WEBVTT 00:00.420 --> 00:05.990 Hallo und willkommen zu den Intuitions-Tutorials für den Teil des Kurses für künstliche neuronale Netzwerke. 00:06.060 --> 00:08.760 Super aufgeregt, diese Dinge zum Laufen zu bringen. 00:09.000 --> 00:11.870 Und heute werden wir herausfinden, wie wir diesen Abschnitt angehen werden. 00:11.880 --> 00:14.760 In diesem Abschnitt werden wir die folgenden Dinge lernen. 00:14.760 --> 00:20.550 Zuerst werden wir über das Neuron sprechen, also wird es ein bisschen Neurowissenschaft geben und wir werden ein 00:20.550 --> 00:25.700 wenig darüber erfahren, wie das menschliche Gehirn funktioniert und warum wir versuchen, dies zu replizieren. 00:25.710 --> 00:32.160 Und wir werden auch sehen, wie der Hauptbaustein eines neuronalen Netzwerks des Neurons aussieht. 00:32.160 --> 00:37.740 Dann im nächsten Tutorial Wir sprechen über die Aktivierungsfunktion und betrachten einige 00:37.740 --> 00:43.980 Beispiele von Abriebsfunktionen, die Sie in Ihren neuronalen Netzwerken verwenden könnten, und wir werden 00:43.980 --> 00:52.770 herausfinden, welche von welchen am meisten ist häufig in neuronalen Netzwerken verwendet und in welchen Schichten Sie lieber welche Funktionen 00:52.770 --> 00:53.770 verwenden. 00:53.860 --> 00:56.430 Es wurde darüber gesprochen, wie neuronale Netzwerke funktionieren. 00:56.430 --> 01:03.990 Im Gegensatz zu dem, was Sie erwarten würden und was wahrscheinlich in anderen Kursen 01:04.260 --> 01:10.800 und Tutorials vermittelt wurde, werden wir nicht in das Lernen einsteigen ein 01:10.800 --> 01:18.690 neuronales Netzwerk in Aktion, das es uns ermöglicht zu verstehen, was wir anstreben, was unser 01:19.020 --> 01:20.740 Ziel ist. 01:20.740 --> 01:27.120 Hier betrachten wir ein Beispiel eines neuronalen Netzwerks. Wir werden ein sehr vereinfachtes und sehr 01:27.120 --> 01:33.060 vereinfachtes hypothetisches Beispiel betrachten oder wenn Ihr eigenes Netzwerk, das die Immobilienpreise vorhersagt, im 01:33.060 --> 01:34.830 Wesentlichen Immobilienpreise sind. 01:34.980 --> 01:40.350 Wenn wir uns dieses Beispiel ansehen, werden wir besser verstehen, worauf wir abzielen und was wir am 01:40.350 --> 01:41.620 Ende erreichen wollen. 01:42.060 --> 01:49.560 Und dann werden wir verstehen lernen, wie neuronale Netzwerke lernen, denn so werden wir besser auf das 01:49.560 --> 01:51.070 vorbereitet, was kommt. 01:51.180 --> 01:53.010 Dann werden wir über den Gefälleabstieg sprechen. 01:53.010 --> 02:00.750 Dies ist auch Teil des Lernens in neuronalen Netzwerken, und wir werden verstehen, wie dieser Algorithmus 02:00.750 --> 02:08.670 besser ist als nur die Brute-Force-Methode, die Sie als ersten Ausweg oder als erste Methode in 02:08.940 --> 02:10.140 Betracht ziehen. 02:10.140 --> 02:14.400 Wir werden also herausfinden, wie groß der Vorteil des Gefälleabstiegs ist. 02:14.520 --> 02:17.130 Und dann reden wir über stochastische Steigung. 02:17.140 --> 02:23.580 Es ist eine Fortsetzung des großartigen und anständigen Tutorials, aber es ist eine noch bessere und noch stärkere Methode, und 02:23.580 --> 02:26.120 wir werden genau herausfinden, wie es funktioniert. 02:26.220 --> 02:33.060 Zum Schluss wollen wir die wichtigen Aspekte der Rückwärtsausbreitung besprechen und 02:33.060 --> 02:40.400 alles Schritt für Schritt zusammenstellen, um Ihre künstlichen neuronalen Netzwerke zu betreiben. 02:40.440 --> 02:46.230 Ich hoffe, das hört sich für Sie sehr aufregend an, weil ich selbst sehr aufgeregt bin und es kaum erwarten kann, 02:46.230 --> 02:46.810 damit anzufangen. 02:46.950 --> 02:49.310 Ich freue mich darauf, Sie beim ersten Tutorial zu sehen. 02:49.320 --> 02:51.420 Und bis dahin tiefes Lernen genießen.