WEBVTT 00:00.840 --> 00:05.380 Halo dan selamat datang kembali ke kursus dan pembelajaran mendalam sekarang karena kami telah melihat jaringan Anda sendiri 00:05.440 --> 00:08.280 dalam aksi, saatnya bagi kami untuk mengetahui bagaimana mereka belajar. 00:08.470 --> 00:10.480 Jadi mari kita langsung ke dalamnya. 00:10.510 --> 00:16.100 Mereka adalah dua pendekatan yang berbeda secara mendasar untuk mendapatkan program untuk melakukan apa yang Anda inginkan. 00:16.240 --> 00:24.610 Salah satunya adalah pengkodean kode keras di mana Anda benar-benar memberi tahu aturan spesifik program dan hasil apa yang Anda 00:24.610 --> 00:25.120 inginkan. 00:25.120 --> 00:30.940 Dan Anda hanya membimbingnya sepanjang jalan dan Anda memperhitungkan semua opsi yang mungkin 00:30.940 --> 00:33.130 harus dihadapi oleh program. 00:33.310 --> 00:41.320 Di sisi lain Anda memiliki jaringan saraf di mana Anda membuat fasilitas untuk program untuk dapat memahami apa yang 00:41.800 --> 00:43.530 perlu dilakukan sendiri. 00:43.530 --> 00:50.080 Jadi pada dasarnya Anda membuat jaringan saraf ini di mana Anda memberikan input, Anda memberi tahu apa yang Anda inginkan 00:50.110 --> 00:53.050 sebagai output dan kemudian membiarkannya mencari tahu sendiri. 00:53.350 --> 00:59.890 Dua pendekatan yang berbeda secara mendasar dan itu adalah sesuatu yang perlu diingat ketika kita pergi melalui 00:59.890 --> 01:00.850 tutorial ini. 01:00.850 --> 01:06.180 Tujuan kami adalah membuat jaringan ini yang kemudian belajar sendiri. 01:06.220 --> 01:14.570 Kita akan menghindari mencoba memasukkan aturan dan contoh yang baik yang bisa saya berikan kepada Anda sekarang adalah ini akan datang lebih jauh 01:14.680 --> 01:18.680 dalam kursus tetapi itu hanya contoh yang sangat visual misalnya. 01:18.700 --> 01:25.690 Bagaimana Anda membedakan antara bulu anjing dan kucing di sisi kiri pada proses yang digambarkan di sebelah kiri 01:25.690 --> 01:33.250 Anda akan memprogram hal-hal seperti telinga kucing harus seperti ini melihat keluar untuk kumis melihat keluar untuk hidung jenis 01:33.250 --> 01:39.530 ini melihat keluar untuk jenis ini bentuk wajah melihat keluar untuk warna-warna ini Anda semacam Anda 01:39.530 --> 01:45.310 akan menggambarkan semua hal ini dan Anda akan memiliki kondisi seperti jika telinga runcing 01:45.310 --> 01:49.600 daripada kucing jika telinga miring dan mungkin anjing dan sebagainya. 01:49.600 --> 01:55.090 Di sisi lain untuk jaringan saraf Anda hanya kode jaringan saraf Anda kode arsitektur dan kemudian 01:55.090 --> 02:01.030 Anda mengarahkan jaringan saraf pada folder dengan semua kucing dan anjing ini dengan gambar kucing dan anjing yang 02:01.030 --> 02:06.580 sudah dikategorikan dan Anda katakan OK Sudah punya Anda, saya punya beberapa gambar kucing dan anjing pergi 02:06.880 --> 02:08.860 dan belajar apa itu kucing. 02:08.860 --> 02:10.560 Pergi dan pelajari apa itu anjing. 02:10.600 --> 02:16.000 Dan jaringan saraf akan dengan sendirinya memahami semua yang perlu dipahami dan kemudian turun begitu 02:16.000 --> 02:20.950 dilatih ketika Anda memberinya gambar baru kucing atau anjing, ia akan dapat memahami apa 02:20.950 --> 02:21.600 itu. 02:21.610 --> 02:25.600 Jadi mereka adalah dua pendekatan yang berbeda secara fundamental. 02:25.690 --> 02:31.090 Dan hari ini kita akan perlahan mulai membahas bagaimana pendekatan kedua itu bekerja. 02:31.090 --> 02:31.530 Baiklah. 02:31.570 --> 02:33.340 Jadi mari kita langsung saja ke sana. 02:33.400 --> 02:39.880 Di sini kita memiliki jaringan saraf yang sangat mendasar dengan satu lapisan yang disebut jaringan neural 02:39.880 --> 02:42.760 feedforward lapisan tunggal dan juga disebut persepsi. 02:42.760 --> 02:47.380 Sekarang sebelum kita melanjutkan satu hal yang perlu kita sesuaikan adalah nilai keluaran itu. 02:47.380 --> 02:49.320 Sekarang Anda dapat melihat bahwa itu hanya Y. 02:49.330 --> 02:51.160 Kita perlu menaruh topi di sana. 02:51.190 --> 02:56.500 Dan alasan untuk itu biasanya adalah singkatan dari nilai aktual dan itulah yang akan kita gunakan. 02:56.500 --> 03:03.700 Jadi mengapa itu akan menjadi nilai aktual yang kita lihat nilai output tidak nyata adalah nilai yang diprediksi 03:03.700 --> 03:05.890 oleh algoritma oleh jaringan saraf. 03:05.890 --> 03:09.220 Kenapa berapa nilai outputnya. 03:09.220 --> 03:11.500 Pada dasarnya itulah denominasi untuk nilai output. 03:11.740 --> 03:20.020 Dan persepsi yang pertama kali ditemukan pada tahun 1957 oleh Frank Rosenblat dan seluruh idenya adalah untuk 03:20.170 --> 03:25.010 menciptakan sesuatu yang benar-benar dapat belajar dan menyesuaikan diri. 03:25.240 --> 03:28.010 Dan inilah yang akan kita lihat sekarang. 03:28.030 --> 03:30.230 Jadi kita punya ajaran kita. 03:30.250 --> 03:32.070 Mari kita lihat bagaimana persepsi kita belajar. 03:32.080 --> 03:39.130 Jadi katakanlah kita memiliki beberapa nilai input yang telah disediakan untuk persepsi dan atau pada dasarnya ke jaringan 03:39.130 --> 03:40.210 kita sendiri. 03:40.330 --> 03:44.190 Kemudian fungsi aktivasi diterapkan. 03:44.200 --> 03:49.210 Kami memiliki output dan sekarang kami akan memplot output pada grafik. 03:49.210 --> 03:51.830 Jadi begitulah hasil keluaran kami. 03:51.830 --> 03:57.520 Sekarang yang perlu kita lakukan adalah untuk dapat belajar, kita perlu membandingkan nilai output dengan 03:57.520 --> 04:01.310 nilai aktual yang kita inginkan jaringan saraf untuk memperbaikinya. 04:01.600 --> 04:04.520 Dan itu adalah nilai y. 04:04.810 --> 04:08.230 Jadi jika kita taruh di sini Anda akan melihat ada sedikit perbedaan. 04:08.330 --> 04:13.510 Sekarang kita akan menghitung fungsi yang disebut fungsi biaya dihitung sebagai setengah dari 04:13.510 --> 04:17.200 selisih selisih antara nilai aktual dan nilai output. 04:17.200 --> 04:20.500 Sekarang ada banyak cara yang bisa Anda lakukan untuk fungsi kelas. 04:20.500 --> 04:23.300 Ada banyak fungsi biaya berbeda yang dapat Anda gunakan. 04:23.320 --> 04:30.280 Ini mungkin fungsi panggilan yang paling umum digunakan dan mengapa fungsi khusus yang kita gunakan akan mencari tahu lebih jauh 04:30.280 --> 04:34.900 ketika kita berbicara tentang gradien yang layak tetapi untuk sekarang kita hanya akan 04:34.900 --> 04:39.830 setuju bahwa ini adalah fungsi biaya dan pada dasarnya yang disampaikan fungsi biaya kepada 04:40.420 --> 04:44.240 kami adalah kesalahan apa yang Anda miliki dalam prediksi Anda. 04:44.290 --> 04:50.770 Dan tujuan kami adalah untuk meminimalkan fungsi biaya karena semakin rendah fungsi biaya semakin dekat y 04:50.790 --> 04:51.780 ke y. 04:52.150 --> 04:54.430 OK jadi karena hanya kami yang setuju mari kita lanjutkan. 04:54.430 --> 05:00.760 Jadi pada dasarnya dari sini yang terjadi adalah ada fungsi biaya dan dari 05:00.760 --> 05:08.950 sini yang terjadi sekarang kita akan setelah kita membandingkan sekarang kita akan memasukkan informasi ini kembali ke jaringan saraf. 05:08.980 --> 05:14.170 Jadi begitulah, ada informasi yang kembali ke jaringan saraf dan ia pergi ke bobot 05:14.200 --> 05:15.630 dan bobot diperbarui. 05:15.700 --> 05:20.880 Pada dasarnya satu-satunya hal yang kita kendalikan dalam jaringan saraf yang sangat sederhana ini adalah 05:20.900 --> 05:23.490 bobot w 1 W2 hingga W .. 05:23.980 --> 05:29.370 Dan tujuan kami adalah meminimalkan fungsi biaya sehingga yang bisa kami lakukan hanyalah memperbarui bobotnya. 05:29.500 --> 05:33.690 Jadi kami memperbarui bobot dan men-tweak mereka sedikit. 05:33.940 --> 05:39.600 Dan bagaimana tepatnya kita akan mencari tahu untuk turun tetapi untuk sekarang kita setuju bahwa kita memiliki bobot dan kemudian kita 05:39.600 --> 05:40.320 lanjutkan demikian. 05:40.320 --> 05:48.870 Tetapi di sini saya telah memasang tangkapan layar data ini hanya untuk membuat satu poin sangat jelas bahwa saat ini di seluruh 05:48.930 --> 05:53.990 percobaan ini semua yang kita lakukan sekarang kita berurusan dengan hanya satu peran. 05:54.000 --> 06:00.330 Jadi kita berhadapan dengan kita memiliki dataset dari satu baris di mana kita memiliki misalnya kita 06:00.330 --> 06:05.720 berurusan dengan berapa lama Anda mempelajarinya seperti variabel yang kita prediksi adalah apa. 06:06.180 --> 06:08.230 Apa hasil yang akan Anda dapatkan dalam ujian. 06:08.430 --> 06:13.200 Dan variabel independen tergantung yang kami miliki adalah berapa jam Anda belajar untuk berapa jam Anda tidur 06:13.200 --> 06:15.430 dan apa yang Anda dapatkan dalam kuis. 06:15.460 --> 06:19.880 Di pertengahan semester Jadi di pertengahan semester adalah kuis berapa persen yang Anda dapatkan di sana. 06:19.880 --> 06:26.100 Jadi berdasarkan pada variabel-variabel itu, kami mencoba memprediksi skor apa yang akan Anda dapatkan untuk ujian dan memeriksa 06:26.100 --> 06:28.010 93 persen itulah nilai sebenarnya. 06:28.010 --> 06:29.020 Jadi itu sebabnya. 06:29.560 --> 06:30.460 Begitu. 06:30.660 --> 06:36.720 Jadi kita memberi makan ketiga nilai ini ke jaringan saraf lagi untuk kedua kalinya sekarang dan kemudian 06:36.720 --> 06:38.980 kita akan membandingkan hasilnya dengan putih. 06:39.150 --> 06:40.690 Jadi mari kita lihat bagaimana ini bekerja. 06:40.800 --> 06:43.710 Kami memasukkan nilai-nilai ini ke dalam jaringan saraf. 06:43.830 --> 06:50.160 Segala sesuatunya disesuaikan dan bobot mendapatkannya hanya seperti yang Anda lihat ini lagi, kami memberi makan nilai lagi intinya di sini adalah bahwa kami 06:50.190 --> 06:55.480 memberi makan dalam bola yang sama sehingga kami hanya memiliki satu gulungan yang kami coba lakukan, kami sedang berlatih 06:55.480 --> 06:56.370 di satu baris. 06:56.370 --> 06:59.580 Ini karena ini hanyalah contoh dasar yang sangat sederhana. 06:59.640 --> 07:01.610 Lalu kita akan melihat apa yang terjadi ketika ada moral. 07:01.800 --> 07:06.180 Jadi sekali lagi kita memberi makan baris-baris ini dalam lintas fungsional kita bisa disesuaikan. 07:06.180 --> 07:10.520 Seperti yang Anda lihat semuanya terjadi di sepanjang garis itu lagi. 07:10.530 --> 07:15.030 Jadi seperti yang Anda katakan setiap kali topi putih kami berubah karena kami telah men-tweak bobotnya. 07:15.030 --> 07:20.550 Yang saya miliki hanyalah mengubah fungsi pakaian kita, mengubah seluruh tampilan ini lagi sehingga kami memberi makan mereka. 07:20.550 --> 07:22.840 Mengapa dulu berganti fungsi pakaian berubah. 07:22.920 --> 07:27.020 Kami mendapatkan informasi balik umpan balik ke bobot sehingga bobot bisa disesuaikan lagi. 07:27.030 --> 07:31.850 Kami memberi nilai yang sama setiap kali semuanya disesuaikan kembali ke bobot. 07:31.860 --> 07:33.920 Dan sekali lagi memberi makan. 07:34.020 --> 07:34.990 BAIK. 07:35.730 --> 07:40.720 Dan lain kali kita menyesuaikan cara yang kita rasakan dalam informasi. 07:40.830 --> 07:41.370 Dan kita mulai. 07:41.370 --> 07:45.990 Jadi sekarang kali ini topi putih sama dengan y lintas fungsional 0. 07:46.020 --> 07:48.410 Biasanya Anda tidak akan mendapatkan fungsi biaya sama dengan nol. 07:48.420 --> 07:50.720 Tetapi ini adalah contoh yang sangat sederhana. 07:50.820 --> 07:57.480 Jadi semoga semua masuk akal setiap kali kita memberi makan pada baris yang sama persis karena hanya dalam kasus ini 07:57.480 --> 08:01.370 kita hanya berurusan dengan satu baris ke dalam jaringan saraf kita. 08:01.400 --> 08:06.990 Nah kemudian bobot mendapatkan nilai dapatkan penawaran pasokan yang valid dengan cara fungsi aktivasi diterapkan 08:06.990 --> 08:12.320 kita dapatkan y dibandingkan dengan Y maka kita melihat bagaimana fungsi biaya diubah. 08:12.430 --> 08:16.500 Umpan balik dan umpan bahwa Bakker informasi di jaringan Anda sendiri dan kemudian hanya 08:16.500 --> 08:17.470 menyesuaikan bobot lagi. 08:17.850 --> 08:21.410 Dan kemudian kita ulangi proses yang sama lagi dengan baris yang sama persis. 08:21.570 --> 08:23.320 Kami berusaha meminimalkan biaya itu. 08:23.520 --> 08:26.860 Jadi sampai sekarang kita hanya berurusan dengan satu baris itu. 08:27.030 --> 08:29.470 Mari kita lihat apa yang terjadi ketika Anda memiliki banyak peran. 08:29.490 --> 08:31.320 Jadi, inilah set data lengkapnya. 08:31.350 --> 08:38.610 Kami memiliki delapan baris berapa jam Anda tidur atau mungkin ini adalah siswa yang berbeda dalam sehari mengambil ujian 08:38.610 --> 08:44.070 yang sama berapa jam yang mereka pelajari berapa jam mereka tidur sebelum ujian akan 08:44.070 --> 08:47.300 mengikuti kuis dan hasil akhir mereka pada ujian. 08:47.490 --> 08:52.720 Dan seperti yang Anda lihat di sebelah kiri, saya punya delapan persepsi ini sebenarnya. 08:53.100 --> 08:55.950 Mereka semua memiliki persepsi yang sama sehingga ini juga penting. 08:56.010 --> 09:02.600 Saya hanya mengalikannya atau suka digandakan delapan kali supaya kami bisa. 09:03.330 --> 09:04.310 Konsepsi adalah itu. 09:04.320 --> 09:10.010 Tetapi yang penting di sini adalah jaringan saraf yang sama kita akan memasukkan ini ke dalam satu jaringan 09:10.040 --> 09:10.380 Samual. 09:10.380 --> 09:11.650 Jadi mari kita mulai, mari kita mulai. 09:11.650 --> 09:20.550 Jadi satu bandara seperti yang akan Anda dengar menyebutkan satu airpark adalah ketika kita pergi melalui seluruh dataset 09:20.610 --> 09:27.410 dan kami melatih jaringan saraf kita tentang semua peran ini sehingga daftar tersebut. 09:27.420 --> 09:34.410 Jadi ada baris pertama kita dan ada Mengapa punya untuk baris pertama ada peran kedua di sana mengapa saya miliki untuk 09:34.410 --> 09:35.260 putaran kedua 09:35.280 --> 09:39.590 Jadi sekali lagi itu dimasukkan ke dalam jaringan saraf yang sama setiap waktu. 09:39.600 --> 09:45.070 Saya hanya menyalinnya beberapa kali sehingga kita dapat melihat secara visual bagaimana ini terjadi. 09:45.090 --> 09:52.320 Kemudian lagi seperti yang terjadi lagi itu baris keempat baris keempat ada kepala putih kita untuk baris keempat dan 09:52.320 --> 09:53.010 seterusnya. 09:53.010 --> 09:56.580 Pada dasarnya kita mendapatkan nilai yang sama untuk empat baris yang tersisa juga. 09:56.580 --> 10:03.440 Jadi setiap kali kita memberi makan secara berturut-turut ke dalam jaringan saraf kita, kita mendapatkannya. 10:03.780 --> 10:06.930 Kemudian kita membandingkan dengan nilai aktual. 10:06.930 --> 10:08.550 Jadi mereka adalah nilai sebenarnya. 10:08.760 --> 10:11.340 Jadi untuk setiap gulungan kami memiliki nilai aktual. 10:11.640 --> 10:18.480 Dan sekarang berdasarkan semua perbedaan antara y topi dan mengapa kita dapat menghitung 10:18.480 --> 10:27.620 fungsi biaya yang merupakan jumlah dari semua perbedaan kuadrat antara mengapa dan mengapa dan bagaimana semua itu dibelah dua. 10:28.230 --> 10:30.360 Dan ada fungsi biaya kami. 10:30.360 --> 10:36.750 Dan pada dasarnya sekarang apa yang kita lakukan setelah kita memiliki fungsi biaya penuh kita kembali dan kita memperbarui 10:37.170 --> 10:39.480 bobot kita memperbarui W 1 WTW. 10:39.510 --> 10:45.810 Dan yang penting untuk diingat di sini adalah bahwa semua persepsi ini tentang semua jaringan saraf ini sebenarnya 10:45.810 --> 10:47.340 adalah satu jaringan saraf. 10:47.340 --> 10:49.420 Jadi tidak ada delapan dari mereka, hanya ada satu. 10:49.680 --> 10:55.110 Dan ketika kita memperbarui bobot, kita akan memperbarui bobot dalam satu jaringan saraf itu sehingga pada 10:55.110 --> 10:57.900 dasarnya bobotnya akan sama untuk semua baris. 10:57.930 --> 11:00.560 Jadi tidak demikian halnya bahwa setiap peran memiliki bobotnya sendiri. 11:00.580 --> 11:07.320 Sekarang semua baris berbagi bobot dan itu sebabnya kami melihat fungsi biaya yang merupakan 11:07.620 --> 11:15.270 jumlah perbedaan kuadrat dan kemudian kami memperbarui bobot dan sekarang dari sini hanya ada satu iterasi. 11:15.270 --> 11:19.020 Selanjutnya kita akan menjalankan semua ini lagi. 11:19.020 --> 11:25.440 Kita akan memasukkan setiap baris ke dalam jaringan saraf untuk mengetahui fungsi biaya kita dan melakukan seluruh proses 11:25.440 --> 11:26.370 ini lagi. 11:26.370 --> 11:32.090 Jadi seperti yang kita lihat sebelumnya di mana kita hanya memiliki satu baris dan kita melakukan semuanya lagi dan lagi dan lagi 11:32.140 --> 11:33.590 hal yang sama di sini. 11:33.600 --> 11:38.880 Tapi sekarang kita akan melakukan dan Pedros atau 800 baris atau delapan ribu baris namun banyak baris yang Anda 11:38.880 --> 11:40.590 miliki di kumpulan data Anda. 11:40.830 --> 11:43.700 Anda melakukan proses ini dan kemudian Anda menghitung fungsi biaya. 11:44.220 --> 11:51.510 Dan tujuannya di sini adalah untuk meminimalkan fungsi biaya dan mendapatkan segera setelah Anda menemukan satu 11:51.510 --> 12:00.210 menit dari fungsi biaya yaitu jaringan saraf akhir Anda yang berarti bobot Anda telah disesuaikan dan Anda telah menemukan 12:00.750 --> 12:08.550 bobot optimal untuk dataset ini yang Anda mulai pelatihan Anda dan Anda siap untuk melanjutkan ke fase 12:08.550 --> 12:11.130 pengujian atau ke fase aplikasi. 12:11.550 --> 12:14.920 Dan seluruh proses ini disebut propagasi balik. 12:15.000 --> 12:21.930 Jadi beberapa bacaan tambahan yang mungkin ingin Anda lakukan untuk fungsi biaya dan saya tahu kami baru 12:21.930 --> 12:24.840 saja membicarakannya dan ada banyak yang berbeda. 12:24.840 --> 12:28.690 Artikel yang bagus ada di cross divalidasi. 12:28.740 --> 12:33.020 Ini disebut daftar fungsi saja yang digunakan dalam jaringan saraf bersama aplikasi. 12:33.090 --> 12:39.840 Jadi euro ada di sana tetapi Anda hanya dapat google untuk istilah pencarian yang tepat atau frasa pencarian dan Anda akan bahwa 12:39.960 --> 12:42.150 ini akan menjadi yang pertama yang muncul. 12:42.150 --> 12:48.660 Ini sebenarnya memiliki beberapa contoh dan aplikasi yang baik atau kasus penggunaan untuk fungsi biaya yang berbeda jadi jika Anda tertarik 12:48.660 --> 12:51.800 untuk mempelajari lebih lanjut tentang fungsi biaya. Periksa artikel ini. 12:51.990 --> 12:54.380 Dan pada catatan itu saya harap Anda menikmati tutorial ini. 12:54.420 --> 12:56.070 Saya berharap dapat melihat Anda lain kali. 12:56.070 --> 12:58.020 Sampai kemudian menikmati pembelajaran yang mendalam.