WEBVTT 00:00.210 --> 00:04.170 Hallo en welkom terug bij de cursus over Deep Learning vandaag, we hebben 00:04.170 --> 00:07.770 het over het neuron, de basisbouwsteen van kunstmatige neurale netwerken. 00:07.950 --> 00:08.790 Dus laten we beginnen. 00:09.270 --> 00:14.460 Eerder zagen we een afbeelding die er zo uitzag, en dit zijn echte echte neuronen die 00:14.460 --> 00:19.890 op een glas zijn uitgesmeerd en een beetje zijn genoemd, en ze worden waargenomen door een microscoop. 00:19.920 --> 00:21.020 Zo zien ze er dus uit. 00:21.030 --> 00:29.070 Zoals je kunt zien, een behoorlijk interessant structuurlichaam en dan veel verschillende staarten, soort takken die eruit 00:29.070 --> 00:29.910 komen. 00:30.180 --> 00:32.300 En dit is erg interessant. 00:32.310 --> 00:35.760 Maar de vraag is, hoe kunnen we dat in een machine nabootsen? 00:36.090 --> 00:42.690 Omdat we die machine echt opnieuw moeten maken, omdat het hele doel van deep learning 00:42.690 --> 00:50.900 is om na te bootsen hoe het menselijk brein werkt in de hoop dat we daarmee iets geweldigs gaan creëren. 00:50.910 --> 00:54.800 We gaan een geweldige infrastructuur creëren zodat machines kunnen leren. 00:55.050 --> 00:56.910 En waarom hopen we daar ook op? 00:56.910 --> 01:02.940 Omdat het menselijk brein, nou ja, toevallig een van de krachtigste leermiddelen is, leermiddelen 01:02.940 --> 01:07.230 op de planeet of soortgelijke leermechanismen op de planeet. 01:07.230 --> 01:11.220 En we hopen gewoon dat als we dat opnieuw maken, zoiets geweldigs zal hebben. 01:11.250 --> 01:17.640 Dus onze uitdaging op dit moment, onze allereerste stap om kunstmatige neurale netwerken te creëren, is om een neuron te 01:17.640 --> 01:18.120 recreëren. 01:18.330 --> 01:19.020 Dus hoe doen we dat? 01:19.050 --> 01:23.030 Laten we eerst eens nader bekijken wat het eigenlijk is. 01:23.790 --> 01:32.640 Deze afbeelding werd voor het eerst gemaakt door de Spaanse neurowetenschapper Santiago Ramon Yeakel in 1899. 01:33.030 --> 01:39.470 En wat hij deed, was dat hij neuronen in echt hersenweefsel doodde en ze onder een microscoop bekeek. 01:39.720 --> 01:42.450 En terwijl hij ernaar keek, tekende hij echt wat hij zag. 01:42.450 --> 01:43.460 En dit is wat hij zag. 01:43.470 --> 01:49.500 Hij zag daar aan de bovenkant twee neuronen of twee grote neuronen, waar al deze vertakkingen uitkwamen 01:49.500 --> 01:52.230 in de richting van hun bovenste delen. 01:52.230 --> 01:58.900 En dan had elk van hen een staaf of soortgelijke draad die naar de bodem uitkwam, een heel lange. 01:59.370 --> 02:01.240 En ja, dus dat is wat hij zag. 02:01.500 --> 02:07.290 En nu, weet je, de technologie is behoorlijk vooruitgegaan en we hebben neuronen veel dichterbij en gedetailleerder 02:07.290 --> 02:07.740 gezien. 02:07.740 --> 02:11.870 En nu kunnen we echt tekenen hoe het er schematisch uitziet. 02:11.880 --> 02:12.920 Dus laten we daar eens naar kijken. 02:13.320 --> 02:14.130 Hier is een neuron. 02:14.130 --> 02:22.080 Dit is hoe het eruit ziet, zeer vergelijkbaar met wat Santiago Ramon hier en hier en dit neuron tekende. 02:22.080 --> 02:23.780 Wat we kunnen zien is dat het een lichaam heeft. 02:24.120 --> 02:25.710 Dat is het belangrijkste deel van het neuron. 02:26.400 --> 02:29.070 En dan heeft hij wat takken aan de top, die dendrieten worden genoemd. 02:29.070 --> 02:32.590 En het heeft ook een axon, dat is die lange staart van het neuron. 02:33.210 --> 02:36.630 En waar zijn deze dendrieten voor en waar zijn ze voor? 02:36.660 --> 02:43.920 Het belangrijkste om hier te begrijpen is dat neuronen op zichzelf vrijwel nutteloos zijn. 02:43.950 --> 02:45.900 Het is net als een mier, toch? 02:45.900 --> 02:49.380 Een mier alleen kan niet veel doen zoals vijf mieren samen. 02:49.710 --> 02:51.110 Misschien kunnen ze iets oppikken. 02:51.120 --> 02:55.380 Maar nogmaals, als ze dat niet doen, kunnen ze geen mierenhoop bouwen of een kolonie stichten. 02:55.380 --> 02:59.130 Ze kunnen niet samenwerken als een enorm organisme. 02:59.260 --> 03:03.450 Maar tegelijkertijd, als je heel veel advertenties hebt, alsof je een miljoen mieren hebt, kunnen ze een hele 03:03.450 --> 03:05.400 kolonie bouwen, ze kunnen een mierenhoop bouwen. 03:05.670 --> 03:07.080 Hetzelfde met neuronen op zich. 03:07.080 --> 03:07.770 Het is niet zo sterk. 03:07.770 --> 03:12.000 Maar als je veel neuronen bij elkaar hebt, werken ze samen om magie te doen. 03:12.360 --> 03:13.770 En hoe werken ze samen? 03:13.800 --> 03:14.370 Dat is de vraag. 03:14.370 --> 03:16.620 Daar zijn de dendrieten en axonen voor. 03:16.620 --> 03:19.980 Dus de dendrieten zijn een soort ontvangers van het signaal voor het neuron. 03:19.980 --> 03:22.680 En axon is de zender van het signaal voor het neuron. 03:23.100 --> 03:26.440 En hier is een afbeelding van hoe het conceptueel allemaal werkt. 03:26.460 --> 03:32.490 Dus aan de top heb je een neuron en je kunt zien dat de dendrieten zijn verbonden met axonen 03:32.490 --> 03:35.490 van andere neuronen die nog verder weg erboven zijn. 03:35.850 --> 03:42.780 En dan reist het signaal van dit neuron door zijn axon en verbindt of gaat naar de dendrieten van het 03:42.780 --> 03:43.560 volgende neuron. 03:43.560 --> 03:44.580 En zo zijn ze verbonden. 03:44.880 --> 03:52.080 En in dat kleine plaatje daar, kun je zien dat het axon de dendrieten niet echt raakt. 03:52.880 --> 03:59.070 Veel machine learning of zoals een paar machine learning-wetenschappers zijn onvermurwbaar over het feit dat 03:59.070 --> 04:03.300 het het niet aanraakt zoals het dat niet doet. 04:03.600 --> 04:06.620 Het is bewezen dat daar geen fysieke verbinding is. 04:06.870 --> 04:13.680 Maar het punt waar we in geïnteresseerd zijn, is dat die verbinding tussen hen, dat het hele concept van het signaal 04:13.680 --> 04:16.260 dat wordt doorgegeven, de aanmeldingen worden genoemd. 04:16.260 --> 04:23.120 Je kunt daar op dat kleine plaatje zien, die cijferbeugel is een aanmelding en dat is de trend die we gaan 04:23.130 --> 04:23.750 gebruiken. 04:23.760 --> 04:29.760 Dus in plaats van onze kunstmatige neuronen de lijnen te noemen die we zullen hebben of de connectoren voor kunstmatige neuronen, 04:29.760 --> 04:34.140 gaan we ze geen axonen of dendrieten noemen, want dan is de vraag, wiens 04:34.140 --> 04:35.130 verbinding is dit? 04:35.130 --> 04:39.000 Zijn dat neuronen of zijn dit neuronen die we gewoon noemen, die ze Synopsize gaan noemen? 04:39.330 --> 04:42.660 En dat is een soort van antwoord op alle vragen meteen. 04:42.660 --> 04:47.530 Dat is gewoon waar de signaaldoorgang niet uitmaakt van wie dat element is. 04:47.550 --> 04:50.180 Dat is slechts een weergave van het signaal dat wordt doorgegeven. 04:50.190 --> 04:51.060 En dat zullen we nu zien. 04:51.870 --> 04:54.600 Dus eigenlijk werkt een neuron zo. 04:55.060 --> 04:56.160 En ja. 04:56.160 --> 04:59.340 Dus laten we verder gaan met hoe we gaan vertegenwoordigen. 04:59.390 --> 05:05.540 Neuronen hopen neuronen te creëren in machines, dus we gaan nu weg, we gaan weg 05:05.540 --> 05:08.960 van neurowetenschap en gaan over op technologie. 05:09.230 --> 05:10.070 En hier gaan we. 05:10.280 --> 05:12.980 Dus hier is ons neuron, ook wel de knoop genoemd. 05:13.640 --> 05:18.280 Het neuron krijgt een aantal ingangssignalen en het heeft een uitgangssignaal. 05:18.290 --> 05:20.630 Dus dendrieten en axonen onthouden. 05:20.990 --> 05:26.660 Maar nogmaals, we gaan deze stiltes noemen en dan deze ingangssignalen. 05:26.660 --> 05:28.970 We gaan ze ook van andere neuronen vertegenwoordigen. 05:29.000 --> 05:35.120 Dus in dit specifieke geval kun je zien dat dit neuron, dit groene neuron signalen krijgt van gele 05:35.120 --> 05:35.780 neuronen. 05:35.780 --> 05:41.750 En in deze cursus gaan we proberen ons aan een bepaald kleurcoderingsregime te houden, waarbij geel een 05:41.750 --> 05:42.470 invoerlaag betekent. 05:42.500 --> 05:50.300 Dus eigenlijk, alle neuronen die zich op de buitenste laag of in het eerste front bevinden, waar komen de signalen 05:50.300 --> 05:50.990 binnen? 05:50.990 --> 05:57.070 En per signaal is het misschien een beetje overdreven om dit een signaal te noemen. 05:57.080 --> 05:58.690 Het is eigenlijk gewoon invoerwaarde. 05:58.700 --> 06:03.350 Dus je weet hoe, zelfs in een eenvoudige lineaire regressie, je invoerwaarden hebt en dan heb 06:03.750 --> 06:04.950 je een voorspelde waarde. 06:04.970 --> 06:05.540 Hetzelfde hier. 06:05.550 --> 06:08.810 Dus je hebt invoerwaarden en daar zijn ze, de gele. 06:08.930 --> 06:11.210 En dan aan de rechterkant, je zult zien dat het nu rood is. 06:11.210 --> 06:12.200 Het zal de outputwaarde zijn. 06:13.760 --> 06:17.510 Waar ik hier op wilde wijzen, is dat we in dit specifieke voorbeeld kijken 06:17.510 --> 06:21.220 naar een neuron dat zijn signalen ontvangt van de neuronen van de inputlaag. 06:21.220 --> 06:26.900 Dus er zijn ook neuronen, maar hun input, hun neuronen, soms heb je neuronen 06:26.900 --> 06:30.420 die hun signaal krijgen van andere verborgen laag-neuronen. 06:30.440 --> 06:31.700 Dus van andere groentjes. 06:31.700 --> 06:33.230 En het concept zal precies hetzelfde zijn. 06:33.300 --> 06:37.010 Alleen in dit geval, omwille van de eenvoud, geven we dit voorbeeld weer. 06:37.490 --> 06:44.570 En in termen van de invoerlaag, de manier om erover na te denken is in de analogie van het 06:45.230 --> 06:47.870 menselijk brein, de invoerlaag zijn je zintuigen. 06:47.880 --> 06:48.040 Rechts? 06:48.050 --> 06:52.010 Dus wat je hier ook kunt zien, voelen, aanraken of ruiken. 06:52.380 --> 06:55.790 En natuurlijk is het alsof er veel dingen zijn die je kunt zien. 06:55.790 --> 06:57.380 Er komt veel informatie binnen. 06:57.650 --> 07:03.710 Maar dat zijn jouw, dat is waar je hersenen zich toe beperken, het is zo'n beetje alsof je leeft 07:03.710 --> 07:05.990 in een doos gemaakt van botten. 07:05.990 --> 07:12.260 En het is gewoon een geestverruimend concept om over na te denken dat je hersenen gewoon opgesloten zitten in een zwarte doos en 07:12.260 --> 07:15.370 het enige dat het niet kan zien, je niet kunt horen. 07:15.380 --> 07:20.660 Het enige wat je krijgt zijn elektrische impulsen die komen van deze organen die je hebt, 07:20.660 --> 07:27.740 die je oren en die ogen worden genoemd, je weet wel, je tastzin en wat dan ook, en jij en jouw en je 07:27.740 --> 07:28.130 smaak. 07:28.140 --> 07:28.290 Rechts. 07:28.310 --> 07:29.990 Dus het krijgt alleen maar signalen. 07:29.990 --> 07:35.600 Maar het leeft in feite in deze donkere zwarte doos en het geeft de wereld zin door middel van je 07:35.600 --> 07:35.970 zintuigen. 07:35.990 --> 07:37.250 Het is fenomenaal. 07:38.360 --> 07:38.900 En dus, ja. 07:38.900 --> 07:42.950 Dus je hebt deze inputs die binnenkomen in termen van menselijk brein. 07:42.950 --> 07:43.970 Dat zijn je vijf zintuigen. 07:43.970 --> 07:50.540 En in termen van machine learning of deep learning zijn dat in feite uw invoerwaarden. 07:50.540 --> 07:51.830 Dus je onafhankelijke variabelen. 07:51.830 --> 07:52.760 En dat krijgen we zo. 07:52.760 --> 07:59.510 Dus je invoerwaarden, het signaal wordt door synapsen naar het neuron gestuurd en dan heeft je neuron een 07:59.510 --> 08:02.620 uitvoerwaarde die het verder in de keten doorgeeft. 08:03.440 --> 08:06.930 In dit specifieke geval, in termen van kleurcodering, betekent geel opnieuw invoerlaag. 08:06.950 --> 08:08.510 Dus we vereenvoudigen alles hier een beetje. 08:08.510 --> 08:13.130 We zeggen dat we alleen de invoerlaag hebben en dan hebben we één verborgen laag met het 08:13.160 --> 08:16.700 groen, dat is het achterland, en dan hebben we de uitvoer daar meteen. 08:17.450 --> 08:20.130 Zodat we voorlopig even aan deze kleuren kunnen wennen. 08:20.600 --> 08:22.100 En daar gaan we dan. 08:22.100 --> 08:23.940 Dat is de basisstructuur. 08:23.960 --> 08:28.330 Laten we nu wat meer in detail kijken naar deze verschillende elementen die we hebben. 08:28.340 --> 08:29.360 Dus we hebben de invoerlaag. 08:29.840 --> 08:31.010 En wat hebben we hier? 08:31.040 --> 08:36.470 Welnu, we hebben deze invoer, die in feite onafhankelijke variabele is, hangt al snel af van variabele één en 08:36.470 --> 08:38.060 was beschikbaar voor onafhankelijke variabele. 08:38.060 --> 08:44.150 En het belangrijkste om te onthouden is dat deze onafhankelijke variabelen allemaal voor één enkele waarneming 08:44.150 --> 08:44.660 zijn. 08:44.670 --> 08:48.740 Zie het dus als slechts één rij in uw database, één observatie. 08:48.920 --> 08:51.170 Je neemt gewoon alle onafhankelijke variabelen. 08:51.920 --> 08:58.190 Weet je, misschien is het de leeftijd van de persoon daar, het bedrag op de bankrekening, en hoe rijden 08:58.190 --> 09:00.710 of lopen ze dan naar hun werk? 09:00.710 --> 09:02.640 Welk vervoermiddel gebruiken ze? 09:02.960 --> 09:08.390 Dus dat zijn allemaal beschrijvingen van één specifieke persoon die je bent, ofwel je training, 09:08.390 --> 09:11.360 je model of je doet een voorspelling op. 09:12.440 --> 09:16.280 En het andere dat u over deze variabelen moet weten, is dat u ze moet standaardiseren. 09:16.280 --> 09:20.990 Je moet ze dus ofwel standaardiseren, wat betekent dat ze een gemiddelde van nul en variantie één 09:20.990 --> 09:21.290 hebben. 09:21.290 --> 09:28.460 Of u kunt soms ook en Hadland zal u op deze situaties wat meer in detail wijzen, misschien in 09:28.460 --> 09:29.750 de praktische tutorials. 09:29.750 --> 09:30.710 Deze kom je misschien tegen. 09:30.890 --> 09:35.840 Soms wil je misschien niet standaardiseren, je zou ze willen normaliseren, wat betekent dat in plaats van ervoor 09:35.840 --> 09:41.630 te zorgen dat het gemiddelde en ik bedoel er is en de variantie één is, je gewoon, weet je, de minimumwaarde 09:41.630 --> 09:46.430 aftrekt en dan deel je door de maximale min, minimale som door het bereik van uw waarden. 09:46.430 --> 09:48.950 En de vier, je krijgt waarden tussen nul en één. 09:49.370 --> 09:52.340 En het hangt af van het scenario. 09:52.340 --> 09:53.510 Misschien wil je het een of het ander doen. 09:53.510 --> 09:58.760 Maar eigenlijk wil je dat al deze variabelen ongeveer hetzelfde zijn. 09:59.560 --> 10:02.080 Een reeks waarden en waarom is dat? 10:02.130 --> 10:06.640 Welnu, al deze waarden gaan naar een neuraal netwerk waar ze, zoals we zojuist zullen 10:06.640 --> 10:10.290 zien, worden opgeteld en vermenigvuldigd met waar het wordt opgeteld enzovoort. 10:10.300 --> 10:16.180 En het zal gemakkelijker zijn voor het neurale netwerk om ze te verwerken als ze allemaal ongeveer hetzelfde 10:16.180 --> 10:16.580 zijn. 10:17.080 --> 10:23.340 En in feite, weet je, dat is precies hoe het goed zal kunnen werken. 10:24.130 --> 10:29.050 En als je meer wilt lezen over standaardisatie, normalisatie en andere dingen 10:29.050 --> 10:35.190 die je kunt doen als je en welke variabelen zijn een goed aanvullend leesboek heet Diffusion Back. 10:35.210 --> 10:39.270 Waarschijnlijk een jonge licaan, links uit 1998 daar. 10:39.400 --> 10:40.850 Zo jonge Licorne. 10:40.870 --> 10:45.880 We gaan het eigenlijk meer hebben over deze fenomenale persoon in de ruimte van diep leren. 10:45.880 --> 10:50.290 In het deel van de cursus hadden we het over convolutionele neurale netwerken. 10:50.320 --> 10:54.870 En je zult zien dat dit zeker iemand is die weet waar hij het over heeft. 10:55.150 --> 11:00.790 Hij is een goede vriend van Geoffrey Hinton, die we al hebben gezien, die zeer gedimensioneerd is. 11:00.790 --> 11:06.700 In dit artikel leer je dus meer over ontsmetting en normalisatie, maar je kunt ook tal van andere 11:06.700 --> 11:08.350 verschillende tips en trucs oppikken. 11:08.350 --> 11:12.050 En hij zal een goede bron zijn voor extra lectuur als je door de partituur gaat. 11:12.100 --> 11:12.320 Dus. 11:12.520 --> 11:14.940 Dus, ja, bekijk het eens als je geïnteresseerd bent in wat extra lectuur. 11:15.350 --> 11:16.860 En daar gaan we. 11:16.870 --> 11:23.040 Dus dat is wat we moeten doen als de variabelen en hier hebben we de uitvoerwaarde. 11:23.080 --> 11:24.730 Dus wat kan onze outputwaarde zijn? 11:25.030 --> 11:26.200 Nou, we hebben een paar opties. 11:26.200 --> 11:31.240 Uitvoerwaarde kan continu zijn, zoals bijvoorbeeld prijs, het kan binair zijn. 11:31.240 --> 11:38.590 Een persoon zal bijvoorbeeld vertrekken of blijven of het kan een categorische verbale en fysieke of een categorische variabele 11:38.590 --> 11:39.040 zijn. 11:39.190 --> 11:43.810 Het belangrijkste om te onthouden is dat in dat geval uw uitvoerwaarde niet slechts één zal zijn. 11:43.810 --> 11:49.720 Het zullen verschillende uitvoerwaarden zijn, omdat dit dummyvariabelen zijn die uw categorieën vertegenwoordigen 11:49.720 --> 11:53.110 en dat is precies hoe het werkt. 11:53.110 --> 11:59.020 En het is gewoon belangrijk om te onthouden dat je in dat geval je categorieën op die manier 11:59.020 --> 12:01.390 uit het kunstmatige neurale netwerk haalt. 12:02.710 --> 12:05.230 Maar laten we teruggaan naar een eenvoudig geval van één uitvoerwaarde. 12:05.590 --> 12:10.090 En laten we nu nog een punt hebben of een beetje zoals het punt dat ik al heb gemaakt. 12:10.090 --> 12:12.070 Ik wilde dit punt alleen maar herhalen. 12:13.300 --> 12:15.010 Aan de linkerkant heb je een enkele observatie. 12:15.370 --> 12:19.630 Dus een van je uit je dataset en aan de rechterkant heb je ook een enkele observatie. 12:19.630 --> 12:21.700 En dat is dezelfde observatie. 12:22.090 --> 12:27.640 Het is zo belangrijk om te onthouden dat, welke invoer je ook invoert, dat voor één rij is en dan de 12:27.640 --> 12:29.800 uitvoer die je krijgt voor diezelfde rol. 12:29.980 --> 12:34.120 Of als je je neurale netwerk traint, dan zet je de input voor die ene 12:34.120 --> 12:34.420 rol. 12:34.420 --> 12:35.900 Je zet de output daarvoor in. 12:36.310 --> 12:42.040 Dus, als je de complexiteit wilt vereenvoudigen, beschouw het dan als een eenvoudige lineaire regressie of 12:42.190 --> 12:43.910 een multivariate lineaire regressie. 12:43.930 --> 12:46.330 Dus je voert je waarden in. 12:46.660 --> 12:47.650 Jij hebt de output. 12:48.240 --> 12:52.060 Het is alsof er geen twijfel over bestaat als we het hebben over dingen als regressie, omdat we er zo 12:52.060 --> 12:52.720 aan gewend zijn. 12:52.730 --> 12:53.290 Hetzelfde hier. 12:53.290 --> 12:54.910 Het is niets te ingewikkeld. 12:54.910 --> 12:56.050 We voeren alleen waarden in. 12:56.050 --> 12:56.680 We krijgen output. 12:56.680 --> 13:01.270 Maar onthoud dat elke keer dat je met één rij te maken hebt, je niet in 13:01.270 --> 13:06.460 de war raakt en begint te denken dat dit verschillende, verschillende rollen zijn die je in je kunstmatige 13:07.360 --> 13:09.040 neurale netwerk stopt of zoiets. 13:09.070 --> 13:11.170 Dit zijn allemaal gewoon waarden in die ene rol. 13:11.170 --> 13:16.720 Dus telkens andere waarnemingen, andere kenmerken van of attributen die betrekking hebben op die ene 13:16.750 --> 13:17.470 waarneming. 13:19.060 --> 13:25.330 OK, dus het volgende waar we het hier over willen hebben, is of de synopsis een teken is dat we 13:25.330 --> 13:28.870 hier wetenschappen hebben en dat ze allemaal gewichten toegewezen krijgen. 13:28.870 --> 13:31.690 We gaan het nog hebben over gewichten voor dons. 13:31.690 --> 13:39.400 Maar kortom, gewichten zijn cruciaal voor het functioneren van kunstmatige neurale netwerknetwerken, omdat neurale netwerken 13:39.400 --> 13:41.320 leren met gewichten. 13:41.680 --> 13:49.090 Door de gewichten aan te passen, bepaalt het neurale netwerk in elk afzonderlijk geval welk enkel signaal belangrijk is, welk signaal niet belangrijk 13:49.090 --> 13:53.290 is voor een bepaald neuron, welk signaal wordt doorgegeven en welk signaal niet 13:53.290 --> 13:57.430 wordt doorgegeven, of met welke sterkte, aan wat mate signalen worden doorgegeven. 13:57.670 --> 13:59.230 Gewichten zijn dus cruciaal. 13:59.260 --> 14:03.520 Dat zijn en zijn de dingen die tijdens het leerproces worden aangepast. 14:03.520 --> 14:07.690 Zoals wanneer je traint op een kunstmatig neuraal netwerk, je in feite alle gewichten 14:07.690 --> 14:10.880 aanpast in alle sinussen in dit hele neurale netwerk. 14:11.040 --> 14:16.600 En dat is waar gradiëntafdaling en terugpropagatie in het spel komen. 14:16.600 --> 14:18.540 En dat zijn concepten die we ook zullen bespreken. 14:19.060 --> 14:21.040 En dus eigenlijk zijn dat de gewichten. 14:21.340 --> 14:22.600 Dat is alles wat we voor nu moeten weten. 14:23.020 --> 14:24.550 En hier hebben we het neuron. 14:24.550 --> 14:28.040 Dus signalen gaan het neuron in en wat er in het neuron gebeurt. 14:28.330 --> 14:33.070 Dus dit is het interessante deel, zoals we het vandaag over het neuron hebben, wat er in het neuron 14:33.070 --> 14:33.390 gebeurt. 14:33.790 --> 14:36.250 Er gebeuren dus eerst een paar dingen. 14:36.250 --> 14:41.290 En de eerste stap is dat al deze waarden die worden opgeteld worden opgeteld. 14:41.290 --> 14:48.310 Dus het neemt de toegevoegde dus de gewogen som van alle invoerwaarden die het krijgt. 14:48.940 --> 14:49.660 Heel eenvoudig, toch? 14:49.810 --> 14:51.130 Het is heel, heel eenvoudig. 14:51.130 --> 14:56.780 Gewoon optellen vermenigvuldigd trouwens, tel ze op en dan is het van toepassing en activeringsfunctie. 14:57.100 --> 14:59.170 Nu gaan we het meer hebben over de activeringsfunctie. 14:59.360 --> 15:03.230 Want de overheid is in feite een functie die 15:04.160 --> 15:14.270 aan dit neuron of aan deze hele laag is toegewezen, en het wordt toegepast op deze gewogen som, en daaruit begrijpt het neuron of het een 15:14.270 --> 15:22.190 signaal moet doorgeven, dat is het signaal dat het geeft door, dat de functie van toepassing was op de gewogen som. 15:22.190 --> 15:26.330 Maar eigenlijk zal het neuron, afhankelijk van de functie, een signaal doorgeven of dat signaal 15:26.330 --> 15:27.050 niet doorgeven. 15:27.740 --> 15:29.500 En dat is precies wat hier gebeurde. 15:29.510 --> 15:35.180 In stap drie geeft het neuron dat signaal door aan het volgende neuron langs de lijn. 15:35.990 --> 15:39.890 En daar gaan we het in de volgende tutorial over hebben, want het is een behoorlijk belangrijk onderwerp. 15:39.890 --> 15:46.220 We willen dieper ingaan op de activeringsfunctie, maar hopelijk moet voor nu alles vrij duidelijk zijn hoe, weet je, 15:46.220 --> 15:50.570 je hebt invoerwaarden, je hebt gewichten, je hebt de sinussen, je hebt 15:50.570 --> 15:52.760 iets, weet je, gebeurt in neuron. 15:52.760 --> 15:57.230 Je hebt de gewogen Salminen-activeringsfunctie toegepast en dan wordt dat doorgegeven langs de lijn en 15:57.230 --> 16:03.350 dat wordt gewoon herhaald door het hele neurale netwerk, maar door en door en door, je weet wel, duizenden, honderdduizenden 16:03.350 --> 16:07.460 keren, afhankelijk van hoe groot, hoeveel neuronen je hebt, hoeveel aanmeldingen je hebt 16:07.460 --> 16:08.990 in je neurale netwerk. 16:09.470 --> 16:10.030 Dus daar gaan we. 16:10.040 --> 16:12.440 Ik hoop dat je genoten hebt van het redactionele commentaar van vandaag. 16:12.470 --> 16:13.110 Tot de volgende keer. 16:13.130 --> 16:14.960 En tot die tijd, geniet van deep learning.