WEBVTT 00:00.560 --> 00:02.950 Tiba tutorial menarik di depan. 00:02.950 --> 00:04.850 Selamat datang kembali ke kursus tentang pembelajaran yang mendalam. 00:04.870 --> 00:08.090 Hari ini kita berbicara tentang cara kerja jaringan saraf. 00:08.110 --> 00:13.840 Sekarang kami telah memimpin banyak pekerjaan lapangan, kami telah berbicara tentang bagaimana jaringan saraf terstruktur elemen 00:13.840 --> 00:16.420 apa yang mereka terdiri dan bahkan fungsionalitasnya. 00:16.660 --> 00:21.940 Dan hari ini kita akan melihat dan contoh nyata tentang bagaimana jaringan saraf yang tidak biasa dapat 00:21.940 --> 00:27.760 diterapkan dan kita benar-benar akan bekerja langkah demi langkah melalui proses penerapannya sehingga kita tahu apa yang sedang 00:27.760 --> 00:28.340 terjadi. 00:28.360 --> 00:30.690 Jadi mari kita lihat contoh apa yang akan kita bicarakan. 00:30.790 --> 00:37.180 Kita akan melihat evaluasi properti sehingga kita akan melihat jaringan saraf yang mengambil beberapa parameter 00:37.180 --> 00:39.600 nilai properti dan nilai kami. 00:39.640 --> 00:40.930 Dan masalahnya di sini. 00:40.960 --> 00:45.820 Ada peringatan kecil untuk tutorial hari ini dan itu adalah kita tidak benar-benar akan melatih jaringan. 00:45.820 --> 00:50.980 Jadi bagian yang sangat penting dalam jaringan saraf melatih mereka dan kita akan melihatnya 00:50.980 --> 00:53.430 di tutorial berikutnya di bagian ini. 00:53.440 --> 00:57.760 Untuk saat ini kita akan fokus pada aplikasi yang sebenarnya apakah kita akan 00:58.390 --> 01:04.870 bekerja dengan jaringan saraf yang kita akan berpura-pura sudah dilatih dan yang akan memungkinkan kita untuk fokus pada sisi aplikasi hal-hal 01:04.870 --> 01:09.370 dan tidak terjebak dalam aspek pelatihan dan kemudian kita akan menutup pelatihan ketika kita sudah 01:09.370 --> 01:11.750 tahu tujuan akhir yang sedang kita upayakan. 01:11.800 --> 01:12.640 Kedengarannya bagus. 01:12.640 --> 01:14.900 Baiklah mari kita lompat langsung ke dalamnya. 01:15.250 --> 01:19.090 Jadi katakanlah kita memiliki beberapa parameter input. 01:19.090 --> 01:24.670 Benar jadi katakanlah kita memiliki parameter lengkap tentang properti yang kita miliki luasnya dalam kaki persegi, 01:24.670 --> 01:29.950 kita memiliki jumlah kamar tidur yang menjauhkan kota dan Miles Kota New York dan usia 01:29.950 --> 01:33.590 properti dan keempatnya akan terdiri dari input kami lapisan. 01:33.670 --> 01:40.810 Sekarang tentu saja mereka mungkin parameter jauh lebih yang menentukan harga properti tetapi demi kesederhanaan kita 01:40.810 --> 01:43.000 akan melihat ini sekarang. 01:43.010 --> 01:50.260 Ini sangat mendasar dari sebuah jaringan saraf yang hanya memiliki input untuk mempelajari lapisan keluaran sehingga tidak ada lapisan tersembunyi dan lapisan keluaran 01:50.260 --> 01:52.300 kami adalah harga yang kami prediksi. 01:52.300 --> 02:00.990 Jadi dalam bentuk ini yang akan dilakukan oleh variabel-variabel input ini adalah mereka hanya akan ditimbang oleh synopses dan 02:01.030 --> 02:04.150 kemudian output di sana akan dihitung. 02:04.150 --> 02:06.190 Pada dasarnya harga akan dihitung dan akan mendapat harga. 02:06.190 --> 02:14.250 Dan misalnya harga dapat dihitung sesederhana jumlah tertimbang dari semua input. 02:14.290 --> 02:17.720 Dan lagi di sini Anda dapat menggunakan hampir semua fungsi yang dapat Anda gunakan. 02:17.830 --> 02:25.330 Apa yang kami gunakan sekarang kami dapat menggunakan salah satu fungsi aktivasi yang sebelumnya Anda dapat menggunakan regresi 02:25.330 --> 02:26.020 logistik. 02:26.050 --> 02:32.680 Anda dapat menggunakan fungsi kuadrat, Anda dapat melakukan hampir semua hal di sini, tetapi intinya adalah Anda mendapatkan 02:32.740 --> 02:33.570 output tertentu. 02:33.600 --> 02:40.980 Dan terlebih lagi sebagian besar algoritma pembelajaran mesin yang ada dapat diwakili dalam formulir ini dan ini pada dasarnya 02:40.990 --> 02:46.390 adalah representasi diagram tentang bagaimana Anda menangani variabel atau dengan mengubah cara 02:46.390 --> 02:51.910 itu diformalkan, Anda dapat mencapai cukup banyak algoritma pembelajaran mesin yang kita sudah bicarakan 02:51.910 --> 02:58.900 sebelumnya dan memasukkannya ke dalam bentuk ini dan itu cenderung menunjukkan seberapa kuat Noul adalah jaringan saraf. 02:58.960 --> 03:04.270 Bahkan tanpa lapisan tersembunyi kami siap di mana kami memiliki representasi yang bekerja untuk sebagian besar algoritma 03:04.270 --> 03:05.360 pembelajaran mesin lainnya. 03:05.470 --> 03:13.210 Tetapi dalam jaringan saraf apa yang kita miliki adalah keuntungan yang memberi kita banyak fleksibilitas dan 03:13.600 --> 03:17.050 kekuatan yang merupakan asal peningkatan akurasi. 03:17.050 --> 03:24.490 Dan kekuatan itu adalah lapisan tersembunyi dan di sana kita pergi itu adalah hit kita Alair kita menambahkannya 03:24.490 --> 03:30.100 dan sekarang kita akan memahami bagaimana sarang tersembunyi memberi kita kekuatan ekstra. 03:30.300 --> 03:35.830 Dan sebenarnya untuk melakukan itu kita akan berjalan melalui contoh sehingga kita sepakat bahwa jaringan 03:35.830 --> 03:40.150 saraf ini benar-benar telah dilatih dan sekarang kita hanya akan menghubungkan 03:40.150 --> 03:48.370 kita akan membayangkan mereka memasang sebuah properti dan kita akan berjalan selangkah demi selangkah melalui bagaimana jaringan saraf akan menangani variabel input 03:48.370 --> 03:51.880 dan menghitung area Hindol dan kemudian menghitung output. 03:51.880 --> 03:54.430 Jadi mari kita lalui ini akan menjadi menarik. 03:54.430 --> 03:54.880 Baiklah. 03:55.060 --> 04:00.950 Kami memiliki keempat variabel di sebelah kiri dan kami akan mulai dengan Nurin pertama di Hindle di 04:00.980 --> 04:01.420 sana. 04:01.450 --> 04:08.290 Sekarang seperti yang kita lihat sebelumnya dalam literal pers, semua neuron dari lapisan input memiliki Cynapsus yang 04:08.290 --> 04:12.940 menghubungkannya dengan masing-masing neuron ke neuron teratas di sarang tersembunyi. 04:13.480 --> 04:15.240 Dan sistem itu memiliki bobot. 04:15.250 --> 04:20.470 Sekarang mari kita sepakat bahwa beberapa bobot akan memiliki nilai bukan nol beberapa cara akan memiliki 04:20.710 --> 04:28.390 nilai nol karena pada dasarnya tidak semua input akan valid atau tidak semua input akan penting untuk setiap neuron tunggal kadang-kadang input tidak akan 04:28.390 --> 04:29.420 menjadi penting. 04:29.420 --> 04:34.180 Di sini kita dapat melihat dua contoh bahwa X-1 berikutnya tiga area dan jarak ke kota dan Miles 04:34.180 --> 04:38.770 penting untuk neuron itu sedangkan kamar tidur dan usia tidak seperti mari kita pikirkan tentang ini 04:38.770 --> 04:40.540 sejenak mengapa bagaimana itu bisa terjadi. 04:40.550 --> 04:47.350 Seperti mengapa neuron dihubungkan ke area dan jarak apa artinya itu. 04:47.350 --> 04:53.410 Nah itu bisa berarti bahwa biasanya semakin jauh Anda dapatkan dari kota real estat yang lebih 04:53.410 --> 04:58.420 murah menjadi dan karena itu ruang di kaki persegi properti menjadi lebih besar. 04:58.420 --> 05:02.380 Jadi untuk harga yang sama Anda bisa mendapatkan properti yang lebih besar semakin jauh Anda pergi dari kota itu benar 05:02.380 --> 05:02.640 normal. 05:02.640 --> 05:08.930 Yang masuk akal dan mungkin yang dilakukan neuron ini adalah mencari secara 05:08.950 --> 05:16.990 khusus seperti penembak jitu yang mencari properti daerah yang tidak jauh dari kota tetapi memiliki area yang 05:16.990 --> 05:17.630 luas. 05:17.630 --> 05:24.830 Jadi untuk jarak mereka dari kota mereka memiliki area kaki persegi yang tidak adil. 05:24.850 --> 05:28.690 Benar jadi sesuatu yang abnormal tinggi lebih tinggi dari rata-rata 05:28.690 --> 05:35.290 sehingga mereka cukup dekat dengan kota tetapi mereka masih besar dibandingkan dengan yang lain pada jarak yang sama dan 05:35.290 --> 05:40.450 sehingga neuron lagi kita berspekulasi di sini tetapi neuron itu mungkin mengambil laser mengambil sifat-sifat 05:40.450 --> 05:46.150 tertentu dan itu akan aktif dan karenanya fungsi aktivasi itu akan mengaktifkannya akan menyala hanya ketika kriteria 05:46.150 --> 05:50.830 tertentu terpenuhi bahwa Anda tahu jarak dan luas jarak yang tepat untuk udara Suriah 05:50.830 --> 05:57.580 di daerah tersebut dari properti dan melakukan pada perhitungan di dalam dirinya sendiri dan itu menggabungkan kedua dan segera setelah 05:57.580 --> 06:01.990 daerah-daerah tertentu di mana ia menyala dan yang berkontribusi terhadap harga output. 06:02.260 --> 06:06.760 Dan karena itu neuron ini tidak terlalu peduli dengan kamar tidur dan usia properti karena berfokus pada 06:06.760 --> 06:07.730 hal yang spesifik. 06:07.750 --> 06:12.640 Di situlah kekuatan jaringan saraf berasal karena Anda memiliki banyak tahun-tahun ini dan akan melihat 06:12.640 --> 06:14.390 sekarang bagaimana yang lain bekerja. 06:14.650 --> 06:21.370 Tapi yang ingin saya setujui di sini adalah bahwa mari kita bahkan tidak menggambar garis-garis ini untuk sinopsis yang tidak ada sehingga kita tidak 06:22.090 --> 06:26.170 mengacaukan citra kita sebagai satu-satunya alasan kita tidak akan menggambar mereka jadi mari kita singkirkan 06:26.170 --> 06:27.290 dari mereka juga. 06:27.460 --> 06:33.940 Dan dengan begitu kita akan tahu persis OK sehingga neuron ini difokuskan pada area dan jarak ke kota. 06:33.940 --> 06:34.520 Baiklah. 06:34.900 --> 06:35.980 Jadi seperti biasa kita sepakat tentang itu. 06:35.980 --> 06:36.830 Mari kita beralih ke yang berikutnya. 06:36.850 --> 06:42.400 Mari kita ambil satu di tengah sini kita punya tiga parameter yang dimasukkan ke neuron ini 06:42.400 --> 06:46.010 sehingga kita punya area kamar tidur dan usia properti. 06:46.030 --> 06:48.600 Jadi apa yang bisa menjadi alasan di sini. 06:48.600 --> 06:56.110 Mari kita coba memahami intuisi dan pemikiran neuron ini bagaimana pemikiran neuron ini. 06:56.110 --> 06:57.770 Mengapa memilih dua orang tua ini? 06:57.780 --> 07:02.110 Apa yang bisa menjadi hit seperti yang ditemukan dalam data. 07:02.110 --> 07:06.580 Benar jadi kita sudah menetapkan data yang dilatih ini mengatur pelatihan telah terjadi 07:06.580 --> 07:11.590 sejak lama mungkin seperti sehari yang lalu atau seseorang ditulis seperti sekarang kita hanya menerapkan 07:11.590 --> 07:17.650 dan kita tahu bahwa neuron ini melalui semua ribuan contoh properti telah menemukan bahwa area ditambah kamar tidur 07:17.650 --> 07:20.590 ditambah kombinasi umur dari parameter tersebut adalah penting. 07:20.590 --> 07:21.600 Kenapa bisa begitu. 07:21.610 --> 07:29.410 Yah misalnya, mungkin di kota tertentu di pinggiran kota yang telah dilatih oleh jaringan saraf ini, 07:29.410 --> 07:38.860 mungkin ada banyak keluarga dengan anak-anak yang memiliki dua atau lebih anak yang mencari properti besar dengan banyak kamar 07:40.000 --> 07:47.470 tidur tetapi yang merupakan hak baru yang tidak tepat tua karena mungkin itu di daerah 07:47.590 --> 07:52.910 itu hampir sesuai atau jenis seperti properti besar biasanya tua. 07:52.930 --> 07:59.860 Tetapi ada banyak keluarga modern dan mungkin telah terjadi perubahan demografis sosial dan atau 07:59.860 --> 08:07.540 mungkin ada banyak pertumbuhan dalam hal pekerjaan dan pekerjaan untuk populasi muda yang lebih muda mungkin 08:07.570 --> 08:15.520 hanya Anda tahu seperti demografi populasi telah berubah dan sekarang pasangan muda atau keluarga muda mencari properti 08:15.520 --> 08:22.210 tetapi mereka lebih memilih properti baru sehingga mereka ingin usia properti lebih rendah 08:22.210 --> 08:27.370 dan karenanya dari pelatihan yang telah dialami jaringan saraf ini. 08:27.370 --> 08:32.890 Ia tahu bahwa ketika ada properti dengan area yang luas dan dengan banyak kamar tidur dengan 08:32.890 --> 08:36.790 tiga setidaknya tiga kamar tidur ini untuk orang tua untuk anak 08:36.790 --> 08:45.190 pertama dari anak kedua untuk setidaknya tiga kamar tidur mungkin sebuah ruang tamu ketika Anda properti dengan area tinggi dan banyak kamar tidur yang dihargai 08:45.190 --> 08:48.270 di pasar itu yang berharga sehingga Meuron mengambilnya. 08:48.280 --> 08:49.390 Dia tahu itu. 08:49.420 --> 08:51.490 OK jadi inilah yang akan saya cari. 08:51.490 --> 08:56.620 Saya tidak peduli tentang jarak ke kota dan Miles di mana pun asalkan memiliki banyak kamar 08:56.620 --> 08:57.080 tidur. 08:57.110 --> 09:01.750 Segera setelah kriteria tersebut terpenuhi, neuron menyala dan kombinasi dari dua 09:01.750 --> 09:06.190 parameter ini dan ini lagi di sinilah kekuatan jaringan saraf 09:06.190 --> 09:11.300 berasal karena menggabungkan dua parameter ini menjadi parameter baru menjadi atribut baru. 09:11.470 --> 09:17.860 Itu membantu dengan evaluasi yang membantu dengan penilaian properti. 09:17.860 --> 09:21.910 Ini menggabungkan mereka menjadi atribut baru dan oleh karena itu lebih tepat. 09:21.910 --> 09:24.160 Jadi begitulah cara kerjanya. 09:24.250 --> 09:30.040 Dan mari kita lihat yang lain, mari kita lihat yang paling bawah misalnya neuron ini bisa 09:30.040 --> 09:35.110 saja hanya mengambil satu pasangan dan bisa saja mengambil delapan dan tidak di yang 09:35.110 --> 09:35.540 lain. 09:35.540 --> 09:37.530 Dan bagaimana itu bisa terjadi. 09:37.900 --> 09:45.760 Nah, ini adalah contoh klasik ketika usia bisa berarti seperti yang kita semua tahu properti yang lebih tua biasanya 09:45.760 --> 09:47.710 kurang berharga karena usang. 09:47.710 --> 09:50.740 Mungkin bangunan itu sudah tua mungkin Anda tahu segalanya berantakan. 09:50.740 --> 09:55.460 Diperlukan lebih banyak perawatan sehingga harga turun dalam hal harga real estat. 09:55.480 --> 09:58.880 Sedangkan bangunan baru itu akan lebih mahal karena itu baru. 09:59.200 --> 10:03.980 Mungkin jika properti di atas usia tertentu yang dapat menunjukkan bahwa itu adalah properti bersejarah. 10:04.030 --> 10:11.240 Misalnya jika sebuah properti berusia di bawah 100 tahun maka yang lebih tua itu semakin kurang bernilai. 10:11.380 --> 10:17.050 Tapi begitu melonjak lebih dari 100 tahun, tiba-tiba itu menjadi properti bersejarah karena ini adalah 10:17.050 --> 10:20.840 properti di mana orang masih memiliki ratusan tahun yang lalu. 10:20.860 --> 10:26.240 Bercerita tentang sejarah di baliknya dan sebagian orang menyukainya. 10:26.290 --> 10:32.110 Sebenarnya cukup banyak orang akan menyukainya dan akan bangga tinggal di properti dan terutama di kelas sosial 10:32.110 --> 10:36.970 ekonomi yang lebih tinggi mereka akan mereka pamerkan kepada teman-teman mereka atau hal-hal 10:37.000 --> 10:42.330 seperti itu dan karena itu properti yang berusia lebih dari 100 tahun dapat menjadi dianggap bersejarah. 10:42.330 --> 10:47.890 Dan karena itu neuron ini begitu melihat properti berusia lebih dari 100 tahun, neuron itu akan menyala dan berkontribusi 10:48.430 --> 10:49.360 pada harga keseluruhan. 10:49.360 --> 10:55.090 Dan sebaliknya jika itu di bawah 100 tahun maka itu tidak akan berhasil dan ini adalah contoh yang bagus untuk itu. 10:55.180 --> 10:57.580 Fungsi penyearah sedang diterapkan. 10:57.580 --> 11:04.630 Jadi di sini Anda punya seperti sangat seperti nol sampai titik tertentu dan katakanlah 100 tahun dan kemudian 11:04.630 --> 11:09.340 setelah 100 tahun semakin tua semakin tinggi nilainya semakin tinggi kontribusi neuron 11:09.340 --> 11:11.310 ini terhadap harga keseluruhan. 11:11.470 --> 11:18.910 Dan hanya ada contoh yang bagus dari contoh yang sangat sederhana dari fungsi penyearah ini dalam tindakan. 11:18.910 --> 11:19.720 Jadi begitulah. 11:19.750 --> 11:20.960 Itu bisa tahun ini. 11:21.100 --> 11:27.840 Dan apalagi jaringan saraf bisa mengambil hal-hal yang kita tidak akan menganggap diri kita 11:27.850 --> 11:28.530 benar. 11:28.570 --> 11:34.360 Misalnya kamar tidur dan jarak kota mungkin dalam kombinasi entah bagaimana berkontribusi pada 11:34.360 --> 11:38.710 harga mungkin tidak sekuat neuron lain dan berkontribusi tetapi masih 11:38.890 --> 11:43.510 berkontribusi atau mungkin mengurangi harga yang juga dapat menjadi kasus atau 11:43.510 --> 11:51.040 hal-hal lain seperti itu dan mungkin menambahkan sendiri mengambil semua untuk kombinasi keempat parameter ini dan karena Anda 11:51.040 --> 11:58.840 dapat melihat bahwa neuron ini seluruh situasi lapisan tersembunyi memungkinkan Anda untuk meningkatkan fleksibilitas jaringan saraf Anda dan memungkinkan 11:58.840 --> 12:05.890 Anda untuk benar-benar memungkinkan jaringan saraf untuk melihat untuk hal-hal yang sangat spesifik dan kemudian kombinasi dari 12:06.070 --> 12:08.260 situlah kekuatan itu berasal. 12:08.260 --> 12:12.570 Seperti contoh itu, jawaban yang saya inginkan dari iklan itu sendiri tidak dapat membuat sarang semut. 12:12.580 --> 12:17.920 Tetapi ketika Anda memiliki ribuan atau 100.000 iklan, mereka dapat membangun sarang semut bersama dan itulah situasinya 12:17.920 --> 12:18.600 di sini. 12:18.610 --> 12:20.990 Masing-masing neuron ini dengan sendirinya tidak dapat memprediksi harganya. 12:21.100 --> 12:27.910 Tetapi bersama-sama mereka memiliki kekuatan super dan mereka memprediksi harganya dan mereka dapat melakukan pekerjaan yang cukup 12:27.940 --> 12:30.300 akurat jika dilatih dengan benar. 12:30.730 --> 12:35.410 Dan itulah keseluruhan kursus ini tentang memahami cara memanfaatkannya. 12:35.410 --> 12:42.430 Kita mulai jadi itu adalah contoh langkah demi langkah dan langkah-langkah bagaimana sebenarnya jaringan saraf bekerja. 12:42.460 --> 12:45.590 Saya harap Anda menikmati tutorial hari ini dan saya tidak sabar untuk melihat Anda lain kali. 12:45.610 --> 12:47.350 Sampai kemudian menikmati belajar.