WEBVTT 00:00.700 --> 00:03.010 Xin chào và chào mừng bạn trở lại với khóa học và học sâu. 00:03.010 --> 00:08.190 Bây giờ chúng ta đã thấy các mạng thần kinh hoạt động, đã đến lúc chúng ta tìm hiểu cách chúng học. 00:08.200 --> 00:09.820 Vì vậy, chúng ta hãy đi thẳng vào nó. 00:10.270 --> 00:16.000 Về cơ bản, có hai cách tiếp cận khác nhau để khiến một chương trình thực hiện những gì bạn muốn. 00:16.030 --> 00:24.580 Một là mã hóa cứng, trong đó bạn thực sự nói với các quy tắc cụ thể của chương trình và kết quả bạn muốn và bạn 00:24.580 --> 00:30.760 chỉ hướng dẫn nó trong suốt quá trình và bạn tính đến tất cả các tùy chọn có thể có 00:30.760 --> 00:32.920 mà chương trình phải giải quyết. 00:33.070 --> 00:37.300 Mặt khác, bạn có mạng nơ-ron nơi bạn tạo. 00:38.700 --> 00:43.430 Cơ sở để chương trình có thể tự hiểu được những gì nó cần phải làm. 00:43.440 --> 00:49.410 Vì vậy, về cơ bản bạn tạo ra mạng nơ-ron này, nơi bạn cung cấp đầu vào cho nó, bạn cho nó biết bạn muốn gì 00:49.410 --> 00:52.980 dưới dạng đầu ra và sau đó bạn để nó tự tìm hiểu mọi thứ. 00:53.310 --> 00:55.650 Hai cách tiếp cận khác nhau về cơ bản. 00:55.770 --> 01:00.450 Và đó là điều cần ghi nhớ khi chúng ta xem qua các hướng dẫn này. 01:00.660 --> 01:05.910 Mục tiêu của chúng tôi là tạo ra mạng này, mạng này sau đó sẽ tự học. 01:05.920 --> 01:10.920 Chúng tôi sẽ tránh cố gắng đưa ra các quy tắc. 01:10.920 --> 01:16.710 Và một ví dụ điển hình mà tôi có thể cung cấp cho bạn ngay bây giờ là điều này sẽ tiến xa hơn trong khóa học, nhưng đó chỉ 01:16.710 --> 01:18.030 là một ví dụ trực quan. 01:18.030 --> 01:23.660 Ví dụ, làm thế nào để bạn phân biệt giữa một con chó và một con mèo ở bốn phía bên trái? 01:23.670 --> 01:29.700 Trong cách tiếp cận được mô tả ở bên trái, bạn sẽ lập trình những thứ giống như tai của con mèo phải như 01:29.700 --> 01:30.480 thế này. 01:30.480 --> 01:34.080 Để ý râu ria, để ý loại mũi này. 01:34.080 --> 01:37.680 Hãy chú ý đến kiểu khuôn mặt này. 01:37.740 --> 01:38.790 Hãy chú ý những màu này. 01:38.790 --> 01:43.650 Bạn giống như bạn mô tả tất cả những điều này và bạn có các 01:43.650 --> 01:48.960 điều kiện như nếu tai nhọn thì mèo, nếu tai cụp xuống thì có thể là chó, v.v. 01:49.440 --> 01:54.690 Mặt khác, đối với mạng nơ-ron, bạn chỉ cần mã hóa mạng nơ-ron, mã hóa kiến trúc và sau đó 01:54.690 --> 02:00.750 bạn trỏ mạng nơ-ron vào một thư mục có tất cả những con mèo và chó này với hình ảnh của những chú mèo 02:00.750 --> 02:02.580 và chó đã được phân loại. 02:02.580 --> 02:04.530 Và bạn nói với nó, được rồi, tôi đã có bạn. 02:04.530 --> 02:06.630 Tôi có một số hình ảnh về mèo và chó. 02:06.660 --> 02:08.790 Đi và tìm hiểu mèo là gì. 02:08.790 --> 02:10.470 Đi và tìm hiểu con chó là gì. 02:10.470 --> 02:15.030 Và mạng nơ-ron tự nó sẽ hiểu mọi thứ nó cần hiểu. 02:15.030 --> 02:20.040 Và sau đó xa hơn nữa, một khi nó đã được huấn luyện, khi bạn cho nó một hình ảnh mới về một con mèo hoặc con chó, nó 02:20.040 --> 02:21.390 sẽ có thể hiểu nó là gì. 02:21.390 --> 02:23.070 Vì vậy, họ ở đó. 02:23.100 --> 02:25.440 Đó là hai cách tiếp cận khác nhau về cơ bản. 02:25.440 --> 02:30.920 Và hôm nay chúng ta sẽ từ từ bắt đầu tìm hiểu cách thức hoạt động của cách tiếp cận thứ hai. 02:30.930 --> 02:31.410 Được rồi. 02:31.410 --> 02:33.480 Vì vậy, chúng ta hãy đi thẳng vào nó ở đây. 02:33.480 --> 02:39.450 Chúng ta có một mạng nơ-ron rất cơ bản với một lớp được gọi là một lớp đơn, mạng nơ-ron 02:39.450 --> 02:42.540 truyền tiếp và nó còn được gọi là perceptron. 02:42.540 --> 02:47.910 Bây giờ, trước khi chúng ta tiếp tục, một điều mà chúng ta cần điều chỉnh là giá trị đầu ra ngay bây giờ, bạn có thể thấy rằng đó 02:47.910 --> 02:50.970 chỉ là lý do tại sao chúng ta cần đặt một chiếc mũ y vào đó. 02:50.970 --> 02:56.400 Và lý do cho điều đó thường là Y là viết tắt của giá trị thực và đó là những gì chúng ta sẽ sử dụng. 02:56.400 --> 02:59.910 Vì vậy, Y sẽ là giá trị thực tế mà chúng ta thấy. 02:59.910 --> 03:06.750 Trong thực tế, giá trị đầu ra là giá trị được dự đoán bởi thuật toán, bởi mạng nơ-ron, y 03:06.750 --> 03:09.150 hat là giá trị đầu ra. 03:09.150 --> 03:11.460 Về cơ bản đó là mệnh giá cho giá trị đầu ra. 03:11.460 --> 03:17.220 Và perceptron lần đầu tiên được phát minh vào năm 1957 bởi Frank Rosenblatt. 03:17.220 --> 03:24.930 Và toàn bộ ý tưởng của anh ấy là tạo ra thứ gì đó thực sự có thể học hỏi và tự điều chỉnh. 03:24.930 --> 03:27.780 Và đây là những gì chúng ta sẽ xem xét bây giờ. 03:27.780 --> 03:30.150 Vì vậy, chúng tôi đã có một perceptron. 03:30.150 --> 03:31.830 Hãy xem cách một perceptron học. 03:31.830 --> 03:39.060 Vì vậy, giả sử chúng ta có một số giá trị đầu vào đã được cung cấp cho perceptron và hoặc về cơ bản cho mạng nơ-ron 03:39.060 --> 03:40.080 của chúng ta. 03:40.080 --> 03:47.580 Sau đó, chức năng kích hoạt được áp dụng, chúng ta có một đầu ra và bây giờ chúng ta sẽ vẽ đầu 03:47.580 --> 03:49.050 ra trên biểu đồ. 03:49.050 --> 03:51.480 Vì vậy, nó đó, đầu ra y hat của chúng tôi. 03:51.510 --> 03:57.030 Bây giờ những gì chúng ta cần làm là để có thể học được, chúng ta cần so sánh giá 03:57.030 --> 04:01.200 trị đầu ra với giá trị thực mà chúng ta muốn mạng nơ-ron đúng. 04:01.290 --> 04:04.320 Và đó là giá trị Y. 04:04.620 --> 04:07.710 Và vì vậy nếu chúng tôi vẽ sơ đồ ở đây, bạn sẽ thấy rằng có một chút khác biệt. 04:08.100 --> 04:13.410 Bây giờ chúng ta sẽ tính toán một hàm được gọi là hàm chi phí được tính bằng một nửa hiệu số của 04:13.410 --> 04:16.890 sự khác biệt bình phương giữa giá trị thực tế và giá trị đầu ra. 04:16.920 --> 04:20.430 Bây giờ có nhiều cách bạn có thể đưa ra một hàm chi phí. 04:20.430 --> 04:23.040 Có nhiều hàm chi phí khác nhau mà bạn có thể sử dụng. 04:23.250 --> 04:30.210 Đây có lẽ là hàm lớp được sử dụng phổ biến nhất và tại sao nó lại cụ thể là hàm này mà chúng ta sử 04:30.210 --> 04:30.480 dụng. 04:30.480 --> 04:34.200 Chúng ta sẽ tìm hiểu sâu hơn khi chúng ta nói về sự giảm dần độ dốc. 04:34.200 --> 04:37.650 Nhưng bây giờ chúng ta sẽ đồng ý rằng đây là hàm chi phí. 04:37.650 --> 04:44.040 Và về cơ bản, những gì hàm chi phí đang cho chúng tôi biết là lỗi mà bạn có trong dự đoán của mình là gì? 04:44.040 --> 04:50.160 Và mục tiêu của chúng ta là tối thiểu hóa hàm chi phí vì hàm chi phí càng thấp thì mũ 04:50.160 --> 04:51.480 y càng gần Y. 04:52.290 --> 04:54.360 Vì vậy, miễn là chúng tôi đồng ý về điều đó, hãy tiếp tục. 04:54.360 --> 04:58.320 Vì vậy, về cơ bản từ đây, những gì xảy ra là có hàm chi phí của chúng ta. 04:58.320 --> 05:04.830 Và từ đây những gì sẽ xảy ra bây giờ chúng ta sẽ làm khi chúng ta đã so sánh ngay bây giờ, 05:04.980 --> 05:08.760 chúng ta sẽ cung cấp thông tin này trở lại mạng nơ-ron. 05:08.760 --> 05:09.630 Vậy là xong. 05:09.630 --> 05:14.610 Có thông tin quay trở lại mạng nơ-ron và nó chuyển đến các trọng số và các trọng số 05:14.640 --> 05:15.480 được cập nhật. 05:15.480 --> 05:20.820 Về cơ bản, điều duy nhất mà chúng ta có quyền kiểm soát trong mạng nơ-ron rất đơn giản này 05:20.820 --> 05:26.700 là trọng số w một, w hai cho đến w m và mục tiêu của chúng tôi là giảm thiểu hàm chi phí. 05:26.700 --> 05:29.280 Vì vậy, tất cả những gì chúng ta có thể làm là cập nhật trọng lượng. 05:29.280 --> 05:36.420 Vì vậy, chúng tôi cập nhật các trọng số và điều chỉnh chúng một chút và cách chính xác chúng tôi sẽ tìm ra nhưng hiện tại chúng tôi đồng 05:36.420 --> 05:37.800 ý rằng chúng tôi có. 05:37.970 --> 05:40.010 Các trọng lượng và sau đó chúng tôi tiếp tục. 05:40.010 --> 05:48.200 Vì vậy, nhưng ở đây tôi đã đưa ra ảnh chụp màn hình dữ liệu này chỉ để làm rõ một điều rằng ngay bây giờ trong toàn bộ 05:48.200 --> 05:53.120 thử nghiệm này, mọi thứ chúng tôi đang làm ngay bây giờ, chúng tôi chỉ giải quyết 05:53.120 --> 05:53.930 một hàng. 05:53.930 --> 06:00.290 Vì vậy, chúng tôi đang giải quyết chúng tôi có một tập dữ liệu của một hàng, ví dụ như chúng tôi có, chúng tôi đang 06:00.290 --> 06:01.970 giải quyết thời gian bạn học. 06:01.970 --> 06:08.150 Giống như biến số mà chúng tôi dự đoán là điều gì, kết quả bạn sẽ đạt được trong một kỳ thi. 06:08.150 --> 06:12.530 Và các biến độc lập phụ thuộc mà chúng ta có là bạn đã học trong bao nhiêu giờ? 06:12.530 --> 06:16.700 Bạn đã ngủ bao nhiêu tiếng và bạn đã làm được gì trong bài kiểm tra giữa học kỳ? 06:16.700 --> 06:18.860 Vì vậy, vào giữa học kỳ, có một bài kiểm tra. 06:18.860 --> 06:19.820 Bạn đã đạt được bao nhiêu phần trăm? 06:19.820 --> 06:24.590 Vì vậy, dựa trên những biến số đó, chúng tôi đang cố gắng dự đoán số điểm bạn sẽ nhận được cho bài kiểm tra. 06:24.590 --> 06:27.950 Và trong kỳ thi, 93%, đó là giá trị thực tế. 06:27.950 --> 06:35.330 Vì vậy, đó là lý do tại sao chúng ta lại đưa ba giá trị này vào mạng nơ-ron của chúng ta lần thứ hai và sau 06:35.960 --> 06:38.900 đó chúng ta sẽ so sánh kết quả với Y. 06:38.900 --> 06:40.220 Vì vậy, hãy xem cách này hoạt động như thế nào. 06:40.490 --> 06:42.920 Chúng tôi cung cấp các giá trị này vào mạng nơ-ron. 06:43.670 --> 06:46.610 Mọi thứ được điều chỉnh và trọng lượng được điều chỉnh. 06:46.610 --> 06:50.090 Vì vậy, như bạn có thể thấy, đây là một lần nữa, chúng tôi sẽ cung cấp các giá trị. 06:50.090 --> 06:53.090 Một lần nữa, vấn đề ở đây là chúng ta đang cung cấp các giá trị tương tự. 06:53.090 --> 06:54.410 Vì vậy, chúng tôi chỉ có một hàng. 06:54.410 --> 06:56.330 Chúng tôi đang cố gắng để chúng tôi đang đào tạo trên một hàng. 06:56.330 --> 06:59.390 Điều này là do đây chỉ là một ví dụ rất đơn giản, cơ bản. 06:59.390 --> 07:01.520 Sau đó, chúng ta sẽ xem điều gì sẽ xảy ra khi có nhiều hàng hơn. 07:01.520 --> 07:06.080 Vì vậy, một lần nữa, chúng tôi cung cấp các hàng này trong các hàm chi phí của chúng tôi được điều chỉnh. 07:06.080 --> 07:10.430 Như bạn có thể thấy, mọi thứ lại diễn ra dọc theo những dòng đó. 07:10.430 --> 07:15.320 Vì vậy, như bạn có thể thấy, mỗi khi chiếc mũ trắng của chúng tôi thay đổi vì chúng tôi đã điều chỉnh trọng lượng, cái đầu cao của chúng 07:15.320 --> 07:17.500 tôi thay đổi, hàm chi phí của chúng tôi cũng thay đổi. 07:17.540 --> 07:18.290 Chúng ta hãy nhìn lại một lần nữa. 07:18.290 --> 07:22.670 Vì vậy, chúng tôi cung cấp cho những người mũ trắng đang thay đổi, hàm chi phí đang thay đổi. 07:22.670 --> 07:26.960 Chúng tôi lấy lại thông tin phản hồi về trọng lượng để các trọng lượng được điều chỉnh lại. 07:26.960 --> 07:32.300 Chúng tôi cung cấp các giá trị giống nhau mỗi khi mọi thứ được điều chỉnh và quay 07:32.300 --> 07:36.590 trở lại trọng lượng và một lần nữa nạp vào và lần khác. 07:36.590 --> 07:41.300 Vì vậy, chúng tôi đã điều chỉnh trọng lượng đã điều chỉnh, trọng lượng chúng tôi cung cấp trong thông tin và chúng tôi thực hiện. 07:41.300 --> 07:45.770 Vì vậy, bây giờ thời gian này mũ y bằng y bằng không hàm số. 07:45.770 --> 07:48.350 Thông thường, chúng ta sẽ không nhận được hàm chi phí bằng 0. 07:48.350 --> 07:50.120 Nhưng đây là một ví dụ rất đơn giản. 07:50.630 --> 07:57.410 Vì vậy, hy vọng rằng tất cả những điều đó đều có ý nghĩa mỗi khi chúng tôi cung cấp chính xác hàng đó bởi vì trong trường hợp 07:57.410 --> 08:01.220 này, chúng tôi chỉ xử lý một hàng đó trong mạng nơ-ron của chúng tôi. 08:01.670 --> 08:06.920 Sau đó, trọng số nhận được, các giá trị được nhân với các cách hàm kích hoạt được áp dụng. 08:06.920 --> 08:09.740 Ta nhận được y hat y hat is so với y. 08:10.130 --> 08:12.230 Sau đó, chúng ta thấy hàm chi phí đã thay đổi như thế nào. 08:12.230 --> 08:17.900 Phản hồi cung cấp thông tin đó trở lại mạng nơ-ron và chỉ cần điều chỉnh lại trọng số và sau đó chúng tôi lặp 08:17.900 --> 08:21.230 lại quy trình tương tự một lần nữa với cùng một hàng chính xác. 08:21.410 --> 08:23.180 Chúng tôi đang cố gắng giảm thiểu hàm chi phí đó. 08:23.180 --> 08:26.750 Vì vậy, cho đến nay, chúng tôi chỉ giải quyết một hàng đó. 08:26.780 --> 08:29.360 Hãy xem điều gì sẽ xảy ra khi bạn có nhiều hàng. 08:29.360 --> 08:31.220 Vì vậy, đây là tập hợp dữ liệu đầy đủ. 08:31.220 --> 08:38.540 Chúng tôi có tám hàng về số giờ bạn đã ngủ, hoặc có thể đây là những học sinh khác nhau trong cùng một kỳ 08:38.540 --> 08:39.140 thi. 08:39.140 --> 08:44.000 Họ đã học bao nhiêu giờ khác, họ ngủ bao nhiêu giờ trước khi thi, những gì họ nhận được trong bài 08:44.000 --> 08:47.210 kiểm tra và kết quả cuối cùng của họ trong bài kiểm tra. 08:47.210 --> 08:51.830 Và như bạn có thể thấy ở đây bên trái, tôi có tám nhận thức trong số này. 08:51.830 --> 08:54.680 Trên thực tế, chúng đều là một perceptron giống nhau. 08:54.680 --> 08:55.940 Vì vậy, điều này cũng quan trọng để hiểu. 08:55.940 --> 09:04.220 Tôi chỉ nhân nó hoặc nhân đôi tám lần để chúng ta có thể hiểu khái niệm. 09:04.220 --> 09:06.680 Nhưng điều quan trọng ở đây là cùng một mạng nơ-ron. 09:06.680 --> 09:10.310 Chúng tôi sẽ đưa những thứ này vào một mạng nơ-ron giống nhau. 09:10.310 --> 09:10.940 Vì vậy, chúng ta hãy đi. 09:10.940 --> 09:11.570 Bắt đầu nào. 09:11.570 --> 09:20.480 Vì vậy, một kỷ nguyên, như bạn sẽ nghe, Alan đề cập đến một kỷ nguyên là khi chúng tôi xem qua toàn bộ tập dữ 09:20.480 --> 09:26.240 liệu và chúng tôi đào tạo mạng nơ-ron của mình trên tất cả các hàng này. 09:26.240 --> 09:26.780 Vì vậy, chúng ta hãy đi. 09:26.780 --> 09:27.350 Bắt đầu nào. 09:27.350 --> 09:31.400 Vì vậy, có hàng đầu tiên của chúng tôi và có mũ y cho hàng đầu tiên. 09:32.390 --> 09:33.590 Có một hàng thứ hai. 09:33.620 --> 09:35.150 Có mũ trắng cho hàng thứ hai. 09:35.150 --> 09:39.260 Vì vậy, một lần nữa, nó được đưa vào cùng một mạng lưới thần kinh mỗi lần. 09:39.260 --> 09:44.000 Tôi vừa sao chép chúng vài lần để chúng ta có thể trực quan thấy điều này đang diễn ra như thế nào. 09:44.890 --> 09:47.670 Sau đó, một lần nữa, nó lại xảy ra. 09:47.680 --> 09:48.850 Đó là hàng thứ ba. 09:48.850 --> 09:49.990 Hàng thứ tư. 09:50.470 --> 09:52.960 Có chiếc mũ trắng của chúng tôi cho hàng thứ tư, v.v. 09:52.960 --> 09:56.530 Về cơ bản, sau đó chúng ta cũng nhận được các giá trị tương tự cho bốn hàng còn lại. 09:56.530 --> 10:02.620 Vì vậy, mỗi khi chúng ta chỉ nạp liên tiếp vào mạng nơ-ron của mình, chúng ta sẽ nhận được một giá trị. 10:03.550 --> 10:06.880 Sau đó, chúng tôi so sánh với các giá trị thực tế. 10:06.880 --> 10:08.470 Vì vậy, chúng là các giá trị thực tế. 10:08.470 --> 10:11.230 Vì vậy, đối với mỗi hàng đơn lẻ, chúng ta có một giá trị thực tế. 10:11.350 --> 10:18.220 Và bây giờ dựa trên tất cả những khác biệt này giữa mũ trắng và y, chúng ta có thể tính 10:18.220 --> 10:27.280 toán hàm chi phí, là tổng của tất cả những khác biệt bình phương giữa mũ trắng và y, và tất cả giá trị đó được giảm đi một nửa. 10:27.940 --> 10:29.740 Và có chức năng chi phí của chúng tôi. 10:30.070 --> 10:36.880 Và về cơ bản bây giờ những gì chúng tôi làm sau khi chúng tôi có đầy đủ hàm chi phí, chúng tôi quay lại và cập nhật trọng 10:36.880 --> 10:39.430 số, chúng tôi cập nhật aw1, w hai, w ba. 10:39.430 --> 10:45.730 Và điều quan trọng cần nhớ ở đây là tất cả các perceptron này, tất cả các mạng nơ-ron này thực 10:45.730 --> 10:47.260 sự là một mạng nơ-ron. 10:47.260 --> 10:48.250 Vì vậy, không có tám người trong số họ. 10:48.250 --> 10:49.240 Chỉ có một. 10:49.360 --> 10:54.430 Và khi chúng tôi cập nhật trọng số, chúng tôi sẽ cập nhật trọng số trong một mạng nơ-ron đó. 10:54.430 --> 10:57.640 Vì vậy, về cơ bản, trọng lượng sẽ giống nhau cho tất cả các hàng. 10:57.640 --> 11:00.430 Vì vậy, không phải trường hợp hàng nào cũng có trọng số riêng. 11:00.430 --> 11:02.650 Bây giờ, tất cả các hàng có chung trọng số. 11:02.650 --> 11:10.750 Và đó là lý do tại sao chúng tôi xem xét hàm chi phí, là tổng bình phương của sự khác biệt và sau đó chúng tôi cập 11:10.750 --> 11:11.860 nhật trọng số. 11:11.860 --> 11:15.190 Và bây giờ từ đây đó chỉ là một lần lặp lại. 11:15.190 --> 11:18.940 Tiếp theo, chúng ta sẽ chạy lại toàn bộ điều này. 11:18.940 --> 11:25.390 Chúng tôi sẽ đưa từng hàng đơn lẻ vào mạng nơ-ron, tìm ra hàm chi phí của chúng tôi và thực hiện lại toàn bộ 11:25.390 --> 11:26.290 quá trình này. 11:26.290 --> 11:32.020 Vì vậy, giống như chúng ta đã thấy trước đây, nơi chúng ta chỉ có một hàng và chúng ta đang làm mọi thứ lặp đi lặp lại, một 11:32.020 --> 11:33.520 lần nữa, cùng một điều ở đây. 11:33.520 --> 11:37.510 Nhưng bây giờ chúng ta sẽ làm điều đó với tám hàng hoặc 800 hàng hoặc 8000 hàng. 11:37.510 --> 11:43.510 Tuy nhiên, bạn có nhiều hàng trong tập dữ liệu của mình, bạn thực hiện quá trình này và sau đó bạn tính hàm chi phí. 11:44.020 --> 11:51.160 Và mục tiêu ở đây là giảm thiểu hàm chi phí và nhận được ngay khi bạn tìm thấy mức tối thiểu của hàm 11:51.160 --> 11:54.280 chi phí, đó là mạng nơ-ron cuối cùng của bạn. 11:54.280 --> 12:05.620 Điều đó có nghĩa là trọng lượng của bạn đã được điều chỉnh và bạn đã tìm thấy trọng lượng tối ưu cho tập dữ liệu mà bạn đang đào tạo này và bạn 12:05.620 --> 12:10.720 đã sẵn sàng để tiếp tục giai đoạn thử nghiệm hoặc giai đoạn ứng dụng. 12:11.320 --> 12:14.620 Và toàn bộ quá trình này được gọi là lan truyền ngược. 12:14.710 --> 12:20.380 Vì vậy, một số bài đọc bổ sung mà bạn có thể muốn thực hiện cho hàm chi phí. 12:20.380 --> 12:24.790 Và tôi biết chúng ta vừa nói về một cái và chúng là nhiều cái khác nhau. 12:24.790 --> 12:28.420 Một bài báo tốt nằm trên xác nhận chéo. 12:28.660 --> 12:32.830 Nó được gọi là danh sách các hàm chi phí được sử dụng trong mạng nơ-ron cùng với các ứng dụng. 12:32.830 --> 12:39.880 Vì vậy, URL ở đó, nhưng bạn có thể chỉ cần Google cho cụm từ tìm kiếm hoặc cụm từ tìm kiếm chính xác đó và bạn sẽ thấy rằng cái 12:39.880 --> 12:41.950 này sẽ là cái đầu tiên bật lên. 12:41.950 --> 12:48.340 Nó thực sự có một số ví dụ tốt và các trường hợp ứng dụng hoặc sử dụng cho các hàm chi phí khác nhau. 12:48.340 --> 12:51.520 Vì vậy, nếu bạn muốn tìm hiểu thêm về các hàm chi phí, hãy xem bài viết này. 12:51.700 --> 12:54.310 Và trên lưu ý đó, tôi hy vọng bạn thích hướng dẫn hôm nay. 12:54.310 --> 12:55.930 Tôi mong được gặp bạn lần sau. 12:55.930 --> 12:58.150 Cho đến lúc đó, hãy tận hưởng việc học sâu.