sloj savija granicu odlučivanja u složene oblike.
  • Poređenje aktivacionih funkcija (tanh, ReLU, sigmoid).
  • Praćenje propagacije unazad i korekcije težina u realnom vremenu.

Jedan neuron je prav lenjir: može da povuče samo pravu liniju. Skriveni sloj je tim lenjira čije linije izlazni neuron spaja u zakrivljene i zatvorene granice, sposobne da razdvoje bilo koji raspored klasa.

y = σ( ∑ w_i · x_i + b )  |  Skriveni: h_j = f( ∑ w_{ij} x_i + b_j )

Aktivacione funkcije unose nelinearnost, omogućavajući mreži aproksimaciju bilo koje funkcije.

🔬 Interactive Laboratory / Interaktivna laboratorija:

🔍 Guided Investigation / Istraživački zadatak:
  1. XOR bez skrivenog sloja: Postavite 0 skrivenih slojeva i pokrenite učenje. Tačnost ostaje oko 50%.
  2. Dodavanje skrivenog sloja: Dodajte 1 skriveni sloj sa 4 neurona. Tačnost prelazi 98%!
  3. Krug u krugu: Izaberite skup Krugovi. Obučite mrežu da zatvori unutrašnju klasu.