WEBVTT 00:00.560 --> 00:02.950 Kommen Sie zu einem spannenden Tutorial. 00:02.950 --> 00:04.850 Willkommen zurück zu dem Kurs zum tiefen Lernen. 00:04.870 --> 00:08.090 Heute sprechen wir darüber, wie neuronale Netzwerke funktionieren. 00:08.110 --> 00:13.840 Jetzt haben wir eine Menge Grundlagenarbeit geleistet und wir haben darüber gesprochen, wie neuronale Netze strukturiert werden, aus welchen 00:13.840 --> 00:16.420 Elementen sie bestehen und sogar aus ihrer Funktionalität. 00:16.660 --> 00:21.940 Heute werden wir uns ein reales Beispiel dafür anschauen, wie ungewöhnliche neuronale Netzwerke eingesetzt werden können. 00:21.940 --> 00:27.760 Wir werden tatsächlich Schritt für Schritt durch den Prozess der Anwendung arbeiten, damit wir wissen, was los 00:27.760 --> 00:28.340 ist. 00:28.360 --> 00:30.690 Schauen wir uns also an, über welches Beispiel wir sprechen werden. 00:30.790 --> 00:37.180 Wir werden uns eine Immobilienbewertung ansehen, also ein neuronales Netzwerk, das einige Parameter unserer 00:37.180 --> 00:39.600 Immobilien- und Wertwerte berücksichtigt. 00:39.640 --> 00:40.930 Und die Sache hier. 00:40.960 --> 00:45.820 Es gibt einen kleinen Vorbehalt für das heutige Tutorial. Das heißt, wir werden das Netzwerk nicht wirklich trainieren. 00:45.820 --> 00:50.980 Ein sehr wichtiger Teil in neuronalen Netzen ist das Trainieren der Netze. Wir werden das in 00:50.980 --> 00:53.430 den nächsten Tutorials in diesem Abschnitt betrachten. 00:53.440 --> 00:57.760 Im Moment konzentrieren wir uns auf die eigentlichen Anwendungen. Wir werden mit einem neuronalen Netzwerk 00:58.390 --> 01:04.870 arbeiten, von dem wir behaupten, dass es bereits trainiert ist und das uns erlaubt, uns auf die Anwendungsseite der Dinge zu konzentrieren 01:04.870 --> 01:09.370 und uns nicht festzusetzen den Trainingsaspekt und dann beenden wir das Training, wenn wir bereits 01:09.370 --> 01:11.750 das Endziel kennen, auf das wir hinarbeiten. 01:11.800 --> 01:12.640 Hört sich gut an. 01:12.640 --> 01:14.900 Alles klar, lass uns direkt hinein springen. 01:15.250 --> 01:19.090 Nehmen wir an, wir haben einige Eingabeparameter. 01:19.090 --> 01:24.670 Richtig, lassen Sie uns sagen, wir haben die vollständigen Parameter über das Grundstück, in dem wir Fläche in Quadratfuß 01:24.670 --> 01:29.950 haben. Wir haben die Anzahl der Schlafzimmer, die die Stadt und Miles, die Stadt New York City, und 01:29.950 --> 01:33.590 das Alter des Grundstücks und alle diese vier Eingänge umfassen Schicht. 01:33.670 --> 01:40.810 Natürlich sind dies wahrscheinlich weit mehr Parameter, die den Preis einer Immobilie bestimmen, aber der Einfachheit halber wollen wir 01:40.810 --> 01:43.000 uns jetzt nur das ansehen. 01:43.010 --> 01:50.260 Es ist sehr einfach, dass ein neuronales Netzwerk nur eine Eingabeebene hat, um eine Ausgabeschicht zu erlernen, sodass keine verborgenen Schichten vorhanden sind. Unsere Ausgabeschicht 01:50.260 --> 01:52.300 ist der Preis, den wir vorhersagen. 01:52.300 --> 02:00.990 In dieser Form würden diese Eingangsvariablen also nur durch die Zusammenfassungen gewichtet und 02:01.030 --> 02:04.150 die Ausgabe dort berechnet. 02:04.150 --> 02:06.190 Grundsätzlich würde der Preis berechnet werden und einen Preis erhalten. 02:06.190 --> 02:14.250 Zum Beispiel könnte der Preis so einfach wie die gewichtete Summe aller Eingaben berechnet werden. 02:14.290 --> 02:17.720 Und hier könnten Sie so ziemlich jede Funktion verwenden, die Sie verwenden könnten. 02:17.830 --> 02:25.330 Was wir jetzt verwenden, könnten wir alle Aktivierungsfunktionen verwenden, die wir zuvor hatten, und logistische 02:25.330 --> 02:26.020 Regression. 02:26.050 --> 02:32.680 Sie können eine quadratische Funktion verwenden, mit der Sie fast alles tun können, aber Sie erhalten eine 02:32.740 --> 02:33.570 bestimmte Ausgabe. 02:33.600 --> 02:40.980 Darüber hinaus können die meisten der maschinellen Lernalgorithmen, die vorhanden sind, in dieser Form dargestellt werden. Dies ist im Wesentlichen eine diagrammartige 02:40.990 --> 02:46.390 Darstellung des Umgangs mit den Variablen oder durch Ändern der Art und Weise, wie 02:46.390 --> 02:51.910 es sich um eine Formalisierung handelt, mit der Sie einige der maschinellen Lernalgorithmen ausführen können Wir 02:51.910 --> 02:58.510 haben vorher darüber gesprochen und sie in diese Form gebracht, und das zeigt nur, wie stark Noul neuronale Netzwerke 02:58.510 --> 02:58.900 sind. 02:58.960 --> 03:04.270 Auch ohne die verborgenen Schichten sind wir bereit, wo wir eine Darstellung haben, die für die meisten anderen Machine 03:04.270 --> 03:05.360 Learning-Algorithmen geeignet ist. 03:05.470 --> 03:13.210 In neuronalen Netzen haben wir jedoch einen Vorteil, der uns viel Flexibilität und Kraft gibt, aus 03:13.600 --> 03:17.050 dem die Erhöhung der Genauigkeit stammt. 03:17.050 --> 03:24.490 Und diese Kraft sind die verborgenen Schichten, und da ist unser Hit, Alair, in dem wir sie hinzugefügt 03:24.490 --> 03:30.100 haben. Jetzt werden wir verstehen, wie diese verborgene Höhle uns zusätzliche Kraft gibt. 03:30.300 --> 03:35.830 Um dies zu tun, gehen wir durch ein Beispiel. Wenn wir uns also einig waren, 03:35.830 --> 03:40.150 dass dieses neuronale Netzwerk wirklich trainiert wurde, und jetzt nur noch einstecken, 03:40.150 --> 03:48.370 werden wir uns vorstellen, dass sie eine Immobilie einstecken Wir gehen Schritt für Schritt durch, wie das neuronale Netzwerk mit den Eingangsvariablen umgeht, 03:48.370 --> 03:51.880 den Hindol-Bereich berechnet und dann die Ausgabe berechnet. 03:51.880 --> 03:54.430 Lassen Sie uns durchgehen, das wird spannend. 03:54.430 --> 03:54.880 Gut. 03:55.060 --> 04:00.950 Wir haben alle vier Variablen auf der linken Seite und werden zuerst mit dem Top-Nurin auf der Hindle 04:00.980 --> 04:01.420 beginnen. 04:01.450 --> 04:08.290 Wie wir zuvor in den Presse-Literalen alle Neuronen aus der Eingabeebene gesehen haben, wird sie von Cynapsus mit 04:08.290 --> 04:12.940 jedem von ihnen mit den obersten Neuronen im verborgenen Lager verbunden. 04:13.480 --> 04:15.240 Und diese Systeme haben Gewichte. 04:15.250 --> 04:20.470 Nun stimmen wir zu, dass einige Gewichtungen einen Wert ungleich Null haben. Einige Wege haben 04:20.710 --> 04:28.390 einen Nullwert, da im Wesentlichen nicht alle Eingaben gültig sind oder nicht alle Eingaben für jedes einzelne Neuron wichtig sind. Manchmal sind Eingaben 04:28.390 --> 04:29.420 nicht wichtig. 04:29.420 --> 04:34.180 Hier können wir zwei Beispiele sehen, dass X-1 neben drei der Fläche und der Entfernung zur Stadt und 04:34.180 --> 04:38.770 Meilen für dieses Neuron wichtig sind, während Schlafzimmer und Alter nicht gleich sind, lassen Sie uns 04:38.770 --> 04:40.540 darüber nachdenken, warum dies so ist. 04:40.550 --> 04:47.350 Zum Beispiel, warum würde ein Neuron mit der Region verbunden sein und mit der Entfernung, was das bedeutet, was das bedeuten könnte. 04:47.350 --> 04:53.410 Nun, das könnte bedeuten, dass in der Regel die billigeren Immobilien immer weiter weg von der 04:53.410 --> 04:58.420 Stadt entfernt werden und der Platz in Quadratfuß von Immobilien damit größer wird. 04:58.420 --> 05:02.380 Für den gleichen Preis können Sie eine größere Immobilie erhalten, je weiter Sie von der Stadt entfernt sind, die normal 05:02.380 --> 05:02.640 ist. 05:02.640 --> 05:08.930 Das macht Sinn und wahrscheinlich ist es das, was dieses Neuron macht. Es sieht aus 05:08.950 --> 05:16.990 wie ein Scharfschütze, der nach Grundstücken sucht, die nicht weit von der Stadt entfernt sind, aber eine große Fläche 05:16.990 --> 05:17.630 haben. 05:17.630 --> 05:24.830 Für ihre Entfernung von der Stadt haben sie also einen unfairen Quadratfuß. 05:24.850 --> 05:28.690 Richtig, etwas wie abnormale Körpergröße ist höher als der Durchschnitt, also 05:28.690 --> 05:35.290 sind sie ziemlich nahe an der Stadt, aber sie sind immer noch groß, im Gegensatz zu den anderen in der 05:35.290 --> 05:40.450 gleichen Entfernung. Daher spekulieren die Neuronen hier, aber die Neuronen könnten es sein Wenn Sie diese 05:40.450 --> 05:46.150 speziellen Eigenschaften herausfinden, wird der Laser aktiviert, und die Aktivierungsfunktion wird aktiviert. Die Aktivierung erfolgt nur, wenn die 05:46.150 --> 05:50.830 bestimmten Kriterien erfüllt sind und Sie die Entfernung und den richtigen Abstand zur syrischen 05:50.830 --> 05:57.580 Luft der Region kennen der Eigenschaft und führt Berechnungen in sich selbst durch und kombiniert diese beiden und sobald bestimmte Bereiche, 05:57.580 --> 06:01.990 in denen sie hochgefahren wird und dies zum Preis in der Produktion beiträgt. 06:02.260 --> 06:06.760 Und deshalb interessiert sich dieses Neuron nicht wirklich für die Schlafzimmer und das Alter der Immobilie, weil es sich auf 06:06.760 --> 06:07.730 diese bestimmte Sache konzentriert. 06:07.750 --> 06:12.640 Daraus ergibt sich die Kraft des neuronalen Netzwerks, denn Sie haben viele dieser Jahre und werden gerade 06:12.640 --> 06:14.390 sehen, wie die anderen funktionieren. 06:14.650 --> 06:21.370 Aber ich möchte hier zustimmen, dass wir nicht einmal diese Zeilen für die nicht vorhandenen Synopsen zeichnen, damit wir unser Image nicht stören, denn 06:22.090 --> 06:26.170 der einzige Grund, warum wir sie nicht zeichnen werden, lassen Sie uns einfach loswerden 06:26.170 --> 06:27.290 von denen auch. 06:27.460 --> 06:33.940 Und so werden wir genau wissen, dass dieses Neuron sich auf die Fläche und die Entfernung zur Stadt konzentriert. 06:33.940 --> 06:34.520 Gut. 06:34.900 --> 06:35.980 Wie immer sind wir uns darüber einig. 06:35.980 --> 06:36.830 Gehen wir weiter zum nächsten. 06:36.850 --> 06:42.400 Nehmen wir sie eins in die Mitte. Hier haben wir drei Parameter, die in dieses Neuron einfließen, also 06:42.400 --> 06:46.010 haben wir den Bereich der Schlafzimmer und das Alter der Immobilie. 06:46.030 --> 06:48.600 Was könnte der Grund hier sein? 06:48.600 --> 06:55.660 Lassen Sie uns noch einmal versuchen, die Intuition und das Denken dieses Neurons zu verstehen, wie dieses Neuron 06:55.660 --> 06:56.110 denkt. 06:56.110 --> 06:57.770 Warum wählt es diese beiden Eltern aus? 06:57.780 --> 07:02.110 Was könnte es sein, was in den Daten gefunden werden könnte. 07:02.110 --> 07:06.580 Richtig, also haben wir diesen geschulten Datensatz bereits etabliert. Das Training hat vor langer 07:06.580 --> 07:11.590 Zeit stattgefunden, vielleicht wie vor einem Tag oder jemand ist aufgeschrieben, da wir uns gerade bewerben und 07:11.590 --> 07:17.650 wir wissen, dass dieses Neuron durch all die Tausenden geht Von Beispielen für Eigenschaften hat sich herausgestellt, dass die Fläche plus 07:17.650 --> 07:20.590 die Schlafzimmer sowie die Alterskombination dieser Parameter wichtig sind. 07:20.590 --> 07:21.600 Warum könnte das so sein? 07:21.610 --> 07:29.410 Nun, vielleicht in dieser Stadt in den Vororten, in denen dieses neuronale Netzwerk ausgebildet wurde, gibt 07:29.410 --> 07:38.860 es vielleicht viele Familien mit Kindern, die zwei oder mehr Kinder haben, die nach großen Objekten mit vielen Schlafzimmern 07:40.000 --> 07:47.470 suchen, die aber neue Rechte haben sind nicht alt, weil vielleicht das in diesem Bereich 07:47.590 --> 07:52.910 fast angemessen ist oder wie große Immobilien normalerweise alt sind. 07:52.930 --> 07:59.860 Aber es gibt viele moderne Familien und vielleicht gab es einen sozialdemografischen Wandel, 07:59.860 --> 08:07.540 oder vielleicht gab es eine Menge Wachstum in Bezug auf Beschäftigung und Arbeitsplätze für 08:07.570 --> 08:15.520 die jüngere Selbstbevölkerung Jetzt suchen jüngere Paare oder jüngere Familien nach Immobilien, bevorzugen jedoch neue 08:15.520 --> 08:22.210 Immobilien, so dass das Alter der Immobilie niedriger sein soll und daher 08:22.210 --> 08:27.370 die Ausbildung, die dieses neuronale Netzwerk durchlaufen hat. 08:27.370 --> 08:32.890 Es weiß, dass, wenn es ein Grundstück mit einer großen Fläche und mit vielen Schlafzimmern mit diesen drei mindestens 08:32.890 --> 08:36.790 drei Schlafzimmern für die Eltern für das erste Kind des zweiten Kindes für 08:36.790 --> 08:45.190 mindestens drei Schlafzimmer gibt, möglicherweise ein Gästezimmer, wenn Sie ein Grundstück mit einer großen Fläche und vielen Grundstücken haben Von den Schlafzimmern wird geschätzt, dass in diesem Markt 08:45.190 --> 08:48.270 das wertvoll ist, so dass Meuron das aufgenommen hat. 08:48.280 --> 08:49.390 Das weiß es. 08:49.420 --> 08:51.490 OK, das ist es, wonach ich suchen werde. 08:51.490 --> 08:56.620 Ich interessiere mich nicht für die Entfernung zur Stadt und zu den Meilen, wo immer es ist, solange es in der Gegend viele 08:56.620 --> 08:57.080 Schlafzimmer gibt. 08:57.110 --> 09:01.750 Sobald diese Kriterien erfüllt sind, startet das Neuron und die Kombination dieser 09:01.750 --> 09:06.190 beiden Parameter. Auch hier kommt die Stärke des neuronalen Netzwerks zum 09:06.190 --> 09:11.300 Tragen, da es diese beiden Parameter zu einem brandneuen Parameter zu brandneuen Attributen kombiniert. 09:11.470 --> 09:17.860 Das hilft bei der Bewertung, die bei der Bewertung der Immobilie hilft. 09:17.860 --> 09:21.910 Es fasst sie zu einem neuen Attribut zusammen und ist daher präziser. 09:21.910 --> 09:24.160 Also los, so funktioniert das. 09:24.250 --> 09:30.040 Und schauen wir uns ein anderes an. Lassen Sie uns einen Blick auf das unterste werfen. Dieses Neuron 09:30.040 --> 09:35.110 könnte zum Beispiel nur ein Paar aufgenommen haben und nur acht und nicht eines der 09:35.110 --> 09:35.540 anderen. 09:35.540 --> 09:37.530 Und wie könnte das der Fall sein? 09:37.900 --> 09:45.760 Nun, dies ist ein klassisches Beispiel, wenn Alter bedeuten könnte, wie wir alle wissen, dass ältere Eigenschaften normalerweise weniger wert sind, 09:45.760 --> 09:47.710 da sie abgenutzt sind. 09:47.710 --> 09:50.740 Wahrscheinlich ist das Gebäude alt, wahrscheinlich wissen Sie, dass die Dinge auseinander fallen. 09:50.740 --> 09:55.460 Mehr Wartung ist erforderlich, damit der Preis in Bezug auf den Immobilienpreis sinkt. 09:55.480 --> 09:58.880 Ein brandneues Gebäude wäre jedoch teurer, weil es brandneu ist. 09:59.200 --> 10:03.980 Wenn eine Immobilie älter als ein bestimmtes Alter ist, könnte dies darauf hindeuten, dass es sich um eine historische Immobilie handelt. 10:04.030 --> 10:11.240 Wenn zum Beispiel eine Immobilie unter 100 Jahre alt ist, ist sie umso weniger wertvoll, je älter sie ist. 10:11.380 --> 10:17.050 Sobald es jedoch über 100 Jahre alt wird, wird es zu einem historischen Anwesen, denn es ist ein 10:17.050 --> 10:20.840 Anwesen, in dem sich die Menschen noch vor Hunderten von Jahren befinden. 10:20.860 --> 10:26.240 Es erzählt eine Geschichte, hinter der sich diese ganze Geschichte verbirgt, und manche Leute mögen das, manche Leute schätzen das. 10:26.290 --> 10:32.110 In der Tat würden sich viele Leute darüber freuen und wären stolz darauf, in einer Immobilie zu leben, 10:32.110 --> 10:36.970 und vor allem in den höheren sozioökonomischen Klassen würden sie sich mit ihren 10:37.000 --> 10:42.330 Freunden oder so zeigen, und daher könnten sie über 100 Jahre alt sein als historisch betrachtet. 10:42.330 --> 10:47.890 Und deshalb wird dieses Neuron, sobald es eine über 100 Jahre alte Immobilie sieht, hochgefahren und trägt zum 10:48.430 --> 10:49.360 Gesamtpreis bei. 10:49.360 --> 10:55.090 Andernfalls funktioniert es nicht, wenn es unter 100 Jahre alt ist. Dies ist ein gutes Beispiel dafür. 10:55.180 --> 10:57.580 Die Gleichrichterfunktion wird angewendet. 10:57.580 --> 11:04.630 Hier haben Sie also bis zu einem bestimmten Punkt wie eine Null und dann sagen wir 100 Jahre alt. Je älter 11:04.630 --> 11:09.340 sie wird, desto älter wird sie, je höher der Wert, desto höher der 11:09.340 --> 11:11.310 Beitrag dieses Neurons zum Gesamtpreis. 11:11.470 --> 11:18.910 Und es gibt nur ein wunderbares Beispiel für ein sehr einfaches Beispiel für diese Gleichrichterfunktion. 11:18.910 --> 11:19.720 Also los geht's. 11:19.750 --> 11:20.960 Das könnte dieses Jahr sein. 11:21.100 --> 11:27.840 Außerdem hätte das neuronale Netzwerk Dinge aufgreifen können, die wir uns nicht für richtig gehalten 11:27.850 --> 11:28.530 hätten. 11:28.570 --> 11:34.360 Zum Beispiel Schlafzimmer und Entfernung die Stadt, die in der Kombination vielleicht irgendwie zum 11:34.360 --> 11:38.710 Preis beiträgt, ist möglicherweise nicht so stark wie die anderen 11:38.890 --> 11:43.510 Neuronen und trägt dazu bei, aber es trägt immer noch dazu 11:43.510 --> 11:51.040 bei, oder es wirkt sich möglicherweise negativ auf den Preis aus Vielleicht fügen Sie Ihre eigenen Optionen hinzu, um 11:51.040 --> 11:58.840 alle vier dieser Parameter zusammenzufassen. Wenn Sie sehen, dass diese Neuronen, können Sie durch die gesamte Hidden-Layer-Situation die Flexibilität 11:58.840 --> 12:05.890 Ihres neuronalen Netzwerks erhöhen und das neuronale Netzwerk wirklich sehen lassen für ganz bestimmte Dinge und dann 12:06.070 --> 12:08.260 kommt die Kraft in Kombination. 12:08.260 --> 12:12.570 Es ist wie in diesem Beispiel, dass die Antwort, die ich für eine Anzeige hätte, keinen Ameisenhaufen bauen kann. 12:12.580 --> 12:17.920 Aber wenn Sie wie tausend oder 100000 Anzeigen haben, können sie gemeinsam einen Ameisenhaufen bauen, und das ist die 12:17.920 --> 12:18.600 Situation hier. 12:18.610 --> 12:20.990 Jedes dieser Neuronen allein kann den Preis nicht vorhersagen. 12:21.100 --> 12:27.910 Aber zusammen haben sie Superkräfte und prognostizieren den Preis. Wenn sie richtig trainiert werden, können 12:27.940 --> 12:30.300 sie recht genaue Arbeit leisten. 12:30.730 --> 12:35.410 In diesem Kurs geht es darum zu verstehen, wie man sie einsetzen kann. 12:35.410 --> 12:42.430 Wir gehen also Schritt für Schritt vor und zeigen, wie neuronale Netzwerke tatsächlich funktionieren. 12:42.460 --> 12:45.590 Ich hoffe, Ihnen hat das heutige Tutorial gefallen und ich kann es kaum erwarten, Sie das nächste Mal zu sehen. 12:45.610 --> 12:47.350 Bis dahin viel Spaß beim Lernen.