WEBVTT 00:00.420 --> 00:07.320 Was Allison wissen sollte, was Sie sagen, ich weiß nicht, welches Internet dieser riesige Computer ist. 00:07.380 --> 00:10.870 War derjenige, der jetzt wirklich groß wird. 00:11.010 --> 00:11.400 Was meinst du. 00:11.440 --> 00:16.350 Das ist genau das, was Sie wissen, worauf Sie schreiben, und ich weiß nicht, dass viele Leute es verwenden und kommunizieren. 00:16.410 --> 00:18.960 Ich denke, dass sie mit ABC-Autoren und Produzenten kommunizieren können. 00:18.960 --> 00:21.180 Allison, kannst du erklären, was Internet ist, 00:29.140 --> 00:30.590 wie toll das ist. 00:30.670 --> 00:34.470 Vor etwas mehr als 20 Jahren wussten die Leute gar nicht, was das Internet war. 00:34.510 --> 00:37.260 Und heute können wir uns nicht einmal vorstellen, dass unser Leben dafür ist. 00:37.300 --> 00:39.560 Willkommen bei den Personen, die ETAs auf diesem Weg verdienen. 00:39.580 --> 00:44.800 Mein Name ist Cora Menko und zusammen mit dem Auftragnehmer hatte Lunda Pontmercy es toll, Sie an Bord 00:44.800 --> 00:45.570 zu haben. 00:45.610 --> 00:51.670 Und heute geben wir Ihnen einen schnellen Überblick darüber, was beklagend ist und warum es gerade jetzt 00:51.670 --> 00:52.300 ankommt. 00:52.300 --> 00:53.590 Also lasst uns anfangen. 00:53.590 --> 00:57.640 Warum haben wir uns diesen Clip angesehen und was ist dieses Foto hier? 00:57.670 --> 01:00.310 Nun, der Clip war von 1994. 01:00.310 --> 01:03.110 Dies ist ein Foto eines Computers von 1980. 01:03.220 --> 01:09.490 Der Grund, warum wir ein bisschen in die Geschichte eintauchen, ist, dass neuronale Netzwerke zusammen 01:09.490 --> 01:15.670 mit tiefem Lernen bereits seit geraumer Zeit existieren und erst jetzt angefangen haben, die Welt 01:15.670 --> 01:16.640 zu beeinflussen. 01:16.750 --> 01:22.510 Aber wenn Sie sich die 80er Jahre ansehen, werden Sie feststellen, dass sie, obwohl sie in 01:22.510 --> 01:30.760 den 60er und 70er Jahren erfunden wurden, wirklich auf einen Trend aufmerksam geworden sind oder den kalten Wind in den 80er Jahren genannt haben. 01:30.760 --> 01:35.890 In diesem Bereich wurde viel geforscht, und alle dachten, dass tiefes Lernen 01:35.890 --> 01:41.830 oder neuronale Netzwerke diese neue Sache sind, die sich auf die Welt auswirken wird. 01:41.860 --> 01:46.060 Alles wird alle Weltprobleme lösen im nächsten Jahrzehnt aus. 01:46.080 --> 01:51.210 Was also geschah, warum haben die neuronalen Netzwerke die Welt nicht überlebt und nicht 01:51.200 --> 01:51.750 verändert? 01:51.940 --> 01:57.220 Der Grund dafür, dass sie einfach nicht gut genug waren, dass sie nicht so gut im Voraussagen 01:57.270 --> 02:02.320 von Dingen sind, ist nicht so gut im Modellieren und unordentlich, nur keine gute Erfindung. 02:02.350 --> 02:03.400 Oder gibt es einen anderen Grund? 02:03.400 --> 02:08.410 Tatsächlich gibt es einen anderen Grund und der Grund liegt vor uns in der 02:08.410 --> 02:15.640 Tatsache, dass die Technologie damals nicht den richtigen Standard für die Erleichterung neuronaler Netzwerke bot, damit neuronale Netzwerke und tiefes 02:15.700 --> 02:17.130 Lernen richtig funktionieren. 02:17.140 --> 02:21.880 Sie benötigen zwei Dinge, die Sie für Daten benötigen, und Sie benötigen viele Daten. Sie benötigen Rechenleistung. Sie benötigen 02:21.880 --> 02:25.960 leistungsfähige Computer, um diese Daten zu verarbeiten und zu vereinfachen. Sie wissen, dass dies funktioniert. 02:25.990 --> 02:32.900 Schauen wir uns also an, wie sich Daten oder Speicherung von Daten im Laufe der Jahre entwickelt haben, und dann schauen wir uns 02:32.900 --> 02:34.880 an, wie sich Technologie entwickelt hat. 02:34.880 --> 02:39.350 Also hier gehts drei Jahre 1956 bis 1980 2017. 02:39.830 --> 02:43.220 Wie viel sah der Speicher 1956 aus? 02:43.280 --> 02:47.600 Nun, es gibt eine Festplatte und diese Festplatte ist nur fünf. 02:47.750 --> 02:54.980 Warten Sie auf eine Megabyte-Festplatte. Auf dem Gabelstapler sind genau fünf Megabyte von der Größe eines kleinen 02:54.980 --> 03:01.040 Raums, in dem eine Festplatte an einen anderen Ort im Flugzeug transportiert wird. 03:01.370 --> 03:04.670 Und so sah die Lagerung im aus. 03:04.700 --> 03:11.360 1956 musste man zahlen, dass eine Firma zweieinhalbtausend Dollar dieser Tage bezahlen musste, um diese Festplatte zu mieten, um 03:11.390 --> 03:16.400 sie zu mieten, ohne sie zu kaufen oder für einen Monat zu mieten. 03:16.400 --> 03:18.760 1980 hat sich die Situation etwas verbessert. 03:18.800 --> 03:24.290 Also hier haben wir eine 10-Megabyte-Festplatte für dreieinhalbtausend Dollar, die immer noch sehr teuer ist und nur 03:24.290 --> 03:27.260 10 Megabyte. Das ist also heutzutage wie ein Foto. 03:27.260 --> 03:36.840 Und heute haben wir 2017 eine 256-Gigabyte-SD-Karte für 150 US-Dollar, die auf Ihren Finger passt. 03:37.100 --> 03:43.790 Und wenn Sie sich dieses Video ein Jahr später oder wie 2019 oder 2025 ansehen, lachen Sie wahrscheinlich alle 03:43.790 --> 03:47.240 zu uns, denn dann haben Sie noch mehr Speicherkapazität. 03:47.240 --> 03:52.910 Es ist jedoch der Punkt, wenn wir sie auf breiter Front miteinander vergleichen 03:52.910 --> 03:58.370 und sogar Preis und Größe berücksichtigen, nur die Kapazität der aktuellen Trends. 03:58.370 --> 04:04.090 So stieg die Kapazität von 1956 bis 1980 etwa um das Doppelte. 04:04.250 --> 04:12.380 Und dann stieg es um das fünfundzwanzigtausendsechshundertfache und das Wissen, dass die Länge der Periode von 1956 04:12.380 --> 04:20.210 bis 1980 24 Jahre von 1980 bis 2013 siebenunddreißig Jahre nicht so verschieden ist, also nicht so 04:20.210 --> 04:24.610 viel Zeitgewinn, aber einen gewaltigen Sprung technologischen Fortschritt. 04:24.890 --> 04:28.220 Und das zeigt, dass dies kein linearer Trend ist. 04:28.220 --> 04:33.830 Dies ist ein exponentielles technologisches Wachstum, und wenn wir den Preis und die 04:33.910 --> 04:37.090 Größe berücksichtigen, werden Sie in Millionenhöhe wachsen. 04:37.280 --> 04:40.540 Und hier haben wir eigentlich eine logarithmische Tabelle. 04:40.640 --> 04:46.290 Wenn wir also die Kosten für die Festplatte pro Gigabyte plotten, werden Sie feststellen, dass dies ungefähr so aussieht. 04:46.430 --> 04:49.880 Wir nähern uns sehr schnell Null. 04:49.910 --> 04:54.200 Jetzt können Sie Speicher für Dropbox und Google Drive erhalten, was Sie nichts kostet. 04:54.200 --> 05:01.280 Cloud Storage und das wird weitergehen, und im Laufe der Jahre wird es sogar noch weiter gehen. 05:01.280 --> 05:05.860 Derzeit untersuchen Wissenschaftler die Verwendung von DNA für die Speicherung. 05:05.960 --> 05:13.720 Und im Moment ist es ziemlich teuer, dass es 7000 Dollar kostet, zwei Megabytes an Daten zu synthetisieren, und 2004 ein weiterer 05:13.730 --> 05:15.210 Gedanke, sie zu lesen. 05:15.230 --> 05:19.670 Aber diese Art erinnert Sie an diese ganze Situation der Festplatte und an das Flugzeug, von 05:19.670 --> 05:24.590 dem Sie wissen, dass dies mit dieser exponentiellen Kurve sehr schnell abgemildert werden wird. In 10 bis 10 Jahren 05:24.590 --> 05:28.590 in nun 20 Jahren werden alle DNA-Speicher verwenden, wenn Wir gehen in diese Richtung. 05:28.660 --> 05:33.770 Und hier sind einige Statistiken dazu, damit Sie es weiter erkunden können. Unterbrechen Sie die Pause des Videos, wenn 05:33.770 --> 05:35.360 Sie mehr darüber lesen möchten. 05:35.360 --> 05:36.890 Dies ist von der Natur dot com. 05:37.040 --> 05:44.990 Grundsätzlich können Sie alle Daten der Welt in nur einem Kilogramm und einem Kilogramm DNA-Speicher speichern oder 05:44.990 --> 05:49.350 etwa 1 Milliarde Terabyte Daten in einem Gramm DNA-Speicher. 05:49.350 --> 05:56.150 Das ist nur etwas, um zu zeigen, wie schnell wir vorankommen und dass deshalb tiefgreifendes Lernen gerade jetzt an Bedeutung 05:56.150 --> 06:02.840 gewinnt, wenn wir endlich an der Stufe sind, an der wir genug Daten haben, um super coole, hoch entwickelte 06:02.840 --> 06:04.280 Modelle zu trainieren. 06:04.280 --> 06:08.350 Damals in den 80ern, als ich Saft zuerst erfunden hatte, war das einfach nicht der Fall. 06:08.690 --> 06:15.740 Und das zweite, worüber wir gesprochen haben, ist die Verarbeitungskapazität. Hier haben wir wieder eine exponentielle Kurve 06:16.460 --> 06:17.850 im logarithmischen Maßstab. 06:17.850 --> 06:23.840 Es ist im Idealfall hier dargestellt, aber auf der rechten Seite, weil es eine Protokollskala ist und sich Computer so entwickelt 06:23.840 --> 06:24.410 haben. 06:24.410 --> 06:30.530 Fühlen Sie sich also frei, die Folie zu posten. Dies wird Moore's Law genannt. Sie haben wahrscheinlich davon 06:30.530 --> 06:34.120 gehört, wie schnell sich die Verarbeitungskapazität von Computern entwickelt hat. 06:34.310 --> 06:39.920 Jetzt sind wir hier irgendwo, wo ein durchschnittlicher Computer für tausend Dollar kaufen 06:39.920 --> 06:47.960 kann, denkt mit der Geschwindigkeit des Gehirns einer Ratte und zwischen zwei und fünf wird die Geschwindigkeit eines Menschen sein 06:48.470 --> 06:54.740 oder 20.23 Uhr und dann bis 2050 oder 2045 es wird alle Menschen zusammen überbieten. 06:54.740 --> 07:01.610 Im Grunde treten wir in die Ära der Computer ein, die extrem leistungsfähig sind und Dinge 07:01.610 --> 07:05.670 schneller verarbeiten können, als wir uns dann vorstellen können. 07:05.720 --> 07:08.490 Und das erleichtert das Lernen. 07:08.600 --> 07:14.510 All dies bringt uns zu der Frage, 07:14.510 --> 07:18.390 was tiefes Lernen ist. 07:18.410 --> 07:20.490 Und Sie haben wahrscheinlich ein Bild oder so etwas gesehen. 07:20.570 --> 07:21.590 Lass uns also eintauchen. 07:21.590 --> 07:29.140 Was ist das tiefgehende Lernen dieses Gentlemans hier Jeffrey Hinton ist als der Pate der tiefen Sache bekannt. 07:29.350 --> 07:37.030 Und er hat in den 80er Jahren tiefes Lernen erforscht, und er hat eine Menge Arbeit geleistet, viele 07:37.030 --> 07:41.370 Forschungsarbeiten, die er gerade im tiefen Lernen veröffentlicht hat. 07:41.370 --> 07:42.920 Er arbeitet bei Google. 07:43.030 --> 07:47.770 Viele der Dinge, über die wir sprechen werden, stammen also tatsächlich von Jeffrey Hinton, und Sie können viel 07:47.770 --> 07:48.260 sehen. 07:48.300 --> 07:49.840 Er hat einige YouTube-Videos. 07:49.840 --> 07:53.930 Er erklärt die Dinge wirklich gut, daher empfehle ich dringend, sie auszuprobieren. 07:54.130 --> 07:59.140 Hinter dem tiefen Lernen steht der Gedanke, das menschliche Gehirn zu betrachten. 07:59.140 --> 08:01.710 Und dieser Typ wird einiges an Neurowissenschaft sein. 08:01.750 --> 08:09.370 In diesen Lernprogrammen versuchen wir, die Funktionsweise des menschlichen Gehirns nachzuahmen. 08:09.400 --> 08:13.300 Und Sie wissen, wir wissen nicht so viel, dass Sie nicht alles über das menschliche Gehirn wissen, aber über 08:13.300 --> 08:16.730 diesen kleinen Mann, von dem wir alle wissen, dass wir ihn nachahmen und neu erstellen wollen. 08:16.730 --> 08:17.230 Und warum ist das. 08:17.230 --> 08:21.970 Nun, denn das menschliche Gehirn scheint eines der leistungsfähigsten Werkzeuge auf diesem Planeten zu 08:22.300 --> 08:28.690 sein, um zu lernen, wie man Fertigkeiten anpasst und sie dann anwendet. Wenn Computer das kopieren könnten, könnten wir 08:28.990 --> 08:32.980 einfach nutzen, was die natürliche Selektion bereits für uns entschieden hat. 08:32.980 --> 08:37.840 Alle diese Algorithmen, die es entschieden hat, sind die besten, die das nutzen werden. 08:37.840 --> 08:39.750 Warum die Fahrradtour neu erfinden? 08:39.880 --> 08:41.700 Mal sehen, wie das funktioniert. 08:41.710 --> 08:50.260 Hier haben wir einige Neuronen, also diese Neuronen, die auf Glas geschmiert und dann unter einem Mikroskop mit 08:50.260 --> 08:52.210 etwas Farbe betrachtet wurden. 08:52.270 --> 08:57.310 Und so sieht man, wie sie aussehen, also haben sie wie ein Körper sie haben diese Äste 08:57.310 --> 09:02.700 und sie haben wie Schwänze und so und so kann man sie sehen wie sie einen Kern in der 09:02.710 --> 09:06.940 Mitte haben, und genau das sieht ein Neuron aus wie im menschlichen Gehirn. 09:06.970 --> 09:12.310 Es gibt ungefähr 100 Milliarden Neuronen zusammen, also handelt es sich um einzelne Neuronen. Dies sind 09:12.310 --> 09:17.380 eigentlich Motoneuronen, da sie größer sind und sie leichter zu sehen sind. Trotzdem gibt 09:17.470 --> 09:19.740 es im Gehirn 100 Milliarden Neuronen. 09:20.000 --> 09:23.920 Und es ist mit bis zu tausend seiner Nachbarn verbunden. 09:23.920 --> 09:26.590 Um Ihnen ein Bild zu geben, sieht es so aus. 09:26.590 --> 09:32.140 Dies ist ein tatsächlicher Datenabschnitt des menschlichen Gehirns. 09:32.140 --> 09:38.950 Und dies ist das Kleinhirn, das sich hinten im Gehirn befindet. 09:38.950 --> 09:47.140 Es ist für mehr Torex verantwortlich, und Sie wissen, dass Sie ein Gleichgewicht haben und einige Sprachfähigkeiten und so 09:47.140 --> 09:47.680 etwas. 09:47.680 --> 09:57.460 Das ist also nur um zu zeigen wie Vorst. Wie viele Neuronen gibt es wie Milliarden, 09:57.460 --> 10:02.770 Milliarden und Milliarden von Neuronen, die alle miteinander 10:02.770 --> 10:04.780 in Verbindung treten. 10:04.910 --> 10:08.350 Das ist es, was wir versuchen werden, neu zu erstellen. 10:08.350 --> 10:11.700 Wie können wir das also in einem Computer neu erstellen? 10:11.890 --> 10:20.200 Nun, wir erstellen eine künstliche Struktur, ein künstliches neuronales Netz, in dem wir Knoten oder Neuronen haben, und wir werden einige 10:20.590 --> 10:26.500 Neuronen als Eingabewert haben. Diese Werte sind also Werte, die Sie über eine bestimmte Situation 10:26.500 --> 10:27.340 kennen. 10:27.340 --> 10:32.080 Sie modellieren zum Beispiel etwas, das Sie vorhersagen möchten, und Sie könnten immer etwas Eingaben haben, 10:32.080 --> 10:33.310 um etwas zu beginnen. 10:33.310 --> 10:36.740 Ihre Vorhersage ist aus, dann wird dies als Eingabeebene bezeichnet. 10:36.820 --> 10:38.100 Dann haben Sie die Ausgabe. 10:38.140 --> 10:43.780 Das ist also von Wert, den Sie vorhersagen möchten oder es ist überraschend, ob jemand die Bank 10:43.930 --> 10:45.980 verlässt oder in der Bank bleibt. 10:46.260 --> 10:50.530 Ist dies eine betrügerische Transaktion, handelt es sich um eine echte Transaktion usw. 10:50.890 --> 10:52.420 Das wird also niedriger ausgegeben. 10:52.540 --> 10:55.330 Und dazwischen haben wir eine versteckte Schicht. 10:55.330 --> 11:01.600 Wie Sie also in Ihrem Gehirn sehen konnten, haben Sie so viele Neuronen, dass Informationen durch Ihre Augen 11:01.600 --> 11:04.990 und die Nase kommen, also im Grunde Ihre Sinne. 11:05.140 --> 11:10.210 Und dann geht es nicht einfach nur um die Ausgabe, bei der das Ergebnis all diese Milliarden und 11:10.240 --> 11:15.130 Milliarden von Neuronen durchläuft, bevor die Ausgabe erraten wird. Dies ist das gesamte Konzept, das dahinter steht, dass 11:15.130 --> 11:17.050 wir das Gehirn modellieren werden . 11:17.050 --> 11:23.170 Wir brauchen also diese verborgenen Schichten, die vor der Ausgabe vorhanden sind, so dass die Eingabe-Lares-Neuronen mit einer 11:23.170 --> 11:26.580 verborgenen Schicht verbunden sind, die Neuronen mit der Ausgabe verbinden. 11:26.880 --> 11:29.280 Das ist also ziemlich cool. 11:29.290 --> 11:30.550 Aber worum geht es? 11:30.550 --> 11:34.040 Wo ist das tiefe Lernen hier oder warum heißt es tiefer nichts tiefer hier drinnen. 11:34.090 --> 11:41.090 Während dies eine Art Option ist, die man als flaches Lernen bezeichnen könnte, wo nicht viel los 11:41.110 --> 11:41.890 ist. 11:41.890 --> 11:43.400 Aber warum nennt man es Ablehnung. 11:43.420 --> 11:50.020 Nun, weil wir das nun auf die nächste Ebene bringen, trennen wir es noch weiter und 11:50.020 --> 11:58.180 wir haben nicht nur einen Treffer und da haben wir viele, viele, viele versteckte Schichten und dann verbinden wir 11:58.180 --> 12:01.930 alles wie im menschlichen Gehirn alles miteinander verbunden. 12:01.930 --> 12:08.660 Und so werden die Eingabewerte wie im menschlichen Gehirn durch alle diese verborgenen Schichten verarbeitet. 12:08.770 --> 12:12.380 Dann haben wir einen Ausgabewert und jetzt reden wir über tiefes Lernen. 12:12.460 --> 12:15.910 Darum geht es beim Lernen auf einer sehr abstrakten Ebene. 12:15.940 --> 12:21.180 Und die weiteren Tutorials, die wir analysieren und tief in das tiefe Lernen eintauchen werden, und am Ende 12:21.180 --> 12:26.480 werden Sie wissen, worum es bei der Planung geht, und Sie wissen, wie sie in Ihren Projekten angewendet werden. 12:26.500 --> 12:31.910 Ich freue mich sehr auf dieses Warten und ich freue mich auf das nächste Tutorial. 12:31.950 --> 12:33.700 Bis dahin tiefes Lernen genießen.