WEBVTT 00:00.270 --> 00:02.640 Merhaba ve derin öğrenme kursuna hoş geldiniz. 00:02.730 --> 00:05.140 Pekâlâ, bugünkü aktivasyon işlevi hakkında konuşuyoruz. 00:05.190 --> 00:07.010 Hadi düz içine girelim. 00:07.020 --> 00:11.910 Bu yüzden daha önce bıraktığımız yer, bir nöronun yapısı hakkında konuştukumuzdur. 00:12.030 --> 00:16.770 Dolayısıyla ortada, bazı girdiler değerlerine sahip olduğunu biliyoruz, bazı ağırlıkları 00:17.130 --> 00:23.370 var, o zaman bu girdilerin bazılarını hesaplama ve adım 3'te etkinleştirme işlevini uygulama 00:23.370 --> 00:24.690 yolunu ekliyor. 00:24.750 --> 00:30.090 ve bugün konuştuğumuz şey, üzerinden geçilecek olan değerden bahsediyoruz. 00:30.090 --> 00:32.850 Gelecek sene sinyali veriyor 00:32.850 --> 00:35.970 Dolayısıyla, uygulanmakta olan etkinleştirme işlevinden bahsediyoruz. 00:36.390 --> 00:39.270 Peki, aktivasyon işlevi için ne gibi seçeneklerimiz var. 00:39.270 --> 00:43.400 Seçebileceğiniz dört farklı etkinleştirme işlevine bakacağız. 00:43.410 --> 00:47.400 Tabii ki daha farklı türde aktivasyon fonksiyonu var ama bunlar, 00:47.400 --> 00:50.390 işiteneceğiniz ve bu derste kullanacağımız hakim olanlardır. 00:50.400 --> 00:53.060 İşte eşik değeri işlevi. 00:53.070 --> 00:54.300 İşte böyle görünüyor. 00:54.300 --> 00:59.600 Yani x ekseni üzerinde, y ekseni üzerinde bazı girdilerin ağırlıklandırılmış olması gerekir. 00:59.610 --> 01:07.320 Sadece 0'dan 1'e değerleri biliyorsunuz ve temelde eşik fonksiyonları çok basit 01:07.330 --> 01:14.700 bir fonksiyontur, burada değer sıfırdan daha küçük ise o zaman serbesttir. 01:14.730 --> 01:16.680 Teşekkürler ssion sıfır geçer. 01:16.890 --> 01:22.940 Değer sıfırdan fazla ise veya sıfıra eşitse, eşik işlevi 1 üzerinde püskürtür. 01:22.940 --> 01:26.910 Yani temel olarak tür evet hiçbir işlev türü gibi. 01:26.940 --> 01:29.130 Çok basit. 01:29.130 --> 01:33.500 Çok tür sert tipte bir işleve evet ya da hayır gibi. 01:33.540 --> 01:35.000 Başka seçeneği yok. 01:35.040 --> 01:35.510 Al işte ozaman, buyur. 01:35.510 --> 01:36.210 İşte böyle çalışır. 01:36.210 --> 01:37.440 Çok basit bir işlevi. 01:37.440 --> 01:40.020 Biraz daha karmaşık bir şeye geçelim. 01:40.020 --> 01:48.420 Şimdi bu sigmoid fonksiyonumuz çok ilginç bir formüldür, burada göreceksiniz ki bir artı birer 01:48.420 --> 01:49.940 bölme var. 01:49.950 --> 01:58.450 Eksi X'in gücü bu durumda elbette X toplamların toplamı olan toplamıdır. 01:58.590 --> 02:00.540 Ve evet. 02:00.570 --> 02:02.600 Yani sigmoid böyle görünüyor. 02:02.610 --> 02:06.510 Lojistik regresyonda kullanılan bir işlevdir. 02:06.510 --> 02:09.470 Makine öğrenme kursundan geri çağırırsanız. 02:09.540 --> 02:12.000 Dolayısıyla bu işlev için iyi olan pürüzsüz olmasıdır. 02:12.060 --> 02:14.880 Sanal işlevin aksine. 02:14.970 --> 02:21.720 Bu eğrinin içinde bu sapıklık yok ve bu nedenle sadece güzel ve düzgün kademeli ilerleme var. 02:21.720 --> 02:26.340 Yani 0'ın altındaki herhangi bir şey tıpkı sıfırların üstünde damlalar gibi. 02:26.340 --> 02:35.220 Birine doğru yaklaşır ve bu sigmoid fonksiyon son çıktı Lehren'de çok yararlıdır. 02:35.220 --> 02:35.590   02:35.610 --> 02:38.900 Özellikle olasılıkları tahmin etmeye çalışırken. 02:38.910 --> 02:40.820 Ve bunu ders boyunca göreceğiz. 02:41.190 --> 02:47.370 Ve sonra bir döngü özelliği olan yapay sinir ağları için en popüler 02:47.370 --> 02:55.090 işlevlerden biri olduğu halde doğrultucu fonksiyonu doğrultucu fonksiyonuna sahibiz, böylece sıfır olan her şey sıfırdır. 02:55.110 --> 03:02.460 ve kursta başka sezim öğreticilerinde de görüldüğü gibi dersin pratik tarafında bu işlevi nasıl 03:02.460 --> 03:07.140 kullandığımızı göreceğiz. Bundan sonra birkaç slaytta biraz daha yorum yapacağım. 03:07.140 --> 03:13.020 Ve daha sonra girdi değeri de arttıkça oradan kademeli olarak ilerlediğini 03:13.020 --> 03:13.590 görüyoruz 03:13.590 --> 03:18.970 Dolayısıyla doğrudan ateş fonksiyonunun yapay sinir ağlarında en çok kullanılan fonksiyonlardan biri olduğunu unutmayın. 03:19.020 --> 03:22.770 Ve sonunda muhtemelen duyacağınız bir işlevi daha var. 03:22.830 --> 03:25.220 Hiperbolik teğet fonksiyonu. 03:25.260 --> 03:32.760 Sigmoid işlevine çok benzer, ancak burada hiperbolik teğet işlevi sıfırın altına iner, böylece değerler 0'dan 03:32.760 --> 03:39.510 1'e veya yaklaşık 2 1'e gider ve diğer taraftan sıfırdan eksi 1'e gider. 03:39.750 --> 03:42.360 Ve bu, bazı uygulamalarda yararlı olabilir. 03:42.390 --> 03:48.060 Dolayısıyla bu işlevlerin her biri üzerinde çok derinlemesine geçmeyeceğiz, sizi neye benzediğini 03:48.060 --> 03:51.680 ve neye benzediğini bildiğiniz şekilde onlarla tanışmak istedim. 03:51.780 --> 03:59.690 Biraz daha okumak istiyorsanız, bu makaleyi 75 yıla kadar kontrol edin. 03:59.820 --> 04:05.630 Derin seyrek, sinirsel ağları düzelten 2000 makalesi var mı? 04:05.790 --> 04:14.700 Ve burada doğrultucu işlevinin niçin bu kadar popüler olduğu için çok değerli bir işlev olduğunu tam 04:14.970 --> 04:16.300 olarak öğreneceksiniz. 04:16.350 --> 04:20.640 Fakat yine de şu an için tüm bu şeyleri bilmemiz gerekmiyor. 04:20.650 --> 04:24.240 Şimdilik, bunları kullanmaya başlayacağınız bunları uygulamanıza devam edeceğiz. Onları daha çok ve daha fazla kullanmaya başlayacaksınız. 04:24.270 --> 04:31.290 Ve böylece şeylerin pratik yüzü ile rahat hissederseniz, bu kağıda gidip bakabilir ve 04:31.290 --> 04:37.140 o zaman bu bilgiye daha çabuk girebilir ve daha mantıklı olacaktır. 04:37.370 --> 04:42.000 Ancak şunu unutmayın ki hazır olduğunda, hazır olduğunuzu hissettiğinizde kağıt 04:42.120 --> 04:45.060 okuyup onlardan değerli bilgiler elde edebilirsiniz. 04:45.540 --> 04:53.070 Dolayısıyla, hızlıca özetlemek için, benzeyen eşik aktivasyon fonksiyonuna sahip sigmoid aktivasyon 04:53.100 --> 04:55.360 fonksiyonu buna benzer. 04:55.680 --> 05:01.770 Doğrultucu fonksiyonumuz var ve hiperbolik teğet fonksiyonuna sahibiz ve şimdi bu öğreticiyi bitirmek 05:01.770 --> 05:09.000 için birkaç egzersiz yapalım, bu yüzden bilgi sızıntısına yardımcı olmak için iki hızlı egzersiz yapalım. 05:09.000 --> 05:09.150   05:09.150 --> 05:15.140 Birincisi, burada sadece bir nöronun ve hemen çıkış katmanın sinir ağı 05:15.160 --> 05:16.030 örneği var. 05:16.140 --> 05:22.620 Ve soru bağımlı değişkeniniz ikili olduğu varsayılarak Yani 0 veya 1, hangi eşik 05:22.620 --> 05:23.780 fonksiyonu kullanırsınız. 05:23.790 --> 05:31.980 Konuştuğumuz şeylerin birçoğunda sigmoid fonksiyonu doğrultucu fonksiyonunu işler ve 05:31.980 --> 05:39.480 ikili bir değişken için hangilerinin kullanabileceğini hangilerinin rulo 05:39.480 --> 05:43.450 formlarındaki hiperbolik teğet fonksiyonuna sahibiz. 05:43.950 --> 05:44.410 TAMAM. 05:44.490 --> 05:49.360 Yani cevaplar burada, buna yaklaşabileceğimiz iki seçenek var. 05:49.380 --> 05:55.790 Biri eşik aktivasyon işlevi çünkü 0 ve 1 arasında olduğunu biliyoruz ve bize 0 Anderson şemsiyesi veriyor 05:55.800 --> 06:00.090 ve aksi halde size bir kez veriyor, size sadece iki değer verebilir. 06:00.090 --> 06:10.020 Bu gereksinim kusursuz bir şekilde bu gereksinime uyuyor ve bu nedenle, y'nin bazılarına göre değişen eşik fonksiyonuna 06:10.020 --> 06:13.770 eşit olduğunu söyleyebilirdiniz ve işte bu kadar. 06:14.010 --> 06:18.450 Ve kullanabileceğiniz ikinci durumda sigmoid aktivasyon işlevi. 06:18.450 --> 06:21.710 Aslında, ihtiyacımız olan şey 0 ile 1 arasındadır. 06:21.750 --> 06:29.940 Ama aynı zamanda istediğiniz bir haktır, bu yüzden tam olarak ihtiyacımız olanı değilsiniz, ancak 06:29.940 --> 06:37.530 bu durumda Y'nin evet ya da hayır olma olasılığı olduğu gibi kullanabileceğiniz durumda. 06:37.530 --> 06:46.170 Yani Y'nin 0 1 olmasını isteriz, bunun yerine sigmoid fonksiyon Simoun aktivasyon fonksiyonunun 06:46.170 --> 06:51.860 bize Y'nin 1'e eşit olma ihtimalini gösterip gösteremeyeceğini söyler. 06:51.870 --> 06:59.130 Temel olarak, tepeye ne kadar yaklaştıkça, bunun gerçekten bir ya da evet olduğuna, bunun yerine bir hayır olmasına ne kadar 06:59.160 --> 07:00.300 çok ihtimal veriyorsunuz. 07:00.750 --> 07:04.700 Ve evet, bu, lojistik regresyon yaklaşımına çok benzer. 07:04.920 --> 07:07.570 Ve bunlar sadece iki örnektir. 07:07.650 --> 07:09.610 Eğer bir ikili değişkeniniz varsa. 07:10.120 --> 07:12.810 Şimdi başka bir uygulamaya bir göz atalım. 07:12.810 --> 07:17.190 Bütün doğal halinizde böyle olsaydı bunların hepsinin nasıl oynanacağına bir göz atalım. 07:17.430 --> 07:20.960 Bu yüzden birinci katmanda bazı girdilerimiz var. 07:20.980 --> 07:26.060 İlk gizli katmana gönderilir ve ardından bir etkinleştirme işlevi uygulanır. 07:26.070 --> 07:31.380 Ve genelde burada ne başvururdunuz ve Scorsese'de göreceğiniz şey, bir doğrultucu aktivasyon 07:31.410 --> 07:34.510 işlevi uygulayacak ve böyle bir şey görünecektir. 07:34.530 --> 07:40.980 uygulandığı çıktı katmanına geçirilecek ve bu bizim nihai çıktı olacaktır. 07:40.980 --> 07:46.820 Doğrultucu aktivasyon fonksiyonunu uyguluyoruz ve buradan sinyaller, sigmoid aktivasyon fonksiyonunun 07:46.830 --> 07:51.270 Ve bu olasılığı önceden tahmin edebilir, bu yüzden bu 07:51.600 --> 07:58.640 kombinasyon gizli katmanlarda doğrultucu fonksiyonunu uyguladığımız yerde ve daha sonra orada çıktığında sigmoid fonksiyonunu uygulayacağız. 07:58.890 --> 07:59.850 İşte gidiyoruz. 07:59.850 --> 08:05.040 Dört farklı türde etkinleştirme işlevinde oldukça iyi usta olduğunuzdan bu dersin tadını çıkardığınızdan 08:05.040 --> 08:11.130 ve bu kurs boyunca onlarla pratik deneyim kazandıracağından ötürü onları her yerde kullanacaklarını umduğunuzdan emin 08:11.220 --> 08:15.900 olun, böylece bunları oldukça yakından tanıma olanağına kavuşacaksınız ve onlarla oldukça rahat 08:15.900 --> 08:16.310 olmalısın. 08:16.530 --> 08:22.230 Ancak şimdilik, ilerlemeniz gereken ve bu derste daha da neler olacağını anlamanız 08:22.250 --> 08:23.600 gereken bilgi budur. 08:23.940 --> 08:26.940 Ve bu notta bir dahaki sefere görmeyi dört gözle bekliyorum. 08:26.940 --> 08:28.560 O zamana kadar öğrenmenin tadını çıkarın.