WEBVTT 00:00.300 --> 00:05.790 مرحبًا بكم ومرحبًا بكم مرة أخرى في الدورة التدريبية الخاصة بالتعلم العميق اليوم ، سنبدأ اليوم في إطلاق الشبكات العصبية التلافيفية 00:05.790 --> 00:06.840 سيكون أمرًا مثيرًا. 00:06.840 --> 00:08.340 دعونا نتعمق فيه مباشرة. 00:08.340 --> 00:10.350 سنبدأ بصورة. 00:10.620 --> 00:12.690 ماذا ترى عندما تنظر إلى هذه الصورة؟ 00:13.440 --> 00:17.610 هل ترى شخصًا ينظر إليك أم ترى شخصًا يتطلع إلى اليمين؟ 00:18.000 --> 00:21.570 يمكنك أن ترى أن عقلك يكافح. 00:21.570 --> 00:23.970 إنه يكافح من أجل التكيف. 00:23.970 --> 00:27.330 إذا نظرت إلى الجانب الأيمن من الصورة ، ما عليك سوى إلقاء نظرة على الحد الأيمن منها. 00:27.330 --> 00:29.040 سترى شخصًا يتطلع إلى اليمين. 00:29.040 --> 00:32.970 إذا نظرت إلى الحد الأيسر للصورة ، فسترى شخصًا ينظر إليك. 00:33.540 --> 00:42.690 وهذا يثبت فقط أن ما يبحث عنه دماغنا عندما نرى الأشياء هو ميزات تعتمد على الميزات التي يراها ، اعتمادًا 00:42.690 --> 00:48.480 على الميزات التي تعالجها ، يمكنك تصنيف الأشياء بطرق معينة. 00:48.480 --> 00:53.760 لذلك عندما تنظر إلى الجانب الأيمن من الصورة ، ترى سمات معينة لشخص ينظر 00:53.760 --> 00:59.850 إلى اليمين لأنها أقرب إلى مركز تركيزك ، وبالتالي يصنف عقلك على أنه شخص ينظر إلى 00:59.850 --> 01:00.720 اليمين. 01:00.720 --> 01:06.750 عندما تنظر إلى الجانب الأيسر من الصورة ، ترى المزيد من ميزات الشخص الذي ينظر إليك ، وبالتالي 01:06.750 --> 01:09.270 يصنفه عقلك على هذا النحو. 01:09.270 --> 01:10.740 لذلك دعونا نلقي نظرة على واحدة أخرى. 01:10.980 --> 01:12.720 هذه صورة مشهورة جدا. 01:12.720 --> 01:15.810 ربما تكون قد شاهدته بالفعل ، لكن ماذا ترى هنا؟ 01:16.590 --> 01:23.640 لذلك سيقول بعض الناس إنهم يرون سيدة شابة ترتدي فستانًا وتنظر بعيدًا. 01:23.640 --> 01:29.760 سيقول بعض الناس إنهم يرون سيدة عجوز ترتدي وشاحًا على رأسها وتنظر إلى أسفل. 01:29.970 --> 01:34.200 لذلك سأقوم بتوضيح هذه الميزات وسترى أنها ستصبح واضحة جدًا. 01:34.200 --> 01:37.440 إذن هذا هو وجه الشابة التي تنظر بعيدًا. 01:37.440 --> 01:40.290 إنها تنظر إلى المسافة مثل معطفها. 01:40.290 --> 01:43.380 هذا شعرها ، هذه ريشتها الصغيرة في شعرها. 01:43.380 --> 01:48.900 ومن ناحية أخرى ، هذا رأس السيدة العجوز ينظر إلى الأسفل. 01:48.900 --> 01:52.080 هذا أنفها ، هذا فمها ، هذا ذقنها. 01:52.080 --> 01:53.490 هذا هو الوشاح على رأسها. 01:53.490 --> 01:55.500 وهي تنظر إلى الأسفل. 01:55.500 --> 01:57.840 لذا ، كما ترون ، اثنان في واحد. 01:57.840 --> 02:04.890 واعتمادًا على الميزات التي يلتقطها عقلك ، سيتحول بين تصنيف كل صورة على أنها واحدة 02:04.890 --> 02:06.090 أو أخرى. 02:06.660 --> 02:13.740 أقدم واحدة من هذه الأوهام المسجلة في العمل المطبوع هي هذه. 02:13.740 --> 02:15.150 إنها البطة أو الأرنب. 02:15.150 --> 02:16.860 هل هذه بطة أم هذا أرنب؟ 02:16.860 --> 02:17.970 مثال آخر. 02:18.150 --> 02:24.630 والآن سأريكم صورة ستتم فقط لثانية واحدة ، فقط انظروا إليها وشاهدوا ما هي المشاعر أو أي 02:24.660 --> 02:28.350 نوع من الخبرة ، التجربة البصرية التي تمرون بها. 02:28.890 --> 02:30.930 فماذا ترى؟ 02:30.970 --> 02:37.590 هل تشعر بأنك لست بالدوار قليلاً ، ولكنك مبهور قليلاً ، مثل أن عقلك يحاول أن يفهم ما هو 02:37.590 --> 02:43.680 عليه ، ما هو عليه ، إنه يحاول القفز بين عينيها ، عينيها العلوية والسفلية. 02:43.680 --> 02:51.750 وهذا هو المثال الكلاسيكي عندما تكون هناك ميزات معينة حيث يمكن أن يكون هذا ، يمكن أن يكون كذلك ، لكن عقلك 02:51.750 --> 02:53.640 لا يستطيع أن يقرر. 02:53.850 --> 02:58.590 ولأن كلاهما يبدو معقولًا ونعم. 02:58.590 --> 03:04.800 إذن كل هذه الأمثلة توضح لنا بشكل أساسي كيف يعمل الدماغ ، وأنه يعالج ميزات معينة 03:04.800 --> 03:10.770 على صورة أو على أي شيء تراه في الحياة الواقعية ، ويصنف ذلك على هذا النحو. 03:10.770 --> 03:16.030 وربما تكون في مواقف عندما تنظر من فوق كتفك بسرعة وترى شيئًا وتعتقد 03:16.030 --> 03:22.740 أنه ، لا أعرف ، إنه مثل كرة ، أ ، ولكن تبين أنها قطة أو تعتقد أنها إنها سيارة ، لكن اتضح 03:22.740 --> 03:25.440 أنها ظل وأشياء من هذا القبيل. 03:25.440 --> 03:29.580 هذا لأنه ليس لديك الوقت الكافي لمعالجة هذه الميزات أو ليس لديك ميزات كافية لتصنيف 03:29.580 --> 03:30.930 الأشياء على هذا النحو. 03:30.930 --> 03:38.490 وهذا بالنسبة لي ، هذا مثير جدًا للاهتمام لأن ما سنفعله مع الشبكات العصبية ، مع الشبكات العصبية 03:38.490 --> 03:40.710 التلافيفية ، مشابه جدًا. 03:40.710 --> 03:46.020 وستجد أن الطريقة التي ستتعامل بها أجهزة الكمبيوتر مع الصور ستكون مشابهة للغاية 03:46.020 --> 03:48.120 للطريقة التي نعالج بها الصور. 03:48.120 --> 03:53.520 لذلك من المهم جدًا أن نفهم وأن نتذكر نوعًا ما هذه الأشياء بأن هذه هي الطريقة التي نقوم بها. 03:53.520 --> 03:58.350 وسأقوم بإخراج هذه السيدة من شاشاتك لأنها ربما تخيفك بالفعل الآن. 03:58.350 --> 04:00.870 إذن هذا شيء مختلف. 04:00.870 --> 04:06.900 هذه تجربة ، تجربة أجريت على أجهزة الكمبيوتر ، على الشبكات العصبية التلافيفية. 04:06.900 --> 04:10.710 لذلك نحن نتحرك الآن ببطء من البشر إلى أجهزة الكمبيوتر. 04:11.190 --> 04:14.310 وهذه الشريحة مأخوذة من حديث لجيفري هينتون. 04:15.090 --> 04:21.600 وهنا لديك بشكل أساسي يصف تجربة قام بها على بعض الشبكات العصبية التلافيفية 04:21.750 --> 04:23.820 التي قام بتدريبها. 04:24.210 --> 04:29.490 هنا ترون ثلاث صور وسنقوم بالمرور عليها من اليسار إلى اليمين ونرى كيف ستصنفهم 04:29.490 --> 04:31.560 ثم نرى كيف يصنفهم الكمبيوتر. 04:31.560 --> 04:34.260 إذن على اليسار ، ما رأيك في هذا؟ 04:35.340 --> 04:37.590 ربما قلت الفهد وستكون على حق. 04:37.590 --> 04:38.790 وهذا ما قاله الكمبيوتر. 04:38.790 --> 04:43.860 لذا وعلى الفور ، فورًا ، سنتعلم كيف نقرأ هذه الصور ، لأنه إذا كنت تريد 04:43.860 --> 04:51.690 التعمق في الشبكات العصبية التلافيفية ، فلا يقصد التورية ، إذا كنت ستبدأ في تعلم المزيد و المزيد عنها واستخدامها 04:51.690 --> 04:53.850 ، سترى الكثير منها. 04:53.850 --> 04:57.000 لذلك رأيت الناس يقرؤونها بشكل غير صحيح. 04:57.000 --> 04:58.830 حتى هنا في القمة. 04:59.620 --> 05:01.320 القاعدة هي ما هي عليه في الواقع. 05:01.320 --> 05:04.770 إذن هذه هي التسمية الصحيحة الفعلية للصورة. 05:04.770 --> 05:10.950 هذا هو ملصق الصورة ، بغض النظر عن أي معالجة ورؤية الكمبيوتر. 05:11.520 --> 05:19.440 ثم ها هي التخمينات الأربعة أو الخمسة الأولى في بعض الأحيان من تخمينات الخوارزمية ، ويتم إعطاؤهم 05:19.440 --> 05:20.550 الاحتمال. 05:20.550 --> 05:26.370 هكذا قال الكمبيوتر ، أو قالت الشبكة العصبية إن Cheetah Leopard أو Snow Leopard أو القط المصري يمكن أن يكون 05:26.370 --> 05:29.040 واحدًا من الأربعة وأن الفهد لديه أعلى الأصوات. 05:29.040 --> 05:34.650 وخلال هذا الجزء من الدورة ، سوف تفهم ما تعنيه هذه الأصوات وكيف يتم اشتقاقها. 05:34.650 --> 05:36.420 لكن في الوقت الحالي ، الأمر بديهي جدًا ، أليس كذلك؟ 05:36.420 --> 05:41.970 إذاً فهو فهد في الواقع ، وقد خمنت الشبكة العصبية بشكل صحيح ، وقالت باحتمالية عالية 05:41.970 --> 05:44.100 ، حوالي 95 ، 99٪ ، إنها فهد. 05:45.780 --> 05:47.370 ثم الثاني ، ما رأيك؟ 05:47.370 --> 05:51.030 هل هذا هو هذا القطار السريع. 05:51.030 --> 05:57.960 وتمكنت الشبكة العصبية من التمييز بين القطار السريع ، وعربة الركاب ، وقطار الأنفاق ، والقاطرة الكهربائية. 05:57.960 --> 05:58.920 هذه هي أفضل الخيارات. 05:58.920 --> 06:00.360 بالطبع ، كان لديها العديد من الخيارات. 06:00.360 --> 06:07.170 تتعلم هذه الشبكات العصبية التمييز ليس فقط بين أربع فئات من عشرات وآلاف الفئات 06:07.170 --> 06:08.670 في نفس الوقت. 06:08.670 --> 06:10.650 هذه هي الخيارات الأربعة التي اختارها. 06:10.650 --> 06:12.720 وهذا قطار سريع وقطار سريع. 06:12.720 --> 06:18.450 إذاً ما رأيك في الخيار الأخير هو ، جدًا ، هناك خياران هناك. 06:18.460 --> 06:20.040 ليس من الواضح ما هو عليه. 06:20.040 --> 06:21.390 يمكن أن يكون مقلاة. 06:21.390 --> 06:22.740 يمكن أن تكون عدسة مكبرة. 06:22.740 --> 06:27.000 يمكن أن يكون مقصًا. 06:27.000 --> 06:31.500 قد يقول البعض ، حسنًا ، قالت الشبكة العصبية إنه كان مقصًا ، لكن يمكنك أن ترى كيف يمكنك 06:31.500 --> 06:32.460 أن تخطئ هنا. 06:32.460 --> 06:35.250 بادئ ذي بدء ، إنها ليست صورة واضحة للغاية. 06:35.250 --> 06:41.700 ويمكنك أيضًا أن ترى أن الاحتمالات ليست بهذا الوضوح هنا. 06:41.700 --> 06:46.200 لذلك كانت الشبكة العصبية مرتبكة بعض الشيء ، وغير حاسمة بعض الشيء ، تمامًا كما نحن. 06:46.200 --> 06:50.910 لذلك قال المقص مع أعلى احتمال ، ولكن بعد ذلك كان له لمعان يدوي ، والذي 06:50.910 --> 06:55.650 كان في الواقع ليس بعيدًا جدًا في المركز الثاني وسماعة طبيب مقلاة. 06:55.650 --> 07:01.380 لذلك يمكنك أن ترى أن المقص كان أول تخمين له ، لكن الخيار الصحيح كان رقم اثنين ولهذا السبب تم تمييزه 07:01.380 --> 07:02.850 باللون الأحمر. 07:03.060 --> 07:03.930 لذا ها نحن ذا. 07:03.930 --> 07:06.960 هذا ما تستطيع الشبكات العصبية فعله بالفعل. 07:06.960 --> 07:08.820 وهذه في الواقع شريحة قديمة. 07:08.820 --> 07:10.530 كان هذا قبل عدة سنوات. 07:10.530 --> 07:11.760 الآن هم أفضل. 07:11.760 --> 07:16.080 وسترى أنه من التطبيق العملي سوف تقومان بالترميز معًا. 07:16.080 --> 07:16.670 البركة على. 07:16.680 --> 07:21.150 لكن دعونا الآن نحاول أن نفهم بشكل أفضل نوع الشبكات التي هي في الواقع شبكات عصبية 07:21.150 --> 07:23.730 تلافيفية ولماذا تكتسب شعبية كبيرة؟ 07:23.730 --> 07:25.710 وهم في الواقع يكتسبون شعبية. 07:25.710 --> 07:31.050 لذلك يمكنك أن ترى هنا مقارنة Google Trends التي أجريتها بالأمس فقط. 07:31.620 --> 07:39.360 هنا يمكنك أن ترى أن الشبكات العصبية التلافيفية تسيطر حتى على الشبكات العصبية الاصطناعية. 07:39.360 --> 07:47.880 زيادة هائلة وسيواصلون السير بهذه الطريقة لأنه مجال مهم للغاية حيث تحدث كل 07:47.880 --> 07:52.440 الأشياء ، مثل السيارات ذاتية القيادة. 07:52.440 --> 07:57.840 كيف يتعرفون على الأشخاص على الطريق ، وكيف يتعرفون على إشارات التوقف وأشياء من هذا القبيل؟ 07:57.840 --> 08:04.860 كيف يمكن لفيسبوك كيف يمكن للفيسبوك أن يميز الصور أو الأشخاص في الصور؟ 08:04.860 --> 08:11.820 وليس فقط مثل ، تذكر منذ سنوات سابقة أنه كان عليك وضع علامة على الأشخاص بنفسك ، ثم كان يتعرف على الوجوه ، وكان 08:11.820 --> 08:16.680 عليك إضافتها ، ثم إضافة الأسماء ، والآن يتعرف فقط على الوجوه ويضيف الأسماء 08:16.680 --> 08:18.240 في نفس الوقت. 08:18.330 --> 08:23.540 حسنًا ، هذا ما تستطيع الشبكات العصبية التلافيفية القيام به. 08:23.550 --> 08:32.280 وبالحديث عن Facebook ، إذا كان جيفري هينتون هو الأب الروحي للشبكات العصبية الاصطناعية والتعلم 08:32.280 --> 08:38.910 العميق ، فإن Yann LeCun هو جد الشبكات العصبية التلافيفية. 08:38.910 --> 08:45.450 Yann LeCun هو تلميذ لدى Geoffrey Hinton ، وفي الواقع ، يمكنك هنا رؤيتهم معًا. 08:45.450 --> 08:51.180 ويقوم جيفري هينتون الآن بدور رائد في التعلم العميق في Google. 08:51.210 --> 08:56.730 Yann LeCun هو مدير أبحاث الذكاء الاصطناعي على Facebook وأستاذ في جامعة نيويورك. 08:56.730 --> 09:00.030 ببطء شديد ، نحن أحب هذا الجزء من الدورة التدريبية. 09:00.030 --> 09:07.380 ببطء نقوم ببناء هذا الاسم ، هذه الأسماء أو هذا النوع من الصور لمحات الأشخاص الذين يقودون 09:07.380 --> 09:09.120 هذا المجال. 09:09.120 --> 09:14.340 وبعد ذلك في الجزئين التاليين ، سنتعرف على المزيد من المعلومات. 09:14.340 --> 09:20.160 وسيكون لدينا كل هذه المافيا ، كما يسمون أنفسهم ، أو يان ليكون يسميهم المافيا أو مؤامرة التعلم 09:20.160 --> 09:21.030 العميق. 09:21.030 --> 09:23.640 وستتعلم المزيد عن كيفية تطور هذا المجال بأكمله. 09:23.640 --> 09:27.150 ونعم ، هؤلاء فقط أناس عظماء ورائعون. 09:27.150 --> 09:33.900 وهكذا ، قدم Yann LeCun في الثمانينيات والتسعينيات مساهمات كبيرة في مجال الشبكات 09:33.900 --> 09:36.180 العصبية التلافيفية. 09:36.180 --> 09:44.310 وكما سنرى خلال هذه الدورة ، فقد تمكنت من تطوير أو مساعدة العالم على تطوير 09:44.310 --> 09:46.350 شيء قوي للغاية. 09:46.350 --> 09:52.620 إذن بالانتقال إلى كيفية عمل الشبكات العصبية التلافيفية ، لديك مدخلات. 09:52.620 --> 09:54.210 الأمر بسيط للغاية ، ومباشر جدًا. 09:54.210 --> 09:56.070 إذن لديك صورة إدخال. 09:56.070 --> 09:59.160 يمر عبر شبكة عصبية تلافيفية ويكون لديك ناتج. 09:59.250 --> 09:59.730 مع التسمية. 09:59.730 --> 10:06.520 لذلك يصنف تلك الصورة على أنها شيء مثل الفهد أو القطار السريع أو أي شيء آخر. 10:06.540 --> 10:10.320 الآن نوعًا ما مثل الخوض في مزيد من التفاصيل. 10:10.710 --> 10:18.840 على سبيل المثال ، يمكنك بعد تدريب الشبكة العصبية على صور معينة ، أو على بعض الصور المصنفة أو الصور 10:18.840 --> 10:25.530 المصنفة التي تم تصنيفها مسبقًا بعد ذلك ، يمكنك تقديمها ، دعنا نقول أن الشبكة العصبية 10:25.530 --> 10:30.270 قد تم تدريبها للتعرف على تعابير الوجه والعواطف . 10:30.270 --> 10:37.470 يمكنك إعطاء وجه شخص مبتسم ، ليس فقط وجهًا ، مثل رسم وجه كهذا ، ولكن وجهًا حقيقيًا 10:37.470 --> 10:39.240 لشخص مبتسم. 10:39.240 --> 10:44.790 وسيخبرك أن هذا الشخص سعيد ويمكنك أن تعطيه وجه شخص عابس. 10:44.820 --> 10:46.650 سيخبرك أن الشخص حزين. 10:47.190 --> 10:48.480 يمكنه التعرف على هذه المشاعر. 10:48.480 --> 10:53.250 وكما ترون ، هذا بالفعل قوي جدًا من حيث العديد من التطبيقات المختلفة. 10:53.250 --> 11:00.450 فقط من هذا المثال الوحيد الذي يمكنك التفكير فيه على الفور وفي كلتا الحالتين ، سوف يمنحك احتمالًا. 11:00.450 --> 11:10.200 لذلك لن يقول 100٪ أن الشخص سعيد أو حزين ، سيكون 99 أو 98 أو ربما 80٪ عندما لا يكون واضحًا 11:10.200 --> 11:11.670 ما يحدث. 11:11.670 --> 11:17.370 ومثلما نحن على حق ، في بعض الأحيان يمكننا أن نخطئ في الأشياء على أنها ليست كذلك ، أو في بعض الأحيان يمكننا 11:17.370 --> 11:17.880 ذلك. 11:18.690 --> 11:24.660 في بعض الأحيان يكون من غير الواضح ما إذا كان الشخص يبتسم أو يعبس أو ما إذا كان كلبًا 11:24.660 --> 11:27.750 أو قطة ، أو قطارًا أو قطارًا سريعًا. 11:28.200 --> 11:28.360 الصحيح. 11:28.410 --> 11:33.240 في بعض الأحيان ، لم يكن لدينا ميزات كافية ، وكلها تنخفض إلى الميزات لأن هذه هي الطريقة 11:33.240 --> 11:38.310 التي نعالج بها المعلومات المرئية كما رأينا من بداية هذا البرنامج التعليمي. 11:38.310 --> 11:44.040 إذن ، كيف يمكن للشبكة العصبية ، كيف يمكن للشبكة العصبية التعرف على هذه الميزات؟ 11:44.040 --> 11:48.690 حسنًا ، كل شيء يبدأ من المستوى الأساسي الذي لديك. 11:48.690 --> 11:50.670 لنفترض أن لديك صورة ، لديك صورتان. 11:50.760 --> 11:56.280 واحد هو صورة بالأبيض والأسود 2 × 2 بكسل ، والآخر صورة ملونة من 2 × 2 بكسل. 11:56.280 --> 12:04.620 حسنًا ، تستفيد الشبكات العصبية من حقيقة أن الصورة بالأبيض والأسود عبارة عن مصفوفة ثنائية الأبعاد. 12:04.620 --> 12:09.560 إذن الطريقة التي نراها الآن على اليسار هي مجرد تمثيل مرئي ، أليس كذلك؟ 12:09.600 --> 12:13.530 لذا فهي نوع من الصور ولأغراض التبسيط فهي مجرد صورة اثنين في اثنين. 12:13.890 --> 12:18.870 لكن في مصطلحات الكمبيوتر ، إنها في الواقع مصفوفة ثنائية الأبعاد مع كل واحدة 12:18.870 --> 12:22.080 من تلك البكسلات التي لها قيمة بين صفر و 255. 12:22.080 --> 12:27.540 إذن ، ثمانية ثمانية بتات من المعلومات مرفوعة إلى اثنين أس ثمانية تساوي 256. 12:27.540 --> 12:30.240 إذن ، القيم من 0 إلى 255. 12:30.240 --> 12:32.010 وهذه هي شدة اللون. 12:32.010 --> 12:33.450 وفي هذه الحالة يكون اللون أبيض. 12:33.450 --> 12:38.550 لذا سيكون الصفر بكسلًا أسود بالكامل ، و 255 بكسل أبيض بالكامل. 12:38.550 --> 12:44.370 وبينهما ، لديك نطاق التدرج الرمادي للخيارات الممكنة لهذا البكسل. 12:44.370 --> 12:49.920 وبناءً على هذه المعلومات ، يمكن لأجهزة الكمبيوتر بعد ذلك العمل مع الصورة. 12:49.920 --> 12:55.080 وهذا يشبه إلى حد ما نقطة البداية ، أي أن أي صورة لها تمثيل 12:55.080 --> 13:03.150 رقمي ، ولها شكل رقمي ، وهذه مجرد آحاد وأصفار تشكل رقمًا من 0 إلى 255 لكل بكسل. 13:03.150 --> 13:04.170 وهذا ما يعمل من أجله الكمبيوتر. 13:04.170 --> 13:08.340 إذا لم يعمل في الواقع مع الألوان أو أي شيء ، يعمل مع الآحاد والأصفار 13:08.340 --> 13:12.390 ، في نهاية اليوم ، فهذا يشبه نوعًا ما أساس كل شيء. 13:13.140 --> 13:17.040 وفي صورة ملونة ، إنها في الواقع مصفوفة ثلاثية الأبعاد. 13:17.040 --> 13:21.810 لديك بكسل أزرق وطبقة زرقاء وطبقة خضراء وطبقة حمراء. 13:21.810 --> 13:29.700 وبهذا المعنى ، أربعة غيغابايت من الأحمر والأخضر والأزرق وكل لون من هذه الألوان له حدته الخاصة. 13:29.700 --> 13:36.870 إذن ، يحتوي البكسل بشكل أساسي على ثلاث أو ثلاث قيم مخصصة له. 13:36.870 --> 13:40.620 كل واحد منهم يقع بين صفر و 256 ، 255. 13:41.160 --> 13:49.440 وبالتالي ، يمكنك معرفة ما هي هذه الصورة ، ما لون هذا البكسل بالضبط من خلال الجمع بين هذه القيم 13:49.440 --> 13:50.220 الثلاث. 13:50.220 --> 13:52.860 ومرة أخرى ، ستعمل أجهزة الكمبيوتر مع ذلك. 13:53.280 --> 13:55.710 إذن هذا هو أساس كل شيء. 13:55.710 --> 13:58.440 هذه هي القناة الحمراء ، القناة الخضراء ، القناة الزرقاء. 13:59.310 --> 14:07.110 وأخيرًا ، دعنا نلقي نظرة ، على سبيل المثال ، على مثال ، مثال تافه جدًا لوجه مبتسم في مصطلحات 14:07.110 --> 14:16.080 الكمبيوتر ، إذا قمنا بتبسيط الأشياء حقًا بدلاً من الحصول على من 0 إلى 255 ، بدلاً من الحصول على هذه القيم 14:16.080 --> 14:20.850 فقط بحيث يمكننا فهم الأشياء بشكل أفضل وفهم المفاهيم 14:20.850 --> 14:26.700 حقًا ، سنقول أن الصفر هو أبيض ، والآخر أسود ، أليس كذلك؟ 14:26.700 --> 14:30.630 لذلك سنقوم فقط بتبسيط الأمور إلى أقصى الحدود. 14:30.630 --> 14:33.780 وسترى أن تلك الصورة يمكن تمثيلها على هذا النحو. 14:33.780 --> 14:38.910 لذا السبب وراء طرحنا هذا هو أننا سنذهب إلى جميع دروس الحدس لدينا ، وسنقوم 14:38.910 --> 14:43.950 ببناء صور مثل هذه ، وهي بسيطة جدًا ، ولكن في نفس الوقت ، ثم كل هذه المفاهيم 14:43.950 --> 14:50.460 يمكن أن يترجم مرة أخرى إلى نطاق من 0 إلى 256 من القيم ، وكل شيء ينطبق بنفس الطريقة هناك. 14:50.460 --> 14:54.840 والخطوات التي سنمر بها مع هذه الصور هي الخطوة الأولى الالتفاف. 14:54.840 --> 14:56.760 الخطوة الثانية ، أقصى تجمع. 14:56.760 --> 14:59.000 الخطوة الثالثة ، التسطيح ورقم الخطوة. 14:59.160 --> 15:00.330 أو اتصال كامل. 15:00.330 --> 15:06.780 ويمكنني أن أتخيل أنه ربما لا تعني أي من هذه الكلمات الكثير بالنسبة لك في الوقت الحالي 15:06.780 --> 15:13.890 ، ولكن في نهاية هذا القسم من الدورة التدريبية ، ستفهمهم بتفصيل كبير وما يفعلونه بالضبط. 15:13.890 --> 15:15.920 لذلك سنبدأ في البرنامج التعليمي التالي. 15:15.930 --> 15:23.430 في الوقت الحالي ، القراءة الإضافية التي قد ترغب في النظر فيها هي ورقة بحثية أصلية من Lacunes 15:23.640 --> 15:27.840 أدت إلى ظهور الشبكات العصبية التلافيفية. 15:28.050 --> 15:31.380 إنه يسمى التعلم القائم على التدرج المطبق على التعرف على المستندات. 15:31.650 --> 15:34.470 ربما تكون قد شاهدت هذه الصورة قبل أن تطفو حول الإنترنت. 15:34.470 --> 15:35.700 إنه من تلك الورقة. 15:35.700 --> 15:42.150 لذا ، إذا كنت تريد العودة إلى بدايات كيفية حدوث كل شيء ، ومن أين أتى كل شيء ، فهذه هي الورقة التي يجب النظر 15:42.150 --> 15:46.230 فيها وأنا أتطلع إلى رؤيتك في البرنامج التعليمي التالي. 15:46.230 --> 15:48.450 حتى ذلك الحين ، استمتع بالتعلم العميق.