WEBVTT

00:00.360 --> 00:04.170
สวัสดีและยินดีต้อนรับสู่ส่วนบนเครือข่ายประสาทเทียม

00:04.170 --> 00:07.600
รู้สึกตื่นเต้นเป็นอย่างยิ่งที่คุณเข้าร่วมกับเราในส่วนนี้เช่นกัน

00:07.740 --> 00:13.650
และวันนี้เราจะลงสีแผนการที่จะโจมตีเราจะเรียนรู้ทุกสิ่งในส่วนนี้ได้อย่างไร

00:13.650 --> 00:15.630
มีอะไรมากมายให้เรียนรู้

00:15.660 --> 00:17.490
เรามาดูกันว่าเราจะเข้าใกล้เรื่องนี้อย่างไร

00:17.490 --> 00:19.590
เอาล่ะสิ่งที่เราเรียนรู้ในส่วนนี้

00:19.590 --> 00:25.140
ก่อนอื่นเราจะพูดคุยเกี่ยวกับเครือข่าย convolutional ที่สำคัญจริง ๆ

00:25.140 --> 00:28.770
เพื่อทำความเข้าใจกับเป้าหมายสุดท้ายที่คุณกำลังทำงานก่อนที่คุณจะเริ่มทำงานจริง

00:28.770 --> 00:32.090
ดังนั้นเราจะได้ยินว่าฟีเจอร์ใดบ้างที่จะดูตัวอย่างเล็ก ๆ น้อย ๆ

00:32.090 --> 00:36.750
จะเปรียบเทียบสมองมนุษย์กับเครือข่ายประสาทเทียมในแง่ของการรับรู้ภาพ

00:36.840 --> 00:42.630
ดังนั้นมันจะเป็นการสอนแบบเบา ๆ เพื่อให้เราเริ่มต้นในส่วนนี้ทั้งหมด

00:42.630 --> 00:44.810
จากนั้นเราจะพูดถึงขั้นตอนที่ 1

00:44.850 --> 00:47.410
การดำน้ำในแนวตรงสามารถทำให้เกิดการระเหยได้

00:47.420 --> 00:59.040
ดังนั้นส่วนนี้ของหลักสูตรประกอบด้วยหลายขั้นตอนที่เราจำเป็นต้องดำเนินการเพื่อสร้างเครือข่ายประสาทเทียมและนั่นคือวิธีที่ internals เหล่านี้จะถูกทำลาย

00:59.040 --> 01:06.510
นี่จะเป็นขั้นตอนหนึ่งในการวิวัฒนาการเราจะเรียนรู้ทุกอย่างเกี่ยวกับเครื่องตรวจจับคุณสมบัติ

01:06.510 --> 01:08.790
เราจะพูดถึงสิ่งที่เป็นตัวกรอง

01:08.790 --> 01:11.030
เราจะพูดถึงแผนที่ในอนาคต

01:11.070 --> 01:17.360
และคุณรู้ว่าพารามิเตอร์ต่างกันคืออะไรพวกมันหมายถึงอะไรและดูตัวอย่างที่มองเห็นได้ด้วยเช่นกัน

01:17.520 --> 01:26.010
จากนั้นเราจะพูดถึงขั้นตอนที่ 1 ส่วน B

01:26.130 --> 01:36.700
ซึ่งเป็นดินแดนที่คุณ Lehre หรือเลเยอร์จริงๆซึ่งเป็นหน่วยลีนที่แก้ไขแล้วและเราจะพูดถึงว่าทำไม linearity ไม่ดีและเราต้องการความไม่เชิงเส้นมากขึ้นในเครือข่ายของเรา

01:36.870 --> 01:42.420
จากนั้นเราจะพูดถึงขั้นที่ 2 การรวมกำไรกันและจะเข้าใจว่าการรวมกำไรเป็นอย่างไรเราจะพูดถึง

01:42.420 --> 01:48.960
Max pooling โดยเฉพาะและเรายังพูดถึงสองสามอย่างเกี่ยวกับฉันหมายถึงการรวมกำไรหรือการรวมกำไรกันและวิธีอื่น ๆ

01:48.960 --> 01:51.960
.

01:51.960 --> 01:59.730
นอกจากนี้ในการบรรยายครั้งนี้เราจะมีตัวอย่างเจ๋งจริง ๆ ดังนั้นจะมีเครื่องมือแบบโต้ตอบภาพที่เราจะดู

01:59.730 --> 02:06.810
ดังนั้นอย่าลืมปิดท้ายการบรรยายเพราะนั่นจะเป็นการเพิ่มคุณค่าให้กับกระบวนการเรียนรู้ของคุณ

02:06.810 --> 02:09.110
สิ่งที่เราจะพูดถึงในตอนท้ายมี

02:09.120 --> 02:10.650
ขั้นตอนที่สามแบน

02:10.680 --> 02:16.290
ดังนั้นที่นี่เราจะเป็นแบบฝึกหัดสั้น ๆ

02:16.380 --> 02:19.560
เกี่ยวกับวิธีการดำเนินการจากเลเยอร์รวมไปถึงถ้ำแบนของคุณจากนั้นเราจะพูดคุยเกี่ยวกับการเชื่อมต่อเต็มรูปแบบ

02:19.560 --> 02:29.680
นี่คือบทช่วยสอนที่เต็มไปด้วยเนื้อสัตว์ที่รวบรวมทุกอย่างเข้าด้วยกันและทำให้ทุกอย่างเป็นมุมมองและแสดงให้คุณเห็นว่าทุกอย่างทำงานได้ดี

02:29.700 --> 02:35.100
ในตอนท้ายของวันและวิธีการที่เซลล์ประสาทสุดท้ายเหล่านั้นเข้าใจวิธีการจำแนกมิชที่สำคัญมาก

02:35.100 --> 02:42.340
ทอเรียลและหวังว่าจะสรุปหรือรวมทุกอย่างเข้าด้วยกันเพื่อคุณ

02:42.540 --> 02:46.260
และในที่สุดเราก็จะมีบทสรุปซึ่งจะสรุปทุกสิ่งที่เราพูดถึง

02:46.560 --> 02:52.260
และเป็นคุณสมบัติพิเศษเล็ก ๆ น้อย ๆ ฉันได้รวมการสอนเกี่ยวกับ soft Max และ cross entropy

02:52.260 --> 03:02.010
ดังนั้นคุณไม่ต้องทำแบบฝึกหัดนี้ แต่ฉันคิดว่ามันจะเป็นการเพิ่มความรู้อย่างมากเพราะเป็นคำศัพท์ที่คุณจะเจอเมื่อต้องรับมือกับเครือข่ายประสาท

03:02.070 --> 03:08.130
ดังนั้นบางทีอาจจะใช้เวลาทันทีเมื่อคุณเจอคำศัพท์เหล่านี้คุณจะรู้ได้ว่าคุณสามารถกลับมาที่หลักสูตรนี้และใช้บทช่วยสอนนี้เพื่อทำความเข้าใจให้ดีขึ้นว่า Soft Max

03:08.130 --> 03:14.530
และ Cross Entropy คืออะไร

03:14.760 --> 03:23.100
และเช่นเคยตลอดทั้งบทบรรณาธิการเหล่านี้จะมีการอ่านที่แนะนำจำนวนมากเพื่อให้คุณเพิ่มความรู้และรับความรู้เพิ่มเติม

03:23.370 --> 03:28.250
และในบันทึกย่อนั้นฉันแทบอดใจรอที่จะไม่ได้ดูบทช่วยสอนแรกนี้จะสนุกและน่าตื่นเต้นมาก

03:28.310 --> 03:31.260
เอส และต่อไปจนกว่าจะเพลิดเพลินกับการเรียนรู้ลึก