Буду честен, я не ожидал, что второе видео выйдет в озвучке. Я думал, что автор канала забил. Поэтому, спасибо! Я искренне благодарен, надеюсь, что озвучки продолжат выходить. Очень интересно!
@@Staryi-Sceptik Ну производную да, но во первых мало кто сидит и пытается понять ее смысл, а во вторых тут это все сложнее. Ну и вот у меня практически все виды математики были на первых курсах и я все это понимал и делал, но т.к. это совсем никак не использовалось я все забыл спустя пару лет, это конечно восстанавливается быстрее, чем учится, но все таки, шо говорить о школе.
@yessenzhol8989 надеюсь, что ответ будет уже неакутален, но все же. Дело в том, что нам нужна функция ошибки, чтобы мы(или сама нейросеть) могли оценить точность. Квадрат - оптимальное решение, так как если мы возьмем, например, 4 степень, то условное (1 - 0.7) = 0.3 (я взял случайную величину) превратится аж в 0.0081(0.3^4), что является низким отклонением, тогда как 0.09 на целый порядок больше. Так, в случае 4 степени, 0.7 считалось бы очень маленьким(условно) отклонением, а в случае 2 степени - средним.
Спасибо за перевод. Только хочу отметить неточность на 18:58: все же "accuracy curve" и "кривая доли правильных ответов" - это совсем не одно и то же по смыслу. Первое про точность (меньше - лучше), второе про успешость (больше - лучше). Резануло несоответствие картинки и звукоряда, подписи на графике заставили лезть в оригинал.
Объясните, пожалуйста, момент с обучением на неправильных данных. Как сеть, которая обучалась на неправильных данных в итоге может показать такой же результат, как и та, что на верных. Ведь в первом случае для нейросети вилка всегда будет львом. Каким образом нейросеть может понять, что это не лев. Если никто ей не сообщает верных ответов. Видимо я понял неправильно. Буду благодарен, если кто объяснит ..
Могу путаться в терминах, но объясню как понял я. В первом случае они обучали сеть, выводя из нее данные в неструктурированном порядке. Например, в первой эпохе обучения они ввели в сеть картинку льва. Сеть выдала допустим вилку, но так как этот ответ не верен, мы корректируем ее работу функцией минимизации ошибки. Далее они изменили выходные данные, то есть изменили последний слой. Например на место, где результат был "вилка" она поставили "церковь". И далее начинается вторая эпоха обучения. Таким образом, сеть училась долго, но в итоге запомнила все объекты и стала выдавать нужный результат. А во втором случае они каждую эпоху не меняли последний слой, то есть появилась некая структура. И сеть обучалась гораздо быстрее.
Не очень понятно про обучение на неверно размеченных данных. Сеть ведь не сможет правильно классифицировать новые изображения не из обучающей выборки. Или я чего-то не понял. Что означает фраза "на обучающих данных удалось добиться той же точности, что и на правильных данных"?
6:12 допустим w в данном случае 2, "мы" спускаемся к 1, но это же не минимум? Минимум будет в -2. Как нам туда попасть, если придётся идти "вверх по горке" ??? 8:35 т.е. в этом случае, если бы минимум функции был не в (3;0), а в (0,5; -2) то пунктирная линия бы прошла "условно" почти "перпендикуляром к оси" от места поворота пунктирной линии?
1.В тот-то и дело, что попасть туда - никак. Либо выбирать случайные точки и в них смотреть градиент(точка от 13 тысяч переменных, представьте, как сложно будет найти глобальный минимум в 13000-мерном пространстве. 2. Нахождение минимума - это и есть нахождение этой линии, которая будет перпендикуляром.
@@D0fka вот мне и непонятно каким образом это получается, грубо говоря это случайно получается. Если случайная точка взята с другой стороны "области" то получится что градиентом нас стянет в ближайшую "яму"?
@@Veyron104 ну да, минимум, на который мы попадем, случаен. Просто это нецелесообразно и почти невыполнимо, найти глобальный минимум от такой функции. Мы просто придем к любому локальному минимуму, но нас это устраивает
А что если запустить сеть в обратную сторону? Допустим дать ей на нейрон отвечающий за 1 единицу, а на остальные нули. Пройти по обратному пути и построить изображение из входных нейронов, что она покажет? Идеальная единица с точки зрения нейросети
Там много разным методов есть как понять неросеть и этот тоже. Например можно посмотреть за что конкретный нейрон отвечает, для этого надо найти значение функцию выхода этого нейрона относительно изменяющихся входных значениях всей нейронной сети при не изменяющихся весах, и провести градиентный подъем, будет найден входной рисинок при котором максимально активируется нерон. Есть для сверточной сети визуализация тепловых карт активации класса, уверен для этой сети тоже подобное можно применить
@@endlessvd ничего, что там 10 выходных нейронов? то есть если инвертировать нейронку, будет так же 10 входных можно задать им строго единицу на один из этих нейронов, чтобы получить идельную цифру, а можно поиграться с десятичными значениями, чтобы получить 50/50 то ли 1 то ли два итд
Нужно добавить значение ошибки, это квадрат разности. А откуда сеть узнает, что именно на рисунке, чтобы определить куда пихнуть 0, а куда 1 ? Это уже не самообучающаяся сеть, а обучаемая, причем на каждую картинку, не сеть определяет правильность, а человек. А на 5 000 000 картинок, задавать правильность, на это уйдет очень много времени. И хорошо, если это уже всем известная система, а если она ноу-хау, и там не 5 млн картинок, а 100 триллионов?
Есть "обучение с учителем", есть "обучение без учителя". Это разные подходы. Чтобы запилить подобную сеть "без учителя", нужно чтобы на входе и выходе сети было одно и тоже (768 пикселей-нейронов), а в середине сети, на скрытом слое - бутылочное горлышко из 10 нейронов. Тогда сеть будет вынуждена "пропихнуть" изображение каждой цифры через эти 10 нейронов, и восстановить/нарисовать цифру обратно на выходе. Для этого изображения цифр уже НЕ нужно предварительно размечать, сеть их классифицирует самостоятельно на том самом узком слое посередине. Функция ошибки в данном случае будет то, насколько выход сети похож на вход. Можно представить, что такая сеть пытается "заархивировать" изображение в 10 нейронах, а потом "разархивировать" обратно. Для этого она вынуждена будет их классифицировать. Самостоятельно. То есть, без учителя. Profit!
Заранее знать правильный ответ , напимер подаёшь рупоисную ужаную единицу и там её можешь распознать как единицу и сети говоришь что на выходе долна быть единица распознана и если приходит на выходе не еденица то программа сравнивает с твоим ответом уже заложенным, понимает что ошиблась и надо менять веса, изменяет веса и вновь пропускает рукописную туже единицу через себя и потом все по кругу пока чётко или при очень большем проценте не станем понимать что это единица , которую ты сам сказал что она должна там быть.
@@neuro-cinema ну так то да..., но сейчас алгоритны другие , скажем так , они делят на части , разбивают потом собирают , и обратно уже суженым фильтром распознвют и тогда уже точно выйдет что надо. Хочу скать что выдумывают разные алгоритмы все сложнее и сложнее , но зато они повышают круг распознования.
Я посмотрел наверное с пару десятков видео про Nl и прочитал несколько десятков статей, но я до сих пор ниxpeна на понял как это работает.... 😢 Я пока сделал только один вывод - дадасапиенсы либо банально не умеют объяснять предмет для широких масс, либо сами не до конца понимают. Увы.
@@ofc-s7h Логика в том, что если ты не умеешь объяснять (часто равно не знаешь предмет), то не нужно объяснять, ибо ты только запутываешь людей и тратишь их время. Сквозь тысячи видео/постов го*на очень сложно найти нормальные материалы. Теперь понятно?
Давно проходил этот плейлист, потом ещё 1, скоро буду курс изучать по нейронкам, после курса по машинному обучению, плейлисты, которые я смотрел не показывают всю работу нейронов детально, шаг за шагом, очень не хватает глубины понятия материала. Может нормально только в универах зарубежных будут объяснять, фиг знает
@@Anna_Porosenok в любом случае, каждый последующий и, кажущийся самостоятельным и разумным, шаг сети - результат предшествующих этому шагу действий программиста (человека). ИИ на основе дискретной логики - миф) Весь фокус и вау-эффект от знакомства с ИИ зиждется на возможности железа считать с чудовищной (абстракция) скоростью. Ловкость рук - и никаких чудес.
Почему алгоритм все упрямо называют нейросетью? Какое-то новомодное поветрий. Хотите создать нейронную сеть - поступайте как нейроны, а не как алгоритм. Этакий нейронный алгоритм. Но для этого придется на физическом уровне создать сеть нейронов, основная особенность этой сети - она обрабатывает информацию одновременно в большом поле нейронов. А когда обработка идет в звеньях последовательно - это просто разветвленный алгоритм.
Вы зачем вводите термин как -Сеть обучается??? Если вы сами тут же говорите что закрепляете вначале алгоритм,потом настраиваете все точки пределов,(то есть формируете память,как это было раньше)а потом ваша якобы обучающаяся сеть просто -выбирает варианты Смотрю ваши материалы ,,,нихрена не поняла где нейронные сети обучаются,
Посткриптум, надиктованный женским голосом, переведен гораздо хуже основного материала. Ощущение, что диктор совершенно не понимает о чем говорит, и голос не вполне не синхронизирован с тем, что происходит на экране. Основная часть перевода сильно лучше.
Что такое градиентный спуск мне объяснять не надо. Но боже ж ты мой - насколько запутанное и невнятное объяснение в этом ролике...Некоторые технические детали остаются вообще "за кадром".
Боже мой...признаемся честно все эти обучения проходят в обусловленной системе,все жиждется на замкнутой платформе,о каком уме идёт речь???? О каких нейронах речь???о лампочках?где есть начальный код,то никаких обучения кроме как программиситов не может быть.
![[DeepLearning | видео 3] В чем на самом деле заключается метод обратного распространения?](http://i.ytimg.com/vi/JwpFvFpbOGc/mqdefault.jpg)
![[DeepLearning | видео 3] В чем на самом деле заключается метод обратного распространения?](/img/tr.png)
![[DeepLearning | видео 1] Что же такое нейронная сеть?](http://i.ytimg.com/vi/RJCIYBAAiEI/mqdefault.jpg)
Буду честен, я не ожидал, что второе видео выйдет в озвучке. Я думал, что автор канала забил. Поэтому, спасибо! Я искренне благодарен, надеюсь, что озвучки продолжат выходить. Очень интересно!
на крайней случай можно включать такие видео в яндекс браузере. там нейронка их хорошо переводит :D
@@Kenderosikпроприетарщина
Это потрясающе! Большое спасибо за такое объяснение и отдельное спасибо за инфографику! Титанический труд
Это просто перевод, благодарности надо автору делать, а не переводчику
Впервые понял суть обучения, спасибо
Молодцы, большое спасибо переводчикам.
Шикарно, великолепно и доступно!
Огромная благодарность за перевод
1:57 алгоритм
2:38 MNIST Database
3:10
4:00 вычисление функции ошибки (математическим языком - добавить квадрат разности между каждым "плохим" значением)
4:56 функция ошибки
5:19
6:50
7:04
7:34 8:02 многомерный анализ
8:24
9:18
10:06
10:42 !
11:27
11:45 вычисл. градиента функции двух переменных
12:10
12:28
Очень полезно для новичка, спасибо!
Новичок относительно чего? Я например нихрена не понял....
Ничего не понятно, но очень интересно. Зачем-то посмотрел оба видео)
Спасибо!🤝
Вы самая крутая команда в этом направлении.
Лол, чисто случайно зашел проверить , а тут новое видео)
Когда новое видео
Джамбул на пути к Машинному обучение и нейронным сетим
Спасибо, просто великолепная подача материала!!
Просто супер! Спасибо)
Видимо это видео оценили только гики математики и программирования, жаль что таких не много, но я благодарю вас за проделанную работу, good luck ^ω^
Разве производную не проходят в школе?
@@Staryi-Sceptik Ну производную да, но во первых мало кто сидит и пытается понять ее смысл, а во вторых тут это все сложнее. Ну и вот у меня практически все виды математики были на первых курсах и я все это понимал и делал, но т.к. это совсем никак не использовалось я все забыл спустя пару лет, это конечно восстанавливается быстрее, чем учится, но все таки, шо говорить о школе.
Для гиков это слишком тривиальное видео
@yessenzhol8989я тоже ниxрена не понял
@yessenzhol8989 надеюсь, что ответ будет уже неакутален, но все же. Дело в том, что нам нужна функция ошибки, чтобы мы(или сама нейросеть) могли оценить точность. Квадрат - оптимальное решение, так как если мы возьмем, например, 4 степень, то условное (1 - 0.7) = 0.3 (я взял случайную величину) превратится аж в 0.0081(0.3^4), что является низким отклонением, тогда как 0.09 на целый порядок больше. Так, в случае 4 степени, 0.7 считалось бы очень маленьким(условно) отклонением, а в случае 2 степени - средним.
Спасибо!
Спасибо!)
Это всегда интересно :)
офигеть какой крутой канал, автор ты крут=)
Спасибо за перевод. Только хочу отметить неточность на 18:58: все же "accuracy curve" и "кривая доли правильных ответов" - это совсем не одно и то же по смыслу. Первое про точность (меньше - лучше), второе про успешость (больше - лучше). Резануло несоответствие картинки и звукоряда, подписи на графике заставили лезть в оригинал.
Вот это видео у него (изначального автора) получилось гораздо мощнее первого вводного!
Ура наконец-то перевод
Отличный контент!
Как же автор хорошо
Спасибо вам
Объясните, пожалуйста, момент с обучением на неправильных данных.
Как сеть, которая обучалась на неправильных данных в итоге может показать такой же результат, как и та, что на верных.
Ведь в первом случае для нейросети вилка всегда будет львом. Каким образом нейросеть может понять, что это не лев. Если никто ей не сообщает верных ответов.
Видимо я понял неправильно.
Буду благодарен, если кто объяснит ..
Могу путаться в терминах, но объясню как понял я. В первом случае они обучали сеть, выводя из нее данные в неструктурированном порядке. Например, в первой эпохе обучения они ввели в сеть картинку льва. Сеть выдала допустим вилку, но так как этот ответ не верен, мы корректируем ее работу функцией минимизации ошибки. Далее они изменили выходные данные, то есть изменили последний слой. Например на место, где результат был "вилка" она поставили "церковь". И далее начинается вторая эпоха обучения. Таким образом, сеть училась долго, но в итоге запомнила все объекты и стала выдавать нужный результат.
А во втором случае они каждую эпоху не меняли последний слой, то есть появилась некая структура. И сеть обучалась гораздо быстрее.
Я ничего не понял, но спасибо за полезное видео!
Продолжай в том же духе! Я как раз пишу алгоритмы по нейросетям)
Ну, как успехи?
ну а как всё таки успехи
@@Ratmir_Akhm да нихера их нет потому что здесь херово обьясняют а даже больше путают.
@@Anna_Porosenokа где хорошо объясняют?
Как всегда топ
Спасибо
Я тупич, и то суть дошла, спасибо!
super. ocen kruto.
Я ничего не понял. То есть чтобы узнать значения потерь нужно разметить вручную (!!) сотни правильных примеров?
бозе мой, где вы раньше были..
Не очень понятно про обучение на неверно размеченных данных. Сеть ведь не сможет правильно классифицировать новые изображения не из обучающей выборки. Или я чего-то не понял. Что означает фраза "на обучающих данных удалось добиться той же точности, что и на правильных данных"?
Наверное правильные = проверечные(valid data)
В процессе обучения показываются картинки с правильным ответом и сеть учится
Сеть просто запомнила новые названия для картинок. А не создала способ анализа изображения картинок
6:12 допустим w в данном случае 2, "мы" спускаемся к 1, но это же не минимум? Минимум будет в -2. Как нам туда попасть, если придётся идти "вверх по горке" ???
8:35 т.е. в этом случае, если бы минимум функции был не в (3;0), а в (0,5; -2) то пунктирная линия бы прошла "условно" почти "перпендикуляром к оси" от места поворота пунктирной линии?
1.В тот-то и дело, что попасть туда - никак. Либо выбирать случайные точки и в них смотреть градиент(точка от 13 тысяч переменных, представьте, как сложно будет найти глобальный минимум в 13000-мерном пространстве.
2. Нахождение минимума - это и есть нахождение этой линии, которая будет перпендикуляром.
@@D0fka вот мне и непонятно каким образом это получается, грубо говоря это случайно получается. Если случайная точка взята с другой стороны "области" то получится что градиентом нас стянет в ближайшую "яму"?
@@Veyron104 ну да, минимум, на который мы попадем, случаен. Просто это нецелесообразно и почти невыполнимо, найти глобальный минимум от такой функции. Мы просто придем к любому локальному минимуму, но нас это устраивает
Функция ошибки это функция потерь (loss function) ?
А зачем квадрат разности тр🤔 чтобы не было отрицательных значений?
И все же машина зазубривает, как и мы :)
А что если запустить сеть в обратную сторону? Допустим дать ей на нейрон отвечающий за 1 единицу, а на остальные нули. Пройти по обратному пути и построить изображение из входных нейронов, что она покажет? Идеальная единица с точки зрения нейросети
Там много разным методов есть как понять неросеть и этот тоже. Например можно посмотреть за что конкретный нейрон отвечает, для этого надо найти значение функцию выхода этого нейрона относительно изменяющихся входных значениях всей нейронной сети при не изменяющихся весах, и провести градиентный подъем, будет найден входной рисинок при котором максимально активируется нерон. Есть для сверточной сети визуализация тепловых карт активации класса, уверен для этой сети тоже подобное можно применить
тут регуляризацию можно понять и много другое playground.tensorflow.org/
Она покажет лишь 2 рисунка, поскольку может быть лишь 2 входа, 0 и 1
@@endlessvd ничего, что там 10 выходных нейронов? то есть если инвертировать нейронку, будет так же 10 входных
можно задать им строго единицу на один из этих нейронов, чтобы получить идельную цифру, а можно поиграться с десятичными значениями, чтобы получить 50/50 то ли 1 то ли два итд
Что если... 🤣 Фарш в мясо нельзя обратно превратить
Пока для меня это сложно. Но со временем я вернусь. ДС МЛ НС я иду за вами
Вопрос сквозь годы, ну как, вернулся?))
Нарисовано красиво, но в конечном итоге взять и применить отсюда что-то не представляется возможным.
Просто концепт объяснили красочно.
Это и есть смысл видео, объяснить принцып работы и математику нейросети, а не забивать в питон тупо функции из каких-то библиотек.
4:05 к чему добавить?
Почему в конце голос сменился?..
Первый голос УСТАЛ
Ответ на вопрос в конце видео заключается в использовании сверточного слоя нейронов?
Нужно добавить значение ошибки, это квадрат разности.
А откуда сеть узнает, что именно на рисунке, чтобы определить куда пихнуть 0, а куда 1 ?
Это уже не самообучающаяся сеть, а обучаемая, причем на каждую картинку, не сеть определяет правильность, а человек.
А на 5 000 000 картинок, задавать правильность, на это уйдет очень много времени.
И хорошо, если это уже всем известная система, а если она ноу-хау, и там не 5 млн картинок, а 100 триллионов?
Есть "обучение с учителем", есть "обучение без учителя". Это разные подходы. Чтобы запилить подобную сеть "без учителя", нужно чтобы на входе и выходе сети было одно и тоже (768 пикселей-нейронов), а в середине сети, на скрытом слое - бутылочное горлышко из 10 нейронов. Тогда сеть будет вынуждена "пропихнуть" изображение каждой цифры через эти 10 нейронов, и восстановить/нарисовать цифру обратно на выходе. Для этого изображения цифр уже НЕ нужно предварительно размечать, сеть их классифицирует самостоятельно на том самом узком слое посередине. Функция ошибки в данном случае будет то, насколько выход сети похож на вход.
Можно представить, что такая сеть пытается "заархивировать" изображение в 10 нейронах, а потом "разархивировать" обратно. Для этого она вынуждена будет их классифицировать. Самостоятельно. То есть, без учителя. Profit!
Без музыки есть запись?
А как создать функцию ошибки? Как программа должна понять ошиблась она или нет?
Sus
Плохо разбираюсь в такой математике, но не как не могу понять, а зачем такие сложности, если можно просто сравнивать спуски с подъëмами?
Так если делать раз в год видео по нейронным сетям то мы их так и не выучим
Я все еще не понял как узнать что полученный результат верный / не верный ? С чем и как сравнивать ?
Заранее знать правильный ответ , напимер подаёшь рупоисную ужаную единицу и там её можешь распознать как единицу и сети говоришь что на выходе долна быть единица распознана и если приходит на выходе не еденица то программа сравнивает с твоим ответом уже заложенным, понимает что ошиблась и надо менять веса, изменяет веса и вновь пропускает рукописную туже единицу через себя и потом все по кругу пока чётко или при очень большем проценте не станем понимать что это единица , которую ты сам сказал что она должна там быть.
@@Anna_Porosenok Если надо определить какого-то животного, насекомого, то нужно сделать 100500 выходов?
@@neuro-cinema ну так то да..., но сейчас алгоритны другие , скажем так , они делят на части , разбивают потом собирают , и обратно уже суженым фильтром распознвют и тогда уже точно выйдет что надо. Хочу скать что выдумывают разные алгоритмы все сложнее и сложнее , но зато они повышают круг распознования.
@@Anna_Porosenok ага, понятно. Спасибо
Більше перекладів!
чёта я не понял с ходу, как вычисляется компоненты градиента ошибки для весов всех нейронов кроме выходного слоя
видимо пойдё читать книгу Нильсена...
ничего не понял , но очень интересно
жаль, что версию для хлебушков не завезли)
Это она и есть ) Те, кто в универе учился, а не сидел смотря лекции Стендфорда :-)
Так что здесь мне кажется что программист учится таким образом составлять новые алгоритмы, то есть обучается))
Ничего не понял, но очень интересно
Я посмотрел наверное с пару десятков видео про Nl и прочитал несколько десятков статей, но я до сих пор ниxpeна на понял как это работает.... 😢 Я пока сделал только один вывод - дадасапиенсы либо банально не умеют объяснять предмет для широких масс, либо сами не до конца понимают. Увы.
@@ofc-s7h Логика в том, что если ты не умеешь объяснять (часто равно не знаешь предмет), то не нужно объяснять, ибо ты только запутываешь людей и тратишь их время. Сквозь тысячи видео/постов го*на очень сложно найти нормальные материалы. Теперь понятно?
Давно проходил этот плейлист, потом ещё 1, скоро буду курс изучать по нейронкам, после курса по машинному обучению, плейлисты, которые я смотрел не показывают всю работу нейронов детально, шаг за шагом, очень не хватает глубины понятия материала. Может нормально только в универах зарубежных будут объяснять, фиг знает
Если изменить разрешение пикселей то сеть заново перестраивать?
Да, верно, но можно написать алгорит м который рисунок сам будет или уменьшать или увеличивать разрешение до нужного для нейросети ,это не так сложно.
@@Anna_Porosenok в любом случае, каждый последующий и, кажущийся самостоятельным и разумным, шаг сети - результат предшествующих этому шагу действий программиста (человека). ИИ на основе дискретной логики - миф) Весь фокус и вау-эффект от знакомства с ИИ зиждется на возможности железа считать с чудовищной (абстракция) скоростью. Ловкость рук - и никаких чудес.
@@ЕвгенийГалуза-ь5ч это и так понятно, можно было об этом не писать.
@@Anna_Porosenok судя по тому, что человечество упорно живет между черным и белым, не зная других оттенков, это понятно далеко не всем)
@@ЕвгенийГалуза-ь5ч в следующий раз в переди поста как раз вот это и пиши, что бы яснее твоя мысль была.
хэллоу ворлд! в мире нейронных сетей
нифига не понял, но очень интересно
Хотелось бы больше переводов...
17:46
Для 15-летнего - это взрыв мозга
людям младше все понятно
Весь мир это градиентный спуск, а ты в ней функция, которая ищет правду
Прям как твоя мамка
Мдаа... видео хоть и качественное, сделано грамотно, визуализация крутая, но... НИЧЕГО НЕ ПОНЯЛ, было просто интересно. 🤣
3:48 бедная нейросеть за что с ней так строго
hidden layers - key
Почему алгоритм все упрямо называют нейросетью? Какое-то новомодное поветрий. Хотите создать нейронную сеть - поступайте как нейроны, а не как алгоритм. Этакий нейронный алгоритм. Но для этого придется на физическом уровне создать сеть нейронов, основная особенность этой сети - она обрабатывает информацию одновременно в большом поле нейронов. А когда обработка идет в звеньях последовательно - это просто разветвленный алгоритм.
Ну так нейроны примерно так же работают. Сигналы передаются от уровня к уровню последовательно.
Ну все скоро я создам свого джарвиса будет по круче алиси и сири)
Синиормын
Вы зачем вводите термин как -Сеть обучается???
Если вы сами тут же говорите что закрепляете вначале алгоритм,потом настраиваете все точки пределов,(то есть формируете память,как это было раньше)а потом ваша якобы обучающаяся сеть просто -выбирает варианты
Смотрю ваши материалы ,,,нихрена не поняла где нейронные сети обучаются,
Да нигде , тупое видео херню несут сумбурную , там олени не поняли что такое нейронные сети и запилил видео , а ут ещё перевод.
Посткриптум, надиктованный женским голосом, переведен гораздо хуже основного материала. Ощущение, что диктор совершенно не понимает о чем говорит, и голос не вполне не синхронизирован с тем, что происходит на экране.
Основная часть перевода сильно лучше.
784+1 нейрон = 785 на входе, один нейрон для смещения
Sus нейрон 👀👀👀
вода
нужно дописать!!! мало ходов !!! ПоЭтоу думает плохо!!!
Кто бы ни читал этот комментарий, знай, что *ГОСПОДЬ ИИСУС ХРИСТОС ЛЮБИТ ТЕБЯ!*
Whoever reads this comment, know that *LORD JESUS CHRIST LOVES YOU!*
Что такое градиентный спуск мне объяснять не надо. Но боже ж ты мой - насколько запутанное и невнятное объяснение в этом ролике...Некоторые технические детали остаются вообще "за кадром".
Боже мой...признаемся честно все эти обучения проходят в обусловленной системе,все жиждется на замкнутой платформе,о каком уме идёт речь????
О каких нейронах речь???о лампочках?где есть начальный код,то никаких обучения кроме как программиситов не может быть.
Спасибо!
Спасибо
Спасибо 🥰
Спасибо