WEBVTT 00:01.850 --> 00:07.340 Merhaba ve bugünkü üzüntüle ilgili rotaya hoşgeldiniz, geri yayılımla tamamlayacağız. 00:07.340 --> 00:11.520 Pekâlâ, bu nedenle, ne olduğunu öğrenmek için ihtiyacımız 00:11.520 --> 00:17.990 olan her şeyi biliyorsun, bilginin girdi katmanına girildiği ve daha sonra beyaz şapkalarımızı 00:17.990 --> 00:24.620 elde etmek için ileriye doğru yayılmış olan İleri ilerleme denilen bir işlem olduğunu 00:24.620 --> 00:29.240 biliyoruz. çıktı değerlerimiz ve bunları eğitim setimizdeki gerçek değerlerle kıyaslarız. 00:29.240 --> 00:36.110 Sonra hataları hesaplarız, daha sonra hatalar ağ üzerinden ters yönde 00:36.110 --> 00:41.570 iletilir ve ağırlıkları ayarlayarak ağ eğitimine başlamamızı sağlar. 00:41.660 --> 00:49.670 ilginç ve sofistike bir matematiğe dayanan gelişmiş bir algoritma olmasıdır. 00:49.670 --> 00:58.890 Burada hatırlamamız gereken en önemli nokta, geri yayılımın, ağırlıkları ayarlamamızı sağlayan çok 00:59.030 --> 01:02.540 Hepsi aynı anda tüm ağırlıklar aynı anda ayarlanır. 01:02.540 --> 01:08.990 Bunu el ile yapıyor olsaydık veya çok farklı bir algoritma önermiş olurduk. Hatayı hesaplasaydık 01:08.990 --> 01:14.150 ve her ağırlığın bu hatada ne gibi bir etkiye sahip olduğunu 01:14.150 --> 01:21.040 anlamaya çalışıyorduk, bir şekilde ağırlıkların her birini bağımsız veya bağımsız olarak bağımsız olarak ayarlayın. 01:22.000 --> 01:29.170 Geri kalmanın büyük avantajı ve hatırlanması gereken önemli bir 01:29.170 --> 01:35.910 şey, algoritmanın yapılandırılma biçiminden dolayı geri yayılım sürecinde olmasıdır. 01:36.850 --> 01:43.990 ağındaki ağırlıklarınızdan sorumlu olduğunu bildiğinizden emin olmak için aynı anda her yolu ayarlayabilirsiniz. 01:43.990 --> 01:47.400 Temel olarak hatanın hangi bölümünün sinir 01:47.450 --> 01:54.220 Artık geri yayılımın ana temelini oluşturan ilke budur. 01:54.220 --> 02:02.650 Ve bu yüzden 1980'lerde çok hızlı bir şekilde toplandı ve bu büyük bir gelişmeydi. 02:02.770 --> 02:08.890 Ve eğer o konuda daha fazla bilgi edinmek isterseniz ve matematiğin tam olarak arka planda 02:09.190 --> 02:14.800 nasıl çalıştığını daha önce bahsettiğimiz iyi bir makale sinir ağları ve derin öğrenme aslında 02:14.800 --> 02:16.640 Michael Nielsen'in bir kitabı. 02:16.720 --> 02:23.610 Matemanı yazılmış bulacaksınız ve bunun tam olarak nasıl mümkün olduğunu anlamanıza yardım edecektir. 02:23.650 --> 02:30.550 bizim amaçlarımız için, sezgisel bakış açısından önemli olan bu geriye dönüşün yaptığı şey olduğunu hatırlamaktır. 02:31.240 --> 02:33.310 Ancak şu an için 02:33.310 --> 02:36.750 Tüm ağırlıkları aynı anda ayarlar. 02:36.940 --> 02:43.300 Ve şimdi, her şeyi bir sinir ağı eğitiminde neler olduğuna adım adım 02:43.300 --> 02:45.370 bir adım adım tamamlayacağız. 02:45.370 --> 02:51.000 Pekâlâ, adım 1, ağırlıkları sıfıra yakın küçük sayılarla rasgele başlatmıştık, sıfır değil. 02:51.010 --> 02:56.830 Dikkat öğreticilerinde ağırlıkların başlangıç ​​durumuna getirilmedi ama sonra bir 02:56.830 --> 03:02.610 yere başlamak zorundaydık ve sıfıra yakın rasgele değerlerle başlatıldık. 03:02.620 --> 03:09.730 yoluyla yayılma süreci boyunca bu ağırlıklar hata minimuma indirilene kadar ayarlanır. 03:09.730 --> 03:11.690 Ve burada propagasyon 03:11.970 --> 03:13.550 Dolayısıyla maliyet fonksiyonu en aza indirilir. 03:13.820 --> 03:19.330 Sonra ikinci adım, ilk gözlemi tüm veri setlerini Lehre girişindeki ilk satıra, her bir 03:19.510 --> 03:21.440 özellik bir girdi olarak girer. 03:21.440 --> 03:27.610 Yani temelde tarakları alıp, soldan sağa doğru yayılım için giriş düğümlerine ayrı ayrı 03:27.610 --> 03:27.910 koyun. 03:27.910 --> 03:32.620 ağırlıklar tarafından sınırlandırılır, ağırlıkların temelde her bir nöronun aktivasyonunun 03:32.620 --> 03:39.150 ne kadar önemli olduğunun belirlenmesi, sonuçta bir sonuç elde edilmesine kadar aktivasyonu yayarlar. 03:39.160 --> 03:43.100 Nöronlar vizyonumuzda seçtikleri şekilde aktive edilir Nöronların aktivasyonu 03:43.150 --> 03:43.850 Bu durumda. 03:43.990 --> 03:46.640 Böylece temelde soldan sağa yayılırsınız. 03:46.690 --> 03:50.110 Sen gelene kadar her yöne gidiyorsun ve şapkanını alırsın. 03:50.320 --> 03:52.720 Daha sonra sonucu gerçek sonuçla karşılaştırın. 03:52.750 --> 03:58.140 Oluşan hatayı ölçün ve sonra sağdan sola geri besleme işlemini tekrar hava iki kutuplu 03:58.150 --> 03:58.620 yapın. 03:58.630 --> 04:02.080 Ağırlıkları, hatadan ne kadar sorumlu olduklarına göre güncelleyin. 04:02.260 --> 04:08.500 Tekrar yineleyen pertürbasyon algoritmasının yapılandırıldığı şekilde öğrenme hızı, öğrenme 04:08.500 --> 04:13.750 oranını neural ağınızda kontrol edebileceğiniz parametre olarak ne 04:13.990 --> 04:17.710 kadar ağırlık olarak güncelleyeceğimize karar verir. 04:17.710 --> 04:23.110 Adım 6, adım 1 2 5'i tekrarlayın ve her gözlemden sonra ağırlıkları güncelleyin. 04:23.320 --> 04:30.670 Bu, takviye öğrenme olarak adlandırılır ve bizim durumumuzda stokastik eğim düşüşü veya 1 ila 5 arasındaki 04:30.670 --> 04:31.490 adımları tekrarlayın. 04:31.510 --> 04:37.840 veya rozet yeşil Nissan veya mini toplu eğim inişi ve tüm tren yapay sinir ağı 04:37.870 --> 04:43.150 üzerinden geçtiğinde yedinci basamaktan sonra, daha çağları yeniden yürürlüğe sokan bir çağ oluşturuyor. 04:43.150 --> 04:49.030 Ancak bu sadece bir gözlem grubundan veya toplu öğrenimden sonra, tam bir eğim iniş 04:49.040 --> 04:55.090 Temelde sadece bunu yapmaya devam edin ve bunu yapmak ve sinir ağınızın daha iyi ve 04:55.120 --> 05:02.510 daha iyi ve daha iyi eğitim vermesine izin vermek ve maliyet fonksiyonunu en aza indirirken kendisini sürekli olarak ayarlamak. 05:02.740 --> 05:04.330 İşte gidiyoruz. 05:04.420 --> 05:09.770 Bunlar yapay sinir ağlarınızı oluşturmak ve eğitmek için atmanız gereken adımlardır. 05:10.030 --> 05:16.060 Ve bunlar, pratik derslerde öğle yemeği yiyeceğim kadar alacağınız adımlardır. 05:16.120 --> 05:19.520 Şans dilerseniz, sizi bir dahaki sefere görmeyi sabırsızlıkla beklerim. 05:19.540 --> 05:21.280 O zamana kadar öğrenmenin tadını çıkarın.