WEBVTT

00:00.420 --> 00:07.320
สิ่งที่แอลลิสันควรรู้ว่าคุณกำลังพูดอะไรฉันไม่รู้ว่าอินเทอร์เน็ตคือคอมพิวเตอร์เครื่องใหญ่

00:07.380 --> 00:10.870
ตอนนี้เป็นคนที่ใหญ่จริงๆ

00:11.010 --> 00:11.400
คุณหมายถึงอะไร

00:11.440 --> 00:16.350
นั่นเป็นเพียงสิ่งที่คุณรู้ว่าสิ่งที่คุณเขียนถึงสิ่งที่เหมือนฉันไม่รู้จักผู้คนจำนวนมากใช้และสื่อสาร

00:16.410 --> 00:18.960
ฉันเดาว่าพวกเขาสามารถสื่อสารกับนักเขียนและผู้ผลิตของ NBC ได้

00:18.960 --> 00:30.590
แอลลิสันคุณสามารถอธิบายได้ว่าอินเทอร์เน็ตนั้นน่าทึ่งขนาดไหน

00:30.670 --> 00:34.470
เมื่อ 20 กว่าปีก่อนผู้คนไม่รู้ด้วยซ้ำว่าอินเทอร์เน็ตคืออะไร

00:34.510 --> 00:37.260
และวันนี้เราไม่สามารถจินตนาการได้ว่าชีวิตของเรามีไว้เพื่อมัน

00:37.300 --> 00:39.560
ยินดีต้อนรับสู่ผู้ที่มีรายได้ ETAs แน่นอน

00:39.580 --> 00:44.800
ชื่อของฉันคือ Cora Menko และผู้รับเหมามี Lunda Pontmercy รู้สึกตื่นเต้นสุด ๆ

00:44.800 --> 00:45.570
ที่ได้ร่วมงานกับคุณ

00:45.610 --> 00:52.300
และวันนี้เราจะให้ภาพรวมโดยย่อเกี่ยวกับสิ่งที่น่าเสียดายและทำไมตอนนี้ถึงมารับ

00:52.300 --> 00:53.590
ดังนั้นเรามาเริ่มกันเลย

00:53.590 --> 00:57.640
ทำไมเราถึงได้ดูคลิปนั้นและรูปนี้คืออะไรที่นี่

00:57.670 --> 01:00.310
คลิปนั่นมาจากปี 1994

01:00.310 --> 01:03.110
นี่คือภาพคอมพิวเตอร์จากปี 1980

01:03.220 --> 01:16.640
และสาเหตุที่เราขุดลึกลงไปในประวัติศาสตร์นิดหน่อยก็เพราะว่าเครือข่ายประสาทพร้อมกับการเรียนรู้อย่างลึกล้ำมานานแล้วและพวกเขาเพิ่งเริ่มหยิบขึ้นมาและส่งผลกระทบต่อโลกในขณะนี้

01:16.750 --> 01:22.510
แต่ถ้าคุณมองย้อนกลับไปในยุค 80 คุณจะเห็นว่าแม้ว่าพวกเขาจะถูกประดิษฐ์ขึ้นในยุค

01:22.510 --> 01:30.760
60 และ 70 พวกเขาติดเทรนด์หรือเรียกว่าลมหนาวในยุค 80 ดังนั้นผู้คนจึงพูดถึงพวกเขามากมาย

01:30.760 --> 01:46.060
มีการวิจัยจำนวนมากในพื้นที่นั้นและทุกคนคิดว่าการเรียนรู้อย่างลึกล้ำหรือเครือข่ายประสาทเป็นสิ่งใหม่ที่จะส่งผลกระทบต่อโลกกำลังจะเปลี่ยนแปลงทุกอย่างกำลังจะแก้ปัญหาของโลก ออกไปในทศวรรษหน้า

01:46.080 --> 01:51.750
แล้วเกิดอะไรขึ้นทำไมทำไมเครือข่ายประสาทไม่รอดและไม่เปลี่ยนโลกด้วยมัน

01:51.940 --> 01:57.220
เหตุผลที่พวกเขาไม่ดีพอที่พวกเขาไม่เก่งในการทำนายสิ่งต่าง ๆ

01:57.270 --> 02:02.320
ไม่ดีในการสร้างแบบจำลองและยุ่งเหยิงไม่ใช่การประดิษฐ์ที่ดี

02:02.350 --> 02:03.400
หรือมีเหตุผลอื่น

02:03.400 --> 02:17.130
ที่จริงมีอีกเหตุผลหนึ่งและเหตุผลก็อยู่ข้างหน้าเรานั่นคือความจริงที่ว่าเทคโนโลยีในตอนนั้นไม่ได้มาตรฐานที่เหมาะสมในการอำนวยความสะดวกให้กับเครือข่ายประสาทเทียมเพื่อให้เครือข่ายประสาทและการเรียนรู้เชิงลึกทำงานได้อย่างถูกต้อง

02:17.140 --> 02:25.960
คุณต้องการสองสิ่งที่คุณต้องการข้อมูลและคุณต้องการข้อมูลจำนวนมากและคุณต้องการพลังการประมวลผลที่คุณต้องการคอมพิวเตอร์ที่แข็งแกร่งในการประมวลผลข้อมูลนั้นและอำนวยความสะดวกและคุณรู้ว่ามันทำงานได้

02:25.990 --> 02:34.880
ดังนั้นเรามาดูกันว่าข้อมูลหรือการจัดเก็บข้อมูลมีการพัฒนาอย่างไรในช่วงหลายปีที่ผ่านมาและจากนั้นเราจะดูว่าเทคโนโลยีมีการพัฒนาอย่างไร

02:34.880 --> 02:39.350
ดังนั้นที่นี่เราไปได้สามปี 1956 1980 2017

02:39.830 --> 02:43.220
ที่เก็บข้อมูลมองย้อนกลับไปในปี 1956

02:43.280 --> 02:47.600
มีฮาร์ดไดรฟ์และฮาร์ดไดรฟ์นั้นมีแค่ห้าตัวเท่านั้น

02:47.750 --> 02:54.980
รอฮาร์ดไดรฟ์เมกะไบต์นั่นคือห้าเมกะไบต์ที่นั่นบนรถยกขนาดของห้องเล็ก ๆ

02:54.980 --> 03:01.040
ที่ฮาร์ดไดรฟ์ถูกส่งไปยังตำแหน่งอื่นบนเครื่องบิน

03:01.370 --> 03:04.670
และนั่นคือที่เก็บข้อมูลที่ดูเหมือนใน

03:04.700 --> 03:11.360
ในปี 1956 คุณต้องจ่ายเงิน

03:11.390 --> 03:16.400
บริษัท ต้องจ่ายสองพันห้าพันดอลลาร์ของวันนั้นดอลลาร์เพื่อเช่าฮาร์ดไดรฟ์ที่เช่าไม่ซื้อหรือเช่าเป็นเวลาหนึ่งเดือน

03:16.400 --> 03:18.760
ในปี 1980 สถานการณ์ดีขึ้นเล็กน้อย

03:18.800 --> 03:24.290
ดังนั้นที่นี่เรามีฮาร์ดไดรฟ์ 10 เมกะไบต์สำหรับสามและครึ่งพันดอลลาร์ยังคงมีราคาแพงมากและเพียง 10

03:24.290 --> 03:27.260
เมกะไบต์ดังนั้นมันจึงเป็นเหมือนรูปหนึ่งวันนี้

03:27.260 --> 03:36.840
และวันนี้ในปี 2560 เรามีการ์ด SD ขนาด 256 กิกะไบต์ราคา $ 150 ซึ่งพอดีกับนิ้วของคุณ

03:37.100 --> 03:43.790
และถ้าคุณกำลังดูวิดีโอนี้ในอีกหนึ่งปีต่อมาหรือชอบในปี 2019 หรือ 2025

03:43.790 --> 03:47.240
คุณอาจจะหัวเราะกับพวกเราทุกคนเพราะเมื่อนั้นคุณจะมีความจุมากขึ้น

03:47.240 --> 03:58.370
แต่ถึงกระนั้นประเด็นก็คือถ้าเราเปรียบเทียบสิ่งเหล่านี้ในกระดานและเรายังคำนึงถึงราคาและขนาดด้วยการพิจารณาความสามารถของสิ่งที่กำลังได้รับความนิยมในขณะนั้น

03:58.370 --> 04:04.090
ดังนั้นจากปี 1956 ถึง 1980 กำลังการผลิตเพิ่มขึ้นเป็นสองเท่า

04:04.250 --> 04:12.380
แล้วมันก็เพิ่มขึ้นประมาณสองหมื่นห้าร้อยหกร้อยเท่าและระยะเวลาที่รู้นั้นไม่แตกต่างจากปี 1956 ถึง 1980 24

04:12.380 --> 04:20.210
ปีจากปี 1980 ถึง 2013

04:20.210 --> 04:24.610
สามสิบเจ็ดปีดังนั้นจึงไม่เพิ่มขึ้นมากนัก ความก้าวหน้าทางเทคโนโลยี

04:24.890 --> 04:28.220
และนั่นแสดงว่านี่ไม่ใช่แนวโน้มเชิงเส้น

04:28.220 --> 04:37.090
นี่คือการเติบโตแบบทวีคูณของเทคโนโลยีและถ้าเราเพิ่มเข้าไปในคำนึงถึงราคาและขนาดบัญชีคุณจะเพิ่มขึ้นหลายล้าน

04:37.280 --> 04:40.540
ที่นี่เรามีแผนภูมิเป็นมาตราส่วนลอการิทึม

04:40.640 --> 04:46.290
ดังนั้นหากเราวางแผนต้นทุนฮาร์ดไดรฟ์ต่อกิกะไบต์คุณจะเห็นว่ามีลักษณะเช่นนี้

04:46.430 --> 04:49.880
เราเข้าใกล้ศูนย์อย่างรวดเร็วมาก

04:49.910 --> 04:54.200
ตอนนี้คุณสามารถรับพื้นที่เก็บข้อมูลบน Dropbox และ Google Drive ซึ่งไม่เสียค่าใช้จ่ายอะไรเลย

04:54.200 --> 05:01.280
ที่เก็บข้อมูลบนคลาวด์และสิ่งที่จะดำเนินต่อไปและในความเป็นจริงในช่วงหลายปีที่ผ่านมา

05:01.280 --> 05:05.860
ตอนนี้นักวิทยาศาสตร์กำลังมองหาการใช้ DNA สำหรับการจัดเก็บ

05:05.960 --> 05:15.210
และตอนนี้มันค่อนข้างแพงมีค่าใช้จ่าย $ 7,000 ในการสังเคราะห์ข้อมูลสองเมกะไบต์

05:15.230 --> 05:19.670
แต่แบบนั้นทำให้คุณนึกถึงสถานการณ์ทั้งหมดของฮาร์ดไดรฟ์และเครื่องบินที่คุณรู้ว่าสิ่งนี้จะถูกลดลงอย่างรวดเร็วมากด้วยเส้นโค้งเลขชี้กำลัง 10 ถึง

05:19.670 --> 05:24.590
10 ปีจากนี้ 20

05:24.590 --> 05:28.590
ปีจากนี้ทุกคนกำลังใช้ที่เก็บดีเอ็นเอ เราลงไปในทิศทางนี้

05:28.660 --> 05:35.360
และนี่คือสถิติบางอย่างที่คุณสามารถสำรวจเพิ่มเติมได้อาจหยุดวิดีโอชั่วคราวหากคุณต้องการอ่านเพิ่มเติมเกี่ยวกับเรื่องนี้

05:35.360 --> 05:36.890
นี่คือจากธรรมชาติดอทคอม

05:37.040 --> 05:44.990
และโดยทั่วไปคุณสามารถจัดเก็บข้อมูลทั้งหมดของโลกได้ในที่เก็บ DNA เพียงหนึ่งกิโลกรัมหนึ่งกิโลกรัมหรือคุณสามารถเก็บข้อมูลได้ประมาณ 1 พันล้านเทราไบต์ในที่เก็บ

05:44.990 --> 05:49.350
DNA หนึ่งกรัม

05:49.350 --> 06:04.280
นั่นเป็นเพียงสิ่งที่แสดงให้เห็นว่าเรากำลังก้าวหน้าอย่างรวดเร็วและนี่คือเหตุผลว่าทำไมการเรียนรู้อย่างลึกซึ้งจึงมาถึงตอนนี้ในที่สุดเราก็อยู่ในขั้นตอนที่เรามีข้อมูลเพียงพอที่จะฝึกโมเดลนางแบบสุดเท่ห์สุดยอด

06:04.280 --> 06:08.350
ย้อนกลับไปในยุค 80 เมื่อตอนที่ฉันคิดค้นน้ำผลไม้เป็นครั้งแรก

06:08.690 --> 06:17.850
และสิ่งที่สองที่เราพูดถึงคือความสามารถในการประมวลผลดังนั้นที่นี่เรามีเส้นโค้งแบบเอ็กซ์โพเนนเชียลอีกครั้งในระดับบันทึก

06:17.850 --> 06:24.410
มันแสดงให้เห็นอย่างสมบูรณ์แบบที่นี่ แต่ทางด้านขวาเพราะมันเป็นสเกลบันทึกและนี่คือวิธีที่คอมพิวเตอร์วิวัฒนาการมา

06:24.410 --> 06:34.120
ดังนั้นอีกครั้งโปรดโพสต์สไลด์นี้เรียกว่ากฎของมัวร์ที่คุณเคยได้ยินมาว่าความสามารถในการประมวลผลของคอมพิวเตอร์ได้พัฒนาไปอย่างรวดเร็วเพียงใด

06:34.310 --> 06:39.920
ตอนนี้เราอยู่ที่ไหนสักแห่งตรงนี้ที่ซึ่งคอมพิวเตอร์โดยเฉลี่ยสามารถซื้อได้หนึ่งพันเหรียญคิดว่าด้วยความเร็วของสมองของหนูและระหว่างสองถึงห้าจะเป็นความเร็วของมนุษย์หรือ

06:39.920 --> 06:47.960
20:23 แล้วโดย 2050

06:48.470 --> 06:54.740
หรือ 2045 มันจะเกินมนุษย์ทุกคนรวมกัน

06:54.740 --> 07:01.610
โดยพื้นฐานแล้วเรากำลังเข้าสู่ยุคของคอมพิวเตอร์ที่มีพลังมหาศาลที่สามารถประมวลผลสิ่งต่าง ๆ

07:01.610 --> 07:05.670
ได้เร็วขึ้นจากนั้นเราก็สามารถจินตนาการได้

07:05.720 --> 07:08.490
และนั่นคือสิ่งที่อำนวยความสะดวกในการเรียนรู้

07:08.600 --> 07:18.390
ดังนั้นทั้งหมดนี้ทำให้เราเกิดคำถามว่าอะไรคือการเรียนรู้อย่างลึกซึ้งว่าสถานการณ์เครือข่ายประสาททั้งหมดนี้คืออะไรสิ่งที่เกิดขึ้นในสิ่งที่เรากำลังพูดถึงอยู่ที่นี่

07:18.410 --> 07:20.490
และคุณอาจเห็นรูปหรืออะไรแบบนี้

07:20.570 --> 07:21.590
งั้นลองดำดิ่งลงไป

07:21.590 --> 07:29.140
การเรียนรู้อย่างลึกซึ้งของสุภาพบุรุษคนนี้ตรงนี้เจฟฟรีย์ฮินตันเป็นที่รู้จักกันในนามพ่อทูนหัวของสิ่งลึก

07:29.350 --> 07:37.030
และเขาได้ทำการวิจัยเกี่ยวกับการเรียนรู้อย่างลึกซึ้งในยุค 80

07:37.030 --> 07:41.370
และเขาได้ทำเอกสารวิจัยจำนวนมากที่เขาตีพิมพ์ในการเรียนรู้อย่างลึกซึ้งในตอนนี้

07:41.370 --> 07:42.920
เขาทำงานที่ Google

07:43.030 --> 07:48.260
หลายสิ่งหลายอย่างที่เรากำลังจะพูดถึงมาจากเจฟฟรีย์ฮินตันจริง ๆ แล้วคุณจะเห็นอะไรมากมาย

07:48.300 --> 07:49.840
เขามีวิดีโอ YouTube ค่อนข้างน้อย

07:49.840 --> 07:53.930
เขาอธิบายสิ่งต่าง ๆ ได้ดีมากดังนั้นฉันขอแนะนำให้ลองดูพวกเขา

07:54.130 --> 07:59.140
ดังนั้นแนวคิดที่อยู่เบื้องหลังการเรียนรู้อย่างลึกล้ำคือการมองสมองของมนุษย์

07:59.140 --> 08:01.710
และผู้ชายคนนี้กำลังจะประสาทวิทยาศาสตร์ขึ้นมาบ้าง

08:01.750 --> 08:09.370
และในบทเรียนเหล่านี้และสิ่งที่เราพยายามทำที่นี่คือเลียนแบบการทำงานของสมองมนุษย์

08:09.400 --> 08:16.730
และคุณรู้ว่าเราไม่รู้ว่าคุณไม่รู้ทุกอย่างเกี่ยวกับสมองมนุษย์ แต่ผู้ชายตัวเล็กที่เราทุกคนรู้ว่าเราต้องการเลียนแบบมันและสร้างมันขึ้นมาใหม่

08:16.730 --> 08:17.230
และทำไมเป็นอย่างนั้น

08:17.230 --> 08:32.980
เพราะสมองมนุษย์ดูเหมือนจะเป็นหนึ่งในเครื่องมือที่ทรงพลังที่สุดในโลกนี้สำหรับการเรียนรู้สำหรับการเรียนรู้ทักษะการปรับตัวและนำไปใช้และถ้าคอมพิวเตอร์สามารถคัดลอกได้

08:32.980 --> 08:37.840
อัลกอริธึมทั้งหมดที่ตัดสินใจได้นั้นดีที่สุดซึ่งจะใช้ประโยชน์ได้

08:37.840 --> 08:39.750
ทำไมต้องปั่นจักรยาน

08:39.880 --> 08:41.700
ดังนั้นเรามาดูวิธีการทำงาน

08:41.710 --> 08:52.210
ที่นี่เรามีเซลล์ประสาทบางส่วนดังนั้นเซลล์ประสาทเหล่านี้ที่ถูกทาลงบนกระจกแล้วมองดูด้วยกล้องจุลทรรศน์ด้วยสี

08:52.270 --> 09:06.940
และนี่คือคุณสามารถเห็นสิ่งที่พวกเขาดูเหมือนดังนั้นพวกเขามีเหมือนร่างกายพวกเขามีกิ่งไม้เหล่านี้และพวกเขามีหางและดังนั้นคุณสามารถเห็นพวกเขาพวกเขามีนิวเคลียสภายในตรงกลาง เหมือนในสมองมนุษย์

09:06.970 --> 09:12.310
มีเซลล์ประสาทรวมกันประมาณ 100

09:12.310 --> 09:19.740
พันล้านเซลล์ดังนั้นเซลล์เหล่านี้จึงเป็นเซลล์ประสาทส่วนบุคคลซึ่งจริง ๆ แล้วเป็นเซลล์ประสาทยนต์เนื่องจากมีขนาดใหญ่กว่านั้นจะมองเห็นได้ง่ายกว่า แต่มีเซลล์ประสาทหนึ่งแสนล้านในสมองมนุษย์

09:20.000 --> 09:23.920
และมันเชื่อมต่อกับคนมากถึงประมาณพันเพื่อนบ้าน

09:23.920 --> 09:26.590
ดังนั้นเพื่อให้คุณมีภาพนี่คือสิ่งที่ดูเหมือนว่า

09:26.590 --> 09:32.140
นี่คือส่วนข้อมูลจริงของสมองมนุษย์

09:32.140 --> 09:38.950
และนี่คือ cerebellum ซึ่งเป็นส่วนหนึ่งของสมองของคุณที่ด้านหลัง

09:38.950 --> 09:47.680
มันมีหน้าที่รับผิดชอบเช่น Torex มากขึ้นและคุณรู้ว่าการรักษาความสมดุลและความสามารถทางภาษาและบางอย่างเช่นนั้น

09:47.680 --> 09:57.460
นี่เป็นเพียงการแสดงให้เห็นว่า Vorst

09:57.460 --> 10:04.780
มีเซลล์ประสาทจำนวนเท่าใดที่มีเหมือนพันล้านพันล้านและพันล้านเซลล์ประสาทที่เชื่อมต่อกันเหมือนว่าเรากำลังพูดถึงเซลล์ประสาทห้าหรือห้าร้อยหรือพันล้านในนั้น

10:04.910 --> 10:08.350
นั่นคือสิ่งที่เรากำลังจะพยายามสร้างขึ้นมาใหม่

10:08.350 --> 10:11.700
ดังนั้นเราจะสร้างมันขึ้นมาใหม่ในคอมพิวเตอร์ได้อย่างไร

10:11.890 --> 10:27.340
ทีนี้เราสร้างโครงสร้างเทียมที่เรียกว่าโครงข่ายประสาทเทียมที่เรามีโหนดหรือเซลล์ประสาทและเราจะมีเซลล์ประสาทบางส่วนสำหรับค่าอินพุตดังนั้นนี่คือค่าที่คุณรู้เกี่ยวกับสถานการณ์บางอย่าง

10:27.340 --> 10:33.310
ตัวอย่างเช่นคุณกำลังสร้างแบบจำลองบางอย่างที่คุณต้องการทำนายสิ่งที่คุณมักจะมีบางสิ่งบางอย่างที่จะเริ่ม

10:33.310 --> 10:36.740
การคาดคะเนของคุณปิดอยู่ซึ่งเรียกว่าเลเยอร์อินพุต

10:36.820 --> 10:38.100
จากนั้นคุณมีเอาท์พุท

10:38.140 --> 10:45.980
นั่นคือคุณค่าที่คุณต้องการทำนายหรือแปลกใจว่ามีใครบางคนกำลังจะออกจากธนาคารหรืออยู่ในธนาคาร

10:46.260 --> 10:50.530
นี่เป็นธุรกรรมที่ฉ้อโกงหรือเป็นธุรกรรมจริงและอื่น ๆ

10:50.890 --> 10:52.420
นั่นจะเป็นเอาต์พุตที่ต่ำกว่า

10:52.540 --> 10:55.330
และในระหว่างนั้นเราจะมีเลเยอร์ที่ซ่อนอยู่

10:55.330 --> 11:04.990
ดังนั้นอย่างที่คุณเห็นในสมองของคุณคุณมีเซลล์ประสาทจำนวนมากดังนั้นข้อมูลบางอย่างผ่านเข้ามาทางหูจมูกหูจมูก

11:05.140 --> 11:17.050
แล้วมันไม่ใช่แค่ไปที่ผลลัพธ์ที่คุณได้รับผ่านพันล้านและพันล้านและเซลล์ประสาทพันล้านทั้งหมดก่อนที่จะเดาผลลัพธ์และนี่คือแนวคิดทั้งหมดที่อยู่เบื้องหลังว่าเรากำลังจะจำลองสมอง .

11:17.050 --> 11:23.170
ดังนั้นเราต้องการเลเยอร์ที่ซ่อนอยู่เหล่านี้ที่มีอยู่ก่อนหน้าเอาต์พุตดังนั้นเซลล์ประสาทอินพุต Lares

11:23.170 --> 11:26.580
เชื่อมต่อกับเซลล์เลเยอร์ที่ซ่อนอยู่ซึ่งเซลล์ประสาทเชื่อมต่อกับเอาต์พุต

11:26.880 --> 11:29.280
และนี่คือนี่มันเท่มาก

11:29.290 --> 11:30.550
แต่ทั้งหมดนี้เกี่ยวกับอะไร

11:30.550 --> 11:34.040
การเรียนรู้อย่างลึกซึ้งอยู่ที่นี่หรือเหตุใดจึงเรียกว่าไม่มีอะไรลึกซึ้งในที่นี่

11:34.090 --> 11:41.890
ในขณะที่นี้เป็นเหมือนตัวเลือกที่หนึ่งอาจเรียกการเรียนรู้ตื้นที่มีไม่มากเกิดขึ้นจริง

11:41.890 --> 11:43.400
แต่ทำไมถึงเรียกว่าน่าเสียดาย

11:43.420 --> 12:01.930
เพราะเราจะยกระดับไปสู่ระดับถัดไปเราแยกมันออกไปมากขึ้นและเราไม่ได้ตีแค่ครั้งเดียวและที่นั่นเรามีเลเยอร์ที่ซ่อนอยู่มากมายและมากมายและจากนั้นเราเชื่อมต่อทุกอย่างเหมือนในสมองของมนุษย์

12:01.930 --> 12:08.660
และนั่นคือวิธีการประมวลผลค่าอินพุตผ่านเลเยอร์ที่ซ่อนอยู่ทั้งหมดนี้เหมือนกับในสมองของมนุษย์

12:08.770 --> 12:12.380
จากนั้นเรามีค่าผลลัพธ์และตอนนี้เรากำลังเรียนรู้อย่างลึกซึ้ง

12:12.460 --> 12:15.910
นั่นคือสิ่งที่การเรียนรู้เกี่ยวกับในระดับนามธรรม

12:15.940 --> 12:26.480
และบทเรียนเพิ่มเติมที่เราจะผ่าและดำดิ่งลงสู่การเรียนรู้อย่างลึกซึ้งและในตอนท้ายคุณจะรู้ว่าการวางแผนนั้นเกี่ยวกับอะไร

12:26.500 --> 12:31.910
ตื่นเต้นเป็นอย่างยิ่งเกี่ยวกับการรอคอยนี้เพื่อเริ่มต้นและฉันหวังว่าจะได้ดูบทแนะนำถัดไป

12:31.950 --> 12:33.700
จนกว่าจะสนุกกับการเรียนรู้ลึก