WEBVTT 00:00.700 --> 00:03.880 Hallo en welkom terug bij de cursus kunstmatige intelligentie. 00:03.880 --> 00:08.470 In de sectie van vandaag gaan we diep, convolutief Q-leren aanpakken. 00:08.470 --> 00:12.290 Dus we nemen Keiller deep learning nog een stap verder. 00:12.310 --> 00:13.680 Dus we zijn oorspronkelijk begonnen. 00:13.980 --> 00:15.100 V Het eenvoudige leren. 00:15.100 --> 00:15.580 V Leren. 00:15.580 --> 00:20.020 Toen namen we dat mee naar diep leren en nu gaan we over op diepe convolutie. 00:20.020 --> 00:20.520 V Leren. 00:20.800 --> 00:23.260 Dus laten we eens kijken wat we gaan bespreken in termen van intuïtie. 00:23.830 --> 00:25.810 De inlichtingensectie zal vrij snel zijn. 00:26.200 --> 00:33.670 Er is niet veel dat we hoeven toe te voegen zolang we bekend zijn met convolutionele neurale netwerken en we zullen hier tegen het 00:33.670 --> 00:35.320 einde van vandaag op ingaan. 00:36.040 --> 00:41.950 Dus vandaag gaan we in dit gedeelte praten over deep learning, de intuïtie achter dingen en 00:42.190 --> 00:50.500 waarom het zo krachtig is, waarom het precies zo belangrijk is om af te stappen van deep learning en waarom deep learning slechts 00:50.500 --> 00:56.770 een basisbouwsteen is waar het gewoon een stap voor ons op het pad naar diep, convolutief leren. 00:56.770 --> 00:58.180 En wat voor wegen? 00:58.180 --> 00:59.910 Diepe overtuiging, convolutie. 01:00.010 --> 01:06.550 Q Leren opent voor welke wegen de kennis opent en waar deze kan worden toegepast. 01:07.390 --> 01:12.640 We zullen daar enkele voorbeelden van hebben en dan zullen we het hebben over geschiktheidstracering of eindstap. 01:12.640 --> 01:21.190 Q Leren is een zeer krachtige toevoeging aan het hele concept van deep learning en we zullen het hebben over de intuïtie 01:21.190 --> 01:21.760 erachter. 01:21.760 --> 01:26.110 Het is een vrij ingewikkeld onderwerp, maar desalniettemin zullen we de intuïtie in vrij eenvoudige bewoordingen opsplitsen 01:26.470 --> 01:32.290 en dan zal ik je wat extra referenties geven waar je meer kunt lezen over het traceren van geschiktheid als je meer 01:32.290 --> 01:33.520 in detail wilt treden. 01:33.520 --> 01:38.050 Maar het is belangrijk voor ons om de intuïtie onder de 01:38.050 --> 01:45.550 knie te krijgen, omdat we dat in de praktijk gaan gebruiken, omdat we ons verdiepen in veel complexere onderwerpen 01:45.730 --> 01:54.640 nu we deze extra extra elementen aan onze agenten moeten toevoegen of aan onze dual learning-algoritmen, zodat ze deze complexe omgevingen daadwerkelijk aankunnen 01:54.640 --> 01:57.690 en er met succes door kunnen navigeren. 01:58.330 --> 02:04.990 En natuurlijk, in deze sectie, omdat we het hebben over convolutionele neurale netwerken, is het zeer aan te 02:04.990 --> 02:08.770 raden om bijlage nummer twee, convolutionele neurale netwerken, te bekijken. 02:09.310 --> 02:15.070 Nogmaals, als je de deep learning hebt gedaan h. s op cursus, dan bent u al bekend 02:15.070 --> 02:16.390 met deze informatie. 02:16.390 --> 02:21.430 U kunt dus veilig doorgaan met deze tutorials over het diepe convolutionele leren. 02:21.430 --> 02:27.730 Als je de deep learning-tijdperken nog niet hebt gedaan, is het natuurlijk een goed idee om te kijken naar convolutionele neurale 02:27.730 --> 02:29.920 netwerken en naar die intuïtieve paden daar. 02:29.920 --> 02:37.810 Zo begrijp je beter hoe beelden worden verwerkt door neurale netwerken om op zoek te gaan naar features. 02:37.990 --> 02:44.820 En wat zijn de hele convolutionele lagen over het samenvoegen van lagen, de afvlakkende lagen en hoe dat 02:44.830 --> 02:48.410 allemaal werkt om daar wat parameters over te bedenken. 02:48.610 --> 02:55.690 Beschrijf de omgeving die dat beeld beschrijft en daarom gaan we die gebruiken als invoer in ons neurale netwerk in plaats van 02:55.690 --> 02:58.240 die vector, waar we het over hebben. 02:58.240 --> 02:59.740 Maar daarover meer in de volgende Atauro. 02:59.920 --> 03:06.280 Dus als je die bedieningselementen nog niet hebt gezien, raden we je ten zeerste aan om ze te bekijken, om op de hoogte 03:06.280 --> 03:10.000 te blijven van of je kennis op te frissen over illusoire neurale netwerken. 03:10.390 --> 03:15.720 Al met al hebben we een spannend gedeelte en zoals je kunt zien, zijn er niet 03:15.730 --> 03:21.480 zo veel intuïtieve tutorials, wat betekent dat je heel snel in de praktische kant van de dingen kunt springen. 03:22.090 --> 03:26.680 Dus wat dat betreft, ik kan niet wachten om het eerste materiaal te zien en tot die tijd te genieten van EHI.