WEBVTT 00:00.560 --> 00:02.950 Arrivez tutoriel passionnant à venir. 00:02.950 --> 00:04.850 Bienvenue au cours sur l'apprentissage en profondeur. 00:04.870 --> 00:08.090 Aujourd'hui, nous parlons du fonctionnement des réseaux de neurones. 00:08.110 --> 00:13.840 Maintenant que nous avons mené de nombreux travaux sur le terrain, nous avons discuté de la structure des réseaux de 00:13.840 --> 00:16.420 neurones, de leurs éléments et même de leurs fonctionnalités. 00:16.660 --> 00:21.940 Et aujourd'hui, nous allons examiner et illustrer un exemple concret de la manière dont un réseau de neurones inhabituel peut 00:21.940 --> 00:27.760 être appliqué. Nous allons en fait procéder pas à pas tout au long du processus de son application afin de savoir ce qui 00:27.760 --> 00:28.340 se passe. 00:28.360 --> 00:30.690 Voyons donc de quel exemple nous allons parler. 00:30.790 --> 00:37.180 Nous allons examiner une propriété, nous allons donc examiner un réseau de neurones qui prend en compte certains paramètres 00:37.180 --> 00:39.600 de notre propriété et de nos valeurs. 00:39.640 --> 00:40.930 Et la chose ici. 00:40.960 --> 00:45.820 Il y a une petite mise en garde pour le tutoriel d'aujourd'hui et c'est que nous n'allons pas réellement former le réseau. 00:45.820 --> 00:50.980 Donc, une partie très importante des réseaux de neurones est leur formation et nous allons examiner cela 00:50.980 --> 00:53.430 dans les prochains tutoriels de cette section. 00:53.440 --> 00:57.760 Pour le moment, nous allons nous concentrer sur les applications réelles. Nous allons travailler avec 00:58.390 --> 01:04.870 un réseau de neurones dont nous allons prétendre qu’il est déjà formé et qui nous permettra de nous concentrer sur les applications 01:04.870 --> 01:09.370 et de ne pas nous enliser la formation, puis nous couvrirons la formation lorsque nous 01:09.370 --> 01:11.750 connaîtrons déjà l'objectif final que nous visons. 01:11.800 --> 01:12.640 Ça m'a l'air bien. 01:12.640 --> 01:14.900 Très bien, allons droit au but. 01:15.250 --> 01:19.090 Alors disons que nous avons des paramètres d'entrée. 01:19.090 --> 01:24.670 Exactement, supposons que nous ayons tous les paramètres de la propriété. En pieds carrés, nous avons 01:24.670 --> 01:29.950 le nombre de chambres à coucher qui séparent la ville de Miles et la ville 01:29.950 --> 01:33.590 de New York ainsi que l’âge de la propriété. couche. 01:33.670 --> 01:40.810 Bien sûr, ce sont probablement bien plus de paramètres qui définissent le prix d’une propriété, mais pour simplifier, nous allons 01:40.810 --> 01:43.000 examiner cela pour le moment. 01:43.010 --> 01:50.260 C’est très simple, car un réseau de neurones n’a qu’une entrée, c’est-à-dire une couche de sortie, donc aucune couche cachée et notre couche de sortie 01:50.260 --> 01:52.300 correspond au prix que nous prévoyons. 01:52.300 --> 02:00.990 Ainsi, sous cette forme, ces variables d'entrées feraient en sorte qu'elles seraient simplement pondérées par les synopsis 02:01.030 --> 02:04.150 et ensuite la sortie serait calculée. 02:04.150 --> 02:06.190 Fondamentalement, le prix serait calculé et obtiendrait un prix. 02:06.190 --> 02:14.250 Et par exemple, le prix pourrait être calculé aussi simplement que la somme pondérée de tous les intrants. 02:14.290 --> 02:17.720 Et encore une fois ici, vous pouvez utiliser à peu près toutes les fonctions que vous pourriez utiliser. 02:17.830 --> 02:25.330 Ce que nous utilisons maintenant, nous pourrions utiliser l’une des fonctions d’activation que nous avions précédemment, vous pourriez utiliser la régression 02:25.330 --> 02:26.020 logistique. 02:26.050 --> 02:32.680 Vous pouvez utiliser une fonction carrée, vous pouvez faire à peu près n'importe quoi ici mais le fait est que vous obtenez un 02:32.740 --> 02:33.570 certain résultat. 02:33.600 --> 02:40.980 De plus, la plupart des algorithmes d’apprentissage automatique existants peuvent être représentés sous cette forme. Il s’agit 02:40.990 --> 02:46.390 essentiellement d’une représentation schématique de la façon dont vous traitez avec 02:46.390 --> 02:51.910 les variables. Nous en avons déjà parlé et les avons mis sous 02:51.910 --> 02:58.900 cette forme, ce qui tend à montrer à quel point les réseaux de neurones sont puissants. 02:58.960 --> 03:04.270 Même sans les couches cachées, nous sommes prêts lorsque nous avons une représentation qui fonctionne pour la plupart des autres 03:04.270 --> 03:05.360 algorithmes d'apprentissage automatique. 03:05.470 --> 03:13.210 Mais dans les réseaux de neurones, nous avons un avantage qui nous donne beaucoup de flexibilité et de 03:13.600 --> 03:17.050 puissance, ce qui explique l’augmentation de la précision. 03:17.050 --> 03:24.490 Et ce pouvoir, ce sont les couches cachées et voilà notre succès Alair que nous avons ajouté. Nous 03:24.490 --> 03:30.100 allons maintenant comprendre comment ce repaire caché nous donne ce pouvoir supplémentaire. 03:30.300 --> 03:35.830 Et en fait, pour faire cela, nous allons passer en revue un exemple. Nous sommes donc convenus 03:35.830 --> 03:40.150 que ce réseau de neurones a été vraiment formé et nous allons maintenant 03:40.150 --> 03:48.370 nous connecter, nous allons imaginer qu'ils allaient brancher une propriété et nous allons expliquer, étape par étape, comment le réseau de neurones traitera les variables 03:48.370 --> 03:51.880 d'entrée et calculera la zone Hindol, puis la sortie. 03:51.880 --> 03:54.430 Alors passons à travers cela va être passionnant. 03:54.430 --> 03:54.880 D'accord. 03:55.060 --> 04:00.950 Nous avons les quatre variables à gauche et nous allons commencer par le haut Nurin sur 04:00.980 --> 04:01.420 Hindle. 04:01.450 --> 04:08.290 Maintenant, comme nous l'avons vu précédemment dans la presse, tous les neurones de la couche d'entrée sont reliés par Cynapsus, 04:08.290 --> 04:12.940 qui le relie à chacun d'entre eux au neurone supérieur du repaire caché. 04:13.480 --> 04:15.240 Et ces systèmes ont des poids. 04:15.250 --> 04:20.470 Convenons maintenant que certaines pondérations auront une valeur non nulle, certaines manières auront une valeur zéro car, 04:20.710 --> 04:28.390 au fond, toutes les entrées ne seront pas valides ou toutes les entrées ne seront pas importantes pour chaque neurone, mais parfois les entrées ne 04:28.390 --> 04:29.420 le seront pas. 04:29.420 --> 04:34.180 Nous pouvons voir ici deux exemples montrant que X-1, la distance par rapport à la ville et les kilomètres sont 04:34.180 --> 04:38.770 importants pour ce neurone, alors que les chambres à coucher et l’âge ne sont pas comme ça, réfléchissons-y une 04:38.770 --> 04:40.540 seconde, pourquoi cela serait-il le cas. 04:40.550 --> 04:47.350 Par exemple, pourquoi un neurone serait-il lié à la zone et à la distance? Qu'est-ce que cela pourrait signifier? 04:47.350 --> 04:53.410 Cela pourrait signifier que normalement, plus on s'éloigne de la ville, plus l'immobilier devient moins cher 04:53.410 --> 04:58.420 et, par conséquent, l'espace en pieds carrés des propriétés devient plus grand. 04:58.420 --> 05:02.380 Donc, pour le même prix, vous pouvez obtenir une propriété plus grande en vous éloignant de la ville qui est 05:02.380 --> 05:02.640 normale. 05:02.640 --> 05:08.930 Cela a du sens et probablement ce que fait ce neurone, c’est-à-dire qu’il 05:08.950 --> 05:16.990 s’agit précisément d’un sniper qui recherche des propriétés situées dans des zones proches de la ville mais très 05:16.990 --> 05:17.630 vastes. 05:17.630 --> 05:24.830 Donc, pour leur distance de la ville, ils ont un pied carré injuste. 05:24.850 --> 05:28.690 Ainsi, quelque chose comme la hauteur anormale est plus élevé que la moyenne, 05:28.690 --> 05:35.290 ils sont donc assez proches de la ville, mais ils sont toujours plus grands que les autres à la même distance et pour que 05:35.290 --> 05:40.450 ce neurone soit à nouveau, nous spéculons ici, mais ce neurone pourrait être relever le laser choisir ces 05:40.450 --> 05:46.150 propriétés spécifiques et il va s'activer et donc la fonction d'activation il va s'activer il ne se déclenche que lorsque 05:46.150 --> 05:50.830 certains critères sont réunis pour que vous connaissiez la distance et la zone de la bonne distance 05:50.830 --> 05:57.580 à l'air syrien de la zone de la propriété et il effectue des calculs à l'intérieur de lui-même et il combine ces deux et 05:57.580 --> 06:01.990 dès que certaines zones où il se déclenche et qui contribue au prix en sortie. 06:02.260 --> 06:06.760 Et par conséquent, ce neurone ne se soucie pas vraiment des chambres à coucher et de l'âge de la propriété, car il est concentré 06:06.760 --> 06:07.730 sur cette chose spécifique. 06:07.750 --> 06:12.640 C’est de là que vient le pouvoir du réseau de neurones, car vous avez passé beaucoup de ces années et vous verrez 06:12.640 --> 06:14.390 tout à l’heure comment fonctionnent les autres. 06:14.650 --> 06:21.370 Mais ce que je veux dire ici, c'est que nous ne devons même pas tracer ces lignes pour les synopsis qui ne sont pas en place 06:22.090 --> 06:26.170 afin de ne pas encombrer notre image, car nous ne pourrons pas les dessiner, alors 06:26.170 --> 06:27.290 supprimons-nous de ceux aussi. 06:27.460 --> 06:33.940 Et de cette façon, nous saurons exactement ce qu’il faut pour que ce neurone se concentre sur la surface et la distance de la ville. 06:33.940 --> 06:34.520 D'accord. 06:34.900 --> 06:35.980 Donc, comme toujours, nous sommes d’accord sur ce point. 06:35.980 --> 06:36.830 Passons à la suivante. 06:36.850 --> 06:42.400 Prenons-en un au milieu ici, nous avons trois paramètres qui alimentent ce neurone, nous avons donc la 06:42.400 --> 06:46.010 zone des chambres à coucher et l'âge de la propriété. 06:46.030 --> 06:48.600 Alors, quelle pourrait être la raison ici. 06:48.600 --> 06:56.110 Essayons à nouveau de comprendre l'intuition et la pensée de ce neurone. Comment pense-t-il ce neurone? 06:56.110 --> 06:57.770 Pourquoi choisit-on ces deux parents? 06:57.780 --> 07:02.110 Que pourrait-il être ce qui pourrait avoir un succès comme dans les données. 07:02.110 --> 07:06.580 Nous avons déjà établi ce jeu de données bien structuré. La formation a eu lieu il 07:06.580 --> 07:11.590 y a longtemps, peut-être il y a un jour ou quelqu'un est écrit comme il est maintenant que 07:11.590 --> 07:17.650 nous postons juste et nous savons que ce neurone parmi des milliers d’exemples de propriétés a révélé que la superficie, les chambres 07:17.650 --> 07:20.590 et la combinaison d’âge de ces paramètres sont importantes. 07:20.590 --> 07:21.600 Pourquoi cela pourrait-il être le cas? 07:21.610 --> 07:29.410 Par exemple, dans cette ville de banlieue où ce réseau de neurones a été formé, peut-être y a-t-il 07:29.410 --> 07:38.860 beaucoup de familles avec des enfants qui ont deux enfants ou plus qui recherchent de grandes propriétés avec beaucoup de chambres mais 07:40.000 --> 07:47.470 qui sont de nouveaux droits qui ne sont pas vieux, car c’est peut-être dans cette zone presque 07:47.590 --> 07:52.910 appropriée ou un peu comme si les grandes propriétés sont généralement vieilles. 07:52.930 --> 07:59.860 Mais il y a beaucoup de familles modernes et peut-être y a-t-il eu un changement démographique social 07:59.860 --> 08:07.540 ou une croissance en termes d'emploi et d'emplois pour la population autonome plus jeune, peut-être savez-vous que la démographie 08:07.570 --> 08:15.520 a changé et De nos jours, les couples les plus jeunes ou les familles plus jeunes recherchent des propriétés, 08:15.520 --> 08:22.210 mais ils préfèrent les nouvelles propriétés, ils souhaitent donc que l'âge de la propriété soit inférieur 08:22.210 --> 08:27.370 et, partant, à la formation que ce réseau neuronal a subie. 08:27.370 --> 08:32.890 Il sait que lorsqu'il y a une propriété de grande surface et avec beaucoup de chambres 08:32.890 --> 08:36.790 avec ces trois chambres, au moins trois chambres pour les parents 08:36.790 --> 08:45.190 pour le premier ou le deuxième enfant pour au moins trois chambres, peut-être une chambre d'amis des chambres à coucher valorisées sur ce marché, de 08:45.190 --> 08:48.270 manière à ce que Meuron les ait relevées. 08:48.280 --> 08:49.390 Il le sait. 08:49.420 --> 08:51.490 OK, c’est ce que je vais rechercher. 08:51.490 --> 08:56.620 Je me fiche de la distance qui le sépare de la ville et de Miles, peu importe où il se trouve, du moment que le nombre de chambres 08:56.620 --> 08:57.080 est élevé 08:57.110 --> 09:01.750 Dès que ces critères sont remplis, le neurone se déclenche et la combinaison 09:01.750 --> 09:06.190 de ces deux paramètres est à nouveau génératrice du réseau de neurones, 09:06.190 --> 09:11.300 car il combine ces deux paramètres dans un tout nouveau paramètre et de nouveaux attributs. 09:11.470 --> 09:17.860 Cela aide avec l'évaluation qui aide avec l'évaluation de la propriété. 09:17.860 --> 09:21.910 Il les combine dans un nouvel attribut et est donc plus précis. 09:21.910 --> 09:24.160 Alors voilà c'est comme ça que ça marche. 09:24.250 --> 09:30.040 Et regardons un autre, examinons celui qui se trouve tout en bas, par exemple, ce neurone 09:30.040 --> 09:35.110 pourrait même n’avoir détecté qu’une paire et qu’il n’aurait pu en détecter que 09:35.110 --> 09:35.540 huit. 09:35.540 --> 09:37.530 Et comment cela pourrait-il être le cas. 09:37.900 --> 09:45.760 Eh bien, c’est un exemple classique de l’époque où l’âge pourrait signifier que, comme nous le savons tous, les propriétés les plus anciennes ont généralement moins 09:45.760 --> 09:47.710 de valeur, car elles sont usées. 09:47.710 --> 09:50.740 Le bâtiment est probablement vieux, vous savez probablement que les choses se détériorent. 09:50.740 --> 09:55.460 Il faut plus d'entretien pour que le prix baisse en termes de prix de l'immobilier. 09:55.480 --> 09:58.880 Alors qu'un bâtiment flambant neuf serait plus cher car il est flambant neuf. 09:59.200 --> 10:03.980 Peut-être que si une propriété a dépassé un certain âge, cela pourrait indiquer qu'il s'agit d'une propriété historique. 10:04.030 --> 10:11.240 Par exemple, si une propriété a moins de 100 ans, plus elle est ancienne, moins elle a de valeur. 10:11.380 --> 10:17.050 Mais dès qu'il dépasse l'âge de 100 ans, il devient tout à coup une propriété historique parce que 10:17.050 --> 10:20.840 c'est une propriété où il y a encore des centaines d'années. 10:20.860 --> 10:26.240 Il raconte une histoire qui a toute cette histoire derrière elle et certaines personnes aiment ça, certaines personnes valorisent ça. 10:26.290 --> 10:32.110 En fait, beaucoup de gens aimeraient cela et seraient fiers de vivre dans une 10:32.110 --> 10:36.970 propriété et surtout dans les classes socio-économiques plus élevées, ils montreraient 10:37.000 --> 10:42.330 à leurs amis ou à des choses du même genre. considéré comme historique. 10:42.330 --> 10:47.890 Et dès lors, dès qu’il apercevra une propriété de plus de 100 ans, il se déclenchera et contribuera 10:48.430 --> 10:49.360 au prix global. 10:49.360 --> 10:55.090 Et sinon, si elle a moins de 100 ans, cela ne fonctionnera pas et c'est un bon exemple de cela. 10:55.180 --> 10:57.580 La fonction redresseur en cours d’application. 10:57.580 --> 11:04.630 Donc, ici, vous avez presque le zéro jusqu'à un certain point, puis, disons, 100 ans, et plus de cent 11:04.630 --> 11:09.340 ans après, plus la valeur augmente, plus la contribution de ce neurone 11:09.340 --> 11:11.310 au prix global est élevée. 11:11.470 --> 11:18.910 Et il y a juste un merveilleux exemple d'un exemple très simple de cette fonction de redresseur en action. 11:18.910 --> 11:19.720 Alors on y va. 11:19.750 --> 11:20.960 Cela pourrait être cette année. 11:21.100 --> 11:27.840 Et de plus, le réseau de neurones aurait pu capter des choses que nous n'aurions pas pensé avoir 11:27.850 --> 11:28.530 raison 11:28.570 --> 11:34.360 Par exemple, les chambres et la distance de la ville contribuent peut-être moins au prix que 11:34.360 --> 11:38.710 les autres neurones, mais cela contribue aussi ou peut-être réduit le 11:38.890 --> 11:43.510 prix qui pourrait également être le cas ou autre chose comme ça 11:43.510 --> 11:51.040 et peut-être ajouter votre propre ensemble pour une combinaison de ces quatre paramètres et comme vous pouvez voir que ces 11:51.040 --> 11:58.840 neurones toute cette situation de couche cachée vous permet d'augmenter la flexibilité de votre réseau de neurones et vous permet vraiment 11:58.840 --> 12:05.890 de permettre au réseau de neurones de regarder pour des choses très spécifiques et ensuite en combinaison, c'est de 12:06.070 --> 12:08.260 là que vient le pouvoir. 12:08.260 --> 12:12.570 C'est comme dans cet exemple que la réponse que je souhaiterais, c'est qu'une annonce en elle-même ne puisse pas construire une fourmilière. 12:12.580 --> 12:17.920 Mais quand vous avez des milliers ou des milliers d'annonces, ils peuvent construire une fourmilière ensemble et c'est ce qui se 12:17.920 --> 12:18.600 passe ici. 12:18.610 --> 12:20.990 Chacun de ces neurones ne peut à lui seul prédire le prix. 12:21.100 --> 12:27.910 Mais ensemble, ils ont des super pouvoirs, ils en prédisent le prix et peuvent faire un travail assez 12:27.940 --> 12:30.300 précis s’ils sont formés correctement. 12:30.730 --> 12:35.410 Et c'est ce que ce cours entier consiste à comprendre comment les utiliser. 12:35.410 --> 12:42.430 Voilà un exemple pas à pas et un aperçu de la manière dont les réseaux de neurones fonctionnent réellement. 12:42.460 --> 12:45.590 J'espère que vous avez apprécié le tutoriel d'aujourd'hui et j'ai hâte de vous revoir la prochaine fois. 12:45.610 --> 12:47.350 Jusque-là profiter de l'apprentissage.