WEBVTT 00:00.490 --> 00:02.980 Halo dan selamat datang kembali ke kursus belajar yang mendalam. 00:02.980 --> 00:06.900 Hari ini kita memulai jaringan saraf convolutional akan menjadi menarik. 00:06.910 --> 00:08.610 Mari selami itu. 00:08.620 --> 00:10.840 Kita akan memulai dengan sebuah gambar. 00:10.930 --> 00:13.210 Apa yang Anda lihat ketika Anda melihat gambar ini. 00:13.580 --> 00:19.480 Apakah Anda melihat seseorang menatap Anda atau apakah Anda melihat seseorang melihat ke kanan Anda dapat 00:19.480 --> 00:25.860 melihat bahwa otak Anda sedang berjuang sedang berjuang untuk menyesuaikan diri jika Anda melihat ke sisi kanan gambar. 00:25.870 --> 00:29.180 Lihat saja perbatasan sebelah kanan di mana Anda akan melihat seseorang melihat ke kanan. 00:29.260 --> 00:33.320 Jika Anda melihat batas kiri gambar Anda akan melihat seseorang melihat Anda. 00:33.700 --> 00:42.760 Dan ini membuktikan bahwa apa yang dicari otak kita ketika kita melihat sesuatu adalah fitur tergantung pada fitur yang 00:42.760 --> 00:46.140 dilihatnya tergantung pada fitur yang Anda proses. 00:46.180 --> 00:48.610 Anda mengategorikan sesuatu dengan cara tertentu. 00:48.730 --> 00:54.010 Jadi ketika Anda melihat di sisi kanan gambar, Anda melihat fitur tertentu dari seseorang yang ingin 00:54.010 --> 01:00.190 mengendarai karena mereka lebih dekat ke pusat fokus Anda dan oleh karena itu otak Anda diklasifikasikan sebagai orang yang melihat 01:00.190 --> 01:00.930 ke kanan. 01:01.000 --> 01:06.790 Ketika Anda melihat ke sisi kiri gambar, Anda melihat lebih banyak fitur seseorang yang melihat Anda 01:06.790 --> 01:09.580 dan oleh karena itu otak Anda mengklasifikasikannya. 01:09.580 --> 01:11.150 Jadi mari kita lihat yang lain. 01:11.230 --> 01:12.840 Ini adalah gambar yang sangat terkenal. 01:12.910 --> 01:14.530 Anda mungkin sudah melihatnya. 01:14.680 --> 01:16.240 Tapi apa yang kamu lihat di sini. 01:16.820 --> 01:23.830 Jadi beberapa orang akan mengatakan bahwa mereka melihat seorang wanita muda mengenakan gaun yang memalingkan muka. 01:23.830 --> 01:29.980 Beberapa orang mengatakan mereka melihat seorang wanita tua mengenakan syal di kepalanya menunduk. 01:30.280 --> 01:36.250 Jadi saya akan menunjukkan ini dan Anda akan melihat itu akan menjadi sangat jelas jadi ini adalah wajah wanita 01:36.250 --> 01:37.510 muda yang memalingkan muka. 01:37.510 --> 01:40.450 Dia melihat ke kejauhan sebagai mantelnya. 01:40.440 --> 01:44.940 Itu rambutnya, itu bulu kecilnya di rambutnya dan di sisi lain. 01:44.980 --> 01:53.530 Ini adalah kepala wanita tua yang melihat ke bawah hidungnya, dagunya, itu syal di kepalanya dan dia 01:53.560 --> 01:55.560 melihat ke bawah. 01:55.780 --> 02:01.960 Jadi seperti yang Anda lihat dua dalam satu dan tergantung pada fitur mana yang diambil otak Anda, itu 02:02.620 --> 02:06.710 akan beralih antara mengklasifikasikan setiap gambar sebagai satu atau yang lain. 02:06.910 --> 02:13.930 Salah satu ilusi tertua yang dicatat dalam karya cetak ini adalah ilusi ini. 02:13.930 --> 02:15.220 Ini bebek atau kelinci. 02:15.230 --> 02:17.020 Jadi ini bebek atau kelinci? 02:17.020 --> 02:18.330 Contoh lain. 02:18.430 --> 02:25.030 Dan sekarang saya akan menunjukkan gambar yang hanya sebentar saja lihat saja dan lihat apa emosi apa 02:25.030 --> 02:28.670 atau pengalaman visual seperti apa yang Anda alami. 02:29.110 --> 02:36.610 Jadi apa yang Anda lihat apakah Anda merasa sedikit tidak pusing tetapi sedikit terpesona seperti otak Anda yang mencoba 02:36.610 --> 02:40.230 untuk mencoba dan memahami seperti apa ia berusaha. 02:40.330 --> 02:49.240 Melompat di antara matanya ke atas dan ke bawah mata dan ini adalah contoh klasik ketika ada fitur tertentu di mana bisa 02:49.240 --> 02:53.850 jadi ini bisa jadi itu tetapi otak Anda tidak bisa memutuskan. 02:54.130 --> 02:58.230 Dan karena keduanya tampak masuk akal. 02:58.290 --> 03:04.360 Ya, jadi pada dasarnya semua contoh ini menggambarkan kepada kami bagaimana otak bekerja sehingga memproses 03:04.360 --> 03:10.970 fitur-fitur tertentu pada gambar atau pada apa pun yang Anda lihat dalam kehidupan nyata dan mengklasifikasikannya sebagai. 03:10.980 --> 03:16.150 Anda mungkin berada dalam situasi ketika Anda melihat dari atas bahu Anda dengan cepat dan 03:16.150 --> 03:23.500 Anda melihat sesuatu yang Anda pikir itu saya tidak tahu apakah itu seperti bola, tetapi ternyata kucing atau Anda pikir itu adalah 03:23.500 --> 03:24.030 mobil. 03:24.070 --> 03:28.030 Ternyata menjadi bayangan atau hal-hal seperti itu karena Anda tidak punya cukup waktu untuk memproses fitur-fitur 03:28.030 --> 03:31.030 itu atau Anda tidak memiliki cukup fitur untuk mengklasifikasikan hal-hal seperti itu. 03:31.240 --> 03:38.570 Dan ini bagi saya ini sangat menarik karena apa yang akan kita lakukan dengan jaringan saraf dengan jaringan saraf 03:38.570 --> 03:43.630 convolutional sangat mirip dan Anda akan menemukan bahwa cara komputer akan memproses gambar 03:43.630 --> 03:48.190 akan menjadi sangat mirip dengan cara kita memproses gambar sehingga sangat 03:48.210 --> 03:53.580 berharga untuk dipahami dan hanya mengingat hal-hal ini bahwa ini adalah bagaimana kita melakukannya. 03:53.590 --> 03:58.450 Dan saya akan mengambil wanita ini dari layar Anda karena dia mungkin sudah panik sekarang. 03:58.630 --> 04:00.940 Jadi, ini sesuatu yang berbeda. 04:00.940 --> 04:07.870 Berikut ini eksperimen yang dilakukan pada komputer di jaringan saraf convolutional sehingga kami 04:07.870 --> 04:11.150 perlahan-lahan pindah dari manusia ke komputer. 04:11.350 --> 04:18.490 Dan slide ini dari yang diceritakan oleh Geoffrey Hinton dan di sini Anda pada dasarnya menggambarkan sebuah 04:18.490 --> 04:24.440 eksperimen yang telah ia lakukan pada beberapa jaringan saraf konvensional yang ia latih. 04:24.460 --> 04:29.560 Jadi di sini Anda melihat tiga gambar dan kita akan melihat dengan kiri ke kanan dan melihat bagaimana Anda akan mengklasifikasikan 04:29.560 --> 04:31.870 mereka dan kemudian melihat bagaimana mereka dapat diklasifikasikan ulang. 04:31.870 --> 04:35.440 Jadi di sebelah kiri menurut Anda ini apa. 04:35.440 --> 04:37.710 Dia mungkin berkata cheetah dan kamu akan benar. 04:37.710 --> 04:41.740 Dan inilah yang dikatakan komputer dan saat itu juga kita akan 04:41.740 --> 04:48.400 belajar cara membaca gambar-gambar ini karena jika Anda akan masuk jauh ke dalam panggilan jaringan saraf convolutional tidak ada kata 04:48.400 --> 04:54.050 pun dimaksudkan Anda akan mulai belajar semakin banyak dan menggunakan mereka Anda akan melihat banyak ini. 04:54.070 --> 05:01.050 Jadi, dan saya benar-benar melihat orang membacanya dengan tidak benar, jadi di sini di atas Shida adalah apa yang 05:01.050 --> 05:01.470 sebenarnya. 05:01.470 --> 05:07.920 Jadi itulah label gambar yang sebenarnya sebenarnya, itulah label gambar itu, apa pun pemrosesan 05:07.920 --> 05:09.180 yang dilakukan. 05:09.300 --> 05:16.770 Dan visi komputer dan kemudian di sini adalah tebakan empat atau lima teratas tebakan algoritma dan mereka 05:17.370 --> 05:24.520 diberikan probabilitas sehingga komputer berkata atau jaringan saraf mengatakan pakaian pribadi Chitta atau kucing Mesir bisa 05:24.810 --> 05:27.460 menjadi salah satu dari empat. 05:27.540 --> 05:29.120 Dan cheetah memiliki suara tertinggi. 05:29.130 --> 05:34.820 Dan di sepanjang bagian Kursus ini Anda memahami apa arti suara-suara ini dan bagaimana mereka diperoleh. 05:34.830 --> 05:36.600 Tetapi untuk sekarang ini cukup intuitif. 05:36.600 --> 05:40.700 Jadi itu adalah cheetah dalam kenyataan dan jaringan saraf menebak dengan benar. 05:40.710 --> 05:44.600 Katanya dengan kemampuan hyper sekitar 95 99 persen. 05:45.900 --> 05:46.860 Lalu yang kedua. 05:46.860 --> 05:51.050 Menurut Anda, apakah itu kereta peluru? 05:51.300 --> 05:58.020 Dan jaringan saraf mampu membedakan antara kereta peluru penumpang kereta bawah tanah, lokomotif listrik. 05:58.020 --> 05:59.380 Itu adalah pilihan utama tentu saja. 05:59.400 --> 06:05.850 Ada lebih banyak pilihan yang dipelajari jaringan saraf ini untuk membedakan tidak hanya empat kategori dari puluhan 06:06.000 --> 06:08.760 ribu kategori pada saat yang bersamaan. 06:08.760 --> 06:10.750 Jadi itulah empat opsi yang dipilihnya. 06:10.920 --> 06:12.750 Dan itulah kereta peluru dan kemauannya. 06:12.760 --> 06:17.210 Jadi menurut Anda yang terakhir itu sangat. 06:17.350 --> 06:22.470 Ada beberapa pilihan atau tidak terlalu jelas apa itu bisa menjadi penggorengan 06:22.470 --> 06:29.550 bisa menjadi kaca pembesar itu bahkan mungkin beberapa gunting mungkin beberapa mengatakan sementara jaringan saraf mengatakan itu 06:29.550 --> 06:30.540 adalah gunting. 06:30.750 --> 06:32.590 Tapi Anda bisa melihat bagaimana Anda bisa salah di sini. 06:32.610 --> 06:35.440 Pertama-tama ini bukan gambar yang sangat jelas. 06:35.520 --> 06:43.920 Dan Anda juga dapat melihat bahwa probabilitasnya tidak sejelas di sini sehingga jaringan saraf agak bingung sedikit 06:43.920 --> 06:46.280 bimbang sama seperti kita. 06:46.280 --> 06:51.710 Jadi saya katakan Gunting dengan probabilitas tinggi tetapi kemudian memiliki gelas tangan yang 06:51.810 --> 06:55.760 sebenarnya tidak jauh dari tempat kedua dan stetoskop penggorengan. 06:55.920 --> 07:01.620 Jadi pada dasarnya di sini Anda dapat melihat bahwa gunting adalah tebakan pertama tetapi pilihan yang benar adalah nomor dua dan itulah sebabnya 07:01.620 --> 07:03.050 itu disorot dengan warna merah. 07:03.300 --> 07:07.050 Jadi begitulah yang sudah mampu dilakukan semua obat. 07:07.050 --> 07:08.880 Dan ini sebenarnya slide yang cukup lama. 07:08.880 --> 07:10.610 Ini beberapa tahun yang lalu. 07:10.650 --> 07:16.100 Sekarang mereka lebih baik dan Anda akan melihat bahwa dari aplikasi praktis yang akan Anda koding bersama makan 07:16.170 --> 07:16.760 siang. 07:16.920 --> 07:18.430 Tapi sekarang mari kita coba ini sedikit lebih baik. 07:18.430 --> 07:23.770 Apa yang disebut dengan jaringan saraf konvolusional atau konvolusional dan mengapa mereka begitu populer. 07:23.970 --> 07:31.380 Dan mereka benar-benar mendapatkan popularitas sehingga Anda dapat melihat di sini perbandingan Google Trends yang baru saya lakukan kemarin. 07:31.770 --> 07:39.420 Di sini Anda dapat melihat bahwa konvensi jaringan saraf tiruan bahkan mengambil alih 07:39.420 --> 07:43.260 jaringan saraf tiruan sehingga peningkatan besar. 07:43.260 --> 07:49.530 Dan ini akan terus seperti itu karena itu adalah bidang yang sangat penting di situlah semua hal terjadi 07:50.130 --> 07:52.530 seperti mobil yang bisa menyetir sendiri. 07:52.530 --> 07:59.340 Bagaimana mereka mengenali orang-orang di jalan, bagaimana mengenali tanda berhenti dan hal-hal seperti itu, bagaimana 07:59.340 --> 08:07.680 cara agar Facebook dapat menandai gambar atau orang dalam gambar dan tidak hanya seperti mengingat sebelumnya tahun lalu Anda 08:07.980 --> 08:14.240 harus memberi tahu orang lain sendiri maka kenali wajah Anda harus menambahkan nama. 08:14.250 --> 08:18.420 Dan sekarang hanya mengenali wajah-wajah dan menambahkan nama-nama pada saat yang sama. 08:18.630 --> 08:26.070 Nah itulah yang mampu dilakukan oleh jaringan saraf convolutional seperti di Facebook. 08:26.160 --> 08:34.710 Jika Jeffrey Hinton adalah ayah baptis dari jaringan saraf tiruan dan pembelajaran mendalam maka yalla Kuhn adalah 08:34.830 --> 08:43.650 kakek dari jaringan saraf convolutional yang Lukken adalah murid dari Jeffrey Hinton dan pada kenyataannya di sini Anda 08:43.650 --> 08:45.640 dapat melihatnya bersama. 08:45.720 --> 08:51.950 Dan Jeffrey Hinton sekarang adalah pelopor de-planing di Google young. 08:52.020 --> 08:57.010 Adalah direktur penelitian kecerdasan buatan Facebook dan juga seorang profesor di NYU. 08:57.030 --> 09:02.650 Jadi kita perlahan-lahan menyadari bagian inti ini perlahan-lahan kita bangun dengan cara ini. 09:02.670 --> 09:10.770 Nama-nama ini adalah jenis gambar profil orang-orang yang mengendarai bidang ini dan selanjutnya dalam beberapa pars berikutnya akan mengetahui tentang beberapa lagi 09:10.950 --> 09:16.680 dan kami akan memiliki seluruh Mafia ini saat mereka menyebut diri mereka atau Anda dapat 09:16.680 --> 09:22.320 menelepon mereka mafia atau konspirasi pembelajaran mendalam dan Anda akan belajar lebih banyak tentang bagaimana 09:22.320 --> 09:24.140 seluruh bidang ini dikembangkan. 09:24.480 --> 09:27.200 Ya hanya ini beberapa orang hebat. 09:27.450 --> 09:35.370 Dan begitu RIKOON kembali pada tahun 80-an dan 90-an membuat kontribusi signifikan ke bidang jaringan saraf 09:35.370 --> 09:36.300 convolutional. 09:36.330 --> 09:44.310 Dan seperti yang akan Anda lihat sepanjang kursus ini telah mampu mengembangkan atau membantu dunia mengembangkan 09:44.340 --> 09:46.650 sesuatu yang sangat kuat. 09:46.650 --> 09:51.390 Jadi pindah ke bagaimana ilusi jaringan saraf bekerja. 09:51.420 --> 09:56.150 Anda memiliki input, sangat sederhana, sangat mudah sehingga mereka memiliki gambar input. 09:56.160 --> 10:01.930 Ini berjalan melalui jaringan saraf ilusi dan Anda memiliki label sehingga mengklasifikasikan gambar sebagai 10:01.990 --> 10:06.630 sesuatu seperti memiliki Cheeto atau kereta peluru atau sesuatu yang lain. 10:06.790 --> 10:10.780 Sekarang agak suka sedikit lebih detail. 10:10.900 --> 10:19.540 Misalnya Anda dapat petugas neroli telah dilatih tentang gambar tertentu pada gambar rahasia tertentu atau gambar yang 10:19.780 --> 10:23.600 dikategorikan sebelum ada yang lebih tinggi sebelumnya. 10:23.710 --> 10:29.510 Setelah itu Anda dapat memberikannya katakanlah jaringan saraf telah dilatih untuk mengenali ekspresi wajah dan 10:29.510 --> 10:37.030 gerakan Anda dapat memberikannya wajah orang yang tersenyum bukan hanya wajah seperti gambar wajah seperti ini tetapi wajah sebenarnya 10:37.030 --> 10:39.330 dari seseorang yang tersenyum . 10:39.430 --> 10:44.910 Dan saya akan memberitahu Anda bahwa orang itu bahagia dan Anda bisa mendapatkan wajah orang yang mengerutkan kening. 10:44.910 --> 10:47.180 Saya akan memberitahu Anda bahwa orang itu sedih. 10:47.280 --> 10:52.570 Dia dapat mengenali emosi-emosi ini dan seperti yang Anda lihat itu sudah sangat kuat dalam hal begitu 10:52.570 --> 10:59.740 banyak implikasi yang berbeda, hanya satu contoh ini yang dapat Anda pikirkan segera dan dalam kedua kasus saya akan memberi Anda operabilitas sehingga 10:59.740 --> 11:04.970 tidak akan mengatakan Anda tahu kami ' kembali 100 persen orang itu bahagia atau sedih. 11:04.970 --> 11:13.000 Itu akan menjadi 99 atau 98 atau mungkin 80 persen ketika tidak jelas tentang apa yang terjadi dan sama seperti kita 11:13.000 --> 11:16.620 benar kadang-kadang kita bisa salah mengira hal-hal yang bukan. 11:16.660 --> 11:23.620 Atau kadang-kadang kita bisa terkadang tidak jelas apakah orang itu tersenyum atau mengerutkan kening atau apakah itu 11:23.620 --> 11:27.910 anjing atau kucing atau apakah itu kereta atau kereta peluru. 11:28.110 --> 11:32.620 Baiklah kadang-kadang kita tidak memilikinya kita belum melihat cukup banyak fitur semuanya turun 11:32.980 --> 11:38.600 ke fitur karena itulah bagaimana kami memproses informasi visual seperti yang kita lihat dari awal tutorial ini. 11:38.620 --> 11:44.140 Jadi tetapi bagaimana jaringan saraf perumahan jaringan saraf dapat mengenali fitur-fitur ini. 11:44.140 --> 11:48.770 Semuanya dimulai pada tingkat paling dasar yang Anda miliki. 11:48.790 --> 11:54.160 Katakanlah Anda memiliki gambar. Anda memiliki dua gambar, satu adalah gambar hitam dan putih 11:54.160 --> 12:01.270 dua kali dua piksel dan satu adalah gambar warna dua kali dua piksel, sementara jaringan saraf memanfaatkan fakta 12:01.270 --> 12:04.690 bahwa gambar hitam putih adalah array dua dimensi. 12:04.690 --> 12:09.610 Jadi cara kita melihatnya sekarang di sebelah kiri hanyalah representasi visual. 12:09.630 --> 12:11.110 Saya kira semacam gambar. 12:11.250 --> 12:16.600 Dan demi kesederhanaan itu hanya dua cara untuk gambar tetapi dalam istilah komputer itu 12:16.600 --> 12:22.180 sebenarnya array dua dimensi dengan setiap satu dari piksel tersebut memiliki nilai antara 0 dan 55. 12:22.360 --> 12:27.670 Jadi itu delapan bit informasi ke dua dengan kekuatan delapan adalah 256. 12:27.670 --> 12:32.130 Jadi karena itu nilai dari 0 hingga 255 dan itulah intensitas warna. 12:32.260 --> 12:36.240 Dan dalam hal ini warna putih sehingga 0 akan menjadi piksel yang sepenuhnya hitam. 12:36.370 --> 12:43.720 255 akan menjadi piksel yang sepenuhnya putih dan di antara mereka Anda memiliki rentang pilihan skala abu-abu untuk piksel 12:43.720 --> 12:44.490 ini. 12:44.650 --> 12:50.740 Dan berdasarkan informasi itu komputer dapat kemudian bekerja dengan gambar dan itu semacam 12:50.740 --> 12:56.510 titik awal bahwa setiap gambar sebenarnya memiliki representasi digital memiliki bentuk digital. 12:56.620 --> 13:03.460 Dan itu pada dasarnya hanya satu dan nol yang membentuk angka 0 hingga 255 untuk setiap piksel tunggal dan itulah yang bekerja 13:03.460 --> 13:04.340 dengan komputer. 13:04.340 --> 13:08.410 Ini tidak benar-benar bekerja dengan Anda tahu warna atau apa pun itu bekerja dengan yang dan nol pada akhir 13:08.410 --> 13:08.790 hari. 13:08.800 --> 13:12.820 Itu seperti fondasi dari semuanya. 13:13.360 --> 13:17.110 Dan dalam gambar berwarna sebenarnya adalah array tiga dimensi. 13:17.230 --> 13:24.580 Anda punya piksel biru biru Larry Green dan silau merah dan panah dan pengertian itu untuk RGV merah hijau 13:24.580 --> 13:25.130 biru. 13:25.420 --> 13:29.740 Dan masing-masing warna itu memiliki intensitasnya sendiri. 13:29.740 --> 13:37.010 Jadi pada dasarnya sebuah pixel memiliki tiga nilai yang ditugaskan padanya. 13:37.030 --> 13:41.090 Masing-masing dari mereka adalah antara 0 dan 256 255. 13:41.380 --> 13:48.340 Dan karena itu Anda dapat mengetahui apa gambar ini, apa warna tepatnya piksel ini. 13:48.340 --> 13:53.520 Dengan menggabungkan ketiga nilai dan lagi komputer akan bekerja dengan itu. 13:53.530 --> 13:58.930 Jadi itulah dasar dari semua itu yaitu saluran merah, saluran hijau, saluran biru. 13:59.530 --> 14:08.590 Dan akhirnya mari kita lihat contoh contoh yang sangat sepele dari wajah tersenyum. 14:08.820 --> 14:09.610 Dalam istilah komputer. 14:09.610 --> 14:17.710 Jika kita benar-benar menyederhanakan berbagai hal alih-alih memiliki dari 0 hingga 255 dan memiliki nilai-nilai itu hanya agar kita 14:17.710 --> 14:25.690 dapat memahami hal-hal dengan lebih baik dan benar-benar memahami konsep yang akan kita katakan nol adalah putih, hitam 14:25.690 --> 14:26.590 adalah hitam. 14:26.590 --> 14:26.800 Kanan. 14:26.800 --> 14:33.460 Jadi kita hanya akan menyederhanakan hal-hal yang ekstrem dan Anda akan melihat bahwa gambar itu dapat direpresentasikan seperti 14:33.460 --> 14:33.900 itu. 14:34.000 --> 14:39.150 Jadi alasan mengapa kita mengemukakan ini adalah karena kita masuk ke semua intuisi kita. Kita 14:39.160 --> 14:44.680 harus membuat struktur gambar seperti ini yang sangat sederhana tetapi pada saat yang sama maka semua konsep 14:44.680 --> 14:50.530 tersebut dapat diterjemahkan kembali ke 0 2 256 rentang nilai dan semuanya berlaku dengan cara yang sama di sana. 14:50.740 --> 14:54.900 Dan langkah-langkah yang akan kita lalui jika gambar-gambar ini optimal satu evolusi. 14:54.910 --> 14:56.820 Langkah nomor dua penyatuan maks. 14:56.830 --> 15:02.550 Langkah nomor tiga perataan dan langkah nomor koneksi penuh dan saya bisa membayangkan bahwa mungkin 15:02.560 --> 15:09.880 semua kata-kata ini sangat berarti bagi Anda saat ini tetapi pada akhir bagian ini tentu saja Anda akan mengerti 15:10.000 --> 15:13.940 mereka dengan sangat rinci dan persis apa yang mereka perbuatan. 15:13.960 --> 15:16.020 Jadi kita akan mulai di tutorial selanjutnya. 15:16.030 --> 15:24.400 Untuk saat ini bacaan tambahan yang mungkin ingin Anda lihat adalah kertas asli Lukens muda 15:24.640 --> 15:28.200 yang memunculkan jaringan saraf emosional. 15:28.200 --> 15:31.590 Ini disebut pembelajaran berbasis gradien yang diterapkan pada kognisi dokumenter. 15:31.660 --> 15:34.550 Anda mungkin telah melihat gambar ini sebelum mengambang di Internet. 15:34.630 --> 15:40.990 Ini dari makalah itu jadi jika Anda ingin kembali ke permulaan dari bagaimana semuanya terjadi dari mana semua ini 15:40.990 --> 15:46.420 berasal dari makalah ini untuk melihat ke dalam dan saya berharap untuk melihat di tutorial berikutnya. 15:46.420 --> 15:48.280 Sampai kemudian menikmati pembelajaran yang mendalam.