[DeepLearning | видео 1] Что же такое нейронная сеть?

[@НикитаМясников-я4л]

Спасибо большое автору за перевод и за то что делает материал для русскоязычных новчиков, пока еще не знающих английский, более доступным на старте.

[@evgenykonovalov4870]

Читаю книгу по нейросетям «глубокое погружение», и тут материал прям все по полочкам ставит сразу огромный респект за перевод !!!

[@morisunkas8301]

кто автор? не подскажете

[@ПорфирийИванов-з2ф]

​@@morisunkas8301 Николенко,Кадурин, Архангельская

[@ni4egoneponyal]

Гудфеллоу, Бенджио, Курвилль. Возможно, подразумевалась их книга

[@dmitryrukavishnikov6711]

Впервые плюсанул до просмотра, потому что раньше смотрел это видео на английском. Спасибо за перевод.

[@ВадимМусиенко-м5з]

Я надеюсь что людей, которые действительно понимают насколько это полезное видео, очень много

[@Xanadu379]

вряд ли это люди...... ха ха ха

[@Darkness-es3zb]

@@Xanadu379 могу сказать что я человек

[@sergeserg2582]

@@Darkness-es3zb конечно, по нику же понятно.

[@vielear]

​@@Xanadu379ахахахахаха

[@untitled585]

Эта серия роликов, она - на вес золота

[@Nini-sv1bd]

Теперь осталось распознать почерк врача

[@user10810]

Теперь у меня появилась цель в изучении нейронных сетей

[@radikusmanov7574]

Не скажу, что заполняемые от руки истории болезни остались в далёком прошлом. Однако российские врачи наших дней, кого я видел, историю болезни, как и остальную документацию ведут теперь иключительно в электронном виде на центральном сервере больницы через персональный компьютер в своём кабинете.

[@РазДва-ш8о]

@@radikusmanov7574 ты хотел сказать московские врачи?

[@radikusmanov7574]

@@РазДва-ш8о не надо обвинять меня в том, чего я не писал. Написано же: ""... кого я видел ...". Или вы дальше первого предложения никогда не читаете, тут же бросаетесь отвечать? Даже при том, что Москва - это не Россия, больницы в остальных крупных городах тоже компьютеризированы. А что касается сельских больниц, то там и в советские времена с медициной был полный мрак, не до компьютеров. Если во времена Брежнева роль праздничной витрины социализма исполняло государство ГДР, то в наши дни эту роль забрала себе Москва.

[@РазДва-ш8о]

@@radikusmanov7574 , еще бы я твои бредни читал, много тебе чести)

[@MrFog124]

Не останавливайтесь пожалуйста! Очень интересно!

[@52tonns]

Очень хорошее видео. Интересно, доступно, полезно. Можно использовать это видео как один из нейронов, активация которого позволяет распознать любое видео как крутое.

[@Fray4eger]

Релью - это сила, я даже не знал об этом, это шикарная возможность оптимизации ресурсов, СУПЕР спасибо.

[@domenos8967]

Вот только обрезает он только левую часть. Если сверху накрутить еще max() и получить max(min(0,a),1), то будет обрезать в двух сторон

[@Юрий-п2г6ч]

Это очень хорошее видео. Оно состоит из понятных рассуждений и обостряет интерес к продолжению. Особенно интересен алгоритм подбора весов и конечно многое другое.

[@СашаКурдаков-ю6и]

спасибо, перевод отличный, полезность информации стремится к ста процентам

[@bigsponsor]

Сомневаюсь что с текущим переводом вы уловили суть.

[@bornfram6257]

@@bigsponsor критикуешь - предлагай. что можешь посоветовать "понятного"?

[@monochrome6051]

@@bornfram6257 Учить английский

[@markuscartel8227]

@@monochrome6051 Автору, не мешало бы Русский выучить, для начала.

[@ВиталийПлатунов-к6е]

И ста лайкам 🔥

[@alexandermartin5694]

Самое эффективное вступление в тему, из тех, что мне известны. Подписка и лайк.

[@ЕгорСавельев-х7ы]

Стал изучать нейросети и как раз разбирал пример кода именно этот. Где обучается сеть на базе картинок 28*28. Видео дало более глубокое понимание работы принципа, взаимосвязей, за это огромное спасибо! В примере лектор сказал что это темный ящик и не было понимания как это связано с линейной алгеброй! Тут все стало понятно, ( хотя это ага эффект и иллюзия ;))ибо в обучении сказали что это чёрный ящик. С нетерпением жду продолжение. Очень крутое объяснение про механизм весов, принцип работы, активации. Но чучуть базово изучить как работает мозг с точки зрение нейрофизиологии тоже полезно для полноты картины и объема понимания! С нетерпением жду продолжения как проходит обучение! Вы делаете очень крутую работу!

[@Работа-н9в]

Ух ты, уже четыре года прошло с твоего комментария. Как успехи в изучении данной темы?

[@artemmart7884]

Тоже интересно ​@@Работа-н9в

[@Работа-н9в]

Это просто лучшее, что можно найти на данную тему. Спасибо!

[@slavi8216]

Спасибо за хороший перевод, исходник очень крутой и понятный при этом. Благодаря переводу он стал доступен для РУ сегмента. Жаль остальные видео только с сабами (несколько корявыми, но и на этом спасибо, тем кто эти сабы делал). На клоунов-гуру англ языка и озвучки не обращайте внимания. Главное начинка конфеты, а не обёртка, особенно учитывая, что конфета бесплатная.

[@Руслан-у9д]

Просто замечательный перевод, продолжайте!!!

[@AS-ig6yb]

Мало что понимаю в математике и IT, но было очень интересно посмотреть!

[@Techno.Zombie]

Спасибо. Было познавательно. Объяснили даже понятнее преподавателей с вышки.

[@Orakcool]

спасибо за старания, +100500! С такими видео изучать нейросети молодым людям будет гораздо легче

[@breech709]

Хорошая озвучка. Не останавливайтесь, продолжайте. Подписался.

[@raduwka]

Лучше поняла все просмотренное, когда вспомнила прогу, где по фото человека ищут похожих/того же самого. Автору спасибо. за видео!

[@solyarniy_punya]

Спасибо авторам, надеюсь у них всё хорошо

[@Gregorysharkov]

Люблю 3blue1brown. Когда начинал заниматься нейросетями пересмотрел все видео по этой теме. Отличный перевод, однако если вы действительно хотите этим заниматься, то умение смотреть и понимать, что говорит автор в оригинале - обязательное условие. Учите английский!!!

[@nic07in]

14:45 опечатка. В векторе сдвигов последний элемент должен быть bk, а не bn. Произведение слева - вектор столбец длины k+1 (во втором слое k+1 нейронов). P.S. Автору и переводчику огромный респект! Самое крутое объяеснение нейросети. Ждём продолжения переводов. По линейной алгебре тоже огонь, советую. Даёт геометрическую интуицию и реальное понимание, а не тупое зазубривание алгоритмов, как это обычно учат в школе/универе.

[@alexeylesyuta9858]

Тоже заметил.

[@coincoinb5307]

И где ты тут увидел суть обучения нейронки?

[@georgemichael6884]

где найти видео номер3 про линейную алгебру упоминаемую автором в данном видео?

[@vitaliaus]

ты либо с марса прилетел?)

[@UgorGred]

Хах. Точняк! Ведь b соответствуют след.слою, а не пред.

[@jackfrost403]

Спасибо автор, наконец то хоть что-то понятно становится.

[@andreypatrick9489]

Наконец-то нормальное видео на примере, молодцы!

[@vedmak2001]

Спасибо огромное, как раз то что нужно!!! С нетерпением жду следующего видео)

[@123zoobecom]

Сел поесть, Ну и думаю, посмотрю что-нибудь интересное :-) Если умножить разные виды еды на разные напитки, то получится набор блюд, В среднем которое вы любите есть. Ну от 0 до 9. Вот такая математика

[@НикитаСпивак-ф1ю]

Там исключение прописывать надо) молоко с рыбой например)

[@F_A_F123]

Не умножить, а сложить/объединить...

[@coincoinb5307]

Что в итоге то получил , 798 набор блюд?:))) Нахрен повров, пусть нейронка стряпает:))

[@VUNCVGxyMFFrS3]

Добро пожаловать в комбинаторику!) у Райгородского есть крутейшие лекции по ней)

[@datorikai9911]

😂

[@onmygo7874]

Спасибо большое за отличное видео и перевод!!!!

[@tichonromanov4307]

Очень доходчиво! Хотя и сжато! Матрицы и веса, конечно, не новое, известны из курса высшей математики😃 но главная идея, видимо, в том, что трудоёмкая ручная работа по вычислению значений переложена на компьютеры! Про сигмоиду и ее простое использование))) в операциях мне понравилось!

[@radikusmanov7574]

I met that magic when bought the FineReader program of the ABBYY company in 1996. It was great.

[@kuntumeitan]

Благодарю за видео. Жду продолжение !

[@КорнеевОлег]

Благодарю тебя! Мне важно все, что ты совершаешь в мире.

[@NSMenschMaschine]

Переводите смело все видео с того канала и распределяйте по плейлистам. Цены этому делу не будет.

[@bakaproductionsempai7591]

дададада озвучка тоже топ , а лучше напишите нейронку которая парсит все с оригинального канала и сама переводит, и сделайте это вводным видео

[@MariaGorunova]

Довольно понятно и доступно даже для блондинки

[@MikhailGoncharov-tl4cr]

всё чётко сжато, настоящий талант

[@крл-я1щ]

Огромное спасибо за то, что вы делаете. Надеюсь, это не будет заброшено, ведь в России так мало людей, которые интересуются подобным контентом((( Очень-очень хотелось бы увидеть видео в переводе о кватернионах)

[@mikkalitmanen1434]

Мало? Дурной што ли?

[@ВасилийФедотов-б1б]

мда уж...

[@mikkalitmanen1434]

@@alosaloda технологические инновации идут не только "оттуда", а их создают во всём мире, где Россия, Индия и Китай занимают лидирующие позиции. В России же не все недоразвитые, как ты.

[@mikkalitmanen1434]

@@alosaloda чтобы писать об инновациях, нужно к ним хотя бы приблизиться немного. А судя по тому, что вы пишете, вы черпаете знания об инновациях из жёлтой прессы.

[@mikkalitmanen1434]

@@alosaloda Как бомжи с бутылкой водки рассуждают о политике, так и ты о инновациях. А у самого даже не хватает душка собрать шмотки и уехать в развитую страну. Но только ты там нахер не сдался никому, поэтому без вариантов.

[@georgethehedgehog_offical]

Спасибо за видео) хотелось бы увидеть серию видео про линейную алгебру в этом переводе

[@DarkFTP]

В общем, спасибо, ждем продолжения.

[@_____________-__-]

Гениально... Сканер, сравнение и вероятность... Так просто...​

[@apristen]

ещё PDA распознавали циферки и буковки из рукописного ввода. но ведь у них не было мощных процессоров и нейросеть там бы тормозила. тогда как они это делали? ответ очень прост! они использовали расстояние Хэмминга - en.wikipedia.org/wiki/Hamming_distance если циферки от 0 до 9 представить в виде 1-мерного массива (расположить все пиксели от верхнего-левого угла до правого-нижнего), то получим 10 одномерных массивов. у рукописного ввода определяем границы символов (тупо сканируем по вертикальным и горизонтальным линиям где хоть 1 не белая точка встрачается пока не будут найдены строки и столбцы границ символов), а каждый символ масштабируем до размеров тех 10 эталонов и тоже приводим к 1-мерному массиву. затем каждый символ сравниваем по расстоянию Хэмминга с 10 эталонами и где расстояние Хэмминга меньше - та цифра это и есть! возможно описание кажется длинным, но это самое простое, эффективное и быстрое (для процессора и памяти компьютера или телефона) решение. да, вот так вот просто можно распознавать рукописный ввод. можно буквально за час написать и поиграться. безо всяких нейросетей. вывод: учим математику ;-)

[@eugenedukatta9355]

Супер! Что такое расстояние Хемминга для двоичных чисел я знал раньше (код Грея и все такое) но сейчас взглянув на указанную статью в Википедии был немного обескуражен тем, что "расстояние" для не-двоичных наборов вычисляется как кол-во не совпадающих разрядов, не важно кол-во возможных состояний разряда. То есть расстояние между белым и почти-белым пикселем равно 1 также как и между черным и былым! И это при том, что разложив два набора в двоичный вид (по сути, лишь изменив форму представления), получится другое расстояние! А так наводка на использование расстояния Хемминга для распознавания образов меня впечатлила, я про такое не знал, сразу (Остапа понесло) стал представлять распознавание отпечатков пальцев, жесты и т.п. Респект!

[@apristen]

@@eugenedukatta9355 и главное работать будет даже "на ардуине" потому как незатратно по CPU ;-)

[@ВладимирР-ж7ф]

Всегда можно придумать алгоритм для распознавания чего-то, но самое забавное в том, что это не нейросеть. И эту ошибку я совершаю каждый раз, придумывая алгоритм, но нейросеть так не работает. К примеру для распознавания кружков, палок, квадратов можно придумать и написать алгоритм, у меня с этим никогда проблем не было. Но опять же это не нейросеть. Программирование нейросетей это нечто другое и это не обычное программирование, поэтому обычный кодер привыкший к решению задач через выстраивание логических связей и блоксхем должен будет фактически учиться заново прогить, по новому и новым способом. И чем больший у него стаж тем труднее ему будет перестраиваться.

[@vartushkin]

Ребята из amplify нашли очень правильное место для размещения своей рекламы - браво!

[@РомаАзаров-е6ц]

Давай продолжение, всё очень круто!!!

[@tsvigo11_70]

Нейроны не "зажигаются" а достигают предела при котором происходит электрический пробой нейрона. Такая сеть очень сложна для начинающего. Надо начинать с сети которую невозможно больше упростить. Нейроны да - можно обозначать числами, но только целыми числами дробные числа усложняют задачу.

[@bakaproductionsempai7591]

очень доходчиво интересно и по делу , строго лайк и подписон

[@vladvladov4095]

Ну и сардельку тебе в попу

[@ДенисПрозор]

крутое видео и крутой перевод(всё достаточно понятно)

[@lemapegas1484]

Мне почему то и страшно за будущее, но одновременно и интригующе, куда же мы придем)

[@SamoFix]

Только подумал, что оригинальное видео нужно перевести и в рекомендациях увидел перевод.

[@dmitrypakseev7789]

Большое спасибо автору перевода

[@Вдоскусвой-ф5щ]

Это просто невероятно круто!

[@14types]

Давайте следующее. Куда донатить?

[@DarkFTP]

+++

[@zosimdry]

+++

[@bublik20]

+++

[@bublik20]

Похоже что и в природе нет 2 части

[@sweetcapitan5690]

@@bublik20 есть

[@dedim5578]

Возможно я что-то понял, а возможно нет, но это мы поймем потом, а пока я ничего не понял.

[@Кубик-с6ч]

Вот очень простое объяснение что такое нейросеть и как работает kzbin.info/www/bejne/a4avYX6KpamIgNk

[@roman9598]

DeDim для этого нужно время, но времени нет

[@mrMACTADOHT]

я тоже, но! Моя нейросеть хоть и в ступоре(сраный гуманитарий), идём дальше, тренируем биологическую нейросеть дабы понять электронную)

[@mrMACTADOHT]

@@Кубик-с6ч а шо недоступно та?

[@ГеннадийПодолякин-ц1у]

24 . 11 . 2024 : Я желаю Вам СЧАСТЬЯ (СВЕТА-ДОБРА-ЛЮБВИ) !

[@86ILLJ]

Приятно когда не нужно делать лишних действий а просто закинуть 📸 или 📹 в дизайнерскую среду. С описанием К её ретушированию И на выходе получить желаемый результат. ЭТО не просто Ускоряет процесс редактирования и обработки 📸 а Выводит его на новый мировой уровень. Редактор Wombo Al Основан на одном из фильтров компании Adobe И является независимым проэкт ом но его развитие и обучение путём проб и ошибок и их исправлении позволяет ускорить процесс обучения всей Нейросети компании Adobe. Проэкт Wombo Al Появился на свет недавно буквально в Феврале 2021 года. И нуждается в раскрутке и возможном Спонсировани.

[@naturetechno6001]

Наш мозг пытается понять как он устроен.. И не просто пытается понять, а уже вполне конретно многое понял и сделал штуки похожие на себя! Как же причудливы формы движения материи во вселенной

[@lastchance9005]

Используете специальный психологический приём, когда вы отделяетесь от собственного мозга и как бы наблюдаете извне, чтобы создать вид, что вы исследователь или чтобы показать, что вы исследователь?

[@naturetechno6001]

@@lastchance9005 Та наверно нет

[@Last_Player555]

Естественно, мозг не может исследовать сам себя. Отсюда вывод, что мы это не мозг. Мозг лишь машина и не умеет мыслить, подобно компьютеру и нужен пользователь, который будет этой машиной управлять, пользователь это и есть тот, кто думает.

[@naturetechno6001]

@@Last_Player555 Спорные утверждения. Во первых может мозг исследовать сам себя, ну, не в прямом конечно смысле, а вот чужой мозг в томографе запросто. И исследуют и много чего уже известно

[@Last_Player555]

@@naturetechno6001 на томографе можно лишь увидеть следствие мышления, увидеть как работает машина. Это то же самое, что изучать прибором автомобиль, видеть как срабатывает руль или педали, передачи, и делать выводы на этом, почему автомобиль едет, но не видеть водителя, потому, что он скрыт от прямого наблюдения.

[@aitaiq6216]

Отлично.Толково.Логично.Ясно.Без воды в решето налита информация.Спасибо автору ролика.И переводчику.Ждем новые Проекты.Переводы.Успехов.784. 28. 28. Всего то 13 тыс. Функций.Ага.Не так уж и много.

[@Edpaper]

Я тут из будущего. У нас появился умный ИИ Chat GPT

[@МВолков-с6ж]

А я из ещё далёкого будущего. У нас тут одни говновозы.

[@CharleyDonar]

Автору большое спасибо!

[@ZAXARIUSS]

черт побери, это вообще нормально что я не только понял что было показано в этом видео, но и правильно представлял себе общую концепцию того как это работает? это настолько странно, что мне кажется я что-то неправильно понял))

[@user10810]

На то и создают подобные видео, чтобы каждый дэб понял. Странно скорее то, что многие даже это понять не могут

[@Fray4eger]

видео не видел еще, но подписался уже.

[@gibbed4248]

Получается, что чем больше ассоциаций - тем лучше.

[@ЯшкаКукадеев]

Наконец-то понятное объяснение работы нейрости, другие статьи и видео объясняли слишком замудрено и много терминов использовали Не понял только зачем нужны сдвиги(если можно объясните пожалуйста, хочу сам создать проект с нейросетью, но так и не понимал, как они работают) и как всё-таки обучаются нейросети(жду видео)

[@stumpjumperfsr]

Here is Ai - Artifical Intelegence. Такое обучение есть у NVIDIA. те кто понимает о чем идет речь могут смело подавать резюме - а я в свою очередь ждать новую модель видеокарточки.

[@greender644]

Если у кого-то не работает перемножение матрицы: 14:54 - ошибка небольшая - у матрицы b должно быть k элементов, а не n

[@grandoula8022]

очень интересно как мы учимся))

[@alfredlange1244]

Напоминает урок про «Как нарисовать сову», точно так же будет долго-долго рисуем два кружка, а потом просто дорисуйте недостающие детали.

[@ИванАлександрович-й3ъ]

вау очень круто и понятно спасибо

[@mirlaniusUMK]

Это просто шедевр

[@valentineb214]

Вы только представьте как нейросеть сможет распознавать трехмерные объекты, там ведь будут происходить бесконечные вычисления объекта, при этом в базе данных, информация об объекте должна находиться с разных ракурсов.... Это как фильме о терминаторе, когда на красном экране происходит распознавание объекта и в углу экрана выводиться таблица с 3 мерным динамическим изображением. А теперь представьте, что нейросети нужно распознать в вас не просто человека, а конкретного человека(визуально), сколько будет нужно виртуальной памяти.....

[@BALADAINDONESIA]

Успіх завжди мій брат Амінь ❤❤❤❤❤❤❤

[@Psy-Replicant]

очень интересно. ну вы в курсе.

[@YmeUla]

Это видео просто бомба ,я конечно это все и до этого знал но как оно хорошо объясняет ,кстати не знал про релу , только про сигмоиду . Больше переводов + лайк подписка колокольчик .( эх как повезло англо язычным у них столько контента сразу, но все же я выучу Английский и это будет значить ,что у меня станет больше контента и Русский и Английский)) ) Правда я за жизнь все это не выучу но нестрашно значит будет из чего выбирать .))))

[@АлШ-н1м]

Спасибо, прекрасное объяснение

[@naturetechno6001]

Все понятно! Все хорошо рассказано, но это потому что про нейросети я читал до этого.

[@markv7552]

Теперь понятно откуда взялось photomath

[@ВладМн]

ничего не понял, но очень интересно

[@SplashT]

Даже решил подписаться 🤔

[@bigsponsor]

Если бы я не был знаком с нейросетями с таким говно-переводом тоже бы ничего не понял.

[@nikolay2597]

Тоже не понял что скозали.Я такие вычисления не проходил .Были токо дроби .

[@kfkpk2181]

@@nikolay2597 ору

[@ЛОМЕХУЗА]

ахахахах

[@ИванКо-у1з]

переход от одного слоя нейронов к другому слою можно представить как перемножение вектора на матрицу перехода те LVL1 x M = LVL2 (размерность матрицы count(LVL1) x count(LVL2)) таким образом получаем LVL1 x M1 x M2 x .... x Mn = LVLout используя свойство ассоциативности матриц можно записать как LVL1 x (M1 x M2 x .... x Mn) = LVLout обозначив (M1 x M2 x .... x Mn) = M получаем что любая нейронная сеть может существовать всего лишь из одного перехода LVL1 x M = LVLout Живите с этим

[@yasakha2967]

Ясен пень что каждый нейрон это просто адресат бинарного кода в железе компьютера, вся эта хрень абсолютно абстрактна но она работает

[@Дмитрий-ы6й3ю]

Хотя я немного интересуюсь темой, лучше молча поставлю лайк!!!

[@ИванИванов-т6м3ш]

Автор сделай пожалуйста продолжение этой темы.

[@elitnyy]

Короче это - разбиение любой картинки или звука, чего угодно на примитивы, простейшие составляющие, кирпичики, работа с ассоциациями, и далее уже идет работа с этими кирпичиками, с тем, как они расположены. Когда элемент, пиксель один, то все очень просто - он взаимодействует сам с собой, когда же элементов много - то это уже матрица, и чем больше ячеек матрицы, и чем шире диапазон изменений каждой ячейки - тем сложнее анализ этой матрицы, естественно. Теперь понятно для чего создал нас Творец? - А для того чтобы изучать взаимодействие множества, то есть матрицы, для этого он создал таких же, но более молодых, начинающих творцов, то есть нас, мы, свою очередь, когда-нибудь будем создавать свои миры, и нашего Творца создал другой Творец, того - другой - и так бесконечно. Как говорится, если ученый не в состоянии объяснить ребенку любую вещь - то это не ученый, а шарлатан, псевдоученый, слабак. Мир поделен на 12 измерений (условно, так как на самом деле все бесконечно), чем выше измерение - тем выше частота, тем сложнее матрица, тем больше сверхспособностей у человека. В настоящее время мы живем в третьем измерении, в мире максимально четкого разделения всего и вся, с пятого измерения начинается процес объединения, границы между объектами уже не такие четкие, уже видится что все в мире есть энергия, люди объединяют свои разумы в единую сеть, нет противоречий и подавлений, а есть единство в многообразии. Правое полушарие мозга отвечает за интуицию - за связь с другими измерениями, в которых тоже живет его душа, и за воображение, за творчество, а левое полушарие за работу в этом измерении - оно создает время, ведет его отсчет своими биологическими часами, обеспечивает работу логики

[@misha_shima_uwu4504]

ты погнал, братан

[@mitz777]

Ждём продолжения!...

[@bogdao44]

Жду продолжение до обеда!

[@Вдоскусвой-ф5щ]

Это просто фантастика!

[@Felix-og7pd]

deep level decomposition sigmoid(logistic curve) vs RElu Linear algebra, matrix how to do the same learning?

[@LerMak]

Хауди Хо решил не запариваться над поиском информации

[@trash2trash]

Может дальше переводы начать? Хороший перевод. Смысл передан.

[@rusgames6493]

прекрасное видео

[@stumpjumperfsr]

* Deep Learning * Deep learning is a subset of AI and machine learning that uses multi-layered artificial neural networks to deliver state-of-the-art accuracy in tasks such as object detection, speech recognition, language translation and others. Deep learning differs from traditional machine learning techniques in that they can automatically learn representations from data such as images, video or text, without introducing hand-coded rules or human domain knowledge. Their highly flexible architectures can learn directly from raw data and can increase their predictive accuracy when provided with more data.

[@Xenony100]

Все понятно пока....Погнали дальше!

[@СофияШилкина-ж5ж]

14:15 как мы можем перемножить эти матрицу и вектор, если матрицы могут перемножаться, только если число столбцов 1 = числу строк 2. получается, строк к векторе 784, а столбцов в матрице 28? я не могу понять

[@nikitas3729]

от куда вы 28 взяли?

[@linkernick5379]

Парни, спасибо за перевод, вы большие молодцы! Есть маленькое замечание, русскоязычный голос звучит странновато, если воспроизводить видео в ускоренном режиме, тембр голоса неузнаваемо меняется независимо от параметра ускорения, от 1.25х до 2х.

[@linkernick5379]

UPD: это искажение голоса только на IPad, на Андроид-телефонах и на десктопе под Linux всё нормально.

[@Mihail_Lazarev]

Что-то я не понял со вторым слоем. На виде это с 8:57 и до 12:00. Как нейрон и из второго слоя определяют что перед ними именно кусочек кружка или другая маленькая деталька. Как может работать подсчёт взвешенной суммы? Пожалуйста объясните кому не сложно, если конечно кто-то здесь понял это.

[@bogdanan5643]

11:35 - Разве bias не должен быть за функцией, тем самым уменьшая средневзвешанную? А так мы просто вмешиваемся в функцию.

[@1Hanch]

Если он будет за функцией, он ее будет опускать поднимать, а нам нужно смещение вдоль x(лево-право), и чтобы значение функции была от 0 до 1, поэтому внутри

[@atillaattila8900]

Спасибо за информацию Очень сложно

[@bublik20]

Очень крутое объеснение

[@ibraim3197]

1) Существуют ли стандартные форматы хранения моделей нс (обученой сети) ? может какое-то расширение xml. 2) Правильно ли я понимаю, что вычислительноёмко только обучение сети, а само использоваине - не особо?

[@Orakcool]

Все правильно - обучение сложный процесс, который требует огромного распараллеливания *(конечно зависит от размеров сети). А прогнать матрицы можно и на микроволновке)))) Формат зависит от фреймвока

[@Shamshurin_Alexander]

Вопрос Как делаю такие анимации Всегда было интересно, но никогда не узнавал

[@АндрейАладьев-г1ъ]

Гораздо проще это объясняется с точки зрения геометрии. Сначала мы выбираем характеристики, получаем н-мерное пространство характеристик. В этом пространстве у нас есть точки. Затем мы строим н - 1 мерную плоскость, чтобы разделить характеристики на 2 группы. Она определяется с помощью матрицы и и оффсета. По сути задача построения модели для обучения есть построение различных плоскостей, которые будут эффективно делить наши характеристики на каждом этапе до получения результата.

[@aviator1472]

Я ни черта не понял

[@ЕвгенийКовалев-к2е]

Будет продолжение? Очень интересно

[@АнатолийНовиков-ч1п]

Каждый вправе выбирать своё будущее. И мы идём в будущее, которое сами выбрали! Пусть мы не знаем, что будет завтра, но ради него мы живём на полную сегодня!

[@mikhailzhitnikov3715]

Шедевр