WEBVTT 00:00.360 --> 00:04.170 Hallo und herzlich willkommen bei der Sektion über konvolutionelle neuronale Netze. 00:04.170 --> 00:07.600 Super aufgeregt, dass Sie uns auch in diesem Bereich begleiten. 00:07.740 --> 00:13.650 Und heute werden wir den Angriffsplan abfärben, wie wir alles in diesem Abschnitt lernen werden. 00:13.650 --> 00:15.630 Es gibt so viel zu lernen. 00:15.660 --> 00:17.490 Mal sehen, wie wir das angehen werden. 00:17.490 --> 00:19.590 Alles klar, was wir im Abschnitt lernen. 00:19.590 --> 00:25.140 Zunächst werden wir darüber sprechen, welche Faltungsnetzwerke wirklich wichtig sind, um das Endziel zu verstehen, 00:25.140 --> 00:28.770 auf das Sie hinarbeiten, bevor Sie tatsächlich daran arbeiten. 00:28.770 --> 00:32.090 Wir werden also hören, welche Features einige kleine Beispiele betrachten werden. 00:32.090 --> 00:36.750 Vergleicht das menschliche Gehirn mit künstlichen neuronalen Netzwerken in Bezug auf die Bilderkennung. 00:36.840 --> 00:42.630 Es wird also ein unterhaltsames, leichtes Tutorial sein, um uns für diesen ganzen Abschnitt einzuführen. 00:42.630 --> 00:44.810 Dann sprechen wir über Schritt 1. 00:44.850 --> 00:47.410 Beim direkten Eintauchen kann es zu einem unruhigen Betrieb kommen. 00:47.420 --> 00:56.280 Dieser Teil des Kurses beinhaltet also einige Schritte, die wir durchlaufen müssen, um ein neuronales Faltungsnetzwerk aufzubauen, und so 00:56.310 --> 00:59.040 werden diese internen Elemente aufgelöst. 00:59.040 --> 01:06.510 Dies war also Schritt eins der Evolutionsoperation. Wir lernen alles über Merkmalsdetektoren. 01:06.510 --> 01:08.790 Wir sprechen darüber, welche auch Filter sind. 01:08.790 --> 01:11.030 Wir werden über zukünftige Karten sprechen. 01:11.070 --> 01:16.110 Und Sie wissen, was die verschiedenen Parameter sind, die sie bedeuten, und werfen Sie einen Blick auf 01:16.110 --> 01:17.360 einige visuelle Beispiele. 01:17.520 --> 01:26.010 Dann sprechen wir über Schritt 1, Teil B, den Bereich, in dem Sie Lehre oder wirklich Schicht bilden, der dann die 01:26.130 --> 01:34.830 schlankere Einheit korrigiert wird, und wir werden darüber sprechen, warum Linearität nicht gut ist und wie wir mehr Nichtlinearität in unserem 01:34.830 --> 01:36.700 Netzwerk zur Bilderkennung wünschen. 01:36.870 --> 01:42.420 Dann sprechen wir über das Pooling von Schritt 2 und werden verstehen, wie das Pooling funktioniert. Wir 01:42.420 --> 01:48.960 werden speziell über das Pooling von Max sprechen. Außerdem erwähnen wir ein paar Dinge über Pooling oder Pooling und andere 01:48.960 --> 01:51.960 Ansätze, die Sie beim Pooling-Prozess verwenden können . 01:51.960 --> 01:58.650 In diesem Vortrag haben wir ein wirklich cooles Beispiel, also wird es ein sehr visuelles interaktives Werkzeug geben, das wir 01:58.650 --> 01:59.730 uns ansehen werden. 01:59.730 --> 02:05.190 Vergewissern Sie sich also, dass Sie am Ende der Vorlesung bleiben, da dies Ihren 02:05.190 --> 02:06.810 Lernprozess erheblich verbessern wird. 02:06.810 --> 02:09.110 Was wir am Ende dort besprechen werden. 02:09.120 --> 02:10.650 Schritt drei Abflachung. 02:10.680 --> 02:16.290 Hier werden wir ein kurzes Tutorial darüber geben, wie Sie von Ihren gepoolten Schichten zu Ihrem flachen Lager 02:16.380 --> 02:19.560 gehen können, und dann werden wir über vollständige Verbindungen sprechen. 02:19.560 --> 02:26.130 Dies ist ein sehr fleischiges Tutorial, das alles zusammenfügt, alles in die richtige Perspektive bringt 02:26.130 --> 02:29.680 und Ihnen tatsächlich zeigt, wie alles funktioniert. 02:29.700 --> 02:35.100 Am Ende des Tages und wie diese letzten Neuronen verstehen, wie man Umich sehr wichtig einordnen kann. 02:35.100 --> 02:42.340 Tauriel und hoffentlich wird das alles zusammenfassen oder irgendwie zusammenstellen. 02:42.540 --> 02:46.260 Und schließlich haben wir eine Zusammenfassung, die alles, worüber wir gesprochen haben, zusammenfasst. 02:46.560 --> 02:52.260 Und als extra kleines Feature habe ich ein Tutorial über Soft Max und Cross Entropy beigelegt. 02:52.260 --> 02:57.780 Sie müssen dieses Tutorial nicht nehmen, aber ich dachte, es wäre eine großartige Ergänzung des Wissens, denn dies 02:57.780 --> 03:02.010 sind Begriffe, auf die Sie beim Umgang mit konvolutionellen neuronalen Netzwerken stoßen werden. 03:02.070 --> 03:08.130 Vielleicht nehmen Sie es vielleicht gleich mit. Vielleicht werden Sie, wenn Sie auf diese Begriffe stoßen, immer wissen, dass Sie 03:08.130 --> 03:13.800 zu diesem Kurs zurückkehren und dieses Tutorial nehmen können, um besser zu verstehen, was Soft Max und Cross 03:13.800 --> 03:14.530 Entropie sind. 03:14.760 --> 03:20.610 Und wie immer in diesen Leitartikeln wird es eine Menge empfohlener Lektüre für Sie geben, um sich 03:20.670 --> 03:23.100 weiterzuentwickeln und mehr Wissen zu erhalten. 03:23.370 --> 03:28.250 In diesem Sinne kann ich es kaum erwarten, im ersten Tutorial zu sehen, dass dies sehr lustig und aufregend wird. 03:28.310 --> 03:31.260 S. Und bis zum nächsten Mal tiefes Lernen genießen.