WEBVTT 00:00.560 --> 00:02.950 Llega un emocionante tutorial adelante. 00:02.950 --> 00:04.850 Bienvenido de nuevo al curso sobre aprendizaje profundo. 00:04.870 --> 00:08.090 Hoy estamos hablando de cómo funcionan las redes neuronales. 00:08.110 --> 00:13.840 Ahora que hemos llevado a cabo un gran trabajo de campo, hemos hablado sobre cómo se estructuran las redes 00:13.840 --> 00:16.420 neuronales en qué elementos consisten e incluso su funcionalidad. 00:16.660 --> 00:21.940 Y hoy veremos un ejemplo real de cómo se puede aplicar una red neuronal inusual y 00:21.940 --> 00:27.760 en realidad vamos a trabajar paso a paso en el proceso de su aplicación para saber qué 00:27.760 --> 00:28.340 está pasando. 00:28.360 --> 00:30.690 Así que echemos un vistazo de qué ejemplo vamos a hablar. 00:30.790 --> 00:37.180 Vamos a ver una evaluación de propiedades, así que vamos a ver una red neuronal que toma en cuenta algunos 00:37.180 --> 00:39.600 parámetros de nuestra propiedad y valores de valores. 00:39.640 --> 00:40.930 Y la cosa aquí. 00:40.960 --> 00:45.820 Hay una pequeña advertencia para el tutorial de hoy y es que no vamos a entrenar a la red. 00:45.820 --> 00:50.980 Entonces, una parte muy importante de las redes neuronales es entrenarlas y vamos a ver eso 00:50.980 --> 00:53.430 en los siguientes tutoriales de esta sección. 00:53.440 --> 00:57.760 luego cubriremos la capacitación cuando ya sabemos el objetivo final para el que estamos trabajando. 00:58.390 --> 01:04.870 Por ahora nos vamos a centrar en las aplicaciones reales. Vamos a trabajar con una red neuronal que vamos a pretender que 01:04.870 --> 01:09.370 ya está entrenada y que nos permitirá enfocarnos en el lado de la aplicación y no 01:09.370 --> 01:11.750 enredarnos en el aspecto de la capacitación y 01:11.800 --> 01:12.640 Suena bien. 01:12.640 --> 01:14.900 De acuerdo, vayamos directamente a él. 01:15.250 --> 01:19.090 Entonces digamos que tenemos algunos parámetros de entrada. 01:19.090 --> 01:24.670 en pies cuadrados, tenemos el número de habitaciones que distancian la ciudad y Miles la ciudad de Nueva 01:24.670 --> 01:29.950 York, y la edad de la propiedad, y las cuatro van a comprender nuestras entradas. capa. 01:29.950 --> 01:33.590 Correcto, digamos que tenemos parámetros completos sobre la propiedad, tenemos el área 01:33.670 --> 01:40.810 Ahora, por supuesto, son probablemente más parámetros que definen el precio de una propiedad, pero por simplicidad vamos 01:40.810 --> 01:43.000 a ver esto por ahora. 01:43.010 --> 01:50.260 Es una forma muy básica, una red neuronal solo tiene una entrada que aprende una capa de salida por lo que no hay capas ocultas y nuestra capa 01:50.260 --> 01:52.300 de salida es el precio que estamos pronosticando. 01:52.300 --> 02:00.990 Entonces, en esta forma, lo que estas variables de entrada harían es que se ponderarían con las sinopsis 02:01.030 --> 02:04.150 y luego se calcularía el resultado. 02:04.150 --> 02:06.190 Básicamente, el precio se calcularía y obtendría un precio. 02:06.190 --> 02:14.250 Y, por ejemplo, el precio podría calcularse tan simple como la suma ponderada de todas las entradas. 02:14.290 --> 02:17.720 Y de nuevo aquí puedes usar prácticamente cualquier función que puedas usar. 02:17.830 --> 02:25.330 Lo que estamos usando ahora podría usar cualquiera de las funciones de activación que teníamos anteriormente, podría usar la 02:25.330 --> 02:26.020 regresión logística. 02:26.050 --> 02:32.680 Podrías usar una función cuadrada, puedes hacer casi cualquier cosa aquí, pero el punto es que obtienes un 02:32.740 --> 02:33.570 resultado determinado. 02:33.600 --> 02:40.980 que se formaliza, se pueden lograr bastantes algoritmos de aprendizaje automático que hemos hablado antes y los hemos puesto de esta 02:40.990 --> 02:46.390 forma y eso solo tiende a mostrar cuán poderosas son las redes neuronales de Noul. 02:46.390 --> 02:51.910 Además, la mayoría de los algoritmos de aprendizaje automático que existen se pueden representar de 02:51.910 --> 02:58.510 esta forma y esto es básicamente una representación diagramática de cómo se manejan las variables o cambiando la forma 02:58.510 --> 02:58.900 en 02:58.960 --> 03:04.270 Incluso sin las capas ocultas, estamos listos donde tenemos una representación que funciona para la mayoría de los otros 03:04.270 --> 03:05.360 algoritmos de aprendizaje automático. 03:05.470 --> 03:13.210 Pero en las redes neuronales, lo que sí tenemos es una ventaja que nos da mucha flexibilidad y poder, 03:13.600 --> 03:17.050 y de ahí viene ese aumento en la precisión. 03:17.050 --> 03:24.490 éxito. Alair lo agregamos y ahora vamos a entender cómo esa guarida oculta nos da ese poder extra. 03:24.490 --> 03:30.100 Y ese poder son las capas ocultas y ahí vamos, ese es nuestro 03:30.300 --> 03:35.830 Y, de hecho, para hacer eso vamos a ver un ejemplo, así que acordamos que esta red 03:35.830 --> 03:40.150 neuronal realmente se ha entrenado y ahora vamos a conectarnos, vamos a imaginar 03:40.150 --> 03:48.370 que estaban conectando una propiedad y Vamos a caminar paso a paso a través de cómo la red neuronal se ocupará de las variables de 03:48.370 --> 03:51.880 entrada y calculará el área Hindol y luego calculará la salida. 03:51.880 --> 03:54.430 Entonces, veamos esto va a ser emocionante. 03:54.430 --> 03:54.880 Todo bien. 03:55.060 --> 04:00.950 las cuatro variables a la izquierda y vamos a comenzar primero con el Nurin superior en el Hindle allí. 04:00.980 --> 04:01.420 Tenemos 04:01.450 --> 04:08.290 Ahora, como vimos anteriormente en los literales de prensa todas las neuronas de la capa de entrada, Cynapsus las conecta 04:08.290 --> 04:12.940 a cada una de ellas con la neurona superior en la guarida oculta. 04:13.480 --> 04:15.240 Y esos sistemas tienen pesas. 04:15.250 --> 04:20.470 Ahora convengamos que algunas ponderaciones tendrán un valor distinto de cero; algunas formas tendrán valor 04:20.710 --> 04:28.390 cero porque básicamente no todas las entradas serán válidas o no todas las entradas serán importantes para cada neurona, a veces las entradas 04:28.390 --> 04:29.420 no serán importantes. 04:29.420 --> 04:34.180 neurona, mientras que las habitaciones y la edad no son como pensemos por un segundo cómo sería ese el caso. 04:34.180 --> 04:38.770 Aquí podemos ver dos ejemplos de que X-1 los próximos tres el área y la distancia a la ciudad 04:38.770 --> 04:40.540 y las Millas son importantes para esa 04:40.550 --> 04:47.350 Como por qué una neurona estaría vinculada al área y la distancia que hace eso, qué podría significar eso. 04:47.350 --> 04:53.410 Bueno, eso podría significar que cuanto más lejos se encuentre de la ciudad, más barato se vuelve el espacio 04:53.410 --> 04:58.420 y, por lo tanto, el espacio en pies cuadrados de las propiedades se hace más grande. 04:58.420 --> 05:02.380 Entonces, por el mismo precio, puede obtener una propiedad más grande cuanto más lejos se encuentre de la ciudad que es 05:02.380 --> 05:02.640 normal. 05:02.640 --> 05:08.930 buscando propiedades de área que no están tan lejos de la ciudad pero tienen un área grande. 05:08.950 --> 05:16.990 Eso tiene sentido y probablemente lo que está haciendo esta neurona es que está buscando específicamente que es como un francotirador 05:16.990 --> 05:17.630 que está 05:17.630 --> 05:24.830 Entonces, por su distancia de la ciudad, tienen un área injusta de pie cuadrado. 05:24.850 --> 05:28.690 Correcto, algo así como la altura anormal es más alta que la media, 05:28.690 --> 05:35.290 por lo que están bastante cerca de la ciudad, pero siguen siendo grandes en comparación con las otras a la misma distancia, por 05:35.290 --> 05:40.450 lo que la neurona nuevamente estamos especulando aquí, pero esa neurona podría ser recogiendo el láser seleccionando esas 05:40.450 --> 05:46.150 propiedades específicas y se activará y, por lo tanto, la función de activación que activará se activará solo cuando 05:46.150 --> 05:50.830 se cumplan ciertos criterios para conocer la distancia y el área de la distancia adecuada al 05:50.830 --> 05:57.580 aire sirio del área de la propiedad y se realiza en los cálculos dentro de sí mismo y combina los dos y tan 05:57.580 --> 06:01.990 pronto como ciertas áreas donde se dispara y que contribuye al precio en la producción. 06:02.260 --> 06:06.760 Y, por lo tanto, a esta neurona en realidad no le importan las habitaciones y la antigüedad de la propiedad porque está 06:06.760 --> 06:07.730 enfocada en esa cosa específica. 06:07.750 --> 06:12.640 De ahí viene el poder de la red neuronal porque tienes muchos de estos años 06:12.640 --> 06:14.390 y verás cómo funcionan los demás. 06:14.650 --> 06:21.370 acordar aquí es que ni siquiera dibujemos estas líneas para las sinopsis que no están en su lugar, de modo que no arruinemos nuestra imagen como 06:22.090 --> 06:26.170 la única razón por la que no vamos a dibujarlas, así que simplemente eliminemos de esos también 06:26.170 --> 06:27.290 Pero lo que quiero 06:27.460 --> 06:33.940 Y de esa forma sabremos exactamente OK, por lo que esta neurona se centra en el área y la distancia a la ciudad. 06:33.940 --> 06:34.520 Todo bien. 06:34.900 --> 06:35.980 Entonces, como siempre, estamos de acuerdo en eso. 06:35.980 --> 06:36.830 Pasemos a la siguiente. 06:36.850 --> 06:42.400 Tomemos uno en el medio. Tenemos tres parámetros que alimentan esta neurona, así que tenemos el 06:42.400 --> 06:46.010 área de las habitaciones y la edad de la propiedad. 06:46.030 --> 06:48.600 Entonces, ¿cuál podría ser el motivo aquí? 06:48.600 --> 06:55.660 Intentemos de nuevo entender la intuición y el pensamiento de esta neurona, cómo está pensando esta 06:55.660 --> 06:56.110 neurona. 06:56.110 --> 06:57.770 ¿Por qué está eligiendo estos dos padres? 06:57.780 --> 07:02.110 ¿Qué podría ser lo que podría tener un golpe como encontrado en los datos? 07:02.110 --> 07:06.580 Correcto, así que ya hemos establecido este conjunto de datos entrenado, el entrenamiento ha sucedido 07:06.580 --> 07:11.590 hace mucho tiempo, tal vez hace un día o alguien está escrito ya que ahora lo estamos 07:11.590 --> 07:17.650 aplicando y sabemos que esta neurona atraviesa todos los miles de ejemplos de propiedades ha descubierto que el área más las 07:17.650 --> 07:20.590 habitaciones más la combinación de edad de esos parámetros es importante. 07:20.590 --> 07:21.600 ¿Por qué podría ser ese el caso? 07:21.610 --> 07:29.410 Bueno, por ejemplo, tal vez en esa ciudad específica en esos suburbios donde se ha formado esta red 07:29.410 --> 07:38.860 neuronal, tal vez haya muchas familias con niños que tienen dos o más hijos que buscan grandes propiedades con muchos dormitorios, 07:40.000 --> 07:47.470 pero que son derechos nuevos que no son antiguos, porque tal vez sea en esa área casi 07:47.590 --> 07:52.910 apropiado o algo así como que las grandes propiedades suelen ser antiguas. 07:52.930 --> 07:59.860 la población más joven, tal vez solo sepas que la demografía de la población ha cambiado y ahora 07:59.860 --> 08:07.540 las parejas más jóvenes o las familias más jóvenes están buscando propiedades, pero prefieren nuevas propiedades, por lo que quieren 08:07.570 --> 08:15.520 que la edad de la propiedad sea más baja y, por lo tanto, del entrenamiento que ha experimentado esta red neuronal. 08:15.520 --> 08:22.210 Pero hay muchas familias modernas y tal vez ha habido un cambio demográfico y social o tal 08:22.210 --> 08:27.370 vez ha habido un crecimiento similar en términos de empleo y empleo para 08:27.370 --> 08:32.890 Sabe que cuando hay una propiedad con un área grande y con mucho dormitorio con estos tres al 08:32.890 --> 08:36.790 menos tres dormitorios para los padres para el primero del segundo niño de 08:36.790 --> 08:45.190 al menos tres dormitorios, tal vez una habitación de invitados cuando su propiedad tiene una superficie alta y mucho de habitaciones que se valora que en ese 08:45.190 --> 08:48.270 mercado es valioso para que Meuron lo haya recogido. 08:48.280 --> 08:49.390 Lo sabe. 08:49.420 --> 08:51.490 OK, entonces esto es lo que voy a estar buscando. 08:51.490 --> 08:56.620 No me importa la distancia a la ciudad ni a Miles donde sea que esté, siempre que tenga muchos lotes de 08:56.620 --> 08:57.080 área alta. 08:57.110 --> 09:01.750 Tan pronto como se cumplan esos criterios, la neurona se activa y la combinación 09:01.750 --> 09:06.190 de estos dos parámetros, y de nuevo aquí es de donde proviene el poder 09:06.190 --> 09:11.300 de la red neuronal porque combina estos dos parámetros en un nuevo parámetro en nuevos atributos. 09:11.470 --> 09:17.860 Eso ayuda con la evaluación que ayuda con la valoración de la propiedad. 09:17.860 --> 09:21.910 Los combina en un nuevo atributo y, por lo tanto, es más preciso. 09:21.910 --> 09:24.160 Así que ahí vamos, así es como funciona eso. 09:24.250 --> 09:30.040 Y echemos un vistazo a otra, echemos un vistazo a la parte inferior, por ejemplo, esta neurona podría 09:30.040 --> 09:35.110 haber recogido solo un par y que podría haber recogido ocho y no en ninguno de 09:35.110 --> 09:35.540 los otros. 09:35.540 --> 09:37.530 ¿Y cómo podría ser ese el caso? 09:37.900 --> 09:45.760 Bueno, este es un ejemplo clásico de cuando la edad podría significar que, como todos sabemos, las propiedades más antiguas generalmente son 09:45.760 --> 09:47.710 menos valiosas porque están gastadas. 09:47.710 --> 09:50.740 Probablemente el edificio sea viejo, probablemente usted sepa que las cosas se están cayendo a pedazos. 09:50.740 --> 09:55.460 Se requiere más mantenimiento por lo que el precio baja en términos del precio del bien inmueble. 09:55.480 --> 09:58.880 Mientras que un edificio nuevo sería más caro porque es completamente nuevo. 09:59.200 --> 10:03.980 Tal vez si una propiedad tiene más de cierta edad podría indicar que es una propiedad histórica. 10:04.030 --> 10:11.240 Por ejemplo, si una propiedad tiene menos de 100 años, cuanto mayor sea, menos valiosa será. 10:11.380 --> 10:17.050 Pero tan pronto como salta más de 100 años, de repente se convierte en una propiedad histórica porque 10:17.050 --> 10:20.840 esta es una propiedad donde la gente todavía tiene cientos de años. 10:20.860 --> 10:26.240 Cuenta una historia que cuenta con toda esta historia y algunas personas así lo valoran. 10:26.290 --> 10:32.110 en las clases socioeconómicas más altas que tendrían que mostrar a sus amigos o cosas así y, por 10:32.110 --> 10:36.970 lo tanto, las propiedades que tienen más de 100 años podrían ser considerado como histórico. 10:37.000 --> 10:42.330 De hecho, a muchas personas les gustaría y estarían orgullosos de vivir en una propiedad y especialmente 10:42.330 --> 10:47.890 Y, por lo tanto, esta neurona, tan pronto como vea una propiedad con más de 100 años, se disparará y contribuirá 10:48.430 --> 10:49.360 al precio total. 10:49.360 --> 10:55.090 De lo contrario, si tiene menos de 100 años, no funcionará y este es un buen ejemplo de eso. 10:55.180 --> 10:57.580 La función del rectificador se aplica. 10:57.580 --> 11:04.630 Entonces aquí tienes como un cero hasta cierto punto y luego digamos 100 años y luego, después de 100 años, cuanto 11:04.630 --> 11:09.340 más viejo se vuelve, cuanto mayor es el valor, mayor es la contribución de 11:09.340 --> 11:11.310 esta neurona al precio total. 11:11.470 --> 11:18.910 Y solo hay un maravilloso ejemplo de un ejemplo muy simple de esta función rectificadora en acción. 11:18.910 --> 11:19.720 Entonces ahí vamos 11:19.750 --> 11:20.960 Eso podría ser este año. 11:21.100 --> 11:27.840 Y, además, la red neuronal podría haber recogido cosas que no nos hubiéramos pensado 11:27.850 --> 11:28.530 bien. 11:28.570 --> 11:34.360 que estas neuronas toda esta situación de capa oculta le permite aumentar la flexibilidad de su 11:34.360 --> 11:38.710 red neuronal y le permite realmente permitir que la red neuronal se 11:38.890 --> 11:43.510 vea para cosas muy específicas y luego, en combinación, de ahí viene el poder. 11:43.510 --> 11:51.040 Por ejemplo, las habitaciones más la distancia de la ciudad, tal vez en combinación, contribuye de alguna manera al precio tal 11:51.040 --> 11:58.840 vez no tan fuerte como las otras neuronas y contribuye, pero aún contribuye o tal vez le quita el precio que también 11:58.840 --> 12:05.890 podría ser el caso u otras cosas así y tal vez agregue su propio recogido para una combinación de estos 12:06.070 --> 12:08.260 cuatro parámetros y como puede ver 12:08.260 --> 12:12.570 Es como ese ejemplo, la respuesta que me gustaría que un anuncio en sí mismo no pueda construir es un hormiguero. 12:12.580 --> 12:17.920 Pero cuando tienes como mil o 100000 anuncios pueden construir un hormiguero juntos y esa es la 12:17.920 --> 12:18.600 situación aquí. 12:18.610 --> 12:20.990 Cada una de estas neuronas por sí misma no puede predecir el precio. 12:21.100 --> 12:27.910 Pero juntos tienen superpoderes y predicen el precio y pueden hacer un trabajo bastante preciso 12:27.940 --> 12:30.300 si se los prepara adecuadamente. 12:30.730 --> 12:35.410 Y eso es todo este Curso sobre cómo utilizarlos. 12:35.410 --> 12:42.430 Ahí vamos, así que es un ejemplo paso a paso y una guía de cómo funcionan realmente las redes neuronales. 12:42.460 --> 12:45.590 Espero que hayas disfrutado el tutorial de hoy y no puedo esperar para verte la próxima vez. 12:45.610 --> 12:47.350 Hasta entonces disfruta el aprendizaje.