WEBVTT 00:00.490 --> 00:02.980 Merhaba ve derin öğrenme kursuna hoş geldiniz. 00:02.980 --> 00:06.900 Bugün, konvolüyonel sinir ağlarını başlatmak heyecan verici olacak. 00:06.910 --> 00:08.610 Hadi doğrudan doğruya dalış yapalım. 00:08.620 --> 00:10.840 Bir görüntüle başlayacağız. 00:10.930 --> 00:13.210 Bu görüntüye baktığınızda ne görüyorsunuz? 00:13.580 --> 00:19.480 Size bakan bir kişiyi görüyor musunuz yoksa sağdaki görüntüye 00:19.480 --> 00:25.860 bakarsanız, beyninizin mücadele etmekte zorlandığını görebileceğiniz bir kişiyi görüyor musunuz? 00:25.870 --> 00:29.180 Şuraya doğru bakan bir kişiyi göreceğiniz doğru kenarlığa bakmanız yeterlidir. 00:29.260 --> 00:33.320 Resmin sol kenarına bakarsanız, size bakan birinin göreceksiniz. 00:33.700 --> 00:42.760 Ve bu sadece, gördüğümüzde beynimizin aradıklarının, işlediğiniz özelliklere bağlı olarak gördüğü özelliklere 00:42.760 --> 00:46.140 bağlı olarak özelliklerinin kanıtlandığını gösterir. 00:46.180 --> 00:48.610 İşleri belirli şekillerde kategorize edersiniz. 00:48.730 --> 00:54.010 Böylece, görüntünün sağ tarafına baktığınızda, binmek isteyen bir kişinin belirli özelliklerini, odak 00:54.010 --> 01:00.190 merkezinize daha yakın oldukları ve bu nedenle beyninizin sağa bakan bir kişi olarak sınıflandırdığı 01:00.190 --> 01:00.930 görürsünüz. 01:01.000 --> 01:06.790 bir kişinin daha fazla özelliği görürsünüz ve bu nedenle beyniniz bu şekilde sınıflandırır. 01:06.790 --> 01:09.580 Resmin sol tarafına baktığınızda, size bakan 01:09.580 --> 01:11.150 O zaman başka birine bir göz atalım. 01:11.230 --> 01:12.840 Bu çok ünlü bir görüntü. 01:12.910 --> 01:14.530 Muhtemelen daha önce de görmüşsindir. 01:14.680 --> 01:16.240 Ama burada gördüğün şey. 01:16.820 --> 01:23.830 Bu yüzden bazı insanlar, uzakta bakan bir elbiseli genç bir bayan gördüğünü söyleyecektir. 01:23.830 --> 01:29.980 Bazı insanlar yaşlı bir bayanın başını örten bir eşarp giydiklerini söylüyorlar. 01:30.280 --> 01:36.250 işaret edeceğim ve bunun açıkça görüleceğini göreceksiniz, bu genç bayan uzaklaşmaya yüz oluyor. 01:36.250 --> 01:37.510 Bu yüzden bunu 01:37.510 --> 01:40.450 Mesafeyi ceketinin içine bakıyor. 01:40.440 --> 01:44.940 Saçları bu, onun saçlarındaki küçük tüyü ve öte yandan. 01:44.980 --> 01:53.530 Bu yaşlı kadının başını burun ağzına bakıyor başının üstünde başörtüsü olan çenesine bakıyor 01:53.560 --> 01:55.560 ve aşağı bakıyor. 01:55.780 --> 02:01.960 İki kişiyi birer birer görebilir ve beyninizin aldığı özelliklere bağlı olarak, her bir görüntüyü 02:02.620 --> 02:06.710 bir ya da diğer olarak sınıflandırmak arasında geçiş yapar. 02:06.910 --> 02:13.930 Bu illüzyonların en eskisi basılı esere kaydedilmişti. 02:13.930 --> 02:15.220 Ördek ya da tavşan. 02:15.230 --> 02:17.020 Bu ördek mi yoksa bu tavşan mı. 02:17.020 --> 02:18.330 Başka bir örnek. 02:18.430 --> 02:25.030 Ve şimdi sadece bir saniyeliğine bakacak bir görüntü göstereceğim ve ne tür duyguların ya 02:25.030 --> 02:28.670 da görsel deneyimlerin yaşandığını neye benzediğini göreceğim. 02:29.110 --> 02:36.610 Peki ne görüyorsun biraz baş dönmesi değil ama biraz göz kamaştırıyor gibi hissediyorsun beynin denemek ve denemek 02:36.610 --> 02:40.230 istediği şeyin ne olduğunu anlamak için çalışıyor olması. 02:40.330 --> 02:49.240 bunun olabileceği bazı özelliklerin olduğu klasik bir örnek, ancak bunun beynin karar vermediği olabilir. 02:49.240 --> 02:53.850 Gözleri yukarı ve aşağı gözler arasında atlıyor ve 02:54.130 --> 02:58.230 Ve her ikisi de mantıklı görünmesi nedeniyle. 02:58.290 --> 03:04.360 Evet, o kadar temelde bu örneklerin tümü bize beynin nasıl çalıştığını, 03:04.360 --> 03:10.970 bir görüntünün bazı özelliklerini işlediğini ya da gerçek hayatta gördüğünüz şeyleri gösterir. 03:10.980 --> 03:16.150 Muhtemelen omzunuza hızla baktığınızda ve bir top gibi olup olmadığını bilmediğimi 03:16.150 --> 03:23.500 düşündüğünüz bir şey gördüğünüz durumlarda durumdasınız, ancak bir kedi gibi görünüyor ya da bir araba olduğu 03:23.500 --> 03:24.030 düşünülüyor. 03:24.070 --> 03:28.030 sahip olmadığınız ya da böyle şeyleri sınıflandırmaya yetecek kadar özelliğiniz olmadığı için böyle şeyler oluyor. 03:28.030 --> 03:31.030 Bir gölge ya da böyle özelliklere sahip olmak için yeterli zamana 03:31.240 --> 03:38.570 Ve bu benim için çok ilginç çünkü benimle sinirsel ağlarla yapacağım konvolüsyonel sinir ağları 03:38.570 --> 03:43.630 çok benzer ve bilgisayarların görüntüleri işleme şeklinin aşırı derecede olacağını 03:43.630 --> 03:48.190 göreceksiniz görüntüleri işleme şeklimize benzer şekilde, anlamak ve yalnızca 03:48.210 --> 03:53.500 bu şeyleri hatırlamak çok değerlidir, çünkü bunu yaptığımız biçimidir. 03:53.500 --> 03:53.580   03:53.590 --> 03:58.450 Ve bu bayanı ekranlarından alacağım, çünkü muhtemelen şimdiden korkuyor. 03:58.630 --> 04:00.940 Yani burada farklı bir şey var. 04:00.940 --> 04:07.870 İşte konvansiyonel sinir ağı üzerindeki bilgisayarlarda yapılan bir deney bu yüzden 04:07.870 --> 04:11.150 insanlardan bilgisayara yavaş yavaş ilerliyoruz. 04:11.350 --> 04:18.490 Ve bu slayt, Geoffrey Hinton'dan bir söylentiye ait ve burada temel olarak, eğittiği 04:18.490 --> 04:24.440 bazı geleneksel sinir ağlarında yaptığı bir deneyi siz tarif ettiniz. 04:24.460 --> 04:29.560 Yani burada üç resim görüyorsunuz ve bunları soldan sağa doğru geçeceğiz ve bunları nasıl 04:29.560 --> 04:31.870 sınıflandıracağınızı ve daha sonra yeniden sınıflandırılabileceklerini göreceğiz. 04:31.870 --> 04:35.440 Yani solda bunun ne olduğunu düşünüyorsun. 04:35.440 --> 04:37.710 Muhtemelen çita dedi ve sen de haklı olacaksın. 04:37.710 --> 04:41.740 Ve bilgisayar böyle söylediler ve sağda hemen bu 04:41.740 --> 04:48.400 görüntüleri okumayı öğreneceğiz, çünkü konvolusyonel sinir ağları derinliklerine giderseniz, öğrenmeye başlayacağınız anlamına gelmeyen bir 04:48.400 --> 04:54.050 cinas Daha fazla bilgi edinmek ve bunları kullanmak, bunlardan çok şey göreceksiniz. 04:54.070 --> 05:01.050 Ve aslında insanlar onları yanlış okudum gördüm burada bu üst Shida aslında ne 05:01.050 --> 05:01.470 olduğu. 05:01.470 --> 05:07.920 Bu, herhangi bir işleme tabi tutulmadan görüntülerin etiketi olan resmin gerçek 05:07.920 --> 05:09.180 doğru etiketi. 05:09.300 --> 05:16.770 sinir ağının Chitta kişisel giyim eşyası veya Mısır kedisinin dörtten birisi olabileceğini söylediği olasılıkları veriliyor. 05:17.370 --> 05:24.520 Ve bilgisayar vizyonu ve sonra burada algoritmanın en iyi dört veya beş tahminini tahmin 05:24.810 --> 05:27.460 ediyorlar ve bilgisayarın söylediği veya 05:27.540 --> 05:29.120 Çitanın en yüksek oyu var. 05:29.130 --> 05:34.820 Ve Kursun bu bölümünde bu oyların anlamını ve nasıl türetildiklerini anlıyorsunuz. 05:34.830 --> 05:36.600 Ancak şu an için oldukça sezgisel. 05:36.600 --> 05:40.700 Yani gerçekte bir çita ve sinir ağı doğru tahmin. 05:40.710 --> 05:44.600 Hiper yeteneği yüzde 95 gibi yüzde 99 söyledi. 05:45.900 --> 05:46.860 Sonra ikincisi. 05:46.860 --> 05:51.050 Sence bu mermi treninin olması mı? 05:51.300 --> 05:57.600 Ve sinir ağı kurşun tren binek otomobil metro tren elektrikli lokomotif arasında ayırım 05:57.600 --> 05:58.020 başardı. 05:58.020 --> 05:59.380 Bunlar tabii ki en iyi seçimdir. 05:59.400 --> 06:05.850 Bu sinir ağları aynı anda binlerce kategoriden düzinelerce sadece dört kategoriyi ayırtmayı öğrendiği 06:06.000 --> 06:08.760 çok daha fazla seçeneğe sahipti. 06:08.760 --> 06:10.750 Demek ki seçtiği dört seçenek bunlar. 06:10.920 --> 06:12.750 Ve bu mermi treni ve iradesi. 06:12.760 --> 06:17.210 Ve sonuncusunun ne olduğunu çok düşünüyor musun? 06:17.350 --> 06:22.470 Birkaç seçenek var ya da kızartma tenceresi büyüteç olabilir, 06:22.470 --> 06:29.550 belki de sinir ağı bir çift makas olduğunu söylediğinde bazılarının söyleyebileceği makas 06:29.550 --> 06:30.540 olabilir. 06:30.750 --> 06:32.590 Ancak burada nasıl ters gidebileceğinizi görebilirsiniz. 06:32.610 --> 06:35.440 Her şeyden önce çok net bir görüntü değil. 06:35.520 --> 06:43.920 Ve ayrıca olasılıkların burada açıkça görmediğini görebiliyorsunuz, böylelikle sinir 06:43.920 --> 06:46.280 ağı biraz tuhaflaştı. 06:46.280 --> 06:51.710 Bu yüzden Makas'ı yüksek ihtimalle söyledim, ancak el camı vardı, aslında ikinci 06:51.810 --> 06:55.760 sıradaki ve kızartma tenceresi stetoskopunda olmadığı kadar çoktu. 06:55.920 --> 07:01.620 Yani temel olarak burada makasın ilk tahmin olduğunu görüyoruz, ancak doğru seçenek iki numaraydı ve bu 07:01.620 --> 07:03.050 yüzden kırmızı renkte vurgulanmış. 07:03.300 --> 07:07.050 Yani biz oraya gidiyoruz Bütün ilaçların zaten yapabilecekleri budur. 07:07.050 --> 07:08.880 Ve bu aslında eski bir slayt. 07:08.880 --> 07:10.610 Bu birkaç yıl önceydi. 07:10.650 --> 07:16.100 daha da iyiler ve öğleden sonra birlikte kodlayacağınız pratik uygulamadan öğreneceksiniz. 07:16.170 --> 07:16.760 Şimdi 07:16.920 --> 07:18.430 Ama şimdi bunu biraz daha iyi deneyelim. 07:18.430 --> 07:23.770 Gerçekten ne konvansiyon veya konvolüyonel sinir ağları vardır ve neden bu kadar popülerlik kazanmaktadırlar. 07:23.970 --> 07:31.380 Ve aslında popülerlik kazanıyorlar, böylece dün yaptığım Google Trendler karşılaştırmasını görebilirsiniz. 07:31.770 --> 07:39.420 Burada görsel illüzyonel sinir ağlarının yapay sinir ağlarını bile devraldığını ve 07:39.420 --> 07:43.260 böylece büyük bir artış gösterdiğini görebilirsiniz. 07:43.260 --> 07:49.530 Ve bu şekilde devam edecek, çünkü her şeyin kendiliğinden sürülen araba gibi 07:50.130 --> 07:52.530 gerçekleştiği çok önemli bir alan. 07:52.530 --> 07:59.340 Dur işaretlerini ve böyle şeyleri nasıl tanıyacağınızı insanlar yolda tanıyorlar, Facebook'un 07:59.340 --> 08:07.680 görüntüleri veya görüntüdeki kişileri nasıl etiketleyebileceklerini ve sadece daha önce hatırladığınızı değil, insanlarınıza kendiniz 08:07.980 --> 08:14.240 söylemek zorunda kaldınız mı Yüzleri tanımak isimleri eklemek zorunda kaldınız. 08:14.250 --> 08:18.420 Ve şimdi sadece yüzleri tanıyor ve aynı zamanda isimleri ekliyor. 08:18.630 --> 08:26.070 İğneleyici sinir ağlarının Facebook'ta olduğu kadar yetenekli olması da budur. 08:26.160 --> 08:34.710 Eğer Jeffrey Hinton yapay sinir ağlarının vaftiz babası ve derin öğrenme ise, o zaman 08:34.830 --> 08:43.650 yalla Kuhn, konvolüyonel sinir ağlarının dedesi olan Lukken, Jeffrey Hinton'un bir öğrencisidir ve aslında onları 08:43.650 --> 08:45.640 burada birlikte görebilirsiniz. 08:45.720 --> 08:51.950 Ve Jeffrey Hinton şu anda Google gençlerinde plan yapmaya öncülük ediyor. 08:52.020 --> 08:57.010 Facebook yapay zeka araştırması direktörü ve aynı zamanda NYU'da profesör müdürü var. 08:57.030 --> 09:02.650 Dolayısıyla çekirdeğin bu kısmının yavaş yavaş farkındayız ve yavaş yavaş bu yolda ilerliyoruz. 09:02.670 --> 09:10.770 Bu isimler, bu alanı kullanan insanların profillerinin bu tür resimlerini gösteriyor ve önümüzdeki birkaç ay içinde bir kaç 09:10.950 --> 09:16.680 tane daha keşfedeceğiz ve kendilerini aradıklarından bu Mafya'ya sahip olacağız ya da arayabiliyoruz. 09:16.680 --> 09:22.320 Onlara mafya ya da derin öğrenme komplosu ve bu alanın nasıl geliştiği hakkında 09:22.320 --> 09:24.140 biraz daha bilgi edineceksiniz. 09:24.480 --> 09:27.200 Evet, sadece bunlar harika büyük insanlar. 09:27.450 --> 09:35.370 Ve böylece RIKOON, 80'li ve 90'lı yıllarda, konvolüyonel sinir ağları alanına önemli katkılar 09:35.370 --> 09:36.300 sağlamıştır. 09:36.330 --> 09:44.310 Ve bu ders boyunca gördüğünüz gibi, dünyanın son derece güçlü bir şey geliştirmesine ya 09:44.340 --> 09:46.650 da geliştirmesine yardımcı olmuştur. 09:46.650 --> 09:51.390 Bu yüzden yanılsama sinir ağları nasıl işe yarayabilir? 09:51.420 --> 09:56.150 Bir girdiniz var, çok basit, dolayısıyla bir giriş imkânı bulmaları çok kolay. 09:56.160 --> 10:01.930 Can illüzyonel sinir ağı üzerinden geçiyor ve bir etiketiniz var, bu yüzden bu görüntüyü 10:01.990 --> 10:06.630 Cheeto ya da mermi tren ya da başka bir şey gibi sınıflandırıyor. 10:06.790 --> 10:10.780 Şimdi biraz daha ayrıntıya girmek gibi bir şey. 10:10.900 --> 10:19.540 Örneğin, neroli belirli daha önce önceden belirli gizli görüntülerde veya kategorize edilmiş 10:19.780 --> 10:23.600 görüntülerde bazı görüntüler üzerinde eğitilmiş olabilir. 10:23.710 --> 10:29.510 Bundan sonra bir sinir ağı yüz ifadelerini tanımak için eğitildiğini ve gülümseyen bir 10:29.510 --> 10:37.030 kişinin yüzünü verebileceğini, ancak bunun gibi bir yüz çizimi gibi sadece bir yüzü değil, gülümseyen birinin 10:37.030 --> 10:39.330 gerçek yüzünü eğittiğini söyleyelim. . 10:39.430 --> 10:44.910 Ve sana o kişinin mutlu olduğunu ve kaş çatan birinin yüzünü alabileceğini söyleyeceğim. 10:44.910 --> 10:47.180 Sana o kişinin üzgün olduğunu söyleyeceğim. 10:47.280 --> 10:52.570 Bu duyguları tanıyabilir ve görebildiğiniz gibi çok farklı etkiler açısından 10:52.570 --> 10:59.740 zaten çok güçlüdür, hemen düşünebileceğiniz bu örnek ve her iki durumda da size 10:59.740 --> 11:04.970 bir işlerlik kazandıracağız, % 100 kişi mutlu ya da üzgün. 11:04.970 --> 11:13.000 Neyin olup bittiğini belli etmediğinde, yüzde 99 ya da 98 ya da yüzde 80'lik bir oranda olacak ve haklı 11:13.000 --> 11:16.620 olduğumuz gibi, şeyleri bazen yanlış oldukları için yanlış yapabiliriz. 11:16.660 --> 11:23.620 Veya bazen bazen kişi gülümsüyor veya kaşlarını çattırabilir mi, yoksa bir köpek mi kedi mı 11:23.620 --> 11:27.910 yoksa bir tren mi kurşun treni mi olduğu belli değil. 11:28.110 --> 11:32.620 görmedik çünkü bu öğreticinin başlangıcından gördüğümüz gibi görsel bilgileri işleriz. 11:32.980 --> 11:38.600 Pekâlâ bazen elimizde hiçbir şey görmedik, özelliklere kadar inen pek çok özellik 11:38.620 --> 11:44.140 Peki nasıl bir sinir ağı konut sinir ağı bu özellikleri tanımak mümkün yapıyor. 11:44.140 --> 11:48.770 Her şey senin sahip olduğun en basit seviyede başlar. 11:48.790 --> 11:54.160 Diyelim ki iki görüntüsünüz olan bir görüntü var, bir tanesi iki 11:54.160 --> 12:01.270 piksel siyah beyaz görüntü, ikisi de iki piksel renkli bir görüntü, sinir ağları ise siyah 12:01.270 --> 12:04.690 beyaz görüntüsünün iki boyutlu bir dizilimi kullandığını varsayalım. 12:04.690 --> 12:09.610 Şu anda soldaki görme şekli sadece görsel temsil. 12:09.630 --> 12:11.110 Sanırım bir çeşit resim. 12:11.250 --> 12:16.600 Basitlik uğruna, resim yalnızca iki yönlüdür; ancak bilgisayar açısından aslında, bu piksellerin her 12:16.600 --> 12:22.180 birinin 0 ile 55 arasında bir değere sahip olduğu iki boyutlu bir dizi. 12:22.360 --> 12:27.670 Bu sekizli sekiz bilginin ikisinin de sekiz güce sahip olduğu 256. 12:27.670 --> 12:32.130 Dolayısıyla 0'dan 255'e kadar olan değerler ve bu renk yoğunluğudur. 12:32.260 --> 12:36.240 Ve bu durumda renk beyaz o kadar 0 tamamen siyah bir piksel olacaktır. 12:36.370 --> 12:43.720 255 tamamen beyaz bir piksel olacak ve aralarında aralıklı olarak bu piksel için gri tonlamalı 12:43.720 --> 12:44.490 seçenekler var. 12:44.650 --> 12:50.740 dijital bir temsiline sahip olduğu başlangıç ​​noktası gibi bir dijital formda dijital bir forma sahiptir. 12:50.740 --> 12:56.510 Ve bu bilgilere dayanarak, bilgisayarlar daha sonra resimle çalışabilir ve bu, herhangi bir görüntünün aslında 12:56.620 --> 13:03.460 Ve bunlar sadece temel olarak, her piksele 0 ile 255 arasında bir sayı oluşturan ve sıfırlar, bilgisayar da 13:03.460 --> 13:04.340 bununla çalışır. 13:04.340 --> 13:08.410 Aslında sizinle birlikte günün sonunda bir veya sıfırlarla çalıştığı renkleri veya bir şeyi 13:08.410 --> 13:08.790 bilmez. 13:08.800 --> 13:12.820 Tıpkı hepsinin temelini oluşturan şey gibi. 13:13.360 --> 13:17.110 Ve renkli bir resimde aslında üç boyutlu bir dizi. 13:17.230 --> 13:24.580 piksel mavi Larry Green ve kırmızı parlama ve oklar var ve RGV kırmızı yeşil mavi için bu mantık var. 13:24.580 --> 13:25.130 Mavi 13:25.420 --> 13:29.740 Ve bu renklerin her biri kendi yoğunluğuna sahiptir. 13:29.740 --> 13:37.010 Temelde bir pikselin üç üç değeri vardır. 13:37.030 --> 13:41.090 Her biri 0 ile 256 255 arasındadır. 13:41.380 --> 13:48.340 Ve bu nedenle bu resim neyle tam olarak bu pikselin ne renkte olduğunu öğrenebilirsiniz. 13:48.340 --> 13:53.520 Bu üç değeri birleştirerek bilgisayarlar yine çalışacak. 13:53.530 --> 13:58.930 İşte temelleri kırmızı kanalı, yeşil kanalı mavi kanalı. 13:59.530 --> 14:08.590 Ve nihayet bir gülümseyiş yüzünün çok önemsiz bir örneğine bir göz atalım. 14:08.820 --> 14:09.610 Bilgisayar terimleriyle. 14:09.610 --> 14:17.710 0'dan 255'e varmak yerine şeyleri basitleştirirsek ve bu değerleri elde edersek, daha 14:17.710 --> 14:25.690 iyi şeyler anlayabilir ve sıfır söyleyeceğimiz kavramları gerçekten kavrayabilirsek, beyaz bir tane 14:25.690 --> 14:26.590 siyah olur. 14:26.590 --> 14:26.800 Sağ. 14:26.800 --> 14:33.460 Bu yüzden işleri basitleştirip yalnızca o kadar basitleştireceğiz ve o görüntünün bu şekilde temsil edilebileceğini 14:33.460 --> 14:33.900 göreceksiniz. 14:34.000 --> 14:39.150 2 256'ya geri çevirebiliyor. değer aralığı ve her şey aynı şekilde geçerlidir. 14:39.160 --> 14:44.680 Dolayısıyla bunun sebebini ortaya koymamızın nedeni, sezgilerimizin hepsine girmek olduğumuzdan dolayı Stroh'un 14:44.680 --> 14:50.530 bir imge oluşturması için çok basit ama aynı zamanda tüm bu kavramlar 0 14:50.740 --> 14:54.900 Ve bu görüntüler optimal bir evrim ise adımlar atılıyor olacağız. 14:54.910 --> 14:56.820 Adım numarası iki maksimum havuz. 14:56.830 --> 15:02.550 Adım üç düzleştirme ve adım tam bir bağlantıdır ve şu anda bu 15:02.560 --> 15:09.880 kelimelerin tamamının sizin için çok önemli olduğunu hayal edebiliyorum, ancak dersin bu bölümünün sonuna kadar 15:10.000 --> 15:13.940 bunları çok detaylı ve tam olarak anlayacaklardır. yapıyor. 15:13.960 --> 15:16.020 Bir sonraki öğreticide başlayacağız. 15:16.030 --> 15:24.400 Şimdilik bakmak isteyebileceğiniz ek okuma, duygusal sinir ağları oluşturan genç 15:24.640 --> 15:28.200 bir Lukens orijinal kağıdı. 15:28.200 --> 15:31.590 Buna, belgesel bilince uygulanan degradasyon tabanlı öğrenme denir. 15:31.660 --> 15:34.550 Bu görüntüyü internette dolaşmadan önce görmüşsünüzdür. 15:34.630 --> 15:40.990 Bu kağıttan kaynaklanıyor, öyleyse, her şeyin nereden geldiğine dair başlangıca geri dönmek isterseniz 15:40.990 --> 15:46.420 bakmak için kağıt budur ve bir sonraki öğreticide görmeyi dört gözle bekliyorum. 15:46.420 --> 15:48.280 O zamana kadar derinlemesine öğrenmenin tadını çıkarın.