WEBVTT

00:00.840 --> 00:05.380
Merhaba ve kursa tekrar hoş geldiniz deyin ve kendi öğrenme ağlarını hareket halindeyken

00:05.440 --> 00:08.280
gördüğümüze göre artık öğrenme biçimimizi öğrenmenin zamanı geldi.

00:08.470 --> 00:10.480
Bu yüzden içine girelim.

00:10.510 --> 00:16.100
Bunlar, yapmak istediğinizi yapmak için bir program elde etmede iki temelde farklı yaklaşımlardır.

00:16.240 --> 00:24.610
Birincisi, programın belirli kurallarını ve hangi sonuçların istediğinizi anlattığınız sabit kodlanmış

00:24.610 --> 00:25.120
kodlamadır.

00:25.120 --> 00:30.940
Ve sadece bütün yol boyunca rehberlik ettiniz ve programın başa çıkması gereken

00:30.940 --> 00:33.130
tüm olası seçenekleri hesaba katıyorsunuz.

00:33.310 --> 00:41.320
Öte yandan, programın kendi başına ne yapması gerektiğini anlayabilmesi için bir tesis oluşturduğunuz

00:41.800 --> 00:43.530
sinir ağlarına sahipsiniz.

00:43.530 --> 00:50.080
Yani temel olarak, girişleri sağladığınız bu sinir ağını, çıktı olarak istediğinizi söylerseniz, o zaman kendi

00:50.110 --> 00:53.050
başına her şeyi anlamanıza izin veriyorsunuz demektir.

00:53.350 --> 00:59.890
İki esaslı olarak farklı yaklaşımlar ve bu eğitimlerden geçerken aklımızda tutmanız gereken bir

00:59.890 --> 01:00.850
şey var.

01:00.850 --> 01:06.180
Hedefimiz, daha sonra kendi başlarına öğrenen bu ağın yaratılmasıdır.

01:06.220 --> 01:14.570
anda verebileceğim güzel bir örnek bu dersin ilerisinde olacak, ancak örneğin çok görsel bir örnek.

01:14.680 --> 01:18.680
Kurallara girmeye çalışmaktan kaçınacağım ve size şu

01:18.700 --> 01:25.690
Sol tarafta nasıl bir köpek ve kedi kürkü ayırt edersiniz solda tasvir edilen

01:25.690 --> 01:33.250
süreçte tasvir edilen süreçte kedi kulakları gibi şeyler olmalı bu bıyıklara dikkat etmeniz gereken

01:33.250 --> 01:39.530
bu tip burnun dikkatini çeken burun tipine dikkat edin yüzün şekli, bu

01:39.530 --> 01:45.310
renkleri göz önüne alırsanız, bütün bunları açıklarsanız, kulaklar eğimli ve kedi

01:45.310 --> 01:49.600
gibi eğilirse kulaklar kedi yerine sivri uçmuş gibi olur.

01:49.600 --> 01:55.090
ve köpeklerle tüm bu kediler ve köpeklerle birlikte bir klasöre işaret edersiniz ve bunu

01:55.090 --> 02:01.030
size söylersiniz. Seni aldım, kedilerden bazı resimlerim var ve köpekler gidip bir kedinin ne olduğunu öğreniyorum.

02:01.030 --> 02:06.580
Öte yandan bir sinir ağı için sinir ağlarını kodladığınızda mimariyi kodlarsınız ve sinir ağını, daha

02:06.880 --> 02:08.860
önce kategorize edilmiş olan kediler

02:08.860 --> 02:10.560
Git ve bir köpeğin ne olduğunu öğren.

02:10.600 --> 02:16.000
Ve sinir ağı kendi başına anlamak için ihtiyaç duyduğu her şeyi anlayacaktır ve sonra bir kedi ya

02:16.000 --> 02:20.950
da köpeğin yeni bir görüntüsünü verince ne kadar olduğunu anlamak için eğitildikten sonra daha da

02:20.950 --> 02:21.600
aşağı inecektir.

02:21.610 --> 02:25.600
Öyleyse onlar da temel olarak birbirinden farklı iki yaklaşımdır.

02:25.690 --> 02:31.090
Ve bugün, yavaş yavaş ikinci yaklaşımın nasıl işlediğine başlamaya başlayacağız.

02:31.090 --> 02:31.530
Tamam.

02:31.570 --> 02:33.340
O zaman ona düz olalım.

02:33.400 --> 02:39.880
Burada tek katmanlı ileri beslemeli sinir ağı denilen ve tek bir katmana sahip olan çok temel sinir ağına sahibiz

02:39.880 --> 02:42.760
ve aynı zamanda bir algı olarak da adlandırılmaktadır.

02:42.760 --> 02:47.380
Şimdi başlamadan önce, ayarlamamız gereken şeylerden biri çıktı değeridir.

02:47.380 --> 02:49.320
Şu anda sadece bir Y olduğunu görebilirsiniz.

02:49.330 --> 02:51.160
Orada bir şapka takmamız gerekiyor.

02:51.190 --> 02:56.500
Ve bunun nedeni genellikle y gerçek değeri temsil eder ve kullanacağımız şey budur.

02:56.500 --> 03:03.700
Peki neden gerçeklik çıktı değerinin, sinir ağı tarafından algoritma tarafından öngörülen değer olduğunu

03:03.700 --> 03:05.890
gördüğümüz gerçek değer olacak.

03:05.890 --> 03:09.220
Neden çıktı değeri nedir?

03:09.220 --> 03:11.500
Temelde çıktı değeri için kullanılan ad.

03:11.740 --> 03:20.020
Ve 1957'de Frank Rosenblat tarafından ilk icat edilen algı ve bütün fikri kendisini

03:20.170 --> 03:25.010
gerçekten öğrenen ve ayarlayabilen bir şey yaratmaktı.

03:25.240 --> 03:28.010
Ve şimdi bakacağımız şey de bu.

03:28.030 --> 03:30.230
Bu yüzden kuralımızı çizmiş durumdayız.

03:30.250 --> 03:32.070
Bakalım algımız nasıl öğreniyor.

03:32.080 --> 03:39.130
Diyelim ki, algıya ve temel olarak kendi ağımıza tedarik edilen bazı giriş

03:39.130 --> 03:40.210
değerlerine sahibiz.

03:40.330 --> 03:44.190
Daha sonra aktivasyon fonksiyonu uygulanır.

03:44.200 --> 03:49.210
Bir çıktıımız var ve şimdi çıktıyı bir grafikte çizmeye gidiyoruz.

03:49.210 --> 03:51.830
İşte bizim çıktılarımız var.

03:51.830 --> 03:57.520
Şimdi yapmamız gereken, çıkış değerini, sinir ağının doğru olmasını

03:57.520 --> 04:01.310
istediğimiz fiili değere kıyaslamamız gerektiğini öğrenebilmek.

04:01.600 --> 04:04.520
Ve bu y değeri.

04:04.810 --> 04:08.230
Ve eğer onu buraya koyarsak biraz fark olduğunu göreceksin.

04:08.330 --> 04:13.510
Şimdi, maliyet fonksiyonu adı verilen bir fonksiyonu, fiili değer ile çıktı

04:13.510 --> 04:17.200
değeri arasındaki karenin farkının yarısı kadar hesapladığımızı hesaplayacağız.

04:17.200 --> 04:20.500
Şimdi orada sınıf işlevi için gelebilecek birçok yolu var.

04:20.500 --> 04:23.300
Kullanabileceğiniz birçok farklı maliyet fonksiyonu vardır.

04:23.320 --> 04:30.280
konuştuğumuzda daha fazla bilgi edineceğiz, ancak şimdilik bunun maliyet fonksiyonu olduğuna ve temelde

04:30.280 --> 04:34.900
maliyet fonksiyonunun bize anlattıklarının, tahmininizdeki hatanın ne olduğu.

04:34.900 --> 04:39.830
Muhtemelen en yaygın olarak kullanılan çağrı fonksiyonudur ve neden

04:40.420 --> 04:44.240
kullandığımız bu işlevin, terbiyeli bir eğim hakkında

04:44.290 --> 04:50.770
Amacımız, maliyet işlevini en aza indirgemektir, çünkü maliyet fonksiyonu ne kadar düşükse, y şapkası y'ye o

04:50.790 --> 04:51.780
kadar yakındır.

04:52.150 --> 04:54.430
Tamam, böylece biz sadece devam edelim, hemfikiriz.

04:54.430 --> 05:00.760
Temel olarak buradan bir maliyet fonksiyonu var ve buradan

05:00.760 --> 05:08.950
şimdi ne yaptığımızı şimdi karşılaştırdığımızda, bu bilgiyi sinir ağına geri göndereceğiz.

05:08.980 --> 05:14.170
ağına geri dönen bilgiler var ve ağırlıklara gidiyor ve ağırlıklar güncelleniyor.

05:14.200 --> 05:15.630
Dolayısıyla orada sinir

05:15.700 --> 05:20.880
Temel olarak, bu çok basit sinir ağında kontrolümüz olan tek şey, W 1

05:20.900 --> 05:23.490
W2 ile W arasındaki tüm ağırlıklardır. Amacımız maliyet fonksiyonunu en aza indirgemek ve böylece ağırlıkları güncellemek.

05:23.980 --> 05:29.370
Böylece ağırlıkları güncelledik ve onları biraz değiştirdik.

05:29.500 --> 05:33.690
Ve ne için tam olarak nasıl aşağı öğreneceğiz

05:33.940 --> 05:39.600
ama şimdilik biz ağırlıkları var kabul ve daha sonra devam ediyoruz.

05:39.600 --> 05:40.320
Ancak burada

05:40.320 --> 05:48.870
verilerin ekran görüntüsünü koydum, şu anda bu deneyin tamamında yaptığımız şeyin şu anda sadece bir rolle uğraştığımızı bir noktaya değindim.

05:48.930 --> 05:53.990
Dolayısıyla, bir sıradaki bir veri kümesine sahibiz, buna karşılık,

05:54.000 --> 06:00.330
tahmin ettiğimiz değişkenin ne olduğu gibi, ne kadar çalışacağınız ile ilgileniyoruz.

06:00.330 --> 06:05.720
Bir sınava gireceğiniz sonuç nedir?

06:06.180 --> 06:08.230
Ve bağımlı bağımsız değişkenler

06:08.430 --> 06:13.200
kaç saat uyuduğunuz ve kaç test yaptınız dersiniz.

06:13.200 --> 06:15.430
Yarıyılın ortasında Yani yarıyılın ortasında bir sınav var oranın% 'sına ulaştınız.

06:15.460 --> 06:19.880
Bu değişkenlere dayanarak, sınav için hangi puanı

06:19.880 --> 06:26.100
alacağınızı tahmin etmeye çalışıyoruz ve gerçek değeri olan yüzde 93'ü inceleyelim.

06:26.100 --> 06:28.010
İşte bu nedenle.

06:28.010 --> 06:29.020
Yani.

06:29.560 --> 06:30.460
Böylece bu

06:30.660 --> 06:36.720
üç değeri şimdi ikinci kez bir sinir ağına besliyoruz ve daha sonra sonucu beyazla kıyaslayacağız.

06:36.720 --> 06:38.980
Bu yüzden nasıl çalıştığını görelim.

06:39.150 --> 06:40.690
Bu değerleri sinir ağına besleriz.

06:40.800 --> 06:43.710
tekrar değerler besliyoruz demektir, burada nokta aynı

06:43.830 --> 06:50.160
topu besliyoruz, bu yüzden yalnızca denediğimiz bir rulo var. Biz eğitiyoruz bir sıra üzerinde

06:50.190 --> 06:55.480
Her şey ayarlanır ve ağırlıklar bunu algılar böylece bunu tekrar görebiliriz, burada

06:55.480 --> 06:56.370
Bunun nedeni, bunun basit bir basit örnek olmasıdır.

06:56.370 --> 06:59.580
Sonra ahlak olduğunda ne olacağını göreceğiz.

06:59.640 --> 07:01.610
Böylece yine bu satırları çapraz işlevsel ayarlamalarımızda besledik.

07:01.800 --> 07:06.180
Gördüğünüz gibi herşey bu çizgiler boyunca tekrar oluyor.

07:06.180 --> 07:10.520
Demek ki beyaz şapkamız her seferinde değişiyor, çünkü ağırlıkları değiştirdik.

07:10.530 --> 07:15.030
Tek sahip olduğum, giysilerimin işleyişini değiştiriyor, hepsini bir daha değiştirerek onları besliyoruz.

07:15.030 --> 07:20.550
Değişen kıyafetler değişti neden?

07:20.550 --> 07:22.840
Ağırlıklar tekrar ayarlanacak şekilde ağırlıklara bilgi geri bildirimi göndeririz.

07:22.920 --> 07:27.020
Ayarlanan her şey ağırlıklara geri döndüğümüzde aynı değerleri besliyoruz.

07:27.030 --> 07:31.850
Ve bir kez daha içeri girecek.

07:31.860 --> 07:33.920
TAMAM.

07:34.020 --> 07:34.990
Ve başka zamanlarda, bilginin içinde hissettiğimiz yolu bu şekilde ayarladık.

07:35.730 --> 07:40.720
Ve işte gidiyoruz.

07:40.830 --> 07:41.370
Şimdi bu kez beyaz şapka çapraz işlevsel 0'a eşittir.

07:41.370 --> 07:45.990
Genellikle, sıfıra eşit maliyet fonksiyonu almazsınız.

07:46.020 --> 07:48.410
Ancak bu çok basit bir örnek.

07:48.420 --> 07:50.720
Umarım tüm bunlar aynı satıra

07:50.820 --> 07:57.480
her girdiğimizde mantıklı gelmiştir çünkü bu durumda sadece bu satırları sinir ağımızla ilgiliyiz.

07:57.480 --> 08:01.370
Öyleyse ağırlıklar, değerlerin geçerli tedarik kaynağına sahip olmasını sağlamak için aktivasyon

08:01.400 --> 08:06.990
işlevinin uygulanma yollarını Y'ye uyguladığımızda y ile karşılaştırdığımızda Y ile karşılaştırıldığında maliyet fonksiyonunun nasıl değiştiğini görüyoruz.

08:06.990 --> 08:12.320
Geri bildirim ve Bakker'ın kendi ağında bulunduğu bilgileri

08:12.430 --> 08:16.500
besleyin ve sonra ağırlıkları tekrar ayarlayın.

08:16.500 --> 08:17.470
Ve sonra aynı işlemi aynı satırla yeniden tekrarlarız.

08:17.850 --> 08:21.410
Bu masrafı en aza indirmeye çalışıyoruz.

08:21.570 --> 08:23.320
Şimdiye kadar sadece bir sıra ile uğraştık.

08:23.520 --> 08:26.860
Birden fazla rolünüz olduğunda ne olacağını görelim.

08:27.030 --> 08:29.470
İşte tam veri seti.

08:29.490 --> 08:31.320
Kaç saatler boyunca uyuduğunuz

08:31.350 --> 08:38.610
sekiz sıraya sahibiz veya belki de aynı sınavı alarak günde farklı öğrencilerdir. Sınava sınava girmeden

08:38.610 --> 08:44.070
önce kaç saat uyuduklarını saatlerce öğrendiklerini ve testte nihai sonuçlarını alacaklarını.

08:44.070 --> 08:47.300
Ve burada solda görebildiğiniz gibi, bu algılamalardan sekizim var aslında.

08:47.490 --> 08:52.720
Hepsi aynı algılamadır, bu da önemlidir.

08:53.100 --> 08:55.950
Onu çoğalttım ya da sekiz defa çoğaltıp beğenebildik.

08:56.010 --> 09:02.600
Akıl kavramı bu.

09:03.330 --> 09:04.310
Ancak burada

09:04.320 --> 09:10.010
önemli olan şey, bunları bir Samuel ağa besleyeceğimiz aynı sinir ağı.

09:10.040 --> 09:10.380
Hadi başlayalım, hadi başlayalım.

09:10.380 --> 09:11.650
Duyacağınız üzere bir

09:11.650 --> 09:20.550
havaalanı, bir hava limanından bahsettikten sonra, bütün bir veri setini kullandığımız ve sinir ağımızı bu rollerin hepsinde eğittiğimizden bu listeler.

09:20.610 --> 09:27.410
İlk sıra var ve ilk sıra için ikinci

09:27.420 --> 09:34.410
bir rol var neden orada, ikinci tura katılmıştım.

09:34.410 --> 09:35.260
Her seferinde yine aynı sinir ağına besleniyor.

09:35.280 --> 09:39.590
Onları birkaç kez kopyaladım, böylece bunun nasıl olduğunu görsel olarak görebiliriz.

09:39.600 --> 09:45.070
Sonra yine oluyor gibi, üçüncü sıra

09:45.090 --> 09:52.320
dördüncü sıra var dördüncü sıra için beyaz başımız var.

09:52.320 --> 09:53.010
Temelde o zaman kalan dört satıra aynı değerleri elde ederiz.

09:53.010 --> 09:56.580
Dolayısıyla her seferinde sinir ağına bir satırlık beslenirsek, anlaşırız.

09:56.580 --> 10:03.440
Sonra gerçek değeri karşılaştırırız.

10:03.780 --> 10:06.930
Yani gerçek değerler bunlar.

10:06.930 --> 10:08.550
Bu yüzden her rulo için gerçek bir değerimiz var.

10:08.760 --> 10:11.340
Ve şimdi, bu hatalar arasındaki tüm bu

10:11.640 --> 10:18.480
farklılıklara dayanarak neden ve neden arasındaki karelerin toplamının toplamı olan maliyet fonksiyonunu neden hesaplayabildiğimizi ve bunların hepsinin yarıya indirildiğini görüyoruz.

10:18.480 --> 10:27.620
Ve maliyet fonksiyonumuz var.

10:28.230 --> 10:30.360
Temel olarak şimdi tam maliyet

10:30.360 --> 10:36.750
fonksiyonumuza sahip olduktan sonra ne yaparsak geri gideriz ve güncellediğimiz ağırlıkları W 1 WTW olarak güncelliyoruz.

10:37.170 --> 10:39.480
Burada hatırlanması gereken en önemli

10:39.510 --> 10:45.810
şey, tüm bu algılamaların bu sinir ağlarının hepsinin aslında bir sinir ağı olmasıdır.

10:45.810 --> 10:47.340
Yani sekiz tane yok sadece bir tane var.

10:47.340 --> 10:49.420
Ve ağırlıkları güncellediğimizde, bu bir

10:49.680 --> 10:55.110
sinir ağındaki ağırlıkları güncelleyeceğiz, böylece temelde ağırlıklar tüm satırlar için aynı olacak.

10:55.110 --> 10:57.900
Dolayısıyla her rolü kendi ağırlığı oluşturan durum böyle değil.

10:57.930 --> 11:00.560
Artık tüm satırlar ağırlıkları paylaşıyor ve bu

11:00.580 --> 11:07.320
yüzden kare farklarının toplamı olan maliyet fonksiyonuna baktık ve ardından ağırlıkları güncelledik ve şimdi buradan sadece bir yineleme oldu.

11:07.620 --> 11:15.270
Sonra her şeyi tekrar yapacağız.

11:15.270 --> 11:19.020
Her tek sırayı sinir ağına

11:19.020 --> 11:25.440
besleyip maliyet fonksiyonumuzu bulacağız ve bu işlemi tekrar yapacağız.

11:25.440 --> 11:26.370
Daha önce

11:26.370 --> 11:32.090
gördüğümüz gibi sadece bir satırı yaptığımız yerdeydi ve burada her şeyi tekrar tekrar yapıyorduk.

11:32.140 --> 11:33.590
Ancak şimdi, veri setinizde

11:33.600 --> 11:38.880
birçok satır var ancak Pedros veya 800 satır veya sekiz bin satır yapıyor olacağız.

11:38.880 --> 11:40.590
Bu işlemi yaparsınız ve sonra maliyet fonksiyonunu hesaplarsınız.

11:40.830 --> 11:43.700
Ve burada amaç, maliyet fonksiyonunu

11:44.220 --> 11:51.510
en aza indirmek ve ağırlıklarınızın ayarlandığı anlamına gelen, son sinir ağınız olan

11:51.510 --> 12:00.210
maliyet fonksiyonunun bir dakikasını bulur bulmaz ulaşabilmeniz ve başladığınız bu veri seti için en

12:00.750 --> 12:08.550
uygun ağırlıkları bulmanızdır. Eğitiminiz bitti ve test aşamasına veya uygulama aşamasına geçmeye hazırsınız.

12:08.550 --> 12:11.130
Ve bu sürecin tamamına geri yayılım denir.

12:11.550 --> 12:14.920
Maliyet fonksiyonu için yapmak isteyebileceğiniz bazı ilave

12:15.000 --> 12:21.930
okumalar var ve ben sadece birinden bahsettik ve bir çok farklı önerme olduğunu biliyorum.

12:21.930 --> 12:24.840
İyi bir makale, çapraz doğrulanmış olarak bulunur.

12:24.840 --> 12:28.690
Buna sinir ağlarında kullanılan ders işlevi listesi de denir.

12:28.740 --> 12:33.020
Dolayısıyla avro var, ancak tam olarak bu arama terimi

12:33.090 --> 12:39.840
veya arama ifadesi için google'la çalışabilirsin ve bunu bir tane açılan ilk olacak.

12:39.960 --> 12:42.150
Maliyet işlevleri hakkında daha fazla bilgi

12:42.150 --> 12:48.660
edinmek isterseniz, aslında bazı iyi örnekler ve uygulama farklı maliyet işlevleri için durumları var Bu makaleyi gözden geçirin.

12:48.660 --> 12:51.800
Ve bu notada umarım bu eğiticiden hoşlanırsınız.

12:51.990 --> 12:54.380
Gelecek sefer sizi görmek için sabırsızlıkla bekliyorum.

12:54.420 --> 12:56.070
O zamana kadar derinlemesine öğrenmenin tadını çıkarın.

12:56.070 --> 12:58.020