WEBVTT 00:00.820 --> 00:03.980 Merhaba ve yapay zeka dersine tekrar hoş geldiniz. 00:04.060 --> 00:08.550 Ve günümüz bölümü, derin konvolüyonlu CULE öğrenimiyle başa çıkacağız. 00:08.550 --> 00:14.860 Bu nedenle derin bir öğrenme daha ileri bir adım atıyoruz, bu nedenle basit öğrenmeyi kazanmak için 00:14.860 --> 00:15.650 serinlemeye başladık. 00:15.670 --> 00:20.840 Sonra bunu derin öğrenmeye götürdük ve şimdi çok derin konvolümantasyon öğreniyoruz. 00:20.920 --> 00:23.960 Öyleyse sezgiler açısından tartışacağımız şey nedir görelim. 00:24.010 --> 00:26.200 Farklı bölümler oldukça hızlı olacak. 00:26.260 --> 00:33.730 olduğumuz sürece eklememiz gereken çok şey yok ve bu davanın sonunda bu davaya değineceğiz. 00:33.730 --> 00:35.940 Konvansiyonel sinir ağlarına aşina 00:36.130 --> 00:41.770 Bu nedenle bugün bu bölümde, derin ilişkilerin şeylerin ardındaki sezgiyi 00:41.770 --> 00:49.960 öğrenme ve bunun neden o kadar güçlü olduğunu konuşacağız; tam da neden derin Kule öğreniminden 00:49.960 --> 00:56.500 uzaklaşmanın önemli olduğunu ve neden derin öğrenmenin sadece bir derin ilişki öğrenme 00:56.560 --> 01:01.710 posterlerinde adım atabilir ve ne tür yollar bulabiliriz Lucian kıvrımlı 01:01.740 --> 01:07.020 CULE öğrenimi, bilginin hangi yollara açıldığına ve nereye uygulanabileceğine açılır. 01:07.480 --> 01:11.590 Buna bazı örneklerimiz olacak ve sonra uygunluk hakkında konuşacağız. 01:11.590 --> 01:19.740 Derin öğrenme kavramının tamamına çok güçlü bir katkı olduğunu öğrenin veya bitirin. 01:19.810 --> 01:21.820 Ardından sezgi hakkında konuşacağız. 01:21.820 --> 01:26.140 Oldukça karmaşık bir konudur, ancak yine de 01:26.620 --> 01:32.350 sezgiyi oldukça basit terimlerle parçalayacağız ve daha ayrıntılı bir şekilde 01:32.350 --> 01:37.120 girmek isterseniz Tracy uygunluğunu okuyabileceğiniz bazı ek referanslar 01:37.120 --> 01:43.510 vereceğiz ancak önemli sezgiyi patlamak için bize bunu pratikte kullanacağız, çünkü 01:43.510 --> 01:53.260 artık çok daha karmaşık konulara giriyoruz, çünkü ekstra veya ekstra unsurları ajanlarımıza veya öğrenme algoritmalarımıza eklemek zorundayız. 01:53.260 --> 01:58.100 böylece bu karmaşık ortamları gerçekten işleyebilir ve başarıyla gezinebilirler. 01:58.510 --> 02:05.380 bahsediyoruz çünkü konvolusyonel sinir ağlarına bir x sayısını kontrol etmeniz önerilir. 02:05.380 --> 02:09.300 Ve elbette bu bölümde, konvolüsyonel sinir ağlarından 02:09.340 --> 02:15.460 Derin bir öğrenme bağımsızlığını tabii ki yaparsanız bir kez daha, bu bilgileri 02:15.640 --> 02:21.510 zaten biliyorsunuz, böylece derin duygusal Kule öğreniminde bu öğreticilere güvenle devam edebilirsiniz. 02:21.580 --> 02:27.790 Tabii ki derin öğrenme özelliklerini yapmadıysanız, konvolüsyonel sinir ağlarına bakmak ve bu sezgilere 02:27.790 --> 02:29.540 bakmak harika bir fikirdir. 02:29.540 --> 02:36.820 ve özelliklerini aramak için tüm konvolüm katmanları Lares'i düzleştiren katmanları bir araya getiriyor ve bunların 02:36.820 --> 02:44.290 hepsi, çevreyi tanımlayan bazı parametreleri ortaya çıkarmak için nasıl çalıştığını anlatıyor. ya da bu görüntüyü 02:44.320 --> 02:51.190 açıklayan ve bu nedenle bunları, bahsettiğimiz vektör yerine sinir ağlarımıza girdi olarak kullanacağımız anlamına gelir. 02:51.190 --> 02:56.710 Charles burada, görüntüleri sinir ağları tarafından iş aramak için nasıl işlediğini 02:56.710 --> 02:58.300 daha iyi anladınız 02:58.300 --> 03:00.020 Ancak bir sonraki öğreticide daha fazlası. 03:00.040 --> 03:06.610 Bu kontrolleri henüz görmediyseniz, Cullerton illüzyonel sinir ağları ile ilgili bilgiyi hızlandırmak 03:06.640 --> 03:10.460 veya yenilemek için onları kontrol etmenizi öneririz. 03:10.480 --> 03:16.180 Sonuç olarak heyecan verici bir bölümümüz var ve gördüğünüz gibi, birçok sezgiselliği Tournelles'in 03:16.180 --> 03:16.850 anlamını biliyorsunuz. 03:17.140 --> 03:21.860 Her şeyin pratik yüzüne çok hızlı bir şekilde atabilirsiniz. 03:22.210 --> 03:24.430 Bu not üzerinde ben her zaman ilk ders görmüştüm. 03:24.440 --> 03:26.660 Ve o zamana kadar AI zevk.