WEBVTT 00:00.520 --> 00:02.800 Halo dan selamat datang kembali ke kursus dan pembelajaran yang mendalam. 00:02.800 --> 00:06.140 Hari ini kita akhirnya di STEPNELL sebelum koneksi penuh. 00:06.310 --> 00:08.210 Jadi apa langkah ini semua tentang. 00:08.440 --> 00:16.990 Nah pada langkah ini kami menambahkan seluruh jaringan saraf tiruan ke jaringan saraf convolutional kami sehingga untuk semua hal 00:17.000 --> 00:22.450 yang telah kami lakukan sejauh ini adalah pengumpulan dan perataan konvolusi. 00:22.510 --> 00:24.910 Sekarang kami menambahkan yang baru. 00:24.930 --> 00:28.990 Dan kemudian di belakang itu seberapa intens itu. 00:28.990 --> 00:32.350 Itu hanya itu adalah sesuatu yang pasti sesuatu. 00:32.590 --> 00:36.730 Dan di sini kita punya lapisan input kita punya rencana yang terhubung sepenuhnya. 00:36.740 --> 00:42.580 Saya akan meletakkan di sana dan omong-omong Lehre yang terhubung sepenuhnya dalam jaringan saraf tiruan yang biasa 00:42.580 --> 00:47.650 kita sebut lapisan tersembunyi dan di sini kita menyebut mereka terhubung sepenuhnya karena mereka 00:47.650 --> 00:53.500 adalah sarang tersembunyi tetapi pada saat yang sama mereka lebih spesifik jenis pemain biola yang sepenuhnya terhubung 00:53.500 --> 00:57.510 dalam jaringan saraf tiruan huruf tersembunyi tidak harus sepenuhnya terhubung. 00:57.520 --> 01:02.230 Sedangkan dalam jaringan saraf convolutional kita akan menggunakan huruf yang terhubung penuh dan 01:02.230 --> 01:05.640 itulah sebabnya mereka umumnya disebut Lares yang terhubung penuh 01:05.770 --> 01:11.620 Jadi pada dasarnya seluruh kolom atau vektor output yang kita miliki setelah perataan, kita meneruskannya 01:11.620 --> 01:18.160 ke input yang kita pelajari di sini, kita punya contoh yang sangat sederhana hanya untuk tujuan ilustrasi. 01:18.160 --> 01:26.770 Dan apa tujuan utama jaringan saraf tiruan adalah untuk menggabungkan fitur kami menjadi lebih banyak atribut yang 01:26.770 --> 01:28.960 memprediksi Klaas lebih baik. 01:28.960 --> 01:37.660 Jadi kita sudah dalam vektor output di Flaten dari hasil yang diratakan dari apa yang telah kita lakukan, kita memiliki beberapa 01:37.660 --> 01:43.750 fitur yang dikodekan dalam angka-angka dalam vektor itu dan mereka sudah dapat melakukan pekerjaan yang 01:43.750 --> 01:51.730 cukup baik dalam memprediksi apa yang kita Clauss. sedang melihat apakah itu anjing atau kucing atau apakah itu tumor atau 01:51.730 --> 01:53.840 bukan tumor dan sebagainya. 01:53.890 --> 02:00.610 Tetapi pada saat yang sama kita tahu bahwa kita memiliki struktur ini yang disebut jaringan saraf 02:00.610 --> 02:07.810 tiruan yang dirancang yang memiliki tujuan berurusan dengan atribut dan keluar atau berurusan dengan fitur dan muncul dengan 02:07.810 --> 02:16.120 atribut baru dan menggabungkan atribut bersama untuk memprediksi hal-hal yang lebih baik bahwa kami mencoba untuk memprediksi dan kami tahu 02:16.120 --> 02:20.360 itu dari bagian sebelumnya jadi mengapa tidak memanfaatkan itu. 02:20.440 --> 02:22.750 Dan itulah tepatnya rencananya di sini. 02:22.750 --> 02:29.140 Jadi bagaimana kalau kita meneruskan nilai-nilai itu ke dalam jaringan saraf tiruan dan membiarkannya lebih mengoptimalkan segala 02:29.140 --> 02:30.350 yang kita lakukan. 02:30.640 --> 02:31.900 Dan itulah yang akan kita lakukan. 02:31.900 --> 02:36.390 Tapi mari kita lihat contoh yang lebih realistis karena ini agak terlalu sederhana. 02:36.610 --> 02:43.990 Jadi di sini kita punya jaringan syaraf tiruan yang lebih baik di mana kita memiliki lima atribut pada input yang kita miliki 02:43.990 --> 02:51.040 di pertama kecuali kita memiliki enam neuron di kedua atau di Larry yang terhubung sepenuhnya kedua memiliki delapan neuron dan 02:51.040 --> 02:55.510 kemudian kita memiliki dua output satu untuk anjing dan satu untuk kucing. 02:55.630 --> 03:02.240 Jadi hal yang penting untuk dibicarakan di sini adalah mengapa kita memiliki dua hasil. 03:02.240 --> 03:09.100 Kami agak terbiasa hanya memiliki satu keluaran di jaringan saraf tiruan kami. Nah, satu keluaran adalah untuk 03:09.100 --> 03:14.740 jenis ketika Anda memperkirakan nilai numerik ketika Anda mencetak saat Anda menjalankan jenis masalah 03:14.740 --> 03:15.480 regresi. 03:15.760 --> 03:22.840 Tetapi ketika Anda melakukan klasifikasi, Anda memerlukan Proclus keluaran kecuali pengecualiannya adalah ketika Anda hanya memiliki dua kelompok seperti kami memiliki dua kelas 03:22.840 --> 03:27.940 di sini, anjing dan kucing dan kami bisa saja melakukan satu keluaran dan menjadikannya keluaran biner 03:27.970 --> 03:33.790 dan berkata Satu adalah seekor anjing dan nol kucing dan itu akan bekerja dengan sangat baik dan sebenarnya apa 03:33.790 --> 03:38.760 yang akan Anda lihat makan siang melakukannya dalam tutorial praktis dan itulah bagaimana mereka akan 03:38.770 --> 03:39.250 disusun. 03:39.250 --> 03:46.090 Tetapi pada saat yang sama jika Anda memiliki lebih dari dua kategori misalnya anjing kucing dan burung maka 03:46.090 --> 03:52.420 Anda harus memiliki neuron per setiap kategori dan itulah mengapa kita akan berlatih dengan dua kategori dalam 03:52.420 --> 03:58.320 contoh ini sehingga kita tahu apa yang diharapkan jika kita memiliki lebih dari dua kategori. 03:58.550 --> 04:00.010 Jadi apa yang akan terjadi di sini. 04:00.010 --> 04:05.260 Jadi kita telah melakukan semua pekerjaan dasar kita telah melakukan lilitan yang telah kita lakukan 04:05.620 --> 04:10.570 penyatuan dan perataan dan sekarang informasinya akan melalui jaringan saraf tiruan jadi mari kita lihat 04:10.570 --> 04:12.300 bagaimana yang lain terjadi. 04:12.340 --> 04:18.460 Ada informasi melalui dari awal ketika gambar diproses dan agak berbelit-belit, kemudian berdenyut rata 04:18.610 --> 04:23.920 dan kemudian melalui jaringan saraf tiruan semua empat langkah dan kemudian 04:23.920 --> 04:30.720 prediksi dibuat dan kita akan melihat bagaimana ini terjadi dalam momen akan sangat sangat menarik. 04:30.730 --> 04:32.920 Tetapi untuk sekarang katakan saja prediksi dibuat. 04:32.920 --> 04:36.070 Dan misalnya, 80 persen itu adalah anjing. 04:36.070 --> 04:40.610 Tapi ternyata kucing dan kesalahan dihitung. 04:40.610 --> 04:40.990 SEBUAH. 04:41.200 --> 04:47.720 Yah apa yang kita sebut fungsi biaya accosts dalam jaringan saraf tiruan dan kami menggunakan mean square 04:47.740 --> 04:51.460 error di sana atau jaringan saraf ilusi yang umum. 04:51.460 --> 04:57.630 Ini disebut fungsi rugi dan kami menggunakan fungsi lintas entropi untuk itu. 04:57.640 --> 04:59.870 Dan kita akan berbicara tentang cross entropy dan berarti kesalahan kuadrat. 05:00.130 --> 05:02.820 Dalam tutorial terpisah dan bagaimana semua itu terjadi. 05:02.820 --> 05:08.730 Tetapi untuk pengetahuan Anda mengatakan kami memiliki jenis fungsi yang hilang yang memberi tahu kami seberapa baik kinerja jaringan 05:08.730 --> 05:13.560 kami dan kami mencoba untuk mengoptimalkan mengoptimalkannya atau meminimalkan fungsi itu untuk mengoptimalkan jaringan kami. 05:13.750 --> 05:19.470 Jadi kesalahan dihitung dan kemudian itu diperbanyak kembali melalui jaringan seperti yang kita miliki 05:19.470 --> 05:26.700 dalam jaringan saraf tiruan kembali diperbanyak dan beberapa hal disesuaikan dalam jaringan untuk membantu mengoptimalkan kinerja dan hal-hal yang 05:27.000 --> 05:31.670 disesuaikan seperti biasa bobot dalam jaringan saraf tiruan adalah bagian dari garis-garis 05:31.670 --> 05:34.910 biru yang Anda lihat di sini Cynapsus. 05:35.340 --> 05:43.950 Kemudian juga hal lain yang disesuaikan adalah fitur pendeteksi sehingga kita tahu bahwa kita sedang mencari fitur tetapi bagaimana jika 05:43.950 --> 05:46.140 kita mencari fitur yang salah. 05:46.140 --> 05:51.570 Bagaimana jika ini tidak berhasil karena fitur-fiturnya tidak benar sehingga fitur mendeteksi mereka yang mengingat 05:51.570 --> 05:53.860 matriks kecil yang kami miliki. 05:54.250 --> 05:57.270 Itu tiga per tiga matriks. 05:57.270 --> 06:03.240 Mereka disesuaikan sehingga mungkin lain kali akan lebih baik dan mari kita lihat apa yang terjadi. 06:03.360 --> 06:03.860 Jenis hal. 06:03.870 --> 06:11.040 Dan tentu saja itu semua dilakukan dengan banyak sains di latar belakang banyak matematika dan semuanya dilakukan 06:11.040 --> 06:14.580 melalui gradien gradien keturunan dari propagasi belakang. 06:14.580 --> 06:20.880 Jadi itu semua bukan hanya gangguan acak itu sebenarnya sangat dipikirkan melalui bagaimana hal itu dilakukan. 06:21.210 --> 06:27.630 Namun demikian, fitur detektor disesuaikan bobotnya disesuaikan dan seluruh proses ini terjadi lagi 06:27.630 --> 06:30.710 dan kemudian kesalahan kembali menyebar. 06:30.720 --> 06:32.610 Dan ini terus berlanjut dan terus dan terus. 06:32.760 --> 06:37.950 Dan begitulah jaringan kami dioptimalkan itulah cara jaringan kami melatih data. 06:37.950 --> 06:43.800 Jadi yang penting di sini adalah bahwa data melewati seluruh area dari awal sampai 06:43.800 --> 06:44.410 akhir. 06:44.430 --> 06:49.950 Kemudian kesalahan dibandingkan sehingga kesalahan dihitung dan kemudian kembali diperbanyak. 06:49.950 --> 06:56.520 Jadi cerita yang sama dengan jaringan saraf tiruan hanya sedikit lebih lama karena keseluruhan untuk tiga langkah pertama 06:56.520 --> 06:58.320 yang sudah kita miliki. 06:59.040 --> 07:04.440 Dan sekarang mari kita lihat bagian yang menarik bagian yang sangat menarik bagaimana dua kelas ini bekerja 07:04.440 --> 07:10.050 karena Atau bagaimana kedua neuron output ini bekerja karena sebelumnya kita selalu memiliki satu neuron output apa yang 07:10.050 --> 07:11.840 terjadi ketika kita memiliki dua. 07:11.840 --> 07:17.490 Bagaimana cara situasi klasifikasi atau gambar ini diputar. 07:17.670 --> 07:21.610 Baiklah mari kita mulai dengan neuron atas pertama yang akan mulai dengan anjing. 07:22.080 --> 07:28.950 Bagaimana kita tujuan utama apa yang perlu kita lakukan pertama adalah kita perlu memahami bobot apa yang harus ditetapkan 07:28.950 --> 07:36.000 untuk semua silabus yang terhubung ke anjing sehingga kita tahu mana dari neuron sebelumnya yang sebenarnya penting untuk anjing dan 07:36.000 --> 07:38.910 mari kita lihat bagaimana itu sudah selesai. 07:38.910 --> 07:46.460 Jadi katakanlah secara hipotesis kita memiliki angka-angka ini di lapisan sebelumnya yang sebelumnya terhubung penuh. 07:46.500 --> 07:47.980 Pada lapisan terakhir yang terhubung sepenuhnya. 07:48.120 --> 07:51.010 Dan sekali lagi angka-angka ini benar-benar bisa apa saja. 07:51.030 --> 07:56.490 Mereka tidak harus bahwa mereka bisa menjadi angka apa pun, tetapi hanya demi argumen 07:56.490 --> 08:01.890 kita akan setuju bahwa kita melihat secara khusus angka antara 0 dan 1. 08:02.280 --> 08:09.840 Jadi lebih mudah bagi kita untuk memperdebatkan hal-hal ini dan memahami dan satu berarti bahwa neuron itu sangat 08:09.840 --> 08:15.960 percaya diri bahwa ia menemukan fitur ini dan nol berarti bahwa neuron tidak menemukan 08:15.960 --> 08:23.580 fitur yang dicari karena pada akhir hari neuron-neuron ini seperti yang lainnya pada sisi kiri ini hanya melihat 08:23.610 --> 08:25.470 fitur pada sebuah gambar. 08:25.470 --> 08:27.490 Ini sudah sangat sangat proses. 08:27.510 --> 08:32.940 Tapi tetap saja mendeteksi fitur tertentu atau kombinasi fitur pada gambar tepat sebelum kita dapat 08:33.700 --> 08:34.590 mengembangkan langkah. 08:34.590 --> 08:39.060 Kami memiliki beberapa fitur yang dapat dikenali dalam kumpulan yang tidak dapat dikenali daripada menjadi 08:39.060 --> 08:40.850 kurang dikenali dalam gambar yang rata. 08:40.850 --> 08:42.550 Dan kemudian mereka bergabung dan seterusnya. 08:42.570 --> 08:48.720 Namun demikian, ini sedang kita bicarakan di sini fitur-fitur tertentu yang menghadirkan gambar atau kombinasinya. 08:48.720 --> 08:54.480 Jadi dan satu yang telah dilewati dan ini penting telah diteruskan ke anjing dan 08:54.480 --> 08:57.020 kucing sekaligus ke kedua neuron keluaran. 08:57.150 --> 09:06.180 Jadi satu artinya bagi kami untuk argumen kami, ini berarti bahwa neuron ini telah menyala. Ini benar-benar cepat mendeteksi 09:06.180 --> 09:11.850 fitur yang Anda tahu mungkin alis, mungkin mendeteksi alis ini lagi 09:11.870 --> 09:15.170 untuk kesederhanaan demi mendeteksi alis ini. 09:15.270 --> 09:20.310 Dan dikomunikasikan bahwa anjing berlari ke neuron kucing mengatakan aku bisa melihat alisku, aku bisa melihat alisku. 09:20.310 --> 09:25.240 Dan kemudian terserah pada anjing dan neuron kucing untuk memahami apa artinya itu bagi mereka. 09:25.290 --> 09:25.860 Kanan. 09:25.890 --> 09:30.840 Jadi dalam kasus ini, neuron mana yang mengeluarkan ketiga neuron ini yang mengangkat alis dan yang 09:30.830 --> 09:36.120 mengatakan hidung mengatakan bahwa saya dapat melihat saya dapat melihat hidung besar dan saya dapat melihat telinga yang floppy. 09:36.270 --> 09:40.540 Jadi itu dan itu mengatakan itu kepada anjing dan kucing dan kemudian apa anjing itu. 09:40.560 --> 09:43.390 Dan yang terjadi adalah kita tahu bahwa ini adalah seekor anjing. 09:43.440 --> 09:49.920 Jadi neuron anjing tahu bahwa jawabannya adalah sebenarnya anjing karena pada akhirnya kita membandingkan gambar 09:49.920 --> 09:53.640 atau label pada gambar dan ketika anjing lain. 09:53.640 --> 09:56.310 Jadi pada dasarnya neuron anjing akan mengatakan Aha. 09:56.310 --> 09:58.820 Jadi saya harus dipicu dalam kasus ini. 09:58.830 --> 10:04.790 Jadi ini adalah neuron yang mereka kirim sinyal ini bahwa mereka mengirim kepada saya untuk anjing 10:04.790 --> 10:09.000 dan kucing sebenarnya indikasi bagi saya bahwa itu adalah anjing. 10:09.020 --> 10:13.940 Dan selama ini banyak dan banyak dan banyak iterasi dari ini 10:13.940 --> 10:19.580 terjadi berkali-kali anjing akan belajar bahwa neuron ini memang menyala ketika fitur milik anjing 10:19.670 --> 10:24.260 Di sisi lain neuron kucing akan tahu bahwa itu bukan kucing dan ia akan tahu bahwa fitur 10:24.260 --> 10:28.210 ini menyala dan neuron ini memberi tahu saya bahwa ia dapat melihat telinga floppy. 10:28.370 --> 10:31.040 Tetapi pada saat yang sama itu bukan kucing. 10:31.040 --> 10:36.980 Jadi pada dasarnya bagi saya itu adalah sinyal bahwa saya harus mengabaikan neuron seperti ini dan 10:36.980 --> 10:41.960 semakin banyak terjadi semakin neuron kucing akan mengabaikan neuron ini tentang telinga floppy. 10:42.440 --> 10:49.100 Dan pada dasarnya itulah bagaimana melalui banyak dan banyak iterasi jika ini sering terjadi. 10:49.100 --> 10:54.170 Jadi ini hanya satu contoh tetapi jika ini sering terjadi mungkin satu mungkin 0. 8 0. 9 mungkin kadang-kadang 10:54.170 --> 11:02.090 itu tidak menyala tetapi secara keseluruhan rata-rata neuron ini menyala sangat sering ketika itu memang anjing, neuron anjing akan 11:02.090 --> 11:05.920 mulai mengaitkan pentingnya neuron ini dengan yang lebih tinggi. 11:05.930 --> 11:06.590 Jadi begitulah. 11:06.590 --> 11:08.430 Itulah bagaimana kita akan menandakannya. 11:08.450 --> 11:14.570 Kita akan mengatakan bahwa ketiga neuron ini melalui proses berulang dengan saya dengan banyak banyak banyak sampel dan 11:14.570 --> 11:20.210 banyak yang ingat jadi sampel adalah deretan dalam kumpulan data Anda dan Apoc adalah ketika Anda 11:20.210 --> 11:25.150 memeriksa seluruh dataset Anda berulang kali dan sekali lagi ada banyak sekali iterasi. 11:25.220 --> 11:34.010 Neuron anjing ini mengetahui bahwa neuron alis ini dan neuron hidung besar ini serta neuron telinga 11:34.340 --> 11:43.040 floppy ini, mereka semua tampaknya berkontribusi dengan sangat baik pada klasifikasi apa yang dicari dan yang 11:43.040 --> 11:44.350 merupakan anjing. 11:44.480 --> 11:45.730 Jadi begitulah cara kerjanya. 11:45.740 --> 11:55.130 Dan lagi, telinga, hidung, dan alis ini sangat mirip atau seperti contoh yang diambil sangat jauh karena pada tahap ini dalam keseluruhan jaringan 11:55.130 --> 12:01.640 saraf konvensional konvolusi ini sama sekali tidak dapat dikenali apa yang mereka cari tetapi pada 12:01.640 --> 12:07.400 saat yang sama itu adalah sesuatu dalam fitur anjing atau kucing atau apa pun 12:07.400 --> 12:09.020 yang Anda klasifikasikan. 12:09.410 --> 12:11.130 Lalu mari kita beralih ke yang berikutnya. 12:11.150 --> 12:15.860 Sekarang kita akan melihat neuron kucing tetapi ini Kita akan ingat bahwa bobot ini adalah Anda 12:15.860 --> 12:17.900 tahu bagaimana kami telah mengurutkan anjing. 12:17.900 --> 12:22.970 Jadi anjing itu seperti mengabaikan hampir semua neuron lain, satu, dua, empat, atau lima, tetapi 12:22.970 --> 12:26.510 ini benar-benar memperhatikan apa yang dikatakan oleh ketiga neuron ini. 12:26.570 --> 12:28.330 Sekarang apa yang kucing dengarkan. 12:28.490 --> 12:30.830 Yah setiap kali itu sebenarnya kucing. 12:30.970 --> 12:32.530 Kanan. 12:32.710 --> 12:35.600 Ini adalah contoh situasi ketika sebenarnya itu adalah kucing. 12:35.600 --> 12:42.980 Jadi, Anda akan melihat bahwa ketiga neuron ini 0. 9 0. 9 dan satu mereka mengatakan sesuatu, mereka mengatakan 12:42.980 --> 12:44.590 sesuatu pada anjing dan kucing. 12:44.600 --> 12:49.510 Dan ini sekali lagi penting diingat sehingga sinyal keluaran ini berjalan dua arah dengan hak yang sama. 12:49.520 --> 12:55.520 Itu mengatakan satu kepada anjing yang mengatakan kepada kucing tetapi kemudian tergantung pada anjing kepada kucing 12:55.520 --> 13:00.220 untuk memutuskan apakah akan memperhitungkan sinyal itu dan belajar darinya atau tidak. 13:00.500 --> 13:05.810 Baik anjing dan kucing dapat melihat bahwa ini adalah foto saya harus meletakkan foto kucing di sini tetapi pada 13:05.810 --> 13:10.030 dasarnya bayangkan foto kucing baik anjing dan kucing dapat melihat bahwa ini sebenarnya kucing 13:10.190 --> 13:20.150 Jadi pada dasarnya anjing itu seperti OK jadi kumis ini dan telinga segitiga runcing ini dan ukuran kecil 13:20.420 --> 13:28.250 ini ya atau atau mungkin jenis ini Anda tahu bagaimana kucing memiliki hal-hal ini 13:28.310 --> 13:33.350 di mata mereka seperti mata kecil. mata kucing. 13:33.350 --> 13:37.460 Pada dasarnya mata kucing ini jelas tidak cocok untukku. 13:37.460 --> 13:42.980 Mereka tidak membantu saya, saya akan memprediksi karena setiap kali neuron menyala prediksi bukan 13:42.980 --> 13:44.240 yang saya cari. 13:44.240 --> 13:46.910 Di sisi lain, kucing itu seperti hmm itu menarik. 13:46.910 --> 13:51.620 Setiap kali yang satu ini menyala itu lebih sering menyala. 13:51.620 --> 13:55.310 Itu sesuai dengan harapan saya, cocok dengan apa yang saya cari. 13:55.310 --> 13:55.630 BAIK. 13:55.640 --> 13:58.050 Saya akan mendengarkan orang ini lebih dari yang ini. 13:58.160 --> 14:02.710 Ini satu hal yang sama setiap kali menyala atau sebagian besar kali menyala. 14:02.810 --> 14:09.100 Kebetulan saya mendapatkan yang baik. Kebetulan saya diberi hadiah untuk prediksi saya karena saya melakukannya dengan benar. 14:09.110 --> 14:09.760 Itu kucing. 14:09.770 --> 14:10.080 BAIK. 14:10.130 --> 14:11.440 Aku akan mendengarkannya lebih banyak. 14:11.450 --> 14:17.930 Anda tahu yang ini tidak berguna bagi saya karena dia tidak benar-benar Anda tahu seperti dia bahkan tidak menyalakannya itu kucing 14:17.930 --> 14:21.040 tetapi dia tidak menyala sehingga yang terjadi adalah sebaliknya. 14:21.050 --> 14:24.410 Dan yang ini baik-baik saja, tapi dia tidak menyerah jadi saya tidak akan mendengarkannya. 14:24.410 --> 14:31.250 Tapi yang ini ketika dia pergi apa ini mata kucing menyala kita bisa melihat aku bisa melihat bahwa itu 14:31.250 --> 14:31.850 kucing. 14:31.850 --> 14:36.440 Itu cocok dengan sebagian besar waktu jadi saya akan belajar dari itu dan saya akan mendengarkan tiga 14:36.980 --> 14:38.750 orang ini lebih sering daripada tidak. 14:38.750 --> 14:44.810 Dan pada dasarnya kucing mendengarkan ketiga hal ini dan mengabaikan lima lainnya 14:45.350 --> 14:54.830 dan itulah bagaimana neuron-neuron terakhir mempelajari neuron-neuron mana di final yang terhubung sepenuhnya untuk mendengarkan output neuron, belajar dari mana 14:54.830 --> 14:58.460 yang sepenuhnya merupakan final yang terhubung sepenuhnya. 14:58.670 --> 15:00.030 Ada neuron untuk didengarkan. 15:00.180 --> 15:02.530 Dan begitulah cara mereka memahami. 15:02.790 --> 15:08.930 Pada dasarnya begitulah fitur disebarkan melalui jaringan dan disampaikan ke output. 15:08.970 --> 15:14.070 Dan meskipun fitur-fitur ini tentu saja tidak memiliki banyak arti bagi mereka seperti telinga atau 15:14.070 --> 15:14.900 floppy kumis. 15:15.210 --> 15:21.860 Pada saat yang sama mereka memiliki beberapa perbedaan mereka adalah fitur khas dari kelas tertentu dan 15:21.870 --> 15:27.270 itulah bagaimana jaringan dilatih karena kami juga selama ingat selama proses propagasi kembali 15:27.270 --> 15:33.750 kami juga menyesuaikan fitur detektor jadi jika fitur tidak berguna untuk output itu akan mungkin akan 15:33.750 --> 15:39.600 diabaikan karena ini tidak terjadi pada satu atau dua cerita itu terjadi melalui ribuan 15:39.600 --> 15:41.000 dan ribuan iterasi. 15:41.040 --> 15:46.620 Jadi seiring waktu suatu fitur yang tidak berguna untuk jaringan akan diabaikan dan 15:46.620 --> 15:52.830 diganti dengan fitur yang bermanfaat dan pada akhirnya di lapisan neuron terakhir ini Anda 15:53.070 --> 15:59.730 cenderung memiliki banyak fitur atau kombinasi fitur dari gambar yang memang representatif atau deskriptif tentang 15:59.730 --> 16:01.320 anjing dan kucing. 16:01.710 --> 16:06.660 Dan begitu jaringan Anda dilatih maka kita ini adalah bagaimana itu diterapkan. 16:06.660 --> 16:09.340 Jadi ini adalah langkah selanjutnya seperti kita dilatih jaringan kita apakah ini akan terjadi. 16:09.350 --> 16:13.020 Mari kita lihat apa yang terjadi ketika jaringan ini diterapkan. 16:13.020 --> 16:15.660 Jadi katakanlah kita memberikan gambar seekor anjing. 16:16.410 --> 16:20.340 Nilai-nilai yang disebarkan melalui jaringan kami mendapatkan nilai-nilai tertentu. 16:20.610 --> 16:26.880 Dan kali ini anjing dan neuron kucing tidak tahu mereka tidak memiliki gambar anjing di sini mereka tidak tahu bahwa 16:26.880 --> 16:28.470 itu adalah anjing atau kucing. 16:28.470 --> 16:35.380 Mereka tidak tahu apa itu tetapi mereka telah belajar mendengarkan apa yang diperlihatkan di sini. 16:35.380 --> 16:35.660 Kanan. 16:35.670 --> 16:40.440 Mereka telah belajar mendengarkan anjing dan mendengarkan ketiga neuron ini, sedangkan neuron kucing mendengarkan ketiga neuron 16:40.440 --> 16:40.910 ini. 16:40.950 --> 16:44.850 Dan neuron anjing melihat satu dua tiga dan berkata aha ini cukup tinggi. 16:44.940 --> 16:50.430 Jadi probabilitas saya akan menjadi tinggi yaitu seekor anjing yang dilihat oleh neuron kucing pada ketiganya dan mengatakan 16:50.470 --> 16:53.670 OK ini yang ini cukup tinggi tetapi ini cukup rendah. 16:53.670 --> 16:54.320 Menarik. 16:54.320 --> 16:56.990 Jadi probabilitas saya akan menjadi 0. 05 16:57.130 --> 16:58.950 Dan kemudian dan itu. 16:58.980 --> 17:00.110 Dan di situlah Anda mendapatkan prediksi Anda. 17:00.120 --> 17:04.490 Jadi pilihan pertama Anda untuk jaringan saraf ini adalah anjing. 17:04.500 --> 17:06.900 Pilihan kedua adalah kucing dan itu saja. 17:06.900 --> 17:11.690 Jadi jawabannya adalah anjing dan hal yang sama terjadi ketika Anda melewati gambar seekor kucing. 17:11.910 --> 17:16.580 Anda mendapatkan nilai baru dan Anda dapat melihat bahwa meskipun ini tinggi, ini rendah. 17:16.770 --> 17:20.560 Dan untuk kucing Ini tinggi, ini tinggi dan yang ini agak rendah. 17:20.670 --> 17:25.850 Jadi kemungkinan di sini mungkin tidak sebesar yang sebelumnya tetapi Anda masih bisa melihat bahwa itu adalah 17:25.860 --> 17:26.810 kucing 79 persen. 17:26.940 --> 17:30.230 Maka dari itu jaringan saraf akan memilih bahwa itu adalah kucing. 17:30.270 --> 17:33.240 Dan pada dasarnya semua jaringan saraf akan menyimpulkan bahwa itu adalah kucing. 17:33.330 --> 17:40.710 Voting adalah istilah yang digunakan untuk orang-orang ini sehingga neuron-neuron ini di Lehre yang terhubung sepenuhnya akhirnya dapat 17:40.710 --> 17:41.510 memilih. 17:41.520 --> 17:42.810 Dan ini adalah suara mereka. 17:42.870 --> 17:47.160 Dan lagi-lagi kita hanya demi argumen yang meletakkan nilai antara 0 dan 1 di sini. 17:47.160 --> 17:54.480 Ini bisa berupa nilai apa saja tetapi mereka bisa memilih dan kemudian bobot ini adalah pentingnya suara mereka. 17:54.480 --> 18:00.540 Jadi inilah bobot ungu ini bagaimana neuron anjing memandang suara mereka. 18:00.540 --> 18:04.820 Seberapa pentingkah hal ini diberikan pada neuron-neuron ini dan suara-suara itu. 18:04.830 --> 18:12.810 Dan ini adalah seberapa penting ukuran neuron kucing untuk memilih suara-suara dari neuron-neuron ini dan neuron-neuron ini memilih anjing dan kucing berdasarkan 18:12.810 --> 18:18.840 pada bobot yang dipelajari, mereka memutuskan siapa yang akan didengarkan dan kemudian mereka membuat prediksi dan 18:18.840 --> 18:23.490 kemudian menahan jaringan saraf menyimpulkan bahwa dalam hal ini kucing dan kemudian 18:23.490 --> 18:29.190 itu Dan kemudian itu kesimpulan Anda dan itulah bagaimana Anda mendapatkan gambar seperti ini di 18:29.490 --> 18:37.200 mana Anda memiliki cheetah dan kemudian Anda memiliki cakar cheetah yang Anda kenal seperti probabilitas tinggi tinggi Jadi ini adalah Anda 18:37.200 --> 18:40.080 tahu probabilitas bahwa jaringan telah memprediksi. 18:40.080 --> 18:44.430 Dan ini adalah hukum tetapi ini masih ada karena mereka masih seperti kesempatan kecil 18:44.430 --> 18:49.710 yang neuron lain juga mendengarkan pemilih mereka dan mereka berkata oh mungkin itu sebenarnya macan tutul dan 18:49.710 --> 18:50.580 kereta peluru. 18:50.580 --> 18:51.400 Sangat sangat mungkin. 18:51.400 --> 18:52.470 Saya mendengar gunting. 18:52.470 --> 18:57.600 Anda tahu yang satu ini tetapi hand-glass adalah yang sangat dekat kedua dan dalam 18:57.600 --> 19:03.960 stetoskop fivepence karena Anda bisa melihat seperti orang ini ini neuron ini gunting gunting neuron seri keluaran neuron 19:03.960 --> 19:07.070 mendengarkan pemilih dan memiliki suara dominan secara keseluruhan. 19:07.080 --> 19:10.190 Tetapi kemudian gelas tangan itu memiliki hasil yang baik juga. 19:10.200 --> 19:16.450 Jadi begitulah cara kerja koneksi penuh dan bagaimana semua ini dimainkan bersama-sama. 19:16.680 --> 19:18.810 Saya harap Anda menikmati tutorial hari ini. 19:18.810 --> 19:21.320 Kami juga akan merangkum semua ini dalam ringkasan. 19:21.420 --> 19:22.860 Dan aku akan menemuimu lain kali. 19:22.860 --> 19:24.720 Sampai kemudian menikmati pembelajaran yang mendalam.