WEBVTT 00:00.420 --> 00:07.320 Che cosa dovrebbe sapere Allison, cosa stai dicendo? Non so che Internet sia un enorme computer. 00:07.380 --> 00:10.870 Era quello che sta diventando davvero grande ora. 00:11.010 --> 00:11.400 Cosa intendi. 00:11.440 --> 00:16.350 Questo è solo quello che sai cosa scrivi a quello che non so che molte persone lo usano e comunicano. 00:16.410 --> 00:18.960 Immagino che possano comunicare con scrittori e produttori della NBC. 00:18.960 --> 00:21.180 Allison puoi spiegare che 00:29.140 --> 00:30.590 Internet è incredibile. 00:30.670 --> 00:34.470 Poco più di 20 anni fa la gente non sapeva nemmeno cosa fosse Internet. 00:34.510 --> 00:37.260 E oggi non possiamo nemmeno immaginare che le nostre vite siano per questo. 00:37.300 --> 00:39.560 Benvenuto alla gente che guadagna gli ETA in quel modo. 00:39.580 --> 00:44.800 Il mio nome è Cora Menko e insieme all'appaltatore Lunda Pontmercy era super entusiasta di averti 00:44.800 --> 00:45.570 a bordo. 00:45.610 --> 00:51.670 E oggi vi forniremo una rapida panoramica di ciò che deploriamo e perché si sta verificando in 00:51.670 --> 00:52.300 questo momento. 00:52.300 --> 00:53.590 Quindi iniziamo. 00:53.590 --> 00:57.640 Perché abbiamo dato un'occhiata a quella clip e cos'è questa foto qui. 00:57.670 --> 01:00.310 Bene, quella clip era del 1994. 01:00.310 --> 01:03.110 Questa è una foto del computer del 1980. 01:03.220 --> 01:09.490 E la ragione per cui abbiamo scavato un po 'nella storia un po' è perché le reti neurali insieme all'apprendimento profondo sono 01:09.490 --> 01:15.670 in circolazione da un bel po 'di tempo e hanno appena iniziato a prendere piede ora e hanno avuto un impatto sul 01:15.670 --> 01:16.640 mondo in questo momento. 01:16.750 --> 01:22.510 Ma se guardi indietro agli anni '80 vedrai che anche se sono stati inventati negli anni '60 01:22.510 --> 01:30.760 e '70 hanno davvero preso piede in una tendenza o hanno chiamato il vento freddo negli anni '80, quindi le persone parlano molto di loro. 01:30.760 --> 01:35.890 i problemi del mondo e hanno fatto un po 'di lentezza. fuori nel prossimo decennio. 01:35.890 --> 01:41.830 C'era molta ricerca in quell'area e tutti pensavano che l'apprendimento profondo o le reti neurali fossero questa nuova 01:41.860 --> 01:46.060 cosa che avrebbe avuto un impatto sul mondo cambierà tutto, risolverà tutti 01:46.080 --> 01:51.210 E quindi cosa è successo perché ha fatto perché le reti neurali non sono sopravvissute e non hanno cambiato il mondo 01:51.200 --> 01:51.750 con esso. 01:51.940 --> 01:57.220 Il motivo per cui non erano abbastanza bravi da non essere così bravi a predire 01:57.270 --> 02:02.320 le cose non sono così bravi a modellare e disordinati non è una buona invenzione. 02:02.350 --> 02:03.400 O c'è un'altra ragione. 02:03.400 --> 02:08.410 giusto per facilitare le reti neurali affinché le reti neuronali e il deep learning funzionassero correttamente. 02:08.410 --> 02:15.640 Beh, in realtà c'è un altro motivo e la ragione è che davanti a noi è il fatto che la tecnologia non 02:15.700 --> 02:17.130 era all'altezza dello standard 02:17.140 --> 02:21.880 Hai bisogno di due cose hai bisogno di dati e hai bisogno di molti dati e hai bisogno di potenza 02:21.880 --> 02:25.960 di elaborazione hai bisogno di computer potenti per elaborare quei dati e facilitare e sai che funziona. 02:25.990 --> 02:32.900 Diamo uno sguardo a come i dati o l'archiviazione dei dati si sono evoluti nel corso degli anni e poi vedremo 02:32.900 --> 02:34.880 come la tecnologia si è evoluta. 02:34.880 --> 02:39.350 Quindi eccoci tre anni 1956 1980 2017. 02:39.830 --> 02:43.220 Quanto ha funzionato lo stoccaggio nel 1956. 02:43.280 --> 02:47.600 Bene, c'è un disco rigido e quel disco fisso è solo un cinque. 02:47.750 --> 02:54.980 Aspetta un hard disk megabyte Quella di cinque megabyte proprio sul carrello elevatore delle dimensioni di una 02:54.980 --> 03:01.040 piccola stanza che è un disco rigido trasportato in un'altra posizione su un aereo. 03:01.370 --> 03:04.670 E questo è l'aspetto del magazzino nel. 03:04.700 --> 03:11.360 Nel 1956 dovevi pagare una società che doveva pagare due milioni e mezzo di dollari di quei giorni 03:11.390 --> 03:16.400 per affittare quel disco rigido per affittarlo, non comprarlo o affittarlo per un mese. 03:16.400 --> 03:18.760 Nel 1980 la situazione migliorò un po '. 03:18.800 --> 03:24.290 mezzo e migliaia di dollari è ancora molto costoso e solo 10 megabyte Quindi è come una foto in questi giorni. 03:24.290 --> 03:27.260 Quindi qui abbiamo un disco rigido da 10 megabyte per tre e 03:27.260 --> 03:36.840 E oggi nel 2017 abbiamo una scheda SD da 256 gigabyte per $ 150 che può stare al dito. 03:37.100 --> 03:43.790 E se guardi questo video un anno dopo o come nel 2019 o nel 2025, probabilmente ridi a tutti noi 03:43.790 --> 03:47.240 perché a quel punto hai una capacità di archiviazione ancora maggiore. 03:47.240 --> 03:52.910 Tuttavia, il punto è valido se confrontiamo questi aspetti e prendiamo in considerazione anche 03:52.910 --> 03:58.370 il prezzo e le dimensioni, solo la capacità di qualsiasi cosa fosse all'epoca. 03:58.370 --> 04:04.090 Così dal 1956 al 1980 la capacità aumentò circa il doppio. 04:04.250 --> 04:12.380 1980 al 2013, trentasette anni, quindi non tanto un aumento di tempo, ma un enorme salto in progresso tecnologico. 04:12.380 --> 04:20.210 E poi è aumentato di circa venticinquemilaseicento volte e il sapere che la durata del periodo non è 04:20.210 --> 04:24.610 poi così diversa dal 1956 al 1980 24 anni dal 04:24.890 --> 04:28.220 E ciò dimostra che questa non è una tendenza lineare. 04:28.220 --> 04:33.830 Si tratta di una crescita esponenziale della tecnologia e se ci aggiungiamo tenendo conto del 04:33.910 --> 04:37.090 prezzo e delle dimensioni sarete in milioni di aumento. 04:37.280 --> 04:40.540 E qui abbiamo in realtà un grafico su scala logaritmica. 04:40.640 --> 04:46.290 Quindi, se tracciamo il costo dell'harddrive per gigabyte, vedrai che sembra qualcosa del genere. 04:46.430 --> 04:49.880 Ci stiamo avvicinando rapidamente a zero. 04:49.910 --> 04:54.200 In questo momento puoi avere spazio su Dropbox e Google Drive che non ti costa nulla. 04:54.200 --> 05:01.280 Lo storage su cloud continuerà e, negli anni, questo andrà ancora oltre. 05:01.280 --> 05:05.860 In questo momento gli scienziati stanno studiando l'utilizzo del DNA per la conservazione. 05:05.960 --> 05:13.720 E al momento è piuttosto costoso che costa $ 7000 per sintetizzare due megabyte di dati e poi un altro pensiero 05:13.730 --> 05:15.210 del 2004 per leggerlo. 05:15.230 --> 05:19.670 Ma questo tipo di ricorda l'intera situazione dell'harddrive e l'aereo che sai che questo sarà 05:19.670 --> 05:24.590 mitigato molto rapidamente con questa curva esponenziale tra 10 e 10 anni da oggi tra 20 05:24.590 --> 05:28.590 anni tutti useranno la memoria del DNA se noi andiamo in questa direzione. 05:28.660 --> 05:33.770 E qui ci sono alcune statistiche in modo che tu possa esplorare ulteriormente, magari mettere in pausa il video se vuoi 05:33.770 --> 05:35.360 leggere un po 'di più su questo. 05:35.360 --> 05:36.890 Questo è dalla natura dot com. 05:37.040 --> 05:44.990 In pratica, puoi archiviare tutti i dati del mondo in un chilo di kilogrammo di memoria DNA o puoi archiviare circa 05:44.990 --> 05:49.350 1 miliardo di terabyte di dati in un grammo di memoria DNA. 05:49.350 --> 05:56.150 Quindi questo è solo qualcosa per mostrare quanto velocemente stiamo progredendo e questo è il motivo per cui il 05:56.150 --> 06:02.840 deep learning sta crescendo ora che siamo finalmente nella fase in cui abbiamo abbastanza dati per formare modelli 06:02.840 --> 06:04.280 super-sofisticati e super cool. 06:04.280 --> 06:08.350 All'epoca, negli anni '80, quando inizialmente mi inventavo il succo, non era il caso. 06:08.690 --> 06:15.740 E la seconda cosa di cui abbiamo parlato è la capacità di elaborazione Quindi qui abbiamo nuovamente una curva esponenziale su 06:16.460 --> 06:17.850 una scala di registro. 06:17.850 --> 06:23.840 È idealmente ritratto qui ma sulla destra perché è una scala di log e questo è il modo in cui i computer si 06:23.840 --> 06:24.410 sono evoluti. 06:24.410 --> 06:30.530 Quindi, sentiti di nuovo libero di postare la diapositiva che si chiama Legge di Moore, probabilmente ne hai sentito la 06:30.530 --> 06:34.120 velocità con cui la capacità di elaborazione dei computer si è evoluta. 06:34.310 --> 06:39.920 20:23 e poi entro il 2050 o il 2045 supererà tutti gli umani messi insieme. 06:39.920 --> 06:47.960 In questo momento siamo da qualche parte qui dove un computer medio può comprare per mille dollari pensa alla velocità del 06:48.470 --> 06:54.740 cervello di un topo e tra due e cinque sarà la velocità di un umano o 06:54.740 --> 07:01.610 Quindi, in pratica, stiamo entrando nell'era dei computer che sono estremamente potenti e in grado di elaborare le 07:01.610 --> 07:05.670 cose in modo VELOCE più veloce di quello che possiamo immaginare. 07:05.720 --> 07:08.490 E questo è ciò che facilita l'apprendimento. 07:08.600 --> 07:14.510 Quindi tutto questo ci porta alla domanda Che cos'è l'apprendimento profondo che cos'è l'intera situazione 07:14.510 --> 07:18.390 della rete neurale? Cosa sta succedendo? Di cosa stiamo parlando? 07:18.410 --> 07:20.490 E probabilmente hai visto una foto o qualcosa del genere. 07:20.570 --> 07:21.590 Quindi tuffiamoci dentro. 07:21.590 --> 07:29.140 Che cosa sta imparando profondamente questo signore qui Jeffrey Hinton è conosciuto come il padrino della cosa profonda. 07:29.350 --> 07:37.030 E ha fatto ricerche sull'apprendimento approfondito negli anni '80 e ha svolto moltissimi lavori di ricerca che 07:37.030 --> 07:41.370 è stato pubblicato in deep learning in questo momento. 07:41.370 --> 07:42.920 Lavora su Google. 07:43.030 --> 07:47.770 Quindi molte delle cose di cui parleremo in realtà provengono da Jeffrey Hinton e puoi 07:47.770 --> 07:48.260 vedere molto. 07:48.300 --> 07:49.840 Ha parecchi video su YouTube. 07:49.840 --> 07:53.930 Spiega le cose molto bene quindi consiglio vivamente di controllarle. 07:54.130 --> 07:59.140 E così l'idea alla base dell'apprendimento profondo è guardare al cervello umano. 07:59.140 --> 08:01.710 E questo ragazzo sarà un bel po 'di neuroscienza in arrivo. 08:01.750 --> 08:09.370 E in questi tutorial e quello che stiamo cercando di fare qui è quello di imitare come funziona il cervello umano. 08:09.400 --> 08:13.300 E sai che non sappiamo così tanto che non sai tutto del cervello 08:13.300 --> 08:16.730 umano, ma quel piccolo uomo che tutti conosciamo, vogliamo imitarlo e ricrearlo. 08:16.730 --> 08:17.230 E perché è così. 08:17.230 --> 08:21.970 copiarlo, allora potremmo semplicemente sfruttare ciò che la selezione naturale ha già deciso per noi. 08:22.300 --> 08:28.690 Bene perché il cervello umano sembra essere uno degli strumenti più potenti su questo pianeta per imparare ad apprendere 08:28.990 --> 08:32.980 le capacità di adattamento e poi applicarle e se i computer potessero 08:32.980 --> 08:37.840 Tutti quei tipi di algoritmi che ha deciso sono i migliori che stanno per sfruttare questo. 08:37.840 --> 08:39.750 Perché reinventare il giro in bicicletta. 08:39.880 --> 08:41.700 Quindi vediamo come funziona. 08:41.710 --> 08:50.260 Qui abbiamo alcuni neuroni quindi questi neuroni che sono stati spalmati sul vetro e poi sono stati osservati al microscopio 08:50.260 --> 08:52.210 con un po 'di colorazione. 08:52.270 --> 08:57.310 al centro e questo è fondamentalmente ciò che un neurone sembra come nel cervello umano. 08:57.310 --> 09:02.700 E questo è che puoi vedere come sono fatti così hanno un corpo hanno questi rami e 09:02.710 --> 09:06.940 hanno la coda e così e così puoi vederli hanno un nucleo dentro 09:06.970 --> 09:12.310 Ci sono circa 100 miliardi di neuroni tutti insieme quindi questi sono singoli neuroni, questi sono in 09:12.310 --> 09:17.380 realtà dei motoneuroni perché sono più grandi sono più facili da vedere ma nonostante ciò ci 09:17.470 --> 09:19.740 sono cento miliardi di neuroni nel cervello umano. 09:20.000 --> 09:23.920 Ed è collegato a circa un migliaio dei suoi vicini. 09:23.920 --> 09:26.590 Quindi per darti una foto questo è quello che sembra. 09:26.590 --> 09:32.140 Questa è una sezione di dati reali del cervello umano. 09:32.140 --> 09:38.950 E questo è il cervelletto che è questa parte del cervello dietro. 09:38.950 --> 09:47.140 È responsabile per come più Torex e per te sai mantenere un equilibrio e alcune capacità linguistiche e qualcosa del 09:47.140 --> 09:47.680 genere. 09:47.680 --> 09:57.460 Quindi questo è solo per mostrare come Vorst Quanti neuroni ci sono come miliardi, miliardi e miliardi di neuroni che si connettono 09:57.460 --> 10:02.770 È come se stessimo parlando di cinque o cinquecento o mille o 10:02.770 --> 10:04.780 milioni di miliardi di neuroni. 10:04.910 --> 10:08.350 E così questo è quello che stiamo cercando di ricreare. 10:08.350 --> 10:11.700 Quindi, come possiamo ricreare questo in un computer. 10:11.890 --> 10:20.200 Bene, creiamo una struttura artificiale chiamata rete neurale artificiale in cui abbiamo nodi o neuroni e avremo alcuni neuroni 10:20.590 --> 10:26.500 per il valore di input, quindi questi sono valori che tu sai di una 10:26.500 --> 10:27.340 certa situazione. 10:27.340 --> 10:32.080 Quindi, ad esempio, stai modellando qualcosa che vuoi predire qualcosa che potresti sempre 10:32.080 --> 10:33.310 avere qualcosa da iniziare. 10:33.310 --> 10:36.740 La tua previsione è disattivata, quindi si chiama livello di input. 10:36.820 --> 10:38.100 Allora hai l'output. 10:38.140 --> 10:43.780 si vuole prevedere o è una sorpresa se qualcuno sta per lasciare la banca o restare in banca. 10:43.930 --> 10:45.980 Quindi questo è il valore che 10:46.260 --> 10:50.530 È una transazione fraudolenta è una transazione reale e così via. 10:50.890 --> 10:52.420 Quindi verrà emesso più in basso. 10:52.540 --> 10:55.330 E nel frattempo avremo uno strato nascosto. 10:55.330 --> 11:01.600 Quindi, come puoi vedere nel tuo cervello, hai così tanti neuroni, quindi alcune informazioni stanno arrivando attraverso i 11:01.600 --> 11:04.990 tuoi occhi orecchie, naso in modo sostanzialmente i tuoi sensi. 11:05.140 --> 11:10.210 direttamente all'output dove il risultato sta passando attraverso tutti questi miliardi, miliardi e miliardi di neuroni prima 11:10.240 --> 11:15.130 di indovinare l'output e questo è l'intero concetto dietro di esso che modelleremo il cervello . 11:15.130 --> 11:17.050 E poi non è solo andare 11:17.050 --> 11:23.170 Quindi abbiamo bisogno di questi livelli nascosti che sono lì prima dell'output in modo che i neuroni di input Lares siano collegati 11:23.170 --> 11:26.580 a neuroni di uno strato nascosto che i neuroni siano connessi all'output. 11:26.880 --> 11:29.280 E quindi questo è abbastanza bello. 11:29.290 --> 11:30.550 Ma di cosa si tratta. 11:30.550 --> 11:34.040 Dov'è l'apprendimento profondo qui o perché è chiamato più profondo niente di più profondo qui. 11:34.090 --> 11:41.090 Mentre questo è un po 'come un'opzione che si potrebbe chiamare apprendimento superficiale dove non c'è davvero molto 11:41.110 --> 11:41.890 da fare. 11:41.890 --> 11:43.400 Ma perché si chiama deplorare. 11:43.420 --> 11:50.020 Bene perché poi portiamo questo al livello successivo lo separiamo ulteriormente e non abbiamo 11:50.020 --> 11:58.180 un solo hit e ci sono molti, molti e molti livelli nascosti e quindi colleghiamo tutto come nel 11:58.180 --> 12:01.930 cervello umano connette tutto ciò che è interconnesso. 12:01.930 --> 12:08.290 Ed è così che i valori di input vengono elaborati attraverso tutti questi livelli nascosti proprio come nel cervello 12:08.290 --> 12:08.660 umano. 12:08.770 --> 12:12.380 Quindi abbiamo un valore di output e ora stiamo parlando di deep learning. 12:12.460 --> 12:15.910 Ecco, questo è l'apprendimento a un livello molto astratto. 12:15.940 --> 12:21.180 E le ulteriori esercitazioni che stiamo per analizzare e approfondire in profondità di apprendimento e alla 12:21.180 --> 12:26.480 fine di esso saprete che cosa è la pianificazione e saprete come applicarlo nei vostri progetti. 12:26.500 --> 12:31.910 Super entusiasta di questa attesa per iniziare e non vedo l'ora di vedere il prossimo tutorial. 12:31.950 --> 12:33.700 Fino ad allora godere di un apprendimento profondo.