WEBVTT 00:00.390 --> 00:03.060 Merhaba ve derin öğrenme kursuna hoş geldiniz. 00:03.120 --> 00:06.010 Dolayısıyla, dersin bu bölümünde çok şey öğrendik. 00:06.030 --> 00:08.390 Şimdi konuştuklarımızı özetleyelim. 00:08.580 --> 00:09.920 Pekala, işte gidelim. 00:10.110 --> 00:16.230 Birden fazla farklı özellik detektörü uyguladığımız bir girdi görüntüsüyle veya bu özellik haritalarını 00:16.230 --> 00:19.100 oluşturmak için filtreler olarak da başlattık. 00:19.140 --> 00:21.530 Ve bu, konvolasyonal iklimimizi içeriyor. 00:21.630 --> 00:28.910 üzerinde, netlik kaldırmak veya görüntülerimizdeki lineer olmayanlığı artırmak için doğrusal üniteyi uyguladık. 00:28.980 --> 00:32.050 Daha sonra, bu önemli Lehre'nin 00:32.060 --> 00:36.970 Daha sonra, konvolasyonal ikametgahımıza bir havuz örtüsü uyguladık. 00:36.990 --> 00:44.910 Böylece her tek özellik haritasından çekilmiş bir özellik haritası yarattık ve temelde çekici Lehre'nin birçok 00:44.910 --> 00:45.840 avantajı var. 00:45.840 --> 00:54.150 Çekme Sığınağının ana amacı görüntülerimizde özel bir mekansal değişmez olduğumuzdan emin olmaktır. 00:54.330 --> 00:54.690   00:54.690 --> 01:01.890 Dolayısıyla temelde bir şey eğilir veya çarpıtılırsa veya ideal senaryoda biraz farklıysa o zaman 01:01.890 --> 01:07.210 bu özelliği alabilir ve çektiğimizde resimlerimizin boyutunu önemli ölçüde azaltırız. 01:07.260 --> 01:15.360 Ayrıca havuzlama, verilerimize veya genel modelin verilere aşırı uygun olmasını önlemeye yardımcı olur, çünkü bu 01:15.360 --> 01:18.220 sadece çok fazla veriden kurtulur. 01:18.450 --> 01:24.300 Fakat havuzlama, aynı zamanda, yalnızca yönerge ve havuz kullanıldığı için 01:24.330 --> 01:26.720 Max havuzlama özelliğini koruyor. 01:26.970 --> 01:35.760 Ardından bir araya getirilen tüm görüntüleri tek bir vektör veya bu değerlerin tümünün sütunlarına düzleştirdik ve onu bir 01:35.760 --> 01:40.140 yapay sinir ağına yerleştirdik ve bu da basamağı düzleştirdi. 01:40.140 --> 01:46.770 sonra, bizde peşpeşe olduğumuz sınıflara oylamayı yapan ve daha sonra hepsinin eğitildiği bu 01:46.920 --> 01:53.700 son Lehre son tam bağlantılı katmana sahibiz ileri ilerletme ve geri yayma işlemi yoluyla. 01:53.910 --> 02:00.630 Ve Dördüncü adım, bu özelliklerin tümünün bir ağ aracılığıyla işlendiği, tamamen bağlı bir 02:00.720 --> 02:02.550 yapay sinir ağıdır ve 02:02.580 --> 02:09.730 Bir sürü iterasyon ve parkta ve sonunda çok iyi tanımlanmış bir sinir ağı var. 02:09.920 --> 02:10.470 Ve. 02:10.730 --> 02:14.850 Bir başka önemli nokta, yalnızca ağırlıkların yapay nöronların çalışma bölümünde 02:15.180 --> 02:22.590 eğitilmesinin yanı sıra özellik dedektörleri de aynı madde bakımından eğitilmiş ve ayarlanmış olması ve en iyi özellik 02:22.590 --> 02:23.930 haritalarını üretmemizi sağlamasıdır. 02:23.940 --> 02:31.110 görüntüleri tanıyabilen ve sınıflandıran tam eğitimli bir konvolusyonel sinir ağı elde ediyoruz. 02:31.110 --> 02:31.700 Sonunda 02:31.770 --> 02:32.360 İşte gidiyoruz. 02:32.370 --> 02:35.480 Dönüşümlü sinir ağları böyle işliyor. 02:35.730 --> 02:42.220 Ve şimdi bu konsept ile tamamen rahat olmalı ve pratik uygulamalara geçmeye hazır olmanız gerekir. 02:42.330 --> 02:51.370 Ek okumalar yapmak isterseniz, L tarafından harika bir blog var. D. 2016'dan itibaren dağılmak için. 02:51.450 --> 02:53.400 Bağlantıyı en altta görebilirsiniz. 02:53.400 --> 02:58.360 Bu yüzden blog, CNN'in üçüncü bölümünü anlama hakkında bilmeniz gereken Dokuz derin öğrenme kağıtları 02:58.440 --> 02:59.180 olarak adlandırılıyor. 02:59.310 --> 03:04.860 Ve bu blog aslında size ve licken gibi 03:04.860 --> 03:10.590 kişilerin yarattığı dokuz farklı CNN'e kısa bir bakış sunuyor. 03:10.590 --> 03:18.000 Tamamen size yeni gelecek birçok yeni şey olacak ve başınızı eğmek zorunda kalacaksınız, ancak bu blogu 03:18.000 --> 03:23.880 akılda tutmak için bu dokuz kağıt aklında ve hatta hazır değilseniz bile bunları 03:23.880 --> 03:29.220 şu an pratik derslerden sonra belki de yavaş yavaş derin öğrenme alanında 03:29.490 --> 03:36.180 biraz ek eğitim aldıktan sonra bu eserlere atıfta bulunabilirsiniz ve ideal olarak diğer insanların sinir 03:36.180 --> 03:41.360 ağlarını ve bunların nasıl yapılandırıldığını gözlemleyerek çok değer kazanacağınızı düşünüyorum . 03:41.550 --> 03:46.620 yardımcı olur, çünkü sinir ağları ve konvolüyonel sinir ağları bir istisna değildir. 03:46.620 --> 03:51.870 Yanılsama ağları olabilir ve bu, en iyi uygulamaların ne olduğunu ve insanların 03:51.870 --> 03:57.900 belirli şeyleri belirli bir şekilde yaptıklarını anlamanıza yardımcı olur ve sinir ağları mimarisinde size 03:58.020 --> 04:05.670 Bunlar, bir fikri ortaya çıkarmadan sonra yapıyı düzenlemeniz ve daha sonra mümkün olan en iyi tasarımı ve mümkün olan 04:05.670 --> 04:11.780 en iyi ve en iyi performansı elde etmek için ayarlamanız ve ayarlamanız gereken bir mimari sorunudur. 04:11.790 --> 04:12.490 İşte gidiyoruz. 04:12.510 --> 04:13.430 Bugün bizim için. 04:13.420 --> 04:17.720 Umarım bugünkü ders kitaplarından ve bu bölümün tadını çıkarmışsınız ve bir dahaki sefere sizi görmek isterim. 04:17.730 --> 04:19.440 O zamana kadar derinlemesine öğrenmenin tadını çıkarın.