WEBVTT 00:00.520 --> 00:02.800 Merhaba ve kursa ve derinlemesine öğrenmeye hoş geldiniz. 00:02.800 --> 00:06.140 Bugün tam olarak bağlantı kurulmadan STEPNELL'e geldik. 00:06.310 --> 00:08.210 Peki bu adım ne hakkında. 00:08.440 --> 00:16.990 Bu aşamada konvolüyonel sinir ağımıza bütün yapay sinir ağı ekliyoruz, böylece konvolusyon biriktirme 00:17.000 --> 00:22.450 ve düzleştirme olan şimdiye kadar yaptığımız her şey için. 00:22.510 --> 00:24.910 Şimdi tamamen yenisini ekliyoruz. 00:24.930 --> 00:28.990 Ve sonra bunun arkasında ne kadar yoğun olduğunu. 00:28.990 --> 00:32.350 Bu kesinlikle bir şey olan bir şey. 00:32.590 --> 00:36.730 Ve burada giriş katmanı var, tam olarak bağlantılı bir planımız var. 00:36.740 --> 00:42.580 Orada yapacağım ve bu arada yapay sinir ağlarında tam olarak bağlantılı olan Lehre'yi onları gizli 00:42.580 --> 00:47.650 katmanlar olarak adlandırdığımız yola koymuş olacağız ve burada onları gizli lairs oldukları için 00:47.650 --> 00:53.500 birbirine tamamen bağlı olarak adlandırıyoruz ancak aynı zamanda daha spesifik bir konumda Yapay sinir ağlarında 00:53.500 --> 00:57.510 tamamen bağlı olan kandırıcıların türü gizli harflerin tamamen bağlı olması gerekmez. 00:57.520 --> 01:02.230 Halbuki evrensel sinir ağlarında tam olarak bağlantılı harf kullanacağız ve 01:02.230 --> 01:05.640 bu yüzden genelde tamamen bağlantılı Lares deniyor. 01:05.770 --> 01:11.620 sütunları veya vektörleri, sadece illüstrasyon amacıyla çok basitleştirilmiş bir örneğe sahibiz. 01:11.620 --> 01:18.160 Ve temel olarak, öğrenmek istediğimiz girdiye aktardığımız düzleştirmeden sonra sahip olduğumuz çıktıların bütün 01:18.160 --> 01:26.770 Yapay sinir ağının asıl amacı, özelliklerimizi Klaas'ı daha iyi tahmin eden daha 01:26.770 --> 01:28.960 fazla nitelikte birleştirmektir. 01:28.960 --> 01:37.660 Gerçekten yaptığımız şeyin Yassılaştırılmış sonuçtaki Yansımalarımızdaki vektörel vektörümüzde, o vektördeki rakamlarla kodlanan bazı özellikleri 01:37.660 --> 01:43.750 var ve zaten muhtemelen Clauss'un ne olduğunu tahmin etmede oldukça 01:43.750 --> 01:51.730 iyi bir iş yapabiliyorlar. Bir köpek mi kedi mı yoksa bir tümör olup 01:51.730 --> 01:53.840 olmadığına bakıyor mu? 01:53.890 --> 02:00.610 tahmin etmeye çalıştığımız ve bunu önceki bölümlerden bildiğimiz için neden bunlardan etkilenmeyelim. 02:00.610 --> 02:07.810 Fakat aynı zamanda yapay sinir ağı denilen, özelliklerle uğraşmak ve ortaya çıkmak veya özelliklerle 02:07.810 --> 02:16.120 uğraşmak ve yeni nitelikler ortaya çıkarmak ve özellikleri birlikte daha iyi tahmin etmek için bir araya 02:16.120 --> 02:20.360 getirmek üzere tasarlanmış olan yapıyı bildiğimizi biliyoruz. önceden 02:20.440 --> 02:22.750 İşte tam burada bu plan. 02:22.750 --> 02:29.140 Peki bu değerleri bir yapay sinir ağına geçirip, yaptığımız her şeyi daha da optimize 02:29.140 --> 02:30.350 etmeye ne dersin? 02:30.640 --> 02:31.900 Ve biz de bunu yapacağız. 02:31.900 --> 02:36.390 Ancak daha gerçekçi bir örneğe bakalım, çünkü bu biraz basit. 02:36.610 --> 02:43.990 Dolayısıyla burada ikinci elimizde altı nöron yoksa ya da tam olarak bağlantılı ikinci Larry sekiz nörona 02:43.990 --> 02:51.040 sahip olmadıkça, ilk girişte beş öznitelike sahip daha iyi görünümlü bir yapay sinir ağı var 02:51.040 --> 02:55.510 ve iki çıkışımız var. biri köpek için diğeri kedi için. 02:55.630 --> 03:02.240 Ve burada konuşmamız gereken, iki çıkışımız var neden konuşmak için önemli bir şey. 03:02.240 --> 03:09.100 Yapay sinir ağlarımızda yalnızca bir çıktı elde etmeye alışkındırız. Bir çıkış, bir 03:09.100 --> 03:14.740 tür gerileme türü çalıştırdığınızda yazdırdığınızda sayısal bir değeri tahmin ettiğinizde 03:14.740 --> 03:15.480 tür içindir. 03:15.760 --> 03:22.840 ve bu tamamen iyi sonuçlanmıştı ve öğreneceğiniz şey öğle yemeğini pratik öğreticilerde yapmıştı ve nasıl yapılacağı budur. 03:22.840 --> 03:27.940 Ancak, sınıflandırma yaparken Proclus çıktısına ihtiyaç duyarsınız, istisna dışında sadece iki kümeye sahip 03:27.970 --> 03:33.790 olduğunuzda burada köpek ve kedi olmak üzere iki sınıfımız var ve biz sadece bir çıktı 03:33.790 --> 03:38.760 yapmış ve ikili çıktı yapmış olabiliriz dedi. bir köpek ve bir kedi sıfır 03:38.770 --> 03:39.250 eder 03:39.250 --> 03:46.090 Aynı zamanda, örneğin köpekler için kedi ve kuşlar olmak üzere ikiden fazla kategoriniz varsa o 03:46.090 --> 03:52.420 zaman her kategori için bir nöron yaptırmanız gerekir ve bu yüzden biz bu sınıfta 03:52.420 --> 03:58.320 iki kategoride çalışacağız, böylece ne olacağını biliriz. şimdiye kadar ikiden fazla kategorimiz varsa. 03:58.550 --> 04:00.010 Ve burada neler olacak burada. 04:00.010 --> 04:05.260 Dolayısıyla, havuzlamayı ve düzleştirmeyi gerçekleştirdiğimiz konvolüsyonu gerçekleştirdiğimiz tüm temelleri yaptık ve artık 04:05.620 --> 04:10.570 bu bilgiler yapay sinir ağı üzerinden geçecek. Öyleyse diğerinin nasıl olduğu 04:10.570 --> 04:12.300 hakkında bir göz atalım. 04:12.340 --> 04:18.460 Görüntü başlangıcından başlayıp görüntünün işlendiği andan itibaren kıvrılmış, sonra düzleştirilen ve daha 04:18.610 --> 04:23.920 sonra yapay sinir ağı vasıtasıyla dört adımın hepsinden bir anda 04:23.920 --> 04:30.720 geçen bir bilgi var ve sonra bunun nasıl olacağını göreceğiz. an çok ilginç olacak. 04:30.730 --> 04:32.920 Fakat şimdilik bir tahminin yapıldığını söyleyelim. 04:32.920 --> 04:36.070 Ve örneğin yüzde 80'i bir köpek. 04:36.070 --> 04:40.610 Ama bir kedi olduğu ortaya çıkıyor ve sonra bir hata hesaplanıyor. 04:40.610 --> 04:40.990 A. 04:41.200 --> 04:47.720 Yapay sinir ağında teleskop fonksiyonlarını hesaplamak için kullandığımız şeylerden biridir ve oradaki ortalama 04:47.740 --> 04:51.460 karesel hata veya ortak yanılsama sinir ağları kullanılmıştır. 04:51.460 --> 04:57.630 Buna bir kayıp fonksiyonu denir ve bunun için bir çapraz entropi fonksiyonu kullanırız. 04:57.640 --> 04:59.870 Ve çapraz entropi hakkında konuşacağız ve ortalama kareli hatalar. 05:00.130 --> 05:02.820 Ayrı bir öğreticide ve bunların hepsinde nasıl olduğu. 05:02.820 --> 05:08.730 işlevi en iyi duruma getirmeye veya en aza indirgemeye çalıştığımızı gösteren kayıp bir tür işleve sahip olduğumuzu söylüyorlar. 05:08.730 --> 05:13.560 Fakat bilginiz için, ağımızın ne kadar iyi performans gösterdiğini ve ağımızı optimize etmek için bu 05:13.750 --> 05:19.470 Böylece hata hesaplanır ve daha sonra yapay sinir ağlarında sahip olduğumuz gibi 05:19.470 --> 05:26.700 ağ üzerinden geri yayılır, geri gönderilir ve bazı şeyler performansı optimize etmeye yardımcı olmak için ağda 05:27.000 --> 05:31.670 ayarlanır ve ayarlanan şeyler normalde ağırlıkları ayarlar. Yapay sinir ağı 05:31.670 --> 05:34.910 burada Cynapsus görülen mavi çizgilerin bir parçasıdır. 05:35.340 --> 05:43.950 Ardından ayarlanan başka bir şey özellik detektörleridir, bu yüzden özellikleri arıyor olduğumuzu biliyoruz ancak yanlış 05:43.950 --> 05:46.140 özellikleri arıyorsanız bunu yapalım. 05:46.140 --> 05:51.570 işe yaramazsa ve özellik dedektörleri sahip olduğumuz bu küçük matrisleri hatırlarsa ne olur? 05:51.570 --> 05:53.860 Ya özellikler yanlış olduğu için bu 05:54.250 --> 05:57.270 Üç üçlü matrisler budur. 05:57.270 --> 06:03.240 Belki bir dahaki sefere daha iyi olacağı ve ne olacağını görelim diye ayarlanırlar. 06:03.360 --> 06:03.860 Bir şeyin türü. 06:03.870 --> 06:11.040 Ve tabii ki hepsi çok sayıda matematiğin arka planında bitmiş ve hepsi geri 06:11.040 --> 06:14.580 yayılımın bir gradyan gradyen inişiyle yapılır. 06:14.580 --> 06:20.880 Dolayısıyla hepsi hepsi sadece rastgele bozulmalar değil aslında nasıl yapıldığı konusunda çok düşünülmüş değil. 06:21.210 --> 06:27.630 ağırlıklar ayarlanır ve bu işlemin tamamı tekrarlanır ve sonra tekrar hatalar yayılır. 06:27.630 --> 06:30.710 Bununla birlikte, özellik detektörleri ayarlanır ve 06:30.720 --> 06:32.610 Ve bu devam ediyor ve devam ediyor. 06:32.760 --> 06:37.950 Ve ağımızın bu şekilde optimize edildiği ağımızın verilere nasıl tren kazandırdığını. 06:37.950 --> 06:43.800 Burada önemli olan, verilerin baştan sona en başından itibaren tüm alana 06:43.800 --> 06:44.410 girmesi. 06:44.430 --> 06:49.950 Ardından hata karşılaştırılır ve böylece hata hesaplanır ve daha sonra tekrar yayılır. 06:49.950 --> 06:56.520 Yapay sinir ağlarında olduğu gibi aynı hikayemiz, sahip olduğumuz ilk üç adım için o bütünlük 06:56.520 --> 06:58.320 nedeniyle biraz daha uzun. 06:59.040 --> 07:04.440 Ve şimdi, ilginç kısmı gerçekten ilginç olan bu iki sınıfın nasıl çalıştığına bir göz atalım 07:04.440 --> 07:10.050 çünkü bu iki çıkış nöronları nasıl çalışır, çünkü her zaman bir tür çıktı nöronuna uğramadan 07:10.050 --> 07:11.840 önce iki tane olduğunda çıktılar. 07:11.840 --> 07:17.490 Bu sınıflandırma veya resimlerin durumu nasıl etkilenir? 07:17.670 --> 07:21.610 Köpeğe başlayacak ilk nörondan başlayalım. 07:22.080 --> 07:28.950 Önce ne yapmamızın temel amacı, köpeğe bağlanan tüm ders programlarına hangi ağırlıkların 07:28.950 --> 07:36.000 atılacağını anlamamız gerekiyor, böylece önceki nöronlardan hangisinin köpek için gerçekten önemli olduğunu ve 07:36.000 --> 07:38.910 nasıl olduğunu görelim. bu bitti. 07:38.910 --> 07:46.460 Öyleyse varsayımsal olarak önceki tam olarak bağlanmış bir önceki katmanda bu rakamları bulduk diyelim. 07:46.500 --> 07:47.980 Son tamamen bağlı tabakada. 07:48.120 --> 07:51.010 Ve yine bu rakamlar her şey olabilir. 07:51.030 --> 07:56.490 Herhangi bir sayı olabilmeleri için olmak zorunda değilsiniz, fakat sadece argüman 07:56.490 --> 08:01.890 uğruna, 0 ile 1 arasındaki sayılara özellikle baktığımız konusunda hemfikiriz. 08:02.280 --> 08:09.840 ve anlamak daha kolaydır ve bir tanesi bu nöronun bu özelliği bulduğundan çok emindir ve 08:09.840 --> 08:15.960 sıfır, nöronun aradığı bir özellik bulamadığı anlamına geleceği anlamına gelir; gün bu 08:15.960 --> 08:23.580 nöronlar bu sol taraftan gelen başka herhangi bir şey gibi sadece bir imgedeki özelliklere bakmaktır. 08:23.610 --> 08:25.470 Bu yüzden, bunları tartışmak 08:25.470 --> 08:27.490 Bu zaten çok çok işlemdir. 08:27.510 --> 08:32.940 Ancak yine de, aşamada gelişmeden hemen önce belirli bir özelliği veya görüntünün özelliklerini bir 08:33.700 --> 08:34.590 araya getiriyor. 08:34.590 --> 08:39.060 Havuz setinde tanıdık özelliklere sahibiz, daha düzgün görülen görüntüde daha az tanınabilir 08:39.060 --> 08:40.850 hale geldikçe daha az tanınırlar. 08:40.850 --> 08:42.550 Ve sonra bir araya gelirler vesaire. 08:42.570 --> 08:48.720 Fakat bununla birlikte, burada, mevcut görüntü veya bunların bileşimi olan bazı özellikleri konuşuyoruz. 08:48.720 --> 08:54.480 Böylece, bir tanesi geçti ve bu önemlidir, hem çıkış nöronlarına hem köpek 08:54.480 --> 08:57.020 hem kediye aynı anda geçildi. 08:57.150 --> 09:06.180 Yani biri, bizim argümanımız için bu, bu bu nöronun ateşlediği anlamına geliyor. Bildiğiniz bir özellik olduğunu gerçekten 09:06.180 --> 09:11.850 hızlı bir şekilde tespit ediyor. Keşke bu kaşın tekrar sadelik için 09:11.870 --> 09:15.170 algıladığını görebilmek için bu kaş alıyor. 09:15.270 --> 09:20.310 Ve bunu iletişim kuruyor kediye koşu kedi nöronuna gidip kaşımı görebiliyorum derim, kaşlarımı görebiliyorum. 09:20.310 --> 09:25.240 Ve sonra bunun ne anlama geldiğini anlamak köpeğe ve kedi nöronuna bağlı. 09:25.290 --> 09:25.860 Sağ. 09:25.890 --> 09:30.840 Ve nöronların ateşlediği bu durumda, bu üç nöron kaşlarını atıyor ve 09:30.830 --> 09:36.120 burun burnunda büyük bir burun görebildiğimi ve disket kulak görebildiğimi söylüyor diyiyor. 09:36.270 --> 09:40.540 Bu yüzden ve bunu köpek ve kediye, sonra da köpek için söylüyor. 09:40.560 --> 09:43.390 Ve sonra ne olduğunu biliyoruz, bunun bir köpek olduğunu biliyoruz. 09:43.440 --> 09:49.920 Köpek nöronu cevabın aslında bir köpek olduğunu bilir çünkü sonunda resimle veya resmin 09:49.920 --> 09:53.640 üzerindeki etiketle ve başka bir köpekle karşılaştırdığımızda. 09:53.640 --> 09:56.310 Yani temelde köpek nöronu Aha demeye başlayacak. 09:56.310 --> 09:58.820 Bu durumda tetiklenmeliyim. 09:58.830 --> 10:04.790 Yani bunlar, bu sinyali bana her ikisine de köpeğe gönderdiklerini söyledikleri nöronlar ve 10:04.790 --> 10:09.000 kedi aslında bir köpek olduğunu benim için bir göstergedir. 10:09.020 --> 10:13.940 Ve bu çok parti süresince birçok yinelemeler gerçekleşir; köpek, 10:13.940 --> 10:19.580 özellik bir köpeğe ait olduğunda, bu nöronların gerçekten ateşlendiğini öğrenecektir. 10:19.670 --> 10:24.260 Öte yandan kedi nöronu bunun bir kedi olmadığını bilecek ve bu özelliğin patladığını 10:24.260 --> 10:28.210 biliyor olacak ve bu nöron bana disket kulakları disket kulakları görebileceğini söylüyor. 10:28.370 --> 10:31.040 Ama aynı zamanda bir kedi de değil. 10:31.040 --> 10:36.980 çok oluyorsa, kedi nöronunun bu nöronu disket kulaklarıyla ilgili olarak görmezden gelmesi o kadar çok oluyor. 10:36.980 --> 10:41.960 Temelde bana göre bu, bu nöronu görmezden gelmem gereken bir işarettir ve ne kadar 10:42.440 --> 10:49.100 Ve bu temel olarak, bu sıklıkla gerçekleşirse, bu çok ve çok sayıda yineleme yoluyla gerçekleşir. 10:49.100 --> 10:54.170 Bu sadece bir örnektir, ancak bu sıklıkla belki bir tanesi 0 olur. 8 0. 9 Bazen bazen 10:54.170 --> 11:02.090 ateşlemez ama genelde bu nöron, köpek nöronunun bu nörona daha fazla önem vermeye başlayacağı 11:02.090 --> 11:05.920 bir köpek olduğunda çok sık aydınlanıyor. 11:05.930 --> 11:06.590 Ve işte gidiyoruz. 11:06.590 --> 11:08.430 Biz de bunu imza atacağız. 11:08.450 --> 11:14.570 veri kümenizi tekrar tekrar gezdirdiğinizde olduğunu unutmayacağım ve yine çok sayıda ve tekrarlanan şey var. 11:14.570 --> 11:20.210 Bu üç nöronun benimle bu yinelemeli süreçle birçok çok sayıda örnekle ve çok sayıda 11:20.210 --> 11:25.150 hatırlayacağım, böylece bir örnek, veri kümenizdeki bir satır ve Apoc ise, tüm 11:25.220 --> 11:34.010 Bu köpek nöronu, bu kaşlanmış nöronun ve bu büyük burun nöronunun ve 11:34.340 --> 11:43.040 bu disket kulak nöronunun, aradıklarının ve hangi köpeklerin sınıflandırılmasına gerçekten çok katkıda 11:43.040 --> 11:44.350 bulunduğu anlaşıldı. 11:44.480 --> 11:45.730 İşte böyle işte. 11:45.740 --> 11:55.130 çok eskilere dayanan örnekler gibi çünkü bütün bu konvolüsyonel geleneksel sinir ağı bu aşamada aradıklarını tamamen fark 11:55.130 --> 12:01.640 edilemez fakat aynı zamanda köpeklerin veya kedilerin özelliklerini veya hangisini sınıflandırırsanız yapın. 12:01.640 --> 12:07.400 Ve yine bu kulaklar, burunlar ve kaşlar bunlar çok çok 12:07.400 --> 12:09.020 yakındır ya da 12:09.410 --> 12:11.130 Ve sonra bir sonraki adıma geçelim. 12:11.150 --> 12:15.860 Şimdi kedi nöronuna bakacağız ancak bunları unutmayacağım, bu ağırlıkların 12:15.860 --> 12:17.900 köpeği nasıl düzenlediğimizi biliyorsun. 12:17.900 --> 12:22.970 Bu yüzden köpek, diğer tüm nöronları bir, iki üç dört ya da beş görmezden hoşlanıyormuş 12:22.970 --> 12:26.510 gibi görünüyor, ancak bu üç nöronun ne dediğine gerçekten dikkat ediyor. 12:26.570 --> 12:28.330 Şimdi kedi ne dinliyor. 12:28.490 --> 12:30.830 Aslında bir kedi olduğunda. 12:30.970 --> 12:32.530 Sağ. 12:32.710 --> 12:35.600 Aslında bir kedi olduğunda bu duruma bir örnek. 12:35.600 --> 12:42.980 Böylece bu üç nöronun 0 olduğunu göreceksin. 9 0. 9 ve biri köpek ve kediye 12:42.980 --> 12:44.590 bir şeyler söylediklerini söylüyorlar. 12:44.600 --> 12:49.510 Ve hatırlamak gerekirse, bu çıkış sinyali her iki yönde de aynı doğru gidiyor. 12:49.520 --> 12:55.520 Köpeğe kediyi söyleyen biri diyor, ancak o sinyali dikkate alıp 12:55.520 --> 13:00.220 almayacağınıza karar vermek için kedinin köpeğine kalmış. 13:00.500 --> 13:05.810 Hem köpek hem de kedi, bunun bir kedi fotoğrafını koymam gereken bir fotoğraf olduğunu görebilir ancak temelde bir kedinin 13:05.810 --> 13:10.030 bir fotoğrafını bir köpek hayal eder ve kedi bu kedinin aslında bir kedi olduğunu görebilir. 13:10.190 --> 13:20.150 Yani temelde köpek iyidir, bu bıyıklar ve bu sivri üçgen kulaklar ve bu küçük boyut evet veya ya 13:20.420 --> 13:28.250 da belki bu tür kedilerin gözlerinde bu şeyleri nasıl buldular gözleri küçük gibi Onlar 13:28.310 --> 13:33.350 daireler ya da çizgiler ya da benzeri değiller kedi gözleri. 13:33.350 --> 13:37.460 Temelde bu kedi gözleri benim için kesinlikle çalışmıyorlar. 13:37.460 --> 13:42.980 Bana yardımcı olmazlar, tahmin edeceğim, çünkü bu nöronların her yanıp tutuşması, 13:42.980 --> 13:44.240 aradığım şey değil. 13:44.240 --> 13:46.910 Öte yandan kedi hmm gibi ilginç. 13:46.910 --> 13:51.620 Bunların her biri yanıp söndüğünde daha çok yanar. 13:51.620 --> 13:55.310 Aradığımla eşleşen beklentimle uyuşuyor. 13:55.310 --> 13:55.630 TAMAM. 13:55.640 --> 13:58.050 Bu adamı bundan daha fazla dinleyeceğim. 13:58.160 --> 14:02.710 Bu aynı şey her aydınlandığında veya çoğu zaman yanar. 14:02.810 --> 14:09.100 Tahminim için ödüllendirilecek bir iyiyi elde ettim, çünkü doğru anladım. 14:09.110 --> 14:09.760 O bir kedi. 14:09.770 --> 14:10.080 TAMAM. 14:10.130 --> 14:11.440 Onu daha çok dinleyeceğim. 14:11.450 --> 14:17.930 Biliyorsun, bu bir işe yaramıyor çünkü aslında aydınlanmadığı gibi bir kedi olmadığını biliyorsun değil 14:17.930 --> 14:21.040 ama aydınlatılmadığı için tam tersi oluyor. 14:21.050 --> 14:24.410 Ve bu iyi bir cad ama o izin vermiyor, bu yüzden onu dinlemeyeceğim. 14:24.410 --> 14:31.250 Ama bu gittiğinde, kedi gözlerinin ışığı gören gözler gördüğümüzde bunun bir kedi olduğunu 14:31.250 --> 14:31.850 görebiliyorum. 14:31.850 --> 14:36.440 bundan öğreneceğim ve bu üç adamı daha sık dinleyeceğim. 14:36.980 --> 14:38.750 Çoğu zaman eşleşir, 14:38.750 --> 14:44.810 Ve temelde kedi bu üçünü dinliyor ve diğer beşi göz 14:45.350 --> 14:54.830 ardı ediyor ve bu nihai nöronlar nihai olarak tamamen bağlı Lehre'nin çıkış nöronlarını dinlemek için hangi 14:54.830 --> 14:58.460 nöronların nihai tam bağlantılı olduklarını öğreniyor. 14:58.670 --> 15:00.030 Dinlemek için nöronlar var. 15:00.180 --> 15:02.530 Ve anlıyorlar böyle. 15:02.790 --> 15:08.930 Temelde özelliklerin ağ üzerinden yayılması ve çıktıya aktarılması gibi. 15:08.970 --> 15:14.070 ki bu özelliklerin elbette floppy ear veya whisker gibi anlamı yok. 15:14.070 --> 15:14.900 Ve tabii 15:15.210 --> 15:21.860 Aynı zamanda, belirli bir sınıfın ayırt edici bir özelliği oldukları ve ağın nasıl eğitildiği 15:21.870 --> 15:27.270 bazı özel özelliklere sahipler çünkü arka yayılım süreci sırasında, özellik algılayıcılarını, bir 15:27.270 --> 15:33.750 özellik çıktı için işe yaramazsa, aynı şekilde ayarladığımızı da unutmamak istiyoruz muhtemelen göz ardı 15:33.750 --> 15:39.600 edilecek çünkü binlerce ve binlerce iterasyonla gerçekleşen bir ya da iki kat 15:39.600 --> 15:41.000 hikayesi bu olmuyor. 15:41.040 --> 15:46.620 ve bu nedenle, nöronların bu son katmanında günün sonunda, çok sayıda özellik 15:46.620 --> 15:52.830 veya özellik kombinasyonuna sahip olacaksınız. Gerçekten köpekleri ve kedileri temsil eden veya tanımlayan görüntü. 15:53.070 --> 15:59.730 Böylece zamanla ağ için işe yaramayan bir özellik dikkate alınmayacak ve özellik ile yer 15:59.730 --> 16:01.320 değiştirmesi yararlı olacaktır 16:01.710 --> 16:06.660 Ve o zaman, ağınız bir kez eğitildikten sonra, bu şekilde uygulanır. 16:06.660 --> 16:09.340 Bu gerçekleşecekse ağımızdaki eğitilmişiz gibi bir sonraki adım budur. 16:09.350 --> 16:13.020 Bu ağ uygulandığında ne olacağını görelim. 16:13.020 --> 16:15.660 Diyelim ki bir köpek imajını geçelim. 16:16.410 --> 16:20.340 Değerler belirli değerler elde ettiğimiz bir ağ üzerinden yayılır. 16:20.610 --> 16:26.880 ve kedi nöronları köpek imajına sahip olduklarını bilmiyorlar, burada bir köpek veya bir kedi olduğunu bilmiyorlar. 16:26.880 --> 16:28.470 Ve bu sefer köpek 16:28.470 --> 16:35.380 Bunun ne olduğunu bilmiyorlar ama burada gösterilen şeyleri dinlemeyi öğrendiler. 16:35.380 --> 16:35.660 Sağ. 16:35.670 --> 16:40.440 Köpeği dinlemeyi öğrendiler ve bu üç nörona kulak vererek bir kedi nöronu bu üçünü 16:40.440 --> 16:40.910 dinledi. 16:40.950 --> 16:44.850 Ve bu yüzden köpek nöronu bir iki üçe bakıyor ve bunların hepsinin oldukça yüksek olduğunu söylüyor. 16:44.940 --> 16:50.430 Bu yüzden, olasılık yüksek olacak, bu kedi nöronunun bu üçüne baktığı ve bu birinin oldukça 16:50.470 --> 16:53.670 yüksek olduğunu söyleyen bir köpek, ancak bunlar oldukça düşük. 16:53.670 --> 16:54.320 İlginç. 16:54.320 --> 16:56.990 Dolayısıyla, benim olasılığım 0 olacak. 05. 16:57.130 --> 16:58.950 Ve sonra ve işte. 16:58.980 --> 17:00.110 Ve tahmininizi burada alıyorsunuz. 17:00.120 --> 17:04.490 Bu yüzden bu sinir ağı için ilk tercihiniz köpek. 17:04.500 --> 17:06.900 İkinci tercih kedi ve o kadar çok. 17:06.900 --> 17:11.690 Yani cevap köpek ve aynı şey bir kedi imajını geçtiğinde gerçekleşir. 17:11.910 --> 17:16.580 Yeni değerler alırsınız ve bu değerin yüksek olmasına rağmen bu değerlerin düşük olduğunu görebilirsiniz. 17:16.770 --> 17:20.560 Ve kedi için Yüksekti, bu yüksekti ve bu biraz düşüktü. 17:20.670 --> 17:25.850 Dolayısıyla burada olma ihtimaliniz daha önce olduğu gibi olmayabilir, ancak hala yüzde 79'luk bir 17:25.860 --> 17:26.810 kedi olduğunu görebilirsiniz. 17:26.940 --> 17:30.230 Ve bu nedenle, sinir ağı o bir kedi olduğunu oylayacak. 17:30.270 --> 17:33.240 Ve temelde bütün sinir ağları onun bir kedi olduğu sonucuna varacaktır. 17:33.330 --> 17:40.710 Oylama, bu çocuklar için kullanılan bir terimdir, oysa son Lehre'ye bağlı olan bu nöronlar 17:40.710 --> 17:41.510 oy kullanırlar. 17:41.520 --> 17:42.810 Ve bunlar onların oyları. 17:42.870 --> 17:47.160 Ve yine argüman uğruna sadece 0 ile 1 arasında değerler koyuyoruz. 17:47.160 --> 17:54.480 Bunlar herhangi bir değer olabilir ancak oy kullanırlar ve bu ağırlıklar oylarının önemidir. 17:54.480 --> 18:00.540 İşte bu, bu mor ağırlıklar köpek nöronunun oylarını nasıl gördükleri. 18:00.540 --> 18:04.820 Bu nöronlara ve o oylara ne kadar önem verilir. 18:04.830 --> 18:12.810 Kedinin nöronunun bu oylara oranının ne kadar önemli olduğu bu nöronların oylarıdır ve bu nedenle bu nöronlar kimin ne 18:12.810 --> 18:18.840 dinleyeceğine karar verdiği ağırlıkları öğrendiklerine dayanarak köpeğe ve kediye oy verirler ve daha sonra 18:18.840 --> 18:23.490 tahminlerini yapar ve sonra tutarlar sinir ağı bu durumda bir kedi 18:23.490 --> 18:29.190 olduğuna karar verir ve sonra budur Ve sonuçta bu sizin sonucunuz ve bunun gibi, 18:29.490 --> 18:37.200 nasıl bir çita bulunduğunuzda görüntü elde ederseniz, o zaman yüksek bir olasılık gibi bildiğiniz bir çita pençeleriniz var 18:37.200 --> 18:40.080 Yani bu şebekenin tahmin ettiği ihtimali biliyorsun. 18:40.080 --> 18:44.430 Ve bunlar kanunlar ama bunlar hala var, çünkü hala diğer nöronların 18:44.430 --> 18:49.710 da seçmenlerini dinledikleri küçük bir şansa benziyorlar ve belki aslında bir leopar ve 18:49.710 --> 18:50.580 mermi treni. 18:50.580 --> 18:51.400 Çok muhtemel. 18:51.400 --> 18:52.470 Makas duyuyorum 18:52.470 --> 18:57.600 nöronu seçmenlerini dinleyen makyaj nöronunu görebiliyordu ve genel oylamada baskın oyu vardı. 18:57.600 --> 19:03.960 Bunu biliyorsunuz, ancak el camı çok yakın bir ikinci ve beşli piyes stetoskopuydu çünkü 19:03.960 --> 19:07.070 bu adam gibi bu nöron çıktı serisi 19:07.080 --> 19:10.190 Ancak el camının da iyi bir sonucu vardı. 19:10.200 --> 19:16.450 Dolayısıyla, tam bağlantının işleyiş şekli işte böyle ve tüm bunların hepsi birlikte oynuyor. 19:16.680 --> 19:18.810 Umarım bugünkü eğitimden hoşlanıyordur. 19:18.810 --> 19:21.320 Bunların hepsini de özette özetleyeceğiz. 19:21.420 --> 19:22.860 Ve bir dahaki görüşürüz. 19:22.860 --> 19:24.720 O zamana kadar derinlemesine öğrenmenin tadını çıkarın.