WEBVTT 00:00.330 --> 00:02.850 Oké, spannende tutorial voor de boeg. 00:02.880 --> 00:04.740 Welkom terug bij de cursus over diep leren. 00:04.770 --> 00:08.160 Vandaag hebben we het over hoe neurale netwerken nu werken? 00:08.160 --> 00:09.720 We hebben veel grondwerk geleid. 00:09.720 --> 00:15.450 We hebben het gehad over hoe neurale netwerken zijn gestructureerd, uit welke elementen ze bestaan en zelfs hun 00:15.450 --> 00:16.110 functionaliteit. 00:16.500 --> 00:21.780 En vandaag gaan we kijken naar een echt voorbeeld van hoe een nieuw neuraal netwerk kan worden toegepast. 00:21.780 --> 00:27.720 En we gaan eigenlijk stap voor stap door het proces van de toepassing ervan werken, zodat we weten wat er aan de hand 00:27.720 --> 00:28.080 is. 00:28.290 --> 00:30.520 Dus laten we eens kijken over welk voorbeeld het gaat. 00:30.690 --> 00:33.120 We gaan kijken naar de waardebepaling van onroerend goed. 00:33.130 --> 00:39.500 Dus we gaan kijken naar een neuraal netwerk dat enkele parameters van onze eigendom opneemt en waardeert. 00:39.510 --> 00:44.670 En het ding hier, er is een klein voorbehoud voor de tutorial van vandaag, en dat is dat we het netwerk 00:44.670 --> 00:45.740 niet echt gaan trainen. 00:45.750 --> 00:49.320 Dus een heel belangrijk onderdeel van neurale netwerken is het trainen ervan. 00:49.320 --> 00:53.080 En daar gaan we naar kijken in de volgende tutorials in deze sectie. 00:53.340 --> 00:55.590 Voor nu gaan we ons concentreren op de daadwerkelijke toepassingen. 00:55.590 --> 01:01.830 Gaan we werken met een neuraal netwerk waarvan we gaan doen alsof het al is getraind? 01:01.830 --> 01:07.350 En dat stelt ons in staat om ons te concentreren op de toepassingskant van de dingen en niet te verzanden in het trainingsaspect en 01:07.350 --> 01:11.370 dan zullen we de training afdekken als we het einddoel waar we naartoe werken al weten. 01:11.700 --> 01:12.270 Klinkt goed? 01:12.510 --> 01:12.960 Oke. 01:13.080 --> 01:14.510 Laten we er meteen in springen. 01:15.150 --> 01:19.260 Dus laten we zeggen dat we enkele invoerparameters hebben, toch? 01:19.270 --> 01:21.360 Dus laten we zeggen dat we vier parameters hebben over de eigenschap. 01:21.360 --> 01:24.150 We hebben een oppervlakte in vierkante voet. 01:24.150 --> 01:29.400 We hebben het aantal slaapkamers in mijlen van de stad, de dichtstbijzijnde stad en de leeftijd van het onroerend 01:29.400 --> 01:29.730 goed. 01:29.730 --> 01:33.270 En al die vier gaan onze invoerlaag vormen. 01:33.540 --> 01:39.480 Nu zijn het natuurlijk waarschijnlijk veel meer parameters die de prijs van een woning bepalen. 01:39.840 --> 01:42.090 Maar omwille van de eenvoud gaan we alleen naar deze kijken. 01:42.090 --> 01:45.330 Voor nu is het een zeer eenvoudige vorm. 01:45.330 --> 01:50.970 Een neuraal netwerk heeft alleen een invoer en een uitvoerlaag, dus geen verborgen lagen en onze uitvoerlaag is de 01:50.970 --> 01:52.210 prijs die we voorspellen. 01:52.230 --> 02:00.960 Dus in deze vorm, wat deze invoervariabelen zouden doen, is dat ze gewoon zouden worden gewogen door de synopsize en 02:00.960 --> 02:04.100 dan zou de uitvoer daar worden berekend. 02:04.110 --> 02:06.120 In principe zou de prijs worden berekend en krijgen we een prijs. 02:06.120 --> 02:13.890 En de prijs kan bijvoorbeeld zo eenvoudig worden berekend als de gewogen som van alle inputs. 02:14.160 --> 02:16.530 En nogmaals, hier zou je vrijwel elke functie kunnen gebruiken. 02:16.530 --> 02:18.990 Je zou kunnen gebruiken wat we nu gebruiken. 02:19.020 --> 02:23.220 U kunt alle activeringsfuncties gebruiken die we eerder hadden. 02:23.220 --> 02:30.240 Je zou een logistische regressie kunnen gebruiken, je zou een kwadraatfunctie kunnen gebruiken die je voorafgaand aan iets hier zou kunnen 02:30.240 --> 02:30.630 gebruiken. 02:31.140 --> 02:33.420 Maar het punt is dat je een bepaalde output krijgt. 02:33.420 --> 02:40.830 En bovendien kunnen de meeste bestaande machine learning-algoritmen in deze vorm worden weergegeven. 02:40.830 --> 02:46.320 En dit is eigenlijk een schematische weergave van hoe je omgaat met de variabele door de manier waarop de 02:46.320 --> 02:47.070 formules veranderen. 02:47.250 --> 02:54.030 Je kunt heel wat van de machine learning-algoritmen waar we het eerder over hebben gehad en ze in 02:54.030 --> 02:55.350 deze vorm zetten. 02:55.350 --> 02:58.620 En dat laat alleen maar zien hoe krachtig nieuwe neurale netwerken zijn. 02:58.860 --> 03:00.620 Zelfs zonder de verborgen lagen. 03:00.840 --> 03:05.190 We zijn al waar je een weergave hebt die werkt voor de meeste andere algoritmen voor machine learning. 03:05.400 --> 03:12.390 Maar in neurale netwerken hebben we wel een voordeel dat ons veel flexibiliteit en kracht geeft, 03:12.720 --> 03:20.010 en dat is waar die toename in nauwkeurigheid vandaan komt en die kracht is de verborgen laag. 03:20.460 --> 03:21.990 En daar gaan we. 03:21.990 --> 03:22.830 Dat is daar origineel. 03:22.830 --> 03:29.760 We hebben het toegevoegd en nu gaan we begrijpen hoe die verborgen laag ons die extra kracht geeft. 03:30.120 --> 03:34.020 En om dat te doen, gaan we door een voorbeeld lopen. 03:34.020 --> 03:38.460 Dus zoals we hadden afgesproken, is dit neurale netwerk al getraind en nu gaan we 03:38.460 --> 03:44.160 het gewoon aansluiten en we gaan ons voorstellen dat ze een eigendom aan het aansluiten waren en we gaan 03:44.160 --> 03:51.210 stap voor stap door hoe het neurale netwerk netwerk zal omgaan met de invoervariabelen en de verborgen laag berekenen en vervolgens de uitvoerlaag 03:51.210 --> 03:51.830 berekenen. 03:51.840 --> 03:52.730 Dus laten we doorgaan. 03:52.740 --> 03:54.290 Dit wordt spannend. 03:54.330 --> 03:54.690 Oke. 03:54.990 --> 03:56.820 We hebben alle vier de variabelen aan de linkerkant. 03:57.960 --> 04:01.140 En we gaan eerst beginnen met een bovenste neuron op de verborgen laag. 04:01.350 --> 04:08.250 Nu, zoals we eerder in de materialen zagen, hebben alle neuronen van de invoerlaag synapsen die het met elk 04:08.250 --> 04:12.630 van hen verbinden met het bovenste neuron in een verborgen laag. 04:13.320 --> 04:14.950 En die systemen hebben gewicht. 04:15.120 --> 04:18.780 Laten we het er nu over eens zijn dat sommige gewichten een waarde hebben die niet nul is. 04:18.780 --> 04:25.200 Sommige gewichten hebben een nulwaarde omdat in principe niet alle invoer geldig is of niet. 04:25.200 --> 04:27.780 Alle input zal belangrijk zijn voor elk afzonderlijk neuron. 04:27.780 --> 04:29.320 Soms zijn inputs niet belangrijk. 04:29.320 --> 04:33.600 En hier zien we twee voorbeelden op X1 naast drie van het gebied en de afstand tot de stad 04:33.840 --> 04:37.230 in Wales zijn belangrijk voor dat neuron, terwijl slaapkamers en leeftijd niet hetzelfde zijn. 04:37.590 --> 04:38.670 Laten we hier even over nadenken. 04:38.670 --> 04:39.150 Waarom? 04:39.150 --> 04:40.470 Hoe zou dat het geval zijn? 04:40.470 --> 04:46.190 Zoals waarom zou een bepaald neuron gekoppeld zijn aan het gebied en de afstand? 04:46.200 --> 04:47.290 Wat betekent dat, wat kan dat betekenen? 04:47.310 --> 04:52.950 Nou, dat zou kunnen betekenen dat hoe verder je van de stad weggaat, hoe goedkoper 04:52.950 --> 04:58.260 onroerend goed wordt en daarom wordt de ruimte in vierkante meters aan eigendommen groter. 04:58.350 --> 04:59.850 Dus voor dezelfde prijs kun je een grote krijgen. 05:00.030 --> 05:04.380 Waarschijnlijk hoe verder je van de stad weggaat, dat is normaal, dat is 05:04.380 --> 05:09.840 logisch en wat dit neuron waarschijnlijk doet, is dat het er specifiek uitziet, het is als een sluipschutter. 05:09.840 --> 05:17.550 Het is op zoek naar bovengrondse eigendommen die niet zo ver van de stad liggen, maar een groot gebied hebben. 05:17.550 --> 05:24.740 Dus voor hun afstand tot de stad hebben ze een oneerlijke vierkante meter. 05:24.750 --> 05:25.020 Rechts. 05:25.050 --> 05:27.570 Dus iets dat abnormaal is, is hoger dan gemiddeld. 05:27.570 --> 05:31.950 Dus ze zijn vrij dicht bij de stad, maar ze zijn nog steeds groot in tegenstelling tot de andere op 05:31.950 --> 05:32.460 dezelfde afstand. 05:32.890 --> 05:38.550 En dus dat neuron, nogmaals, we speculeren hier, maar dat neuron zou laser kunnen uitkiezen die 05:38.550 --> 05:42.960 die specifieke eigenschappen uitpikt en het zal activeren en dus de activeringsfunctie. 05:43.050 --> 05:48.150 Het zal alleen werken om in de lucht te schieten als aan de bepaalde criteria is voldaan dat, weet je, de afstand en dat 05:48.150 --> 05:51.750 gebied met de juiste afstand zich in het gebied van het gebied van het pand bevindt. 05:51.930 --> 05:54.750 En het voert zijn eigen berekeningen in zichzelf uit. 05:55.350 --> 05:57.320 En het combineert die twee. 05:57.330 --> 06:01.860 En zodra bepaalde criteria worden geactiveerd en dat draagt bij aan de prijs in de uitvoerlaag. 06:02.130 --> 06:06.210 En daarom geeft dit neuron niet echt om slaapkamers en de leeftijd van het pand, omdat het 06:06.210 --> 06:07.650 op dat specifieke ding is gericht. 06:07.650 --> 06:12.450 Daar komt de kracht van het neurale netwerk vandaan, want je hebt veel van deze neuronen en we zullen 06:12.450 --> 06:14.030 nu zien hoe de andere werken. 06:14.040 --> 06:20.880 Dus wat ik Toguri hier wil zeggen, is dat we deze lijnen niet eens moeten tekenen voor de synapsen die niet op 06:20.880 --> 06:24.110 hun plaats zijn, zodat we ons beeld niet vervuilen. 06:24.120 --> 06:25.550 Dat is de enige reden waarom we ze niet gaan proberen. 06:25.560 --> 06:27.090 Dus laten we die twee maar wegdoen. 06:27.330 --> 06:28.860 En zo zullen we het weten. 06:28.860 --> 06:29.240 Precies. 06:29.250 --> 06:33.540 OK, dus dit neuron is gericht op gebied en afstand tot de stad. 06:33.810 --> 06:34.160 Oke. 06:34.830 --> 06:36.810 Dus zolang we het daarover eens zijn, gaan we door naar de volgende. 06:36.810 --> 06:39.090 Laten we ze hier een in het midden nemen. 06:39.090 --> 06:42.030 We hebben drie parameters die naar dit neuron gaan. 06:42.030 --> 06:45.470 Dus we hebben het gebied, de slaapkamers en de rand van het pand. 06:45.900 --> 06:48.380 Dus wat zou hier de reden kunnen zijn? 06:48.430 --> 06:54.600 Laten we nogmaals proberen de intuïtie, het denken van dit neuron te begrijpen. 06:54.600 --> 06:56.040 Hoe denkt dit neuron? 06:56.040 --> 06:57.710 Waarom kiest het deze drie parameters? 06:57.720 --> 06:58.500 Wat kan het zijn? 06:58.800 --> 07:02.030 Wat zou een hit in de gegevens kunnen hebben? 07:02.040 --> 07:02.230 Rechts. 07:02.250 --> 07:04.530 We hebben dit dus al vastgesteld, een getrainde dataset. 07:04.530 --> 07:09.440 De training is lang geleden gebeurd, misschien een dag geleden of iemand heeft al zo getraind. 07:09.450 --> 07:10.440 En nu gaan we gewoon solliciteren. 07:10.440 --> 07:15.300 En we weten dat dit neuron, door alle duizenden voorbeelden van eigenschappen, heeft 07:15.300 --> 07:20.190 ontdekt dat de oppervlakte plus de slaapkamers plus de leeftijdscombinatie van die parameters belangrijk is. 07:20.490 --> 07:21.550 Waarom zou dat het geval kunnen zijn? 07:21.570 --> 07:29.040 Nou, bijvoorbeeld, misschien in die specifieke stad, in die buitenwijken waar dit neurale netwerk is getraind, 07:29.040 --> 07:38.100 misschien zijn er veel gezinnen met kinderen met twee of meer kinderen die op zoek zijn naar grote woningen met 07:38.100 --> 07:46.650 veel slaapkamers, maar die zijn nieuwe rechten, die geen oude eigendommen zijn, want misschien zijn in dat gebied 07:46.650 --> 07:52.560 bijna geen eigendommen vergelijkbaar met grote eigendommen die meestal oud zijn, maar 07:52.560 --> 07:55.050 er zijn veel moderne gezinnen. 07:55.050 --> 08:00.440 En, weet je, misschien is er een sociale demografische verschuiving geweest en misschien 08:00.450 --> 08:07.480 is er een soort van groei geweest in termen van werkgelegenheid en banen voor de jongere bevolking. 08:07.510 --> 08:11.700 Misschien gewoon, weet je, de demografie van de bevolking is veranderd. 08:11.700 --> 08:20.880 En nu zijn jongere stellen of jongere gezinnen op zoek naar woningen, maar geven ze de voorkeur aan nieuwere woningen. 08:20.880 --> 08:22.800 Ze willen dus dat de leeftijd van het pand lager is. 08:23.640 --> 08:27.300 En vandaar uit de training die dit neurale netwerk heeft ondergaan. 08:27.300 --> 08:33.030 Het weet dat wanneer er een woning is met een grote oppervlakte en met veel slaapkamers, ten minste drie 08:33.030 --> 08:36.510 slaapkamers voor de ouders voor de eerste helft van het tweede 08:36.510 --> 08:44.550 kind, voor ten minste drie slaapkamers, misschien een logeerkamer wanneer een nieuwe woning met een hoge oppervlakte en veel slaapkamers dat wordt gewaardeerd dat in die 08:44.550 --> 08:45.900 markt, dat is waardevol. 08:45.900 --> 08:48.210 Dus dat neuron heeft dat opgepikt. 08:48.210 --> 08:49.310 Dat weet het. 08:49.320 --> 08:51.420 Oké, hier ga ik dus naar op zoek. 08:51.420 --> 08:56.250 De afstand van de stad in mijlen maakt me niet uit, waar het ook is, als het maar een hoog oppervlak 08:56.250 --> 08:56.940 heeft, veel slaapkamers. 08:56.960 --> 08:59.760 Zodra aan die criteria is voldaan, wordt het neuron geactiveerd. 08:59.760 --> 09:03.870 En de combinatie van deze twee parameters en dit is weer, hier 09:03.870 --> 09:09.810 komt de kracht van het neurale netwerk vandaan omdat het deze drie parameters combineert tot een gloednieuwe parameter. 09:09.810 --> 09:17.640 Het is een gloednieuw attribuut dat helpt bij de evaluatie van het helpt bij de waardering van het onroerend goed. 09:17.760 --> 09:21.140 Het combineert ze tot een nieuw attribuut en daarom is het nauwkeuriger. 09:21.840 --> 09:22.380 Dus ze zullen gaan. 09:22.380 --> 09:23.460 Zo werkt dat neuron. 09:24.120 --> 09:25.500 En laten we naar een andere kijken. 09:25.500 --> 09:26.820 Laten we naar de onderste kijken. 09:27.060 --> 09:31.830 Dit neuron kan bijvoorbeeld zelfs maar één parameter hebben opgepikt. 09:31.830 --> 09:35.460 Het kan net H hebben opgepikt en niet een van de andere. 09:35.460 --> 09:37.090 En hoe zou dat zo kunnen zijn? 09:37.800 --> 09:45.360 Dit is een klassiek voorbeeld van wanneer leeftijd zou kunnen betekenen, zoals we allemaal weten, het oudere eigendom is meestal 09:45.360 --> 09:47.630 minder waardevol omdat het versleten is. 09:47.640 --> 09:51.420 Waarschijnlijk is het gebouw oud, waarschijnlijk, weet je, dingen vallen uit elkaar, er is meer onderhoud 09:51.420 --> 09:51.870 nodig. 09:51.870 --> 09:56.700 Dus de prijs daalt in termen van de prijs van het onroerend goed, terwijl een gloednieuw gebouw 09:56.700 --> 09:59.670 duurder zou zijn omdat het gloednieuw is, maar misschien. 09:59.810 --> 10:04.520 Als een onroerend goed ouder is dan een bepaalde leeftijd, kan dat erop wijzen dat het 10:04.520 --> 10:10.990 een historisch onroerend goed is, bijvoorbeeld als een onroerend goed jonger is dan 100 jaar, hoe ouder het is, hoe minder waardevol het is. 10:11.300 --> 10:16.190 Maar zodra het meer dan 100 jaar oud springt, wordt het ineens een historisch pand omdat 10:16.790 --> 10:20.600 dit een pand is waar mensen honderden jaren geleden hebben gewoond. 10:20.720 --> 10:21.980 Het vertelt een verhaal. 10:21.980 --> 10:24.020 Er zit een hele geschiedenis achter. 10:24.020 --> 10:25.070 En sommige mensen vinden dat leuk. 10:25.080 --> 10:26.100 Sommige mensen hechten daar waarde aan. 10:26.180 --> 10:32.300 Sterker nog, veel mensen zouden dat leuk vinden en zouden trots zijn om in een pand te wonen en 10:32.300 --> 10:34.310 vooral in de hogere sociaal-economische klassen. 10:34.310 --> 10:36.920 Ze zouden pronken met hun vrienden of dat soort dingen. 10:36.920 --> 10:42.230 En daarom kunnen eigendommen die ouder zijn dan 100 jaar als historisch worden beschouwd. 10:42.230 --> 10:47.840 En daarom zal dit neuron, zodra het een eigendom van meer dan 100 jaar oud ziet, starten en bijdragen aan 10:48.380 --> 10:49.280 de totale prijs. 10:49.280 --> 10:52.730 En anders, als het minder dan 100 jaar oud is, werkt het niet eens. 10:52.740 --> 10:57.500 En dit is een goed voorbeeld van de toegepaste gelijkrichtfunctie. 10:57.510 --> 11:04.460 Dus hier heb je zoiets als een nul tot een bepaald punt en dan laten we zeggen 100 jaar oud. 11:04.460 --> 11:08.810 En dan, na honderd jaar oud, hoe ouder het wordt, hoe hoger hoe hoger de bijdrage 11:08.810 --> 11:11.090 van dit neuron aan de totale prijs. 11:11.300 --> 11:17.840 En dat is nog maar een prachtig voorbeeld van een heel eenvoudig voorbeeld van deze gelijkrichterfunctie in actie. 11:18.800 --> 11:19.630 Dus daar gaan we. 11:19.670 --> 11:20.720 Dat zou dit neuron kunnen zijn. 11:20.930 --> 11:27.200 En bovendien kan het neurale netwerk je dingen laten oppikken waar we zelf niet aan zouden hebben 11:27.200 --> 11:27.770 gedacht. 11:27.770 --> 11:28.070 Rechts. 11:28.430 --> 11:30.100 Bijvoorbeeld slaapkamers plus afstand. 11:30.120 --> 11:34.550 De stad, misschien draagt dat in combinatie op de een of andere manier bij aan de prijs. 11:34.550 --> 11:38.180 Misschien is het niet zo sterk als de andere neuronen en draagt het bij, maar het draagt nog steeds bij. 11:38.180 --> 11:42.380 Of misschien doet het afbreuk aan de prijs die ook het geval zou kunnen zijn of andere zaken. 11:42.530 --> 11:47.060 En misschien heeft een neuron alles opgepikt voor een combinatie van alle vier deze parameters. 11:47.300 --> 11:54.620 En zoals je kunt zien, deze neuronen, deze hele verborgen laagsituatie stelt je in staat om de flexibiliteit van 11:55.040 --> 12:02.570 je neurale netwerk te vergroten en stelt je in staat om het neurale netwerk echt naar heel specifieke dingen 12:02.570 --> 12:04.160 te laten zoeken. 12:04.160 --> 12:08.180 En dan in combinatie, daar komt de kracht vandaan. 12:08.180 --> 12:12.470 Het is net als dat voorbeeld voor mieren, zoals een advertentie op zichzelf geen mierenhoop kan bouwen. 12:12.470 --> 12:16.840 Maar als je zo'n duizend of honderdduizend advertenties hebt, kunnen ze samen een mierenhoop bouwen. 12:16.850 --> 12:17.010 Rechts. 12:17.060 --> 12:18.410 En dat is de situatie. 12:18.410 --> 12:23.480 Weet je, elk van deze neuronen op zichzelf kan de prijs niet voorspellen, maar samen hebben ze 12:23.480 --> 12:29.390 superkrachten en ze voorspellen de prijs en ze kunnen behoorlijk nauwkeurig werk doen als ze goed zijn getraind en goed zijn 12:29.390 --> 12:29.930 ingesteld. 12:30.560 --> 12:35.120 En daar gaat deze hele cursus over, begrijpen hoe je ze kunt gebruiken. 12:35.300 --> 12:35.650 Daar gaan we. 12:35.660 --> 12:42.070 Dus dat is een stap voor stap voorbeeld en uitleg van hoe neurale netwerken echt werken. 12:42.350 --> 12:45.480 Ik hoop dat je genoten hebt van het materiaal van vandaag en ik kan niet wachten om je de volgende keer te zien. 12:45.500 --> 12:47.300 Geniet tot die tijd van deep learning.