WEBVTT 00:00.560 --> 00:02.950 Zapoznaj się z ekscytującym samouczkiem. 00:02.950 --> 00:04.850 Witamy ponownie w kursie głębokiego uczenia się. 00:04.870 --> 00:08.090 Dzisiaj mówimy o tym, jak działają sieci neuronowe. 00:08.110 --> 00:13.840 Teraz przeprowadziliśmy wiele prac naziemnych, o których mówiliśmy, jak sieci neuronowe są zbudowane, z jakich elementów 00:13.840 --> 00:16.420 składają się, a nawet z ich funkcjonalności. 00:16.660 --> 00:21.940 A dzisiaj zobaczymy i prawdziwy przykład tego, jak można zastosować nietypową sieć neuronową, 00:21.940 --> 00:27.760 a my będziemy pracować krok po kroku przez proces jej aplikacji, abyśmy wiedzieli, co się 00:27.760 --> 00:28.340 dzieje. 00:28.360 --> 00:30.690 Zobaczmy więc, o którym przykładzie będziemy mówić. 00:30.790 --> 00:37.180 Będziemy przyglądać się ocenie własności, więc przyjrzymy się sieci neuronowej, która przyjmuje pewne parametry 00:37.180 --> 00:39.600 naszej własności i wartości. 00:39.640 --> 00:40.930 I to tutaj. 00:40.960 --> 00:45.820 W dzisiejszym samouczku jest małe zastrzeżenie i nie zamierzamy szkolić sieci. 00:45.820 --> 00:50.980 Dlatego bardzo ważnym elementem w sieciach neuronowych jest ich szkolenie, a my zajmiemy się tym 00:50.980 --> 00:53.430 w następnych tutorialach w tej sekcji. 00:53.440 --> 00:57.760 Na razie skupimy się na rzeczywistych aplikacjach, będziemy pracować z siecią 00:58.390 --> 01:04.870 neuronową, którą będziemy udawać, jest już przeszkolona i która pozwoli nam skupić się na stronie aplikacji i 01:04.870 --> 01:09.370 nie ugrzęznąć w aspekt szkoleniowy, a następnie zakryjemy szkolenie, gdy już znamy 01:09.370 --> 01:11.750 docelowy cel, nad którym pracujemy. 01:11.800 --> 01:12.640 Brzmi dobrze. 01:12.640 --> 01:14.900 W porządku, wskoczmy prosto w to. 01:15.250 --> 01:19.090 Powiedzmy, że mamy pewne parametry wejściowe. 01:19.090 --> 01:24.670 Tak więc załóżmy, że mamy pełne parametry dotyczące posiadanej przez nas powierzchni w stopach kwadratowych, mamy 01:24.670 --> 01:29.950 liczbę sypialni oddalonych od miasta i Milesa w Nowym Jorku oraz wiek nieruchomości, a 01:29.950 --> 01:33.590 wszystkie te cztery będą zawierać nasze dane wejściowe warstwa. 01:33.670 --> 01:40.810 Oczywiście są prawdopodobnie bardziej parametrami, które definiują cenę nieruchomości, ale dla uproszczenia przyjrzymy się 01:40.810 --> 01:43.000 temu właśnie teraz. 01:43.010 --> 01:50.260 Jest to bardzo prosta forma, w której sieć neuronowa ma tylko dane wejściowe, uczące się warstwy wyjściowej, więc żadna ukryta warstwa i nasza warstwa 01:50.260 --> 01:52.300 wyjściowa nie jest ceną, którą przewidujemy. 01:52.300 --> 02:00.990 Tak więc w tej formie, co zrobiłyby te zmienne wejściowe, byłyby one po prostu ważone przez zwiastuny, 02:01.030 --> 02:04.150 a następnie obliczane byłyby dane wyjściowe. 02:04.150 --> 02:06.190 Zasadniczo cena zostanie obliczona i otrzyma cenę. 02:06.190 --> 02:14.250 I na przykład cenę można obliczyć tak prosto, jak sumę ważoną wszystkich danych wejściowych. 02:14.290 --> 02:17.720 I znowu tutaj możesz użyć praktycznie dowolnej funkcji, z której możesz skorzystać. 02:17.830 --> 02:25.330 Korzystamy teraz z jednej z funkcji aktywacyjnych, które poprzednio mogliśmy wykorzystać do regresji 02:25.330 --> 02:26.020 logistycznej. 02:26.050 --> 02:32.680 Możesz użyć funkcji kwadratowej, którą możesz zrobić prawie wszystko, ale chodzi o to, że otrzymujesz określony 02:32.740 --> 02:33.570 wynik. 02:33.600 --> 02:40.980 Co więcej, większość istniejących algorytmów uczenia maszynowego może być reprezentowana w tej formie i jest to schematycznie przedstawienie 02:40.990 --> 02:46.390 tego, jak radzisz sobie ze zmiennymi lub zmieniając sposób, w jaki 02:46.390 --> 02:51.910 jest sformalizowany, możesz osiągnąć całkiem sporo algorytmów uczenia maszynowego, mówiliśmy o tym wcześniej 02:51.910 --> 02:58.900 i umieściliśmy je w tej formie, a to po prostu pokazuje jak potężne są sieci neuronowe Noul. 02:58.960 --> 03:04.270 Nawet bez ukrytych warstw jesteśmy gotowi tam, gdzie mamy reprezentację, która działa dla większości innych 03:04.270 --> 03:05.360 algorytmów uczenia maszynowego. 03:05.470 --> 03:13.210 Ale w sieciach neuronowych to, co mamy, jest zaletą, która daje nam dużą elastyczność i 03:13.600 --> 03:17.050 moc, z której wynika wzrost dokładności. 03:17.050 --> 03:24.490 I ta moc to ukryte warstwy, a my tam, to nasz hit Alaira, do którego dodaliśmy 03:24.490 --> 03:30.100 i teraz zrozumiemy, że to ukryte legowisko daje nam tę dodatkową moc. 03:30.300 --> 03:35.830 W rzeczywistości, aby to zrobić, przejdziemy przez przykład, tak jak zgodziliśmy się, że sieć 03:35.830 --> 03:40.150 neuronowa została naprawdę przeszkolona, a teraz po prostu podłączymy się 03:40.150 --> 03:48.370 do niej, wyobrażamy sobie, że podłączali się do nieruchomości i przejdziemy krok po kroku, jak sieć neuronowa zajmie się zmiennymi wejściowymi 03:48.370 --> 03:51.880 i obliczy obszar Hindola, a następnie obliczy wynik. 03:51.880 --> 03:54.430 Przejdźmy przez to, to będzie ekscytujące. 03:54.430 --> 03:54.880 W porządku. 03:55.060 --> 04:00.950 Po lewej stronie mamy wszystkie cztery zmienne, a my zaczniemy od pierwszego Nurina na 04:00.980 --> 04:01.420 Hindowie. 04:01.450 --> 04:08.290 Teraz, jak wcześniej widzieliśmy w literaturze prasowej wszystkie neurony z warstwy wejściowej, mają Cynapsus łączący go 04:08.290 --> 04:12.940 z każdym z nich z górnym neuronem w ukrytej kryjówce. 04:13.480 --> 04:15.240 A te systemy mają ciężary. 04:15.250 --> 04:20.470 Teraz zgódźmy się, że niektóre wagi będą miały niezerową wartość, niektóre sposoby będą miały zerową 04:20.710 --> 04:28.390 wartość, ponieważ zasadniczo nie wszystkie dane wejściowe będą ważne lub nie wszystkie dane wejściowe będą ważne dla każdego neuronu, czasami dane wejściowe nie 04:28.390 --> 04:29.420 będą ważne. 04:29.420 --> 04:34.180 Tutaj widzimy dwa przykłady, że X-1 kolejne trzy obszar i odległość do miasta i Mile są 04:34.180 --> 04:38.770 ważne dla tego neuronu, podczas gdy sypialnie i wiek nie są podobne, pomyślmy o tym przez 04:38.770 --> 04:40.540 chwilę, dlaczego tak by było. 04:40.550 --> 04:47.350 Na przykład, dlaczego neuron byłby powiązany z obszarem i odległością, co robi to, co mogłoby to oznaczać. 04:47.350 --> 04:53.410 Cóż, może to oznaczać, że zazwyczaj im dalej od miasta, tym taniej staje się nieruchomość, 04:53.410 --> 04:58.420 a tym samym przestrzeń w kwadratowych stopach nieruchomości staje się większa. 04:58.420 --> 05:02.640 Za tę samą cenę można uzyskać większą nieruchomość, im dalej od miasta jest normalne prawo. 05:02.640 --> 05:08.930 To ma sens i prawdopodobnie to, co robi ten neuron, wygląda tak, jakby 05:08.950 --> 05:16.990 wyglądało to jak snajper, który szuka właściwości obszaru, które nie są tak daleko od miasta, ale mają duży 05:16.990 --> 05:17.630 obszar. 05:17.630 --> 05:24.830 Więc z powodu odległości od miasta mają niesprawiedliwy kwadratowy obszar stopy. 05:24.850 --> 05:28.690 Prawo, więc coś, co ma nietypową wysokość, jest wyższe 05:28.690 --> 05:35.290 od średniej, więc są dość blisko miasta, ale wciąż są duże, w przeciwieństwie do innych w tej samej 05:35.290 --> 05:40.450 odległości, więc neuron ponownie spekulujemy tutaj, ale neuron może być podniesienie lasera, który wybierze 05:40.450 --> 05:46.150 te specyficzne właściwości i zostanie aktywowany, a więc aktywuje się funkcja aktywacji, zostanie uruchomiona tylko wtedy, 05:46.150 --> 05:50.830 gdy spełnione zostaną określone kryteria, które znasz odległość i obszar właściwej odległości 05:50.830 --> 05:57.580 od syryjskiego powietrza w okolicy nieruchomości i wykonuje obliczenia wewnątrz siebie i łączy te dwa i tak szybko, jak 05:57.580 --> 06:01.990 pewne obszary, w których wystrzeliwuje i przyczynia się do ceny na wyjściu. 06:02.260 --> 06:06.760 I dlatego ten neuron tak naprawdę nie dba o sypialnie i wiek nieruchomości, ponieważ koncentruje się na 06:06.760 --> 06:07.730 tej konkretnej rzeczy. 06:07.750 --> 06:12.640 Stąd bierze się siła sieci neuronowej, ponieważ masz wiele z tych lat i zobaczycie 06:12.640 --> 06:14.390 teraz, jak działają inne. 06:14.650 --> 06:21.370 Ale to, co chcę tutaj zgodzić, to to, że nie narysujmy jeszcze tych linii dla synoptów, które nie są na miejscu, aby nie zagracać 06:22.090 --> 06:26.170 naszego obrazu jako jedynego powodu, dla którego nie zamierzamy ich narysować, więc po prostu pozbyć 06:26.170 --> 06:27.290 się również tych. 06:27.460 --> 06:33.940 W ten sposób będziemy dokładnie wiedzieć, że ten neuron koncentruje się na obszarze i odległości od miasta. 06:33.940 --> 06:34.520 W porządku. 06:34.900 --> 06:35.980 Jak zwykle się z tym zgadzamy. 06:35.980 --> 06:36.830 Przejdźmy do następnego. 06:36.850 --> 06:42.400 Weźmy jeden w środku, bo mamy trzy parametry zasilające ten neuron, więc 06:42.400 --> 06:46.010 mamy obszar w sypialniach i wieku nieruchomości. 06:46.030 --> 06:48.600 Więc jaki może być tego powód? 06:48.600 --> 06:56.110 Ponownie spróbujmy zrozumieć intuicję i myślenie tego neuronu, jak ten neuron myśli. 06:56.110 --> 06:57.770 Dlaczego wybiera tych dwoje rodziców. 06:57.780 --> 07:02.110 Jakie może być to, co mogłoby trafić tak, jak w danych? 07:02.110 --> 07:06.580 Tak więc już ustaliliśmy ten wyszkolony zestaw danych trening odbył się dawno 07:06.580 --> 07:11.590 temu, może tak jak dzień temu lub ktoś jest napisany, ponieważ właśnie teraz 07:11.590 --> 07:17.650 stosujemy i wiemy, że ten neuron przez wszystkie tysiące przykłady właściwości wykazały, że obszar plus sypialnie 07:17.650 --> 07:20.590 i kombinacja wiekowa tych parametrów jest ważna. 07:20.590 --> 07:21.600 Dlaczego tak może być. 07:21.610 --> 07:29.410 Może na przykład w tym konkretnym mieście na przedmieściach, gdzie ta sieć neuronowa została przeszkolona, być 07:29.410 --> 07:38.860 może jest wiele rodzin z dziećmi, które mają dwoje lub więcej dzieci, które szukają dużych nieruchomości z dużą ilością sypialni, 07:40.000 --> 07:47.470 ale które są nowymi prawami, które nie są stare właściwe, ponieważ może to w tym 07:47.590 --> 07:52.910 obszarze prawie odpowiednie lub rodzaj dużych nieruchomości są zwykle stare. 07:52.930 --> 07:59.860 Ale jest wiele współczesnych rodzin i być może nastąpiła społeczna zmiana demograficzna i lub 07:59.860 --> 08:07.540 może było trochę jak wzrost pod względem zatrudnienia i miejsc pracy dla młodszej jaźni ludności może 08:07.570 --> 08:15.520 po prostu wiesz, że demografia populacji zmieniła się i teraz młodsze pary lub młodsze rodziny szukają 08:15.520 --> 08:22.210 nieruchomości, ale wolą nowe właściwości, więc chcą, aby wiek nieruchomości był niższy, a 08:22.210 --> 08:27.370 tym samym od szkolenia, które ta sieć neuronowa przeszła. 08:27.370 --> 08:32.890 Wie, że gdy jest nieruchomość o dużej powierzchni i dużej sypialni z tymi trzema co 08:32.890 --> 08:36.790 najmniej trzema sypialniami dla rodziców dla pierwszego z drugiego dziecka 08:36.790 --> 08:45.190 dla co najmniej trzech sypialni może to pokój gościnny, gdy masz nieruchomość z dużą powierzchnią i mnóstwem sypialni cenionych na tym rynku, które 08:45.190 --> 08:48.270 są cenne, tak że Meuron to wybrał. 08:48.280 --> 08:49.390 Ona to wie. 08:49.420 --> 08:51.490 OK, więc tego właśnie będę szukał. 08:51.490 --> 08:56.620 Nie dbam o odległość do miasta i Milesa, gdziekolwiek jest, o ile ma dużą powierzchnię 08:56.620 --> 08:57.080 pokoi. 08:57.110 --> 09:01.750 Gdy tylko spełnione zostaną te kryteria, neuron zostaje uruchomiony i połączenie tych dwóch 09:01.750 --> 09:06.190 parametrów, a to znowu jest to, skąd bierze się siła sieci 09:06.190 --> 09:11.300 neuronowej, ponieważ łączy te dwa parametry w zupełnie nowy parametr w zupełnie nowe atrybuty. 09:11.470 --> 09:17.860 Pomaga to w ocenie, która pomaga w wycenie nieruchomości. 09:17.860 --> 09:21.910 Łączy je w nowy atrybut i dlatego jest bardziej precyzyjny. 09:21.910 --> 09:24.160 Więc tak to działa. 09:24.250 --> 09:30.040 I spójrzmy na inny, spójrzmy na bardzo dolny, na przykład ten neuron mógłby być w stanie odebrać 09:30.040 --> 09:35.110 tylko jedną parę i że mógł on po prostu odebrać osiem, a nie w 09:35.110 --> 09:35.540 innych. 09:35.540 --> 09:37.530 Jak to możliwe. 09:37.900 --> 09:45.760 Cóż, jest to klasyczny przykład tego, kiedy wiek może oznaczać, jak wszyscy wiemy, że starsze właściwości zazwyczaj są mniej 09:45.760 --> 09:47.710 wartościowe, ponieważ są zużyte. 09:47.710 --> 09:50.740 Prawdopodobnie budynek jest stary, pewnie wiesz, że wszystko się rozpada. 09:50.740 --> 09:55.460 Konieczna jest większa konserwacja, aby cena spadła pod względem ceny nieruchomości. 09:55.480 --> 09:58.880 Podczas gdy nowy budynek byłby droższy, ponieważ jest zupełnie nowy. 09:59.200 --> 10:03.980 Być może, jeśli nieruchomość jest w określonym wieku, może to wskazywać na to, że jest to nieruchomość historyczna. 10:04.030 --> 10:11.240 Na przykład, jeśli nieruchomość ma mniej niż 100 lat, to im jest ona starsza, tym jest mniej wartościowa. 10:11.380 --> 10:17.050 Ale gdy tylko skacze ponad 100 lat, nagle staje się historyczną własnością, ponieważ jest 10:17.050 --> 10:20.840 to własność, w której ludzie wciąż mają setki lat. 10:20.860 --> 10:26.240 Opowiada historię, że kryje się za tym cała historia, a niektórzy ludzie tak ją cenią. 10:26.290 --> 10:32.110 W rzeczywistości spodobałoby się wielu ludziom i byliby dumni z tego, że mogą mieszkać w nieruchomości, a 10:32.110 --> 10:36.970 szczególnie w wyższych klasach społeczno-ekonomicznych, w których mogliby pochwalić się swoim znajomym lub 10:37.000 --> 10:42.330 podobnymi rzeczami, a zatem nieruchomości, które mają ponad 100 lat, mogą być uważany za historyczny. 10:42.330 --> 10:47.890 I dlatego ten neuron, gdy tylko zobaczy nieruchomość ponad 100 lat, odpali i przyczyni się do 10:48.430 --> 10:49.360 ogólnej ceny. 10:49.360 --> 10:55.090 W przeciwnym razie, jeśli ma mniej niż 100 lat, to nie zadziała i jest to dobry przykład. 10:55.180 --> 10:57.580 Zastosowana funkcja prostownika. 10:57.580 --> 11:04.630 A więc masz tu bardzo podobne do zera do pewnego momentu, a potem powiedzmy, że ma 100 lat, a 11:04.630 --> 11:09.340 potem, po 100 latach, im jest starsza, tym wyższa wartość, tym większy wkład 11:09.340 --> 11:11.310 tego neuronu do ogólnej ceny. 11:11.470 --> 11:18.910 I jest tylko wspaniały przykład bardzo prostego przykładu tej funkcji prostownika w akcji. 11:18.910 --> 11:19.720 Więc idziemy. 11:19.750 --> 11:20.960 To może być w tym roku. 11:21.100 --> 11:27.840 Co więcej, sieć neuronowa mogłaby wykryć rzeczy, które nie uznalibyśmy za 11:27.850 --> 11:28.530 słuszne. 11:28.570 --> 11:34.360 Na przykład sypialnie plus odległość miasto może to w połączeniu jakoś przyczynia się 11:34.360 --> 11:38.710 do ceny może nie tak silne, jak inne neurony i 11:38.890 --> 11:43.510 przyczynia się, ale nadal przyczynia się, a może to umniejsza ceną, 11:43.510 --> 11:51.040 która może być również w przypadku, lub innych rzeczy takich jak i może dodawać własne zebrane wszystkie dla 11:51.040 --> 11:58.840 kombinacji wszystkich czterech tych parametrów i jak widać, te neurony, cała ta sytuacja ukrytej warstwy pozwala na zwiększenie elastyczności 11:58.840 --> 12:05.890 sieci neuronowej i pozwala naprawdę pozwolić sieci neuronowej wyglądać dla bardzo konkretnych rzeczy, a następnie w połączeniu, 12:06.070 --> 12:08.260 skąd bierze się moc. 12:08.260 --> 12:12.570 To jest taki przykład, że odpowiedź, jaką chciałbym zamieścić w reklamie, nie może zbudować mrowiska. 12:12.580 --> 12:17.920 Ale kiedy masz tysiąc lub 100 000 reklam, mogą zbudować mrowisko razem i to jest właśnie 12:17.920 --> 12:18.600 tutaj. 12:18.610 --> 12:20.990 Każdy z tych neuronów sam w sobie nie jest w stanie przewidzieć ceny. 12:21.100 --> 12:27.910 Ale razem mają super moce i przewidują cenę i mogą wykonać dość dokładną pracę, jeśli 12:27.940 --> 12:30.300 odpowiednio przeszkoleni są prawidłowo skonfigurowani. 12:30.730 --> 12:35.410 I o tym cały ten Kurs polega na zrozumieniu, jak je wykorzystać. 12:35.410 --> 12:42.430 Idziemy tak, że jest to przykład "krok po kroku" i poradnik jak faktycznie działają sieci neuronowe. 12:42.460 --> 12:45.590 Mam nadzieję, że podobał Ci się dzisiejszy samouczek i nie mogę się doczekać, aby zobaczyć cię następnym razem. 12:45.610 --> 12:47.350 Do tego czasu cieszcie się nauką.