WEBVTT 00:00.360 --> 00:04.170 Halo dan selamat datang di bagian jaringan saraf convolutional. 00:04.170 --> 00:07.600 Sangat senang bahwa Anda bergabung dengan kami untuk bagian ini juga. 00:07.740 --> 00:13.650 Dan hari ini kita akan menghilangkan rencana serangan bagaimana kita akan mempelajari segala sesuatu di bagian ini. 00:13.650 --> 00:15.630 Banyak yang harus dipelajari. 00:15.660 --> 00:17.490 Mari kita lihat bagaimana kita akan mendekati ini. 00:17.490 --> 00:19.590 Baiklah apa yang kita pelajari di bagian ini. 00:19.590 --> 00:25.140 Pertama-tama kita akan berbicara tentang apa sebenarnya jaringan konvolusional yang sangat penting untuk memahami tujuan akhir yang 00:25.140 --> 00:28.770 sedang Anda upayakan sebelum Anda benar-benar mulai bekerja ke arah itu. 00:28.770 --> 00:32.090 Jadi kita akan mendengar fitur apa yang akan melihat beberapa contoh kecil. 00:32.090 --> 00:36.750 Akan membandingkan otak manusia dengan jaringan saraf tiruan dalam hal pengenalan gambar. 00:36.840 --> 00:42.630 Jadi itu akan menjadi tutorial ringan yang menyenangkan untuk membantu kita memulai seluruh bagian ini. 00:42.630 --> 00:44.810 Kemudian kita akan berbicara tentang Langkah 1. 00:44.850 --> 00:47.410 Menyelam langsung ke dalamnya dapat melakukan operasi volution. 00:47.420 --> 00:56.280 Jadi bagian dari Kursus ini berisi beberapa langkah yang perlu kita lalui untuk membangun jaringan saraf convolutional dan itulah 00:56.310 --> 00:59.040 bagaimana internal ini akan dipecah. 00:59.040 --> 01:06.510 Jadi ini akan menjadi langkah pertama operasi evolusi kita akan belajar segalanya tentang fitur detektor. 01:06.510 --> 01:08.790 Kami akan berbicara tentang yang juga filter. 01:08.790 --> 01:11.030 Kami akan berbicara tentang peta masa depan. 01:11.070 --> 01:16.110 Dan Anda tahu bagaimana perbedaan parameter yang mereka maksud dan melihat beberapa contoh 01:16.110 --> 01:17.360 visual juga. 01:17.520 --> 01:26.010 Kemudian kita akan berbicara tentang Langkah 1 Bagian B ranah Anda Lehre atau benar-benar lapisan yang kemudian diperbaiki unit 01:26.130 --> 01:34.830 lebih ramping dan kita akan berbicara tentang mengapa linearitas tidak baik dan bagaimana kita ingin lebih banyak nonlinier di jaringan 01:34.830 --> 01:36.700 kami untuk pengenalan gambar. 01:36.870 --> 01:42.420 Kemudian kita akan berbicara tentang Langkah 2 penyatuan dan akan memahami bagaimana cara penyatuan bekerja kita akan 01:42.420 --> 01:48.960 berbicara secara khusus tentang penyatuan Max dan kami juga menyebutkan beberapa hal tentang maksud saya penyatuan atau penyatuan dan beberapa pendekatan 01:48.960 --> 01:51.960 lain yang dapat Anda ambil untuk proses penyatuan . 01:51.960 --> 01:58.650 Juga dalam kuliah ini kita akan memiliki contoh yang sangat keren sehingga akan ada alat interaktif sangat visual yang 01:58.650 --> 01:59.730 akan kita lihat 01:59.730 --> 02:05.190 Jadi, pastikan untuk tetap berada di akhir kuliah itu karena itu akan menambah banyak nilai 02:05.190 --> 02:06.810 pada proses belajar Anda. 02:06.810 --> 02:09.110 Apa yang akan kita bahas di akhir sana. 02:09.120 --> 02:10.650 Langkah ketiga perataan. 02:10.680 --> 02:16.290 Jadi di sini kita akan menjadi tutorial singkat tentang bagaimana melanjutkan dari lapisan gabungan Anda ke sarang 02:16.380 --> 02:19.560 Anda dan kemudian kita akan berbicara tentang koneksi penuh. 02:19.560 --> 02:26.130 Ini adalah tutorial yang sangat gemuk yang menyatukan semuanya dan menempatkan semuanya ke dalam perspektif 02:26.130 --> 02:29.680 dan benar-benar menunjukkan kepada Anda bagaimana semuanya bekerja. 02:29.700 --> 02:35.100 Pada akhir hari dan bagaimana neuron terakhir memahami bagaimana mengklasifikasikan Umich sangat penting. 02:35.100 --> 02:42.340 Tauriel dan mudah-mudahan itu akan merangkum atau menyatukan semuanya untuk Anda. 02:42.540 --> 02:46.260 Dan akhirnya kita akan memiliki ringkasan yang akan merangkum semua yang telah kita bicarakan. 02:46.560 --> 02:52.260 Dan sebagai fitur ekstra kecil saya sudah memasukkan tutorial tentang Max lunak dan lintas entropi. 02:52.260 --> 02:57.780 Jadi Anda tidak harus mengambil tutorial ini, tetapi saya pikir ini akan menjadi tambahan pengetahuan karena ini 02:57.780 --> 03:02.010 adalah istilah yang akan Anda temui ketika berurusan dengan jaringan saraf convolutional. 03:02.070 --> 03:08.130 Jadi, mungkin mungkin mengambilnya segera mungkin ketika Anda menemukan istilah-istilah ini Anda bisa, Anda akan selalu tahu Anda 03:08.130 --> 03:13.800 bisa kembali ke kursus ini dan mengambil tutorial ini untuk memahami lebih baik apa soft Max dan 03:13.800 --> 03:14.530 cross entropy. 03:14.760 --> 03:20.610 Dan juga seperti biasa di sepanjang editorial ini akan ada banyak bacaan yang direkomendasikan bagi Anda untuk 03:20.670 --> 03:23.100 meningkatkan kelas dan mendapatkan lebih banyak pengetahuan. 03:23.370 --> 03:28.250 Dan pada catatan itu saya tidak sabar untuk melihat pada tutorial pertama ini akan sangat menyenangkan dan menarik. 03:28.310 --> 03:31.260 S. Dan sampai waktu berikutnya menikmati pembelajaran yang mendalam.