WEBVTT 00:00.490 --> 00:02.980 Hallo und willkommen zurück zu dem Kurs zum tiefen Lernen. 00:02.980 --> 00:06.900 Heute beginnen wir mit der Faltung neuronaler Netze und werden spannend. 00:06.910 --> 00:08.610 Lass uns direkt eintauchen. 00:08.620 --> 00:10.840 Wir fangen mit einem Bild an. 00:10.930 --> 00:13.210 Was sehen Sie, wenn Sie dieses Bild betrachten? 00:13.580 --> 00:19.480 Sehen Sie eine Person, die Sie ansieht, oder sehen Sie eine Person, die nach rechts schaut, können 00:19.480 --> 00:25.860 Sie sehen, dass Ihr Gehirn sich schwer tut, sich anzupassen, wenn Sie auf die rechte Seite des Bildes schauen. 00:25.870 --> 00:29.180 Schauen Sie sich einfach die rechte Grenze an, an der Sie eine Person sehen, die nach rechts schaut. 00:29.260 --> 00:33.320 Wenn Sie den linken Rand des Bildes betrachten, sehen Sie eine Person, die Sie betrachtet. 00:33.700 --> 00:42.760 Und dies beweist nur, dass das, was unser Gehirn sucht, wenn wir Dinge sehen, Funktionen abhängig von den Funktionen, die es sieht, 00:42.760 --> 00:46.140 abhängig von den Funktionen, die Sie verarbeiten. 00:46.180 --> 00:48.610 Sie kategorisieren Dinge auf bestimmte Weise. 00:48.730 --> 00:54.010 Wenn Sie also auf die rechte Seite des Bildes schauen, sehen Sie bestimmte Merkmale einer Person, 00:54.010 --> 01:00.190 die reiten möchte, weil sie näher an Ihrem Mittelpunkt liegt und daher Ihr Gehirn als Person klassifiziert, die nach 01:00.190 --> 01:00.930 rechts schaut. 01:01.000 --> 01:06.790 Wenn Sie auf die linke Seite des Bildes blicken, sehen Sie weitere Merkmale einer Person, die Sie betrachtet, 01:06.790 --> 01:09.580 und daher klassifiziert Ihr Gehirn es als solche. 01:09.580 --> 01:11.150 Schauen wir uns einen anderen an. 01:11.230 --> 01:12.840 Dies ist ein sehr berühmtes Bild. 01:12.910 --> 01:14.530 Sie haben es wahrscheinlich schon gesehen. 01:14.680 --> 01:16.240 Aber was sehen Sie hier? 01:16.820 --> 01:23.830 Einige Leute werden sagen, dass sie eine junge Dame in einem Kleid sehen, die wegschaut. 01:23.830 --> 01:29.980 Einige Leute sagen, sie sehen eine alte Dame, die einen Schal auf dem Kopf trägt, der nach unten schaut. 01:30.280 --> 01:36.250 Ich werde darauf hinweisen und Sie werden sehen, dass dies sehr offensichtlich werden wird. Dies ist das Gesicht der 01:36.250 --> 01:37.510 jungen Frau, die wegschaut. 01:37.510 --> 01:40.450 Sie schaut in die Ferne als ihren Mantel. 01:40.440 --> 01:44.940 Das ist ihr Haar, das ist ihre kleine Feder in ihrem Haar und auf der anderen Seite. 01:44.980 --> 01:53.530 Dies ist der Kopf der alten Dame, die ihre Nase nach unten schaut, ihren Mund, ihr Kinn, das ist der Schal auf ihrem Kopf, 01:53.560 --> 01:55.560 und sie schaut nach unten. 01:55.780 --> 02:01.960 Wenn Sie also zwei in einem sehen können und je nachdem, welche Funktionen Ihr Gehirn aufnimmt, wechselt es 02:02.620 --> 02:06.710 zwischen der Klassifizierung jedes Bildes als dem einen oder dem anderen. 02:06.910 --> 02:13.930 Die älteste dieser in der gedruckten Arbeit aufgezeichneten Illusionen ist diese. 02:13.930 --> 02:15.220 Es ist die Ente oder das Kaninchen. 02:15.230 --> 02:17.020 Ist das also eine Ente oder ist das ein Kaninchen? 02:17.020 --> 02:18.330 Ein anderes Beispiel. 02:18.430 --> 02:25.030 Und jetzt werde ich ein Bild zeigen, das nur für eine Sekunde betrachtet wird, um zu sehen, 02:25.030 --> 02:28.670 welche Emotionen oder welche visuelle Erfahrung Sie erleben. 02:29.110 --> 02:36.610 Was sehen Sie also, fühlen Sie sich ein bisschen nicht schwindelig, aber ein bisschen geblendet, als würde Ihr Gehirn versuchen zu verstehen und zu 02:36.610 --> 02:40.230 verstehen, was es ist, wie es ist, als würde es versuchen. 02:40.330 --> 02:49.240 Springt zwischen ihren Augen auf und ab und dies ist ein klassisches Beispiel, wenn es bestimmte Merkmale gibt, bei denen dies der 02:49.240 --> 02:53.850 Fall sein könnte, aber das Gehirn kann sich nicht entscheiden. 02:54.130 --> 02:58.230 Und weil beide plausibel erscheinen. 02:58.290 --> 03:04.360 Ja, im Grunde veranschaulichen all diese Beispiele, wie das Gehirn funktioniert, dass es bestimmte Merkmale 03:04.360 --> 03:10.970 in einem Bild oder in dem, was Sie im wirklichen Leben sehen, verarbeitet und dies als klassifiziert. 03:10.980 --> 03:16.150 Sie waren wahrscheinlich in Situationen, in denen Sie schnell über die Schulter schauen und etwas sehen, von dem Sie denken, 03:16.150 --> 03:23.500 dass es nicht weiß, ob es sich um einen Ball handelt, aber es stellt sich heraus, dass es sich um eine Katze handelt, oder Sie denken, es ist ein 03:23.500 --> 03:24.030 Auto. 03:24.070 --> 03:28.030 Es stellt sich heraus, dass es sich um einen Schatten oder solche Dinge handelt, weil Sie nicht genug Zeit haben, um diese 03:28.030 --> 03:31.030 Features zu verarbeiten, oder Sie haben nicht genügend Features, um Dinge als solche zu klassifizieren. 03:31.240 --> 03:38.570 Dies ist für mich sehr interessant, denn das, was wir mit neuronalen Netzwerken mit konvolutionellen neuronalen Netzwerken tun werden, ist sehr 03:38.570 --> 03:43.630 ähnlich und Sie werden feststellen, dass die Art und Weise, wie Computer Bilder verarbeiten, 03:43.630 --> 03:48.190 extrem sein wird Ähnlich wie bei der Verarbeitung von Bildern ist es 03:48.210 --> 03:53.580 sehr wertvoll, diese Dinge zu verstehen und sich daran zu erinnern, dass wir dies so tun. 03:53.590 --> 03:58.450 Und ich werde diese Frau von deinen Bildschirmen nehmen, weil sie wahrscheinlich schon ausgeflippt ist. 03:58.630 --> 04:00.940 Also hier ist etwas anderes. 04:00.940 --> 04:07.870 Hier ist ein Experiment, ein Experiment, das an Computern in einem neuronalen Faltungsnetz durchgeführt wurde, so dass 04:07.870 --> 04:11.150 wir uns langsam vom Menschen zum Computer bewegen. 04:11.350 --> 04:18.490 Und diese Folie stammt von einem Bericht von Geoffrey Hinton, und hier haben Sie im Wesentlichen ein Experiment 04:18.490 --> 04:24.440 beschrieben, das er in einigen herkömmlichen neuronalen Netzwerken durchgeführt hatte, die er trainiert hatte. 04:24.460 --> 04:29.560 Hier sehen Sie drei Bilder, und wir werden sie von links nach rechts durchgehen und sehen, wie Sie sie klassifizieren 04:29.560 --> 04:31.870 und dann sehen, wie sie neu klassifiziert werden können. 04:31.870 --> 04:35.440 Links also, was denkst du, ist das? 04:35.440 --> 04:37.710 Er sagte wahrscheinlich Gepard und Sie werden Recht haben. 04:37.710 --> 04:41.740 Und das ist, was der Computer so gesagt hat, und gleich auf 04:41.740 --> 04:48.400 Anhieb werden wir lernen, wie man diese Bilder liest. Wenn Sie sich eingehend mit den neuronalen Netzen von Call Convolutional 04:48.400 --> 04:54.050 beschäftigen, ist kein Wortspiel beabsichtigt mehr und mehr darüber und deren Verwendung werden Sie viele davon sehen. 04:54.070 --> 05:01.050 Und ich habe tatsächlich gesehen, dass die Leute sie falsch gelesen haben, also hier oben ist Shida, was es wirklich 05:01.050 --> 05:01.470 ist. 05:01.470 --> 05:07.920 Das ist also das eigentlich richtige Etikett des Bildes, das unabhängig von der Verarbeitung das Etikett 05:07.920 --> 05:09.180 der Bilder ist. 05:09.300 --> 05:16.770 Und die Computervision und dann sind die Vermutungen, die die oberen vier oder fünf manchmal des Algorithmus erraten, und ihnen 05:17.370 --> 05:24.520 werden die Wahrscheinlichkeiten gegeben, so dass der Computer oder das neuronale Netzwerk besagten, dass Chitta persönliche Kleidung oder ägyptische 05:24.810 --> 05:27.460 Katze eine der vier sein kann. 05:27.540 --> 05:29.120 Und Gepard hat die höchste Stimme. 05:29.130 --> 05:34.820 In diesem Teil des Kurses verstehen Sie, was diese Stimmen bedeuten und wie sie abgeleitet werden. 05:34.830 --> 05:36.600 Aber im Moment ist es ziemlich intuitiv richtig. 05:36.600 --> 05:40.700 Es ist also ein Gepard in der Realität und das neuronale Netzwerk hat richtig geraten. 05:40.710 --> 05:44.600 Es sagte mit einer Hyperfähigkeit von etwa 95 bis 99 Prozent. 05:45.900 --> 05:46.860 Dann der zweite. 05:46.860 --> 05:51.050 Was denkst du, ist es ein Hochgeschwindigkeitszug. 05:51.300 --> 05:58.020 Und das neuronale Netz konnte zwischen Hochgeschwindigkeitszug-PKW-U-Bahn-Lokomotiven unterscheiden. 05:58.020 --> 05:59.380 Das ist natürlich die erste Wahl. 05:59.400 --> 06:05.850 Es gab viel mehr Möglichkeiten, mit denen diese neuronalen Netzwerke nicht nur vier Kategorien von 06:06.000 --> 06:08.760 Dutzenden von Kategorien gleichzeitig unterscheiden können. 06:08.760 --> 06:10.750 Das sind also die vier Optionen, die er gewählt hat. 06:10.920 --> 06:12.750 Und das ist Hochgeschwindigkeitszug und sein Wille. 06:12.760 --> 06:17.210 Und was glaubst du, das letzte ist es sehr. 06:17.350 --> 06:22.470 Es gibt ein paar Optionen, oder es ist nicht ganz klar, was eine Bratpfanne sein 06:22.470 --> 06:29.550 könnte. Eine Lupe. Es könnte sogar eine Schere sein, die man sagen könnte, während das neuronale Netzwerk sagte, es sei 06:29.550 --> 06:30.540 eine Schere. 06:30.750 --> 06:32.590 Aber Sie können sehen, wie Sie hier etwas falsch machen können. 06:32.610 --> 06:35.440 Zunächst ist es kein sehr klares Bild. 06:35.520 --> 06:43.920 Und Sie können auch sehen, dass die Wahrscheinlichkeiten hier nicht so klar sind, also war das neuronale Netzwerk ein bisschen verwirrt, ein 06:43.920 --> 06:46.280 bisschen unentschlossen, genau wie wir. 06:46.280 --> 06:51.710 Ich sagte also Schere mit der hohen Wahrscheinlichkeit, aber dann hatte es Handglas, mit dem es eigentlich 06:51.810 --> 06:55.760 nicht so weit weg war und an zweiter Stelle Bratpfanne Stethoskop. 06:55.920 --> 07:01.620 Im Grunde können Sie also sehen, dass die Schere die erste Vermutung war, aber die richtige Option war Nummer zwei 07:01.620 --> 07:03.050 und deshalb rot hervorgehoben. 07:03.300 --> 07:07.050 Da gehen wir also dorthin, wozu alle Drogen schon fähig sind. 07:07.050 --> 07:08.880 Und das ist eigentlich eine alte Folie. 07:08.880 --> 07:10.610 Das war vor einigen Jahren. 07:10.650 --> 07:16.100 Jetzt sind sie noch besser und Sie werden sehen, dass Sie aus der praktischen Anwendung, die Sie gemeinsam programmieren werden, zu Mittag 07:16.170 --> 07:16.760 gegessen haben. 07:16.920 --> 07:18.430 Aber jetzt versuchen wir es ein bisschen besser. 07:18.430 --> 07:23.770 Was Convenance oder konvolutionelle neuronale Netze eigentlich sind und warum sind sie so beliebt geworden? 07:23.970 --> 07:31.380 Und sie gewinnen an Popularität, so dass Sie hier einen Vergleich von Google Trends sehen können, den ich erst gestern gemacht habe. 07:31.770 --> 07:39.420 Hier kann man sehen, dass konventionelle illusionale neuronale Netzwerke sogar künstliche neuronale 07:39.420 --> 07:43.260 Netzwerke übernehmen, also eine massive Steigerung. 07:43.260 --> 07:49.530 Und das wird so weitergehen, denn es ist ein sehr wichtiges Feld, in dem alle Dinge 07:50.130 --> 07:52.530 wie beispielsweise selbstfahrende Autos passieren. 07:52.530 --> 07:59.340 Wie erkennen sie Menschen auf der Straße, wie sie Stoppschilder 07:59.340 --> 08:07.680 und ähnliches erkennen können? Wie kann Facebook Bilder oder Personen in Bildern 08:07.980 --> 08:14.240 kennzeichnen? Gesichter erkennen, man musste die Namen hinzufügen. 08:14.250 --> 08:18.420 Jetzt erkennt es nur die Gesichter und fügt gleichzeitig die Namen hinzu. 08:18.630 --> 08:26.070 Nun, konvolutionelle neuronale Netzwerke können auf Facebook sein. 08:26.160 --> 08:34.710 Wenn Jeffrey Hinton der Pate von künstlichen neuronalen Netzwerken und 08:34.830 --> 08:43.650 tiefen Lernens ist, dann ist yalla Kuhn der Großvater von konvolutionellen 08:43.650 --> 08:45.640 neuronalen Netzwerken. 08:45.720 --> 08:51.950 Und Jeffrey Hinton ist jetzt Vorreiter bei Google Young. 08:52.020 --> 08:57.010 Ist der Direktor der Facebook-Forschung zu künstlicher Intelligenz und Professor an der NYU. 08:57.030 --> 09:02.650 Wir werden uns langsam dieses Teils des Kerns bewusst, den wir auf diese Weise aufbauen. 09:02.670 --> 09:10.770 Diese Namen sind so ein Bild von den Profilen der Leute, die dieses Feld fahren, und als Nächstes werden in den nächsten Pars ein 09:10.950 --> 09:16.680 paar mehr erfahren, und wir haben diese ganze Mafia, wie sie sich selbst nennen oder Sie anrufen 09:16.680 --> 09:22.320 können Sie sind Mafia oder Verschwörung des tiefen Lernens, und Sie erfahren etwas mehr darüber, wie sich 09:22.320 --> 09:24.140 dieses ganze Feld entwickelt hat. 09:24.480 --> 09:27.200 Ja, es sind nur einige großartige Leute. 09:27.450 --> 09:35.370 Und so leistete RIKOON in den 80er und 90er Jahren einen wichtigen Beitrag auf dem Gebiet der 09:35.370 --> 09:36.300 Faltungsneuralnetze. 09:36.330 --> 09:44.310 Und wie Sie in diesem Kurs sehen werden, konnte die Welt etwas entwickeln, das 09:44.340 --> 09:46.650 so extrem mächtig ist. 09:46.650 --> 09:51.390 Also weiter mit der Frage, wie illusionale neuronale Netzwerke funktionieren können. 09:51.420 --> 09:56.150 Sie haben einen Eingang, es ist sehr einfach, es ist sehr einfach, so dass sie ein Eingabebild haben. 09:56.160 --> 10:01.930 Es geht durch das illusionale neuronale Netzwerk, und Sie haben ein Etikett, so dass dieses Bild als 10:01.990 --> 10:06.630 etwas klassifiziert wird, das einen Cheeto oder einen Hochgeschwindigkeitszug oder etwas anderes hat. 10:06.790 --> 10:10.780 Nun wie ein bisschen mehr ins Detail gehen. 10:10.900 --> 10:19.540 Zum Beispiel können Sie Offizier Neroli auf bestimmte Bilder auf bestimmten klassifizierten Bildern oder kategorisierten Bildern 10:19.780 --> 10:23.600 zuvor trainiert haben, bevor es höher war. 10:23.710 --> 10:29.510 Danach können Sie sagen, dass ein neuronales Netzwerk trainiert wurde, um Gesichtsausdrücke und Bewegungen zu erkennen. 10:29.510 --> 10:37.030 Sie können ihm ein Gesicht einer lächelnden Person geben, nicht nur ein Gesicht wie eine Zeichnung eines Gesichts wie dieses, sondern das 10:37.030 --> 10:39.330 tatsächliche Gesicht einer lächelnden Person . 10:39.430 --> 10:44.910 Und ich sage Ihnen, dass diese Person glücklich ist und Sie können ein Gesicht von einer Person bekommen, die die Stirn runzelt. 10:44.910 --> 10:47.180 Ich sage dir, dass die Person traurig ist. 10:47.280 --> 10:52.570 Er kann diese Emotionen erkennen, und wie Sie sehen können, ist dies in Bezug auf so viele 10:52.570 --> 10:59.740 verschiedene Implikationen bereits sehr mächtig. Nur ein Beispiel, an das Sie sofort denken können. In beiden Fällen werde ich Ihnen eine Bedienbarkeit geben, damit 10:59.740 --> 11:04.970 Sie nicht sagen, dass Sie uns kennen. Die Person ist zu 100 Prozent glücklich oder traurig. 11:04.970 --> 11:13.000 Es wird 99 oder 98 oder vielleicht 80 Prozent sein, wenn es nicht klar ist, was los ist. So wie wir Recht haben, können 11:13.000 --> 11:16.620 wir manchmal Dinge mit dem verwechseln, was sie nicht tun. 11:16.660 --> 11:23.620 Oder manchmal können wir manchmal einfach nicht klar sein, ob die Person lächelt oder die Stirn runzelt oder ob es sich um einen Hund oder 11:23.620 --> 11:27.910 eine Katze handelt oder ob es sich um einen Zug oder einen Hochgeschwindigkeitszug handelt. 11:28.110 --> 11:32.620 Gut, manchmal haben wir nicht die Möglichkeit, dass wir nicht genug Funktionen in allen 11:32.980 --> 11:38.600 Funktionen sehen, denn so verarbeiten wir visuelle Informationen, wie wir es von Beginn dieses Tutorials aus gesehen haben. 11:38.620 --> 11:44.140 Wie aber kann ein neuronales Netzwerk, das ein neuronales Netzwerk enthält, diese Merkmale erkennen? 11:44.140 --> 11:48.770 Nun, alles beginnt auf dem sehr grundlegenden Niveau, das Sie haben. 11:48.790 --> 11:54.160 Nehmen wir an, Sie haben ein Bild mit zwei Bildern, eines ist ein Schwarzweißbild mit 11:54.160 --> 12:01.270 zwei mal zwei Pixeln, und eines ist ein Farbbild mit zwei mal zwei Pixeln, während neuronale Netzwerke die Tatsache 12:01.270 --> 12:04.690 nutzen, dass das Schwarzweißbild ein zweidimensionales Array ist. 12:04.690 --> 12:09.610 So wie wir es jetzt auf der linken Seite sehen, ist es nur die visuelle Darstellung. 12:09.630 --> 12:11.110 Ich vermute eine Art Bild. 12:11.250 --> 12:16.600 Der Einfachheit halber ist dies nur eine zweidimensionale Darstellung, aber computergestützt handelt es sich eigentlich 12:16.600 --> 12:22.180 um ein zweidimensionales Array, bei dem jedes einzelne Pixel einen Wert zwischen 0 und 55 hat. 12:22.360 --> 12:27.670 Das sind also acht Informationsbits, um die zwei auf die Leistung von acht ist 256. 12:27.670 --> 12:32.130 Also die Werte von 0 bis 255 und das ist die Intensität der Farbe. 12:32.260 --> 12:36.240 Und in diesem Fall ist die Farbe Weiß ein vollständig schwarzer Pixel. 12:36.370 --> 12:43.720 255 ist ein vollständig weißes Pixel und dazwischen haben Sie den Graustufenbereich der möglichen Optionen für dieses 12:43.720 --> 12:44.490 Pixel. 12:44.650 --> 12:50.740 Auf der Grundlage dieser Informationen können Computer dann mit dem Bild arbeiten, und dies ist in gewisser 12:50.740 --> 12:56.510 Weise der Ausgangspunkt, dass jedes Bild tatsächlich eine digitale Darstellung hat und eine digitale Form hat. 12:56.620 --> 13:03.460 Und das sind im Grunde nur Einsen und Nullen, die für jeden einzelnen Pixel eine Zahl von 0 bis 255 bilden, und damit arbeitet 13:03.460 --> 13:04.340 der Computer. 13:04.340 --> 13:08.410 Es funktioniert eigentlich nicht mit den Farben oder irgendetwas mit den Einsen und Nullen am Ende des 13:08.410 --> 13:08.790 Tages. 13:08.800 --> 13:12.820 Das ist so ähnlich wie das Fundament von allem. 13:13.360 --> 13:17.110 Und in einem Farbbild handelt es sich eigentlich um ein dreidimensionales Array. 13:17.230 --> 13:24.580 Sie haben blaues Pixel-Blau, Larry Green und die rote Blendung und die Pfeile und das Gefühl für 13:24.580 --> 13:25.130 RGV-Rot-Grün-Blau. 13:25.420 --> 13:29.740 Und jede dieser Farben hat ihre eigene Intensität. 13:29.740 --> 13:37.010 Grundsätzlich sind einem Pixel drei drei Werte zugewiesen. 13:37.030 --> 13:41.090 Jeder von ihnen ist zwischen 0 und 256 255. 13:41.380 --> 13:48.340 Und so können Sie herausfinden, welche Farbe genau dieses Pixel hat. 13:48.340 --> 13:53.520 Durch die Kombination dieser drei Werte werden Computer wieder damit arbeiten. 13:53.530 --> 13:58.930 Das ist also die Grundlage dafür, dass der rote Kanal der grüne Kanal der blaue Kanal ist. 13:59.530 --> 14:08.590 Zum Schluss noch ein Beispiel eines sehr trivialen Beispiels für ein lächelndes Gesicht. 14:08.820 --> 14:09.610 Computergesteuert. 14:09.610 --> 14:17.710 Wenn wir einfach die Dinge wirklich vereinfachen, anstatt zwischen 0 und 255 zu haben und diese Werte zu haben, nur 14:17.710 --> 14:25.690 damit wir die Dinge besser verstehen und die Konzepte wirklich verstehen können, werden wir sagen, dass Null weiß ist, 14:25.690 --> 14:26.590 schwarz ist. 14:26.590 --> 14:26.800 Recht. 14:26.800 --> 14:33.460 Wir vereinfachen also die Dinge extrem und Sie werden sehen, dass dieses Bild so dargestellt werden 14:33.460 --> 14:33.900 kann. 14:34.000 --> 14:39.150 Der Grund, warum wir dies angesprochen haben, ist, dass 14:39.160 --> 14:44.680 wir uns auf all unsere Intuitionen stützen, wie wir es 14:44.680 --> 14:50.530 schaffen, ein Bild zu strukturieren Wertebereich und alles gilt dort genauso. 14:50.740 --> 14:54.900 Und die Schritte werden wir durchlaufen, wenn diese Bilder eine optimale Evolution darstellen. 14:54.910 --> 14:56.820 Schritt Nummer zwei max Pooling. 14:56.830 --> 15:02.550 Schritt Nummer drei Abflachung und Schritt Nummer eine vollständige Verbindung, und ich kann mir vorstellen, 15:02.560 --> 15:09.880 dass Ihnen wahrscheinlich alle diese Wörter im Moment viel bedeuten, aber am Ende dieses Abschnitts des Kurses werden Sie sie 15:10.000 --> 15:13.940 sehr genau verstehen und genau das, was sie sind tun. 15:13.960 --> 15:16.020 Wir werden also mit dem nächsten Tutorial beginnen. 15:16.030 --> 15:24.400 Für den Moment ist die zusätzliche Lektüre, die Sie vielleicht näher untersuchen möchten, eine junge Lukens Originalarbeit, 15:24.640 --> 15:28.200 die zu emotionalen neuronalen Netzwerken geführt hat. 15:28.200 --> 15:31.590 Es wird gradientenbasiertes Lernen genannt, das auf die dokumentarische Kognition angewendet wird. 15:31.660 --> 15:34.550 Sie haben dieses Bild möglicherweise schon gesehen, bevor Sie im Internet herumgleiten. 15:34.630 --> 15:40.990 Es ist aus diesem Artikel. Wenn Sie also zu den Anfängen zurückkehren möchten, wie alles passiert ist, wo alles entstanden ist, dann 15:40.990 --> 15:46.420 ist dies der Artikel, den Sie sich ansehen sollten. Ich freue mich darauf, im nächsten Tutorial zu sehen. 15:46.420 --> 15:48.280 Bis dahin tiefes Lernen genießen.