WEBVTT 00:00.420 --> 00:05.990 Witam i zapraszam do samouczków intuicji dotyczących sztucznych sieci neuronowych w ramach kursu. 00:06.060 --> 00:08.760 Super podekscytowany, aby te rzeczy się zaczęły. 00:09.000 --> 00:11.870 A dzisiaj dowiemy się, jak mamy sobie poradzić z tą sekcją. 00:11.880 --> 00:14.760 W tej części dowiemy się następujących rzeczy. 00:14.760 --> 00:20.550 Przede wszystkim porozmawiamy o neuronie, więc będzie trochę neuronauki i dowiemy się trochę 00:20.550 --> 00:25.700 o tym, jak działa ludzki mózg i dlaczego próbujemy to powtórzyć. 00:25.710 --> 00:32.160 Zobaczymy też, jak wygląda główny element sieci neuronowej neuronu. 00:32.160 --> 00:37.740 Następnie w następnym ćwiczeniu Porozmawiamy o funkcji aktywacji, a przyjrzymy się 00:37.740 --> 00:43.980 kilku przykładom funkcji zużycia, które można wykorzystać w sieciach neuronowych, a dowiemy 00:43.980 --> 00:52.770 się, które z nich są najbardziej powszechnie używany w sieciach neuronowych iw których warstwach wolisz używać, które 00:52.770 --> 00:53.770 działają. 00:53.860 --> 00:56.430 Mówiono o tym, jak działają sieci neuronowe. 00:56.430 --> 01:03.990 W przeciwieństwie do tego, czego można się było spodziewać i co zostało prawdopodobnie przekazane w innych kursach i 01:04.260 --> 01:10.800 tutorialach, nie zamierzamy wchodzić w proces uczenia się, który w rzeczywistości wejdzie do działania sieci 01:10.800 --> 01:18.690 neuronowych, ponieważ w ten sposób widzimy sieć neuronowa w działaniu, która pozwoli nam zrozumieć, do czego zmierzamy, aby 01:19.020 --> 01:20.740 osiągnąć nasz cel. 01:20.740 --> 01:27.120 Tak więc tutaj przyjrzymy się przykładowi sieci neuronowej, którą przyjrzymy się w bardzo uproszczonym i bardzo 01:27.120 --> 01:33.060 uproszczonym hipotetycznym przykładzie lub kiedy twoja własna sieć działająca na rzecz przewidywania cen nieruchomości to 01:33.060 --> 01:34.830 w zasadzie ceny nieruchomości. 01:34.980 --> 01:40.350 Patrząc na ten przykład, lepiej zrozumiemy, do czego dążymy i co 01:40.350 --> 01:41.620 chcemy osiągnąć. 01:42.060 --> 01:49.560 A potem przejdziemy do zrozumienia, w jaki sposób sieci neuronowe się uczą, ponieważ w ten sposób będziemy bardziej przygotowani na 01:49.560 --> 01:51.070 to, co nadchodzi. 01:51.180 --> 01:53.010 Potem porozmawiamy o pochyłości gradientowej. 01:53.010 --> 02:00.750 Jest to również część uczenia sieci neuronowych i zrozumiemy, że ten algorytm jest lepszy niż metoda brutalnej 02:00.750 --> 02:08.670 siły, którą być może zamierzasz lub chcesz wziąć jako pierwszą metodę lub pierwszą metodę, która przychodzi ci 02:08.940 --> 02:10.140 na myśl. 02:10.140 --> 02:14.400 Dowiemy się, jak wielką zaletą jest pochylenie gradientowe. 02:14.520 --> 02:17.130 A potem porozmawiamy o stochastycznym spadku gradientu. 02:17.140 --> 02:23.580 Jest to kontynuacja świetnego i przyzwoitego samouczka, ale jest to jeszcze lepsza i jeszcze silniejsza metoda, a my 02:23.580 --> 02:26.120 dowiemy się dokładnie, jak to działa. 02:26.220 --> 02:33.060 I na koniec podsumujemy wszystko, wspominając o ważnych rzeczach dotyczących propagacji wstecznej i 02:33.060 --> 02:40.400 podsumowując wszystko w zestawie instrukcji krok po kroku dla obsługi twoich sztucznych sieci neuronowych. 02:40.440 --> 02:46.230 Mam nadzieję, że to wszystko będzie dla ciebie ekscytujące, ponieważ jestem bardzo podekscytowany i nie mogę się doczekać, aby 02:46.230 --> 02:46.810 zacząć. 02:46.950 --> 02:49.310 Czekam na Ciebie w pierwszym samouczku. 02:49.320 --> 02:51.420 A do tego czasu cieszcie się głęboką nauką.