z = X @ w + b # skóre pro každý řádek X
p = 1 / (1 + np.exp(-z)) # sigmoida: 0 až 1
np.tanh(z) # tanh: -1 až 1
np.maximum(0, z) # ReLU
# jeden krok učení (sigmoida + logistická ztráta)
w -= lr * X.T @ (p - y) / len(y)
b -= lr * (p - y).mean()
np.logaddexp(0, z) # stabilní log(1 + exp(z))
# jeden neuron = jedna přímka, XOR potřebuje víc vrstevTahák · Python · Neuronové sítě a moderní AI
Neuron a aktivační funkce
Postavíš umělý neuron v NumPy, poznáš sigmoidu, tanh a ReLU, naučíš ho logické funkce a uvidíš, kde jeho schopnosti končí.