WEBVTT 00:00.300 --> 00:05.880 Hallo en welkom bij de sectie over convolutionele neurale netwerken, super enthousiast dat je ook voor deze 00:05.880 --> 00:07.350 sectie met ons meedoet. 00:07.590 --> 00:11.040 En vandaag gaan we het aanvalsplan inkleuren. 00:11.040 --> 00:13.580 Hoe gaan we alles leren in deze sectie? 00:13.590 --> 00:14.720 Er is zoveel te leren. 00:15.570 --> 00:17.190 Eens kijken, hoe gaan we dit aanpakken? 00:17.370 --> 00:17.820 Oke. 00:17.850 --> 00:22.800 Wat we in de sectie zullen leren, allereerst, we zullen het hebben over wat convolutionele netwerken eigenlijk 00:22.800 --> 00:23.190 zijn. 00:23.340 --> 00:28.290 Heel belangrijk om het einddoel waar je naartoe werkt te begrijpen voordat je er daadwerkelijk naartoe gaat 00:28.290 --> 00:28.710 werken. 00:28.720 --> 00:32.010 Dus we zullen weten welke functies een paar kleine voorbeelden zullen bekijken. 00:32.010 --> 00:36.600 We zullen het menselijk brein vergelijken met kunstmatige neurale netwerken in termen van beeldherkenning. 00:36.720 --> 00:42.030 Dus het zal een leuke lichte Turrill zijn om ons op weg te helpen voor deze hele sectie. 00:42.510 --> 00:47.370 Dan zullen we het hebben over stap één, rechtstreeks in convolutieoperaties rijden. 00:47.370 --> 00:56.220 Dit deel van de cursus bevat dus verschillende stappen die we moeten doorlopen om een convolutief neuraal netwerk te 00:56.220 --> 00:56.970 bouwen. 00:56.970 --> 00:58.980 En zo zullen deze tutorials worden opgesplitst. 00:58.980 --> 01:00.450 Dus deze wordt stap één. 01:00.450 --> 01:08.190 De evolutie-operatie zal alles leren over functiedetectoren waar we het over zullen hebben, die ook filters 01:08.190 --> 01:08.730 zijn. 01:08.730 --> 01:10.950 We zullen het hebben over feature maps. 01:10.950 --> 01:14.490 En, weet je, wat zijn de verschillende parameters daar, wat betekenen ze. 01:14.490 --> 01:16.950 En we zullen ook enkele visuele voorbeelden bekijken. 01:17.400 --> 01:19.260 Dan hebben we het over stap één. 01:19.260 --> 01:26.610 Deel B, er is een waardelaag of een relu-laag, de gerectificeerde Leanyer-eenheid. 01:26.610 --> 01:35.160 En we zullen het hebben over waarom lineariteit niet goed is en hoe we meer non-lineariteit in ons netwerk willen 01:35.160 --> 01:36.330 voor beeldherkenning. 01:36.750 --> 01:41.280 Daarna bespreken we stap twee pooling en begrijpen we hoe pooling werkt. 01:41.280 --> 01:43.110 We zullen het specifiek hebben over max pooling. 01:43.110 --> 01:49.080 En we zullen ook een paar dingen noemen over, ik bedoel, trekken of sommige en andere benaderingen die je kunt 01:49.080 --> 01:51.120 gebruiken bij het proces van trekken. 01:51.900 --> 01:55.440 Ook in deze lezing zal een heel gaaf voorbeeld te zien zijn. 01:55.440 --> 01:59.640 Er zal dus een zeer visuele, interactieve tool zijn waar we naar gaan kijken. 01:59.640 --> 02:04.920 Blijf dus zeker tot het einde van die lezing, want dat zal veel waarde toevoegen 02:04.920 --> 02:06.390 aan je leerproces. 02:06.660 --> 02:10.470 Wat we daar aan het eind gaan bespreken, stap drie afvlakken. 02:10.620 --> 02:11.820 Dus hier zullen we. 02:11.820 --> 02:16.980 Het wordt een korte zelfstudie over hoe u van uw samengevoegde lagen naar uw afgeplatte laag kunt gaan. 02:17.130 --> 02:19.490 En dan gaan we het hebben over volledige verbindingen. 02:19.500 --> 02:26.070 Dit is de zeer vlezige tutorial die alles samenvoegt en alles in perspectief plaatst en je eigenlijk laat 02:26.070 --> 02:33.300 zien hoe alles werkt aan het eind van de dag en hoe die laatste neuronen begrijpen hoe afbeelding heel, heel 02:33.300 --> 02:35.370 belangrijk materiaal moet worden geclassificeerd. 02:36.120 --> 02:42.120 En hopelijk zal dat alles voor je samenvatten of een beetje op een rijtje zetten. 02:42.450 --> 02:45.750 En tot slot hebben we een samenvatting die alles samenvat waar we het over hebben gehad. 02:46.410 --> 02:51.930 En als een extra kleine functie heb ik een tutorial over softmax en cross-entropie toegevoegd. 02:52.170 --> 02:54.000 Deze hoef je dus helemaal niet te nemen. 02:54.000 --> 02:59.310 Maar ik dacht dat het een geweldige toevoeging van kennis zou zijn, want dit zijn termen die je tegenkomt als je 02:59.310 --> 03:01.740 te maken hebt met een soort convolutionele neurale netwerken. 03:01.950 --> 03:04.500 Dus misschien, misschien meteen meenemen. 03:04.500 --> 03:10.620 Als je deze termen tegenkomt, weet je misschien altijd dat je terug kunt komen naar deze cursus en deze tutorial kunt 03:11.070 --> 03:14.280 volgen om beter te begrijpen wat softmax en cross-entropie zijn. 03:14.610 --> 03:20.280 En ook, zoals altijd, tijdens deze tutorials, zal er veel aanbevolen literatuur voor je zijn om je vaardigheden verder 03:20.280 --> 03:22.740 te ontwikkelen en meer kennis op te doen. 03:23.250 --> 03:25.980 En wat dat betreft, ik kan niet wachten om je te zien bij de eerste zelfstudie. 03:25.980 --> 03:31.230 Dit wordt een heel leuk en spannend gedeelte en tot de volgende keer, veel plezier met diep leren.