WEBVTT 00:00.560 --> 00:02.950 Sosire tutorial interesant înainte. 00:02.950 --> 00:04.850 Bine ați revenit la cursul de învățare profundă. 00:04.870 --> 00:08.090 Astăzi vorbim despre funcționarea rețelelor neuronale. 00:08.110 --> 00:13.840 Acum am condus o mulțime de lucruri la sol pe care le-am vorbit despre modul în care rețelele neuronale sunt structurate 00:13.840 --> 00:16.420 din ce elemente sunt ele și chiar funcționalitatea lor. 00:16.660 --> 00:21.940 Și astăzi vom privi și vom demonstra un exemplu real în care poate fi aplicată rețeaua neuronală neobișnuită 00:21.940 --> 00:27.760 și de fapt vom lucra pas cu pas prin procesul de aplicare a acesteia, astfel încât să știm ce se 00:27.760 --> 00:28.340 întâmplă. 00:28.360 --> 00:30.690 Deci, haideți să aruncăm o privire la ce exemplu vom vorbi. 00:30.790 --> 00:37.180 Vom analiza o evaluare a proprietății, astfel că vom examina o rețea neuronală care ia în considerare anumiți parametri 00:37.180 --> 00:39.600 ai valorii proprietății și valorii noastre. 00:39.640 --> 00:40.930 Și chestia asta aici. 00:40.960 --> 00:45.820 Există o mică avertizare pentru tutorialul de astăzi și nu ne vom preda de fapt la rețea. 00:45.820 --> 00:50.980 Deci, o parte foarte importantă în rețelele neuronale le pregătește și o să ne uităm la 00:50.980 --> 00:53.430 acestea în următoarele tutoriale din această secțiune. 00:53.440 --> 00:57.760 Pentru moment, ne vom concentra pe aplicațiile actuale pe care le vom lucra cu o 00:58.390 --> 01:04.870 rețea neuronală pe care o vom preface că este deja pregătită și asta ne va permite să ne concentrăm asupra aspectului aplicării 01:04.870 --> 01:09.370 lucrurilor și să nu ne împotmolim aspectul de formare și apoi vom acoperi pregătirea atunci când 01:09.370 --> 01:11.750 deja cunoaștem scopul final la care lucrăm. 01:11.800 --> 01:12.640 Suna bine. 01:12.640 --> 01:14.900 Bine, să mergem direct în ea. 01:15.250 --> 01:19.090 Deci, să spunem că avem niște parametri de intrare. 01:19.090 --> 01:24.670 Așa că, să spunem că avem parametri deplini despre proprietatea pe care o avem în metri 01:24.670 --> 01:29.950 patrati avem numărul de dormitoare care distanțează orașul și Miles din New York și vârsta 01:29.950 --> 01:33.590 proprietății și toate cele patru vor cuprinde intrările noastre strat. 01:33.670 --> 01:40.810 Acum, desigur, probabil că sunt probabil mai mulți parametri care definesc prețul unei proprietăți, dar din simplitate 01:40.810 --> 01:43.000 vom vedea acest lucru deocamdată. 01:43.010 --> 01:50.260 Forma foarte elementară este o rețea neurală care are doar o intrare care învață un strat de ieșire, astfel încât nu există straturi ascunse și stratul de 01:50.260 --> 01:52.300 ieșire este prețul pe care îl prezicem. 01:52.300 --> 02:00.990 Deci, în această formă, ce ar face aceste variabile de intrare, ele vor fi doar ponderate de sinopse și 02:01.030 --> 02:04.150 apoi va fi calculată producția acolo. 02:04.150 --> 02:06.190 În principiu, prețul ar fi calculat și ar obține un preț. 02:06.190 --> 02:14.250 De exemplu, prețul poate fi calculat la fel de simplu ca și suma ponderată a tuturor intrărilor. 02:14.290 --> 02:17.720 Și din nou aici puteți folosi aproape orice funcție pe care o puteți folosi. 02:17.830 --> 02:25.330 Ceea ce folosim acum, am putea folosi oricare dintre funcțiile de activare pe care le-am avut înainte ca să poți folosi regresia 02:25.330 --> 02:26.020 logistică. 02:26.050 --> 02:32.680 Ați putea folosi o funcție pătrată pe care o puteți face destul de mult aici, dar punctul este că veți obține o 02:32.740 --> 02:33.570 anumită ieșire. 02:33.600 --> 02:40.980 Și, în plus, majoritatea algoritmilor de învățare a mașinilor care există pot fi reprezentați în această formă și aceasta este în principiu 02:40.990 --> 02:46.390 o reprezentare schematică a modului în care vă ocupați de variabile sau prin schimbarea modului 02:46.390 --> 02:51.910 în care este formalizat puteți realiza destul de mulți algoritmi de învățare a mașinilor am vorbit 02:51.910 --> 02:58.510 mai devreme și le-am pus în această formă și asta tinde să arătă cât de puternici sunt Noul rețelele 02:58.510 --> 02:58.900 neuronale. 02:58.960 --> 03:04.270 Chiar și fără straturile ascunse, suntem gata în cazul în care avem o reprezentare care funcționează pentru majoritatea altor algoritmi 03:04.270 --> 03:05.360 de învățare a mașinilor. 03:05.470 --> 03:13.210 Dar în rețelele neuronale ceea ce avem este un avantaj care ne oferă o mulțime de flexibilitate și 03:13.600 --> 03:17.050 putere, de unde provine acea creștere a preciziei. 03:17.050 --> 03:24.490 Și acea putere este straturile ascunse și acolo mergem, asta e lovitura noastră, Alair, am adăugat-o și 03:24.490 --> 03:30.100 acum vom înțelege cum acest șanț ascuns ne dă acea putere suplimentară. 03:30.300 --> 03:35.830 Și, de fapt, pentru a face acest lucru vom trece printr-un exemplu, așa cum am fost de acord 03:35.830 --> 03:40.150 că această rețea neuronală a fost într-adevăr pregătită și acum ne vom conecta doar 03:40.150 --> 03:48.370 ne vom imagina că sunt plugging într-o proprietate și vom merge pas cu pas prin modul în care rețeaua neuronală se va ocupa de variabilele de intrare 03:48.370 --> 03:51.880 și va calcula zona Hindol și apoi va calcula producția. 03:51.880 --> 03:54.430 Asa ca sa trecem prin asta va fi incitant. 03:54.430 --> 03:54.880 In regula. 03:55.060 --> 04:00.950 Avem toate cele patru variabile în stânga și vom începe mai întâi cu topul Nurin pe Hindle 04:00.980 --> 04:01.420 acolo. 04:01.450 --> 04:08.290 Acum, așa cum am văzut anterior în literalurile de presă, toți neuronii din stratul de intrare au Cynapsus conectându-l 04:08.290 --> 04:12.940 la fiecare dintre ei la un neuron de vârf în bara ascunsă. 04:13.480 --> 04:15.240 Și aceste sisteme au greutăți. 04:15.250 --> 04:20.470 Acum, să acceptăm că unele greutăți vor avea o valoare diferită de zero, unele metode vor 04:20.710 --> 04:28.390 avea valoare zero, deoarece practic nu toate intrările vor fi valide sau nu toate intrările vor fi importante pentru fiecare neuron, uneori intrările nu 04:28.390 --> 04:29.420 vor fi importante. 04:29.420 --> 04:34.180 Aici putem vedea două exemple care arată că X-1 următoarele trei zone și distanța față de oraș și Miles sunt importante 04:34.180 --> 04:38.770 pentru acel neuron, în timp ce dormitorii și vârsta nu sunt ca și cum să ne gândim la asta pentru 04:38.770 --> 04:40.540 o secundă de ce ar fi așa. 04:40.550 --> 04:47.350 De exemplu, de ce ar fi un neuron legat de zonă și de distanța ce înseamnă ce ar putea însemna asta. 04:47.350 --> 04:53.410 Ei bine, aceasta ar putea însemna că, în mod normal, cu cât veți ajunge mai departe din oraș, imobilul 04:53.410 --> 04:58.420 mai ieftin devine și, prin urmare, spațiul în metri pătrați de proprietăți devine mai mare. 04:58.420 --> 05:02.380 Prin urmare, pentru același preț, puteți obține o proprietate mai mare, cu atât mai departe vă puteți deplasa din oraș, ceea ce este 05:02.380 --> 05:02.640 normal. 05:02.640 --> 05:08.930 Ceea ce are sens și probabil ceea ce face acest neuron este că se uită în mod 05:08.950 --> 05:16.990 specific ca și cum un lunetist caută proprietăți de zonă care nu sunt atât de departe de oraș, dar au o suprafață 05:16.990 --> 05:17.630 mare. 05:17.630 --> 05:24.830 Deci, pentru distanța lor față de oraș au o suprafață pătrată neregulată. 05:24.850 --> 05:28.690 Așa că ceva ca înălțimea anormală este mai mare decât media, 05:28.690 --> 05:35.290 deci ei sunt destul de aproape de oraș, dar ei sunt încă mari, spre deosebire de ceilalți, la aceeași distanță și 05:35.290 --> 05:40.450 astfel neuronul din nou speculăm aici, dar acel neuron ar putea fi culegerea laserului culegerea acelor 05:40.450 --> 05:46.150 proprietăți specifice și activarea și, prin urmare, funcția de activare pe care o va activa se va declanșa 05:46.150 --> 05:50.830 numai atunci când sunt îndeplinite anumite criterii pe care le cunoașteți distanța și aria distanței 05:50.830 --> 05:57.580 adecvate față de aerul sirian din zonă din proprietate și efectuează calculele în interiorul său și combină cele două și de îndată 05:57.580 --> 06:01.990 ce anumite zone în care se înființează și care contribuie la prețul de ieșire. 06:02.260 --> 06:06.760 Și, prin urmare, acest neuron nu are mare grijă de dormitoare și vârsta proprietății, deoarece se concentrează asupra 06:06.760 --> 06:07.730 acelui lucru specific. 06:07.750 --> 06:12.640 Aici vine de la puterea rețelei neuronale deoarece aveți mulți dintre acești ani și veți 06:12.640 --> 06:14.390 vedea acum cum funcționează celelalte. 06:14.650 --> 06:21.370 Dar ceea ce vreau să fiu de acord este că nici nu trebuie să tragem aceste linii pentru sinopse care nu sunt în loc pentru a 06:22.090 --> 06:26.170 nu ne aglomera imaginea ca singurul motiv pentru care nu le vom atrage așa că să 06:26.170 --> 06:27.290 scăpăm doar de asemenea. 06:27.460 --> 06:33.940 Și astfel vom ști exact OK, astfel încât acest neuron se concentrează asupra ariei și a distanței față de oraș. 06:33.940 --> 06:34.520 In regula. 06:34.900 --> 06:35.980 Așa cum întotdeauna suntem de acord cu asta. 06:35.980 --> 06:36.830 Să trecem la următoarea. 06:36.850 --> 06:42.400 Să le luăm una în mijloc, avem trei parametri care se hrănesc în acest 06:42.400 --> 06:46.010 neuron, așa că avem zona, dormitoarele și vârsta proprietății. 06:46.030 --> 06:48.600 Deci, ce ar putea fi motivul aici. 06:48.600 --> 06:56.110 Sa incercam din nou sa intelegem intuitia si gandirea acestui neuron cum se gandeste acest neuron. 06:56.110 --> 06:57.770 De ce îi ia pe acești doi părinți. 06:57.780 --> 07:02.110 Ce ar putea fi ceea ce ar putea avea o lovitură cum ar fi găsită în date. 07:02.110 --> 07:06.580 Așa că am stabilit deja acest set de date instruit de formare a avut loc cu 07:06.580 --> 07:11.590 mult timp în urmă poate ca o zi în urmă sau cineva este scris ca este acum 07:11.590 --> 07:17.650 suntem doar aplicând și știm că acest neuron prin toate mii din exemple de proprietăți a constatat că zona plus spațiile 07:17.650 --> 07:20.590 și combinația de vârstă a acestor parametri este importantă. 07:20.590 --> 07:21.600 De ce ar putea fi așa? 07:21.610 --> 07:29.410 Ei bine, poate că, în acel oraș specific din acele suburbii, această rețea neuronală a fost pregătită, poate 07:29.410 --> 07:38.860 că există o mulțime de familii cu copii care au doi sau mai mulți copii care caută proprietăți mari cu numeroase dormitoare, 07:40.000 --> 07:47.470 dar care sunt drepturi noi nu sunt bune vechi, pentru că poate că în acea zonă sunt 07:47.590 --> 07:52.910 aproape potrivite sau fel de proprietăți mari sunt de obicei vechi. 07:52.930 --> 07:59.860 Dar există o mulțime de familii moderne și poate că a existat o schimbare socială demografică sau poate că 07:59.860 --> 08:07.540 a fost oarecum ca o creștere în ceea ce privește ocuparea forței de muncă și locuri de muncă pentru populația de 08:07.570 --> 08:15.520 sine mai tânără poate că doar tu știi cum ar fi populația demografică sa schimbat și acum cuplurile mai tinere sau familiile 08:15.520 --> 08:22.210 mai tinere caută proprietăți, dar preferă proprietăți noi, astfel încât doresc ca vârsta proprietății să fie mai mică 08:22.210 --> 08:27.370 și, prin urmare, de la formarea pe care această rețea neuronală a suferit-o. 08:27.370 --> 08:32.890 Știe că atunci când există o proprietate cu o suprafață mare și cu o mulțime de dormitoare cu aceste 08:32.890 --> 08:36.790 trei cel puțin trei dormitoare pentru părinți pentru primul copil al doilea pentru cel 08:36.790 --> 08:45.190 puțin trei dormitoare poate o cameră de oaspeți atunci când aveți proprietate cu o suprafață mare și o mulțime a dormitoarelor pe care se apreciază faptul că pe acea piață 08:45.190 --> 08:48.270 este valoroasă, astfel încât Meuron a reușit să o facă. 08:48.280 --> 08:49.390 Știe asta. 08:49.420 --> 08:51.490 OK, așa voi căuta. 08:51.490 --> 08:56.620 Nu-mi pasă de distanța față de oraș și de Miles ori de câte ori este atâta timp cât are o mulțime de spații 08:56.620 --> 08:57.080 înalte. 08:57.110 --> 09:01.750 Imediat ce aceste criterii sunt îndeplinite, neuronii se declanșează și combinația acestor 09:01.750 --> 09:06.190 doi parametri, iar acesta este din nou locul în care provine 09:06.190 --> 09:11.300 puterea rețelei neuronale deoarece combină acești doi parametri într-un nou parametru în atribute noi. 09:11.470 --> 09:17.860 Asta ajută la evaluarea care ajută la evaluarea proprietății. 09:17.860 --> 09:21.910 Le îmbină într-un nou atribut și, prin urmare, este mai precis. 09:21.910 --> 09:24.160 Așa că mergem așa funcționează. 09:24.250 --> 09:30.040 Și să aruncăm o privire la altul, să ne uităm la cel mai de jos, de exemplu, acest neuron ar putea fi chiar 09:30.040 --> 09:35.110 să fi luat doar o pereche și că ar fi putut doar să ia opt și nu unul din 09:35.110 --> 09:35.540 celelalte. 09:35.540 --> 09:37.530 Și cum ar putea fi așa? 09:37.900 --> 09:45.760 Ei bine, acesta este un exemplu clasic de vârstă care ar putea însemna că, după cum știm cu toții că proprietățile mai vechi sunt, de obicei, 09:45.760 --> 09:47.710 mai puțin valoroase, deoarece sunt uzate. 09:47.710 --> 09:50.740 Probabil clădirea este veche, probabil că știți că lucrurile se destramă. 09:50.740 --> 09:55.460 Este necesară o mai mare întreținere, astfel că prețul scade din punct de vedere al prețului proprietății imobiliare. 09:55.480 --> 09:58.880 În timp ce o clădire nouă, ar fi mai scumpă, pentru că este nouă. 09:59.200 --> 10:03.980 Poate că, dacă o proprietate depășește o anumită vârstă, ar putea indica faptul că aceasta este o proprietate istorică. 10:04.030 --> 10:11.240 De exemplu, dacă o proprietate are mai puțin de 100 de ani, atunci cea mai veche este cea mai puțin valoroasă. 10:11.380 --> 10:17.050 Dar de îndată ce a sărit peste 100 de ani, dintr-o dată devine o proprietate istorică, deoarece aceasta este o 10:17.050 --> 10:20.840 proprietate în care oamenii încă mai au sute de ani în urmă. 10:20.860 --> 10:26.240 Ea spune o poveste că are tot istoria în spatele ei și unii oameni ca asta unii oameni apreciază asta. 10:26.290 --> 10:32.110 De fapt, destul de mulți oameni ar dori acest lucru și ar fi mândri să trăiască într-o proprietate și 10:32.110 --> 10:36.970 în special în clasele socio-economice mai mari pe care le-ar arăta la prieteni sau lucruri 10:37.000 --> 10:42.330 de genul acesta și, prin urmare proprietăți care au peste 100 de ani ar putea fi considerate istorice. 10:42.330 --> 10:47.890 Și, prin urmare, acest neuron, de îndată ce va vedea o proprietate de peste 100 de ani, va declanșa și va contribui 10:48.430 --> 10:49.360 la prețul global. 10:49.360 --> 10:55.090 Și altfel, dacă este sub 100 de ani, atunci nu va funcționa și acesta este un bun exemplu în acest sens. 10:55.180 --> 10:57.580 Funcția de redresor aplicată. 10:57.580 --> 11:04.630 Deci, aici aveți un fel de zero, până la un anumit punct și apoi să spunem 100 de ani și apoi după 100 de ani, 11:04.630 --> 11:09.340 cu cât este mai mare cu cât este mai mare valoarea, cu atât este mai mare 11:09.340 --> 11:11.310 contribuția acestui neuron la prețul global. 11:11.470 --> 11:18.910 Și este doar un exemplu minunat de exemplu foarte simplu al acestei funcții de redresor în acțiune. 11:18.910 --> 11:19.720 Așa că mergem. 11:19.750 --> 11:20.960 Asta ar putea fi în acest an. 11:21.100 --> 11:27.840 Și, în plus, rețeaua neurală ar fi putut lua lucruri pe care nu le-am fi crezut 11:27.850 --> 11:28.530 corect. 11:28.570 --> 11:34.360 De exemplu, dormitoare și distanțe, orașul poate că în combinație cumva contribuie la prețul poate nu 11:34.360 --> 11:38.710 la fel de puternic ca ceilalți neuroni și contribuie, dar tot 11:38.890 --> 11:43.510 mai contribuie sau poate scade din prețul care ar putea fi cazul 11:43.510 --> 11:51.040 sau alte lucruri de genul acesta și poate adăugați propriul dvs. luat toate pentru o combinație a tuturor acestor patru parametri 11:51.040 --> 11:58.840 și după cum puteți vedea că acești neuroni această întreagă situație ascunsă a stratului vă permite să creșteți flexibilitatea rețelei dvs. 11:58.840 --> 12:05.890 neuronale și vă permite să permiteți cu adevărat rețelei neuronale să arate pentru lucruri foarte specifice și apoi în 12:06.070 --> 12:08.260 combinație de unde provine puterea. 12:08.260 --> 12:12.570 Este ca și cum exemplul ăsta, răspunsul aș vrea ca un anunț în sine să nu poată construi un mușuroi. 12:12.580 --> 12:17.920 Dar când aveți ca o mie sau 100000 de anunțuri, acestea pot construi un mister împreună și asta este 12:17.920 --> 12:18.600 situația aici. 12:18.610 --> 12:20.990 Fiecare dintre acești neuroni nu poate prezice prețul. 12:21.100 --> 12:27.910 Dar impreuna au super-puteri si prezic pretul si pot face o treaba destul de exacta 12:27.940 --> 12:30.300 daca sunt pregatiti corespunzator. 12:30.730 --> 12:35.410 Și asta este totul despre Curs despre înțelegerea modului de utilizare a acestora. 12:35.410 --> 12:42.430 Acolo mergem așa că este un exemplu pas cu pas și trecerea la modul în care funcționează efectiv rețelele neuronale. 12:42.460 --> 12:45.590 Sper că ți-a plăcut tutorialul de astăzi și nu pot să aștept să te văd data viitoare. 12:45.610 --> 12:47.350 Până atunci, bucurați-vă de învățare.