Når det er sagt, kan de tilnærme en diskontinuerlig funktion vilkårligt. For eksempel kan heaviside-funktionen, som er 0 for x=0, tilnærmes ved sigmoid(lambdax), og tilnærmelsen bliver bedre, efterhånden som lambda går til det uendelige.
Kan neurale netværk lære diskontinuerlige funktioner?
Et trelags neur alt netværk kan repræsentere enhver diskontinuerlig multivariat funktion. … I dette papir beviser vi, at ikke kun kontinuerlige funktioner, men også alle diskontinuerlige funktioner kan implementeres af sådanne neurale netværk.
Kan et neur alt netværk tilnærme en funktion?
The Universal Approximation Theorem siger, at et neur alt netværk med 1 skjult lag kan tilnærme enhver kontinuerlig funktion for input inden for et specifikt område. Hvis funktionen hopper rundt eller har store huller, vil vi ikke være i stand til at tilnærme det.
Hvilket neur alt netværk kan tilnærme enhver kontinuerlig funktion?
Opsummering er en mere præcis udsagn af universalitetssætningen, at neurale netværk med et enkelt skjult lag kan bruges til at tilnærme enhver kontinuerlig funktion til enhver ønsket præcision.
Kan neurale netværk løse ethvert problem?
I dag bruges neurale netværk til løsning af mange forretningsproblemer såsom salgsprognoser, kundeundersøgelser, datavalidering og risikostyring. Hos Statsbot har vi f.eksanvende neurale netværk til forudsigelser i tidsserier, registrering af anomalier i data og naturlig sprogforståelse.
