מדעי הנתונים ובינה עסקית

4 תכונות בינאריות לכל אחת שני ערכים ועבור כל ערך נבצע חישוב עם הסיווג שהוא גם בינארי. כלומר עבור תכונה אחת וסיווג אחד יש 4 אופציות לחישוב (כי שתיהן בינאריות) ומכיוון שיש 4 תכונות יש 16 אפשרויות של הסתברויות שצריך לחשב- 4 כפול 4 נוסיף את שתי ההסתברויות של הסיווג ביחס לשאר התצפיות נקבל 16 פלוס 2 וזה 18.

לפי ההרצאה: זמני אימון של רשת נוירונים בד"כ ארוכים והבעיה המרכזית שלה זה שקשה להבין מה היא עושה.

למדה מגדירה את הרוחב של הkernel ביחס ישר. ככל שהלמדה גדולה השונות קטנה (כי יש יותר שכנים) והתחשבות בהם תקטין את השונות. כלומר יחס הפוך לשונות!

לפי ההרצאה: שינוי קטן בקלט של רשת נוירונים יביא לשינוי קטן בפלט ולהפך שינוי גדול בקלט לשינוי גדול בקלט. (מודל יציב!) יחס ישר לשינויים!

האלגוריתם עובד עם משתנה מטרה רציף וגם עפ משתנה מטרה בדיד לכן א' לא נכון. בהקשר של חישוב מרחק לפי מרחק אוקלידי- כן מניח שהתכונות המנבאות רציפות (אפשר לחשב את המרחק רק עם משתנים רציפים)

hidden units 4 X 30 output units = 120 connections

בבעיית האזעקה בהרצאה בנושא רשתות בייסיאניות: יש 5 תוכנות (פריצה, רעידת אדמה, אזעקה, שיחה של מרי ושיחה של ג'ון) כל התכונות האלו הן בעלות סיווג בינארי לכן מספר האפשרויות בבעיית האזעקה הם 5^2 שזה 32.

רשת נוירונים יכולה להציג משתנים של פונקציה לינארית ולא לינארית, היא לא מתאימה למשתני קלט בדידים ומניחה שהקלטים רציפים.

ככל שלמדה גדולה יותר הרוחב של הkernel גדול יותר ויש יותר שכנים- יחס ישר לכמות השכנים.

לפי ההרצאה ניתן לבנות תרשים Voronoi כך שמחלקים את המרחב הרב מימדי לאזורים כך שהסיווג של כל אזור נקבע לפי תצפית האימון הנמצאת במרכז כל אזור.