WEBVTT

00:00.560 --> 00:02.950
Chegue um tutorial emocionante à frente.

00:02.950 --> 00:04.850
Bem-vindo de volta ao curso sobre aprendizagem profunda.

00:04.870 --> 00:08.090
Hoje estamos falando sobre como funcionam as redes neurais.

00:08.110 --> 00:13.840
Agora, lideramos um grande trabalho sobre o terreno em que falamos sobre como as redes neurais estão estruturadas em

00:13.840 --> 00:16.420
que elementos consistem e até mesmo suas funcionalidades.

00:16.660 --> 00:21.940
E hoje vamos analisar e um exemplo real de como a rede neural incomum pode ser aplicada e,

00:21.940 --> 00:27.760
na verdade, vamos trabalhar passo a passo através do processo de sua aplicação para que possamos saber o que

00:27.760 --> 00:28.340
está acontecendo.

00:28.360 --> 00:30.690
Então, vamos dar uma olhada no exemplo sobre o qual vamos falar.

00:30.790 --> 00:37.180
Vamos analisar uma avaliação de propriedades para que vejamos uma rede neural que adote alguns parâmetros de

00:37.180 --> 00:39.600
nossos valores de propriedade e valor.

00:39.640 --> 00:40.930
E o assunto aqui.

00:40.960 --> 00:45.820
Há uma pequena ressalva para o tutorial de hoje e, na verdade, não vamos treinar a rede.

00:45.820 --> 00:50.980
Portanto, uma parte muito importante nas redes neurais é capacitá-las e vamos analisar

00:50.980 --> 00:53.430
isso nos próximos tutoriais nesta seção.

00:53.440 --> 00:57.760
cobrir o treinamento quando já conhecemos o objetivo final para o qual estamos trabalhando.

00:58.390 --> 01:04.870
Por enquanto, vamos nos concentrar em aplicações reais, vamos trabalhar com uma rede neural que vamos fingir que já está

01:04.870 --> 01:09.370
treinada e que nos permitirá focar o lado da aplicação e não ficar atolado

01:09.370 --> 01:11.750
O aspecto de treino e então vamos

01:11.800 --> 01:12.640
Parece bom.

01:12.640 --> 01:14.900
Tudo bem, vamos pular diretamente nisso.

01:15.250 --> 01:19.090
Então, digamos que temos alguns parâmetros de entrada.

01:19.090 --> 01:24.670
área em metros quadrados, temos o número de quartos que distanciam a cidade e Milhas da Cidade

01:24.670 --> 01:29.950
de Nova York e a idade da propriedade e todos esses quatro vão incluir nossos insumos camada.

01:29.950 --> 01:33.590
Certamente, digamos que temos parâmetros completos sobre a propriedade que temos

01:33.670 --> 01:40.810
Agora é claro que eles provavelmente são mais parâmetros que definem o preço de uma propriedade, mas por motivos de

01:40.810 --> 01:43.000
simplicidade, vamos ver isso por enquanto.

01:43.010 --> 01:50.260
É uma forma muito básica que uma rede neural possui apenas uma entrada para aprender uma camada de saída, portanto, nenhuma camada escondida e nossa camada de

01:50.260 --> 01:52.300
saída é o preço que estamos prevendo.

01:52.300 --> 02:00.990
Então, nesta forma, o que essas variáveis ​​de insumos fariam é que elas seriam apenas ponderadas pelas sinopses

02:01.030 --> 02:04.150
e então a saída seria calculada.

02:04.150 --> 02:06.190
Basicamente, o preço seria calculado e obteria um preço.

02:06.190 --> 02:14.250
E, por exemplo, o preço pode ser calculado tão simples quanto a soma ponderada de todas as entradas.

02:14.290 --> 02:17.720
E novamente aqui você poderia usar praticamente qualquer função que você poderia usar.

02:17.830 --> 02:25.330
O que estamos usando agora podemos usar qualquer uma das funções de ativação que tivemos anteriormente, você poderia usar a

02:25.330 --> 02:26.020
regressão logística.

02:26.050 --> 02:32.680
Você pode usar uma função quadrada que você pode fazer praticamente qualquer coisa aqui, mas o ponto é que você obtém

02:32.740 --> 02:33.570
um determinado resultado.

02:33.600 --> 02:40.980
a forma como é formalizado você pode realizar muitos algoritmos de aprendizagem de máquina que Já falamos sobre isso e

02:40.990 --> 02:46.390
colocá-los nesta forma e isso apenas mostra o quão poderosas são as redes neuronais.

02:46.390 --> 02:51.910
E, além disso, a maioria dos algoritmos de aprendizagem de máquina que existem pode ser

02:51.910 --> 02:58.510
representada nesta forma e esta é basicamente uma representação diagramática de como você lida com as variáveis ​​ou

02:58.510 --> 02:58.900
alterando

02:58.960 --> 03:04.270
Mesmo sem as camadas escondidas, estamos prontos onde temos uma representação que funciona para a maioria dos outros algoritmos

03:04.270 --> 03:05.360
de aprendizagem de máquinas.

03:05.470 --> 03:13.210
Mas, nas redes neurais, o que fazemos é uma vantagem que nos proporciona muita flexibilidade e poder, de

03:13.600 --> 03:17.050
onde é que esse aumento de precisão vem.

03:17.050 --> 03:24.490
Alair, nós o adicionamos e agora vamos entender como esse covil escondido nos dá esse poder extra.

03:24.490 --> 03:30.100
E esse poder é as camadas escondidas e aí vamos o nosso sucesso,

03:30.300 --> 03:35.830
E, na verdade, para fazer isso, vamos seguir um exemplo, de modo que concordamos que esta

03:35.830 --> 03:40.150
rede neural realmente foi treinada e agora vamos nos conectar, vamos imaginar que

03:40.150 --> 03:48.370
estavam conectando uma propriedade e Nós iremos caminhar passo a passo através de como a rede neural irá lidar com as variáveis ​​de entrada

03:48.370 --> 03:51.880
e calcular a área Hindol e depois calcular a saída.

03:51.880 --> 03:54.430
Então, vamos passar por isso vai ser emocionante.

03:54.430 --> 03:54.880
Tudo bem.

03:55.060 --> 04:00.950
temos as quatro variáveis ​​à esquerda e vamos começar primeiro com o Nurin superior no Hindle.

04:00.980 --> 04:01.420
Nós

04:01.450 --> 04:08.290
Agora, como vimos nos literais de imprensa todos os neurônios da camada de entrada eles têm Cynapsus

04:08.290 --> 04:12.940
conectando-o a cada um deles no neurônio superior na cova escondida.

04:13.480 --> 04:15.240
E esses sistemas têm pesos.

04:15.250 --> 04:20.470
Agora, vamos concordar que alguns pesos terão um valor diferente de zero, algumas maneiras terão valor

04:20.710 --> 04:28.390
zero porque, basicamente, nem todas as entradas serão válidas ou não todas as entradas serão importantes para cada neurônio, por vezes, as entradas

04:28.390 --> 04:29.420
não serão importantes.

04:29.420 --> 04:34.180
os quartos e a idade não são como pensar nisso por um segundo porque, como seria esse o caso.

04:34.180 --> 04:38.770
Aqui podemos ver dois exemplos que X-1 próximos três da área e a distância para a cidade e

04:38.770 --> 04:40.540
Miles são importantes para esse neurônio, enquanto

04:40.550 --> 04:47.350
Como por que um neurônio seria ligado à área e à distância o que faz o que isso poderia significar?

04:47.350 --> 04:53.410
Bem, isso poderia significar que, normalmente, quanto mais longe você recebe da cidade, o imóvel mais

04:53.410 --> 04:58.420
barato se torna e, portanto, o espaço em metros quadrados de propriedades torna-se maior.

04:58.420 --> 05:02.380
Então, pelo mesmo preço, você pode obter uma propriedade maior, mais longe você vai da cidade, o que é

05:02.380 --> 05:02.640
normal.

05:02.640 --> 05:08.930
por propriedades da área que têm que não estão tão longe da cidade, mas têm uma área grande.

05:08.950 --> 05:16.990
Que isso faz sentido e provavelmente o que este neurônio está fazendo é que ele está olhando especificamente é como um atirador que

05:16.990 --> 05:17.630
está procurando

05:17.630 --> 05:24.830
Então, para a distância da cidade, eles têm uma área de pé quadrada injusta.

05:24.850 --> 05:28.690
Certo, então, algo como altura anormal é maior do que a média,

05:28.690 --> 05:35.290
então eles são bastante próximos da cidade, mas eles ainda são grandes em oposição aos outros à mesma distância e para

05:35.290 --> 05:40.450
que o neurônio novamente nós estamos especulando aqui, mas esse neurônio pode ser escolhendo o laser

05:40.450 --> 05:46.150
escolhendo essas propriedades específicas e ativará e, portanto, a função de ativação que irá ativar será ativada somente

05:46.150 --> 05:50.830
quando o certo critério for cumprido, você conhece a distância e a área da distância

05:50.830 --> 05:57.580
apropriada para o ar sírio da área da propriedade e executa em cálculos dentro de si e combina esses dois e

05:57.580 --> 06:01.990
assim que certas áreas onde ele dispara e contribui para o preço na saída.

06:02.260 --> 06:06.760
E, portanto, este neurônio realmente não se importa com os quartos e a idade da propriedade, porque está

06:06.760 --> 06:07.730
focado nessa coisa específica.

06:07.750 --> 06:12.640
É aí que o poder da rede neural vem porque você tem muitos desses anos e

06:12.640 --> 06:14.390
verá agora como os outros funcionam.

06:14.650 --> 06:21.370
quero concordar aqui é que nem vamos desenhar essas linhas para as sinopses que não estão em vigor para que não desordenemos a nossa imagem

06:22.090 --> 06:26.170
como a única razão pela qual não vamos desenhá-las, então vamos nos livrar daquelas também.

06:26.170 --> 06:27.290
Mas o que eu

06:27.460 --> 06:33.940
E assim saberemos exatamente para que esse neurônio esteja focado na área e na distância da cidade.

06:33.940 --> 06:34.520
Tudo bem.

06:34.900 --> 06:35.980
Então, como sempre, concordamos com isso.

06:35.980 --> 06:36.830
Vamos passar para o próximo.

06:36.850 --> 06:42.400
Vamos levá-los um no meio aqui, temos três parâmetros alimentando este neurônio, então nós temos

06:42.400 --> 06:46.010
a área dos quartos e a idade da propriedade.

06:46.030 --> 06:48.600
Então, qual poderia ser o motivo aqui.

06:48.600 --> 06:55.660
Vamos novamente, vamos tentar entender a intuição e o pensamento desse neurônio como esse neurônio está

06:55.660 --> 06:56.110
pensando.

06:56.110 --> 06:57.770
Por que ele está escolhendo esses dois pais.

06:57.780 --> 07:02.110
O que poderia ser o que poderia ter um sucesso encontrado nos dados.

07:02.110 --> 07:06.580
Certo, então nós já estabelecemos esse conjunto de dados treinados, o treinamento aconteceu há muito

07:06.580 --> 07:11.590
tempo, talvez, como um dia atrás, ou alguém está escrito, como é agora, estamos apenas aplicando e

07:11.590 --> 07:17.650
sabemos que esse neurônio através de todos os milhares de exemplos de propriedades descobriu que a área mais os quartos

07:17.650 --> 07:20.590
mais a combinação de idade desses parâmetros é importante.

07:20.590 --> 07:21.600
Por que poderia ser esse o caso.

07:21.610 --> 07:29.410
Bem, por exemplo, talvez naquela cidade específica naqueles subúrbios que esta rede neural tenha treinado,

07:29.410 --> 07:38.860
talvez haja muitas famílias com crianças que têm duas ou mais crianças que procuram propriedades grandes com muitos

07:40.000 --> 07:47.470
quartos, mas que são novos direitos que não são antigos, porque talvez seja nessa

07:47.590 --> 07:52.910
área quase apropriada ou tipo de propriedades grandes geralmente são antigas.

07:52.930 --> 07:59.860
e emprego para a população de autodões mais jovens, talvez você apenas conheça a demografia da

07:59.860 --> 08:07.540
população mudou e agora casais mais jovens ou famílias mais novas estão buscando propriedades, mas eles preferem novas

08:07.570 --> 08:15.520
propriedades para que a idade da propriedade seja menor e, portanto, do treinamento que essa rede neural sofreu.

08:15.520 --> 08:22.210
Mas há muitas famílias modernas e talvez tenha havido uma mudança demográfica social e, ou

08:22.210 --> 08:27.370
talvez tenha havido muita coisa como um crescimento em termos de emprego

08:27.370 --> 08:32.890
Sabe que, quando há uma propriedade com uma área grande e com muito quarto com estes três,

08:32.890 --> 08:36.790
pelo menos, três quartos para os pais para o primeiro do segundo

08:36.790 --> 08:45.190
filho para pelo menos três quartos, talvez um quarto de hóspedes quando você possui com área alta e lotes de quartos que é valorizado que nesse

08:45.190 --> 08:48.270
mercado é valioso para que Meuron tenha escolhido isso.

08:48.280 --> 08:49.390
Sabe disso.

08:49.420 --> 08:51.490
Ok, então é isso que eu vou procurar.

08:51.490 --> 08:56.620
Eu não me importo com a distância com a cidade e Miles, onde quer que seja, desde que tenha uma grande área

08:56.620 --> 08:57.080
de quartos.

08:57.110 --> 09:01.750
Assim que esse critério for cumprido, o neurônio dispara e a combinação desses

09:01.750 --> 09:06.190
dois parâmetros e isso é novamente, é a origem do poder da

09:06.190 --> 09:11.300
rede neural porque combina estes dois parâmetros em um novo parâmetro em novos atributos.

09:11.470 --> 09:17.860
Isso ajuda com a avaliação que ajuda na avaliação da propriedade.

09:17.860 --> 09:21.910
Ele os combina em um novo atributo e, portanto, é mais preciso.

09:21.910 --> 09:24.160
Então, vamos lá, é assim que funciona.

09:24.250 --> 09:30.040
E vamos ver outro, vejamos a parte inferior, por exemplo, esse neurônio poderia ser capaz de ter

09:30.040 --> 09:35.110
pegado apenas um par e que poderia ter recebido oito e não em nenhum dos

09:35.110 --> 09:35.540
outros.

09:35.540 --> 09:37.530
E como poderia ser esse o caso.

09:37.900 --> 09:45.760
Bem, este é um exemplo clássico de quando a idade poderia significar como, como todos sabemos, as propriedades antigas geralmente são

09:45.760 --> 09:47.710
menos valiosas porque está desgastada.

09:47.710 --> 09:50.740
Provavelmente o prédio é velho, provavelmente você sabe que as coisas estão caindo aos pedaços.

09:50.740 --> 09:55.460
É necessária mais manutenção para que o preço caia em termos do preço do imóvel.

09:55.480 --> 09:58.880
Enquanto um novo edifício, seria mais caro porque é novo.

09:59.200 --> 10:03.980
Talvez se uma propriedade for superior a uma certa idade que possa indicar que é uma propriedade histórica.

10:04.030 --> 10:11.240
Por exemplo, se uma propriedade tem menos de 100 anos de idade, quanto mais velho é menos valioso.

10:11.380 --> 10:17.050
Mas assim que ele pula mais de 100 anos, de repente, torna-se uma propriedade histórica, porque esta

10:17.050 --> 10:20.840
é uma propriedade onde as pessoas ainda têm centenas de anos atrás.

10:20.860 --> 10:26.240
Ele conta uma história que tem toda essa história por trás disso e algumas pessoas gostam que algumas pessoas valorizem isso.

10:26.290 --> 10:32.110
especialmente nas classes socioeconômicas mais elevadas que eles iriam mostrar a seus amigos ou coisas assim

10:32.110 --> 10:36.970
e, portanto, propriedades com mais de 100 anos de idade poderiam ser considerado histórico.

10:37.000 --> 10:42.330
Na verdade, muitas pessoas gostariam disso e ficariam orgulhosas de viver em uma propriedade e

10:42.330 --> 10:47.890
E, portanto, este neurônio assim que vê uma propriedade com mais de 100 anos de idade, ele dispara e contribuirá com

10:48.430 --> 10:49.360
o preço total.

10:49.360 --> 10:55.090
E caso contrário, se tiver menos de 100 anos, então não funcionará e esse é um bom exemplo disso.

10:55.180 --> 10:57.580
A função de retificador está sendo aplicada.

10:57.580 --> 11:04.630
Então, aqui, você tem como um muito parecido com um zero até certo ponto e, então, digamos 100 anos e, depois

11:04.630 --> 11:09.340
de 100 anos, quanto mais velho, maior será o valor, maior será a contribuição

11:09.340 --> 11:11.310
desse neurônio para o preço total.

11:11.470 --> 11:18.910
E há apenas um maravilhoso exemplo de um exemplo muito simples desta função de retificador em ação.

11:18.910 --> 11:19.720
Então vamos lá.

11:19.750 --> 11:20.960
Isso pode ser este ano.

11:21.100 --> 11:27.840
E, além disso, a rede neural poderia ter apanhado coisas que não teríamos pensado em

11:27.850 --> 11:28.530
nós mesmos.

11:28.570 --> 11:34.360
esses neurônios, esta situação de camada oculta inteira permite aumentar a flexibilidade da sua rede neural

11:34.360 --> 11:38.710
e permite que você realmente permita que a rede neural pareça para

11:38.890 --> 11:43.510
coisas muito específicas e depois em combinação, é daí que o poder vem.

11:43.510 --> 11:51.040
Por exemplo, quartos mais distância, a cidade talvez esteja combinada de alguma forma contribui para o preço, talvez não seja tão

11:51.040 --> 11:58.840
forte como os outros neurônios e contribui, mas ainda contribui ou talvez diminua o preço que também poderia ser o caso

11:58.840 --> 12:05.890
ou outras coisas assim e talvez adicione o seu próprio pegou tudo para uma combinação dos quatro desses parâmetros

12:06.070 --> 12:08.260
e, como você pode ver que

12:08.260 --> 12:12.570
É como esse exemplo que a resposta que eu gostaria de um anúncio por si só não pode criar um formigueiro.

12:12.580 --> 12:17.920
Mas quando você tem como mil ou 100 mil anúncios eles podem construir um formigueiro juntos e essa é a

12:17.920 --> 12:18.600
situação aqui.

12:18.610 --> 12:20.990
Cada um desses neurônios por si só não pode prever o preço.

12:21.100 --> 12:27.910
Mas, juntos, eles têm super poderes e prevêem o preço e podem fazer um trabalho bastante

12:27.940 --> 12:30.300
preciso se treinados adequadamente configurados adequadamente.

12:30.730 --> 12:35.410
E isso é o que todo esse curso é sobre como entender como utilizá-los.

12:35.410 --> 12:42.430
Lá vamos, então é um exemplo passo a passo e um passo a passo de como as redes neurais realmente funcionam.

12:42.460 --> 12:45.590
Espero que você tenha gostado do tutorial de hoje e não posso esperar para vê-lo na próxima vez.

12:45.610 --> 12:47.350
Até então, aproveite a aprendizagem.