WEBVTT

00:00.420 --> 00:07.320
O que Allison deve saber o que você está dizendo, eu não sei o que a Internet é aquele computador maciço.

00:07.380 --> 00:10.870
Foi o que está se tornando muito grande agora.

00:11.010 --> 00:11.400
O que você quer dizer.

00:11.440 --> 00:16.350
Isso é exatamente o que você sabe, o que você escreve para o que, como eu não conheço, muita gente o usa e se comunica.

00:16.410 --> 00:18.960
Eu acho que eles podem se comunicar com escritores e produtores da NBC.

00:18.960 --> 00:21.180
Allison você pode explicar o que a Internet

00:29.140 --> 00:30.590
é tão incrível é isso.

00:30.670 --> 00:34.470
Pouco mais de 20 anos atrás, as pessoas nem sabiam o que era a internet.

00:34.510 --> 00:37.260
E hoje nem podemos imaginar nossas vidas são por isso.

00:37.300 --> 00:39.560
Bem-vindo às pessoas que ganham ETAs nesse curso.

00:39.580 --> 00:44.800
Meu nome é Cora Menko e, junto com o empreiteiro, Lunda Pontmercy estava excitada de tê-lo

00:44.800 --> 00:45.570
a bordo.

00:45.610 --> 00:51.670
E hoje vamos dar uma rápida visão geral sobre o que deplora é e por que ele está

00:51.670 --> 00:52.300
pegando agora.

00:52.300 --> 00:53.590
Então vamos começar.

00:53.590 --> 00:57.640
Por que damos uma olhada nesse clipe e qual é essa foto aqui.

00:57.670 --> 01:00.310
Bem, esse clipe era de 1994.

01:00.310 --> 01:03.110
Esta é uma foto do computador a partir de 1980.

01:03.220 --> 01:09.490
E a razão pela qual meio tipo de aprofundamento na história é um pouco porque as redes neurais, juntamente

01:09.490 --> 01:15.670
com o aprendizado profundo, existem há algum tempo e eles apenas começaram a apanhar agora e a impactar

01:15.670 --> 01:16.640
o mundo agora.

01:16.750 --> 01:22.510
Mas se você olhar para trás nos anos 80 você verá que mesmo que eles foram inventados nos

01:22.510 --> 01:30.760
anos 60 e 70 eles realmente alcançaram uma tendência ou chamaram o vento frio nos anos 80, de modo que as pessoas estão falando muito deles.

01:30.760 --> 01:35.890
problemas do mundo e eles fizeram um pouco de lentidão, eles morreram durante a próxima década.

01:35.890 --> 01:41.830
Houve muita pesquisa nessa área e todos pensaram que o aprendizado profundo ou as redes neurais eram algo

01:41.860 --> 01:46.060
novo que vai afetar o mundo vai mudar tudo vai resolver todos os

01:46.080 --> 01:51.210
E então, o que aconteceu por que razão as redes neurais não sobreviveram e não mudaram o mundo

01:51.200 --> 01:51.750
com isso.

01:51.940 --> 01:57.220
A razão para isso de que eles simplesmente não eram bons o suficiente para que eles não sejam tão bons

01:57.270 --> 02:02.320
em prever que as coisas não são tão boas na modelagem e desordenadas que não são uma boa invenção.

02:02.350 --> 02:03.400
Ou existe outra razão.

02:03.400 --> 02:08.410
para facilitar as redes neurais, para que as redes neurais e a aprendizagem profunda funcionassem corretamente.

02:08.410 --> 02:15.640
Bem, na verdade, há outro motivo e a razão está na nossa frente, é o fato de que a tecnologia na época não

02:15.700 --> 02:17.130
era o padrão certo

02:17.140 --> 02:21.880
Você precisa de duas coisas que você precisa de dados e você precisa de muitos dados e você precisa de poder

02:21.880 --> 02:25.960
de processamento, você precisa de computadores fortes para processar esses dados e facilitar e você sabe que funciona.

02:25.990 --> 02:32.900
Então, vamos dar uma olhada em como os dados ou o armazenamento de dados evoluíram ao longo dos anos e

02:32.900 --> 02:34.880
depois veremos como a tecnologia evoluiu.

02:34.880 --> 02:39.350
Então, aqui vamos nós três anos 1956 1980 2017.

02:39.830 --> 02:43.220
Quanto o armazenamento olhou para trás em 1956.

02:43.280 --> 02:47.600
Bem, há um disco rígido e esse disco rígido é apenas um cinco.

02:47.750 --> 02:54.980
Aguarde um disco rígido de megabyte. São cinco megabytes ali na empilhadeira, o tamanho de uma pequena

02:54.980 --> 03:01.040
sala que é um disco rígido sendo transportado para outro local em um avião.

03:01.370 --> 03:04.670
E isso é o que o armazenamento parecia no.

03:04.700 --> 03:11.360
Em 1956, você tinha que pagar uma empresa tinha que pagar dois mil e meia dólares daqueles dias de

03:11.390 --> 03:16.400
dólares para alugar o disco rígido para alugar não comprar ou alugado por um mês.

03:16.400 --> 03:18.760
Em 1980, a situação melhorou um pouco.

03:18.800 --> 03:24.290
mil e meio dólares ainda é muito caro e apenas 10 megabytes. Então, é como uma foto nos dias de hoje.

03:24.290 --> 03:27.260
Então, aqui, conseguimos um disco rígido de 10 megabytes por três

03:27.260 --> 03:36.840
E hoje, em 2017, temos um cartão SD de 256 gigabytes por US $ 150 que pode caber em seu dedo.

03:37.100 --> 03:43.790
E se você estiver assistindo esse vídeo um ano depois ou como em 2019 ou 2025 você provavelmente rir de todos nós

03:43.790 --> 03:47.240
porque até então você tem capacidade de armazenamento ainda mais forte.

03:47.240 --> 03:52.910
Mas, no entanto, o ponto se coloca se compararmos estes em todo o quadro e nós mesmo levamos

03:52.910 --> 03:58.370
o preço e o tamanho em consideração apenas a capacidade de tudo o que estava acontecendo no momento.

03:58.370 --> 04:04.090
Assim, de 1956 a 1980, a capacidade aumentou em torno do dobro.

04:04.250 --> 04:12.380
a 2013 trinta e sete anos, então não tanto aumento no tempo, mas um enorme salto em progresso tecnológico.

04:12.380 --> 04:20.210
E então aumentou cerca de vinte e cinco mil e seiscentas vezes e saber o comprimento do período não

04:20.210 --> 04:24.610
é tão diferente de 1956 a 1980 24 anos de 1980

04:24.890 --> 04:28.220
E isso mostra que esta não é uma tendência linear.

04:28.220 --> 04:33.830
Este é um crescimento exponencial da tecnologia e, se adicionarmos, leva em consideração o preço

04:33.910 --> 04:37.090
e o tamanho, você estará em milhões de aumento.

04:37.280 --> 04:40.540
E aqui nós realmente temos um gráfico em uma escala logarítmica.

04:40.640 --> 04:46.290
Então, se traçamos o custo do disco rígido por gigabyte, você verá que isso parece algo assim.

04:46.430 --> 04:49.880
Estamos muito rapidamente aproximando-se de zero.

04:49.910 --> 04:54.200
Agora você pode obter armazenamento no Dropbox e no Google Drive, o que não lhe custará nada.

04:54.200 --> 05:01.280
O armazenamento em nuvem e isso vai continuar e, de fato, ao longo dos anos isso vai ainda mais longe.

05:01.280 --> 05:05.860
No momento, os cientistas estão investigando o uso de DNA para armazenamento.

05:05.960 --> 05:13.720
E agora é bastante caro, custa US $ 7000 para sintetizar dois megabytes de dados e depois outro pensamento

05:13.730 --> 05:15.210
de 2004 para lê-lo.

05:15.230 --> 05:19.670
Mas esse tipo de lembrança de toda esta situação do disco rígido e do avião, você sabe que

05:19.670 --> 05:24.590
isso vai ser mitigado muito rapidamente com esta curva exponencial de 10 a 10 anos a partir de agora, dentro

05:24.590 --> 05:28.590
de 20 anos, todo mundo estará usando armazenamento de DNA se Nós seguimos essa direção.

05:28.660 --> 05:33.770
E aqui estão algumas estatísticas sobre isso para que você possa explorá-lo ainda mais, pause a pausa do vídeo se quiser

05:33.770 --> 05:35.360
ler um pouco mais sobre isso.

05:35.360 --> 05:36.890
Isso é da natureza dot com.

05:37.040 --> 05:44.990
E, basicamente, você pode armazenar todos os dados do mundo em apenas um quilo de um quilograma de armazenamento de DNA ou pode armazenar cerca

05:44.990 --> 05:49.350
de 1 bilhão de terabytes de dados em um grama de armazenamento de DNA.

05:49.350 --> 05:56.150
Então, isso é apenas uma coisa para mostrar o quão rápido estamos a progredir e que é por isso que

05:56.150 --> 06:02.840
o aprendizado profundo está se recuperando agora que finalmente estamos no estágio em que temos dados suficientes para treinar modelos

06:02.840 --> 06:04.280
súper sofisticados super legais.

06:04.280 --> 06:08.350
Naquela época, na década de 80, quando eu inicialmente fui o suco inicialmente inventado, não era o caso.

06:08.690 --> 06:15.740
E a segunda coisa sobre a qual conversamos é a capacidade de processamento, então aqui temos uma curva exponencial novamente em

06:16.460 --> 06:17.850
uma escala de log.

06:17.850 --> 06:23.840
É idealmente retratado aqui, mas à direita porque é uma escala de log e é assim que os computadores

06:23.840 --> 06:24.410
estão evoluindo.

06:24.410 --> 06:30.530
Então, sinta-se à vontade para publicar o slide, isso é chamado de Lei de Moore, você provavelmente já ouviu falar

06:30.530 --> 06:34.120
sobre a rapidez com que a capacidade de processamento de computadores evoluiu.

06:34.310 --> 06:39.920
ou 20:23 e, em seguida, até 2050 ou 2045 superará todos os humanos combinados.

06:39.920 --> 06:47.960
Agora, estamos em algum lugar aqui onde um computador comum pode comprar por mil dólares acredita na velocidade do cérebro

06:48.470 --> 06:54.740
de um rato e entre dois e cinco será a velocidade de um ser humano

06:54.740 --> 07:01.610
Então, basicamente, estamos entrando na era de computadores que são extremamente poderosos que podem processar as

07:01.610 --> 07:05.670
coisas de maneira mais rápida do que então podemos imaginar.

07:05.720 --> 07:08.490
E é isso que facilita a aprendizagem.

07:08.600 --> 07:14.510
Então, tudo isso nos leva à questão. O que é aprender profundamente o que é essa toda a situação

07:14.510 --> 07:18.390
da rede neural, o que está acontecendo sobre o que estamos falando aqui.

07:18.410 --> 07:20.490
E você provavelmente já viu uma foto ou algo assim.

07:20.570 --> 07:21.590
Então vamos mergulhar nisso.

07:21.590 --> 07:29.140
O que é aprender profundamente este cavalheiro aqui Jeffrey Hinton é conhecido como o padrinho da coisa profunda.

07:29.350 --> 07:37.030
E ele fez pesquisas sobre aprendizado profundo nos anos 80 e ele fez muito e muito trabalho muitos trabalhos

07:37.030 --> 07:41.370
de pesquisa que ele publicou em aprendizado profundo agora mesmo.

07:41.370 --> 07:42.920
Ele trabalha no Google.

07:43.030 --> 07:47.770
Então, muitas das coisas sobre as quais vamos falar são realmente de Jeffrey Hinton e você pode

07:47.770 --> 07:48.260
ver muito.

07:48.300 --> 07:49.840
Ele tem alguns vídeos do YouTube.

07:49.840 --> 07:53.930
Ele explica as coisas muito bem, então eu recomendo verificá-las.

07:54.130 --> 07:59.140
E então, a idéia por trás do aprendizado profundo é olhar para o cérebro humano.

07:59.140 --> 08:01.710
E este cara vai ser um pouco de neurociência chegando.

08:01.750 --> 08:09.370
E nesses tutoriais e o que estamos tentando fazer aqui é imitar o funcionamento do cérebro humano.

08:09.400 --> 08:13.300
E você sabe que não sabemos muito, você não sabe tudo sobre o cérebro

08:13.300 --> 08:16.730
humano, mas aquele homem pequeno que todos sabemos que queremos imitar e recriá-lo.

08:16.730 --> 08:17.230
E por que isto.

08:17.230 --> 08:21.970
copiar, então poderíamos aproveitar o que a seleção natural já decidiu para nós.

08:22.300 --> 08:28.690
Bem, porque o cérebro humano parece ser uma das ferramentas mais poderosas desse planeta para aprender aprendendo

08:28.990 --> 08:32.980
habilidades de adaptação e depois aplicá-las e se os computadores pudessem

08:32.980 --> 08:37.840
Todos esses tipos de algoritmos que decidiu são os melhores que irão alavancar isso.

08:37.840 --> 08:39.750
Por que reinventar a bicicleta.

08:39.880 --> 08:41.700
Então, vamos ver como isso funciona.

08:41.710 --> 08:50.260
Aqui temos alguns neurônios para que esses neurônios tenham sido manchados em vidro e depois tenham sido vistos sob um

08:50.260 --> 08:52.210
microscópio com alguma coloração.

08:52.270 --> 08:57.310
um núcleo dentro no meio e isso é basicamente o que um neurônio parece como no cérebro humano.

08:57.310 --> 09:02.700
E isso é que você pode ver o que eles parecem, então eles têm como um corpo eles têm esses

09:02.710 --> 09:06.940
ramos e eles têm como caudas e assim e assim você pode vê-los eles têm como

09:06.970 --> 09:12.310
Há aproximadamente 100 bilhões de neurônios juntos, de modo que estes são neurônios individuais, estes são realmente

09:12.310 --> 09:17.380
neurônios motores, porque eles são maiores, eles são mais fáceis de ver, mas, no entanto, há

09:17.470 --> 09:19.740
cien mil milhões de neurônios no cérebro humano.

09:20.000 --> 09:23.920
E está ligado a cerca de mil dos seus vizinhos.

09:23.920 --> 09:26.590
Então, para lhe dar uma imagem, é isso que parece.

09:26.590 --> 09:32.140
Esta é uma seção de dados reais do cérebro humano.

09:32.140 --> 09:38.950
E este é o cerebelo que é essa parte do seu cérebro nas costas.

09:38.950 --> 09:47.140
É responsável por mais Torex e por você saber manter um equilíbrio e algumas capacidades de linguagem e algo

09:47.140 --> 09:47.680
assim.

09:47.680 --> 09:57.460
Então, isso é apenas para mostrar como Vorst quantos neurônios existem como bilhões e bilhões e bilhões de neurônios conectando. É como

09:57.460 --> 10:02.770
se estivéssemos falando sobre cinco ou quinhentos ou mil ou milhões de

10:02.770 --> 10:04.780
bilhões de neurônios lá.

10:04.910 --> 10:08.350
E é por isso que vamos tentar recriar.

10:08.350 --> 10:11.700
Então, como recriamos isso em um computador.

10:11.890 --> 10:20.200
Bem, nós criamos uma estrutura artificial chamada rede neural artificial, onde nós temos nós ou neurônios e vamos ter alguns

10:20.590 --> 10:26.500
neurônios para o valor de entrada, então esses são valores que você conhece sobre uma

10:26.500 --> 10:27.340
determinada situação.

10:27.340 --> 10:32.080
Então, por exemplo, você está modelando algo que você quer prever algo que você sempre poderia ter

10:32.080 --> 10:33.310
algum aporte para começar.

10:33.310 --> 10:36.740
Sua previsão está fora, então, isso é chamado de camada de entrada.

10:36.820 --> 10:38.100
Então você tem a saída.

10:38.140 --> 10:43.780
você quer prever ou é surpresa se é que alguém vai deixar o banco ou ficar no banco.

10:43.930 --> 10:45.980
Então, isso é de valor que

10:46.260 --> 10:50.530
É uma transação fraudulenta, é uma transação real e assim por diante.

10:50.890 --> 10:52.420
Então, isso vai ser menor.

10:52.540 --> 10:55.330
E entre nós vamos ter uma camada oculta.

10:55.330 --> 11:01.600
Então, como você pode ver no seu cérebro, você tem tantos neurônios, então algumas informações estão chegando através

11:01.600 --> 11:04.990
de seus olhos, nariz de orelhas, basicamente, seus sentidos.

11:05.140 --> 11:10.210
para a saída onde você tem o resultado está passando por todos esses bilhões e bilhões e bilhões de neurônios

11:10.240 --> 11:15.130
antes da produção da suposição e este é o conceito inteiro por trás disso, vamos modelar o cérebro .

11:15.130 --> 11:17.050
E então é que não está indo apenas

11:17.050 --> 11:23.170
Portanto, precisamos dessas camadas ocultas que estão lá antes da saída, de modo que os neurônios de entrada Lares sejam conectados

11:23.170 --> 11:26.580
a uma camada oculta que os neurônios se conectam ao resultado.

11:26.880 --> 11:29.280
E isso é muito legal.

11:29.290 --> 11:30.550
Mas sobre isso.

11:30.550 --> 11:34.040
Onde é o aprendizado profundo aqui ou por que é chamado mais profundo, nada mais profundo aqui.

11:34.090 --> 11:41.090
Embora este seja um pouco como uma opção que se poderia chamar de aprendizagem superficial, onde não há muita

11:41.110 --> 11:41.890
coisa acontecendo.

11:41.890 --> 11:43.400
Mas por que isso é chamado de deploração.

11:43.420 --> 11:50.020
Bem, porque, então, levamos isso para o próximo nível, o separamos ainda mais e

11:50.020 --> 11:58.180
não temos apenas um hit e lá, temos muitas e muitas camadas ocultas e, então, conectamos tudo,

11:58.180 --> 12:01.930
como no cérebro humano, conecta tudo interconectado tudo.

12:01.930 --> 12:08.290
E é assim que os valores de entrada são processados ​​através de todas essas camadas ocultas exatamente como no cérebro

12:08.290 --> 12:08.660
humano.

12:08.770 --> 12:12.380
Então, temos um valor de saída e agora estamos falando de aprendizado profundo.

12:12.460 --> 12:15.910
Então, é disso que se trata de aprender em um nível muito abstrato.

12:15.940 --> 12:21.180
E os novos tutoriais que vamos dissecar e mergulhar profundamente no aprendizado profundo e, no

12:21.180 --> 12:26.480
final, você saberá o que é o planejamento e você saberá como aplicá-lo em seus projetos.

12:26.500 --> 12:31.910
Estou entusiasmado com esta espera para começar e espero ver o próximo tutorial.

12:31.950 --> 12:33.700
Até então, aproveite a aprendizagem profunda.