WEBVTT 00:00.300 --> 00:02.290 Hallo und willkommen zurück zum Kurs und tiefes Lernen. 00:02.430 --> 00:07.980 Heute sprechen wir über das Neuron, das den Grundbaustein künstlicher neuronaler Netzwerke darstellt. 00:08.010 --> 00:09.390 Also lasst uns anfangen. 00:09.390 --> 00:11.340 Vorher haben wir ein Bild gesehen, das so aussah. 00:11.340 --> 00:18.300 Und das sind echte Neuronen, die ein wenig mit Glanz und Farbe verschmiert wurden und durch ein 00:18.360 --> 00:19.950 Mikroskop beobachtet werden. 00:19.950 --> 00:22.140 So sehen sie aus, wie Sie sehen können. 00:22.140 --> 00:29.730 Eine sehr interessante Struktur, ein Körper und dann viele verschiedene Arten von Ästen, die aus ihnen 00:29.730 --> 00:30.250 herauskommen. 00:30.330 --> 00:32.350 Und das ist sehr interessant. 00:32.370 --> 00:38.400 Aber die Frage ist, wie können wir das in einer Maschine neu erstellen, weil 00:38.400 --> 00:47.610 wir es wirklich neu erstellen müssen, weil der Zweck des tiefen Lernens darin besteht, die Funktionsweise des menschlichen Gehirns nachzuahmen, in der 00:47.820 --> 00:51.000 Hoffnung, dass wir damit etwas schaffen tolle. 00:51.000 --> 00:55.200 Wir werden eine erstaunliche Infrastruktur schaffen, in der Maschinen lernen können. 00:55.230 --> 00:56.800 Und warum hoffen wir darauf? 00:56.820 --> 01:03.480 Nun, das menschliche Gehirn ist einfach eines der leistungsfähigsten Lernwerkzeuge auf dem Planeten 01:03.880 --> 01:07.300 oder ähnliche Lernmechanismen auf dem Planeten. 01:07.320 --> 01:11.310 Und wir hoffen einfach, dass wir, wenn wir das wieder herstellen, etwas so Großartiges haben. 01:11.310 --> 01:17.670 Daher besteht unsere erste Herausforderung beim Aufbau künstlicher neuronaler Netzwerke darin, ein Neuron zu 01:17.700 --> 01:18.380 erstellen. 01:18.390 --> 01:19.090 Wie machen wir das? 01:19.110 --> 01:23.840 Zunächst einmal wollen wir uns genauer ansehen, was es eigentlich ist. 01:23.880 --> 01:33.180 Dieses Bild wurde erstmals 1899 von einem spanischen Neurowissenschaftler und Chagga Ramon Yi Kajal erstellt. 01:33.180 --> 01:37.780 Und was er tat, war, dass er in Neuronen im Gehirngewebe starb. 01:37.780 --> 01:39.850 Und sieh sie unter einem Mikroskop an. 01:39.900 --> 01:43.530 Und während er sie anschaute, zeichnete er tatsächlich das, was er sah, und das sah er auch. 01:43.530 --> 01:49.560 Er sah es zu Ihren Händen oder zu zwei großen Neuronen dort oben, wo all diese Äste 01:49.560 --> 01:57.930 in Richtung der oberen Teile von ihnen abkamen, und dann hatte jeder von ihnen diesen Araud oder einen ähnlichen Faden, der sehr lange 01:57.930 --> 01:59.410 nach unten kam. 01:59.520 --> 02:01.510 Und so sah er es. 02:01.660 --> 02:07.800 Und jetzt wissen Sie, dass die Technologie viel weiter fortgeschritten ist, und wir haben Neuronen viel detaillierter 02:07.800 --> 02:11.890 gesehen, und jetzt können wir tatsächlich zeichnen, wie es schematisch aussieht. 02:11.910 --> 02:13.220 Schauen wir uns das mal an. 02:13.440 --> 02:14.190 Hier ist ein Neuron. 02:14.190 --> 02:21.810 Es sieht so aus, als würde Santiago um einen hier und hier und dieses Jahr ziehen, und wir können 02:21.810 --> 02:24.310 sehen, dass es eine Leiche hat. 02:24.570 --> 02:29.100 Das ist der Hauptteil des Neurons und dann hat es oben ein paar Zweige, die Dendriten genannt 02:29.160 --> 02:33.200 werden, und es hat auch ein X, das diesen langen Schwanz des Euro darstellt. 02:33.300 --> 02:38.030 Und was sind diese Dendriten? 02:38.130 --> 02:44.040 Der Schlüssel zum Verständnis hier ist, dass Neuronen an sich ziemlich nutzlos sind. 02:44.040 --> 02:45.570 Es ist wie eine Ameise. 02:45.600 --> 02:46.140 Recht. 02:46.170 --> 02:49.640 Und alleine kann ich meine fünf Anzeigen zusammen machen. 02:49.830 --> 02:51.170 Vielleicht können sie etwas abholen. 02:51.190 --> 02:55.830 Aber sie tun es auch nicht, sie können einen Ameisenhaufen bauen, oder sie nennen sie 02:56.430 --> 02:59.340 eine Kolonie, die nicht als riesiger Organismus zusammenarbeiten kann. 02:59.370 --> 03:03.510 Aber zur gleichen Zeit, wenn Sie viele und viele Anzeigen haben, wie Sie eine Million haben und sie eine 03:03.510 --> 03:05.680 ganze Kolonie bauen können, können sie einen Ameisenhaufen bauen. 03:05.680 --> 03:06.600 Gleiches mit Neuronen. 03:06.600 --> 03:12.320 An sich ist es nicht so stark, aber wenn Sie viele Neuronen zusammen haben, arbeiten sie zusammen, um zu zaubern. 03:12.510 --> 03:13.820 Und wie arbeiten sie zusammen? 03:13.820 --> 03:14.430 Das ist die Frage. 03:14.440 --> 03:19.140 Nun, das ist es, was die Dendriten und Aksenov dafür sind, also sind die Dendriten wie die Empfänger des 03:19.140 --> 03:22.980 Signals für das Neuron und das Axon ist der Sender des Signals für das Neuron. 03:23.220 --> 03:26.520 Und hier ist ein Bild davon, wie alles konzeptionell funktioniert. 03:26.520 --> 03:32.550 An der Spitze hast du also alleine und du kannst sehen, dass seine Dendriten mit Axonen anderer 03:32.550 --> 03:35.990 Neuronen verbunden sind, die sich noch weiter darüber befinden. 03:36.000 --> 03:42.930 Und dann wandert das Signal Ihres eigenen über sein Axon und verbindet oder überträgt sich auf die Dendriten des nächsten Neurons, 03:42.930 --> 03:44.960 und so werden sie miteinander verbunden. 03:45.030 --> 03:53.040 Und in diesem kleinen Bild drüben kann man sehen, dass das Axon nicht wirklich die Dendritenpartie berührt. 03:53.310 --> 03:59.130 Viel maschinelles Lernen oder wie ein paar maschinelle Lernwissenschaftler sind sehr darauf bedacht, dass 03:59.130 --> 04:03.650 es nicht wie der Raum berührt, den es nicht berührt. 04:03.660 --> 04:06.890 Es wurde nachgewiesen, dass dort keine physische Verbindung besteht. 04:06.960 --> 04:14.010 Aber der Punkt, an dem wir interessiert sind, ist, dass die Verbindung zwischen ihnen und dem gesamten Konzept des Signals, das durch 04:14.010 --> 04:19.590 die Signups erinnert wird, die Sie dort in diesem kleinen Bild sehen können, in dem sich die 04:20.300 --> 04:22.210 Klammer befindet, ein Sign-Up ist. 04:22.230 --> 04:23.820 Und das ist der Trend, den wir machen werden. 04:23.820 --> 04:29.820 Anstatt unsere künstlichen Neuronen die Linien zu nennen, die wir haben werden, 04:29.820 --> 04:34.200 oder die Konnektoren für künstliche Neuronen, werden wir sie 04:34.200 --> 04:36.880 jetzt Axonen oder Dendriten nennen. 04:36.990 --> 04:39.340 Wir nennen das gut, was gut ist, um sie als Zeichen von Zellen zu bezeichnen. 04:39.510 --> 04:42.680 Und das beantwortet irgendwie alle Fragen in einem. 04:42.690 --> 04:47.610 Das ist im Grunde nur der Ort, an dem das Signal weitergegeben wird, egal, zu wem dieses Element gehört. 04:47.610 --> 04:51.550 Sie sind nur eine Darstellung des Signaldurchgangs und wir werden das jetzt sehen. 04:51.960 --> 04:55.210 Im Grunde funktioniert ein Neuron also. 04:55.210 --> 05:03.620 Und ja, also lasst uns weiter überlegen, wie wir Neuronen 05:03.620 --> 05:09.380 darstellen sollen. Neuronen in Maschinen erstellen. 05:09.460 --> 05:10.260 Und es geht los. 05:10.360 --> 05:17.260 Hier ist unser Neuron manchmal auch als Knoten bezeichnet, als Ihr eigenes Eingangssignale erhält und ein 05:17.260 --> 05:18.400 Ausgangssignal hat. 05:18.400 --> 05:21.040 So erinnern sich Dendriten und Axone. 05:21.040 --> 05:27.490 Aber wieder rufen wir diese Anmeldungen auf und dann werden diese Eingangssignale auch von 05:27.490 --> 05:29.050 anderen Neuronen präsentiert. 05:29.080 --> 05:35.500 In diesem speziellen Fall können Sie also sehen, dass dieses Neuron grün ist und dass Sie Signale von gelben Neuronen 05:35.500 --> 05:35.860 empfangen. 05:35.860 --> 05:41.800 In diesem Kurs versuchen wir uns an ein bestimmtes Farbcodierungsregime zu halten, bei dem Gelb eine Eingabeebene 05:41.830 --> 05:42.540 bedeutet. 05:42.540 --> 05:50.700 Im Grunde sind also alle Neuronen, die sich auf der äußeren Schicht auf der ersten Vorderseite befinden, wo die Signale eingehen und 05:50.710 --> 05:52.300 durch Signale empfangen werden. 05:52.300 --> 05:59.200 Es könnte wie ein bisschen übertrieben sein, wenn man dieses Signal als Signal bezeichnet, es ist im Grunde nur Eingabewerte. 05:59.330 --> 06:04.720 Sie wissen also, wie Sie auch in einer einfachen linearen Regression Eingabewerte haben und dann einen vorhergesagten Wert haben, der 06:04.720 --> 06:05.620 hier identisch ist. 06:05.620 --> 06:10.720 Sie haben also Eingabewerte, und dort sind sie die gelben, und rechts sehen Sie gerade jetzt, dass sie rot 06:10.720 --> 06:11.250 ist. 06:11.260 --> 06:12.820 Es wird der Ausgabewert sein. 06:13.600 --> 06:17.140 Die andere Sache, die ich hier hervorheben wollte, ist, dass wir in 06:17.140 --> 06:21.320 diesem speziellen Beispiel ein Neuron betrachten, das seine Signale von den Neuronen der Eingabeschicht erhält. 06:21.320 --> 06:24.220 Es gibt auch Neuronen, aber ihre Eingaben sind ihre Neuronen. 06:24.530 --> 06:31.450 Manchmal haben Sie Neuronen, die ihr Signal von anderen Neuronen mit versteckter Schicht erhalten, also von anderen grünen 06:31.450 --> 06:35.860 Neuronen, und das Konzept wird genau dasselbe sein, das ich einfach in 06:35.860 --> 06:42.820 diesem Fall verwende. Der Einfachheit halber verwenden wir dieses Beispiel Die Eingabeebene Die Art und Weise, darüber nachzudenken, ist 06:42.970 --> 06:49.900 in der Analogie des menschlichen Gehirns, dass die Eingabeebene Ihren Sinnen entspricht, so dass alles, was Sie sehen können, 06:49.900 --> 06:52.290 ein Berühren oder Riechen hört. 06:52.510 --> 06:57.220 Es ist natürlich so, als gäbe es viele Dinge, die man sehen kann, dass viele Informationen 06:57.220 --> 06:57.530 kommen. 06:57.730 --> 07:02.860 Aber das ist dein Das, worauf dein Gehirn beschränkt ist, ist so ziemlich ein Leben. 07:03.010 --> 07:09.160 Israel lebt in einer Kiste aus Knochen und es ist nur ein umwerfendes Konzept, darüber nachzudenken, dass 07:09.160 --> 07:15.430 Ihr Gehirn nur in einer schwarzen Kiste eingeschlossen ist und das einzige, was es sehen kann, hören kann. 07:15.430 --> 07:20.710 Das einzige, was er bekommt, sind elektrische Impulse, die 07:20.710 --> 07:28.210 von diesen Organen ausgehen, die Sie haben. Wir sollten Ihre Ohren als Nasenaugen bezeichnen. 07:28.210 --> 07:34.150 Richtig, Sie erhalten also nur Signale, aber es lebt im Grunde in dieser dunklen schwarzen Box und 07:34.150 --> 07:38.460 es macht die Welt durch Ihre Sinne einen Sinn, es ist phänomenal. 07:38.500 --> 07:38.930 Und so ja. 07:38.950 --> 07:43.030 Sie haben also diese Eingaben, die in Bezug auf das menschliche Gehirn kommen. 07:43.030 --> 07:49.540 Das sind Ihre fünf Sinne und in Bezug auf maschinelles Lernen oder tiefes Lernen, dh im Grunde sind Ihre Eingabewerte 07:49.900 --> 07:55.500 Ihre unabhängigen Variablen. Wir werden dies in einer Sekunde erhalten, damit Ihre Eingabewerte das Signal durch die 07:56.400 --> 08:01.450 Nebenhöhlen an das Neuron und dann an Ihre weiterleiten own hat einen Ausgabewert, den es 08:01.510 --> 08:03.200 in der Kette weitergibt. 08:03.550 --> 08:07.990 In diesem speziellen Fall in Bezug auf die Farbcodierung wiederum bedeutet gelb Eingabeschicht, also vereinfachen wir 08:07.990 --> 08:11.830 alles hier. Wir sagen, dass wir nur wie die Eingabeschicht haben werden, und dann 08:11.830 --> 08:16.510 haben wir eine versteckte Schicht mit der grünen Das ist das Hinterland, dann werden wir die Ausgabe sofort 08:16.510 --> 08:17.140 dort haben. 08:17.530 --> 08:21.370 Nur damit wir uns an diese Anrufe erst einmal gewöhnen können. 08:21.580 --> 08:24.030 Also los, das ist die Grundstruktur. 08:24.030 --> 08:28.390 Schauen wir uns nun diese verschiedenen Elemente etwas genauer an. 08:28.390 --> 08:31.090 Wir haben also die Eingabeebene und was haben wir hier. 08:31.090 --> 08:37.090 Nun, wir haben diese Eingänge, die eigentlich eine unabhängige Variable sind, also hängen Variable 1 und eine Bitvariable von 08:37.090 --> 08:38.170 unabhängigen Variablen ab. 08:38.170 --> 08:44.230 Dabei ist zu beachten, dass diese unabhängigen Variablen alle für eine einzige Beobachtung 08:44.230 --> 08:44.740 sind. 08:44.740 --> 08:47.620 Stellen Sie sich also nur eine Zeile in Ihrer Datenbank vor. 08:47.620 --> 08:54.790 Eine Beobachtung, Sie nehmen einfach alle unabhängigen Variablen, die Sie kennen, vielleicht ist es das Alter der Person, der 08:54.820 --> 09:01.270 Geldbetrag auf dem Bankkonto und wie wird dann gefahren, um zu arbeiten, welche Methode des Schutzes 09:01.270 --> 09:03.070 von Shampoo sie verwenden. 09:03.080 --> 09:08.800 Aber das sind alles Deskriptoren einer bestimmten Person, bei der Sie entweder 09:09.130 --> 09:12.510 Ihr Modell trainieren oder eine Vorhersage treffen. 09:12.610 --> 09:16.900 Die andere Sache, die Sie über diese Variablen wissen müssen, ist, dass 09:16.900 --> 09:21.310 Sie sie standardisieren müssen, um sie entweder zu standardisieren. Stellen Sie also sicher, 09:21.340 --> 09:29.470 dass sie einen Mittelwert von Null und eine Abweichung von eins haben Diese Spuren sind etwas detaillierter, vielleicht in der Praxis, Sie könnten auf 09:29.480 --> 09:34.090 diese stoßen, und manchmal möchten Sie vielleicht wissen, dass die Standardisierung sie normalisieren 09:34.090 --> 09:34.800 möchte. 09:34.990 --> 09:41.050 Das bedeutet, anstatt sicherzustellen, dass Mittelwert und sehr Muser und Varianz ein Wert sind, von dem Sie wissen, dass Sie 09:41.050 --> 09:46.130 den Minimalwert subtrahieren und dann durch das Maximum minus Minimum durch den Bereich Ihrer Werte und 09:46.150 --> 09:49.350 die vier Werte zwischen 0 und 1 dividieren . 09:49.510 --> 09:53.580 Und es hängt von diesem Szenario ab, dass Sie das eine oder das andere tun möchten. 09:53.590 --> 10:00.700 Grundsätzlich möchten Sie jedoch, dass alle diese Variablen in etwa dem gleichen Wertebereich ähnlich sind und 10:00.760 --> 10:01.680 warum. 10:01.700 --> 10:02.150 Warum das. 10:02.150 --> 10:06.890 Nun, alle diese Werte werden in ein neuronales Netzwerk eingehen, wo wir, wie wir 10:06.890 --> 10:12.980 jetzt gerade sehen werden, sie addieren und mit den Gewichtungen multiplizieren, die sie aufsummiert und so weiter 10:12.980 --> 10:16.990 Netzwerk, um sie zu verarbeiten, wenn sie alle gleich sind. 10:17.210 --> 10:23.790 Und in der Tat wissen Sie, dass es genau so ist, dass es richtig funktionieren kann. 10:24.260 --> 10:29.210 Und wenn Sie mehr über die Normungsnormalisierung und andere Dinge erfahren möchten, 10:29.210 --> 10:36.440 die Sie tun können, wenn Sie wissen, welche Variablen eine gute zusätzliche Lektüre von jungen Licken 1998-Links 10:37.070 --> 10:39.630 als effizientes Zurückschreiben bezeichnet wird. 10:39.650 --> 10:47.570 Daher werden wir im Rahmen des Kurses, über den wir sprechen, tatsächlich mehr über diese phänomenale Person im Bereich des 10:47.680 --> 10:49.040 tiefen Lernens sprechen. 10:49.040 --> 10:53.930 Konvolutionelle neuronale Netzwerke und Sie werden sehen, dass dies definitiv eine Person ist, die weiß, 10:53.930 --> 10:55.280 worüber er spricht. 10:55.280 --> 11:00.840 Er ist ein enger Freund von Jeffrey Hinton, den wir schon gesehen haben, der sehr schwach ist. 11:00.860 --> 11:07.070 In diesem Artikel erfahren Sie mehr über die Zentrierung der Normalisierung, aber Sie können auch viele andere Tipps und 11:07.070 --> 11:11.510 Tricks einholen und sind eine gute Quelle für zusätzliche Informationen, wenn Sie diesen 11:11.510 --> 11:12.470 Kurs durchgehen. 11:12.590 --> 11:15.800 Schauen Sie sich also an, ob Sie an weiteren Informationen interessiert sind. 11:16.290 --> 11:16.940 Da gehen wir. 11:16.940 --> 11:20.210 Also machen wir das für die Verbale. 11:20.390 --> 11:23.140 Und hier haben wir den Ausgabewert. 11:23.180 --> 11:24.960 Was kann also unser Ausgabewert sein? 11:25.130 --> 11:26.280 Nun, wir haben ein paar Möglichkeiten. 11:26.300 --> 11:32.110 Der Ausgabewert kann ein kontinuierlicher Wert sein. Beispielsweise kann der Preis binär sein, zum 11:32.110 --> 11:39.260 Beispiel, dass eine Person das Unternehmen verlässt oder bleibt oder kategorial verbal und physisch rechtswidrig kategorisch verbal sein kann. 11:39.260 --> 11:44.060 Hierbei ist zu beachten, dass es sich bei Ihrem Ausgabewert nicht 11:44.060 --> 11:50.390 nur um einen einzigen Wert handelt, sondern um mehrere Ausgabewerte, da es sich hierbei um Dummy-Variablen handelt, 11:51.360 --> 11:57.400 die Ihre Kategorien darstellen. Das ist genau so, wie es funktioniert und wichtig Denken Sie daran, 11:57.410 --> 12:02.640 dass Sie in diesem Fall Ihre Kategorien aus dem künstlichen neuronalen Netzwerk herausholen. 12:02.810 --> 12:05.510 Aber zurück zu einem einfachen Fall einer Ausgangslautstärke. 12:05.750 --> 12:11.780 Und jetzt noch einen Punkt oder eine Art ähnlicher Art wie der Punkt, zu dem ich bereit war, diesen 12:11.780 --> 12:15.360 Punkt links noch einmal zu wiederholen. Sie haben eine einzige Beobachtung. 12:15.470 --> 12:20.180 Überlegen Sie sich also, ob Sie aus Ihren Datenbeständen meinen und auf der rechten Seite haben Sie auch eine einzige 12:20.210 --> 12:21.990 Richtung und das ist die gleiche Beobachtung. 12:22.190 --> 12:28.100 Es ist also wichtig, sich daran zu erinnern, dass die Eingaben, die Sie eingeben, für eine Zeile gelten und die Ausgabe, die Sie 12:28.100 --> 12:29.960 erhalten, für genau dieselbe Zeile ist. 12:30.080 --> 12:34.420 Oder wenn Sie Ihr neuronales Netzwerk trainieren, dann wissen Sie, dass Sie die Eingaben für die eine Rolle eingeben, in 12:34.420 --> 12:36.440 die Sie die Ausgabe für diese eine Zeile legen. 12:36.440 --> 12:42.440 Wenn Sie also die Komplexität vereinfachen möchten, können Sie sie als eine einfache Sache, eine Regression oder eine 12:42.440 --> 12:43.990 multivariate lineare Regression betrachten. 12:43.990 --> 12:48.150 Sie geben also Ihre Werte ein, Sie haben die Ausgabe. 12:48.180 --> 12:49.700 Da gibt es keine Frage. 12:49.700 --> 12:52.790 Wenn wir über Dinge wie Regression sprechen, weil wir so daran gewöhnt sind. 12:52.790 --> 12:54.980 Gleiches hier ist nichts zu komplexes. 12:54.980 --> 12:56.740 Wir geben nur Werte ein, die wir produzieren. 12:56.760 --> 13:01.310 Denken Sie jedoch daran, dass Sie sich jedes Mal, wenn Sie 13:01.310 --> 13:07.940 sich in einer Reihe befinden, damit Sie nicht verwirrt werden, und denken Sie daran, dass es sich um 13:07.940 --> 13:12.710 unterschiedliche Reihen handelt, die Sie in Ihr künstliches neuronales Netzwerk einfügen dadurch, dass 13:12.710 --> 13:18.970 man eine unterschiedliche Beobachtung durchforstet, verschiedene Merkmale oder Attribute, die sich auf diese Beobachtung beziehen, jedes Mal. 13:19.160 --> 13:26.090 OK, das nächste, worüber wir hier sprechen wollen, ist unsere Nebenhöhlen: Asylum. Hier haben wir Dienstleistungen 13:26.090 --> 13:28.940 und sie bekommen alle Gewichte zugewiesen. 13:28.940 --> 13:37.100 Wir werden mehr über Gewichte weiter unten sprechen, aber kurz gesagt sind Gewichte von entscheidender Bedeutung für das Funktionieren von künstlichen 13:37.100 --> 13:44.040 neuronalen Netzwerknerven. Denn Gewichte lernen, wie neuronale Netzwerke durch Anpassen der Gewichte das neuronale Netzwerk in jedem einzelnen 13:44.470 --> 13:50.270 Fall entscheiden, welches einzelne Signal schlecht ist und was Signal ist für bestimmte Neuronen 13:50.270 --> 13:51.140 nicht wichtig. 13:51.140 --> 13:56.300 Welche Single wird weitergegeben und welches Signal wird nicht weitergegeben bzw. in welcher Stärke 13:56.300 --> 13:57.770 werden Signale weitergegeben. 13:57.770 --> 13:59.320 Gewichte sind also entscheidend. 13:59.330 --> 14:03.590 Sie sind und sind die Dinge, die durch den Lernprozess angepasst werden. 14:03.590 --> 14:07.760 Wenn Sie beispielsweise unter einem künstlichen neuronalen Netzwerk trainieren, passen Sie im Wesentlichen 14:07.760 --> 14:11.050 alle Gewichte in allen Nebenhöhlen im gesamten neuronalen Netzwerk an. 14:11.250 --> 14:17.910 Hier kommen Gradientenabstieg und Rückwärtsausbreitung ins Spiel, und dies sind Konzepte, die wir auch 14:17.910 --> 14:19.240 besprechen werden. 14:19.670 --> 14:21.410 Im Grunde sind das also die Gewichte. 14:21.410 --> 14:22.940 Das muss ich jetzt wissen. 14:23.150 --> 14:28.420 Und wir haben die Neuronen, so dass Signale in das Neuron gelangen und was in Europa passiert. 14:28.430 --> 14:30.520 Das ist also der interessante Teil. 14:30.530 --> 14:33.670 Als würden wir heute vom Neuron sprechen, was im Neuron passiert. 14:33.890 --> 14:40.100 Ein paar Dinge passieren als erstes und der erste Schritt ist, dass alle 14:40.190 --> 14:43.730 diese Werte, die es erhält, addiert werden. 14:43.850 --> 14:51.200 Die gewichtete Summe aller Eingabewerte, die sehr einfach wird, ist sehr einfach. Addieren Sie die 14:51.220 --> 14:57.200 Summe der Additionswerte und addieren Sie sie. Anschließend wird eine Aktivierungsfunktion angewendet. 14:57.200 --> 15:00.960 Jetzt werden wir mehr über Aktivierungsfunktionen sprechen, aber es 15:00.960 --> 15:09.420 ist im Grunde eine Funktion, die diesem Neuron oder dieser ganzen Schicht zugewiesen ist, und auf diese Weise angewendet, um einige hinzuzufügen. 15:09.570 --> 15:16.890 Und dann versteht die Eurozone, ob sie ein Signal weiterleiten muss, wenn Sie möchten, und dies ist das Signal, das sie 15:16.890 --> 15:22.260 weitergibt, dass die Funktion auf die Art und Weise angewendet wird, auf die einige funktionieren. 15:22.260 --> 15:26.400 Je nach Funktion leitet das Neuron jedoch das Signal entweder weiter oder das 15:26.400 --> 15:27.640 Signal nicht weiter. 15:27.870 --> 15:30.910 Und genau das ist hier in Schritt drei passiert. 15:31.430 --> 15:35.670 Die Neuronenpastas signalisieren diesem nächsten Neuron die Linie. 15:36.090 --> 15:39.960 Und darüber werden wir im nächsten Tutorial sprechen, weil es ein recht wichtiges Thema ist. 15:39.960 --> 15:46.380 Wir wollen tiefer in die Aktivierungsfunktion eintauchen, aber hoffentlich ist jetzt alles klar, wie Sie die Eingabewerte kennen, die Sie 15:46.380 --> 15:51.600 mit Gewichten haben. Sie haben Designhäuser. Sie haben etwas, das Sie in Ihrem Neuron passiert. Ich 15:51.660 --> 15:56.430 habe einen Weg gefunden, wie Sarmad eine Aktivierungsfunktion angewendet hat und diese dann weitergegeben 15:56.430 --> 16:00.510 wird und die sich im gesamten neuronalen Netzwerk immer wieder wiederholt, und 16:00.510 --> 16:06.660 immer wieder und Sie kennen Tausende von Tausenden von Malen, je nachdem, wie viele Neuronen Sie haben wie viele 16:06.660 --> 16:09.550 Anmeldungen Sie in Ihrem neuronalen Netzwerk haben. 16:09.570 --> 16:10.110 Also los geht's. 16:10.110 --> 16:13.270 Ich hoffe, Ihnen hat der Tutorial-Code bis zu einem gewissen Grad gefallen. 16:13.410 --> 16:15.010 Bis dahin tiefes Lernen genießen.