WEBVTT

00:00.360 --> 00:06.480
Olá e bem-vindo de volta ao curso de aprendizagem profunda, este é um tutorial adicional para falar sobre

00:06.480 --> 00:08.670
as funções de entropia suave e cruzada.

00:08.670 --> 00:15.320
Não é 100% necessário para que você perca todas as partes em que passamos na parte principal

00:15.330 --> 00:21.510
desta seção, onde estamos falando sobre as redes neurais convolutivas, mas ao mesmo tempo pensei que

00:21.510 --> 00:26.580
seria uma boa adição à sua bagagem de conhecimento e conjunto de habilidades.

00:26.580 --> 00:30.840
Então, vamos em frente e digite essas funções.

00:30.840 --> 00:37.530
que temos aqui é a conclusão de uma rede neural que construímos na parte principal da seção

00:37.530 --> 00:44.210
e, no final, revela algumas probabilidades de zero ponto noventa e cinco para um cão 0.

00:44.220 --> 00:48.000
Então, para começar com o 05 cinco ou 5 por cento para um gato.

00:48.060 --> 00:53.250
Dado que a foto à esquerda como uma entrada Isto é depois que o trem foi

00:53.260 --> 00:57.210
conduzido, isso é realmente está funcionando e está classificando uma certa imagem.

00:57.360 --> 01:00.850
E então, a questão aqui é como esses dois valores se somam a um.

01:00.900 --> 01:06.750
Porque, tanto quanto sabemos, de tudo o que aprendi sobre redes neurais artificiais, não há

01:06.750 --> 01:11.600
nada a dizer que estes dois neurônios finais estão conectados entre si.

01:11.730 --> 01:16.590
Então, como eles saberiam qual o valor da retenção, cada um deles sabe qual é o valor

01:16.590 --> 01:17.310
do outro.

01:17.400 --> 01:20.140
E como eles saberiam para adicionar seus valores até um.

01:20.340 --> 01:22.060
Bem, a resposta é que eles não.

01:22.260 --> 01:28.500
Na versão clássica de nossa rede neural artificial e a única maneira que eles fazem é porque

01:28.710 --> 01:33.960
apresentamos uma função especial chamada função maxima macia para nos ajudar a sair da situação.

01:33.960 --> 01:40.890
Então, normalmente, o que aconteceria é que os neurônios do cão e do gato teriam algum tipo de valores reais que

01:41.490 --> 01:44.940
eles não precisam ser, eles não precisam somar um máximo.

01:45.180 --> 01:51.900
Mas, então, aplicaríamos a função soft max que é escrita por cima na parte superior e

01:51.900 --> 01:58.430
isso traria esses valores entre 0 e 1 e os faria somar 1 e 3 PPTA.

01:59.250 --> 02:04.320
A função macia máxima ou a função exponencial normalizada é uma generalização da função

02:04.350 --> 02:11.640
logística que citam a abóbora não correspondente tem um vetor k-dimensional de valores reais arbitrários para um vetor k-dimensional de

02:11.640 --> 02:15.320
valores reais no intervalo de zero a um que somam 1.

02:15.330 --> 02:17.620
Então, basicamente, faz exatamente o que queremos.

02:17.670 --> 02:22.700
Isso traz esses valores entre 0 e 1 e certifique-se de que eles somam até 1.

02:22.960 --> 02:27.780
E a maneira como ele funciona é que a maneira como isso é possível é que, na parte inferior,

02:27.780 --> 02:29.970
estamos aqui, você pode ver que há uma soma.

02:29.970 --> 02:38.100
o expoente e coloca-o no poder da Zed e adiciona-o para que seja um dois em todas as suas aulas.

02:38.100 --> 02:38.830
Então, leva

02:38.850 --> 02:39.990
Todos esses valores.

02:39.990 --> 02:44.400
E aí está a sua normalização acontecendo ali mesmo.

02:44.400 --> 02:51.300
Então é assim que funciona a função Saucebox e faz sentido introduzir a próxima função suave nas

02:51.600 --> 02:59.490
redes neurais convolutivas, porque quão estranho seria se você tivesse as possíveis classes de um cão e um gato

02:59.490 --> 03:05.140
e para a classe de cães que você tivesse possibilidade de 80% .

03:05.160 --> 03:08.660
E para as garras de gato você teve um bom direito de 45 por cento.

03:08.670 --> 03:14.430
e é isso que você vai encontrar acontecendo a maior parte do tempo em redes convolutivas e neurais.

03:14.430 --> 03:19.760
Isso simplesmente não faz sentido e, portanto, é muito melhor quando você apresenta a próxima função suave

03:19.770 --> 03:26.010
Agora, o outro é que a função máxima suave vem de mãos dadas com algo chamado de função de entropia

03:26.100 --> 03:29.040
cruzada e é uma coisa muito útil para nós.

03:29.050 --> 03:30.610
Então, vamos primeiro olhar a fórmula.

03:30.660 --> 03:33.090
É assim que a função de entrada cruzada se parece.

03:33.090 --> 03:38.910
Na verdade, vamos usar um cálculo diferente para usar esta representação do século, mas os resultados

03:39.060 --> 03:40.670
são basicamente os mesmos.

03:40.670 --> 03:42.300
Isso é mais fácil de calcular.

03:42.570 --> 03:49.220
E o que eu sei que isso pode parecer muito pouco relacionado a qualquer coisa agora, apenas fórmulas na tela, mas

03:49.850 --> 03:54.300
haverá alguma leitura adicional recomendada no final desta seção, então não se preocupe se

03:54.600 --> 03:56.380
você não estiver selecionando a matemática.

03:56.380 --> 03:58.350
Como se não tivéssemos explicado as matemáticas agora.

03:58.350 --> 04:03.630
Mas o ponto aqui é que o que está em toda a entropia bem na função de entropia.

04:03.630 --> 04:11.870
Lembre-se de como anteriormente nas redes neurais artificiais tivemos uma função denominada função de flecha quadrada média

04:11.880 --> 04:17.760
que usamos como função de custo para avaliar o nosso desempenho natural.

04:17.760 --> 04:23.750
E nosso objetivo era minimizar o MSE para otimizar o desempenho da nossa rede.

04:23.940 --> 04:31.830
Bem, essa foi a nossa função de custo, então, e em redes neurais convolutivas, ainda podemos usar o MSE, mas

04:31.830 --> 04:38.070
uma melhor opção nas redes neurais convolutivas depois de aplicar a função maxima mola resulta ser

04:38.070 --> 04:39.840
a função entropia cruzada.

04:39.840 --> 04:46.080
E em redes neurais convolutivas quando você aplica as funções de entrada cruzada, o custo não é mais chamado a função

04:46.080 --> 04:49.450
de custo é chamado de última função e são muito semelhantes.

04:49.470 --> 04:55.520
Eles são apenas um pouco de diferenças terminológicas e como um pouco diferente e sobre o que eles significam.

04:55.530 --> 04:58.430
Mas, para todos os fins, é praticamente a mesma coisa.

04:58.450 --> 05:07.530
é que a última função é novamente algo que queremos minimizar para maximizar o desempenho da nossa rede.

05:07.530 --> 05:09.670
E o que acontece

05:09.690 --> 05:15.260
Então, dê uma olhada em um exemplo rápido sobre como esta função pode ser aplicada.

05:15.260 --> 05:19.260
Então, digamos que colocamos uma imagem de um cachorro na nossa rede.

05:19.650 --> 05:26.160
O valor previsto para o cão é 0. 9 e isso está fazendo o treinamento, então sabemos que sabemos o rótulo

05:26.160 --> 05:27.330
que é um cachorro.

05:27.330 --> 05:34.140
Então, o valor preditivo 0. 9 o valor de prigged para o gato é 0. 1 então aqui temos o rótulo, então sabemos que

05:34.140 --> 05:37.810
é um cachorro, porque isso é treinar 0 1 para cães ou para gato.

05:37.980 --> 05:47.600
E então, neste caso, você precisa usar, você precisa conectar esses números na sua fórmula para a entropia cruzada.

05:47.810 --> 05:53.340
Então, como você faz isso, os valores da esquerda vão para o sinal verbal.

05:53.420 --> 05:58.940
Aquele que está sob o logaritmo no lado direito e os valores da direita iria para

05:58.940 --> 06:04.340
P e, por isso, é importante lembrar qual deles vai lá porque, se você os erroneá,

06:04.340 --> 06:09.620
não quer fazer um logaritmo para Todos eu de valor zero e indo de 1.

06:09.620 --> 06:11.660
Então, você só deseja conectá-los.

06:11.720 --> 06:14.520
Certifique-se de conectá-los nos locais corretos.

06:14.840 --> 06:17.030
E então, basicamente, você adiciona isso.

06:17.030 --> 06:22.370
real e Ill fazer mais sentido o que é a entropia cruzada e será menos assim.

06:22.370 --> 06:28.130
Então é assim que a entrada cruzada funciona e nós veremos um realmente agora, vamos olhar para

06:28.130 --> 06:32.360
um exemplo passo a passo específico de aplicar esta função na vida

06:32.360 --> 06:39.290
Meu objetivo neste trabalho é fazer com que você se sinta mais confortável no século passado, porque pode

06:39.320 --> 06:43.840
parecer muito complicado e nenhuma corrida de palavras pode ser feita.

06:43.850 --> 06:50.870
Como as redes neurais convolutivas, pode parecer muito complexo e assustador, mas não é.

06:50.870 --> 06:51.650
Esse é o objetivo.

06:51.650 --> 06:54.090
Então, vá em frente e aplique-o apenas para que possamos saber que não é assustador.

06:54.080 --> 06:56.350
Então, aqui está tudo isso.

06:56.360 --> 07:01.790
E também isso explica por que estamos fazendo isso por que estamos investigando diferentes funções de causa.

07:01.790 --> 07:06.650
Então rede neural uma rede neural, vamos dizer que temos duas redes neurais e depois

07:06.650 --> 07:11.960
passamos a imagem de um cachorro e sabemos que este é um cão e não um gato.

07:12.200 --> 07:18.620
E então temos outra imagem do nosso gato desta vez um animal e é um gato, não um cachorro, e aqui temos um olhar

07:19.040 --> 07:22.490
para um buraco que na verdade é um cão e não um gato.

07:22.490 --> 07:24.280
Se você olhar muito de perto.

07:24.320 --> 07:28.440
Então, queremos ver o que nossas redes neurais preverão no primeiro caso.

07:28.460 --> 07:36.110
do cão 10 por cento gato corrigir nenhum número de rede para 60 por cento cão 40 por cento gato ainda correto pior.

07:36.110 --> 07:38.230
Rede neural 1 90 por cento

07:38.270 --> 07:40.030
Mas correto.

07:40.280 --> 07:46.040
Segunda opção primeira rede neural 10 por cento gato cão 90 por cento gato.

07:46.040 --> 07:47.300
Corrigir.

07:47.300 --> 07:53.560
Você sabe que o número para 30% de cães, com 70% de pior, ainda está correto.

07:53.570 --> 08:01.460
E, finalmente, a rede neural na rede da imagem da rede de ano ganhou 40 por cento do cão 60 por cento do número

08:01.870 --> 08:08.270
de rede neural errado do gato para 10 por cento de cachorro e 90 por cento gato incorreto e pior.

08:08.270 --> 08:15.380
os net people tenham errado no último através das três imagens, a rede neural estava superando a rede neural.

08:15.620 --> 08:18.870
Então, a chave aqui é que, embora ambos

08:18.890 --> 08:27.010
Então, mesmo no último caso, foi muito que ele deu ao cachorro uma chance de 40 por cento, ao contrário da rede neural, para dar

08:27.030 --> 08:32.330
ao cão uma chance de 10% ou uma rede neural, uma que está superando o quadro,

08:33.200 --> 08:35.310
em comparação com a rede neural 2.

08:35.520 --> 08:41.780
E agora, vamos analisar as funções de que podem medir o desempenho que falamos sobre

08:41.780 --> 08:42.800
a classificação.

08:43.040 --> 08:48.090
Então, vamos colocá-los em uma mesa para que haja rede neural 1, você tem o número errado.

08:48.350 --> 08:49.430
Então esse é o número da imagem.

08:49.550 --> 08:51.140
E então, para a imagem que você tem.

08:51.140 --> 08:54.010
O que prevê 90 por cento de chimpanzés de cães e gato.

08:54.110 --> 09:00.550
Então, há o chapéu Marable e então você tem o valor real para que o cão corrija o gato incorreto.

09:00.560 --> 09:07.460
A mesma coisa para a imagem número dois e a mesma coisa para um mínimo de três e o mesmo para a rede neural número

09:07.460 --> 09:07.720
dois.

09:07.750 --> 09:11.060
Então, 60% dos cães mantiveram 40% na primeira imagem.

09:11.060 --> 09:13.800
Isso é o que previu que os crotones eram cães e não um gato.

09:13.820 --> 09:14.820
E assim por diante.

09:15.200 --> 09:18.050
E agora, vamos ver quais erros podemos realmente obter.

09:18.050 --> 09:24.940
Então, quais erros podemos calcular para estimar o desempenho e monitorar o desempenho de nossas redes.

09:24.950 --> 09:28.480
Portanto, um tipo de erro é chamado de erro de classificação.

09:28.640 --> 09:33.990
E isso é basicamente apenas perguntando se você conseguiu certo ou não.

09:34.010 --> 09:36.940
Independentemente das probabilidades é que você apenas obteve certo.

09:36.950 --> 09:37.970
Ou você entendeu bem.

09:37.970 --> 09:44.790
Então, em ambos os casos, para ambas as redes neurais, cada uma delas conseguiu uma.

09:44.810 --> 09:46.330
Então é assim que você corre mal.

09:46.340 --> 09:48.460
Então eles conseguiram um dos três errado.

09:48.470 --> 09:54.960
Então, uma taxa de erro de 33 por cento para sua rede 1 e taxa de erro de 30 por cento para a rede neural.

09:55.100 --> 09:59.750
Como linha de base desse ponto de vista, ambas as redes neurais funcionam no mesmo nível, mas sabemos que isso não

09:59.750 --> 10:00.250
é verdade.

10:00.260 --> 10:04.400
Sabemos que a rede neural Ikhwan está superando a rede neural.

10:05.120 --> 10:10.850
É por isso que um erro de classificação não é uma boa medida, especialmente para fins de propagação de atraso,

10:11.810 --> 10:17.960
erro quadrado médio diferente e, da maneira como eu fiz esses cálculos no Excel, eu simplesmente não queria aborrecê-lo com eles, mas

10:17.960 --> 10:22.010
você pode Tony simplesmente se sentar e faça-os em um papel ou no Excel.

10:22.010 --> 10:28.760
Estes são cálculos muito diretos, basicamente, levam a soma de erros quadrados e, em

10:28.760 --> 10:35.010
seguida, basta tomar a média em suas observações e isso é praticamente isso.

10:35.060 --> 10:43.320
Então, para a rede neural, obtém-se 25% para a rede neural 2, você obtém taxas de erro de 71%, de modo que você

10:43.330 --> 10:45.930
pode ver que esta é mais precisa.

10:45.940 --> 10:50.380
Está nos dizendo que quase uma tem uma taxa de erro muito menor do que sua própria rede.

10:51.150 --> 10:52.970
E depois entropia cruzada novamente.

10:52.990 --> 10:57.250
Nós vimos a fórmula que você também pode calcular, isso é realmente ainda mais fácil de calcular do que o erro quadrado

10:57.250 --> 11:04.780
médio. A área cruzada em toda a entropia dá-lhe 38 por cento para a rede neural 1 e 1. 6 para rede neural 2.

11:04.780 --> 11:05.350
0

11:05.500 --> 11:08.180
Então, você pode ver os resultados são um pouco diferentes.

11:08.350 --> 11:16.510
Quando você olha para eles assim, quando você olha para você, conhece a área da minissaia e entropia cruzada e a questão de

11:16.510 --> 11:26.350
por que você usaria entropia cruzada por meio de erro ao quadrado não é apenas sobre o tipo de como os números que eles dizem, mas todos

11:26.350 --> 11:32.030
esses Os cálculos foram apenas para mostrar que isso é tudo, tudo é possível, você pode

11:32.050 --> 11:34.680
apenas fazê-lo em um papel, não é.

11:34.780 --> 11:37.890
Não é matemática muito intensa.

11:37.890 --> 11:41.130
Estas são coisas bastante simples e simples.

11:41.200 --> 11:47.680
Mas a questão de por que você usaria significa causar entropia, significa que há uma pergunta muito boa

11:47.680 --> 11:48.250
a perguntar.

11:48.250 --> 11:58.530
Estou feliz que você tenha solicitado que a resposta para isso seja como se existisse várias vantagens de entropia cruzada em erro

11:58.540 --> 12:01.430
quadrado médio que não é óbvio.

12:01.450 --> 12:07.160
E então eu vou mencionar um casal, mas outro, então, eu vou deixar você saber onde você pode descobrir mais.

12:07.160 --> 12:18.550
Então, um deles é que, se você, por exemplo, no início da sua propagação traseira, seu valor de saída é

12:18.550 --> 12:22.260
muito, muito, muito pequeno, muito pequeno.

12:22.360 --> 12:25.680
Portanto, é muito menor do que o valor real que você deseja.

12:25.750 --> 12:32.920
Então, no início, o gradiente em seu mundo excelente e decente será muito baixo e você não

12:32.920 --> 12:33.840
será suficiente.

12:33.850 --> 12:40.630
Seria muito difícil para a rede neural começar realmente a fazer algo e começar a se mover e começar

12:40.630 --> 12:45.010
a ajustar esses pesos e começar Movistar realmente se movendo na direção certa.

12:45.130 --> 12:50.920
Considerando que, quando você usa algo como a entropia cruzada porque tem esse logaritmo, realmente

12:51.400 --> 12:57.310
ajuda a rede a avaliar até uma pequena área como essa e fazer algo sobre isso.

12:57.310 --> 12:58.520
Veja como pensar sobre isso.

12:58.520 --> 13:03.260
Então, digamos novamente, isso é muito dentro e em uma abordagem muito intuitiva.

13:03.410 --> 13:08.830
Haverá um link para a matemática e você pode derivar essas coisas através da matemática com

13:08.830 --> 13:11.260
mais detalhes, mas uma abordagem muito intuitiva.

13:11.260 --> 13:16.030
Digamos seu como seu resultado que você deseja.

13:16.030 --> 13:22.810
É um e agora você está em um milionésimo de um.

13:22.870 --> 13:23.140
Certo.

13:23.170 --> 13:30.790
$ 0. 00 ou há uma e depois você melhora na próxima vez que você melhora seu

13:30.790 --> 13:32.680
resultado de uma milionésima para uma milésima.

13:32.860 --> 13:39.330
E em termos de se você calcular o erro quadrado, você sobrando um do outro.

13:39.610 --> 13:44.980
Ou, basicamente, em cada caso, você é Kalka em um quadrado e você verá que os erros

13:44.980 --> 13:48.210
quadrados quando você compara um caso versus outro não mudou tanto.

13:48.220 --> 13:51.940
Você não melhorou sua rede quando você olha o quadrado médio lá.

13:52.120 --> 13:58.750
Mas se você estiver olhando a entropia cruzada, porque você está tomando um logaritmo e depois compara isso com

13:58.750 --> 14:01.090
a divisão de um para o outro.

14:01.390 --> 14:09.390
Você verá que você realmente melhorou sua rede significativamente para que esse salto de um milhão para 1000 em

14:09.460 --> 14:12.810
termos de erro quadrado médio seja muito baixo.

14:12.820 --> 14:15.710
Será insignificante e não será.

14:15.790 --> 14:22.270
Ele não orientará seu processo de aumento de gradiente ou sua propagação traseira na direção certa.

14:22.340 --> 14:28.180
Tudo isso guiará na direção certa, mas será como uma orientação muito lenta, não

14:28.540 --> 14:34.960
terá poder suficiente, enquanto que se você fizer recorrer entropia à entropia entenderá que mesmo que

14:34.960 --> 14:42.220
sejam ajustes muito pequenos que você sabe fazer uma pequena mudança em termos absolutos em termos relativos é

14:42.220 --> 14:43.770
uma grande melhoria.

14:43.870 --> 14:46.110
E definitivamente estamos indo na direção certa.

14:46.110 --> 14:54.820
Vamos continuar assim, de modo que a entropia cruzada ajudará sua rede neural a chegar à direita, o melhor estado

14:54.820 --> 15:01.090
é uma maneira melhor para que a rede neural consiga chegar a um estado ótimo.

15:01.090 --> 15:08.260
Mas tenha em mente que isso só funciona quando a entropia é apenas o método preferido apenas para a classificação.

15:08.260 --> 15:14.200
Então, se você está falando sobre coisas como regressão como a que tínhamos nas redes neurais artificiais, então você prefere

15:14.230 --> 15:20.770
ir comigo e erro quadrado, enquanto a entropia cruzada é melhor para a classificação e novamente tem a ver com o fato

15:20.770 --> 15:26.200
de estar usando soft próxima função, de modo que é uma espécie de explicação intuitiva de que é

15:26.200 --> 15:31.690
um bom lugar para aprender um pouco mais sobre isso, se você estiver realmente interessado em você sabe

15:31.690 --> 15:34.740
por que estamos usando o erro cruzado contra o quadrado médio.

15:35.200 --> 15:43.160
Google, um vídeo de Geoffrey Hinton, chamou a função de saída máxima macia e ele o explica muito bem e você

15:43.160 --> 15:48.760
sabe ser o padrinho de aprendizado profundo que pode explicar melhor de qualquer maneira.

15:48.890 --> 15:51.680
E, a propósito, qualquer vídeo de Geoffrey Hinton é dourado.

15:51.680 --> 15:55.590
Ele simplesmente tem um grande talento para explicar as coisas de qualquer maneira.

15:55.610 --> 16:01.310
Então, é isso legal, agradável versus cruz, e espero que você tenha uma compreensão intuitiva sobre o que

16:01.310 --> 16:02.110
está acontecendo aqui.

16:02.120 --> 16:08.030
Mas, mais importante ainda, você não é adiada pelo termo entropia cruzada, porque o título irá mencioná-lo nas histórias

16:08.030 --> 16:11.280
práticas e eu queria garantir que você esteja preparado para isso.

16:11.280 --> 16:15.740
E é apenas uma outra maneira de calcular sua última função.

16:15.740 --> 16:21.830
portanto, às redes neurais convolutivas e vem em mãos mão a mão com a função macio max.

16:21.860 --> 16:28.180
E outra maneira de otimizar a sua rede, que é especificamente adaptada aos problemas de classificação e,

16:28.280 --> 16:35.480
Então, leitura adicional se você quiser uma introdução leve na entropia cruzada se você estiver interessado no concentrado

16:35.480 --> 16:37.170
um pouco mais, claro.

16:37.250 --> 16:43.370
Um bom artigo para verificar é chamado de uma introdução amigável à perda de entropia cruzada por

16:44.180 --> 16:45.280
Rob DePietro 2016.

16:45.350 --> 16:46.860
Aqui está o link abaixo.

16:47.150 --> 16:54.350
Muito muito bom, muito suave e nada sem matemática super complexa.

16:54.440 --> 16:59.660
nós lhe daremos um Boa visão geral de uma entrada cruzada como de um ponto de vista introdutório.

16:59.660 --> 17:04.910
Boas analogias, bons exemplos usando analogias de carros e você olha para carros e fala sobre informações e

17:04.910 --> 17:10.730
bits e restrições e você sabe como você decodificaria todo esse Unico, por isso é um bom artigo para dar

17:10.820 --> 17:11.680
uma olhada e

17:11.900 --> 17:18.590
Se você quiser cavar na matemática pesada, como o que vê aqui, confira um artigo ou

17:18.680 --> 17:25.180
um blog sobre como implementar uma rede neural. Intermezzo também, em termos de uso, é como

17:25.220 --> 17:27.410
uma coisa intermediária como a.

17:27.550 --> 17:28.910
Intermitência em.

17:28.990 --> 17:35.690
como quando você vai a um teatro e você gosta de uma pausa entre a primeira parte e a segunda parte.

17:35.690 --> 17:36.290
Você sabe

17:36.350 --> 17:40.820
Então, porque ele é como passar por todos esses passos e então ele é como e então ele diz que

17:40.820 --> 17:42.210
eu tenho que explicar isso primeiro.

17:42.470 --> 17:44.080
E sim, por isso é chamado intermezzo.

17:44.090 --> 17:51.620
Nenhum outro motivo, tanto quanto entendi, os artigos de Peter Rolands 2016 também, ambos são

17:51.620 --> 17:52.470
bem recentes.

17:52.580 --> 18:00.150
E você sabe verificar isso se você quiser entrar na matemática por trás da entropia de Kross por trás do macio Max

18:00.150 --> 18:02.600
e entropia cruzada neste artigo na verdade.

18:02.930 --> 18:03.790
Então vamos lá.

18:03.860 --> 18:07.360
Isso é tudo isso para esses dois.

18:07.370 --> 18:12.780
Espero que eu tenha sido capaz de adicionar alguma clareza adicional e boa sorte com isso.

18:12.830 --> 18:16.970
Vai ser divertido e aproveitar os tutoriais práticos.

18:16.970 --> 18:18.070
Vejo você na próxima vez.

18:18.080 --> 18:19.700
Até então, aproveite a aprendizagem.