WEBVTT 00:00.420 --> 00:02.850 حسنًا ، هناك برنامج تعليمي مثير ينتظرنا. 00:02.880 --> 00:04.740 مرحبًا بك مرة أخرى في دورة التعلم العميق. 00:04.740 --> 00:07.800 نتحدث اليوم عن كيفية عمل الشبكات العصبية؟ 00:07.830 --> 00:09.720 الآن ، لقد وضعنا الكثير من الأسس. 00:09.720 --> 00:15.450 لقد تحدثنا عن كيفية هيكلة الشبكات العصبية ، والعناصر التي تتكون منها وحتى 00:15.450 --> 00:16.310 وظائفها. 00:16.320 --> 00:21.750 واليوم سنلقي نظرة على مثال حقيقي لكيفية تطبيق شبكة عصبية جديدة. 00:21.750 --> 00:28.140 وسنعمل في الواقع خطوة بخطوة خلال عملية التطبيق حتى نعرف ما يجري. 00:28.140 --> 00:29.160 لذلك دعونا نلقي نظرة. 00:29.160 --> 00:30.650 ما هو المثال الذي سنتحدث عنه؟ 00:30.660 --> 00:33.120 سننظر في تقييم العقارات. 00:33.120 --> 00:39.490 لذلك سننظر إلى الشبكة العصبية التي تأخذ بعض المعلمات حول خاصية ما وتقدرها. 00:39.510 --> 00:44.670 والشيء هنا ، هناك تحذير صغير لبرنامج اليوم التعليمي ، وهو أننا في الواقع لن نقوم 00:44.670 --> 00:45.750 بتدريب الشبكة. 00:45.750 --> 00:49.290 لذلك جزء مهم جدًا في الشبكات العصبية هو تدريبهم. 00:49.290 --> 00:53.250 وسنلقي نظرة على ذلك في الدروس التالية في هذا القسم. 00:53.250 --> 00:55.530 في الوقت الحالي ، سنركز على التطبيق الفعلي. 00:55.530 --> 01:01.980 لذلك سنعمل مع شبكة عصبية نتظاهر بأنها مدربة بالفعل ، وهذا سيسمح لنا بالتركيز 01:01.980 --> 01:07.710 على جانب التطبيق من الأشياء وعدم التعثر في جانب التدريب. 01:07.710 --> 01:11.520 وبعد ذلك سنغطي التدريب عندما نعرف بالفعل الهدف النهائي الذي نعمل على تحقيقه. 01:11.520 --> 01:12.450 يبدو جيدا؟ 01:12.450 --> 01:13.050 حسنا. 01:13.050 --> 01:14.670 دعنا نقفز مباشرة إليه. 01:15.060 --> 01:19.260 لنفترض أن لدينا بعض معلمات الإدخال ، أليس كذلك؟ 01:19.260 --> 01:21.360 لنفترض أن لدينا أربع معلمات حول الخاصية. 01:21.360 --> 01:24.120 لدينا مساحة بأقدام مربعة. 01:24.120 --> 01:29.730 لدينا عدد غرف النوم والمسافة إلى المدينة والأميال أقرب مدينة وعمر العقار. 01:29.730 --> 01:33.450 وكل هؤلاء الأربعة سيشكلون طبقة الإدخال الخاصة بنا. 01:33.450 --> 01:39.660 الآن ، بالطبع ، من المحتمل أن تكون طريقة أكثر من المعلمات التي تحدد سعر الممتلكات. 01:39.660 --> 01:45.330 ولكن من أجل البساطة ، سننظر إلى هؤلاء الأربعة فقط الآن في شكلها الأساسي للغاية. 01:45.330 --> 01:49.980 تحتوي الشبكة العصبية على طبقة إدخال فقط في طبقة مخرجات ، لذلك لا توجد طبقات مخفية. 01:49.980 --> 01:52.200 وطبقة المخرجات هي السعر الذي نتوقعه. 01:52.200 --> 02:00.930 إذن في هذه الصورة ، ما ستفعله متغيرات الإدخال هذه هو أنها ستُرجح فقط من خلال المشابك ومن ثم يتم حساب طبقة 02:00.930 --> 02:06.120 المخرجات أو بشكل أساسي سيتم حساب السعر وسنحصل على السعر. 02:06.120 --> 02:14.040 وعلى سبيل المثال ، يمكن حساب السعر ببساطة مثل المجموع المرجح لجميع المدخلات. 02:14.040 --> 02:19.440 ومرة أخرى ، يمكنك هنا استخدام أي وظيفة تقريبًا يمكنك استخدام ما نستخدمه الآن ، ويمكننا 02:19.440 --> 02:23.220 استخدام أي من وظائف التنشيط التي كانت لدينا من قبل. 02:23.220 --> 02:29.130 يمكنك استخدام الانحدار اللوجستي ، يمكنك استخدام دالة التربيعية. 02:29.130 --> 02:30.840 يمكنك فقط أي شيء هنا. 02:30.960 --> 02:33.390 لكن النقطة المهمة هي أنك تحصل على مخرجات معينة. 02:33.390 --> 02:40.920 علاوة على ذلك ، يمكن تمثيل معظم خوارزميات التعلم الآلي الموجودة بهذا التنسيق. 02:40.920 --> 02:45.240 هذا في الأساس تمثيل تخطيطي لكيفية تعاملك مع المتغير. 02:45.570 --> 02:50.940 من خلال تغيير الطريقة التي تكون بها الصيغة ، يمكنك إنجاز الكثير من خوارزميات 02:50.940 --> 02:55.350 التعلم الآلي التي تحدثنا عنها من قبل ووضعها في هذا النموذج. 02:55.350 --> 03:00.720 وهذا يميل فقط إلى إظهار مدى قوة الشبكات العصبية الجديدة حتى بدون الطبقات المخفية 03:00.720 --> 03:05.250 ، لدينا بالفعل تمثيل يعمل مع معظم خوارزميات التعلم الآلي الأخرى. 03:05.250 --> 03:11.700 لكن في الشبكات العصبية ، ما لدينا هو ميزة إضافية تمنحنا الكثير من المرونة 03:11.700 --> 03:16.800 والقوة ، ومن هنا تأتي هذه الزيادة في الدقة. 03:16.800 --> 03:20.190 وهذه القوة هي الطبقات المخفية. 03:20.400 --> 03:21.990 وها نحن ذا. 03:21.990 --> 03:22.830 هذه هي طبقتنا المخفية. 03:22.830 --> 03:29.970 لقد أضفناها ، وسنفهم الآن كيف تمنحنا تلك الطبقة المخفية تلك القوة الإضافية. 03:29.970 --> 03:34.020 وفي الحقيقة ، من أجل القيام بذلك ، سنستعرض مثالاً. 03:34.020 --> 03:38.520 لذا كما اتفقنا ، تم تدريب هذه الشبكة العصبية بالفعل والآن سنقوم فقط بتوصيلها. 03:38.520 --> 03:44.160 سوف نتخيل أننا نقوم بتوصيل خاصية وسنقوم بالمشي خطوة بخطوة خلال كيفية 03:44.160 --> 03:51.840 تعامل الشبكة العصبية مع متغيرات الإدخال وحساب الطبقة المخفية ثم حساب طبقة الإخراج. 03:51.840 --> 03:52.860 لذا دعنا ننتقل من خلال هذا. 03:52.860 --> 03:54.300 ستكون مثيرة. 03:54.300 --> 03:54.810 حسنا. 03:54.810 --> 04:00.540 لدينا جميع المتغيرات الأربعة على اليسار ، وسنبدأ أولاً بالخلايا العصبية العلوية في الطبقة 04:00.540 --> 04:01.230 المخفية. 04:01.230 --> 04:07.230 الآن ، كما رأينا سابقًا في الدروس السابقة ، جميع الخلايا العصبية من طبقة الإدخال ، لديهم 04:07.230 --> 04:12.750 نقاط تشابك عصبية تربطها ، كل واحدة منها إلى أعلى خلية عصبية في الطبقة المخفية. 04:13.260 --> 04:15.060 وتلك المشابك لها أوزان. 04:15.060 --> 04:18.780 دعنا نتفق الآن على أن بعض الأوزان لها قيمة غير صفرية. 04:18.780 --> 04:25.170 سيكون لبعض الأوزان قيمة صفرية لأنه في الأساس لن تكون جميع المدخلات صالحة أم لا. 04:25.170 --> 04:27.780 ستكون جميع المدخلات مهمة لكل خلية عصبية واحدة. 04:27.780 --> 04:29.310 في بعض الأحيان لن تكون المدخلات مهمة. 04:29.310 --> 04:31.200 وهنا يمكننا أن نرى مثالين عند x واحد. 04:31.200 --> 04:35.940 الثلاثة التالية ، المنطقة والمسافة إلى المدينة والأميال مهمة لتلك العصبون ، في حين أن غرف النوم 04:35.940 --> 04:37.020 والعمر ليست كذلك. 04:37.410 --> 04:38.670 ودعونا نفكر في هذا لثانية. 04:38.670 --> 04:39.180 لماذا ا؟ 04:39.180 --> 04:40.440 كيف يكون هذا هو الحال؟ 04:40.590 --> 04:46.170 لماذا يتم ربط خلية عصبية معينة بالمنطقة والمسافة؟ 04:46.170 --> 04:47.280 ماذا يمكن أن يعني ذلك؟ 04:47.280 --> 04:52.920 حسنًا ، قد يعني ذلك أنه كلما ابتعدت عن المدينة ، تصبح العقارات الأرخص ثمناً 04:52.920 --> 04:58.210 ، وبالتالي تصبح المساحة بالأقدام المربعة للعقارات أكبر. 04:58.210 --> 04:58.310 الصحيح. 04:58.350 --> 04:59.970 لذلك مقابل نفس السعر ، يمكنك الحصول على حجم أكبر. 05:00.030 --> 05:02.490 الملكية كلما ابتعدت عن المدينة ، هذا طبيعي ، أليس كذلك؟ 05:02.670 --> 05:03.450 منطقي. 05:03.450 --> 05:09.840 وربما ما تفعله هذه الخلايا العصبية هو أنها تبدو على وجه التحديد وكأنها قناص. 05:09.840 --> 05:17.550 إنها تبحث عن عقارات في منطقة ليست بعيدة جدًا عن المدينة ، ولكن بها مساحة كبيرة. 05:17.550 --> 05:24.750 لذلك بالنسبة لبعدهم عن المدينة ، لديهم مساحة قدم مربعة غير عادلة. 05:24.750 --> 05:25.010 الصحيح. 05:25.020 --> 05:27.570 لذا فإن الشيء غير الطبيعي هو أعلى من المتوسط. 05:27.570 --> 05:31.950 لذا فهي قريبة جدًا من المدينة ، لكنها لا تزال كبيرة مقارنة بالمواقع الأخرى الموجودة على نفس 05:31.950 --> 05:32.610 المسافة. 05:33.030 --> 05:38.520 وبالتالي ، تلك الخلية العصبية ، مرة أخرى ، نحن نتوقع هنا ، لكن تلك العصبون قد يكون يختار الليزر 05:38.520 --> 05:43.950 ليختار تلك الخصائص المحددة ، وسوف ينشط ، وبالتالي وظيفة التنشيط التي ستنشطها. 05:43.950 --> 05:46.950 سوف يتم إطلاقه فقط عند استيفاء معايير معينة. 05:46.950 --> 05:51.120 هذه ، كما تعلم ، المسافة ومساحة المسبار ، والمسافة إلى المدينة ومساحة 05:51.120 --> 05:51.840 العقار. 05:51.840 --> 05:57.300 وتقوم بحساباتها الخاصة داخل نفسها وتجمع بين هاتين العمليتين. 05:57.300 --> 06:01.980 وبمجرد اشتعال نوع معين من الإرهاب وهذا يساهم في السعر في طبقة المخرجات. 06:01.980 --> 06:06.210 وبالتالي ، فإن هذه الخلايا العصبية لا تهتم حقًا بغرف النوم وعمر العقار لأنها تركز 06:06.210 --> 06:07.620 على هذا الشيء المحدد. 06:07.620 --> 06:12.450 من هنا تأتي قوة الشبكة العصبية ، لأن لديك العديد من هذه الخلايا العصبية وسنرى الآن 06:12.450 --> 06:14.040 كيف تعمل الخلايا الأخرى. 06:14.040 --> 06:20.880 لذا لكن ما أردت أن أتفق عليه هنا هو أنه دعونا لا نرسم هذه الخطوط لنقاط الاشتباك العصبي غير 06:20.880 --> 06:24.120 الموجودة في مكانها حتى لا نشوش صورتنا. 06:24.120 --> 06:25.530 هذا هو السبب الوحيد الذي يجعلنا لا نرسمهم. 06:25.530 --> 06:27.210 لذلك دعونا نتخلص من هؤلاء أيضًا. 06:27.210 --> 06:29.220 وبهذه الطريقة سنعرف بالضبط. 06:29.460 --> 06:33.750 لذا فإن هذه الخلية العصبية تركز على المنطقة والمسافة إلى المدينة. 06:33.780 --> 06:34.290 حسنا. 06:34.740 --> 06:36.810 طالما أننا نتفق على ذلك ، فلننتقل إلى المرحلة التالية. 06:36.810 --> 06:39.090 لنأخذ الواحد في المنتصف هنا. 06:39.090 --> 06:42.030 لدينا ثلاث معلمات تغذي هذه العصبون. 06:42.030 --> 06:45.630 إذن لدينا المنطقة وغرف النوم وعمر العقار. 06:45.750 --> 06:48.420 إذن ماذا يمكن أن يكون السبب هنا؟ 06:48.420 --> 06:56.040 دعنا مرة أخرى ، دعونا نحاول فهم الحدس الذي يفكر فيه هذا العصبون كيف يفكر هذا العصبون؟ 06:56.040 --> 06:57.720 لماذا تختار هذه المعايير الثلاثة؟ 06:57.750 --> 06:58.650 ماذا يمكن أن يكون؟ 06:58.650 --> 07:02.040 ما الذي يمكن أن يكون له نتيجة مثل الموجودة في البيانات؟ 07:02.040 --> 07:02.220 الصحيح. 07:02.220 --> 07:04.530 لقد أنشأنا بالفعل هذه مجموعة بيانات مدربة. 07:04.530 --> 07:09.360 لقد حدث التدريب منذ وقت طويل ، ربما مثل يوم مضى ، أو شخص ما قام بالفعل بتدريب هذه البيانات. 07:09.360 --> 07:14.160 لذلك نحن الآن فقط نطبق ونعلم أن هذه الخلية العصبية ، من خلال كل آلاف الأمثلة من الخصائص 07:14.160 --> 07:20.370 ، اكتشفت أن المنطقة بالإضافة إلى غرف النوم بالإضافة إلى التركيبة العمرية لتلك المعلمات مهمة. 07:20.370 --> 07:21.540 لماذا يمكن أن يكون هذا هو الحال؟ 07:21.540 --> 07:29.040 حسنًا ، على سبيل المثال ، ربما في تلك المدينة المحددة في تلك الضواحي التي تم تدريب هذه 07:29.040 --> 07:38.100 الشبكة العصبية فيها ، ربما هناك الكثير من العائلات التي لديها أطفال ولديها طفلان أو أكثر وتبحث عن عقارات 07:38.100 --> 07:43.110 كبيرة بها الكثير من غرف النوم ، ولكنها الجديد. 07:43.110 --> 07:50.910 حسنًا ، هذه ليست خصائص قديمة ، لأنه ربما في تلك المنطقة ، جميع الخصائص تشبه نوعًا ما الممتلكات 07:50.910 --> 07:55.530 الكبيرة تكون عادةً قديمة ، ولكن هناك الكثير من العائلات 07:55.800 --> 08:03.270 الحديثة وربما كان هناك تحول اجتماعي ديموغرافي أو ربما كان هناك مثل الكثير من النمو من 08:03.270 --> 08:11.700 حيث التوظيف والوظائف للسكان الأصغر سنًا ، ربما تمامًا مثل التركيبة السكانية قد تغيرت. 08:11.700 --> 08:20.850 والآن يبحث الأزواج الأصغر سنًا أو العائلات الأصغر سنًا عن عقارات ، لكنهم يفضلون العقارات الأحدث ، لذا يريدون 08:20.850 --> 08:22.980 أن يكون عمر العقار أقل. 08:23.610 --> 08:28.800 وبالتالي ، من التدريب الذي خضعت له هذه الشبكة العصبية ، فإنها تعلم أنه عندما يكون هناك 08:28.800 --> 08:34.770 عقار بمساحة كبيرة وبه الكثير من غرف النوم ، على الأقل ثلاث غرف نوم للوالدين ، للطفل الأول. 08:34.770 --> 08:40.830 بالنسبة للطفل الثاني ، لثلاث غرف نوم على الأقل ، ربما غرفة ضيوف عند وجود عقار جديد 08:40.830 --> 08:45.900 بمساحة عالية والكثير من غرف النوم التي تعتبر ذات قيمة في هذا السوق. 08:45.900 --> 08:48.210 لذا فإن تلك العصبون قد التقطت ذلك. 08:48.210 --> 08:51.390 إنها تعرف ذلك ، حسنًا ، هذا ما سأبحث عنه. 08:51.390 --> 08:56.220 لا أهتم بمسافة المدينة والأميال أينما كانت ، طالما أنها تحتوي على مساحة عالية ، والكثير من 08:56.250 --> 08:59.730 غرف النوم ، بمجرد تلبية هذه المعايير ، تندلع الخلايا العصبية. 08:59.730 --> 09:03.870 والجمع بين هذه المعلمات الثلاثة وهذا مرة أخرى ، هذا 09:03.870 --> 09:10.020 هو المكان الذي تأتي منه قوة الشبكة العصبية ، لأنها تجمع بين هذه المعلمات الثلاثة 09:10.020 --> 09:17.730 في معلمة جديدة تمامًا ، في سمة جديدة تمامًا تساعد في التقييم ، مع يساعد في تقييم الممتلكات. 09:17.730 --> 09:21.300 فهو يجمعهم في سمة جديدة وبالتالي فهو أكثر دقة. 09:21.690 --> 09:23.610 لذلك سوف يذهبون ، هكذا تعمل تلك الخلايا العصبية. 09:24.030 --> 09:25.500 ودعونا نلقي نظرة على واحدة أخرى. 09:25.500 --> 09:26.940 دعونا نلقي نظرة على الجزء السفلي. 09:26.940 --> 09:31.830 على سبيل المثال ، يمكن أن تكون هذه الخلايا العصبية قد التقطت معلمة واحدة فقط. 09:31.830 --> 09:35.430 كان من الممكن أن يكون قد ارتفع للتو العمر وليس أيًا من الآخرين. 09:35.430 --> 09:37.260 وكيف يمكن أن يكون هذا هو الحال؟ 09:37.680 --> 09:45.330 حسنًا ، هذا مثال كلاسيكي على متى يمكن أن يعني العمر كما نعلم جميعًا ، فإن الممتلكات القديمة عادةً ما 09:45.330 --> 09:47.640 تكون أقل قيمة لأنها بالية. 09:47.640 --> 09:51.840 من المحتمل أن المبنى قديم ، وربما الأشياء تتداعى ، وهناك حاجة إلى مزيد من الصيانة. 09:51.840 --> 09:56.700 لذلك ينخفض السعر من حيث سعر العقار ، في حين أن المبنى الجديد سيكون أكثر 09:56.700 --> 09:59.700 تكلفة لأنه جديد تمامًا ، ولكن ربما. 09:59.800 --> 10:03.850 إذا كان العقار فوق عمر معين ، فقد يشير ذلك إلى أنه عقار تاريخي. 10:03.850 --> 10:11.140 على سبيل المثال ، إذا كان عمر العقار أقل من 100 عام ، فكلما كان أقدم ، كلما قلت قيمته. 10:11.140 --> 10:15.790 ولكن بمجرد أن يقفز أكثر من 100 عام ، يصبح فجأة ملكية تاريخية. 10:15.790 --> 10:20.700 لأن هذا عقار اعتاد الناس العيش فيه منذ مئات السنين. 10:20.710 --> 10:22.000 يروي قصة. 10:22.000 --> 10:24.010 لقد حصلت على كل هذا التاريخ وراءها. 10:24.010 --> 10:26.110 وبعض الناس من هذا القبيل ، والبعض يقدر ذلك. 10:26.110 --> 10:32.050 في الواقع ، يرغب الكثير من الناس في ذلك ويفخرون بالعيش في عقار ، وخاصة في الطبقات الاجتماعية والاقتصادية 10:32.050 --> 10:36.910 العليا ، حيث يمكنهم التباهي بأصدقائهم أو أشياء من هذا القبيل. 10:36.910 --> 10:42.220 وبالتالي ، فإن العقارات التي يزيد عمرها عن 100 عام يمكن اعتبارها تاريخية. 10:42.220 --> 10:47.050 وبالتالي ، فإن هذه الخلية العصبية ، بمجرد أن ترى عقارًا يزيد عمره عن 100 عام ، 10:47.050 --> 10:49.300 ستشتعل وتساهم في السعر الإجمالي. 10:49.300 --> 10:52.750 وبخلاف ذلك ، إذا كان عمره أقل من 100 عام ، فلن ينجح حتى. 10:52.750 --> 10:57.490 وهذا مثال جيد لتطبيق وظيفة المعدل. 10:57.490 --> 11:04.540 إذاً هنا لديك مثل الصفر جدًا حتى نقطة معينة ، ثم لنفترض أن عمرك 100 عام ثم 11:04.540 --> 11:05.530 100 عام. 11:05.530 --> 11:11.230 كلما تقدمت في السن ، كلما ارتفعت القيمة ، زادت مساهمة هذه الخلايا العصبية في السعر الإجمالي. 11:11.230 --> 11:18.010 وهذا مجرد مثال رائع لمثال بسيط جدًا لوظيفة المعدل في العمل. 11:18.610 --> 11:19.630 لذا ها نحن ذا. 11:19.630 --> 11:20.860 يمكن أن يكون هذا العصبون. 11:20.860 --> 11:27.760 علاوة على ذلك ، يمكن للشبكة العصبية أن تلتقط أشياء لم نكن نفكر بها في أنفسنا. 11:27.760 --> 11:28.120 الصحيح. 11:28.390 --> 11:30.090 على سبيل المثال ، غرف النوم بالإضافة إلى المسافة. 11:30.110 --> 11:34.540 المدينة ، ربما يساهم هذا في تركيبة بطريقة ما في السعر. 11:34.540 --> 11:38.740 ربما ليست قوية مثل الخلايا العصبية الأخرى وتساهم ، لكنها لا تزال تساهم ، أو 11:38.740 --> 11:40.060 ربما تنتقص من السعر. 11:40.060 --> 11:42.490 قد يكون هذا هو الحال أيضًا أو أشياء أخرى من هذا القبيل. 11:42.490 --> 11:47.140 وربما تلتقط خلية عصبية الكل لتوليفة من كل هذه المعلمات الأربعة. 11:47.140 --> 11:54.880 وكما ترون ، فإن هذه الخلايا العصبية ، وضع الطبقة المخفية بالكامل يسمح لك بزيادة 11:54.880 --> 12:02.200 مرونة شبكتك العصبية ويسمح لك بالبحث ويسمح للشبكة العصبية بالبحث عن أشياء 12:02.200 --> 12:04.150 محددة للغاية. 12:04.150 --> 12:08.170 وبعد ذلك معًا ، من هنا تأتي القوة. 12:08.170 --> 12:09.570 إنه مثل هذا المثال من النمل ، أليس كذلك؟ 12:09.580 --> 12:12.430 مثل النملة وحدها لا تستطيع بناء عش النمل. 12:12.430 --> 12:16.840 ولكن عندما يكون لديك مثل 1000 أو 100000 إضافة ، يمكنهم بناء عش عش النمل معًا. 12:17.050 --> 12:18.540 وهذا هو الوضع هنا. 12:18.550 --> 12:24.220 لا تستطيع كل واحدة من هذه الخلايا العصبية بمفردها التنبؤ بالسعر ، لكن لديهم معًا قوى 12:24.220 --> 12:25.990 خارقة ويتنبأون بالسعر. 12:25.990 --> 12:30.010 ويمكنهم القيام بعمل دقيق تمامًا إذا تم تدريبهم بشكل صحيح ، إذا تم إعدادهم بشكل صحيح. 12:30.490 --> 12:35.200 وهذا ما تدور حوله هذه الدورة التدريبية بأكملها في فهم كيفية الاستفادة منها. 12:35.200 --> 12:35.650 هناك نذهب. 12:35.650 --> 12:42.210 هذا مثال خطوة بخطوة وتصفح كيف تعمل الشبكات العصبية بالفعل. 12:42.220 --> 12:45.490 أتمنى أن تكون قد استمتعت ببرنامج اليوم التعليمي ولا أطيق الانتظار لرؤيتك في المرة القادمة. 12:45.490 --> 12:47.470 حتى ذلك الحين ، استمتع بالتعلم العميق.