WEBVTT

00:00.820 --> 00:03.980
สวัสดีและยินดีต้อนรับกลับสู่หลักสูตรเกี่ยวกับปัญญาประดิษฐ์

00:04.060 --> 00:08.550
และในส่วนของวันนี้เราจะจัดการกับการเรียนรู้ด้วยการสนทนาอย่างลึกซึ้ง

00:08.550 --> 00:15.650
ดังนั้นเราจึงเรียนรู้อย่างลึกซึ้งยิ่งขึ้นไปอีกแม้กระทั่งขั้นตอนต่อไปดังนั้นเราจึงเริ่มที่จะได้รับการเรียนรู้อย่างง่าย

00:15.670 --> 00:20.840
จากนั้นเราก็นำสิ่งนั้นไปสู่การเรียนรู้ที่ลึกซึ้งและตอนนี้เรากำลังเรียนรู้ที่ซับซ้อนมาก

00:20.920 --> 00:23.960
ลองมาดูกันว่าเราจะพูดคุยกันในเรื่องของสัญชาตญาณ

00:24.010 --> 00:26.200
ส่วนต่างๆจะค่อนข้างเร็ว

00:26.260 --> 00:35.940
มีไม่มากที่เราต้องเพิ่มตราบใดที่เราคุ้นเคยกับเครือข่ายประสาทเทียมและเราจะสัมผัสถึงสิ่งนี้ในตอนท้ายของการทดลองนี้

00:36.130 --> 00:49.960
ดังนั้นวันนี้ในส่วนนี้เราจะพูดถึงการเรียนรู้ความสัมพันธ์ที่ลึกซึ้งเกี่ยวกับสัญชาตญาณเบื้องหลังสิ่งต่าง ๆ และทำไมมันจึงทรงพลังว่าทำไมมันจึงสำคัญที่จะต้องย้ายออกจากการเรียนรู้ลึก Kule และทำไมการเรียนรู้ลึกเป็นเพียงพื้นฐานการสร้าง

00:49.960 --> 00:56.500
ขั้นตอนสำหรับเราในการโพสต์ไปสู่การเรียนรู้ที่มีความสัมพันธ์ลึกซึ้งและประเภทใดของลู่ทางที่ลึกล้ำสามารถเรียนรู้ลูเซียน

00:56.560 --> 01:07.020
Convolutional CULE เปิดขึ้นกับประเภทของความรู้ที่เปิดกว้างขึ้นและสามารถนำไปใช้ที่ไหน

01:07.480 --> 01:11.590
เราจะมีตัวอย่างบางส่วนจากนั้นเราจะพูดถึงคุณสมบัติที่เหมาะสม

01:11.590 --> 01:19.740
ติดตามหรือสิ้นสุดขั้นตอนการเรียนรู้นอกจากนี้ที่มีประสิทธิภาพมากกับแนวคิดทั้งหมดของการเรียนรู้ลึก

01:19.810 --> 01:21.820
และเราจะพูดถึงสัญชาตญาณเบื้องหลัง

01:21.820 --> 01:32.350
เป็นหัวข้อที่ค่อนข้างซับซ้อน

01:32.350 --> 01:43.510
แต่อย่างไรก็ตามเราจะแยกแยะสัญชาตญาณในแง่ที่ค่อนข้างง่ายและจากนั้นฉันจะให้การอ้างอิงเพิ่มเติมที่คุณสามารถอ่านข้อมูลเกี่ยวกับคุณสมบัติของ Tracy หากคุณต้องการทราบรายละเอียดเพิ่มเติม

01:43.510 --> 01:58.100
แต่สำคัญ สำหรับเราที่จะได้รับปรีชาญาณลงเพราะเราจะใช้มันในแง่การปฏิบัติเพราะเราเจาะลึกหัวข้อที่ซับซ้อนมากขึ้นตอนนี้เราต้องเพิ่มองค์ประกอบพิเศษหรือพิเศษเหล่านี้ให้กับตัวแทนของเราหรืออัลกอริทึมการเรียนรู้ของเรา เพื่อให้พวกเขาสามารถจัดการกับสภาพแวดล้อมที่ซับซ้อนเหล่านี้และนำทางพวกเขาได้สำเร็จ

01:58.510 --> 02:05.380
และแน่นอนในส่วนนี้เพราะเรากำลังพูดถึงเครือข่ายประสาทเทียมแนะนำให้คุณตรวจสอบหมายเลข x

02:05.380 --> 02:09.300
ไปยังเครือข่ายประสาทเทียม

02:09.340 --> 02:15.460
อีกครั้งถ้าคุณทำหลักสูตรการเรียนรู้อย่างลึกซึ้งแล้วคุณก็คุ้นเคยกับข้อมูลนี้อยู่แล้วเพื่อให้คุณสามารถดำเนินการกับบทเรียนเหล่านี้อย่างปลอดภัยเกี่ยวกับการเรียนรู้ Kule

02:15.640 --> 02:21.510
ทางอารมณ์

02:21.580 --> 02:29.540
หากคุณยังไม่ได้เรียนรู้เกี่ยวกับการเรียนรู้อย่างลึกล้ำแน่นอนว่าเป็นความคิดที่ดีที่จะดูเครือข่ายประสาทเทียมและดูสัญชาติญาณเหล่านั้น

02:29.540 --> 02:36.820
ชาร์ลส์ที่นั่นเพื่อให้คุณเข้าใจได้ดียิ่งขึ้นว่าภาพถูกประมวลผลโดยโครงข่ายประสาทเพื่อค้นหาคุณสมบัติและอะไรคือสิ่งที่เลเยอร์

02:36.820 --> 02:44.290
convolutional ทั้งหมดเกี่ยวกับการรวมกลุ่ม

02:44.320 --> 02:58.300
Lares เลเยอร์แบนและวิธีการทำงานทั้งหมดเพื่อหาพารามิเตอร์บางอย่างเกี่ยวกับสภาพแวดล้อม หรือนั่นอธิบายภาพนั้นดังนั้นเราจะใช้มันเป็นอินพุตในเครือข่ายประสาทของเราแทนที่จะเป็นเวกเตอร์ที่เรากำลังพูดถึง

02:58.300 --> 03:00.020
แต่เพิ่มเติมเกี่ยวกับที่ในการกวดวิชาต่อไป

03:00.040 --> 03:10.460
ดังนั้นหากคุณยังไม่เห็นการควบคุมเหล่านั้นเราจะแนะนำให้คุณตรวจสอบพวกมันเพื่อให้เร็วขึ้นด้วยหรือรีเฟรชความรู้ในเครือข่ายประสาทเทียมของ Cullerton

03:10.480 --> 03:16.850
โดยรวมแล้วเรามีหัวข้อที่น่าตื่นเต้นและคุณจะเห็นได้ว่าสัญชาตญาณ Tournelles มีความหมายมากมายเท่าที่คุณสามารถทำได้

03:17.140 --> 03:21.860
คุณจะสามารถกระโดดเข้าสู่ด้านการปฏิบัติของสิ่งต่าง ๆ ได้อย่างรวดเร็ว

03:22.210 --> 03:24.430
ดังนั้นในบันทึกย่อนั้นฉันได้เห็นบทช่วยสอนแรกเสมอ

03:24.440 --> 03:26.660
และจนกว่าจะสนุกกับ AI