WEBVTT 00:00.300 --> 00:05.640 Hallo en welkom bij de intuïtie-tutorials voor de kunstmatige neurale netwerken, onderdeel van de cursus, super 00:05.940 --> 00:08.490 enthousiast om met deze dingen te beginnen. 00:08.820 --> 00:11.540 En vandaag gaan we ontdekken hoe we dit onderdeel gaan aanpakken. 00:11.760 --> 00:14.430 Dus in deze sectie zullen we de volgende dingen leren. 00:14.650 --> 00:16.380 Allereerst zullen we het hebben over de neuronen. 00:16.380 --> 00:23.100 Dus er zal een beetje neurowetenschap zijn en we zullen een beetje ontdekken hoe het menselijk brein werkt en 00:23.100 --> 00:25.650 waarom we dat proberen te repliceren. 00:25.650 --> 00:31.560 En we zullen ook zien hoe de belangrijkste bouwsteen van een neuraal netwerk van het neuron eruitziet. 00:32.040 --> 00:37.680 In het volgende materiaal zullen we het hebben over de activeringsfunctie en kijken we naar een aantal voorbeelden van 00:37.680 --> 00:40.890 activeringsfuncties die je zou kunnen gebruiken in je neurale netwerken. 00:41.070 --> 00:49.140 En we zullen ontdekken welke daarvan het meest wordt gebruikt in neurale netwerken en in welke 00:49.140 --> 00:53.250 lagen je liever zou gebruiken, welke functies. 00:53.700 --> 00:56.360 Dan zullen we het hebben over hoe neurale netwerken werken. 00:56.370 --> 01:03.960 Dus in tegenstelling tot wat je zou verwachten en wat het waarschijnlijk werd overgebracht in andere cursussen en tutorials, 01:04.110 --> 01:07.230 gaan we niet in op het leren. 01:07.230 --> 01:13.710 We gaan eerst in op de werking van de neurale netwerken, want dat is een manier om een neuraal 01:13.710 --> 01:20.660 netwerk in actie te zien dat ons in staat zal stellen te begrijpen waar we naar streven, wat ons doel is. 01:20.670 --> 01:23.520 Dus hier bekijken we een voorbeeld van een neuraal netwerk. 01:23.520 --> 01:29.400 We gaan kijken naar een zeer vereenvoudigd, een zeer vereenvoudigd hypothetisch voorbeeld van een neuraal netwerk 01:29.400 --> 01:34.080 dat werkt om te voorspellen dat huizenprijzen in feite onroerendgoedprijzen zijn. 01:34.830 --> 01:40.320 En door naar dat voorbeeld te kijken, begrijp je beter waar we precies naar streven en wat we 01:40.320 --> 01:41.250 uiteindelijk willen bereiken. 01:41.910 --> 01:48.750 En dan gaan we verder met het begrijpen hoe neurale netwerken leren, omdat we op die manier beter voorbereid zijn 01:48.750 --> 01:50.300 op wat komen gaat. 01:51.120 --> 01:52.940 Dan hebben we het over gradiëntafdaling. 01:52.950 --> 02:00.660 Dit maakt ook deel uit van het leren van neurale netwerken en we zullen begrijpen hoe dat algoritme beter is 02:00.660 --> 02:08.610 dan alleen de brute force-methode die je misschien als eerste redmiddel van plan bent of wilt gebruiken, de eerste methode die 02:08.850 --> 02:10.070 in je opkomt. 02:10.080 --> 02:14.070 Dus we zullen ontdekken hoe groot het voordeel is van gradiëntafdaling. 02:14.340 --> 02:17.070 En dan zullen we het hebben over stochastische gradiëntafdaling. 02:17.070 --> 02:23.790 Het is een voortzetting van de tutorial over gradiëntafdaling, maar het is een nog betere en nog sterkere methode. 02:23.790 --> 02:25.770 En we zullen ontdekken hoe het precies werkt. 02:26.070 --> 02:33.000 En tot slot zullen we de zaken afronden door de belangrijke dingen over back-propagatie te noemen en alles 02:33.000 --> 02:39.330 samen te vatten in een stapsgewijze reeks instructies voor het runnen van uw kunstmatige neurale netwerken. 02:40.290 --> 02:46.170 Ik hoop dat dit je allemaal heel spannend in de oren klinkt, want ik heb er zelf ook heel veel zin in en kan niet wachten om aan de slag 02:46.170 --> 02:46.590 te gaan. 02:46.770 --> 02:51.360 Ik kijk ernaar uit je te zien bij de eerste tutorial en tot die tijd veel plezier met deep learning.