WEBVTT

00:00.560 --> 00:02.950
Arriva eccitante tutorial in anticipo.

00:02.950 --> 00:04.850
Bentornato al corso sull'apprendimento approfondito.

00:04.870 --> 00:08.090
Oggi parliamo di come funzionano le reti neurali.

00:08.110 --> 00:13.840
Ora abbiamo condotto un sacco di lavoro a terra di cui abbiamo parlato su come sono strutturate le reti neurali di

00:13.840 --> 00:16.420
quali elementi sono costituiti e anche le loro funzionalità.

00:16.660 --> 00:21.940
E oggi vedremo un vero esempio di come possa essere applicata una rete neurale insolita

00:21.940 --> 00:27.760
e lavoreremo passo dopo passo attraverso il processo della sua applicazione in modo da sapere cosa

00:27.760 --> 00:28.340
sta succedendo.

00:28.360 --> 00:30.690
Diamo un'occhiata a quale esempio di cui parleremo.

00:30.790 --> 00:37.180
Daremo un'occhiata alla valutazione di una proprietà, quindi esamineremo una rete neurale che contiene alcuni parametri della

00:37.180 --> 00:39.600
nostra proprietà e valori di valore.

00:39.640 --> 00:40.930
E la cosa qui.

00:40.960 --> 00:45.820
C'è un piccolo avvertimento per il tutorial di oggi e cioè non stiamo effettivamente andando a formare la rete.

00:45.820 --> 00:50.980
Quindi una parte molto importante nelle reti neurali è la loro formazione e lo

00:50.980 --> 00:53.430
vedremo nei prossimi tutorial in questa sezione.

00:53.440 --> 00:57.760
copriremo la formazione quando conosciamo già l'obiettivo finale a cui stiamo lavorando.

00:58.390 --> 01:04.870
Per ora ci concentreremo su applicazioni reali, lavoreremo con una rete neurale che fingeremo già addestrata

01:04.870 --> 01:09.370
e che ci consentirà di concentrarci sul lato delle applicazioni e

01:09.370 --> 01:11.750
non impantanarci l'aspetto dell'allenamento e quindi

01:11.800 --> 01:12.640
Suona bene.

01:12.640 --> 01:14.900
Va bene, saltiamoci dentro.

01:15.250 --> 01:19.090
Quindi diciamo che abbiamo alcuni parametri di input.

01:19.090 --> 01:24.670
piedi quadrati, abbiamo il numero di camere da letto che distanziano la città e Miles, la città

01:24.670 --> 01:29.950
di New York e l'età della proprietà e tutti e quattro comprenderanno i nostri input strato.

01:29.950 --> 01:33.590
Bene, diciamo che abbiamo parametri completi sulla proprietà che abbiamo in

01:33.670 --> 01:40.810
Ora, naturalmente, probabilmente sono molti più parametri che definiscono il prezzo di una proprietà, ma per semplicità

01:40.810 --> 01:43.000
guarderemo solo questo per ora.

01:43.010 --> 01:50.260
È una forma molto semplice che una rete neurale ha solo un input per imparare un livello di output, quindi nessun livello nascosto e il nostro livello

01:50.260 --> 01:52.300
di output è il prezzo che stiamo prevedendo.

01:52.300 --> 02:00.990
Quindi, in questa forma, ciò che farebbero queste variabili di input sarebbe che venissero appesantite dalle

02:01.030 --> 02:04.150
sinossi e quindi l'output sarebbe calcolato.

02:04.150 --> 02:06.190
Fondamentalmente il prezzo sarebbe calcolato e otterrebbe un prezzo.

02:06.190 --> 02:14.250
Ad esempio, il prezzo potrebbe essere calcolato come la somma ponderata di tutti gli input.

02:14.290 --> 02:17.720
E ancora qui puoi usare praticamente tutte le funzioni che potresti usare.

02:17.830 --> 02:25.330
Quello che stiamo usando ora potremmo usare una qualsiasi delle funzioni di attivazione che avevamo in precedenza potevi usare la

02:25.330 --> 02:26.020
regressione logistica.

02:26.050 --> 02:32.680
Potresti usare una funzione quadrata per fare praticamente tutto, ma il punto è che ottieni un

02:32.740 --> 02:33.570
certo risultato.

02:33.600 --> 02:40.980
cui è formalizzato è possibile ottenere molti degli algoritmi di apprendimento automatico che di cui abbiamo parlato prima e metterli

02:40.990 --> 02:46.390
in questa forma e questo tende a mostrare quanto siano potenti Noul le reti neurali.

02:46.390 --> 02:51.910
Inoltre, la maggior parte degli algoritmi di apprendimento automatico esistenti possono essere rappresentati in questa

02:51.910 --> 02:58.510
forma e questa è fondamentalmente una rappresentazione schematica di come si gestiscono le variabili o cambiando il modo

02:58.510 --> 02:58.900
in

02:58.960 --> 03:04.270
Anche senza i livelli nascosti siamo pronti dove abbiamo una rappresentazione che funziona per la maggior parte degli altri

03:04.270 --> 03:05.360
algoritmi di apprendimento automatico.

03:05.470 --> 03:13.210
Ma nelle reti neurali ciò che abbiamo è un vantaggio che ci dà molta flessibilità

03:13.600 --> 03:17.050
e potenza da cui proviene l'aumento dell'accuratezza.

03:17.050 --> 03:24.490
successo Alair che abbiamo aggiunto e ora capiremo come quella tana nascosta ci dà quel potere in più.

03:24.490 --> 03:30.100
E quel potere sono gli strati nascosti e lì andiamo che è il nostro

03:30.300 --> 03:35.830
E in effetti per fare questo passeremo attraverso un esempio, così come abbiamo concordato

03:35.830 --> 03:40.150
che questa rete neurale è stata veramente addestrata e ora stiamo

03:40.150 --> 03:48.370
per collegarci, immaginiamo che stessero collegando una proprietà e faremo passo dopo passo come la rete neuronale si occuperà delle variabili

03:48.370 --> 03:51.880
di input e calcolerà l'area Hindol e quindi calcolerà l'output.

03:51.880 --> 03:54.430
Quindi passiamo attraverso questo sarà eccitante.

03:54.430 --> 03:54.880
Tutto ok.

03:55.060 --> 04:00.950
tutte e quattro le variabili a sinistra e inizieremo con il Nurin on the Hindle in alto.

04:00.980 --> 04:01.420
Abbiamo

04:01.450 --> 04:08.290
Ora, come abbiamo visto in precedenza nella stampa, tutti i neuroni dello strato di input hanno il Cynapsus

04:08.290 --> 04:12.940
che lo collega a ciascuno di essi al neurone superiore nella tana nascosta.

04:13.480 --> 04:15.240
E quei sistemi hanno pesi.

04:15.250 --> 04:20.470
Ora concordiamo sul fatto che alcuni pesi avranno un valore diverso da zero, alcuni modi avranno valore

04:20.710 --> 04:28.390
zero perché in pratica non tutti gli input saranno validi o non tutti gli input saranno importanti per ogni singolo neurone, a volte gli input

04:28.390 --> 04:29.420
non saranno importanti.

04:29.420 --> 04:34.180
le camere da letto e l'età non sono come pensiamoci per un secondo perché come sarebbe il caso.

04:34.180 --> 04:38.770
Qui possiamo vedere due esempi che X-1 il prossimo tre l'area e la distanza dalla città e

04:38.770 --> 04:40.540
Miles sono importanti per quel neurone mentre

04:40.550 --> 04:47.350
Come perché un neurone dovrebbe essere collegato all'area e alla distanza che cosa significa ciò che potrebbe significare.

04:47.350 --> 04:53.410
Beh, questo potrebbe significare che normalmente più lontano si ottiene dalla città, il bene immobiliare più

04:53.410 --> 04:58.420
economico diventa e quindi lo spazio in piedi quadrati delle proprietà diventa più grande.

04:58.420 --> 05:02.380
Quindi per lo stesso prezzo si può ottenere una proprietà più grande più lontano si va dalla città che è normale

05:02.380 --> 05:02.640
giusto.

05:02.640 --> 05:08.930
che sta cercando proprietà dell'area che non sono così lontane dalla città ma hanno una vasta area.

05:08.950 --> 05:16.990
Ciò che ha senso e probabilmente ciò che questo neurone sta facendo è che sta guardando in modo specifico che è come

05:16.990 --> 05:17.630
un cecchino

05:17.630 --> 05:24.830
Quindi per la loro distanza dalla città hanno un'area del piede quadrata ingiusta.

05:24.850 --> 05:28.690
Esatto, qualcosa come altezza anomala è più alto della media, quindi

05:28.690 --> 05:35.290
sono abbastanza vicini alla città, ma sono ancora grandi rispetto agli altri alla stessa distanza e quindi il neurone

05:35.290 --> 05:40.450
di nuovo speculeremo qui, ma quel neurone potrebbe essere raccogliendo laser individuando quelle proprietà specifiche

05:40.450 --> 05:46.150
e si attiverà e quindi la funzione di attivazione che attiverà si accenderà solo quando saranno

05:46.150 --> 05:50.830
soddisfatti determinati criteri che conosci la distanza e l'area della giusta distanza dall'aria

05:50.830 --> 05:57.580
siriana dell'area della proprietà e si esegue su calcoli al suo interno e combina questi due e non appena

05:57.580 --> 06:01.990
alcune aree in cui si attiva e che contribuisce al prezzo in uscita.

06:02.260 --> 06:06.760
E quindi questo neurone non si preoccupa delle camere da letto e dell'età della proprietà perché si concentra

06:06.760 --> 06:07.730
su quella cosa specifica.

06:07.750 --> 06:12.640
Ecco da dove viene il potere della rete neurale perché hai molti di questi anni e vedrai

06:12.640 --> 06:14.390
proprio ora come funzionano gli altri.

06:14.650 --> 06:21.370
voglio essere d'accordo è che non disegniamo nemmeno queste linee per le sinossi che non sono al loro posto in modo che non ingombriamo la

06:22.090 --> 06:26.170
nostra immagine come l'unica ragione per cui non le disegneremo, quindi sbarazziamoci anche di quelli.

06:26.170 --> 06:27.290
Ma quello su cui

06:27.460 --> 06:33.940
E in questo modo sapremo esattamente bene, quindi questo neurone si concentra sull'area e sulla distanza dalla città.

06:33.940 --> 06:34.520
Tutto ok.

06:34.900 --> 06:35.980
Quindi come sempre siamo d'accordo su questo.

06:35.980 --> 06:36.830
Passiamo al prossimo.

06:36.850 --> 06:42.400
Prendiamoli uno nel mezzo qui abbiamo tre parametri che si alimentano in questo neurone, quindi

06:42.400 --> 06:46.010
abbiamo l'area delle camere da letto e l'età della proprietà.

06:46.030 --> 06:48.600
Quindi quale potrebbe essere la ragione qui.

06:48.600 --> 06:55.660
Proviamo ancora a capire l'intuizione e il pensiero di questo neurone come sta pensando questo

06:55.660 --> 06:56.110
neurone.

06:56.110 --> 06:57.770
Perché sta scegliendo questi due genitori.

06:57.780 --> 07:02.110
Quale potrebbe essere ciò che potrebbe avere un successo come trovato nei dati.

07:02.110 --> 07:06.580
Giusto quindi abbiamo già stabilito questo set di dati addestrato che la formazione è avvenuta

07:06.580 --> 07:11.590
molto tempo fa, forse un giorno fa o qualcuno è stato redatto perché ora stiamo solo applicando

07:11.590 --> 07:17.650
e sappiamo che questo neurone attraversa tutte le migliaia di esempi di proprietà ha scoperto che l'area più le camere da

07:17.650 --> 07:20.590
letto più la combinazione di età di quei parametri è importante.

07:20.590 --> 07:21.600
Perché potrebbe essere così.

07:21.610 --> 07:29.410
Beh, per esempio, forse in quella specifica città in quei sobborghi che questa rete neurale è stata

07:29.410 --> 07:38.860
addestrata forse ci sono molte famiglie con bambini che hanno due o più figli che cercano grandi proprietà con molte camere

07:40.000 --> 07:47.470
da letto ma che sono nuovi diritti che non sono vecchi, perché forse in quell'area è quasi

07:47.590 --> 07:52.910
appropriato o un po 'come le grandi proprietà sono di solito vecchie.

07:52.930 --> 07:59.860
lavoro per l'auto-popolazione più giovane, forse solo tu sai come i dati demografici della popolazione sono

07:59.860 --> 08:07.540
cambiati e ora le coppie più giovani o le famiglie più giovani cercano proprietà ma preferiscono nuove proprietà,

08:07.570 --> 08:15.520
quindi vogliono che l'età della proprietà sia più bassa e quindi dall'allenamento che ha subìto questa rete neurale.

08:15.520 --> 08:22.210
Ma ci sono molte famiglie moderne e forse c'è stato un cambiamento demografico sociale o forse

08:22.210 --> 08:27.370
c'è stata una crescita simile in termini di occupazione e posti di

08:27.370 --> 08:32.890
Sa che quando c'è una proprietà con una grande area e con un sacco di camere da letto con queste

08:32.890 --> 08:36.790
tre almeno tre camere da letto per i genitori per il primo del secondo

08:36.790 --> 08:45.190
figlio per almeno tre camere da letto forse una stanza per gli ospiti quando si possiede una zona alta e un sacco di camere da letto che è valutato che in

08:45.190 --> 08:48.270
quel mercato che è prezioso in modo che Meuron ha raccolto.

08:48.280 --> 08:49.390
Lo sa.

08:49.420 --> 08:51.490
OK, questo è quello che cercherò.

08:51.490 --> 08:56.620
Non mi interessa la distanza dalla città e da Miles dovunque sia, a patto che abbia un sacco di camere

08:56.620 --> 08:57.080
da letto.

08:57.110 --> 09:01.750
Non appena i criteri vengono soddisfatti, il neurone si accende e la combinazione di questi

09:01.750 --> 09:06.190
due parametri e questo è ancora una volta da dove viene la potenza della

09:06.190 --> 09:11.300
rete neurale perché unisce questi due parametri in un nuovo parametro in attributi nuovi di zecca.

09:11.470 --> 09:17.860
Questo aiuta con la valutazione che aiuta con la valutazione della proprietà.

09:17.860 --> 09:21.910
Li combina in un nuovo attributo e quindi è più preciso.

09:21.910 --> 09:24.160
Quindi eccoci, ecco come funziona.

09:24.250 --> 09:30.040
E guardiamo un altro guardiamo quello in basso, per esempio questo neurone potrebbe essere stato in grado di

09:30.040 --> 09:35.110
raccogliere solo una coppia e che avrebbe potuto prendere solo otto e non in nessuna delle

09:35.110 --> 09:35.540
altre.

09:35.540 --> 09:37.530
E come potrebbe essere il caso.

09:37.900 --> 09:45.760
Bene, questo è un classico esempio di quando l'età potrebbe significare come tutti sappiamo che le proprietà più vecchie di solito sono

09:45.760 --> 09:47.710
meno preziose perché sono consumate.

09:47.710 --> 09:50.740
Probabilmente l'edificio è vecchio probabilmente sai che le cose stanno andando a pezzi.

09:50.740 --> 09:55.460
È necessaria più manutenzione, quindi il prezzo diminuisce in termini di prezzo del bene immobile.

09:55.480 --> 09:58.880
Mentre un edificio nuovo di zecca sarebbe più costoso perché è nuovo di zecca.

09:59.200 --> 10:03.980
Forse se una proprietà ha più di una certa età potrebbe indicare che si tratta di una proprietà storica.

10:04.030 --> 10:11.240
Ad esempio, se una proprietà ha meno di 100 anni, allora più vecchia è meno preziosa.

10:11.380 --> 10:17.050
Ma non appena salta oltre 100 anni, all'improvviso diventa una proprietà storica perché questa è una

10:17.050 --> 10:20.840
proprietà in cui le persone hanno ancora centinaia di anni fa.

10:20.860 --> 10:26.240
Racconta una storia che ha tutta questa storia alle spalle e ad alcune persone piace che alcune persone apprezzino questo.

10:26.290 --> 10:32.110
e soprattutto nelle classi socioeconomiche più alte che avrebbero mostrato ai loro amici o cose del genere

10:32.110 --> 10:36.970
e quindi le proprietà che hanno più di 100 anni potrebbero essere considerato storico.

10:37.000 --> 10:42.330
In realtà un sacco di persone vorrebbero che e sarebbero orgogliosi di vivere in una proprietà

10:42.330 --> 10:47.890
E quindi questo neurone non appena vede una proprietà di oltre 100 anni si accenderà e contribuirà

10:48.430 --> 10:49.360
al prezzo complessivo.

10:49.360 --> 10:55.090
E altrimenti se ha meno di 100 anni allora non funzionerà e questo è un buon esempio di ciò.

10:55.180 --> 10:57.580
La funzione raddrizzatore applicata.

10:57.580 --> 11:04.630
Quindi qui hai uno zero molto simile fino a un certo punto e poi diciamo 100 anni e poi dopo 100

11:04.630 --> 11:09.340
anni più vecchio diventa il valore più alto e più alto il contributo di

11:09.340 --> 11:11.310
questo neurone al prezzo complessivo.

11:11.470 --> 11:18.910
E c'è solo un meraviglioso esempio di un esempio molto semplice di questa funzione di raddrizzatore in azione.

11:18.910 --> 11:19.720
Quindi eccoci.

11:19.750 --> 11:20.960
Potrebbe essere quest'anno.

11:21.100 --> 11:27.840
E inoltre la rete neurale avrebbe potuto raccogliere cose che non avremmo pensato giusto a

11:27.850 --> 11:28.530
noi stessi.

11:28.570 --> 11:34.360
che questi neuroni questa intera situazione nascosta ti permette di aumentare la flessibilità della tua rete

11:34.360 --> 11:38.710
neurale e ti permette davvero di vedere la rete neurale per cose

11:38.890 --> 11:43.510
molto specifiche e poi in combinazione è da dove viene il potere.

11:43.510 --> 11:51.040
Per esempio, le camere da letto più la distanza della città, magari combinate, in qualche modo contribuiscono al prezzo forse non

11:51.040 --> 11:58.840
così forte come gli altri neuroni e contribuisce, ma contribuisce comunque o forse toglie il prezzo che potrebbe anche essere il caso

11:58.840 --> 12:05.890
o altre cose del genere e magari aggiungi il tuo tutto preso per una combinazione di tutti e quattro di

12:06.070 --> 12:08.260
questi parametri e come puoi vedere

12:08.260 --> 12:12.570
È come quell'esempio la risposta che vorrei un annuncio da solo non può costruire un formicaio.

12:12.580 --> 12:17.920
Ma quando hai come mille o 100000 annunci possono costruire un formicaio insieme e questa è la

12:17.920 --> 12:18.600
situazione qui.

12:18.610 --> 12:20.990
Ognuno di questi neuroni da solo non può prevedere il prezzo.

12:21.100 --> 12:27.910
Ma insieme hanno superpoteri e predicono il prezzo e possono fare un lavoro

12:27.940 --> 12:30.300
abbastanza accurato se addestrati correttamente.

12:30.730 --> 12:35.410
Ed è questo che l'intero corso tratta di capire come utilizzarli.

12:35.410 --> 12:42.430
Andiamo così, questo è un esempio passo passo e una panoramica di come funzionano effettivamente le reti neurali.

12:42.460 --> 12:45.590
Spero ti sia piaciuto il tutorial di oggi e non vedo l'ora di vederti la prossima volta.

12:45.610 --> 12:47.350
Fino ad allora piace imparare.