در این مطلب، ویدئو یادگیری عمیق با استفاده از TensorFlow در پایتون | آموزش تنسورفلو | آموزش AI-ML | ادورکا | زنده – 3 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:42:23
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,639 –> 00:00:04,480
سلام به همه،
2
00:00:04,480 –> 00:00:08,160
پس امروز بحثی
3
00:00:08,160 –> 00:00:11,440
در مورد شبکه عصبی مصنوعی خواهیم داشت، نام من
4
00:00:11,440 –> 00:00:14,719
Kiran است، من حدود 17 سال
5
00:00:14,719 –> 00:00:17,199
تجربه در صنعت آورده ام،
6
00:00:17,199 –> 00:00:20,800
اجازه دهید ادامه دهم،
7
00:00:20,800 –> 00:00:24,000
پس چرا یک شبکه عصبی درست است
8
00:00:24,000 –> 00:00:27,039
، بنابراین همه این روزها با این دلیل شروع خواهیم کرد.
9
00:00:27,039 –> 00:00:30,640
غالباً
10
00:00:30,640 –> 00:00:32,719
وقتی این رایانه ها را داریم
11
00:00:32,719 –> 00:00:36,000
رایانه هایی داریم که عامل
12
00:00:36,000 –> 00:00:39,600
ها سیستم هایی هستند که می توانند مشکلی را انجام دهند
13
00:00:39,600 –> 00:00:41,680
یا می توانند مشکلی را حل کنند که برای
14
00:00:41,680 –> 00:00:43,600
آن برنامه ریزی شده است،
15
00:00:43,600 –> 00:00:46,719
بنابراین وقتی می گوییم احتمالاً قبل از اینکه
16
00:00:46,719 –> 00:00:49,120
رایانه بتواند این برنامه
17
00:00:49,120 –> 00:00:53,199
را حل کند باید به صراحت
18
00:00:53,199 –> 00:00:55,760
ساخته شود. مطمئن شوید که دستورات به
19
00:00:55,760 –> 00:00:56,960
خوبی بیان شده اند
20
00:00:56,960 –> 00:01:00,160
و ماشین می تواند آن دستورات را
21
00:01:00,160 –> 00:01:03,039
در محدوده خود اجرا کند، به
22
00:01:03,039 –> 00:01:05,119
این معنی که شخصی که باید
23
00:01:05,119 –> 00:01:05,920
برنامه
24
00:01:05,920 –> 00:01:08,080
را بنویسد ابتدا باید مشکل را حل کند یا
25
00:01:08,080 –> 00:01:10,479
مشکل را بداند و راه حلی برای آن داشته باشد
26
00:01:10,479 –> 00:01:12,479
سپس می تواند کامپیوتر برای آن کار می
27
00:01:12,479 –> 00:01:13,600
کند، اما
28
00:01:13,600 –> 00:01:16,799
29
00:01:16,799 –> 00:01:19,680
زمانی که تصمیمات جدیدی باید گرفته شود
30
00:01:19,680 –> 00:01:20,000
یا
31
00:01:20,000 –> 00:01:22,320
چیزهایی باید به گونه ای انجام شوند که انسان
32
00:01:22,320 –> 00:01:23,360
33
00:01:23,360 –> 00:01:26,720
اعمالش را انجام می دهد، کامپیوترها با شکست مواجه می شوند، این شکافی است.
34
00:01:26,720 –> 00:01:29,680
در حال حاضر رایانه ها نمی
35
00:01:29,680 –> 00:01:31,040
توانند به
36
00:01:31,040 –> 00:01:34,240
طور صریح تصمیم گیری کنند.
37
00:01:34,240 –> 00:01:34,880
38
00:01:34,880 –> 00:01:37,520
39
00:01:37,520 –> 00:01:38,880
40
00:01:38,880 –> 00:01:41,600
41
00:01:41,600 –> 00:01:42,079
42
00:01:42,079 –> 00:01:45,119
43
00:01:45,119 –> 00:01:49,119
44
00:01:49,119 –> 00:01:51,280
45
00:01:51,280 –> 00:01:53,280
مرز را می توان
46
00:01:53,280 –> 00:01:55,759
حذف کرد و اگر بتوانید
47
00:01:55,759 –> 00:01:57,040
ضریب یادگیری را
48
00:01:57,040 –> 00:01:59,360
به رایانه وارد کنید، اگر بتوانید
49
00:01:59,360 –> 00:02:01,520
سؤالات یادگیری را در رایانه وارد کنید
50
00:02:01,520 –> 00:02:05,439
و رایانه ها را وادار کنید خودشان یاد بگیرند
51
00:02:05,439 –> 00:02:08,878
و تصمیم بگیرند، این بخش از
52
00:02:08,878 –> 00:02:09,758
انجام
53
00:02:09,758 –> 00:02:13,760
آن یادگیری ماشین شما و بخشی از
54
00:02:13,760 –> 00:02:16,720
یادگیری ماشین است. هنگامی که داده ها عمیق هستند
55
00:02:16,720 –> 00:02:18,080
و تصمیم
56
00:02:18,080 –> 00:02:20,480
گیری کوانتومی بسیار بالا است،
57
00:02:20,480 –> 00:02:21,280
وارد بخش
58
00:02:21,280 –> 00:02:25,040
شبکه های عصبی یا یادگیری عمیق
59
00:02:25,040 –> 00:02:28,640
می شویم، بنابراین با گفتن این، خواهیم دید
60
00:02:28,640 –> 00:02:31,760
که پس
61
00:02:31,760 –> 00:02:34,400
از معرفی
62
00:02:34,400 –> 00:02:37,840
شبکه های عصبی، سیستم را
63
00:02:37,840 –> 00:02:38,800
تغییر داد.
64
00:02:38,800 –> 00:02:42,000
این است که چگونه کارهایی که مردم
65
00:02:42,000 –> 00:02:45,519
در یک شبکه عصبی درست انجام می دهند،
66
00:02:45,519 –> 00:02:47,840
شما یک لایه ورودی دارید
67
00:02:47,840 –> 00:02:49,200
لایههای مخفی
68
00:02:49,200 –> 00:02:52,720
و شما لایه خروجی دارید، نمیتوان آنها را
69
00:02:52,720 –> 00:02:53,599
70
00:02:53,599 –> 00:02:56,400
برای شرایط خاص برنامهریزی کرد، اما
71
00:02:56,400 –> 00:02:57,040
72
00:02:57,040 –> 00:03:00,239
برای یادگیری ترکیبهای جایگشتی مختلف ساخته میشوند
73
00:03:00,239 –> 00:03:01,599
74
00:03:01,599 –> 00:03:04,720
و با این یادگیری، شبکه عصبی
75
00:03:04,720 –> 00:03:05,519
به اندازهای
76
00:03:05,519 –> 00:03:08,000
هوشمند میشود که تصمیمگیری در زمان اجرا
77
00:03:08,000 –> 00:03:11,280
برای حل مشکل بگیرد،
78
00:03:11,280 –> 00:03:14,720
بنابراین این ضریب
79
00:03:14,720 –> 00:03:18,159
استفاده از یک شبکه متصل از
80
00:03:18,159 –> 00:03:21,519
نورونها برای تصمیمگیری
81
00:03:21,519 –> 00:03:23,920
از سمت راست از لایه ورودی تا
82
00:03:23,920 –> 00:03:25,599
لایه خروجی آن به یک شبکه عصبی تبدیل میشود،
83
00:03:25,599 –> 00:03:28,720
بنابراین
84
00:03:28,720 –> 00:03:33,280
شبکه عصبی چگونه کار میکند و
85
00:03:33,280 –> 00:03:36,400
اکنون گفته میشود که انگیزه پشت
86
00:03:36,400 –> 00:03:37,440
شبکه
87
00:03:37,440 –> 00:03:40,000
عصبی خود مغز انسان است، اگرچه همه ما
88
00:03:40,000 –> 00:03:40,879
89
00:03:40,879 –> 00:03:43,519
خود انسان را میشناسیم. نتوانسته است
90
00:03:43,519 –> 00:03:44,959
عملکرد مغز را به طور کامل درک کند،
91
00:03:44,959 –> 00:03:47,440
با هر درک محدودی
92
00:03:47,440 –> 00:03:48,560
93
00:03:48,560 –> 00:03:51,760
که انسان از مغز خود دارد
94
00:03:51,760 –> 00:03:54,239
، ما سعی می کنیم وضعیت مشابهی را تقلید
95
00:03:54,239 –> 00:03:55,360
96
00:03:55,360 –> 00:03:58,400
کنیم و سعی می کنیم
97
00:03:58,400 –> 00:04:01,760
نورونی بسازیم که شبیه به جدید شما باشد. در
98
00:04:01,760 –> 00:04:04,959
تلاش هستند تا نحوه عملکرد یک نورون را بسازند یا تکرار کنند
99
00:04:04,959 –> 00:04:05,599
100
00:04:05,599 –> 00:04:09,280
تا یک نورون در ابتدا
101
00:04:09,280 –> 00:04:13,360
دارای سه عنصر باشد.
102
00:04:13,360 –> 00:04:16,399
بدنه سلول drite و دندریت آکسون
103
00:04:16,399 –> 00:04:19,440
یک لایه ورودی است که
104
00:04:19,440 –> 00:04:21,120
سلول یا دندریت
105
00:04:21,120 –> 00:04:22,639
اطلاعات را از
106
00:04:22,639 –> 00:04:26,560
آکسون دیگر خود دریافت می کند،
107
00:04:26,560 –> 00:04:28,720
هنگامی که دندریت سیگنال
108
00:04:28,720 –> 00:04:29,680
109
00:04:29,680 –> 00:04:32,240
نورون های دیگر را دریافت می کند، اطلاعات را به
110
00:04:32,240 –> 00:04:33,280
بدن سلولی می
111
00:04:33,280 –> 00:04:36,000
دهد که تمام محاسبات را انجام
112
00:04:36,000 –> 00:04:37,199
می دهد.
113
00:04:37,199 –> 00:04:40,400
که مانند برخی از همه
114
00:04:40,400 –> 00:04:42,320
ورودی ها یا برخی از چیزها است
115
00:04:42,320 –> 00:04:45,440
و سپس اطلاعات شما
116
00:04:45,440 –> 00:04:48,720
از بدن سلولی به عمل منتقل می شود،
117
00:04:48,720 –> 00:04:51,040
هنگامی که اطلاعات به تبر منتقل می شود
118
00:04:51,040 –> 00:04:52,720
،
119
00:04:52,720 –> 00:04:56,080
اطلاعات به نورون بعدی شما می رود، بنابراین
120
00:04:56,080 –> 00:04:59,280
این چیزی است که ما سعی می کنیم ببینیم و یک عصبی ایجاد کنیم.
121
00:04:59,280 –> 00:05:02,560
شبکه به روشی مشابه
122
00:05:02,560 –> 00:05:06,160
کار میکند، بنابراین اگر باید
123
00:05:06,160 –> 00:05:10,080
این را ببینید که شبکههای عصبی مصنوعی
124
00:05:10,080 –> 00:05:14,400
معمولاً بهعنوان n e n نامیده میشوند
125
00:05:14,400 –> 00:05:17,840
، یک سیستم محاسباتی الهام گرفته از
126
00:05:17,840 –> 00:05:19,280
نورونهای بیولوژیکی
127
00:05:19,280 –> 00:05:23,120
است که مغز حیوانات را درست
128
00:05:23,120 –> 00:05:25,680
میسازد، اگر این نمودار را ببینید، ما
129
00:05:25,680 –> 00:05:26,400
130
00:05:26,400 –> 00:05:29,600
تصاویر کمی از اسناد و مدارک داریم و اگر مجبورید
131
00:05:29,600 –> 00:05:32,960
ماشین را با این سگ ها آموزش دهید
132
00:05:32,960 –> 00:05:36,000
و سعی کنید تصویری را نشان دهید که
133
00:05:36,000 –> 00:05:39,039
مخصوص هیچ یک از سگ
134
00:05:39,039 –> 00:05:39,919
هایی که می بینیم نیست.
135
00:05:39,919 –> 00:05:42,479
در اینجا احتمالاً دستگاه قادر نخواهد
136
00:05:42,479 –> 00:05:43,520
137
00:05:43,520 –> 00:05:45,919
بود این سگ را در این تصویر خانوادگی تشخیص
138
00:05:45,919 –> 00:05:47,360
دهد
139
00:05:47,360 –> 00:05:51,039
درست است او می تواند
140
00:05:51,039 –> 00:05:53,120
ویژگی یک توله سگ یا یک بچه گربه
141
00:05:53,120 –> 00:05:54,800
را هم گربه جدید ما یا یک سگ شناسایی کند، تشخیص آن
142
00:05:54,800 –> 00:05:56,639
برای یک انسان بسیار آسان است،
143
00:05:56,639 –> 00:05:58,639
144
00:05:58,639 –> 00:06:02,000
اما توله سگ یا بچه گربه ای که به
145
00:06:02,000 –> 00:06:05,520
تازگی به دنیا آمده است، باید
146
00:06:05,520 –> 00:06:07,680
برای یک دقیقه یا 30 ثانیه تمرکز
147
00:06:07,680 –> 00:06:09,440
کنیم تا بتوانیم
148
00:06:09,440 –> 00:06:12,080
ویژگی های مختلف را تشخیص دهیم، می
149
00:06:12,080 –> 00:06:14,160
تواند سبیل باشد، می تواند بینی باشد، می
150
00:06:14,160 –> 00:06:14,720
تواند
151
00:06:14,720 –> 00:06:17,840
چشم باشد، برخی از ویژگی های متمایز که
152
00:06:17,840 –> 00:06:19,039
باید انجام دهیم.
153
00:06:19,039 –> 00:06:22,479
چند مشاهده عمیق که پس از آن
154
00:06:22,479 –> 00:06:24,720
ما قادر خواهیم بود بگوییم گربه شما
155
00:06:24,720 –> 00:06:26,479
کدام است که بچه گربه شما در مقابل
156
00:06:26,479 –> 00:06:27,840
توله سگ شماست،
157
00:06:27,840 –> 00:06:30,319
بنابراین به روشی مشابه بدون
158
00:06:30,319 –> 00:06:31,520
159
00:06:31,520 –> 00:06:33,919
شبکه عصبی، کامپیوتر قادر نخواهد بود
160
00:06:33,919 –> 00:06:35,039
161
00:06:35,039 –> 00:06:38,080
سگی را در این تصویر با
162
00:06:38,080 –> 00:06:41,360
شبکه عصبی شناسایی کند. قادر به شناسایی
163
00:06:41,360 –> 00:06:44,000
این سگ به عنوان یک سگ در تصویر است که
164
00:06:44,000 –> 00:06:44,639
به این معنی است که
165
00:06:44,639 –> 00:06:48,080
انجام چنین فعالیت متمایز
166
00:06:48,080 –> 00:06:51,520
در داخل یک خوشه از اشیاء
167
00:06:51,520 –> 00:06:55,840
با شبکه های عصبی مصنوعی شما امکان پذیر است،
168
00:06:55,840 –> 00:06:59,759
بنابراین این را بگویید که چقدر دقیق است. بهطوری که کار میکند،
169
00:06:59,759 –> 00:07:02,639
ما سعی کردیم بگوییم چرا
170
00:07:02,639 –> 00:07:04,400
شبکههای عصبی مصنوعی و ما
171
00:07:04,400 –> 00:07:08,000
سعی کردیم ببینیم انگیزه
172
00:07:08,000 –> 00:07:11,039
آن چگونه بوده است، اما چگونه همه چیز درست عمل
173
00:07:11,039 –> 00:07:14,240
میکند تا به مهرهها و
174
00:07:14,240 –> 00:07:15,840
پیچهای مکانیزمی که باعث
175
00:07:15,840 –> 00:07:18,560
کارکرد آن میشود برسیم، خواهیم دید. بنابراین اگر می
176
00:07:18,560 –> 00:07:20,400
بینید یک نورون عصبی مصنوعی وجود دارد
177
00:07:20,400 –> 00:07:23,360
که کم و بیش شبیه
178
00:07:23,360 –> 00:07:24,720
به نورون بیولوژیکی است،
179
00:07:24,720 –> 00:07:27,120
بنابراین پارامترهای ورودی شما وجود دارد
180
00:07:27,120 –> 00:07:28,080
که x
181
00:07:28,080 –> 00:07:31,280
و y شما هستند، بنابراین وقتی
182
00:07:31,280 –> 00:07:34,720
x و y خود را به عنوان پارامترهای ورودی خود
183
00:07:34,720 –> 00:07:38,720
دارید، وزن خود را نیز خواهید داشت. w1 w2 w3
184
00:07:38,720 –> 00:07:40,080
وزنهای شما هستند،
185
00:07:40,080 –> 00:07:41,919
بنابراین در مورد وزنها صحبت خواهیم کرد که
186
00:07:41,919 –> 00:07:44,479
چگونه روی تصمیم شما تأثیر میگذارند وقتی
187
00:07:44,479 –> 00:07:47,280
به مرحله بعدی میرویم، وقتی
188
00:07:47,280 –> 00:07:48,960
ورودی را داشته باشیم و وزنهایی را داشته
189
00:07:48,960 –> 00:07:51,440
باشیم که پردازش آن وزن را انجام میدهیم
190
00:07:51,440 –> 00:07:52,879
که جمع شماست.
191
00:07:52,879 –> 00:07:56,319
این
192
00:07:56,400 –> 00:07:59,199
میتواند محاسبه پارامتر ورودی
193
00:07:59,199 –> 00:08:00,479
و وزنهای شما باشد
194
00:08:00,479 –> 00:08:04,160
که به
195
00:08:04,160 –> 00:08:07,199
خروجی شما یا یک نورون مقداری میدهد تا ببینید که آیا باید
196
00:08:07,199 –> 00:08:07,759
شلیک کند
197
00:08:07,759 –> 00:08:11,039
یا هیچ کاری را درست انجام ندهد
198
00:08:11,039 –> 00:08:14,800
وقتی y یک مقدار برای یک نقطه آستانه دریافت کرد،
199
00:08:14,800 –> 00:08:18,160
سپس نورون آتش سوزی تا
200
00:08:18,160 –> 00:08:21,840
هفتم در اینجا روشی برای تقلید
201
00:08:21,840 –> 00:08:24,879
از روشی است که مغز انسان یک
202
00:08:24,879 –> 00:08:28,080
نورون مصنوعی است، زیرا ماشینها
203
00:08:28,080 –> 00:08:30,639
فقط اعداد را درک میکنند، ما سعی میکنیم
204
00:08:30,639 –> 00:08:31,360
205
00:08:31,360 –> 00:08:34,320
تمام این تصمیمها را به قالبی تبدیل کنیم
206
00:08:34,320 –> 00:08:35,919
که ماشینها بتوانند درک کنند،
207
00:08:35,919 –> 00:08:37,839
ما رویکردهای مختلفی داریم، ما
208
00:08:37,839 –> 00:08:39,440
همه آنها
209
00:08:39,440 –> 00:08:43,120
را بررسی خواهیم کرد. تا اینجا ما توانستیم
210
00:08:43,120 –> 00:08:45,760
چیزهای کمی در مورد هوش مصنوعی بدست آوریم
211
00:08:45,760 –> 00:08:46,560
212
00:08:46,560 –> 00:08:48,880
که نورون چیست که نورون چگونه
213
00:08:48,880 –> 00:08:50,880
به یک نورون بیولوژیکی متصل می شود
214
00:08:50,880 –> 00:08:53,519
و چگونه آن کار خاص را انجام
215
00:08:53,519 –> 00:08:55,279
216
00:08:55,279 –> 00:08:58,720
دادیم، بنابراین وقتی این را داشته باشیم که آن را
217
00:08:58,720 –> 00:09:02,000
پرسپترون می نامیم، پرسپترون
218
00:09:02,000 –> 00:09:05,279
دو مدل دارد. یکی حالت تمرین و
219
00:09:05,279 –> 00:09:07,519
حالت استفاده چه اتفاقی در حالت تمرین در حالت تمرین می افتد
220
00:09:07,519 –> 00:09:08,959
221
00:09:08,959 –> 00:09:12,240
، نورون را می توان آموزش داد که برای یک ورودی خاص شلیک کند یا
222
00:09:12,240 –> 00:09:13,519
شلیک نکند،
223
00:09:13,519 –> 00:09:18,160
بنابراین اگر باید خودمان را ببینیم
224
00:09:18,160 –> 00:09:21,519
انسان ها نیز گاهی
225
00:09:21,519 –> 00:09:23,680
اوقات تصمیم می گیرند یا بهتر بگوییم بارها تصمیم می گیرند.
226
00:09:23,680 –> 00:09:26,080
تصمیم گیری در مورد چند پارامتر
227
00:09:26,080 –> 00:09:28,480
برای ما برای انجام یک فعالیت، به این معنی که
228
00:09:28,480 –> 00:09:30,160
در آن زمان خاص،
229
00:09:30,160 –> 00:09:33,200
برخی از تصمیمات
230
00:09:33,200 –> 00:09:35,519
بر روی برخی از فعالیت ها که برای آن یک p
231
00:09:35,519 –> 00:09:37,040
نورون مفصلی در
232
00:09:37,040 –> 00:09:40,880
مغز شل میشود، بنابراین وقتی باید
233
00:09:40,880 –> 00:09:41,680
این کار را
234
00:09:41,680 –> 00:09:44,160
روی نورونهای ساخته شده مصنوعی انجام
235
00:09:44,160 –> 00:09:46,000
دهیم، به عنوان یک حالت آموزشی نامیده میشود
236
00:09:46,000 –> 00:09:49,040
و وقتی آن
237
00:09:49,040 –> 00:09:52,000
شبکه آموزشدیده را داشته باشیم، میتوانیم به همان اندازه وارد کاربر
238
00:09:52,000 –> 00:09:52,320
شویم،
239
00:09:52,320 –> 00:09:55,519
به مرحلهای میرسد که شما در آن
240
00:09:55,519 –> 00:09:59,200
هستید. آموزش و استفاده از حالتها
241
00:09:59,200 –> 00:10:02,480
هر دو به خوبی انجام شدهاند، بنابراین
242
00:10:02,480 –> 00:10:05,920
در اینجا نورون uh
243
00:10:05,920 –> 00:10:08,640
آنچه که با ورودی ارائه شده است
244
00:10:08,640 –> 00:10:09,440
245
00:10:09,440 –> 00:10:11,680
در تمام اطلاعات
246
00:10:11,680 –> 00:10:13,760
مصرفشده و آماده با مدل تغذیه میشود
247
00:10:13,760 –> 00:10:16,959
و آن چیز خاص
248
00:10:16,959 –> 00:10:19,839
آماده استفاده خواهد بود، بنابراین با استفاده از
249
00:10:19,839 –> 00:10:21,040
حالت،
250
00:10:21,040 –> 00:10:23,839
در نورون مصنوعی،
251
00:10:23,839 –> 00:10:24,640
252
00:10:24,640 –> 00:10:26,800
عملکردهای فعال سازی مختلفی دارید، وقتی من می گویم
253
00:10:26,800 –> 00:10:29,040
توابع فعال سازی،
254
00:10:29,040 –> 00:10:32,560
این زمانی است که نورون ها شلیک می شوند، بنابراین
255
00:10:32,560 –> 00:10:35,120
بسیاری از توابع فعال سازی
256
00:10:35,120 –> 00:10:36,399
در اینجا وجود دارد، ما سعی می کنیم
257
00:10:36,399 –> 00:10:40,000
تعداد کمی از آنها را یک تابع مرحله ای ببینیم
258
00:10:40,000 –> 00:10:42,399
وقتی مقدار آستانه به این مقدار رسید.
259
00:10:42,399 –> 00:10:44,720
زمانی که فعالسازی یا نورون
260
00:10:44,720 –> 00:10:45,440
شلیک میشود،
261
00:10:45,440 –> 00:10:48,399
تابع سیگموئید یا s داریم
262
00:10:48,399 –> 00:10:49,200
،
263
00:10:49,200 –> 00:10:50,880
وقتی مقادیر منفی و
264
00:10:50,880 –> 00:10:52,880
مثبت تابع سینوسی وجود دارد، تابع سینوسی داریم. زمانی
265
00:10:52,880 –> 00:10:54,880
که بین صفر و یک باشد چندین بار
266
00:10:54,880 –> 00:10:56,399
عملکرد سیگموئید کار می کند
267
00:10:56,399 –> 00:10:59,279
همه این موارد عمدتاً به
268
00:10:59,279 –> 00:11:00,079
نورون
269
00:11:00,079 –> 00:11:03,920
کمک می کند تا برای یک محرک خاص شلیک شود یا فعال شود.
270
00:11:03,920 –> 00:11:07,839
271
00:11:08,320 –> 00:11:11,519
272
00:11:11,519 –> 00:11:12,959
273
00:11:12,959 –> 00:11:15,680
و
274
00:11:15,680 –> 00:11:18,560
با یک قیاس درک کنید خب، پس این یک
275
00:11:18,560 –> 00:11:19,360
276
00:11:19,360 –> 00:11:22,720
قیاس جالب است، بیایید ببینیم
277
00:11:22,720 –> 00:11:26,320
از یک مهمانی آبجو، فکر می
278
00:11:26,320 –> 00:11:28,560
کنیم که یک مهمانی آبجو
279
00:11:28,560 –> 00:11:30,240
در نزدیکی خانه ما اتفاق می افتد
280
00:11:30,240 –> 00:11:35,040
و سه عامل تأثیرگذار وجود دارد
281
00:11:35,040 –> 00:11:37,839
که می تواند به ما کمک کند تصمیم بگیریم که آیا به آن برویم یا نه
282
00:11:37,839 –> 00:11:38,480
. که
283
00:11:38,480 –> 00:11:41,120
مهمانی آبجو یا جشنواره آبجو
284
00:11:41,120 –> 00:11:42,959
عوامل تاثیرگذار این است که
285
00:11:42,959 –> 00:11:45,600
آب و هوا چگونه است یا آب و هوا چگونه است، در این
286
00:11:45,600 –> 00:11:49,040
صورت آیا همسرتان درست به شما ملحق می شود
287
00:11:49,040 –> 00:11:51,600
و سومین وسیله
288
00:11:51,600 –> 00:11:53,200
حمل و نقل عمومی موجود است،
289
00:11:53,200 –> 00:11:56,480
بنابراین وقتی می گویید آب و هوا
290
00:11:56,480 –> 00:11:58,560
یکی از ورودی ها است. پارامترهای
291
00:11:58,560 –> 00:12:01,600
این است که همسر به شما ملحق شود یا با شما همراه
292
00:12:01,600 –> 00:12:01,920
293
00:12:01,920 –> 00:12:04,320
شود پارامتر دوم ورودی است و پارامتر سوم
294
00:12:04,320 –> 00:12:05,279
ورودی
295
00:12:05,279 –> 00:12:07,519
حمل و نقل عمومی شماست وقتی می گویید
296
00:12:07,519 –> 00:12:09,440
حمل و نقل عمومی transpo عمومی است. rt
297
00:12:09,440 –> 00:12:11,200
می تواند به هر شکل و شکلی باشد،
298
00:12:11,200 –> 00:12:13,440
بنابراین اساساً ما سعی می کنیم این
299
00:12:13,440 –> 00:12:14,320
قیاس
300
00:12:14,320 –> 00:12:17,360
را ببینیم تا ببینیم چگونه ورودی ها را
301
00:12:17,360 –> 00:12:18,639
محاسبه می کنیم چگونه
302
00:12:18,639 –> 00:12:21,920
وزن ها را محاسبه می کنیم،
303
00:12:21,920 –> 00:12:24,800
بیایید سعی کنیم سه پارامتر ورودی را
304
00:12:24,800 –> 00:12:25,680
305
00:12:25,680 –> 00:12:28,160
ببینیم آب و هوای شما چگونه است همسر شما
306
00:12:28,160 –> 00:12:28,800
پیوستن به
307
00:12:28,800 –> 00:12:31,200
شما و حمل و نقل عمومی که
308
00:12:31,200 –> 00:12:32,480
x1 x2 و
309
00:12:32,480 –> 00:12:35,839
x3 شماست، بنابراین آب و هوای خوبی است که می خواهید بروید
310
00:12:35,839 –> 00:12:37,440
که ارزش شما یک است
311
00:12:37,440 –> 00:12:40,720
اگر هوا بد است
312
00:12:40,720 –> 00:12:44,320
شما ندارید، حاضر نیستید بروید که
313
00:12:44,320 –> 00:12:47,839
اگر همسرتان صفر است
314
00:12:47,839 –> 00:12:51,279
اگر همسرتان به
315
00:12:51,279 –> 00:12:52,079
316
00:12:52,079 –> 00:12:54,320
آن ملحق نمیشود، شما نمیخواهید بروید،
317
00:12:54,320 –> 00:12:56,320
میخواهید در خانه بمانید،
318
00:12:56,320 –> 00:12:59,760
بنابراین
319
00:12:59,760 –> 00:13:02,800
اگر حملونقل عمومی در دسترس است،
320
00:13:02,800 –> 00:13:06,079
میخواهید بروید
321
00:13:06,079 –> 00:13:07,920
در دسترس نیست
322
00:13:07,920 –> 00:13:09,839
شما نمی خواهید بروید فقط می خواهید
323
00:13:09,839 –> 00:13:11,680
استراحت کنید اینها ورودی های شما هستند
324
00:13:11,680 –> 00:13:14,320
و خروجی های آن شما را تحت تاثیر قرار
325
00:13:14,320 –> 00:13:15,440
می دهد تا تصمیم بگیرید
326
00:13:15,440 –> 00:13:17,519
که آیا می خواهید به جشنواره آبجو بروید
327
00:13:17,519 –> 00:13:18,720
یا
328
00:13:18,720 –> 00:13:21,760
می خواهید اکنون در خانه بمانید.
329
00:13:21,760 –> 00:13:23,120
330
00:13:23,120 –> 00:13:25,839
این چیز خاص
331
00:13:25,839 –> 00:13:26,959
مقدار کل
332
00:13:26,959 –> 00:13:30,079
0 و 1 بر شما تأثیر می گذارد که آیا می خواهید این را بگویید
333
00:13:30,079 –> 00:13:30,480
334
00:13:30,480 –> 00:13:34,079
یا نمی خواهید بگویید، بیایید سعی
335
00:13:34,079 –> 00:13:36,880
336
00:13:36,880 –> 00:13:37,440
337
00:13:37,440 –> 00:13:39,839
کنیم ببینیم وقتی این نقاط را می بینیم چگونه فاکتور را اولویت بندی می کنید، ما
338
00:13:39,839 –> 00:13:41,920
همه امتیازها را با وزن یکسان
339
00:13:41,920 –> 00:13:45,120
نداریم برخی از عوامل دارای برخی هستند. برخی از
340
00:13:45,120 –> 00:13:46,800
سطوح اهمیت بالاتر برخی از عوامل
341
00:13:46,800 –> 00:13:47,519
342
00:13:47,519 –> 00:13:50,240
سطح اهمیت کمتری دارند، چیزی است که ما
343
00:13:50,240 –> 00:13:50,880
به عنوان
344
00:13:50,880 –> 00:13:53,519
وزن می گوییم وقتی به شبکه های عصبی شما
345
00:13:53,519 –> 00:13:54,560
346
00:13:54,560 –> 00:13:57,120
به عنوان یک انسان وارد می شویم، ممکن است تصمیم بگیریم که آیا در
347
00:13:57,120 –> 00:13:58,639
مقابل
348
00:13:58,639 –> 00:14:01,040
پیوستن همسر به حمل و نقل عمومی ما بسیار مهم است یا
349
00:14:01,040 –> 00:14:02,639
می توانیم بگوییم که پیوستن به ورزش
350
00:14:02,639 –> 00:14:05,440
وزن بالاتری نسبت به آب و هوا و
351
00:14:05,440 –> 00:14:06,720
حمل و نقل عمومی دارد،
352
00:14:06,720 –> 00:14:10,320
بنابراین این عامل اولویت بندی
353
00:14:10,320 –> 00:14:13,920
چیزها برای هر
354
00:14:13,920 –> 00:14:14,880
ورودی دیگر
355
00:14:14,880 –> 00:14:18,000
، وزن های شما است، بنابراین بیایید سعی کنیم
356
00:14:18,000 –> 00:14:20,560
ببینیم وقتی وزن ها را تعیین می
357
00:14:20,560 –> 00:14:21,440
358
00:14:21,440 –> 00:14:25,360
کنیم، اگر دیدیم w1 w2
359
00:14:25,360 –> 00:14:30,079
w3 شما هستند، چگونه کار می کند. ورودی ها درست متاسفم w1 w2
360
00:14:30,079 –> 00:14:31,120
w3 وزن شما
361
00:14:31,120 –> 00:14:34,800
برای ورودی های مرتبط شما هستند
362
00:14:34,800 –> 00:14:36,800
x1 با توجه به آب و هوا بود اگر
363
00:14:36,800 –> 00:14:38,720
هوا خوب بود می خواستید بروید
364
00:14:38,720 –> 00:14:40,639
اگر هوا بد بود.
365
00:14:40,639 –> 00:14:41,839
366
00:14:41,839 –> 00:14:43,839
w2 وزن مربوط به
367
00:14:43,839 –> 00:14:45,920
ورودی شماست که همسرتان به شما ملحق میشود
368
00:14:45,920 –> 00:14:49,279
یا به شما نمیپیوندد w3
369
00:14:49,279 –> 00:14:52,000
که ورودی با توجه به حملونقل عمومی است،
370
00:14:52,000 –> 00:14:53,120
371
00:14:53,120 –> 00:14:55,199
حالا اگر باید ببینید آیا
372
00:14:55,199 –> 00:14:56,560
مقدار آستانه
373
00:14:56,560 –> 00:14:59,440
5 دارید، بیایید ببینیم چگونه آیا وزن ها
374
00:14:59,440 –> 00:15:00,320
و
375
00:15:00,320 –> 00:15:03,760
ضریب ورودی ما در حال حاضر اگر ببینم
376
00:15:03,760 –> 00:15:08,639
w1 شما برابر است
377
00:15:08,639 –> 00:15:11,600
می گوییم که هوا خوب است و
378
00:15:11,600 –> 00:15:12,800
وزن ما 6 است
379
00:15:12,800 –> 00:15:15,839
بنابراین 1 به 6 که
380
00:15:15,839 –> 00:15:20,240
6 می شود، می گوییم w2 برابر با
381
00:15:20,240 –> 00:15:23,440
2 است در حالی که می گوییم که
382
00:15:23,440 –> 00:15:26,560
فرض کنید همراه نیست بنابراین
383
00:15:26,560 –> 00:15:30,399
این صفر می شود و دو شما
384
00:15:30,399 –> 00:15:33,920
برابر با صفر است و شما سومین
385
00:15:33,920 –> 00:15:35,199
مورد را دارید
386
00:15:35,199 –> 00:15:37,040
که حمل و نقل عمومی شماست.
387
00:15:37,040 –> 00:15:39,120
388
00:15:39,120 –> 00:15:43,440
389
00:15:43,440 –> 00:15:46,959
390
00:15:46,959 –> 00:15:50,560
به علاوه
391
00:15:50,560 –> 00:15:54,079
0 که برای ورودی اول شما است،
392
00:15:54,079 –> 00:15:54,800
مقدار شش بود،
393
00:15:54,800 –> 00:15:57,279
در حالی که ورودی دوم و سوم شما
394
00:15:57,279 –> 00:15:58,800
، مقدار صفر شد
395
00:15:58,800 –> 00:16:02,959
، مقدار شش بزرگتر از
396
00:16:02,959 –> 00:16:06,079
مقدار آستانه شماست، مقدار آستانه
397
00:16:06,079 –> 00:16:06,880
در اینجا
398
00:16:06,880 –> 00:16:10,240
برای شما برای رفتن به جایی است که طرف 5 بود،
399
00:16:10,240 –> 00:16:12,079
اما مقدار مقدار شما در حال دریافت است
400
00:16:12,079 –> 00:16:13,680
6 بنابراین برای
401
00:16:13,680 –> 00:16:16,000
این وزن احتمالاً اکنون قصد دارید
402
00:16:16,000 –> 00:16:17,360
بروید
403
00:16:17,360 –> 00:16:20,639
اگر وزن ها را تغییر دهیم
404
00:16:20,639 –> 00:16:23,759
و یا اگر آستانه
405
00:16:23,759 –> 00:16:26,079
را تغییر دهید و ورودی را تغییر دهیم، ببینیم عملکرد آن چگونه است
406
00:16:26,079 –> 00:16:27,519
407
00:16:27,519 –> 00:16:29,759
اکنون می گوییم که مقدار آستانه
408
00:16:29,759 –> 00:16:33,279
3 است آب و هوا بد است
409
00:16:33,279 –> 00:16:36,560
w1 خواهد 0 شوید
410
00:16:36,560 –> 00:16:40,000
پس هوا بد است 0 به 6 می
411
00:16:40,000 –> 00:16:43,040
شود 0 سپس
412
00:16:43,040 –> 00:16:46,079
شما همسرتان شما را همراهی می کند بنابراین
413
00:16:46,079 –> 00:16:49,600
1 به 2 می شود 2
414
00:16:49,600 –> 00:16:51,600
و فرض کنید
415
00:16:51,600 –> 00:16:52,800
حمل و نقل عمومی نیز وجود دارد
416
00:16:52,800 –> 00:16:56,079
بنابراین 1 به 2
417
00:16:56,079 –> 00:16:59,440
که 2 می شود بنابراین 2 به علاوه 2 برابر است
418
00:16:59,440 –> 00:17:00,320
با 4
419
00:17:00,320 –> 00:17:04,079
و مقدار 4 بزرگتر از
420
00:17:04,079 –> 00:17:07,599
آستانه است، بنابراین شما همچنان به مهمانی آبجو خواهید رفت،
421
00:17:07,599 –> 00:17:10,799
فرض کنید در این صورت
422
00:17:10,799 –> 00:17:13,039
همسر شما به آن ملحق نشده است، این مقدار
423
00:17:13,039 –> 00:17:13,919
تبدیل به 0 می شود،
424
00:17:13,919 –> 00:17:17,280
بنابراین 0 به 6 می شود 0 0 2 است 0 سپس
425
00:17:17,280 –> 00:17:19,280
یک به دو حمل و نقل عمومی
426
00:17:19,280 –> 00:17:21,199
در دسترس است. به دو است دو
427
00:17:21,199 –> 00:17:23,679
در حالی که دو بزرگتر از سه نیست،
428
00:17:23,679 –> 00:17:25,359
نورون شلیک نمی شود، به
429
00:17:25,359 –> 00:17:27,359
این معنی که شما به سمت قسمت آبجو درست نمی روید،
430
00:17:27,359 –> 00:17:28,799
431
00:17:28,799 –> 00:17:32,640
بنابراین اساساً زمانی که
432
00:17:32,640 –> 00:17:33,760
مقدار
433
00:17:33,760 –> 00:17:37,600
از مقدار آستانه شما بالاتر می رود، به
434
00:17:37,600 –> 00:17:40,880
این روش
435
00:17:40,880 –> 00:17:43,600
تخصیص ورودی شلیک می شود. وزنه ها d تلاش برای
436
00:17:43,600 –> 00:17:44,320
دیدن خروجی
437
00:17:44,320 –> 00:17:46,720
که مدل را برای همه ترکیبهای جایگشتی آموزش میدهد
438
00:17:46,720 –> 00:17:48,720
439
00:17:48,720 –> 00:17:51,039
و سپس کارکردن نورونهای شما به
440
00:17:51,039 –> 00:17:51,840
روشی
441
00:17:51,840 –> 00:17:54,960
که باید براساس یادگیری آن باشد،
442
00:17:54,960 –> 00:17:57,600
چیزی است که در اینجا میخواهیم ببینیم،
443
00:17:57,600 –> 00:17:58,720
444
00:17:58,720 –> 00:18:02,160
بنابراین این اساساً برای ما یک قیاس بود
445
00:18:02,160 –> 00:18:02,799
تا ببینیم
446
00:18:02,799 –> 00:18:05,520
چگونه ما وزنها را تعیین میکنیم و چگونه میتوانیم
447
00:18:05,520 –> 00:18:06,480
448
00:18:06,480 –> 00:18:09,919
آتش یا بدون آتش را از نورون محاسبه کنیم،
449
00:18:09,919 –> 00:18:13,120
450
00:18:13,120 –> 00:18:15,520
سپس وارد بخش بعدی میشویم،
451
00:18:15,520 –> 00:18:17,600
بچهها هر سؤالی دارند
452
00:18:17,600 –> 00:18:20,880
تا اینجا ما در مورد اینکه چرا
453
00:18:20,880 –> 00:18:25,120
چگونه وزنها را تعیین میکنیم همه این چیزها
454
00:18:26,080 –> 00:18:29,840
خوب است، بنابراین
455
00:18:30,320 –> 00:18:32,400
خوب، من نمیبینم هر سوالی که فکر
456
00:18:32,400 –> 00:18:34,559
میکنم خوب هستیم، اجازه دهید به حرکت
457
00:18:34,559 –> 00:18:37,840
درست پرسپترونهای چندلایه ادامه
458
00:18:37,840 –> 00:18:40,720
دهم تا این را در سناریوی زندگی واقعی
459
00:18:40,720 –> 00:18:42,640
ببینیم، ما یک ورودی یا
460
00:18:42,640 –> 00:18:45,679
یک تصمیم برای درست کردن به عنوان انسان نخواهیم
461
00:18:45,679 –> 00:18:46,559
داشت، ما بیش از پنج
462
00:18:46,559 –> 00:18:49,520
داریم، پنج داریم. حواس چشمها بینی گوشها
463
00:18:49,520 –> 00:18:50,720
464
00:18:50,720 –> 00:18:52,960
همه این چیزها را بو میکنند و همه موارد حسی
465
00:18:52,960 –> 00:18:54,880
ورودیهای زیادی به ما میدهند
466
00:18:54,880 –> 00:18:58,000
و ترکیبی از همه این
467
00:18:58,000 –> 00:19:00,400
ورودیها وجود دارد قبل از اینکه بتوانیم تصمیمگیری کنیم،
468
00:19:00,400 –> 00:19:03,440
به عنوان مثال نحوه طعم و
469
00:19:03,440 –> 00:19:04,799
مزه شما. غذای شما زمانی که گرسنه هستید در مقایسه با طعم و
470
00:19:04,799 –> 00:19:05,200
471
00:19:05,200 –> 00:19:06,799
مزه مزه غذایتان در
472
00:19:06,799 –> 00:19:08,720
زمان سیری بسیار متفاوت است،
473
00:19:08,720 –> 00:19:11,280
بنابراین همه این ورودی ها به شما کمک می کند
474
00:19:11,280 –> 00:19:12,480
تا تصمیم بگیرید
475
00:19:12,480 –> 00:19:15,919
به طور مشابه وقتی می گوییم
476
00:19:15,919 –> 00:19:17,280
477
00:19:17,280 –> 00:19:19,679
مغز ما باید چنین تصمیماتی بگیرد.
478
00:19:19,679 –> 00:19:21,760
میلیونها نورون
479
00:19:21,760 –> 00:19:24,880
برای اتخاذ چنین تصمیمهایی
480
00:19:24,880 –> 00:19:27,679
روی یک ماشین، به مقدار خوبی از نورونها نیاز
481
00:19:27,679 –> 00:19:28,480
482
00:19:28,480 –> 00:19:31,280
داریم تا از ورودیهایی
483
00:19:31,280 –> 00:19:32,400
که به دست میآوریم تصمیم بگیریم،
484
00:19:32,400 –> 00:19:35,120
بنابراین اگر این را مشاهده کردید اولین لایه
485
00:19:35,120 –> 00:19:35,520
486
00:19:35,520 –> 00:19:37,520
لایه ورودی شما است که ورودیها را
487
00:19:37,520 –> 00:19:39,360
از پارامترهای مختلف میگیرد
488
00:19:39,360 –> 00:19:41,679
و سپس آن را آن را از
489
00:19:41,679 –> 00:19:44,400
لایه دوم شما که لایه پنهان شما است عبور
490
00:19:44,400 –> 00:19:46,799
می دهد، می تواند چندین لایه پنهان
491
00:19:46,799 –> 00:19:48,480
بر
492
00:19:48,480 –> 00:19:51,200
اساس مقدار ورودی ها و وزن
493
00:19:51,200 –> 00:19:51,600
494
00:19:51,600 –> 00:19:54,240
هایی که روی آن نورون های خاص قرار داده شده است وجود داشته باشد،
495
00:19:54,240 –> 00:19:55,039
بنابراین زمانی
496
00:19:55,039 –> 00:19:58,640
که حدس داده ها ورودی دریافت کرد،
497
00:19:58,640 –> 00:20:00,640
محاسبه می شود و خروجی دریافت می شود.
498
00:20:00,640 –> 00:20:02,640
به لایه مخفی 2
499
00:20:02,640 –> 00:20:05,600
500
00:20:05,600 –> 00:20:06,640
501
00:20:06,640 –> 00:20:10,000
شما وارد می شود و هنگامی که تعداد لایه های مخفی تکمیل شد، به لایه خروجی شما وارد می شود،
502
00:20:10,000 –> 00:20:12,240
بنابراین عمدتاً
503
00:20:12,240 –> 00:20:15,520
این روش از راه های متصل است که ما در آن قرار
504
00:20:15,520 –> 00:20:19,360
داریم. ng یک پرسپترون چند لایه است،
505
00:20:19,360 –> 00:20:22,159
بنابراین اگر مجبور باشید این را بخوانید اساساً
506
00:20:22,159 –> 00:20:23,760
شبکه عصبی و