WEBVTT 00:00.360 --> 00:04.170 Bună ziua și bun venit la secțiunea privind rețelele neuronale convoluționale. 00:04.170 --> 00:07.600 Super entuziasmat că ne-ați alăturat și pentru această secțiune. 00:07.740 --> 00:13.650 Și astăzi o să colorăm de pe planul de atac cum vom învăța totul în această secțiune. 00:13.650 --> 00:15.630 Sunt atât de multe de învățat. 00:15.660 --> 00:17.490 Să vedem cum ne apropiem de asta. 00:17.490 --> 00:19.590 În regulă ceea ce aflăm în secțiune. 00:19.590 --> 00:25.140 Mai întâi, vom vorbi despre ce rețele de convoluții sunt de fapt foarte importante pentru a înțelege scopul final 00:25.140 --> 00:28.770 la care lucrați înainte de a începe să lucrați la ea. 00:28.770 --> 00:32.090 Deci, vom auzi ce caracteristici vor arunca o privire la câteva mici exemple. 00:32.090 --> 00:36.750 Va compara creierul uman cu rețelele neuronale artificiale în ceea ce privește recunoașterea imaginii. 00:36.840 --> 00:42.630 Deci va fi un tutorial de distracție ușoară pentru a ne face să începem pentru toată această secțiune. 00:42.630 --> 00:44.810 Apoi vom vorbi despre Pasul 1. 00:44.850 --> 00:47.410 Scufundarea direct în el poate funcționa cu voluție. 00:47.420 --> 00:56.280 Deci, această parte a cursului conține câțiva pași pe care trebuie să le parcurgem pentru a construi o rețea neuronală convoluțională și 00:56.310 --> 00:59.040 așa vor fi rupți acești internali. 00:59.040 --> 01:06.510 Deci, asta va fi pasul unu, operația de evoluție, vom afla totul despre detectoarele de funcții. 01:06.510 --> 01:08.790 Vom vorbi despre care sunt și filtre. 01:08.790 --> 01:11.030 Vom vorbi despre hărți viitoare. 01:11.070 --> 01:16.110 Și știți cum sunt diferiții parametri care sunt ceea ce ei înseamnă și că ar trebui să aruncați o privire la 01:16.110 --> 01:17.360 unele exemple vizuale, de asemenea. 01:17.520 --> 01:26.010 Apoi, vom vorbi despre Pasul 1 Partea B, domeniul pe care îl ai Lehre sau într-adevăr un strat care este apoi rectificat o 01:26.130 --> 01:34.830 unitate mai slabă și vom vorbi despre motivul pentru care liniaritatea nu este bună și cum ne dorim mai multă neliniaritate în rețeaua 01:34.830 --> 01:36.700 noastră pentru recunoașterea imaginii. 01:36.870 --> 01:42.420 Apoi, vom vorbi despre punerea în comun a Pasului 2 și vom înțelege cum funcționează punerea în comun vor vorbi în mod 01:42.420 --> 01:48.960 special despre cumularea în comun și menționăm și câteva lucruri despre adunarea în comun sau despre unele abordări de punere în comun și alte abordări pe 01:48.960 --> 01:51.960 care le puteți lua în procesul de punere în comun . 01:51.960 --> 01:58.650 De asemenea, în această lecție vom avea un exemplu foarte bun, astfel încât va fi un instrument interactiv foarte vizibil la care 01:58.650 --> 01:59.730 ne vom uita. 01:59.730 --> 02:05.190 Deci, asigurați-vă că pentru a rămâne până la sfârșitul acestei prelegeri, deoarece asta va adăuga o mulțime de 02:05.190 --> 02:06.810 valoare pentru procesul de învățare. 02:06.810 --> 02:09.110 Ce vom discuta la sfârșitul anului acolo. 02:09.120 --> 02:10.650 Pasul trei aplatizare. 02:10.680 --> 02:16.290 Deci, aici vom fi un tutorial rapid cu privire la modul de a continua de la straturile colectate până la 02:16.380 --> 02:19.560 bordul dvs. aplatizat și apoi vom vorbi despre conexiuni complete. 02:19.560 --> 02:26.130 Acesta este un tutorial foarte misto care pune totul în comun și pune totul în perspectivă 02:26.130 --> 02:29.680 și de fapt vă arată cum funcționează totul. 02:29.700 --> 02:35.100 La sfârșitul zilei și cum acești neuroni finali înțeleg cum să clasificăm Umich foarte important. 02:35.100 --> 02:42.340 Tauriel și sperăm că va rezuma sau va pune totul împreună pentru tine. 02:42.540 --> 02:46.260 Și în sfârșit vom avea un rezumat care va rezuma tot ce am vorbit. 02:46.560 --> 02:52.260 Și, ca o trăsătură extra puțin, am inclus un tutorial pe soft Max și entropia încrucișată. 02:52.260 --> 02:57.780 Deci, nu trebuie să luați acest tutorial, dar am crezut că ar fi un mare plus de cunoștințe, deoarece aceștia sunt 02:57.780 --> 03:02.010 termeni pe care îi veți întâlni atunci când vă veți ocupa de rețele neuronale convoluționale. 03:02.070 --> 03:08.130 Deci, poate, poate, ia-o imediat, poate că, atunci când întâlniți acești termeni puteți să știți întotdeauna că vă puteți 03:08.130 --> 03:13.800 întoarce la acest curs și puteți lua acest tutorial pentru a înțelege mai bine ce Max și entropia 03:13.800 --> 03:14.530 încrucișată sunt. 03:14.760 --> 03:20.610 Și, de asemenea, ca întotdeauna în toate aceste editoriale, va fi o mulțime de lectură recomandată pentru a vă îmbunătăți în 03:20.670 --> 03:23.100 continuare și pentru a obține mai multe cunoștințe. 03:23.370 --> 03:28.250 Și pe această notă nu pot să aștept să văd în primul tutorial acest lucru va fi foarte distractiv și interesant. 03:28.310 --> 03:31.260 S. Și până la data viitoare se bucură de învățare profundă.