WEBVTT 00:00.360 --> 00:04.170 Olá e seja bem vindo à seção sobre redes neurais convolutivas. 00:04.170 --> 00:07.600 Estou ansioso para que você esteja se juntando a nós para esta seção também. 00:07.740 --> 00:13.650 E hoje vamos corar o plano de ataque, como vamos aprender tudo nesta seção. 00:13.650 --> 00:15.630 Há muito para aprender. 00:15.660 --> 00:17.490 Vamos ver como vamos abordar isso. 00:17.490 --> 00:19.590 Tudo bem o que aprendemos na seção. 00:19.590 --> 00:25.140 Em primeiro lugar, vamos falar sobre o que as redes convolutivas realmente são muito importantes para entender o objetivo final 00:25.140 --> 00:28.770 para o qual você está trabalhando antes de começar a trabalhar para isso. 00:28.770 --> 00:32.090 Então, vamos ouvir quais recursos irão dar uma olhada em alguns pequenos exemplos. 00:32.090 --> 00:36.750 Comparará o cérebro humano com as redes neurais artificiais em termos de reconhecimento de imagem. 00:36.840 --> 00:42.630 Então, será um tutorial divertido e leve para nos começar a toda essa seção. 00:42.630 --> 00:44.810 Então falamos sobre o Passo 1. 00:44.850 --> 00:47.410 O mergulho direto para ele pode funcionar. 00:47.420 --> 00:56.280 Então, esta parte do Curso contém várias etapas que precisamos para passar para construir uma rede neural convolutiva e é 00:56.310 --> 00:59.040 assim que esses internos serão quebrados. 00:59.040 --> 01:06.510 Então, este seria o primeiro passo da operação de evolução, aprenderemos tudo sobre os detectores de recursos. 01:06.510 --> 01:08.790 Falaremos sobre quais também são filtros. 01:08.790 --> 01:11.030 Vamos falar sobre mapas futuros. 01:11.070 --> 01:16.110 E você sabe como são os diferentes parâmetros que eles são o que eles querem dizer e também 01:16.110 --> 01:17.360 olha alguns exemplos visuais. 01:17.520 --> 01:26.010 Então, falaremos sobre o Passo 1 Parte B, o reino em que você é Lehre ou realmente estatilografa, que é então 01:26.130 --> 01:34.830 uma unidade mais rectificada e falamos sobre por que a linearidade não é boa e como queremos mais não-linearidade em nossa 01:34.830 --> 01:36.700 rede para reconhecimento de imagens. 01:36.870 --> 01:42.420 o agrupamento ou o agrupamento e outras abordagens que você pode levar ao processo de pool . 01:42.420 --> 01:48.960 Então, falaremos sobre o agrupamento da Etapa 2 e entenderemos como o agrupamento funciona, falaremos especificamente sobre o agrupamento máximo 01:48.960 --> 01:51.960 e também mencionamos um par de coisas sobre isso, 01:51.960 --> 01:58.650 Também nesta palestra, teremos um exemplo muito legal, então haverá uma ferramenta muito interativa visual 01:58.650 --> 01:59.730 que vamos analisar. 01:59.730 --> 02:05.190 Portanto, assegure-se de seguir em torno do final dessa palestra porque isso vai agregar muito valor 02:05.190 --> 02:06.810 ao seu processo de aprendizagem. 02:06.810 --> 02:09.110 O que vamos discutir no final. 02:09.120 --> 02:10.650 Passo três, achatando. 02:10.680 --> 02:16.290 Então, aqui vamos fazer um breve tutorial sobre como proceder de suas camadas agrupadas para 02:16.380 --> 02:19.560 sua platéia e então vamos conversar sobre conexões completas. 02:19.560 --> 02:26.130 Este é um tutorial muito carnudo que coloca tudo em conjunto e coloca tudo 02:26.130 --> 02:29.680 em perspectiva e realmente mostra como tudo funciona. 02:29.700 --> 02:35.100 No final do dia e como esses neurônios finais entendem como classificar Umich muito, muito importante. 02:35.100 --> 02:42.340 Tauriel e, com sorte, resumiremos ou juntem tudo para você. 02:42.540 --> 02:46.260 E, finalmente, teremos um resumo que irá resumir tudo sobre o qual falamos. 02:46.560 --> 02:52.260 E como uma característica extra, incluí um tutorial sobre Max Max e entropia cruzada. 02:52.260 --> 02:57.780 Então, você não precisa seguir este tutorial, mas pensei que seria uma excelente adição de conhecimento, porque 02:57.780 --> 03:02.010 estes são termos que você irá encontrar ao lidar com redes neurais convolutivas. 03:02.070 --> 03:08.130 Então, talvez, talvez leve isso imediatamente, talvez quando você se deparar com esses termos, você pode sempre saber que 03:08.130 --> 03:13.800 você pode retornar a este curso e seguir este tutorial para entender melhor o que é Max Max 03:13.800 --> 03:14.530 e entropia cruzada. 03:14.760 --> 03:20.610 E também, como sempre ao longo desses editoriais, haverá muita leitura recomendada para você aprimorar o 03:20.670 --> 03:23.100 nível superior e obter mais conhecimento. 03:23.370 --> 03:28.250 E nessa nota, eu não posso esperar para ver o primeiro tutorial, isso vai ser muito divertido e excitante. 03:28.310 --> 03:31.260 S. E, até a próxima, aproveite a aprendizagem profunda.