WEBVTT 00:00.420 --> 00:02.850 Được rồi, hướng dẫn thú vị phía trước. 00:02.880 --> 00:04.740 Chào mừng bạn trở lại khóa học về Học sâu. 00:04.740 --> 00:07.800 Hôm nay chúng ta đang nói về cách thức hoạt động của mạng nơ-ron? 00:07.830 --> 00:09.720 Bây giờ, chúng tôi đã đặt rất nhiều cơ sở. 00:09.720 --> 00:15.450 Chúng ta đã nói về cách cấu trúc mạng nơ-ron, chúng bao gồm những yếu tố nào và thậm chí cả chức 00:15.450 --> 00:16.310 năng của chúng. 00:16.320 --> 00:21.750 Và hôm nay chúng ta sẽ xem xét một ví dụ thực tế về cách một mạng nơ-ron mới có thể được áp dụng. 00:21.750 --> 00:27.690 Và chúng tôi thực sự sẽ làm việc từng bước trong quá trình áp dụng nó để chúng tôi biết điều gì đang xảy 00:27.690 --> 00:28.140 ra. 00:28.140 --> 00:29.160 Vì vậy, chúng ta hãy xem xét. 00:29.160 --> 00:30.650 Chúng ta sẽ nói về ví dụ nào? 00:30.660 --> 00:33.120 Chúng ta sẽ xem xét việc định giá tài sản. 00:33.120 --> 00:38.820 Vì vậy, chúng ta sẽ xem xét một mạng nơ-ron có một số tham số về một thuộc tính và đánh giá các giá trị 00:38.850 --> 00:39.490 của nó. 00:39.510 --> 00:44.670 Và vấn đề ở đây, có một thông báo nhỏ cho hướng dẫn hôm nay, và đó là chúng tôi sẽ không thực 00:44.670 --> 00:45.750 sự đào tạo mạng. 00:45.750 --> 00:49.290 Vì vậy, một phần rất quan trọng trong mạng nơ-ron là đào tạo chúng. 00:49.290 --> 00:53.250 Và chúng ta sẽ xem xét điều đó trong các hướng dẫn tiếp theo của phần này. 00:53.250 --> 00:55.530 Hiện tại, chúng tôi sẽ tập trung vào ứng dụng thực tế. 00:55.530 --> 01:01.980 Vì vậy, chúng tôi sẽ làm việc với một mạng nơ-ron mà chúng tôi sẽ giả vờ là đã được đào tạo và điều đó sẽ cho 01:01.980 --> 01:07.350 phép chúng tôi tập trung vào khía cạnh ứng dụng của mọi thứ và không bị sa lầy vào khía cạnh đào 01:07.350 --> 01:07.710 tạo. 01:07.710 --> 01:11.520 Và sau đó chúng tôi sẽ kết thúc khóa đào tạo khi chúng tôi đã biết mục tiêu cuối cùng mà chúng tôi đang hướng tới. 01:11.520 --> 01:12.450 Nghe hay đấy? 01:12.450 --> 01:13.050 Được rồi. 01:13.050 --> 01:14.670 Hãy nhảy thẳng vào nó. 01:15.060 --> 01:19.260 Vì vậy, giả sử chúng ta có một số tham số đầu vào, phải không? 01:19.260 --> 01:21.360 Vì vậy, giả sử chúng ta có bốn tham số về thuộc tính. 01:21.360 --> 01:24.120 Chúng tôi có diện tích bằng foot vuông. 01:24.120 --> 01:29.310 Chúng tôi có số phòng ngủ, khoảng cách đến thành phố và dặm thành phố gần nhất và tuổi của tài 01:29.310 --> 01:29.730 sản. 01:29.730 --> 01:33.450 Và tất cả bốn thứ đó sẽ bao gồm lớp đầu vào của chúng ta. 01:33.450 --> 01:39.660 Tất nhiên, bây giờ chúng có thể có nhiều thông số hơn xác định giá của một tài sản. 01:39.660 --> 01:45.330 Nhưng vì lý do đơn giản, chúng ta sẽ chỉ xem xét bốn cái này bây giờ ở dạng rất cơ bản của nó. 01:45.330 --> 01:49.980 Mạng nơ-ron chỉ có một lớp đầu vào trong một lớp đầu ra, vì vậy không có lớp ẩn. 01:49.980 --> 01:52.200 Và lớp đầu ra của chúng tôi là mức giá mà chúng tôi dự đoán. 01:52.200 --> 02:00.930 Vì vậy, ở dạng này, những gì các biến đầu vào này sẽ làm là chúng sẽ được các khớp thần kinh gia tăng trọng số và sau đó lớp đầu ra 02:00.930 --> 02:05.760 sẽ được tính toán hoặc về cơ bản giá sẽ được tính và chúng ta sẽ nhận được 02:05.760 --> 02:06.120 giá. 02:06.120 --> 02:14.040 Và ví dụ, giá có thể được tính đơn giản bằng tổng trọng số của tất cả các yếu tố đầu vào. 02:14.040 --> 02:19.440 Và một lần nữa, ở đây bạn có thể sử dụng khá nhiều chức năng mà bạn có thể sử dụng những gì chúng tôi đang sử dụng bây giờ, 02:19.440 --> 02:23.220 chúng tôi có thể sử dụng bất kỳ chức năng kích hoạt nào mà chúng tôi đã có trước đây. 02:23.220 --> 02:29.130 Bạn có thể sử dụng một hồi quy logistic, bạn có thể sử dụng một hàm bình phương. 02:29.130 --> 02:30.840 Bạn có thể chỉ có khá nhiều thứ ở đây. 02:30.960 --> 02:33.390 Nhưng vấn đề là bạn nhận được một đầu ra nhất định. 02:33.390 --> 02:40.920 Và hơn nữa, hầu hết các thuật toán học máy tồn tại có thể được biểu diễn ở định dạng này. 02:40.920 --> 02:45.240 Về cơ bản, đây là một biểu diễn sơ đồ về cách bạn xử lý biến. 02:45.570 --> 02:50.940 Bằng cách thay đổi cách công thức đó là bạn có thể hoàn thành khá nhiều thuật toán học 02:50.940 --> 02:55.350 máy mà chúng ta đã đề cập trước đây và đưa chúng vào dạng này. 02:55.350 --> 03:00.720 Và điều đó chỉ có xu hướng cho thấy các mạng nơ-ron mới mạnh mẽ như thế nào mà ngay cả khi không có các 03:00.720 --> 03:05.250 lớp ẩn, chúng ta đã có một biểu diễn hoạt động cho hầu hết các thuật toán học máy khác. 03:05.250 --> 03:11.700 Nhưng trong mạng nơ-ron, những gì chúng ta có là một lợi thế bổ sung mang lại cho chúng ta rất nhiều 03:11.700 --> 03:16.800 tính linh hoạt và sức mạnh, đó là nguyên nhân của sự gia tăng độ chính xác. 03:16.800 --> 03:20.190 Và sức mạnh đó là những lớp ẩn. 03:20.400 --> 03:21.990 Và chúng ta bắt đầu. 03:21.990 --> 03:22.830 Đó là lớp ẩn của chúng tôi. 03:22.830 --> 03:29.970 Chúng tôi đã thêm nó vào và bây giờ chúng tôi sẽ hiểu cách lớp ẩn đó cung cấp cho chúng tôi sức mạnh bổ sung đó. 03:29.970 --> 03:34.020 Và trên thực tế, để làm được điều đó, chúng ta sẽ xem qua một ví dụ. 03:34.020 --> 03:38.520 Vì vậy, như chúng tôi đã đồng ý, mạng nơ-ron này đã được đào tạo và bây giờ chúng tôi sẽ cắm vào. 03:38.520 --> 03:44.160 Chúng ta sẽ tưởng tượng rằng chúng ta đang cắm vào một thuộc tính và chúng ta sẽ đi 03:44.160 --> 03:51.210 từng bước về cách mạng nơ-ron sẽ xử lý các biến đầu vào và tính toán lớp ẩn và sau đó tính toán lớp 03:51.210 --> 03:51.840 đầu ra. 03:51.840 --> 03:52.860 Vì vậy, chúng ta hãy đi qua điều này. 03:52.860 --> 03:54.300 Nó sẽ rất thú vị. 03:54.300 --> 03:54.810 Được rồi. 03:54.810 --> 04:00.540 Chúng ta có tất cả bốn biến ở bên trái, và trước tiên chúng ta sẽ bắt đầu với nơ-ron trên cùng của 04:00.540 --> 04:01.230 lớp ẩn. 04:01.230 --> 04:07.230 Bây giờ, như chúng ta đã thấy trong các hướng dẫn trước, tất cả các nơ-ron từ lớp đầu vào, chúng có các 04:07.230 --> 04:12.750 khớp thần kinh kết nối nó, mỗi khớp thần kinh trong số chúng với nơ-ron trên cùng trong lớp ẩn. 04:13.260 --> 04:15.060 Và những khớp thần kinh đó có trọng lượng. 04:15.060 --> 04:18.780 Bây giờ chúng ta hãy đồng ý rằng một số trọng số sẽ có giá trị khác 0. 04:18.780 --> 04:25.170 Một số trọng số sẽ có giá trị bằng 0 vì về cơ bản không phải tất cả các đầu vào đều có giá trị hoặc không. 04:25.170 --> 04:27.780 Tất cả các đầu vào sẽ quan trọng đối với mọi tế bào thần kinh đơn lẻ. 04:27.780 --> 04:29.310 Đôi khi đầu vào sẽ không quan trọng. 04:29.310 --> 04:31.200 Và ở đây chúng ta có thể thấy hai ví dụ tại x một. 04:31.200 --> 04:35.940 Thứ ba, khu vực và khoảng cách đến thành phố và dặm là quan trọng đối với tế bào thần kinh đó, trong khi phòng ngủ 04:35.940 --> 04:37.020 và tuổi tác thì không. 04:37.410 --> 04:38.670 Và chúng ta hãy nghĩ về điều này trong một giây. 04:38.670 --> 04:39.180 Tại sao? 04:39.180 --> 04:40.440 Đó sẽ là trường hợp như thế nào? 04:40.590 --> 04:46.170 Tại sao một tế bào thần kinh nhất định sẽ được liên kết với khu vực và khoảng cách? 04:46.170 --> 04:47.280 Điều đó có nghĩa là gì? 04:47.280 --> 04:52.920 Chà, điều đó có thể có nghĩa là thông thường bạn càng đi xa thành phố, bất động sản 04:52.920 --> 04:58.210 càng rẻ, và do đó, không gian tính bằng feet vuông của bất động sản càng lớn. 04:58.210 --> 04:58.310 Đúng. 04:58.350 --> 04:59.970 Vì vậy, với cùng một mức giá, bạn có thể nhận được lớn hơn. 05:00.030 --> 05:02.490 Sở hữu càng xa thành phố, đó là điều bình thường, phải không? 05:02.670 --> 05:03.450 Điều đó có ý nghĩa. 05:03.450 --> 05:09.840 Và có lẽ những gì tế bào thần kinh này đang làm là nó trông đặc biệt giống như một tay súng bắn tỉa. 05:09.840 --> 05:17.550 Nó đang tìm kiếm các bất động sản trong khu vực không quá xa thành phố, nhưng có diện tích lớn. 05:17.550 --> 05:24.750 Vì vậy, đối với khoảng cách của họ từ thành phố, họ có diện tích foot vuông không công bằng. 05:24.750 --> 05:25.010 Đúng. 05:25.020 --> 05:27.570 Vì vậy, một cái gì đó bất thường, nó cao hơn mức trung bình. 05:27.570 --> 05:31.950 Vì vậy, chúng khá gần thành phố, nhưng chúng vẫn lớn so với những cái khác ở cùng 05:31.950 --> 05:32.610 khoảng cách. 05:33.030 --> 05:38.520 Và vì vậy nơ-ron đó, một lần nữa, chúng ta đang suy đoán ở đây, nhưng nơ-ron đó có thể chọn tia laser chọn ra 05:38.520 --> 05:43.950 những đặc tính cụ thể đó và nó sẽ kích hoạt và do đó chức năng kích hoạt mà nó sẽ kích hoạt. 05:43.950 --> 05:46.950 Nó sẽ chỉ kích hoạt khi đáp ứng các tiêu chí nhất định. 05:46.950 --> 05:51.120 Đó là, bạn biết đấy, khoảng cách và khu vực của đầu dò, khoảng cách đến thành phố và khu vực của 05:51.120 --> 05:51.840 bất động sản. 05:51.840 --> 05:57.300 Và nó thực hiện các phép tính của riêng nó bên trong chính nó và nó kết hợp hai điều đó. 05:57.300 --> 06:01.290 Và ngay sau khi một loại khủng bố nào đó bùng phát và điều đó góp phần vào giá ở 06:01.290 --> 06:01.980 lớp sản lượng. 06:01.980 --> 06:06.210 Và do đó, tế bào thần kinh này không thực sự quan tâm đến phòng ngủ và tuổi của tài sản bởi vì nó 06:06.210 --> 06:07.620 tập trung vào điều cụ thể đó. 06:07.620 --> 06:12.450 Đó là nơi bắt nguồn sức mạnh của mạng nơ-ron, bởi vì bạn có rất nhiều nơ-ron này và chúng ta sẽ xem ngay bây giờ 06:12.450 --> 06:14.040 những nơ-ron kia hoạt động như thế nào. 06:14.040 --> 06:20.880 Vì vậy, nhưng điều tôi muốn đồng ý ở đây là chúng ta đừng vẽ những đường thẳng này cho các khớp thần kinh không đúng vị trí 06:20.880 --> 06:24.120 để chúng ta không làm lộn xộn hình ảnh của chúng ta. 06:24.120 --> 06:25.530 Đó là lý do duy nhất chúng tôi sẽ không vẽ chúng. 06:25.530 --> 06:27.210 Vì vậy, chúng ta hãy loại bỏ những thứ đó đi. 06:27.210 --> 06:29.220 Và theo cách đó chúng ta sẽ biết chính xác. 06:29.460 --> 06:33.750 Vì vậy, nơ-ron này được tập trung vào khu vực và khoảng cách đến thành phố. 06:33.780 --> 06:34.290 Được rồi. 06:34.740 --> 06:36.810 Vì vậy, miễn là chúng ta đồng ý về điều đó, hãy chuyển sang điều tiếp theo. 06:36.810 --> 06:39.090 Hãy lấy cái ở giữa đây. 06:39.090 --> 06:42.030 Chúng tôi có ba tham số đưa vào nơ-ron này. 06:42.030 --> 06:45.630 Vì vậy, chúng tôi đã có diện tích, phòng ngủ và tuổi của tài sản. 06:45.750 --> 06:48.420 Vì vậy, những gì có thể là lý do ở đây? 06:48.420 --> 06:55.620 Một lần nữa, chúng ta hãy thử tìm hiểu trực giác rằng tư duy của nơ-ron này như thế 06:55.620 --> 06:56.040 nào? 06:56.040 --> 06:57.720 Tại sao nó lại chọn ba thông số này? 06:57.750 --> 06:58.650 Nó có thể là gì? 06:58.650 --> 07:02.040 Điều gì có thể có một lượt truy cập như được tìm thấy trong dữ liệu? 07:02.040 --> 07:02.220 Đúng. 07:02.220 --> 07:04.530 Vì vậy, chúng tôi đã thiết lập tập dữ liệu được đào tạo này. 07:04.530 --> 07:09.360 Việc đào tạo đã diễn ra cách đây rất lâu, có thể như một ngày trước, hoặc ai đó đã đào tạo dữ liệu này. 07:09.360 --> 07:14.160 Vì vậy, bây giờ chúng tôi chỉ áp dụng và chúng tôi biết rằng tế bào thần kinh này, thông qua hàng 07:14.160 --> 07:20.370 ngàn ví dụ về thuộc tính, đã phát hiện ra rằng diện tích cộng với phòng ngủ cộng với tổ hợp tuổi của các thông số đó là quan trọng. 07:20.370 --> 07:21.540 Tại sao đó có thể là trường hợp? 07:21.540 --> 07:29.040 Chà, chẳng hạn, có thể ở thành phố cụ thể ở vùng ngoại ô mà mạng nơ-ron 07:29.040 --> 07:38.100 này đã được đào tạo, có lẽ có rất nhiều gia đình có con với hai con trở lên đang tìm 07:38.100 --> 07:43.110 kiếm bất động sản lớn với nhiều phòng ngủ, nhưng Mới. 07:43.110 --> 07:50.910 Đúng vậy, đó không phải là bất động sản cũ, bởi vì có thể trong khu vực đó, hầu hết các bất động sản 07:50.910 --> 07:55.530 giống như bất động sản lớn thường cũ, nhưng có rất nhiều gia đình 07:55.800 --> 08:03.270 hiện đại và có thể đã có sự thay đổi về xã hội học và hoặc có thể đã có giống như một 08:03.270 --> 08:11.190 số tăng trưởng về việc làm và việc làm cho dân số trẻ hơn, có thể giống như nhân khẩu học dân số đã thay 08:11.190 --> 08:11.700 đổi. 08:11.700 --> 08:20.850 Và hiện nay các cặp vợ chồng trẻ hoặc các gia đình trẻ đang tìm kiếm tài sản, nhưng họ thích tài sản mới hơn, vì vậy họ muốn 08:20.850 --> 08:22.980 tuổi của tài sản thấp hơn. 08:23.610 --> 08:28.800 Và do đó, từ quá trình đào tạo mà mạng nơ-ron này đã trải qua, nó biết rằng khi có một bất động 08:28.800 --> 08:34.140 sản có diện tích lớn và có nhiều phòng ngủ thì ít nhất phải có ba phòng ngủ cho bố mẹ, cho con 08:34.140 --> 08:34.770 đầu lòng. 08:34.770 --> 08:40.830 Đối với người con thứ hai, cho ít nhất ba phòng ngủ, có thể là phòng khách khi bất động sản mới có 08:40.830 --> 08:45.900 diện tích cao và nhiều phòng ngủ được định giá mà trên thị trường đó có giá trị. 08:45.900 --> 08:48.210 Vì vậy, tế bào thần kinh đó đã thu nhận điều đó. 08:48.210 --> 08:51.390 Nó biết điều đó, không sao, vì vậy đây là những gì tôi sẽ tìm kiếm. 08:51.390 --> 08:56.220 Tôi không quan tâm đến khoảng cách thành phố và hàng km ở bất cứ đâu, miễn là nó có diện tích 08:56.250 --> 08:59.730 cao, nhiều phòng ngủ, ngay khi đạt được tiêu chí đó, neuron sẽ bừng bừng. 08:59.730 --> 09:03.870 Và sự kết hợp của ba tham số này và đây là 09:03.870 --> 09:10.020 lần nữa, đây là nơi phát sinh sức mạnh của mạng nơ-ron, bởi vì nó kết hợp ba tham số 09:10.020 --> 09:17.730 này thành một tham số hoàn toàn mới, thành một thuộc tính hoàn toàn mới giúp đánh giá, với giúp định giá tài sản. 09:17.730 --> 09:21.300 Nó kết hợp chúng thành một thuộc tính mới và do đó nó chính xác hơn. 09:21.690 --> 09:23.610 Vì vậy, chúng sẽ đi, đó là cách hoạt động của nơ-ron đó. 09:24.030 --> 09:25.500 Và chúng ta hãy nhìn vào một cái khác. 09:25.500 --> 09:26.940 Hãy nhìn vào phần dưới cùng. 09:26.940 --> 09:31.830 Ví dụ, nơ-ron này thậm chí có thể chỉ nhận một tham số. 09:31.830 --> 09:35.430 Nó có thể vừa tăng tuổi chứ không phải bất kỳ cái nào khác. 09:35.430 --> 09:37.260 Và làm thế nào đó có thể là trường hợp? 09:37.680 --> 09:45.330 Đây là một ví dụ kinh điển về thời điểm mà tuổi tác có thể có nghĩa như chúng ta đều biết, tài sản cũ thường ít 09:45.330 --> 09:47.640 giá trị hơn vì nó đã cũ. 09:47.640 --> 09:51.840 Có lẽ là tòa nhà đã cũ, có thể là mọi thứ đang đổ nát, cần phải bảo trì nhiều hơn. 09:51.840 --> 09:56.700 Vì vậy, giá bất động sản giảm xuống, trong khi một tòa nhà mới tinh thì nó sẽ 09:56.700 --> 09:59.700 đắt hơn vì nó mới tinh, nhưng có lẽ vậy. 09:59.800 --> 10:03.850 Nếu một thuộc tính đã qua một độ tuổi nhất định, điều đó có thể cho thấy rằng đó là một tài sản lịch sử. 10:03.850 --> 10:11.140 Ví dụ, tài sản có tuổi đời dưới 100 năm, thì tài sản càng cũ thì giá trị càng kém. 10:11.140 --> 10:15.790 Nhưng ngay sau khi nó hơn 100 tuổi, đột nhiên nó trở thành một tài sản lịch sử. 10:15.790 --> 10:20.700 Bởi đây là tài sản mà người dân từng sinh sống hàng trăm năm trước. 10:20.710 --> 10:22.000 Nó kể một câu chuyện. 10:22.000 --> 10:24.010 Nó có tất cả lịch sử đằng sau nó. 10:24.010 --> 10:26.110 Và một số người thích điều đó, một số người coi trọng điều đó. 10:26.110 --> 10:32.050 Trên thực tế, khá nhiều người thích điều đó và tự hào khi được sống trong một cơ ngơi và đặc biệt là ở 10:32.050 --> 10:36.910 các tầng lớp kinh tế xã hội cao hơn, họ sẽ khoe với bạn bè những thứ tương tự. 10:36.910 --> 10:42.220 Và do đó, những tài sản hơn 100 năm tuổi có thể được coi là có giá trị lịch sử. 10:42.220 --> 10:47.050 Và do đó, tế bào thần kinh này, ngay khi nhìn thấy một tài sản hơn 100 năm tuổi, nó 10:47.050 --> 10:49.300 sẽ phát hỏa và đóng góp vào giá chung. 10:49.300 --> 10:52.750 Và ngược lại, nếu nó dưới 100 tuổi, thì nó thậm chí sẽ không hoạt động. 10:52.750 --> 10:57.490 Và đây là một ví dụ điển hình về chức năng Rectifier đang được áp dụng. 10:57.490 --> 11:04.540 Vì vậy, ở đây bạn đã có một số rất giống một số 0 cho đến một thời điểm nhất định và sau đó giả sử 100 tuổi và sau đó 11:04.540 --> 11:05.530 lên đến 100 tuổi. 11:05.530 --> 11:10.600 Càng cũ, giá trị càng cao, đóng góp của nơ-ron này vào giá chung càng 11:10.600 --> 11:11.230 cao. 11:11.230 --> 11:18.010 Và đó chỉ là một ví dụ tuyệt vời về ví dụ rất đơn giản của chức năng chỉnh lưu này trong hoạt động. 11:18.610 --> 11:19.630 Vậy là xong. 11:19.630 --> 11:20.860 Đó có thể là tế bào thần kinh này. 11:20.860 --> 11:27.190 Và hơn thế nữa, mạng nơ-ron thậm chí có thể thu thập những thứ mà chính chúng ta cũng không nghĩ 11:27.190 --> 11:27.760 đến. 11:27.760 --> 11:28.120 Đúng. 11:28.390 --> 11:30.090 Ví dụ, phòng ngủ cộng với khoảng cách. 11:30.110 --> 11:34.540 Thành phố, có thể là sự kết hợp bằng cách nào đó góp phần vào giá cả. 11:34.540 --> 11:38.740 Có thể nó không mạnh bằng các tế bào thần kinh khác và nó đóng góp, nhưng nó vẫn đóng góp, 11:38.740 --> 11:40.060 hoặc có thể nó giảm giá. 11:40.060 --> 11:42.490 Đó cũng có thể là trường hợp hoặc những thứ khác tương tự. 11:42.490 --> 11:47.140 Và có thể một tế bào thần kinh đã chọn tất cả cho sự kết hợp của cả bốn tham số này. 11:47.140 --> 11:54.880 Và như bạn có thể thấy, rằng những nơ-ron này, toàn bộ tình huống lớp ẩn này cho phép bạn tăng tính 11:54.880 --> 12:02.200 linh hoạt của mạng nơ-ron của mình và cho phép bạn thực sự nhìn cho phép mạng nơ-ron tìm kiếm 12:02.200 --> 12:04.150 những thứ rất cụ thể. 12:04.150 --> 12:08.170 Và sau đó kết hợp với nhau, đó là nơi sức mạnh đến từ. 12:08.170 --> 12:09.570 Nó giống như ví dụ về loài kiến, phải không? 12:09.580 --> 12:12.430 Giống như một con kiến tự nó không thể xây dựng một con kiến. 12:12.430 --> 12:16.840 Nhưng khi bạn có thêm 1000 hoặc 100.000 lượt bổ sung, họ có thể cùng nhau xây dựng một anthill. 12:17.050 --> 12:18.540 Và đó là tình huống ở đây. 12:18.550 --> 12:24.220 Bản thân mỗi tế bào thần kinh này không thể dự đoán giá cả, nhưng chúng cùng có siêu năng 12:24.220 --> 12:25.990 lực và chúng dự đoán giá. 12:25.990 --> 12:30.010 Và họ có thể làm một công việc khá chính xác nếu được đào tạo đúng cách, nếu được thiết lập đúng cách. 12:30.490 --> 12:35.200 Và đó là điều mà toàn bộ khóa học này hướng đến trong việc hiểu cách sử dụng chúng. 12:35.200 --> 12:35.650 Chúng ta bắt đầu. 12:35.650 --> 12:42.210 Vì vậy, đó là một ví dụ từng bước và hướng dẫn cách mạng nơ-ron thực sự hoạt động. 12:42.220 --> 12:45.490 Tôi hy vọng bạn thích hướng dẫn hôm nay và tôi rất nóng lòng được gặp bạn lần sau. 12:45.490 --> 12:47.470 Cho đến lúc đó, hãy tận hưởng việc học sâu.