WEBVTT 00:00.300 --> 00:02.290 Merhaba ve kursa ve derinlemesine öğrenmeye hoş geldiniz. 00:02.430 --> 00:07.980 Bugün yapay sinir ağlarının temel yapı taşı olan nörondan bahsediyoruz. 00:08.010 --> 00:09.390 Öyleyse başlayalım. 00:09.390 --> 00:11.340 Daha önce böyle bir görüntü gördük. 00:11.340 --> 00:18.300 Bunlar, parlaklık ve renk üzerine biraz bulaşmış gerçek mikroskop nöronları olup 00:18.360 --> 00:19.950 mikroskopta gözlemlenirler. 00:19.950 --> 00:22.140 Gördükleri gibi öyle görünüyorlar. 00:22.140 --> 00:29.730 ilginç bir yapı olan bir vücut ve daha sonra farklı kuyruk çeşitleri onlardan çıkan dallar. 00:29.730 --> 00:30.250 Oldukça 00:30.330 --> 00:32.350 Ve bu çok ilginç. 00:32.370 --> 00:38.400 Ancak soru, bunu bir makinede nasıl yeniden yapabiliriz, çünkü onu yeniden yaratmamız 00:38.400 --> 00:47.610 gerekiyor ve makineyi yeniden yaratmamız gerekiyor, çünkü derin öğrenmenin bütün amacı, insan beyninin nasıl çalıştığını taklit etmek ve böylece 00:47.820 --> 00:51.000 bunu yaparak bir şeyler yaratabilmek için şaşırtıcı. 00:51.000 --> 00:55.200 Makineler için öğrenebilecekleri inanılmaz bir altyapı oluşturacağız. 00:55.230 --> 00:56.800 Ve neden bunu umuyoruz. 00:56.820 --> 01:03.480 öğrenme öğrenme araçlarından biri veya gezegende öğrenme mekanizmaları gibi iyi bir şey olur. 01:03.880 --> 01:07.300 Çünkü insan beyni, gezegendeki en güçlü 01:07.320 --> 01:11.310 Ve umarız ki bunu tekrar yaratırsak o kadar harika bir şey buluruz. 01:11.310 --> 01:17.670 Dolayısıyla şu anda yapay sinir ağları oluşturma konusundaki ilk adımımız bir nöron 01:17.700 --> 01:18.380 yaratmaktır. 01:18.390 --> 01:19.090 Peki bunu nasıl yapacağız 01:19.110 --> 01:23.840 Her şeyden önce, aslında ne olduğunu daha yakından inceleyelim. 01:23.880 --> 01:33.180 Bu görüntü ilk kez 1899 yılında İspanyol bir sinirbilimci ve Chagga Ramon Yi Kajal tarafından oluşturuldu. 01:33.180 --> 01:37.780 Ve yaptığı şey gerçek beyin dokusunda nöronlarda öldü. 01:37.780 --> 01:39.850 Ve onlara mikroskopta bak. 01:39.900 --> 01:43.530 Ve onlara bakarken aslında gördüklerini çizdi ve gördüğü şey bu. 01:43.530 --> 01:49.560 Elinde ya da iki büyük sinir hücresinin tepesinde gördüğü en üstteki kısımları gördü; sonra 01:49.560 --> 01:57.930 bu kolların hepsi üst kısımlarına doğru çıkıyordu ve sonra her biri bu Araud'u ya da benzeri bir ipliği çok uzun 01:57.930 --> 01:59.410 olana kadar çıkmıştı. 01:59.520 --> 02:01.510 Ve gördüğü de bu. 02:01.660 --> 02:07.800 Ve şimdi, teknolojinin çok ilerlediğini ve nöronları daha ayrıntılı olarak daha ayrıntılı olarak 02:07.800 --> 02:11.890 gördüğümüzü biliyorsunuz ve şimdi şematik simetrik olanı çizebiliriz. 02:11.910 --> 02:13.220 O halde bir göz atalım. 02:13.440 --> 02:14.190 İşte bir nöron. 02:14.190 --> 02:21.810 Bir Santiago etrafındaki Santiago'nun burada, burada ve bu sene çektiği şeylere çok benziyor ve görebildiğimiz 02:21.810 --> 02:24.310 şeyin bir ceset var olması. 02:24.570 --> 02:29.100 Nöronun ana kısmı bu, üstte dendritler denilen bazı dallar var ve 02:29.160 --> 02:33.200 aynı zamanda euro'nun bu uzun kuyruğunun üzerinde bir X var. 02:33.300 --> 02:38.030 Ve öyleyse bu ne dendritler ve ne zaman yabancı için iyi bir balta oldu. 02:38.130 --> 02:44.040 Burada anlamak gereken en önemli nokta, nöronların kendi başına çok yararsız olmasıdır. 02:44.040 --> 02:45.570 Sanki bir karınca gibi. 02:45.600 --> 02:46.140 Sağ. 02:46.170 --> 02:49.640 Ve tek başına psikopat birlikte beş reklam yapabilirim. 02:49.830 --> 02:51.170 Belki bir şeyler seçebilirler. 02:51.190 --> 02:55.830 Fakat yine de bir sığınak kuramazlar ya da büyük bir organizma 02:56.430 --> 02:59.340 olarak birlikte çalışamayacak bir koloni kurmalarını söylediler. 02:59.370 --> 03:03.510 Ancak, bir milyonda bir çok ve çok sayıda reklamınız olduğunda ve bütün bir 03:03.510 --> 03:05.680 koloni inşa edebilecekleri zamanlarda bir anthill oluşturabilirler. 03:05.680 --> 03:06.600 Nöronlarla aynı şey. 03:06.600 --> 03:12.320 Tek başına güç bu değil, fakat bir sürü nöron bir araya geldiğinde sihir yapmak için birlikte çalışırlar. 03:12.510 --> 03:13.820 Ve birlikte nasıl birlikte çalışıyorlar. 03:13.820 --> 03:14.430 Soru bu. 03:14.440 --> 03:19.140 Dendritlerin ve Aksenov'un, dendritlerin nöron için sinyal alıcıları gibi olması 03:19.140 --> 03:22.980 ve aksonun nöron için sinyal vericisi olması da öyle. 03:23.220 --> 03:26.520 Ve burada kavramsal olarak nasıl çalıştığını gösteren bir görüntü var. 03:26.520 --> 03:32.550 başka nöronların aksonlarına bağlandığını görebilirsiniz; bu da daha da uzaktadır. 03:32.550 --> 03:35.990 Üstteki tek başınasınız ve bunun, dendritlerin 03:36.000 --> 03:42.930 Ve sonra kendi sinyaliniz aksonunun aşağısına iner ve bir sonraki nöronun dendritlerine bağlanır veya birbirine 03:42.930 --> 03:44.960 bağlanır ve birbirlerine bağlı kalır. 03:45.030 --> 03:53.040 Ve o küçük resimde, aksonun dentrit alanına gerçekten dokunmadığını görebilirsiniz. 03:53.310 --> 03:59.130 Bir çok makine öğreniyor ya da birkaç makine öğrenen bilim insanı 03:59.130 --> 04:03.650 gibi, dokunduğu oda gibi dokunmadığı gerçeği konusunda çok kararlı. 04:03.660 --> 04:06.890 Burada fiziksel bir bağlantı olmadığı ispatlanmıştır. 04:06.960 --> 04:14.010 olduğunu hatırlatmaktır, burada resmin parantezinde yer alan küçük resimde görebilirsiniz. 04:14.010 --> 04:19.590 Ancak ilgilendiğimiz nokta, aralarındaki bağlantının, sinyal kavramının tamamının 04:20.300 --> 04:22.210 geçtiğini hatırlatan işaretler 04:22.230 --> 04:23.820 Ve yaptığımız eğilim de budur. 04:23.820 --> 04:29.820 Yapay nöronlara yapacağımız çizgileri veya suni nöronların bağlayıcılarını çağırmak yerine şu 04:29.820 --> 04:34.200 anda akson veya dendrit olarak adlandıracağız çünkü o 04:34.200 --> 04:36.880 zaman bağlantı nüansları nöronlar bu nöronlar. 04:36.990 --> 04:39.340 Onlara, hücrelerin işareti diyebileceğimiz iyi şeyleri diyoruz. 04:39.510 --> 04:42.680 Ve bu sadece bir sorunun cevabını veriyor. 04:42.690 --> 04:47.610 Temelde bu sinyalin iletildiği yer, o elemanın kime ait olduğu önemli değil. 04:47.610 --> 04:51.550 Bunlar sadece sinyal geçidinin bir gösterimidir ve bunu şimdi görürüz. 04:51.960 --> 04:55.210 Yani temel olarak bir nöron böyle çalışır. 04:55.210 --> 05:03.620 Ve evet öyleyse nöronun nasil temsil edilecegine devam edelim makinelerde nöronlar 05:03.620 --> 05:09.380 olusturuyoruz, hareket ediyoruz, sinirbilimden uzaklaşıyoruz ve teknolojiye geçiyoruz. 05:09.460 --> 05:10.260 Ve işte gidiyoruz. 05:10.360 --> 05:17.260 İşte nöronumuz bazen düğüm olarak adlandırılan kendi giriş sinyalleri alır ve çıkış 05:17.260 --> 05:18.400 sinyali alır. 05:18.400 --> 05:21.040 Dendritler ve aksonlar hatırlar. 05:21.040 --> 05:27.490 Ama yine de bu kayıtları arayacağız ve daha sonra bu girdi sinyalleri onları diğer 05:27.490 --> 05:29.050 nöronlardan da sunacağız. 05:29.080 --> 05:35.500 Bu durumda, bu nöronun sarı olduğunuzu, sarı nöronlardan sinyal aldığını 05:35.500 --> 05:35.860 görebilirsiniz. 05:35.860 --> 05:41.800 Ve bu derste sarı'nın bir giriş katmanı anlamına geldiği belirli bir renk kodlama rejimine sadık 05:41.830 --> 05:42.540 kalmaya çalışacağız. 05:42.540 --> 05:50.700 cephedeki ilk cephedeki tüm nöronlar, gelen ve sinyal gönderen sinyallerdir. 05:50.710 --> 05:52.300 Temelde, dış 05:52.300 --> 05:59.200 Biraz fazla overkill gibi bir sinyal bu sadece temelde giriş değerleri yani aramak için olabilir. 05:59.330 --> 06:04.720 Yani, basit bir doğrusal regrasyonda, girdi değerleri var ve o zaman tahmin edilen bir değere sahip olduğunuzu bile biliyorsunuz. 06:04.720 --> 06:05.620 Aynı şey burada. 06:05.620 --> 06:10.720 Yani, girdi değerleriniz var ve orada sarı olanlar ve sağda ise hemen şimdi kırmızı 06:10.720 --> 06:11.250 olacağını göreceksiniz. 06:11.260 --> 06:12.820 Çıktı değeri olacak. 06:13.600 --> 06:17.140 katmanı nöronlarından sinyaller alıyor bir nörona baktığımız. 06:17.140 --> 06:21.320 Buraya değinmek istediğim diğer şey, bu özel örnekte, giriş 06:21.320 --> 06:24.220 Ayrıca nöronlar vardır fakat girdileri nöronlarıdır. 06:24.530 --> 06:31.450 Bazen, diğer gizli nöronlardan sinyal alacak nöronlara sahip olacaksınız ve konsept tam 06:31.450 --> 06:35.860 olarak aynı olacak Ben sadece sadeliği için kullandığım 06:35.860 --> 06:42.820 bu örnekte bu örneği tasvir ediyoruz ve bu açıdan Giriş katmanı düşünmek 06:42.970 --> 06:49.900 insan beyninin benzetmesinde girdi tabakasının sizin duyularınızdır, bu nedenle ne duyarsanız duyun 06:49.900 --> 06:52.290 dokunduğunuzu veya kokladığını duyabilirsiniz. 06:52.510 --> 06:57.220 elbette, orada çok fazla bilgi olduğunu görebileceğiniz bir sürü şey var gibi. 06:57.220 --> 06:57.530 Ve 06:57.730 --> 07:02.860 Ama bunlar senin beyninin sınırlı olduğu bir yaşam. 07:03.010 --> 07:09.160 İsrail kemikten yapılmış bir kutuda yaşıyor ve sadece beyninizin kara bir 07:09.160 --> 07:15.430 kutuya kilitlendiğini düşünen bir akıl üfleme konsepti ve görebildiği tek şey görebiliyor. 07:15.430 --> 07:20.710 Almakta olduğu tek şey, bu organlardan gelen elektriksel dürtülerin, kulaklarınıza burnunu 07:20.710 --> 07:28.210 sokmamız gerektiğini, dokunuş hissini bildiğini ve ne olduğumuzu, sen ve benin ve zevkinin olduğunu söylüyoruz. 07:28.210 --> 07:34.150 Doğru yani sinyal alıyorsunuz, ancak temelde bu karanlık kara 07:34.150 --> 07:38.460 kutuda yaşıyor ve duyularınızla dünyayı anlamlandırıyor, olağanüstü. 07:38.500 --> 07:38.930 Ve evet. 07:38.950 --> 07:43.030 Yani insan beyni açısından gelen bu girdilere sahipsiniz. 07:43.030 --> 07:49.540 Bunlar beş duyunuz ve makine öğrenme veya derin öğrenme açısından, temel olarak girdi 07:49.900 --> 07:55.500 değerleriniz bağımsız değişkenlerinizdir ve bunu bir saniyede alacağız, böylece giriş değerleriniz 07:56.400 --> 08:01.450 sinyalin sinüslerden nörona iletilmesini ve ardından kendi zincirinin altına geçen 08:01.510 --> 08:03.200 bir çıktı değeri vardır. 08:03.550 --> 08:07.990 burada yalnızca giriş katmanı gibi olacağız ve sonra da yeşil ile bir gizli 08:07.990 --> 08:11.830 katmana sahip olacağız diyoruz. hangi hinterland bu durumda çıktıyı hemen oraya götüreceğiz. 08:11.830 --> 08:16.510 Renkli kodlama açısından yine sarı olan bu özel durumda girdi katmanı demektir, bu nedenle 08:16.510 --> 08:17.140 herşeyi basitleştiriyoruz, 08:17.530 --> 08:21.370 Bu yüzden sadece şimdi bu çağrılara alışabilmeliyiz. 08:21.580 --> 08:24.030 İşte temel yapı budur. 08:24.030 --> 08:28.390 Şimdi, sahip olduğumuz bu farklı unsurlara biraz daha ayrıntılı bir göz atalım. 08:28.390 --> 08:31.090 Yani giriş katmanı var ve burada ne var var. 08:31.090 --> 08:37.090 Aslında bağımsız değişkene sahip bu girdilere sahibiz, dolayısıyla bir değişken ve bir bit değişken 08:37.090 --> 08:38.170 bağımsız değişkene bağımlı. 08:38.170 --> 08:44.230 Hatırlanması gereken önemli nokta, bu bağımsız değişkenlerin tek bir gözlem için 08:44.230 --> 08:44.740 olmasıdır. 08:44.740 --> 08:47.620 Dolayısıyla, veritabanızda yalnızca bir satır olarak düşünün. 08:47.620 --> 08:54.790 Tek gözlem, bildiğiniz bağımsız değişkenlerin hepsini almanızdır, belki banka hesabındaki para 08:54.820 --> 09:01.270 miktarı kişinin yaşıdır ve ardından Şampuan'ın hangi yöntemi kullandıklarını nasıl 09:01.270 --> 09:03.070 kullanıyor veya çalışıyorlar. 09:03.080 --> 09:08.800 Ancak, belirli bir kişinin tüm tanımlayıcıları, ya modelinize eğitim 09:09.130 --> 09:12.510 veriyor veya üzerinde tahminde bulunuyorsunuz. 09:12.610 --> 09:16.900 Ve bu değişkenler hakkında bilmeniz gereken bir diğer husus, bunları 09:16.900 --> 09:21.310 standardize etmeniz gerektiğidir; öyleyse standartlaştırmanız gerekir; bu da, ortalama sıfır 09:21.340 --> 09:29.470 ve bir varyansa sahip olduklarından veya bazen de başlığın işaret edebileceğinden emin olmalısınız demektir. belki de bu izleri biraz 09:29.480 --> 09:34.090 daha detaylı olarak pratikte bunlarla karşılaşabilirsiniz, bazen standardizasyonu normalleştirmek isteyebileceğini bilmek 09:34.090 --> 09:34.800 isteyebilirsiniz. 09:34.990 --> 09:41.050 Ortalama ve çok Muser ve varyans olduğundan emin olmanızın yanısıra asgari değeri çıkarmanız gerektiğini bildireceksiniz ve 09:41.050 --> 09:46.130 daha sonra değerlerinizin aralığına göre maksimum eksi minimumlara bölünürsünüz ve dört tane de 09:46.150 --> 09:49.350 0 ile 1 arasında değerler elde edersiniz demektir . 09:49.510 --> 09:53.580 Ve bu senaryoya bağlı olarak birini veya birini yapmak isteyebilirsiniz. 09:53.590 --> 10:00.700 Ancak temel olarak, tüm bu değişkenlerin aynı değer aralığı ve nedeninde oldukça benzer 10:00.760 --> 10:01.680 olmasını istiyorsunuz. 10:01.700 --> 10:02.150 Neden. 10:02.150 --> 10:06.890 Peki bu değerlerin hepsi bir sinir ağı içine gidecek ve burada 10:06.890 --> 10:12.980 şimdi göreceğiz gibi eklenecek ve eklenen ağırlıklara çarpılacak ve böylece olacak ve sadece sinir ağları 10:12.980 --> 10:16.990 için daha kolay olacak ağ onları işlemek için hepsi aynıdır. 10:17.210 --> 10:23.790 Ve aslında bunu biliyorsunuz, bunun düzgün şekilde nasıl başa çıkabileceği de bu. 10:24.260 --> 10:29.210 Standartlaştırma normalleştirmesi ve hangi değişkenlerden daha iyi bir ek okuma 10:29.210 --> 10:36.440 kağıdına denk geldiğini diğer şeyler hakkında daha fazla bilgi edinmek isterseniz, oradaki genç Licken 1998 10:37.070 --> 10:39.630 bağlantıları tarafından verimli geri probu çağırın. 10:39.650 --> 10:47.570 Dolayısıyla, konuştuğumuz dersin bölümünde derin öğrenme alanında bu olağanüstü kişi hakkında daha 10:47.680 --> 10:49.040 fazla konuşacağız. 10:49.040 --> 10:53.930 Dönüşümsel sinir ağları ve bunun kesinlikle onun hakkında ne diyeceğini bilen bir 10:53.930 --> 10:55.280 kişi olduğunu göreceksiniz. 10:55.280 --> 11:00.840 Jeffrey Hinton'un çok yakın arkadaşını gördüğümüz çok yakın biri. bu dersten geçerken ek okumalar için iyi bir kaynak olacaksınız. 11:00.860 --> 11:07.070 Bu yazıda, normalleştirme merkezleri hakkında daha fazla bilgi edineceksiniz, ayrıca birçok 11:07.070 --> 11:11.510 farklı ipucu ve püf noktası da seçebilirsiniz ve 11:11.510 --> 11:12.470 Bazı ek okumalarla ilgileniyorsanız evet bir göz atın. 11:12.590 --> 11:15.800 Oraya gidiyoruz. 11:16.290 --> 11:16.940 Bu yüzden sözler için yaptıklarımız. 11:16.940 --> 11:20.210 Ve burada olduğu gibi çıktı değeri var. 11:20.390 --> 11:23.140 Peki bizim çıktı değeri ne olabilir. 11:23.180 --> 11:24.960 Elimizde birkaç seçenek var. 11:25.130 --> 11:26.280 Çıktı değeri sürekli olabilir. 11:26.300 --> 11:32.110 Örneğin, fiyat gibi, ikili olabilir; örneğin, bir kişi çıkacak veya kalacak veya kategorik sözel ve fiziki kıvrımlı kategorik sözel olabilir. 11:32.110 --> 11:39.260 Burada hatırlamanız gereken en önemli nokta, çıktı değeriniz sadece bir değil, birkaç çıkış 11:39.260 --> 11:44.060 değeri olacaktır çünkü bunlar kategorilerinizi temsil edecek olan kukla 11:44.060 --> 11:50.390 değişkenler olacaktır ve bu sadece bu nasıl işe yarıyor ve sadece 11:51.360 --> 11:57.400 önemlidir. Bu durumda bu kategorileri yapay sinir ağı dışına çıkaracağınızı hatırlayın. 11:57.410 --> 12:02.640 Ancak, basit bir çıktı hacmi örneğine geçelim. 12:02.810 --> 12:05.510 noktayı tekrarlamak istedim, tek bir gözlemin var. 12:05.750 --> 12:11.780 Ve şimdi bir noktaya daha değinelim ya da tür hazır gibi yapalım sadece soldaki bu 12:11.780 --> 12:15.360 Veri kümenizden gelip gelmediğinizi merak ediyorsunuz ve sağda 12:15.470 --> 12:20.180 da tek bir yönünüz var ve bu da aynı gözlem. 12:20.210 --> 12:21.990 Bir satıra koyduğunuz girdiler 12:22.190 --> 12:28.100 gibi hatırlamak çok önemlidir ve elde ettiğiniz çıktı da aynı satır için geçerlidir. 12:28.100 --> 12:29.960 Ya da sinir ağınızı eğitiyorsanız, 12:30.080 --> 12:34.420 o girdiyi bir tura koyduğunuzu biliyorsunuz, o satır için çıktı koyuyorsunuz. 12:34.420 --> 12:36.440 lineer regresyon gibi düşünün. 12:36.440 --> 12:42.440 Karmaşıklığı basitleştirmek istiyorsanız basit bir şey olarak bir gerileme ya da çok değişkenli 12:42.440 --> 12:43.990 Yani çıktısınız değerlerinize giriyorsunuz. 12:43.990 --> 12:48.150 Orada sanki hakkında soru sormuyormuşum gibi. 12:48.180 --> 12:49.700 Regresyon gibi şeylerden bahsederken çok alışkın olduğumuzdan. 12:49.700 --> 12:52.790 Aynı şey burada çok karmaşık bir şey değil. 12:52.790 --> 12:54.980 Çıktı aldığımız değerleri koyuyoruz. 12:54.980 --> 12:56.740 her seferinde o gözlem 12:56.760 --> 13:01.310 ile ilgili farklı özellikler veya nitelikler farklı bir gözlem dizinine sokar. 13:01.310 --> 13:07.940 Ancak unutmayın ki her uğraştığınız bir satır olduğunda, kafanız karışmamalı ve yapay sinir ağına koyduğunuz farklı 13:07.940 --> 13:12.710 satırlar olduğunu düşünerek ya da bir şeylerin hepsini de değerlendirecek şekilde yerleştirmelisiniz. 13:12.710 --> 13:18.970 Tamam, burada konuşmak istediğimiz bir sonraki şey, sinüslerimizin iltica 13:19.160 --> 13:26.090 dilinde olmasıdır. Burada hizmetlerimiz var ve hepsine ağırlık ağırlıkları atanmıştır. 13:26.090 --> 13:28.940 Ağırlıklar hakkında daha fazla konuşacağız 13:28.940 --> 13:37.100 ancak kısa ağırlıklardaki yapay sinir ağı sinirleri işler durumda çok önemlidir, çünkü ağırlıklar sinir ağının 13:37.100 --> 13:44.040 sinir ağının her bir durumda kararlaştırdığı ağırlıkları ayarlayarak sinir ağlarının nasıl öğrenildiğidir; tek 13:44.470 --> 13:50.270 sinyalin ne fakir olduğunu ve Sinyal belirli nöron için önemli değildir. 13:50.270 --> 13:51.140 Hangi tekliğin 13:51.140 --> 13:56.300 üzerinden geçer ve hangi sinyale ulaşmaz ya da sinyaller ne ölçüde geçer. 13:56.300 --> 13:57.770 Bu yüzden ağırlıklar çok önemlidir. 13:57.770 --> 13:59.320 Onlardır ve öğrenme süreci boyunca düzeltilen şeylerdir. 13:59.330 --> 14:03.590 Yapay sinir ağı altında eğitim aldığınızda temelde tüm 14:03.590 --> 14:07.760 sinüs ağındaki tüm sinüslerin tüm ağırlıklarını ayarlamışsınız gibi. 14:07.760 --> 14:11.050 Ve eğim inişinin ve 14:11.250 --> 14:17.910 geri yayılımın oynandığı budur ve bunlar da tartışacağımız kavramlardır. 14:17.910 --> 14:19.240 Temelde ağırlıkları bunlar. 14:19.670 --> 14:21.410 Şimdilik bilmeliyim. 14:21.410 --> 14:22.940 Ve sinirler sinir hücresine ve Avrupa'da olanlara girmek için nöronlara sahibiz. 14:23.150 --> 14:28.420 Bu ilginç bir bölüm. 14:28.430 --> 14:30.520 Sanki bugün nörondan bahsediyoruz, nöron içinde ne oluyor. 14:30.530 --> 14:33.670 İlk şey birkaç şey olur 14:33.890 --> 14:40.100 ve ilk adım, aldığı bu değerlerin hepsinin toplanıp eklenmesini gerektirmesi. 14:40.190 --> 14:43.730 bunları eklemek suretiyle çarparak birleştirme fonksiyonu uygular. 14:43.850 --> 14:51.200 Dolayısıyla, çok basit hale gelen tüm girdi değerlerinin ağırlıklı toplamı, çok basittir, sadece 14:51.220 --> 14:57.200 Şimdi aktivasyon işlevleri hakkında daha fazla bilgi edineceğiz ama temelde bu nörona veya bu katmanın tümüne 14:57.200 --> 15:00.960 atanmış bir işlevdir ve bazılarını eklemek için bu şekilde uygulanır. 15:00.960 --> 15:09.420 Ve bundan sonra euro bölgesi, isterseniz bir sinyali alıp almayacağını 15:09.570 --> 15:16.890 anlar ve işlevi, bazıları için uygulanan bu sinyal geçerlidir. 15:16.890 --> 15:22.260 Ancak temelde fonksiyona bağlı olarak nöron 15:22.260 --> 15:26.400 sinyali iletir veya sinyali iletmez. 15:26.400 --> 15:27.640 Ve burada tam da üçüncü adımda olan bitti. 15:27.870 --> 15:30.910 Nöron makarnası, o çizginin altındaki bir sonraki nörona sinyal gönderiyor. 15:31.430 --> 15:35.670 Ve bir sonraki öğreticide konuşacağımız şey bu oldukça önemli bir konudur. 15:36.090 --> 15:39.960 Aktivasyon fonksiyonunu derinlemesine araştırmak istiyoruz fakat umarım şu an için 15:39.960 --> 15:46.380 her şey, ağırlıkları elinde bulunduran girdi değerlerini nasıl bildiğinizin çok net olması gerektiği anlamına gelmektedir. Tasarım evleriniz 15:46.380 --> 15:51.600 varsa, bildiğiniz bir şeyin var, ve bir yol var Sarmad bir etkinleştirme işlevi uygulandı 15:51.660 --> 15:56.430 ve sonra bu satırdan geçti ve bu sadece bütün sinir ağı boyunca tekrarlandı 15:56.430 --> 16:00.510 ve üzerinde ve üzerinde ve kaç tane nöronun ne kadar büyük 16:00.510 --> 16:06.660 olduğuna bağlı olarak binlerce yüz binlerce kez biliyorsun sinir ağınızda kaç kayıt yaptığınızdan emin olun. 16:06.660 --> 16:09.550 İşte gidiyoruz. 16:09.570 --> 16:10.110 Bugünkü öğretici kodu bir dereceye kadar beğendiğinizi umuyoruz. 16:10.110 --> 16:13.270 O zamana kadar derinlemesine öğrenmenin tadını çıkarın. 16:13.410 --> 16:15.010