WEBVTT 00:00.390 --> 00:02.650 Hallo en welkom terug bij de cursus over diep leren. 00:02.820 --> 00:06.830 Vandaag beginnen we met convolutionele neurale netwerken die spannend worden. 00:06.840 --> 00:08.150 Laten we er meteen in duiken. 00:08.520 --> 00:10.140 We beginnen met een afbeelding. 00:10.800 --> 00:12.510 Wat zie je als je naar deze afbeelding kijkt? 00:13.500 --> 00:17.400 Zie je iemand naar je kijken of zie je iemand naar rechts kijken? 00:18.060 --> 00:24.000 Je kunt zien dat je brein het moeilijk heeft, moeite heeft om zich aan te passen. 00:24.000 --> 00:27.360 Als je naar de rechterkant van de afbeelding kijkt, kijk dan naar de juiste volgorde van de afbeelding. 00:27.360 --> 00:28.890 Je ziet een persoon naar rechts kijken. 00:29.160 --> 00:32.820 Als u naar de linkerrand van de afbeelding kijkt, ziet u een persoon naar u kijken. 00:33.540 --> 00:42.720 En dit bewijst alleen maar dat waar ons brein naar op zoek is als we dingen zien, kenmerken zijn, afhankelijk van de kenmerken die het 00:42.720 --> 00:48.390 ziet, afhankelijk van de kenmerken die je verwerkt, je dingen op bepaalde manieren categoriseert. 00:48.600 --> 00:53.760 Dus als je aan de rechterkant van de afbeelding kijkt, zie je bepaalde kenmerken van een persoon 00:53.760 --> 00:59.880 die naar rechts kijkt omdat ze dichter bij je middelpunt zijn en daarom classificeren je hersenen dat als een persoon die naar 00:59.880 --> 01:00.540 rechts kijkt. 01:00.900 --> 01:06.750 Als je naar de linkerkant van de afbeelding kijkt, zie je meer kenmerken van een persoon die naar je kijkt en 01:06.750 --> 01:09.010 daarom classificeren je hersenen het als zodanig. 01:09.510 --> 01:10.560 Dus laten we een andere bekijken. 01:11.130 --> 01:12.600 Dit is een zeer bekende afbeelding. 01:12.780 --> 01:15.640 Je hebt het waarschijnlijk al gezien, maar wat zie je hier? 01:16.740 --> 01:23.400 Dus sommige mensen zullen zeggen dat ze een jonge dame in een jurk zien wegkijken. 01:23.730 --> 01:29.580 Sommige mensen zeggen dat ze een oude dame met een sjaal op haar hoofd naar beneden zien kijken. 01:30.150 --> 01:34.200 Dus ik ga deze functies naar voren brengen en je zult zien dat dat heel duidelijk zal worden. 01:34.230 --> 01:37.410 Dit is dus het gezicht van de jongedame die wegkijkt. 01:37.410 --> 01:38.970 Ze kijkt in de verte. 01:38.970 --> 01:40.200 Dat is haar jas. 01:40.350 --> 01:41.190 Dat is haar haar. 01:41.190 --> 01:43.170 Dat is haar echte veer in haar haar. 01:43.570 --> 01:49.080 En aan de andere kant, dit is het hoofd van de oude dame die hier naar beneden kijkt. 01:49.080 --> 01:49.800 Haar neus. 01:49.830 --> 01:50.790 Dat is haar mond. 01:51.030 --> 01:51.900 Dat is haar kin. 01:52.200 --> 01:53.490 Dat is de sjaal op haar hoofd. 01:53.490 --> 01:55.260 En ze kijkt naar beneden. 01:55.680 --> 01:57.840 Dus zoals je kunt zien, twee in één. 01:57.840 --> 02:04.890 En afhankelijk van welke functies je brein oppikt, zal het schakelen tussen het classificeren van elke afbeelding als de een of 02:04.890 --> 02:05.910 de ander. 02:06.780 --> 02:13.530 De oudste van deze illusies die in het gedrukte werk zijn vastgelegd, is deze. 02:13.770 --> 02:15.130 Het is de eend of het konijn. 02:15.150 --> 02:16.880 Dus is dit een eend of is dit een konijn? 02:16.890 --> 02:17.820 Een ander voorbeeld. 02:18.270 --> 02:25.590 En om nu een beeld te laten zien dat maar voor een seconde zal zijn, kijk er gewoon naar en zie welke emoties 02:25.590 --> 02:28.210 of wat voor soort visuele ervaring je doormaakt. 02:28.980 --> 02:30.690 Dus wat zie je? 02:31.080 --> 02:37.110 Voel je je een beetje niet duizelig, maar een beetje bedwelmd alsof je hersenen proberen te begrijpen wat het 02:37.110 --> 02:38.730 is, hoe het is. 02:39.000 --> 02:43.560 Het probeert te springen tussen haar ogen, de op en neer ogen. 02:43.770 --> 02:51.870 En dit is een klassiek voorbeeld van wanneer er bepaalde kenmerken zijn waarbij dit kan zijn dat je hersenen 02:51.870 --> 02:53.460 niet kunnen beslissen. 02:53.970 --> 02:57.270 En omdat beide aannemelijk lijken. 02:57.600 --> 02:58.590 En ja. 02:58.590 --> 03:04.830 Dus eigenlijk illustreren al deze voorbeelden ons hoe het brein werkt, dat het bepaalde kenmerken op een afbeelding 03:04.830 --> 03:10.770 of op wat je in het echte leven ziet verwerkt, en het classificeert dat als zodanig. 03:10.770 --> 03:16.040 En je bent waarschijnlijk in situaties waarin je snel over je schouder kijkt en je ziet iets en je denkt dat het 03:16.040 --> 03:22.740 is. Ik weet niet of het een aaa-bal is, maar het blijkt een kat te zijn of je denkt dat het een auto is, maar het blijkt 03:22.740 --> 03:27.030 een schaduw te zijn en dat soort dingen omdat je niet genoeg tijd hebt om die features 03:27.030 --> 03:30.710 te verwerken of je hebt niet genoeg features om dingen als zodanig te classificeren. 03:31.080 --> 03:38.520 En dit is voor mij, dit is erg interessant, want wat we gaan doen met neurale netwerken, met convolutionele neurale 03:38.520 --> 03:40.710 netwerken, lijkt erg op elkaar. 03:40.710 --> 03:46.050 En je zult ontdekken dat de manier waarop computers afbeeldingen gaan verwerken, extreem veel zal lijken op 03:46.050 --> 03:48.140 de manier waarop we afbeeldingen verwerken. 03:48.150 --> 03:53.520 Dit is dus erg waardevol om te begrijpen en om deze dingen een beetje te onthouden, dat dit is hoe we het doen. 03:53.520 --> 03:58.200 En ik ga deze dame van je schermen halen omdat ze je nu waarschijnlijk al gek maakt. 03:58.530 --> 04:00.870 Dus hier is iets anders. 04:00.870 --> 04:06.860 Hier is een experiment, een experiment gedaan op computers, op een convolutief neuraal netwerk. 04:06.880 --> 04:10.530 Dus we gaan nu langzaam van mensen naar computers. 04:11.190 --> 04:14.100 En deze dia komt uit een verhaal van Geoffrey Hinton. 04:15.210 --> 04:22.230 En hier heb je in feite een experiment beschreven dat hij had gedaan op een aantal convolutionele neurale netwerken die 04:22.230 --> 04:23.670 hij had getraind. 04:24.390 --> 04:27.390 Dus hier zie je drie afbeeldingen en we gaan ze doornemen. 04:27.390 --> 04:31.480 We zullen moeten afwachten hoe je ze classificeert en dan kijken hoe de computer ze classificeert. 04:31.770 --> 04:34.080 Dus aan de linkerkant, wat denk je dat dit is? 04:35.250 --> 04:37.620 Je zei waarschijnlijk Cheeta, en je zult gelijk hebben. 04:37.620 --> 04:38.790 En dit is wat de computer zei. 04:38.790 --> 04:43.080 Dus en meteen, meteen, we gaan leren hoe we deze afbeeldingen moeten lezen, want 04:43.560 --> 04:50.550 als je diep in convolutionele neurale netwerken gaat, geen woordspeling bedoeld, als je meer gaat leren en meer over hen en het 04:51.060 --> 04:53.760 gebruik ervan, je zult er veel van zien. 04:53.970 --> 04:57.000 Dus en ik heb mensen ze verkeerd zien lezen. 04:57.000 --> 04:58.620 Dus hier bovenaan. 04:59.550 --> 05:06.240 Al Qaeda is wat het werkelijk is, dus dat is het eigenlijke juiste label van de afbeelding, dat is 05:06.240 --> 05:10.740 wat het label van de afbeeldingen is, ongeacht enige verwerking en computervisie. 05:11.610 --> 05:13.850 En dan zijn hier de gissingen. 05:13.860 --> 05:20.570 De top vier of vijf raden soms het algoritme en ze krijgen de kans. 05:20.580 --> 05:26.370 Dus de computer zei of het neurale netwerk zei dat Sheere, luipaard, sneeuwluipaard of Egyptische kat een van de vier 05:26.370 --> 05:27.150 kan zijn. 05:27.390 --> 05:29.070 En Shida heeft de hoogste stem. 05:29.070 --> 05:34.200 En tijdens dit deel van de cursus zult u begrijpen wat deze stemmen betekenen en hoe ze zijn 05:34.200 --> 05:34.720 afgeleid. 05:34.740 --> 05:36.420 Maar voor nu is het vrij intuïtief, toch? 05:36.430 --> 05:38.250 Het is dus in werkelijkheid een cheeta. 05:38.250 --> 05:40.610 En het neurale netwerk precies goed. 05:40.620 --> 05:43.440 Het zei met een grote waarschijnlijkheid, ongeveer 95, 99 procent. 05:43.440 --> 05:44.070 Het is een jachtluipaard. 05:45.870 --> 05:46.750 Dan de tweede. 05:46.770 --> 05:47.390 Wat denk je? 05:47.400 --> 05:50.820 Is het dat is dat een bullet train. 05:51.120 --> 05:57.150 En het neurale netwerk kon onderscheid maken tussen bullet train, personenauto, metro, elektrische 05:57.150 --> 05:57.950 locomotief. 05:57.960 --> 05:58.950 Dat zijn de topkeuzes. 05:58.950 --> 06:00.390 Er waren natuurlijk nog veel meer mogelijkheden. 06:00.390 --> 06:07.800 Deze neurale netwerken leren niet alleen voor categorieën te onderscheiden van tientallen, duizenden categorieën 06:08.010 --> 06:08.670 tegelijk. 06:08.700 --> 06:10.530 Dus dat zijn de vier opties die het heeft gekozen. 06:10.770 --> 06:12.710 En dat is dus een bullet train in zijn Soul Train. 06:12.740 --> 06:13.980 Dus wat denk je dat de laatste is? 06:15.700 --> 06:21.210 Heel, heel, er zijn een paar opties of het is niet erg duidelijk wat het is, het kan een 06:21.510 --> 06:22.740 koekenpan zijn, een vergrootglas. 06:22.740 --> 06:27.780 Het zou zelfs een schaar kunnen zijn, zullen sommigen zeggen. 06:27.960 --> 06:32.460 Het neurale netwerk zei dat het een schaar was, maar je kunt zien hoe je hier fout kunt gaan. 06:32.460 --> 06:35.160 Allereerst is het geen erg duidelijk beeld. 06:35.370 --> 06:41.680 En je kunt ook zien dat de kansen hier niet zo duidelijk zijn. 06:41.700 --> 06:46.210 Dus het neurale netwerk was een beetje in de war, een beetje besluiteloos, net als wij. 06:46.230 --> 06:50.790 Dus er stond schaar met de grootste kans, maar dan had het handgeklap, wat het 06:51.120 --> 06:55.550 eigenlijk waard was niet zo ver weg op de tweede plaats en braadpanstethoscoop. 06:55.800 --> 07:01.380 Dus eigenlijk kun je hier zien dat de schaar de eerste gok was, maar de juiste optie was nummer twee, en daarom 07:01.380 --> 07:02.700 is het rood gemarkeerd. 07:03.210 --> 07:03.920 Dus daar gaan we. 07:03.940 --> 07:06.980 Dat is waar neurale netwerken al toe in staat zijn. 07:06.990 --> 07:08.820 En dit is eigenlijk best een oude glijbaan. 07:08.850 --> 07:10.460 Dit was een aantal jaren geleden. 07:10.530 --> 07:11.790 Nu zijn ze nog beter. 07:11.790 --> 07:16.550 En dat zul je zien aan de praktische toepassing die je samen gaat coderen van Hadland. 07:16.830 --> 07:21.180 Maar laten we nu proberen een beetje beter te begrijpen wat klooster- of convolutionele 07:21.180 --> 07:25.710 neurale netwerken eigenlijk zijn en waarom ze zo populair worden en eigenlijk aan populariteit winnen. 07:25.710 --> 07:30.870 Dus je kunt hier een Google Trends-vergelijking zien die ik gisteren heb gemaakt. 07:31.650 --> 07:39.390 Hier kun je zien dat convolutionele neurale netwerken zelfs kunstmatige neurale netwerken overnemen. 07:39.390 --> 07:43.140 Een enorme stijging dus. 07:43.140 --> 07:49.410 En dit zal zo blijven doorgaan, want het is een heel belangrijk gebied dat daar alle 07:50.100 --> 07:52.470 dingen gebeuren, zoals zelfrijdende auto's. 07:52.470 --> 07:57.870 Hoe herkennen ze mensen op de weg, hoe herkennen ze stopborden en dat soort dingen? 07:57.870 --> 08:04.860 Hoe kan Facebook hoe kan Facebook afbeeldingen of mensen in afbeeldingen taggen? 08:04.860 --> 08:11.820 En niet alleen zoals vroeger, jaren geleden moest je zelf mensen meenemen, dan zou het gezichten 08:11.820 --> 08:12.630 herkennen. 08:12.630 --> 08:17.460 Je moest Albinoni de namen toevoegen, en nu herkent het gewoon de gezichten en advertenties en namen 08:17.460 --> 08:18.040 tegelijkertijd. 08:18.510 --> 08:23.430 Welnu, dat is waartoe convolutionele neurale netwerken in staat zijn. 08:23.820 --> 08:32.760 Over Facebook gesproken, als Geoffrey Hinton de peetvader is van kunstmatige neurale netwerken en deep learning, dan 08:32.910 --> 08:38.790 is een jonge Lukan de grootvader van convolutionele neurale netwerken. 08:39.030 --> 08:42.090 Young Lykken is een leerling van Geoffrey Hinton. 08:42.450 --> 08:45.300 En in feite kun je ze hier samen zien. 08:45.610 --> 08:51.090 En Geoffrey Hinton is nu een pionier op het gebied van deep learning bij Google. 08:51.300 --> 08:56.580 Young Lykken is de directeur van Facebook Artificial Intelligence Research en ook een professor aan de NYU. 08:56.910 --> 08:58.500 Dus we zijn ons langzaam bewust. 08:58.800 --> 09:00.050 Ik hou van dit deel van de cursus. 09:00.050 --> 09:02.570 Langzaam bouwen we aan deze naam. 09:02.610 --> 09:09.000 Deze namen zijn dit soort foto's van de profielen van de mensen die dit veld besturen. 09:09.270 --> 09:15.300 En in de volgende paar delen zullen we er nog een paar leren kennen en we zullen deze hele 09:15.300 --> 09:21.030 morphia hebben, zoals ze zichzelf noemen, of je kunt ze maffia of samenzwering van diep leren noemen. 09:21.030 --> 09:23.640 En je leert wat meer over hoe dit hele veld zich ontwikkelde. 09:23.670 --> 09:26.910 En ja, het zijn gewoon een paar geweldige, geweldige mensen. 09:27.300 --> 09:35.310 En dus leverde de jonge Lukan in de jaren 80 en 90 een belangrijke bijdrage op het gebied van convolutionele 09:35.310 --> 09:36.210 neurale netwerken. 09:36.210 --> 09:44.280 En zoals je tijdens deze cursus zult zien, is hij in staat geweest om iets zo extreem krachtig te ontwikkelen of 09:44.280 --> 09:50.880 de wereld te helpen ontwikkelen, dus om verder te gaan met hoe convolutionele neurale netwerken werken. 09:51.390 --> 09:52.650 Je hebt een inbreng. 09:52.650 --> 09:53.280 Het is heel simpel. 09:53.280 --> 09:54.210 Het is heel eenvoudig. 09:54.220 --> 09:56.100 Je hebt dus een invoerbeeld. 09:56.100 --> 09:59.160 Het gaat door het convolutionele neurale netwerk en je hebt een AL. 09:59.380 --> 10:06.360 Label, dus het classificeert dat beeld als zoiets als een cheetah of een bullet train of iets anders, nu 10:06.660 --> 10:10.140 een beetje alsof je wat meer in detail gaat. 10:10.800 --> 10:18.840 U kunt bijvoorbeeld nadat een neuraal netwerk is getraind op bepaalde afbeeldingen, op bepaalde geclassificeerde afbeeldingen 10:18.840 --> 10:22.830 of gecategoriseerde afbeeldingen die eerder zijn gecategoriseerd. 10:23.580 --> 10:29.460 Daarna kun je het geven, laten we zeggen dat een neuraal netwerk is getraind om gezichtsuitdrukkingen, emoties te 10:29.460 --> 10:30.120 herkennen. 10:30.390 --> 10:37.260 Je kunt het een gezicht geven van een glimlachende persoon, niet alleen een gezicht, zoals een tekening van een gezicht als dit, maar het echte 10:37.260 --> 10:39.180 gezicht van een persoon die lacht. 10:39.300 --> 10:44.780 En ik zal je vertellen dat die persoon gelukkig is en je kunt haar een gezicht geven van een persoon die fronst. 10:44.790 --> 10:46.440 Het zal je vertellen dat de persoon verdrietig is. 10:47.100 --> 10:48.510 Deze emoties kun je herkennen. 10:48.510 --> 10:53.250 En zoals je kunt zien, is dat al erg krachtig in termen van zoveel verschillende toepassingen. 10:53.250 --> 11:00.450 Alleen dit ene voorbeeld waar je meteen aan kunt denken en in beide gevallen geeft het je een waarschijnlijkheid. 11:00.450 --> 11:08.130 Dus het zal niet zeggen, weet je, als we 100 procent blij of verdrietig zijn, zal het 99 of 98 of misschien 80 procent 11:08.130 --> 11:11.690 zijn als het onduidelijk is wat er aan de hand is. 11:11.700 --> 11:17.700 En net zoals we gelijk hebben, kunnen we soms dingen aanzien voor wat ze niet zijn, of soms kunnen we dat wel. 11:18.750 --> 11:24.660 Soms is het gewoon niet duidelijk of de persoon lacht of fronst of dat het een hond of 11:24.660 --> 11:28.440 een kat is of dat het een trein- of kogeltreinrit is. 11:28.440 --> 11:33.270 Soms hebben we die niet, we hebben niet genoeg functies gezien en alles komt neer op functies, 11:33.270 --> 11:38.150 want dat is hoe we visuele informatie verwerken, zoals we vanaf het begin van deze tutorial hebben gezien. 11:38.550 --> 11:44.040 Maar hoe kan een neuraal netwerk, hoe kan een neuraal netwerk deze functies herkennen? 11:44.070 --> 11:47.550 Nou, het begint allemaal op het zeer basale niveau. 11:48.000 --> 11:50.640 Je hebt laten we zeggen dat je een afbeelding hebt, je hebt twee afbeeldingen. 11:50.790 --> 11:56.120 De ene is een zwart-witafbeelding van twee bij twee pixels en de andere is een kleurenafbeelding van twee bij twee pixels. 11:56.430 --> 12:04.610 Nou, neurale netwerken maken gebruik van het feit dat het zwart-wit beeld een tweedimensionale array is. 12:04.620 --> 12:09.540 Dus de manier waarop we het nu aan de linkerkant zien, is slechts de visuele weergave. 12:09.630 --> 12:13.380 Dus een soort foto en omwille van de eenvoud is het gewoon een tweerichtingsfoto. 12:14.010 --> 12:19.440 Maar in computertermen is het eigenlijk een tweedimensionale array met elk van die pixels met 12:19.440 --> 12:21.900 een waarde tussen nul en 255. 12:22.230 --> 12:27.560 Dus dat is acht acht bits informatie voor de twee tot de macht acht is 256. 12:27.570 --> 12:30.210 Dus daarom zijn de waarden van nul tot 255. 12:30.300 --> 12:33.470 En dat is de intensiteit van de kleur en in dit geval de kleur wit. 12:33.480 --> 12:38.570 Dus nul zal een volledig zwarte pixel zijn, 255 zal een volledig witte pixel zijn. 12:38.580 --> 12:44.340 En daartussen heb je het grijswaardenbereik van mogelijke opties voor deze pixel. 12:44.550 --> 12:49.950 En op basis van die informatie kunnen computers vervolgens van het beeld werken. 12:49.950 --> 12:55.110 En dat is ongeveer het uitgangspunt dat elk beeld in feite een digitale representatie heeft, een 12:55.110 --> 12:56.310 digitale vorm heeft. 12:56.430 --> 13:03.200 En dat zijn eigenlijk gewoon enen en nullen die voor elke pixel een getal nul tot 255 vormen. 13:03.210 --> 13:04.190 Daar werkt de computer voor. 13:04.200 --> 13:08.040 Als het niet echt werkt met, weet je, de kleuren of wat dan ook werkt 13:08.040 --> 13:12.240 met de enen en nullen, aan het eind van de dag, dat is de basis van dit alles. 13:13.230 --> 13:16.920 En in een kleurenafbeelding is eigenlijk een driedimensionale array. 13:17.100 --> 13:21.660 Je hebt een blauwe pixel, je hebt een blauwe laag, een groene laag en een rode laag. 13:21.900 --> 13:24.840 En dat zegt Ferragu, rood, groen, blauw. 13:25.260 --> 13:29.700 En elk van die kleuren heeft zijn eigen intensiteit. 13:29.710 --> 13:36.720 Dus eigenlijk heeft een pixel drie drie waarden toegewezen. 13:36.870 --> 13:40.440 Elk van hen ligt tussen nul en 256, 255. 13:41.250 --> 13:49.320 En daarom kun je erachter komen wat deze afbeelding is, welke kleur deze pixel precies heeft door die drie waarden te 13:49.560 --> 13:50.250 combineren. 13:50.250 --> 13:52.680 En nogmaals, computers gaan daarmee werken. 13:53.430 --> 13:55.710 Dus dat is de basis van alles. 13:55.710 --> 13:58.250 Dat is het Rode Kanaal, het Groene Kanaal, het Blauwe Kanaal. 13:59.400 --> 14:07.110 Laten we tot slot eens kijken naar bijvoorbeeld een voorbeeld, een heel triviaal voorbeeld van een 14:07.110 --> 14:09.540 lachend gezicht in computertermen. 14:09.540 --> 14:17.070 Als we dingen echt vereenvoudigen in plaats van nul tot 255 te hebben, in plaats van die waarden te 14:17.070 --> 14:22.410 hebben zodat we dingen beter kunnen begrijpen en de concepten echt kunnen begrijpen, gaan 14:22.410 --> 14:26.220 we zeggen dat nul is wit, één is zwart. 14:26.460 --> 14:26.720 Rechts. 14:26.730 --> 14:30.450 Dus we gaan de dingen gewoon tot het uiterste vereenvoudigen. 14:30.750 --> 14:33.750 En je zult zien dat dat beeld zo kan worden weergegeven. 14:33.900 --> 14:38.840 Dus de reden waarom we dit naar voren hebben gebracht, is omdat we al onze interessante verhalen doornemen. 14:38.850 --> 14:41.460 We krijgen structuur in afbeeldingen zoals deze, die heel eenvoudig zijn. 14:41.460 --> 14:48.180 Maar tegelijkertijd kunnen al die concepten worden terugvertaald naar het waardenbereik van nul tot 256. 14:48.780 --> 14:50.280 En daar geldt alles op dezelfde manier. 14:50.580 --> 14:55.140 En de stappen die we gaan doorlopen van deze afbeeldingen zijn stap nummer één convolutie 14:55.140 --> 14:56.760 stap nummer twee, maximale pooling. 14:56.760 --> 14:59.040 Stap nummer drie, afvlakking en stapnummer. 14:59.110 --> 15:05.380 Voor volledige verbinding, en ik kan me voorstellen dat deze woorden op dit moment waarschijnlijk veel voor je 15:05.650 --> 15:13.150 betekenen, maar aan het einde van dit gedeelte van de cursus zul je ze tot in detail begrijpen en precies begrijpen wat 15:13.150 --> 15:13.870 ze doen. 15:13.880 --> 15:15.930 Dus we gaan aan de slag in de volgende tutorial. 15:15.940 --> 15:24.310 Voor nu is de aanvullende lezing waar je misschien naar wilt kijken een jong origineel artikel van Lykins dat 15:24.490 --> 15:27.640 de aanleiding gaf tot convolutionele neurale netwerken. 15:28.150 --> 15:31.180 Het wordt gradiëntgebaseerd leren genoemd, toegepast op documentherkenning. 15:31.660 --> 15:34.450 Je hebt deze afbeelding misschien al gezien voordat je op internet rondzwierf. 15:34.480 --> 15:35.690 Het komt van dat papier. 15:35.710 --> 15:42.130 Dus als je terug wilt gaan naar het allereerste begin van hoe het allemaal gebeurde, waar het allemaal vandaan kwam, dan is dit het artikel om in 15:42.130 --> 15:46.060 te kijken en ik kijk ernaar uit om het te zien in de volgende tutorial. 15:46.250 --> 15:48.250 Geniet tot die tijd van deep learning.