WEBVTT 00:00.420 --> 00:05.990 Halo dan selamat datang di tutorial intuisi untuk bagian jaringan saraf tiruan dari kursus. 00:06.060 --> 00:08.760 Sangat bersemangat untuk memulai hal-hal ini. 00:09.000 --> 00:11.870 Dan hari ini kita akan mencari tahu bagaimana kita akan menangani bagian ini. 00:11.880 --> 00:14.760 Jadi di bagian ini kita akan mempelajari hal-hal berikut. 00:14.760 --> 00:20.550 Pertama-tama kita akan berbicara tentang neuron sehingga akan ada sedikit ilmu saraf dan kita akan mencari 00:20.550 --> 00:25.700 tahu sedikit tentang bagaimana otak manusia bekerja dan mengapa kita mencoba meniru itu. 00:25.710 --> 00:32.160 Dan kita juga akan melihat seperti apa blok bangunan utama dari jaringan saraf neuron. 00:32.160 --> 00:37.740 Kemudian di tutorial berikutnya. Kita akan berbicara tentang fungsi aktivasi dan kita akan melihat 00:37.740 --> 00:43.980 beberapa contoh fungsi gesekan yang dapat Anda gunakan di jaringan saraf Anda dan kami akan mencari tahu 00:43.980 --> 00:52.770 mana yang salah satu di antaranya adalah yang paling satu yang biasa digunakan dalam jaringan saraf dan di lapisan mana Anda lebih suka menggunakan 00:52.770 --> 00:53.770 fungsi mana. 00:53.860 --> 00:56.430 Ada pembicaraan tentang cara kerja jaringan saraf. 00:56.430 --> 01:03.990 Jadi berbeda dengan apa yang Anda harapkan dan apa yang mungkin disampaikan dalam kursus dan tutorial lain kita 01:04.260 --> 01:10.800 tidak akan masuk ke pembelajaran kita benar-benar akan masuk ke kerja jaringan saraf pertama karena dengan 01:10.800 --> 01:18.690 cara itu dengan melihat jaringan saraf dalam aksi yang akan memungkinkan kita untuk memahami apa yang kita tuju terhadap 01:19.020 --> 01:20.740 apa tujuan kita. 01:20.740 --> 01:27.120 Jadi di sini kita akan melihat contoh jaringan saraf kita akan melihat contoh hipotetis yang sangat disederhanakan 01:27.120 --> 01:33.060 dan sangat disederhanakan atau ketika jaringan Anda sendiri yang bekerja untuk memprediksi harga perumahan pada dasarnya 01:33.060 --> 01:34.830 adalah harga real estat. 01:34.980 --> 01:40.350 Dan dengan melihat contoh itu kita akan lebih memahami dengan tepat apa yang kita tuju dan apa yang ingin 01:40.350 --> 01:41.620 kita capai pada akhirnya. 01:42.060 --> 01:49.560 Dan kemudian kita akan beralih ke pemahaman bagaimana jaringan saraf belajar karena dengan begitu kita akan lebih siap untuk apa 01:49.560 --> 01:51.070 yang akan datang. 01:51.180 --> 01:53.010 Lalu kita akan bicara tentang gradient descent. 01:53.010 --> 02:00.750 Ini juga merupakan bagian dari pembelajaran jaringan saraf dan kami akan memahami bagaimana algoritma itu lebih baik daripada 02:00.750 --> 02:08.670 hanya metode brute force yang mungkin Anda maksudkan atau bersedia ambil sebagai upaya pertama atau metode pertama yang terlintas 02:08.940 --> 02:10.140 dalam pikiran. 02:10.140 --> 02:14.400 Jadi kita akan mencari tahu seberapa besar keuntungan dari gradient descent. 02:14.520 --> 02:17.130 Dan kemudian kita akan berbicara tentang penurunan gradien stokastik. 02:17.140 --> 02:23.580 Ini adalah kelanjutan dari tutorial yang bagus dan layak, tetapi ini adalah metode yang lebih baik dan bahkan lebih kuat 02:23.580 --> 02:26.120 dan kami akan mencari tahu cara kerjanya. 02:26.220 --> 02:33.060 Dan akhirnya kita akan menyelesaikan semuanya dengan menyebutkan hal-hal penting tentang back propagation 02:33.060 --> 02:40.400 dan merangkum semuanya dalam langkah demi langkah set instruksi untuk menjalankan jaringan saraf tiruan Anda. 02:40.440 --> 02:46.230 Saya harap ini semua terdengar sangat menarik bagi Anda karena saya sangat bersemangat dan saya tidak sabar untuk 02:46.230 --> 02:46.810 memulai. 02:46.950 --> 02:49.310 Saya berharap dapat melihat Anda pada tutorial pertama. 02:49.320 --> 02:51.420 Dan sampai saat itu menikmati pembelajaran yang mendalam.