WEBVTT 00:01.850 --> 00:07.340 Bonjour et bienvenue au cours sur le déplorage d'aujourd'hui, nous allons conclure avec la propagation en arrière. 00:07.340 --> 00:11.520 Donc, nous savons à peu près tout ce que nous avons besoin 00:11.520 --> 00:17.990 de savoir sur ce qui se passe dans votre tout. Nous savons qu'il existe un processus appelé propagation avancée dans lequel 00:17.990 --> 00:24.620 les informations sont entrées dans la couche d'entrée puis propagées vers l'avant pour obtenir nos chapeaux blancs. nos valeurs de sortie et 00:24.620 --> 00:29.240 ensuite nous les comparons aux valeurs réelles que nous avons dans notre ensemble de formation. 00:29.240 --> 00:36.110 Et ensuite, nous calculons les erreurs, puis les erreurs sont propagées dans le réseau dans le sens 00:36.110 --> 00:41.570 inverse, ce qui nous permet d’entraîner le réseau en ajustant les poids. 00:41.660 --> 00:49.670 Donc, la chose la plus importante à retenir ici est que la propagation en retour 00:49.670 --> 00:58.890 est un algorithme avancé basé sur des calculs mathématiques très intéressants et sophistiqués qui nous permettent d’ajuster les poids. 00:59.030 --> 01:02.540 Tous en même temps, tous les poids sont ajustés simultanément. 01:02.540 --> 01:08.990 Donc, si nous le faisions manuellement ou si nous avançons avec un type d’algorithme très différent de 01:08.990 --> 01:14.150 Même si nous calculions l’erreur et essayions ensuite de comprendre l’effet de chacun 01:14.150 --> 01:21.040 des facteurs de pondération sur l’erreur, nous devrions en quelque sorte ajuster chacun des poids indépendamment, indépendamment ou individuellement. 01:22.000 --> 01:29.170 L’énorme avantage de la régularisation et de l’importance essentielle à retenir est que pendant le 01:29.170 --> 01:35.910 processus de propagation en arrière, tout simplement en raison de la structure de l’algorithme. 01:36.850 --> 01:43.990 Vous êtes en mesure de régler en même temps de manière à connaître la partie de l'erreur responsable de chacun de 01:43.990 --> 01:47.400 vos facteurs de pondération dans le réseau de neurones. 01:47.450 --> 01:54.220 Voilà le principe fondamental fondamental de la propagation en retour. 01:54.220 --> 02:02.650 Et c’est la raison pour laquelle elle s’est accélérée si rapidement dans les années 1980 et qu’il s’agissait d’une avancée majeure. 02:02.770 --> 02:08.890 Et si vous souhaitez en savoir plus sur ce sujet et sur le fonctionnement exact des mathématiques à l'arrière-plan, un 02:09.190 --> 02:14.800 bon article que nous avons déjà mentionné est celui des réseaux de neurones. L'apprentissage en profondeur est en fait 02:14.800 --> 02:16.640 un livre de Michael Nielsen. 02:16.720 --> 02:23.610 Vous trouverez les mathématiques écrites et cela vous aidera à comprendre comment cela est possible. 02:23.650 --> 02:30.550 Mais pour l’instant, pour notre propos, si le point de vue de l’intuition est important, c’est de se rappeler que 02:31.240 --> 02:33.310 c’est ce que le backwardation fait. 02:33.310 --> 02:36.750 Il ajuste tous les poids en même temps. 02:36.940 --> 02:43.300 Et maintenant, nous allons tout terminer en décrivant pas à pas ce qui se passe dans la 02:43.300 --> 02:45.370 formation d’un réseau de neurones. 02:45.370 --> 02:51.000 Très bien, alors nous avons initialisé de manière aléatoire les poids avec des nombres proches de zéro mais pas zéro. 02:51.010 --> 02:56.830 Nous n'avons pas vraiment mis l'accent sur l'initialisation des poids lors des didacticiels d'intuition, mais nous 02:56.830 --> 03:02.610 devons commencer quelque part et ils sont initialisés avec des valeurs aléatoires proches de zéro. 03:02.620 --> 03:09.730 Et à partir de là, tout au long du processus de propagation par propagation, ces poids sont ajustés jusqu'à 03:09.730 --> 03:11.690 ce que l'erreur soit minimisée. 03:11.970 --> 03:13.550 La fonction de coût est donc minimisée. 03:13.820 --> 03:19.330 Ensuite, la deuxième étape saisit la première observation de tous vos ensembles de données sur la première ligne dans l'entrée 03:19.510 --> 03:21.440 Lehre. Chaque entité correspond à une entrée. 03:21.440 --> 03:27.910 Donc, fondamentalement, prenez les peignes et placez-les dans les nœuds d’entrée séparément pour une propagation de gauche à droite. 03:27.910 --> 03:32.620 Les neurones sont activés de la manière dont ils perçoivent dans notre vision. L'activation 03:32.620 --> 03:39.150 des neurones de la vision est limitée par les poids. Les poids déterminent l'importance de l'activation de chaque neurone 03:39.160 --> 03:43.100 jusqu'à ce qu'elle soit propagée jusqu'à l'obtention du résultat final. 03:43.150 --> 03:43.850 Dans ce cas. 03:43.990 --> 03:46.640 Donc, fondamentalement, vous propagez de gauche à droite. 03:46.690 --> 03:50.110 Vous allez jusqu'au bout et vous obtenez votre chapeau. 03:50.320 --> 03:52.720 Comparez ensuite le résultat au résultat réel. 03:52.750 --> 03:58.140 Mesurez l'erreur générée et effectuez ensuite le backwardation de droite à gauche. L'air est à nouveau 03:58.150 --> 03:58.620 bipolaire. 03:58.630 --> 04:02.080 Mettez à jour les poids en fonction de la responsabilité de l'erreur. 04:02.260 --> 04:08.500 Là encore, vous pouvez calculer cela en raison de la façon dont l'algorithme de perturbation à propagation arrière est 04:08.500 --> 04:13.750 structuré, le taux d'apprentissage détermine le degré de mise à jour des pondérations du taux d'apprentissage 04:13.990 --> 04:17.710 comme paramètre que vous pouvez contrôler dans votre réseau de neurones. 04:17.710 --> 04:23.110 Étape 6, répétez les étapes 1 et 5 et mettez à jour les poids après chaque observation. 04:23.320 --> 04:30.670 C'est ce qu'on appelle l'apprentissage par renforcement et, dans notre cas, il s'agissait d'une descente de gradient stochastique ou des étapes 1 à 04:30.670 --> 04:31.490 5 répétées. 04:31.510 --> 04:37.840 Mais de cette façon, ce n’est qu’après un lot d’observations ou d’apprentissage par lot qu’il s’agit d’une descente complète en pente 04:37.870 --> 04:43.150 ou d’un badge vert Nissan ou d’une descente en dégradé groupée et de la septième étape 04:43.150 --> 04:49.030 lorsque tout le train a traversé le réseau neuronal artificiel qui permet à une époque de refaire plusieurs époques. 04:49.040 --> 04:55.090 Donc, fondamentalement, continuez simplement de faire cela et faites cela et faites cela et laissez votre 04:55.120 --> 05:02.510 réseau de neurones s’entraîner de mieux en mieux et s’adapter constamment à mesure que vous minimisez la fonction de coût. 05:02.740 --> 05:04.330 Alors on y va. 05:04.420 --> 05:09.770 Telles sont les étapes à suivre pour construire vos réseaux de neurones artificiels et les former. 05:10.030 --> 05:16.060 Et ce sont les étapes que vous suivrez jusqu'à ce que je dîne dans les tutoriels pratiques. 05:16.120 --> 05:19.520 Je vous souhaite bonne chance et au plaisir de vous voir la prochaine fois. 05:19.540 --> 05:21.280 Jusque-là, profitez de l'apprentissage.