WEBVTT

00:00.300 --> 00:02.290
Hola y bienvenidos al curso y al aprendizaje profundo.

00:02.430 --> 00:07.980
Hoy estamos hablando de la neurona, que es el componente básico de las redes neuronales artificiales.

00:08.010 --> 00:09.390
Entonces empecemos.

00:09.390 --> 00:11.340
Anteriormente vimos una imagen que se veía así.

00:11.340 --> 00:18.300
Y estas son neuronas reales de la vida real que se untaron un poco con el brillo y el color y se observan

00:18.360 --> 00:19.950
a través de un microscopio.

00:19.950 --> 00:22.140
Entonces, así es como se ven, como pueden ver.

00:22.140 --> 00:29.730
bastante interesante estructurar un cuerpo y luego muchas ramas diferentes tipo de ramas que salen de ellos.

00:29.730 --> 00:30.250
Es

00:30.330 --> 00:32.350
Y esto es muy interesante.

00:32.370 --> 00:38.400
Pero la pregunta es cómo podemos recrear eso en una máquina porque realmente necesitamos

00:38.400 --> 00:47.610
recrearlo y mecanizar, ya que todo el propósito del aprendizaje profundo es imitar cómo funciona el cerebro humano con la esperanza de

00:47.820 --> 00:51.000
que al hacerlo vamos a crear algo asombroso.

00:51.000 --> 00:55.200
Vamos a crear una infraestructura increíble para que las máquinas puedan aprender.

00:55.230 --> 00:56.800
Y por qué esperamos eso.

00:56.820 --> 01:03.480
de las herramientas de aprendizaje de aprendizaje más poderosas del planeta o como los mecanismos de aprendizaje en el planeta.

01:03.880 --> 01:07.300
Bueno, porque el cerebro humano está bien, pasa a ser una

01:07.320 --> 01:11.310
Y solo esperamos que si recreamos eso tendremos algo tan increíble como eso.

01:11.310 --> 01:17.670
Entonces nuestro desafío ahora mismo, nuestro primer paso para crear redes neuronales artificiales es recrear

01:17.700 --> 01:18.380
una neurona.

01:18.390 --> 01:19.090
Entonces, Cómo lo hacemos.

01:19.110 --> 01:23.840
Bueno, antes que nada, echemos un vistazo más de cerca a lo que realmente es.

01:23.880 --> 01:33.180
Esta imagen fue creada por primera vez por un neurocientífico español y Chagga Ramon Yi Kajal en 1899.

01:33.180 --> 01:37.780
Y lo que hizo fue que murió en neuronas en el tejido cerebral real.

01:37.780 --> 01:39.850
Y míralos bajo el microscopio.

01:39.900 --> 01:43.530
Y mientras los miraba, dibujó lo que vio y esto es lo que vio.

01:43.530 --> 01:49.560
Lo vio en tus manos o en dos neuronas grandes allá arriba que tenían todas estas

01:49.560 --> 01:57.930
ramas saliendo de ellas hacia sus partes superiores y luego cada una tenía este Araud o hilo similar que salía hacia la

01:57.930 --> 01:59.410
parte inferior muy larga.

01:59.520 --> 02:01.510
Y entonces eso es lo que él vio.

02:01.660 --> 02:07.800
Y ahora usted sabe que la tecnología ha avanzado bastante y hemos visto las neuronas mucho más cerca en

02:07.800 --> 02:11.890
más detalle y ahora podemos dibujar lo que parece en forma de diagrama.

02:11.910 --> 02:13.220
Así que echemos un vistazo a eso.

02:13.440 --> 02:14.190
Aquí hay una neurona.

02:14.190 --> 02:21.810
Esto es lo que parece muy similar a lo que Santiago alrededor de uno dibujó aquí y aquí y este año y lo

02:21.810 --> 02:24.310
que podemos ver es que tiene un cuerpo.

02:24.570 --> 02:29.100
Esa es la parte principal de la neurona y luego tiene algunas ramas en la parte superior que se

02:29.160 --> 02:33.200
llama dendritas y también tiene una X en la que está esa larga cola del euro.

02:33.300 --> 02:38.030
Y entonces, ¿cuáles son estas dendritas y cuándo extrañas fueron las axilas para bien?

02:38.130 --> 02:44.040
El punto clave para entender aquí es que las neuronas en sí mismas son bastante inútiles.

02:44.040 --> 02:45.570
Es como si fuera una hormiga.

02:45.600 --> 02:46.140
Derecha.

02:46.170 --> 02:49.640
Y por sí solo puede hacer mi psicología cinco anuncios juntos.

02:49.830 --> 02:51.170
Tal vez puedan recoger algo.

02:51.190 --> 02:55.830
Pero nuevamente ellos no pueden construir un hormiguero o los llaman establecer una colonia que

02:56.430 --> 02:59.340
no puede trabajar en conjunto como un gran organismo.

02:59.370 --> 03:03.510
Pero al mismo tiempo, cuando tienes montones y montones de anuncios como los que tienes en un millón

03:03.510 --> 03:05.680
y pueden construir una colonia completa, pueden construir un hormiguero.

03:05.680 --> 03:06.600
Lo mismo con las neuronas.

03:06.600 --> 03:12.320
Por sí solo no es tan fuerte, pero cuando tienes muchas neuronas juntas, trabajan juntas para hacer magia.

03:12.510 --> 03:13.820
Y cómo trabajan juntos.

03:13.820 --> 03:14.430
Esa es la pregunta.

03:14.440 --> 03:19.140
Bueno, para eso están las dendritas y Aksenov, así que las dendritas son como los receptores de la señal

03:19.140 --> 03:22.980
para la neurona y el axón es el transmisor de la señal para la neurona.

03:23.220 --> 03:26.520
Y aquí hay una imagen de cómo funciona todo conceptualmente.

03:26.520 --> 03:32.550
ver que las dendritas están conectadas a los axones de otras neuronas que están aún más lejos por encima.

03:32.550 --> 03:35.990
Entonces, en la parte superior, usted se queda solo y puede

03:36.000 --> 03:42.930
Y luego la señal de su viaje viaja por su axón y se conecta o pasa a las dendritas de la próxima

03:42.930 --> 03:44.960
neurona y así es como están conectadas.

03:45.030 --> 03:53.040
Y en esa pequeña imagen de allí puedes ver que el axón en realidad no toca el terreno de la dendrita.

03:53.310 --> 03:59.130
Una gran cantidad de aprendizaje automático o como algunos científicos de aprendizaje automático son muy inflexibles sobre

03:59.130 --> 04:03.650
el hecho de que no lo toca como la habitación que no toca.

04:03.660 --> 04:06.890
Se ha demostrado que no hay conexión física allí.

04:06.960 --> 04:14.010
y que recuerda los registros que puedes ver en esa pequeña imagen que es el corchete de la figura es un registro.

04:14.010 --> 04:19.590
Pero el punto que nos interesa es que esa conexión entre ellos es que todo el concepto

04:20.300 --> 04:22.210
de la señal que se pasa

04:22.230 --> 04:23.820
Y esa es la tendencia que vamos a estar haciendo.

04:23.820 --> 04:29.820
Entonces, en lugar de llamar a nuestras neuronas artificiales las líneas que vamos a tener o los conectores para

04:29.820 --> 04:34.200
neuronas artificiales, ahora los llamaremos axones o dendritas porque entonces la pregunta es, ¿de

04:34.200 --> 04:36.880
quién es esta conexión? Las neuronas son neuronas.

04:36.990 --> 04:39.340
Simplemente llamamos bueno, lo cual es bueno para llamarlos signo de células.

04:39.510 --> 04:42.680
Y eso es como que solo responde todas las preguntas en a.

04:42.690 --> 04:47.610
Eso es básicamente donde se pasa la señal, no importa a quién pertenece ese elemento.

04:47.610 --> 04:51.550
Son solo una representación del pase de señal y lo veremos justo ahora.

04:51.960 --> 04:55.210
Así que, básicamente, así es como funciona una neurona.

04:55.210 --> 05:03.620
Y sí, así que pasemos a cómo vamos a representar a las neuronas para crear neuronas en las máquinas. Nos estamos

05:03.620 --> 05:09.380
alejando ahora que nos estamos alejando de la neurociencia y pasando a la tecnología.

05:09.460 --> 05:10.260
Y aquí vamos.

05:10.360 --> 05:17.260
Así que aquí está nuestra neurona, también llamada a veces el nodo, que la suya recibe algunas señales de entrada y tiene

05:17.260 --> 05:18.400
una señal de salida.

05:18.400 --> 05:21.040
Entonces las dendritas y los axones recuerdan.

05:21.040 --> 05:27.490
Pero nuevamente vamos a llamar a estos registros y luego estas señales de entrada también los

05:27.490 --> 05:29.050
presentaremos de otras neuronas.

05:29.080 --> 05:35.500
Entonces, en este caso específico, puedes ver que esta neurona es verde en la que estás recibiendo señales de las neuronas

05:35.500 --> 05:35.860
amarillas.

05:35.860 --> 05:41.800
Y en este curso vamos a tratar de seguir un cierto régimen de codificación de color donde amarillo significa una capa

05:41.830 --> 05:42.540
de entrada.

05:42.540 --> 05:50.700
las neuronas que se encuentran en la capa externa en el primer frente de donde están entrando las señales y por señal.

05:50.710 --> 05:52.300
Así que, básicamente, todas

05:52.300 --> 05:59.200
Puede ser algo exagerado llamar a esto señal, básicamente se trata de valores de entrada.

05:59.330 --> 06:04.720
Entonces sabes cómo, incluso en una regresión lineal simple, tienes valores de entrada y luego tienes un valor predicho.

06:04.720 --> 06:05.620
Lo mismo aquí.

06:05.620 --> 06:10.720
Entonces tienes valores de entrada y ahí están los amarillos y luego a la derecha verás que ahora

06:10.720 --> 06:11.250
será rojo.

06:11.260 --> 06:12.820
Será el valor de salida.

06:13.600 --> 06:17.140
neurona que recibe sus señales de las neuronas de la capa de entrada.

06:17.140 --> 06:21.320
La otra cosa que quería señalar aquí es que en este ejemplo específico estamos viendo una

06:21.320 --> 06:24.220
También hay neuronas pero sus neuronas ingresan.

06:24.530 --> 06:31.450
A veces tendrás neuronas que reciben su señal de otras neuronas de capa oculta de otras neuronas verdes y el

06:31.450 --> 06:35.860
concepto será exactamente igual. Solo que en este caso usamos por simplicidad, estamos

06:35.860 --> 06:42.820
retratando este ejemplo y en términos de la capa de entrada es la forma de pensar en ello, en la

06:42.970 --> 06:49.900
analogía del cerebro humano, la capa de entrada está en sus sentidos, de modo que lo que sea que pueda

06:49.900 --> 06:52.290
ver oirá, lo tocará o lo olerá.

06:52.510 --> 06:57.220
por supuesto, es como que hay muchas cosas que puedes ver y que hay mucha información entrando.

06:57.220 --> 06:57.530
Y,

06:57.730 --> 07:02.860
Pero esos son tuyos. A eso se limita tu cerebro es prácticamente una vida.

07:03.010 --> 07:09.160
Israel vive en una caja hecha de huesos y es solo un concepto alucinante pensar que

07:09.160 --> 07:15.430
tu cerebro está encerrado en una caja negra y que lo único que puede ver puede oír.

07:15.430 --> 07:20.710
Lo único que está obteniendo es impulsos eléctricos provenientes de estos órganos que usted

07:20.710 --> 07:28.210
tiene, deberíamos llamarlos oídos, nariz, ojos, conoce su sentido del tacto y somos lo que sea, usted, su gusto y usted.

07:28.210 --> 07:34.150
Correcto, así que solo estás recibiendo señales, pero básicamente vive en esta caja negra oscura y está

07:34.150 --> 07:38.460
haciendo que el mundo tenga sentido a través de tus sentidos, es fenomenal.

07:38.500 --> 07:38.930
Y así que sí.

07:38.950 --> 07:43.030
Entonces tienes estas entradas que están entrando en términos de cerebro humano.

07:43.030 --> 07:49.540
Esos son tus cinco sentidos y en términos de aprendizaje automático o aprendizaje profundo, básicamente tus valores de entrada son tus

07:49.900 --> 07:55.500
variables independientes y lo obtendremos en un segundo para que tus valores de entrada pasen la señal a

07:56.400 --> 08:01.450
través de los senos hacia la neurona y luego tu propio tiene un valor de salida que

08:01.510 --> 08:03.200
pasa más adelante en la cadena.

08:03.550 --> 08:07.990
diciendo que solo vamos a tener como capa de entrada y luego vamos a tener una capa oculta con

08:07.990 --> 08:11.830
el verde que es el hinterland entonces vamos a tener la salida allí de inmediato.

08:11.830 --> 08:16.510
En este caso específico, en términos de codificación de color, otra vez, amarillo significa capa de entrada, así que simplificamos

08:16.510 --> 08:17.140
todo; aquí estamos

08:17.530 --> 08:21.370
Solo para que podamos acostumbrarnos a estas llamadas por ahora.

08:21.580 --> 08:24.030
Así que ahí vamos, esa es la estructura básica.

08:24.030 --> 08:28.390
Entonces, veamos con más detalle estos diferentes elementos que tenemos.

08:28.390 --> 08:31.090
Así que tenemos la capa de entrada y qué tenemos aquí.

08:31.090 --> 08:37.090
Bueno, tenemos estas entradas que son, de hecho, variables independientes, por lo que dependen de la variable uno y la variable de un

08:37.090 --> 08:38.170
bit a variable independiente.

08:38.170 --> 08:44.230
Y lo importante para recordar aquí es que estas variables independientes son todas para una sola

08:44.230 --> 08:44.740
observación.

08:44.740 --> 08:47.620
Así que piense en ello como una sola fila en su base de datos.

08:47.620 --> 08:54.790
Una observación que acaba de tomar es que todas las variables independientes que conoce tal vez sean la edad de la persona

08:54.820 --> 09:01.270
que está ahí, la cantidad de dinero en la cuenta bancaria y cómo conducen o caminan hacia el trabajo qué

09:01.270 --> 09:03.070
método de protección de Shampoo usan.

09:03.080 --> 09:08.800
Entonces, son todos los descriptores de una persona específica en la que estás

09:09.130 --> 09:12.510
entrenando tu modelo o estás realizando alguna predicción.

09:12.610 --> 09:16.900
Y la otra cosa que necesita saber sobre estas variables es que necesita

09:16.900 --> 09:21.310
estandarizarlas, por lo que necesita estandarizarlas, lo que significa asegurarse de que tengan

09:21.340 --> 09:29.470
una media de cero y una varianza, o también algunas veces, y headland señalará estos rastros con un poco más de detalle, quizás en términos

09:29.480 --> 09:34.090
prácticos, usted podría encontrarlos. A veces, tal vez quiera saber si la estandarización podría

09:34.090 --> 09:34.800
querer normalizarlos.

09:34.990 --> 09:41.050
Lo que significa que en lugar de asegurarte de que la media y muy Muser y la varianza es una que solo

09:41.050 --> 09:46.130
debes tomar para restar el valor mínimo y luego divides por el máximo menos mínimo por el rango de

09:46.150 --> 09:49.350
tus valores y los cuatro obtienes valores entre 0 y 1 .

09:49.510 --> 09:53.580
Y depende de este escenario, es posible que desee hacer uno u otro.

09:53.590 --> 10:00.700
Pero básicamente quieres que todas estas variables sean bastante similares en aproximadamente el mismo rango de valores y

10:00.760 --> 10:01.680
por qué.

10:01.700 --> 10:02.150
Porqué es eso.

10:02.150 --> 10:06.890
Bueno, todos estos valores entrarán en una red neuronal en la que, como

10:06.890 --> 10:12.980
veremos ahora, se sumarán y multiplicarán por los pesos que se sumen, y así sucesivamente, y será

10:12.980 --> 10:16.990
más fácil para los nervios. red para procesarlos si todos son iguales.

10:17.210 --> 10:23.790
Y, de hecho, usted sabe que así es cómo va a funcionar correctamente.

10:24.260 --> 10:29.210
Y si quiere leer más sobre normalización de normalización y otras cosas

10:29.210 --> 10:36.440
que puede hacer si conoce qué variables, un buen documento adicional de lectura se llama "back-pro" eficiente por

10:37.070 --> 10:39.630
los jóvenes enlaces de Licken 1998 allí.

10:39.650 --> 10:47.570
Entonces vamos a hablar más acerca de esta persona fenomenal en el espacio del aprendizaje profundo en la parte del curso de

10:47.680 --> 10:49.040
la que estamos hablando.

10:49.040 --> 10:53.930
Redes neuronales convolucionales y verás que definitivamente esta es una persona que sabe de

10:53.930 --> 10:55.280
lo que está hablando.

10:55.280 --> 11:00.840
Es un amigo cercano de Jeffrey Hinton a quien ya hemos visto muy tenue. una buena fuente de lectura adicional a medida que avance en este curso.

11:00.860 --> 11:07.070
Por lo tanto, en este documento aprenderá más sobre los centros de normalización, pero también

11:07.070 --> 11:11.510
podrá obtener muchos otros consejos y trucos diferentes, y será

11:11.510 --> 11:12.470
Así que sí, échale un vistazo si estás interesado en leer un poco más.

11:12.590 --> 11:15.800
Aquí vamos.

11:16.290 --> 11:16.940
Entonces eso es lo que hacemos para los verbales.

11:16.940 --> 11:20.210
Y como aquí tenemos el valor de salida.

11:20.390 --> 11:23.140
Entonces, ¿cuál puede ser nuestro valor de salida?

11:23.180 --> 11:24.960
Bueno, tenemos un par de opciones.

11:25.130 --> 11:26.280
El valor de salida puede

11:26.300 --> 11:32.110
ser continuo, como por ejemplo el precio puede ser binario, por ejemplo, una persona saldrá o se quedará o puede ser categórica verbal y física categórica verbal.

11:32.110 --> 11:39.260
Lo importante que hay que recordar aquí es que, en ese caso, tu valor de salida no será

11:39.260 --> 11:44.060
solo uno, sino varios valores de salida, ya que serán variables ficticias

11:44.060 --> 11:50.390
que representarán tus categorías y así es como funciona y solo es importante recordar que en

11:51.360 --> 11:57.400
ese caso, así es como va a obtener sus categorías fuera de la red neuronal artificial.

11:57.410 --> 12:02.640
Pero volvamos a un caso simple de un volumen de salida.

12:02.810 --> 12:05.510
este punto a la izquierda, tienes una sola observación.

12:05.750 --> 12:11.780
Y ahora vamos a un punto más o algo así como el punto que está listo. Solo quería reiterar

12:11.780 --> 12:15.360
Así que pregunte si se refiere a su conjunto de datos

12:15.470 --> 12:20.180
y, a la derecha, también tiene una dirección única y esa es la misma observación.

12:20.210 --> 12:21.990
Es muy importante recordar que, al

12:22.190 --> 12:28.100
igual que cualquier entrada que ingrese, es para una fila y luego la salida que obtiene es para esa misma fila exacta.

12:28.100 --> 12:29.960
O si estás entrenando tu red neuronal, entonces

12:30.080 --> 12:34.420
sabes que estás poniendo las entradas para ese rollo en el que estás poniendo la salida para esa fila.

12:34.420 --> 12:36.440
o una regresión lineal multivariante.

12:36.440 --> 12:42.440
Entonces, si quiere simplificar la complejidad, piense en ella como algo simple, una regresión

12:42.440 --> 12:43.990
Entonces, estás poniendo en tus valores que tienes la salida.

12:43.990 --> 12:48.150
Hay como que no hay dudas al respecto.

12:48.180 --> 12:49.700
Cuando estamos hablando de cosas como la regresión porque estamos tan acostumbrados.

12:49.700 --> 12:52.790
Lo mismo aquí, no es nada demasiado complejo.

12:52.790 --> 12:54.980
Solo estamos poniendo valores, estamos obteniendo resultados.

12:54.980 --> 12:56.740
son valores en ese Rowse

12:56.760 --> 13:01.310
una observación diferente tiene diferentes características o atributos relacionados con esa observación cada vez.

13:01.310 --> 13:07.940
Pero recuerda que cada vez que te enfrentas a una fila no te confundas y comienzas a pensar que estas son

13:07.940 --> 13:12.710
filas diferentes que estás poniendo en tu red neuronal artificial o algo así como solo

13:12.710 --> 13:18.970
De acuerdo, lo próximo que queremos hablar aquí es sobre nuestros senos paranasales.

13:19.160 --> 13:26.090
Asilo está aquí, tenemos servicios y a todos se les asignan ponderaciones de pesos.

13:26.090 --> 13:28.940
Vamos a hablar más sobre pesos más

13:28.940 --> 13:37.100
abajo pero en pocas palabras son cruciales para el funcionamiento de los nervios de las redes neuronales artificiales porque las

13:37.100 --> 13:44.040
pesas son cómo las redes neuronales aprenden ajustando los pesos. La red neuronal decide en cada caso

13:44.470 --> 13:50.270
qué señal única es pobre y qué la señal no es importante para ciertas neuronas.

13:50.270 --> 13:51.140
Qué single se

13:51.140 --> 13:56.300
pasa y qué señal no se transmite o qué fuerza en qué medida se transmiten las señales.

13:56.300 --> 13:57.770
Entonces los pesos son cruciales.

13:57.770 --> 13:59.320
Son y son las cosas que se ajustan a través del proceso de aprendizaje.

13:59.330 --> 14:03.590
Como cuando estás entrenando bajo una red neuronal artificial, básicamente estás ajustando todos los

14:03.590 --> 14:07.760
pesos en todos los senos a lo largo de toda esta red neuronal.

14:07.760 --> 14:11.050
Y ahí es donde entra en juego el

14:11.250 --> 14:17.910
descenso de gradiente y la propagación hacia atrás, y esos son conceptos que también discutiremos.

14:17.910 --> 14:19.240
Entonces, básicamente, esos son los pesos.

14:19.670 --> 14:21.410
Eso es lo que necesito saber por ahora.

14:21.410 --> 14:22.940
Y tenemos las neuronas para que las señales entren en la neurona y lo que sucede en Europa.

14:23.150 --> 14:28.420
Entonces esta es la parte interesante.

14:28.430 --> 14:30.520
Como estamos hablando hoy sobre la neurona, qué sucede dentro de la neurona.

14:30.530 --> 14:33.670
Así que algunas cosas suceden a primera vista y

14:33.890 --> 14:40.100
el primer paso es que todos estos valores que se obtienen se agreguen para que se agreguen.

14:40.190 --> 14:43.730
por el camino sumen y luego aplica una función de activación.

14:43.850 --> 14:51.200
Por lo tanto, la suma ponderada de todos los valores de entrada que se está volviendo muy simple es muy simple, simplemente sume multiplicar

14:51.220 --> 14:57.200
Ahora vamos a hablar más sobre las funciones de activación del down pero es básicamente una función que está asignada a esta neurona

14:57.200 --> 15:00.960
o a toda esta capa y se aplica de esta manera para agregar algunas.

15:00.960 --> 15:09.420
Y a partir de eso, la eurozona entiende si necesita transmitir una señal si lo desea y esa es

15:09.570 --> 15:16.890
la señal de que la función se aplica a la forma en que algunos la transmiten.

15:16.890 --> 15:22.260
Pero básicamente, dependiendo de la función, la neurona pasará

15:22.260 --> 15:26.400
la señal o no transmitirá la señal.

15:26.400 --> 15:27.640
Y eso es exactamente lo que sucedió aquí en el paso tres.

15:27.870 --> 15:30.910
La pasta de la neurona está en esa señal a la próxima neurona en la línea.

15:31.430 --> 15:35.670
Y de eso es de lo que hablaremos en el siguiente tutorial porque es un tema bastante importante.

15:36.090 --> 15:39.960
Queremos ahondar más en la función de activación, pero espero que por ahora

15:39.960 --> 15:46.380
todo esté bien claro, cómo sabes los valores de entrada, tienes pesos, casas de diseño, tienes algo que sabes que sucede

15:46.380 --> 15:51.600
en la neurona. Tengo una forma en que Sarmad se aplica una función de activación y luego

15:51.660 --> 15:56.430
se transmite a través de la línea y se repite a través de toda la red

15:56.430 --> 16:00.510
neuronal una y otra vez, usted sabe cientos de miles de veces dependiendo

16:00.510 --> 16:06.660
de cuán grande es la cantidad de neuronas que tenga la cantidad de registros que tenga en su red neuronal.

16:06.660 --> 16:09.550
Entonces ahí vamos

16:09.570 --> 16:10.110
Espero que haya disfrutado el código de tutorial de hoy en cierta medida.

16:10.110 --> 16:13.270
Hasta entonces disfruta del aprendizaje profundo.

16:13.410 --> 16:15.010