WEBVTT 00:00.300 --> 00:02.290 Halo dan selamat datang kembali ke kursus dan pembelajaran yang mendalam. 00:02.430 --> 00:07.980 Hari ini kita berbicara tentang neuron yang merupakan blok bangunan dasar jaringan saraf tiruan. 00:08.010 --> 00:09.390 Jadi mari kita mulai. 00:09.390 --> 00:11.340 Sebelumnya kami melihat gambar yang terlihat seperti ini. 00:11.340 --> 00:18.300 Dan ini adalah neuron kehidupan nyata aktual yang telah dioleskan ke gloss dan warna sedikit dan 00:18.360 --> 00:19.950 diamati melalui mikroskop. 00:19.950 --> 00:22.140 Jadi mereka terlihat seperti yang Anda lihat. 00:22.140 --> 00:30.250 Cukup menarik struktur tubuh dan kemudian banyak jenis ekor yang berbeda keluar dari mereka. 00:30.330 --> 00:32.350 Dan ini sangat menarik. 00:32.370 --> 00:38.400 Tetapi pertanyaannya adalah bagaimana kita dapat menciptakan kembali itu dalam sebuah mesin karena kita benar-benar 00:38.400 --> 00:47.610 perlu menciptakannya kembali dan mesin karena seluruh tujuan pembelajaran mendalam adalah untuk meniru cara kerja otak manusia dengan harapan bahwa dengan melakukan 00:47.820 --> 00:51.000 itu kita akan menciptakan sesuatu luar biasa. 00:51.000 --> 00:55.200 Kami akan membuat infrastruktur yang luar biasa agar mesin bisa belajar. 00:55.230 --> 00:56.800 Dan mengapa kita berharap untuk itu. 00:56.820 --> 01:03.480 Nah karena otak manusia baik kebetulan menjadi salah satu alat belajar pembelajaran paling kuat di planet 01:03.880 --> 01:07.300 ini atau seperti mekanisme belajar di planet ini. 01:07.320 --> 01:11.310 Dan kami hanya berharap jika kami menciptakan kembali, kami akan memiliki sesuatu yang luar biasa. 01:11.310 --> 01:17.670 Jadi tantangan kita saat ini. Langkah pertama kita untuk menciptakan jaringan saraf tiruan adalah menciptakan kembali 01:17.700 --> 01:18.380 neuron. 01:18.390 --> 01:19.090 Jadi bagaimana kita melakukannya. 01:19.110 --> 01:23.840 Yah pertama-tama mari kita lihat lebih dekat apa itu sebenarnya. 01:23.880 --> 01:33.180 Gambar ini pertama kali diciptakan oleh seorang ilmuwan saraf Spanyol dan Chagga Ramon Yi Kajal pada tahun 1899. 01:33.180 --> 01:37.780 Dan apa yang dia lakukan adalah dia mati di neuron di jaringan otak yang sebenarnya. 01:37.780 --> 01:39.850 Dan lihat mereka di bawah mikroskop. 01:39.900 --> 01:43.530 Dan ketika dia melihat mereka, dia benar-benar menggambar apa yang dia lihat dan inilah yang dia lihat. 01:43.530 --> 01:49.560 Dia melihatnya di tangan Anda atau dua neuron besar di sana di bagian atas yang memiliki 01:49.560 --> 01:57.930 semua cabang ini keluar dari mereka menuju bagian atas mereka dan kemudian masing-masing memiliki benang Araud atau suka ini keluar ke bagian 01:57.930 --> 01:59.410 bawah sangat lama. 01:59.520 --> 02:01.510 Dan itulah yang dia lihat. 02:01.660 --> 02:07.800 Dan sekarang Anda tahu teknologi telah maju cukup banyak dan kami telah melihat neuron lebih dekat secara 02:07.800 --> 02:11.890 lebih detail dan sekarang kami benar-benar dapat menggambarkan seperti apa diagram. 02:11.910 --> 02:13.220 Jadi mari kita lihat itu. 02:13.440 --> 02:14.190 Ini neuron. 02:14.190 --> 02:21.810 Ini terlihat sangat mirip dengan yang digambar Santiago di sekitar sini dan di sini dan tahun ini dan yang dapat kita 02:21.810 --> 02:24.310 lihat adalah bahwa ia memiliki tubuh. 02:24.570 --> 02:29.100 Itulah bagian utama dari neuron dan kemudian ada beberapa cabang di bagian atas yang 02:29.160 --> 02:33.200 disebut dendrit dan juga mendapat X yang merupakan ekor panjang dari euro. 02:33.300 --> 02:38.030 Jadi, apa dendrit-dendrit ini dan kapan asing menjadi poros untuk baik. 02:38.130 --> 02:44.040 Poin kunci untuk dipahami di sini adalah bahwa neuron sendiri tidak berguna. 02:44.040 --> 02:45.570 Itu seperti semut. 02:45.600 --> 02:46.140 Kanan. 02:46.170 --> 02:49.640 Dan dengan sendirinya dapat melakukan psych my lima iklan bersama. 02:49.830 --> 02:51.170 Mungkin mereka bisa mengambil sesuatu. 02:51.190 --> 02:55.830 Tetapi sekali lagi mereka tidak dapat membangun sarang semut atau menyebut mereka membangun koloni 02:56.430 --> 02:59.340 yang tidak dapat bekerja sama sebagai organisme besar. 02:59.370 --> 03:03.510 Tetapi pada saat yang sama ketika Anda memiliki banyak dan banyak iklan seperti Anda memiliki dalam jutaan dan mereka 03:03.510 --> 03:05.680 dapat membangun seluruh koloni mereka dapat membangun sarang semut. 03:05.680 --> 03:06.600 Hal yang sama dengan neuron. 03:06.600 --> 03:12.320 Dengan sendirinya itu tidak sekuat itu tetapi ketika Anda memiliki banyak neuron bersama mereka bekerja bersama untuk melakukan sihir. 03:12.510 --> 03:13.820 Dan bagaimana mereka bekerja bersama. 03:13.820 --> 03:14.430 Itu pertanyaannya. 03:14.440 --> 03:19.140 Nah untuk itulah dendrit dan Aksenov sehingga dendrit adalah seperti penerima sinyal 03:19.140 --> 03:22.980 untuk neuron dan akson adalah pemancar sinyal untuk neuron. 03:23.220 --> 03:26.520 Dan inilah gambaran bagaimana semuanya bekerja secara konseptual. 03:26.520 --> 03:32.550 Jadi, di bagian atas, Anda memiliki sendiri dan Anda dapat melihat bahwa itu dendrit terhubung ke 03:32.550 --> 03:35.990 akson neuron lain yang seperti lebih jauh di atasnya. 03:36.000 --> 03:42.930 Dan kemudian sinyal dari Anda sendiri bergerak turun ke aksonnya dan menghubungkan atau meneruskan ke dendrit dari neuron berikutnya 03:42.930 --> 03:44.960 dan itulah bagaimana mereka terhubung. 03:45.030 --> 03:53.040 Dan dalam gambar kecil di sana Anda dapat melihat bahwa akson tidak benar-benar menyentuh lot dendrit. 03:53.310 --> 03:59.130 Banyak pembelajaran mesin atau seperti beberapa ilmuwan pembelajaran mesin sangat bersikeras tentang fakta 03:59.130 --> 04:03.650 bahwa itu tidak menyentuhnya seperti ruangan yang tidak disentuh. 04:03.660 --> 04:06.890 Telah terbukti bahwa tidak ada koneksi fisik di sana. 04:06.960 --> 04:14.010 Tetapi poin yang kami minati adalah bahwa hubungan di antara mereka bahwa seluruh konsep sinyal dilewatkan 04:14.010 --> 04:19.590 yang mengingat pendaftaran yang dapat Anda lihat di sana dalam gambar kecil 04:20.300 --> 04:22.210 yang diberi tanda kurung. 04:22.230 --> 04:23.820 Dan itulah tren yang akan kita lakukan. 04:23.820 --> 04:29.820 Jadi alih-alih memanggil neuron buatan kita garis yang akan kita miliki atau konektor untuk neuron buatan kita 04:29.820 --> 04:34.200 sekarang akan memanggil mereka akson atau dendrit karena pertanyaannya adalah hubungan siapa 04:34.200 --> 04:36.880 ini apakah neuron itu adalah neuron. 04:36.990 --> 04:39.340 Kami hanya menyebut yang baik itu bagus untuk menyebutnya tanda sel. 04:39.510 --> 04:42.680 Dan itu semacam hanya menjawab semua pertanyaan dalam. 04:42.690 --> 04:47.610 Itu hanya pada dasarnya di mana sinyal dilewatkan tidak masalah milik siapa elemen itu. 04:47.610 --> 04:51.550 Mereka hanya representasi dari sinyal yang lewat dan kita akan melihatnya sekarang. 04:51.960 --> 04:55.210 Jadi pada dasarnya begitulah cara kerja neuron. 04:55.210 --> 05:03.620 Dan ya jadi mari kita beralih ke bagaimana kita akan mewakili neuron membuat neuron dalam mesin yang 05:03.620 --> 05:09.380 kita pindah sekarang kita menjauh dari neuroscience dan pindah ke teknologi. 05:09.460 --> 05:10.260 Dan di sini kita mulai. 05:10.360 --> 05:17.260 Jadi, inilah neuron kita yang kadang-kadang juga disebut simpul daripada milik Anda sendiri yang mendapatkan beberapa sinyal input dan 05:17.260 --> 05:18.400 memiliki sinyal keluaran. 05:18.400 --> 05:21.040 Jadi dendrit dan akson ingat. 05:21.040 --> 05:27.490 Tetapi sekali lagi kita akan memanggil sign up ini dan kemudian sinyal input ini kita akan mempresentasikan mereka 05:27.490 --> 05:29.050 dari neuron lain juga. 05:29.080 --> 05:35.500 Jadi, dalam kasus khusus ini Anda dapat melihat bahwa neuron ini berwarna hijau yang Anda pakai mendapatkan sinyal dari neuron 05:35.500 --> 05:35.860 kuning. 05:35.860 --> 05:41.800 Dan dalam kursus ini kita akan mencoba dan tetap pada rezim kode warna tertentu di mana kuning berarti 05:41.830 --> 05:42.540 lapisan input 05:42.540 --> 05:50.700 Jadi pada dasarnya semua neuron yang ada di lapisan luar di depan pertama adalah tempat sinyal masuk 05:50.710 --> 05:52.300 dan oleh sinyal. 05:52.300 --> 05:59.200 Ini mungkin seperti sedikit overkill untuk menyebutnya sinyal itu hanya pada dasarnya nilai input begitu. 05:59.330 --> 06:04.720 Jadi Anda tahu bagaimana bahkan seperti dalam regresi linier sederhana Anda memiliki nilai input dan kemudian Anda memiliki nilai prediksi Hal yang 06:04.720 --> 06:05.620 sama di sini. 06:05.620 --> 06:10.720 Jadi Anda memiliki nilai input dan di sana mereka adalah yang kuning dan di sebelah kanan Anda akan melihat sekarang itu akan 06:10.720 --> 06:11.250 menjadi merah. 06:11.260 --> 06:12.820 Itu akan menjadi nilai output. 06:13.600 --> 06:17.140 Hal lain yang ingin saya tunjukkan di sini adalah bahwa dalam 06:17.140 --> 06:21.320 contoh khusus ini kita melihat neuron yang mendapatkan sinyal dari neuron layer input. 06:21.320 --> 06:24.220 Ada juga neuron tetapi masukan mereka neuron mereka. 06:24.530 --> 06:31.450 Kadang-kadang Anda akan memiliki neuron yang mendapatkan sinyal dari neuron lapisan tersembunyi lainnya sehingga dari neuron hijau 06:31.450 --> 06:35.860 lainnya dan konsepnya akan persis sama. Saya hanya dalam kasus 06:35.860 --> 06:42.820 ini kami gunakan untuk kesederhanaan, kami menggambarkan contoh ini dan dalam hal lapisan input cara untuk memikirkannya 06:42.970 --> 06:49.900 adalah dalam analogi otak manusia lapisan input adalah indera Anda benar sehingga apa pun yang Anda bisa 06:49.900 --> 06:52.290 lihat mendengar sentuhan atau bau. 06:52.510 --> 06:57.530 Dan tentu saja itu seperti ada banyak hal yang dapat Anda lihat ada banyak informasi masuk. 06:57.730 --> 07:02.860 Tapi itu adalah milikmu. Itulah yang terbatas pada otakmu. 07:03.010 --> 07:09.160 Israel hidup di dalam sebuah kotak yang terbuat dari tulang dan hanya saja itu merupakan konsep peniupan pikiran 07:09.160 --> 07:15.430 untuk berpikir bahwa otak Anda hanya terkunci di dalam kotak hitam dan satu-satunya hal yang dapat dilihatnya dapat didengar. 07:15.430 --> 07:20.710 Satu-satunya hal yang didapat adalah impuls listrik yang berasal dari organ-organ ini yang Anda miliki. 07:20.710 --> 07:28.210 Kita harus memanggil telinga Anda dengan mata hidung, Anda tahu indera peraba Anda dan kami adalah apa pun dan Anda dan selera Anda. 07:28.210 --> 07:34.150 Benar sehingga Anda hanya mendapatkan sinyal tetapi pada dasarnya hidup di dalam kotak hitam gelap ini 07:34.150 --> 07:38.460 dan itu masuk akal dari dunia melalui indra Anda itu fenomenal. 07:38.500 --> 07:38.930 Dan ya. 07:38.950 --> 07:43.030 Jadi, Anda memiliki input yang datang dari segi otak manusia. 07:43.030 --> 07:49.540 Itu adalah panca indera Anda dan dalam hal pembelajaran mesin atau pembelajaran mendalam yang pada dasarnya adalah nilai input 07:49.900 --> 07:55.500 Anda adalah variabel independen Anda dan kami akan mendapatkannya dalam sedetik sehingga nilai input Anda, mereka 07:56.400 --> 08:01.450 sinyal dilewatkan melalui sinus ke neuron dan kemudian sendiri memiliki nilai output yang diteruskan lebih 08:01.510 --> 08:03.200 lanjut ke bawah rantai. 08:03.550 --> 08:07.990 Dalam kasus khusus ini dalam hal pengkodean warna lagi kuning berarti lapisan input jadi kami agak 08:07.990 --> 08:11.830 menyederhanakan semuanya di sini kami katakan kami hanya akan memiliki seperti lapisan input dan 08:11.830 --> 08:16.510 kemudian kami akan memiliki satu lapisan tersembunyi dengan hijau yang merupakan pedalaman maka kita akan memiliki output di 08:16.510 --> 08:17.140 sana segera. 08:17.530 --> 08:21.370 Jadi supaya kita bisa terbiasa dengan panggilan ini untuk saat ini. 08:21.580 --> 08:24.030 Jadi begitulah struktur dasarnya. 08:24.030 --> 08:28.390 Jadi sekarang mari kita melihat sedikit lebih detail pada elemen berbeda yang kita miliki 08:28.390 --> 08:31.090 Jadi kita punya lapisan input dan apa yang kita miliki di sini. 08:31.090 --> 08:37.090 Yah kita punya input ini yang sebenarnya variabel independen jadi variabel tergantung satu dan sedikit variabel ke 08:37.090 --> 08:38.170 variabel independen. 08:38.170 --> 08:44.230 Dan yang penting untuk diingat di sini adalah bahwa variabel-variabel independen ini semua untuk satu pengamatan 08:44.230 --> 08:44.740 tunggal. 08:44.740 --> 08:47.620 Jadi anggap itu hanya satu baris dalam basis data Anda. 08:47.620 --> 08:54.790 Satu pengamatan Anda hanya mengambil semua variabel independen yang Anda tahu mungkin itu adalah usia orang di sana jumlah 08:54.820 --> 09:01.270 uang di rekening bank dan kemudian bagaimana mereka mengemudi atau berjalan untuk bekerja apa metode perlindungan 09:01.270 --> 09:03.070 Shampoo yang mereka gunakan. 09:03.080 --> 09:08.800 Jadi, tetapi itu semua deskriptor dari satu orang tertentu yang Anda latih dengan 09:09.130 --> 09:12.510 model Anda atau Anda sedang melakukan prediksi. 09:12.610 --> 09:16.900 Dan hal lain yang perlu Anda ketahui tentang variabel-variabel ini adalah bahwa 09:16.900 --> 09:21.310 Anda perlu membakukan mereka sehingga Anda harus membakukan mereka yang berarti memastikan bahwa 09:21.340 --> 09:29.470 mereka memiliki rata-rata nol dan varian satu atau Anda juga bisa kadang-kadang dan tanjung akan menunjukkan jejak-jejak ini sedikit lebih detail mungkin dalam istilah 09:29.480 --> 09:34.090 praktis Anda mungkin menemukan ini kadang-kadang Anda mungkin ingin tahu standardisasi mungkin ingin 09:34.090 --> 09:34.800 menormalkannya. 09:34.990 --> 09:41.050 Berarti bahwa alih-alih memastikan mean dan sangat Muser dan varians adalah Anda hanya perlu Anda tahu untuk mengurangi 09:41.050 --> 09:46.130 nilai minimum dan kemudian Anda membaginya dengan minimum minus maksimum dengan rentang nilai Anda dan 09:46.150 --> 09:49.350 empat Anda mendapatkan nilai antara 0 dan 1 . 09:49.510 --> 09:53.580 Dan itu tergantung pada skenario ini Anda mungkin ingin melakukan satu atau yang lain. 09:53.590 --> 10:00.700 Tetapi pada dasarnya Anda ingin semua variabel ini cukup mirip dalam kisaran nilai yang sama dan 10:00.760 --> 10:01.680 mengapa. 10:01.700 --> 10:02.150 Mengapa demikian. 10:02.150 --> 10:06.890 Nah semua nilai ini akan masuk ke jaringan saraf di mana seperti yang akan 10:06.890 --> 10:12.980 kita lihat sekarang mereka akan ditambahkan dan dikalikan dengan bobot itu ditambahkan dan seterusnya dan hanya akan menjadi 10:12.980 --> 10:16.990 lebih mudah untuk saraf jaringan untuk memprosesnya jika semuanya hampir sama. 10:17.210 --> 10:23.790 Dan faktanya Anda tahu itulah caranya agar bisa bekerja dengan baik. 10:24.260 --> 10:29.210 Dan jika Anda ingin membaca lebih lanjut tentang normalisasi standardisasi dan hal-hal lain 10:29.210 --> 10:36.440 yang dapat Anda lakukan jika Anda tahu variabel apa yang merupakan bacaan tambahan yang bagus disebut back back efisien oleh 10:37.070 --> 10:39.630 tautan muda Licken 1998 di sana. 10:39.650 --> 10:47.570 Jadi kita sebenarnya akan berbicara lebih banyak tentang orang yang fenomenal ini dalam ruang pembelajaran mendalam di bagian dari kursus 10:47.680 --> 10:49.040 yang kita bicarakan. 10:49.040 --> 10:53.930 Jaringan saraf convolutional dan Anda akan melihat bahwa ini jelas orang yang tahu apa 10:53.930 --> 10:55.280 yang ia bicarakan. 10:55.280 --> 11:00.840 Dia teman dekat Jeffrey Hinton yang telah kita lihat yang sangat redup .. 11:00.860 --> 11:07.070 Jadi dalam makalah ini Anda akan belajar lebih banyak tentang pusat-pusat normalisasi tetapi juga Anda dapat mengambil banyak tips dan trik 11:07.070 --> 11:11.510 yang berbeda dan Anda akan menjadi sumber yang bagus untuk membaca tambahan saat Anda 11:11.510 --> 11:12.470 mengikuti kursus ini. 11:12.590 --> 11:15.800 Jadi ya coba lihat jika Anda tertarik membaca tambahan. 11:16.290 --> 11:16.940 Itu dia. 11:16.940 --> 11:20.210 Jadi itulah yang kami lakukan untuk kata kerja. 11:20.390 --> 11:23.140 Dan seperti di sini kita punya nilai output. 11:23.180 --> 11:24.960 Jadi apa yang bisa menjadi nilai output kami. 11:25.130 --> 11:26.280 Kita punya beberapa pilihan. 11:26.300 --> 11:32.110 Nilai output dapat berupa kontinu. Seperti misalnya harga, dapat berupa biner 11:32.110 --> 11:39.260 misalnya seseorang akan keluar atau akan tetap atau dapat berupa kategoris verbal dan fisik. 11:39.260 --> 11:44.060 Yang penting untuk diingat di sini adalah bahwa dalam hal ini 11:44.060 --> 11:50.390 nilai output Anda tidak akan hanya satu itu akan menjadi beberapa nilai output karena ini akan menjadi 11:51.360 --> 11:57.400 variabel dummy yang akan mewakili kategori Anda dan itu hanya cara kerjanya dan hanya penting untuk 11:57.410 --> 12:02.640 mengingat bahwa dalam hal itu Anda akan mendapatkan kategori dari jaringan saraf tiruan. 12:02.810 --> 12:05.510 Tapi mari kita kembali ke kasus sederhana satu volume keluaran. 12:05.750 --> 12:11.780 Dan sekarang mari kita satu titik lagi atau semacam titik siap jadi saya hanya ingin menegaskan kembali 12:11.780 --> 12:15.360 titik ini di sebelah kiri Anda punya pengamatan tunggal. 12:15.470 --> 12:20.180 Jadi bertanya-tanya apakah yang Anda maksud dari kumpulan data Anda dan di sebelah kanan Anda memiliki satu arah juga 12:20.210 --> 12:21.990 dan itu adalah pengamatan yang sama. 12:22.190 --> 12:28.100 Sangat penting untuk diingat bahwa seperti input apa pun yang Anda masukkan untuk satu baris dan kemudian output yang Anda dapatkan 12:28.100 --> 12:29.960 adalah untuk baris yang sama persis. 12:30.080 --> 12:34.420 Atau jika Anda melatih jaringan saraf Anda, maka Anda tahu Anda memasukkan input untuk satu roll 12:34.420 --> 12:36.440 yang Anda masukkan output untuk satu baris. 12:36.440 --> 12:42.440 Jadi seperti jika Anda ingin menyederhanakan kompleksitas anggap sebagai hal yang sederhana seperti regresi atau 12:42.440 --> 12:43.990 regresi linier multivariat. 12:43.990 --> 12:48.150 Jadi Anda menempatkan nilai-nilai Anda, Anda memiliki output. 12:48.180 --> 12:49.700 Ada seperti tidak ada pertanyaan tentang itu. 12:49.700 --> 12:52.790 Ketika kita berbicara tentang hal-hal seperti regresi karena kita sudah terbiasa dengannya. 12:52.790 --> 12:54.980 Hal yang sama di sini tidak ada yang terlalu rumit. 12:54.980 --> 12:56.740 Kami hanya menempatkan nilai-nilai yang kami dapatkan keluarannya. 12:56.760 --> 13:01.310 Tetapi ingatlah bahwa setiap kali Anda berurusan dengan satu baris sehingga 13:01.310 --> 13:07.940 Anda tidak bingung dan mulai berpikir seperti ini bahwa ini adalah baris berbeda yang Anda masukkan ke dalam 13:07.940 --> 13:12.710 jaringan saraf tiruan Anda atau sesuatu ini semua hanya nilai dalam satu 13:12.710 --> 13:18.970 Rowse itu pengamatan yang berbeda karakteristik atau atribut yang berkaitan dengan satu pengamatan itu setiap saat. 13:19.160 --> 13:26.090 OK jadi hal berikutnya yang ingin kita bicarakan di sini adalah sinus kita adalah layanan Suaka di sini kita punya 13:26.090 --> 13:28.940 dan mereka semua benar-benar mendapatkan bobot bobot. 13:28.940 --> 13:37.100 Kita akan berbicara lebih banyak tentang bobot lebih jauh ke bawah tetapi dalam bobot pendek sangat penting untuk kerja jaringan 13:37.100 --> 13:44.040 saraf tiruan yang berfungsi karena bobot adalah bagaimana jaringan saraf belajar dengan menyesuaikan bobot yang diambil jaringan 13:44.470 --> 13:50.270 saraf dalam setiap kasus apa sinyal tunggal buruk dan apa Sinyal tidak penting untuk 13:50.270 --> 13:51.140 neuron tertentu. 13:51.140 --> 13:56.300 Apa yang dilewatkan dan sinyal apa yang tidak diteruskan atau kekuatan apa sejauh 13:56.300 --> 13:57.770 mana sinyal dilewatkan. 13:57.770 --> 13:59.320 Jadi bobot sangat penting. 13:59.330 --> 14:03.590 Mereka adalah dan mereka adalah hal-hal yang bisa disesuaikan melalui proses pembelajaran. 14:03.590 --> 14:07.760 Seperti ketika ketika Anda berlatih di bawah jaringan saraf tiruan Anda pada dasarnya menyesuaikan 14:07.760 --> 14:11.050 semua bobot pada semua sinus di seluruh jaringan saraf ini. 14:11.250 --> 14:17.910 Dan di situlah gradient descent dan back propagation berperan dan itu adalah konsep yang juga akan 14:17.910 --> 14:19.240 kita bahas. 14:19.670 --> 14:21.410 Jadi pada dasarnya itu adalah bobot. 14:21.410 --> 14:22.940 Itulah yang perlu saya ketahui untuk saat ini. 14:23.150 --> 14:28.420 Dan kita punya neuron sehingga sinyal masuk ke neuron dan apa yang terjadi di Eropa. 14:28.430 --> 14:30.520 Jadi ini bagian yang menarik. 14:30.530 --> 14:33.670 Seperti yang kita bicarakan neuron hari ini apa yang terjadi di dalam neuron. 14:33.890 --> 14:40.100 Jadi beberapa hal terjadi hal pertama dan langkah pertama adalah bahwa semua nilai-nilai 14:40.190 --> 14:43.730 ini semakin bertambah sehingga perlu ditambahkan. 14:43.850 --> 14:51.200 Jadi jumlah terbobot dari semua nilai input yang menjadi sangat sederhana itu sangat sangat mudah, 14:51.220 --> 14:57.200 tambahkan saja kalikan dengan cara menambahkannya dan kemudian menerapkan fungsi aktivasi. 14:57.200 --> 15:00.960 Sekarang kita akan berbicara lebih banyak tentang fungsi aktivasi 15:00.960 --> 15:09.420 turun tetapi pada dasarnya fungsi yang ditugaskan untuk neuron ini atau ke seluruh lapisan ini dan diterapkan pada cara ini untuk menambahkan beberapa. 15:09.570 --> 15:16.890 Dan kemudian dari itu zona euro mengerti jika perlu menyampaikan sinyal jika Anda suka dan 15:16.890 --> 15:22.260 itu sinyal yang diteruskan bahwa fungsi diterapkan pada cara yang beberapa. 15:22.260 --> 15:26.400 Tetapi pada dasarnya tergantung pada fungsi neuron yang akan meneruskan sinyal atau 15:26.400 --> 15:27.640 tidak meneruskan sinyal. 15:27.870 --> 15:30.910 Dan itulah yang terjadi di langkah ketiga ini. 15:31.430 --> 15:35.670 Pasta neuron ada di sinyal itu ke neuron berikutnya di telepon. 15:36.090 --> 15:39.960 Dan itulah yang akan kita bicarakan di tutorial selanjutnya karena ini adalah topik yang cukup penting. 15:39.960 --> 15:46.380 Kami ingin mempelajari lebih dalam tentang fungsi aktivasi, tetapi semoga untuk saat ini semuanya harus cukup jelas bagaimana Anda mengetahui 15:46.380 --> 15:51.600 nilai input bobot Anda, Anda punya rumah desain, Anda punya sesuatu yang Anda tahu terjadi di 15:51.660 --> 15:56.430 neuron, ' Anda sudah mendapatkan cara Sarmad menerapkan fungsi aktivasi dan kemudian yang dilewatkan dan 15:56.430 --> 16:00.510 yang baru saja diulang di seluruh jaringan saraf terus dan terus dan 16:00.510 --> 16:06.660 terus dan Anda tahu ribuan ratusan ribu kali tergantung pada seberapa besar berapa banyak neuron Anda memiliki berapa banyak 16:06.660 --> 16:09.550 pendaftaran yang Anda miliki di jaringan saraf Anda. 16:09.570 --> 16:10.110 Jadi begitulah. 16:10.110 --> 16:13.270 Semoga Anda menikmati kode tutorial hari ini sampai batas tertentu. 16:13.410 --> 16:15.010 Sampai kemudian menikmati pembelajaran yang mendalam.