WEBVTT 00:01.850 --> 00:07.340 Halo dan selamat datang kembali ke kursus tentang deploring hari ini kita akan menyelesaikan propagasi kembali. 00:07.340 --> 00:11.520 Baiklah jadi kita Anda tahu hampir semua yang perlu kita ketahui 00:11.520 --> 00:17.990 tentang apa yang terjadi di dalam semua yang Anda tahu bahwa ada proses yang disebut propagasi Teruskan di mana 00:17.990 --> 00:24.620 informasi dimasukkan ke dalam lapisan input dan kemudian disebarkan ke depan untuk mendapatkan topi putih kami nilai output kami dan 00:24.620 --> 00:29.240 kemudian kami membandingkannya dengan nilai aktual yang kami miliki di set pelatihan kami. 00:29.240 --> 00:36.110 Dan kemudian kita menghitung kesalahannya lalu kesalahannya disebarkan kembali melalui jaringan ke arah yang 00:36.110 --> 00:41.570 berlawanan dan itu memungkinkan kita untuk melatih jaringan dengan menyesuaikan bobotnya. 00:41.660 --> 00:49.670 Jadi satu hal penting yang perlu diingat di sini adalah bahwa propagasi balik adalah 00:49.670 --> 00:58.890 algoritma canggih yang digerakkan oleh matematika yang sangat menarik dan canggih yang memungkinkan kita untuk menyesuaikan bobot. 00:59.030 --> 01:02.540 Semuanya pada saat yang sama semua bobot disesuaikan secara bersamaan. 01:02.540 --> 01:08.990 Jadi jika kita melakukan ini secara manual atau jika kita menemukan jenis algoritma yang sangat berbeda 01:08.990 --> 01:14.150 dari Bahkan jika kita menghitung kesalahan dan kemudian kita mencoba untuk memahami 01:14.150 --> 01:21.040 apa pengaruh masing-masing bobot terhadap kesalahan kita harus entah bagaimana harus sesuaikan masing-masing bobot secara independen atau individual. 01:22.000 --> 01:29.170 Keuntungan besar dari keterbelakangan dan itu adalah hal kunci untuk diingat adalah 01:29.170 --> 01:35.910 bahwa selama proses propagasi balik hanya karena cara algoritma terstruktur. 01:36.850 --> 01:43.990 Anda dapat menyesuaikan semua cara pada saat yang sama sehingga pada dasarnya Anda tahu bagian mana dari kesalahan yang 01:43.990 --> 01:47.400 menjadi tanggung jawab Anda masing-masing dalam jaringan saraf. 01:47.450 --> 01:54.220 Nah, itulah prinsip dasar mendasar dari propagasi balik. 01:54.220 --> 02:02.650 Dan inilah mengapa ia berkembang begitu cepat pada 1980-an dan ini merupakan terobosan besar. 02:02.770 --> 02:08.890 Dan jika Anda ingin belajar lebih banyak tentang itu dan bagaimana tepatnya matematika bekerja di latar belakang 02:09.190 --> 02:14.800 maka artikel bagus yang telah kami sebutkan adalah jaringan saraf dan pembelajaran mendalam sebenarnya adalah 02:14.800 --> 02:16.640 buku karya Michael Nielsen. 02:16.720 --> 02:23.610 Anda akan menemukan matematika yang ditulis dan itu akan membantu Anda memahami bagaimana tepatnya ini mungkin. 02:23.650 --> 02:30.550 Tetapi untuk sekarang untuk tujuan kita jika dari sudut pandang intuisi, bagian yang penting adalah untuk mengingat bahwa 02:31.240 --> 02:33.310 itulah yang dilakukan oleh keterbelakangan. 02:33.310 --> 02:36.750 Ini mengatur semua bobot pada saat yang bersamaan. 02:36.940 --> 02:43.300 Dan sekarang kita akan membungkus semuanya dengan langkah demi langkah langkah-langkah dari apa yang terjadi 02:43.300 --> 02:45.370 dalam pelatihan jaringan saraf. 02:45.370 --> 02:51.000 Baiklah jadi langkah pertama kita secara acak menginisialisasi bobot ke angka kecil mendekati nol tetapi tidak nol. 02:51.010 --> 02:56.830 Kami tidak benar-benar fokus pada inisialisasi bobot selama tutorial intuisi tetapi kemudian kami harus 02:56.830 --> 03:02.610 memulai dari suatu tempat dan mereka diinisialisasi dengan nilai acak mendekati nol. 03:02.620 --> 03:09.730 Dan dari sana melalui proses untuk propagasi dengan propagasi bobot ini disesuaikan 03:09.730 --> 03:11.690 sampai kesalahan diminimalkan. 03:11.970 --> 03:13.550 Jadi fungsi biaya diminimalkan. 03:13.820 --> 03:19.330 Kemudian langkah dua input observasi pertama semua set data Anda ke baris pertama ke input Lehre 03:19.510 --> 03:21.440 setiap fitur adalah satu input. 03:21.440 --> 03:27.910 Jadi pada dasarnya ambil sisir dan masukkan ke dalam node input secara terpisah untuk propagasi dari kiri ke kanan. 03:27.910 --> 03:32.620 Neuron diaktifkan dengan cara yang mereka pilih dalam visi kami 03:32.620 --> 03:39.150 aktivasi neuron dibatasi oleh bobot pada dasarnya menentukan seberapa penting setiap aktivasi neuron kemudian 03:39.160 --> 03:43.100 menyebar aktivasi sampai mendapatkan hasil y y. 03:43.150 --> 03:43.850 Pada kasus ini. 03:43.990 --> 03:46.640 Jadi pada dasarnya Anda menyebarkan dari kiri ke kanan. 03:46.690 --> 03:50.110 Anda terus berjalan sampai Anda mencapai dan mendapatkan topi Anda. 03:50.320 --> 03:52.720 Kemudian bandingkan hasilnya dengan hasil yang sebenarnya. 03:52.750 --> 03:58.140 Ukur kesalahan yang dihasilkan dan kemudian Anda lakukan backwardation dari kanan ke kiri udara adalah bipolar 03:58.150 --> 03:58.620 lagi. 03:58.630 --> 04:02.080 Perbarui bobot sesuai dengan seberapa besar mereka bertanggung jawab atas kesalahan tersebut. 04:02.260 --> 04:08.500 Sekali lagi Anda dapat menghitung bahwa karena cara terstruktur kembali algoritma perturbasi terstruktur tingkat 04:08.500 --> 04:13.750 pembelajaran memutuskan oleh seberapa banyak kami memperbarui bobot tingkat pembelajaran sebagai parameter 04:13.990 --> 04:17.710 yang dapat Anda kontrol di jaringan saraf Anda. 04:17.710 --> 04:23.110 Langkah 6 ulangi langkah 1 2 5 dan perbarui bobot setelah setiap pengamatan. 04:23.320 --> 04:30.670 Itu disebut penguatan pembelajaran dan dalam kasus kami itu adalah keturunan gradien stokastik atau ulangi langkah 1 sampai 04:30.670 --> 04:31.490 5. 04:31.510 --> 04:37.840 Tetapi dengan cara itu hanya setelah serangkaian pengamatan atau pembelajaran batch itu baik keturunan penuh gradien 04:37.870 --> 04:43.150 atau hijau lencana Nissan atau gradien keturunan batch mini dan langkah tujuh 04:43.150 --> 04:49.030 ketika seluruh kereta telah melewati jaringan saraf tiruan yang membuat zaman mengulang lebih banyak zaman. 04:49.040 --> 04:55.090 Jadi pada dasarnya terus lakukan itu dan lakukan itu dan lakukan itu dan untuk memungkinkan jaringan 04:55.120 --> 05:02.510 saraf Anda untuk melatih lebih baik dan lebih baik dan lebih baik dan terus-menerus menyesuaikan sendiri saat Anda meminimalkan fungsi biaya. 05:02.740 --> 05:04.330 Jadi begitulah. 05:04.420 --> 05:09.770 Itulah langkah-langkah yang perlu Anda ambil untuk membangun jaringan saraf tiruan Anda dan melatihnya. 05:10.030 --> 05:16.060 Dan ini adalah langkah-langkah yang akan Anda ambil sampai saya makan siang di tutorial praktis. 05:16.120 --> 05:19.520 Semoga Anda beruntung dan saya berharap dapat melihat Anda lain kali. 05:19.540 --> 05:21.280 Sampai kemudian menikmati pembelajaran.