Искусственные нейронные сети | Глубокие нейронные сети на Python

Краткий обзор модели искусственных нейронных сетей. Страница курса - www.asozykin.ru....
Модель искусственного нейрона МакКаллока-Питтса.
Функции активации: Хевисайда, сигмоидальные функции (логистическая, гиперболический тангенс).
Искусственная нейронная сеть - объединенные между собой искусственные нейроны. Выходной сигнал от одного нейрона передается на вход следующего нейрона.
Нейронная сеть состоит из слоев следующих типов:
- Входной слой.
- Скрытый слой (слои).
- Выходной слой.
Нейронная сеть называется глубокой, если в ней больше одного скрытого слоя.
Типы нейронных сетей:
- С прямым распространение сигнала (без циклов).
- Рекуррентные сети (с циклами).
При реализации проекта используются средства поддержки, выделенные в качестве гранта на основании конкурса, проведенного Общероссийской общественно-государственной просветительской организации «Российское общество «Знание».
Мой канал с краткими и понятными объяснениями сложных тем в ИТ и компьютерных науках:
goo.gl/kW93MA

[@AndreySozykin]

Исправленная версия видеолекции. В предыдущем варианте в презентации у функции Хевисайда оба значения написаны при x < 0. Спасибо Sergey Ufimtsev и Vadim Nikolayev, что заметили ошибку и написали мне.

[@antonshtihov7662]

Наконец нашёл нормальный курс!!! А то одна болтавня!

[@AndreySozykin]

Спасибо!

[@telmani2624]

Это точно! Главное как доходчиво все!

[@user-tu8eu2zc4t]

Андрей, вы находка для меня, спасибо, хорошо объясняете!

[@Bond19991]

Понятно. Конспектирую. Понравилось как четко объяснили о структуре нейрона.

[@AndreySozykin]

Спасибо!

[@vasyapupkin9338]

Спасибо Андрюха, обнимаю

[@AndreySozykin]

+Vasya Pupkin, пожалуйста.

[@AdepTTable]

Электрический заряд накапливается на мембране нейрона а уж никак не в ядре

[@AndreySozykin]

Спасибо за уточнение!

[@user-lg5ut7fn1s]

Спасибо Вам большое, сразу все поняла

[@AndreySozykin]

Пожалуйста!

[@velocity-hz8en]

все очень понятно! большое спасибо.

[@AndreySozykin]

+Green Atec, пржалуйста!

[@Ruslantuber]

Лайк сразу.

[@007Riga]

Спасибо

[@AndreySozykin]

Пожалуйста!

[@MrCollapsik]

Можно предположить ? Что с применением рекуррентных сетей можно в дальнейшем задавать норматив цикла жизней и тем самым программировать/моделировать под нужды имеющегося ?

[@AndreySozykin]

К сожалению не понял, что имеется в виду.

[@MrCollapsik]

​@@AndreySozykin ​ Например; Есть система множеств, обозначим эту систему множеств X*n входящих данных Задача моделировать поведение системы под "свои" нужды. Поступающие данные в виде изображения на (к примеру чёрный квадрат) умножается на вес , вес без порядкового номера, так как в скрытом слое могут находиться не одни связи от одного входа, в этом случае одна информация имеющая свой вес, распространяется по всем связям и умножается на каждый и в дальнейшем на каждом скрытном слое чей вес составил больше 0.5, считается валидным и отправляется на функцию активации, что в дальнейшем нам даёт результат . ​ Когда на поступил кадр из "красного квадрата" в виде изображения, связи все проходят процедуру как на предыдущем этапе перемножения весов W*n, и если веса не подошли больше 3х раз, то рекуррентным методом, полученные данные от после 3 слоя (ячейки) отправляются на условно N-ячейку, отвечающую за уникальный кадр "красный квадрат", что в дальнейшем уходит на функцию активации и в Модель один ->ко многим-многие ->к одному Возможно такое предположение, о программировании модели поведения системы по признакам как "чёрный и красный квадрат" в целях исключения в дальнейшем одно или другого из системы множеств или обоих ? Как будут примерно выглядеть данные после функции активации, что бы различать признаки "чёрного и красного квадрата" ? Или под каждый объект нужно создавать свои функции активации и давать отдельный выход, что бы понимать что от чего, или с помощью представления/понимания какие данные должны быть при получении, можно понимать что выход значения как 0.7 "чёрный квадрат", 0.8 "красный квадрат" и функции хватит одной для этих двух задач ?

[@user-vn5wv6ix7z]

Здравствйте Андрей я хочу начать осваивать python я буду использовать ваши уроки

[@AndreySozykin]

Приветствую. Мой курс по нейронным сетям, для него уже лучше знать Python хотя бы немного. Учить Python я рекомендую на сайте pythontutor.ru. Он бесплатный и там много упражнений с автоматической проверкой.

[@user-vn5wv6ix7z]

@@AndreySozykin спасибо большое Андрей

[@4ykagekz975]

Андрей, все классно, но вот интонация у вас слишком убаюкивающая. Вы как-будто детям сказку на ночь читаете, а не лекцию. Кроме этого - все остальное по делу

[@AndreySozykin]

Согласен, над интонацией и энергией еще нужно работать.

[@4ykagekz975]

Если вдруг интересно, с чего можно начать - например, с темпа. Немного его разнообразить - читать основной текст чуть-чуть быстрее, а в нужных местах - там где говорится ключевая информация немного замедлять (это создает акцент) и делать небольшие паузы. Можно просто где-то читать побыстрее, где-то помедленнее. Это уже добавит живости. И, еще, кстати важно - интонация в конце предложений. У тебя тут (если я правильно услышал) она одинаковая, то есть предложения все равнозначны и поэтому структуры речи не получается. Просто объедини их во фразы по смыслу, и старайся говорить фразами, а не предложениями. Хотя, может быть ты и так это знаешь, но если хоть чем-то помогу, буду рад. А по самому материалу - очень доступно и понятно. И еще вопрос - я думаю заняться программированием нейросетей. Какие области знаний нужно охватить, чтобы делать это на высоком уровне? Можешь порекомендовать какие-то серьезные книги?

[@AndreySozykin]

Спасибо за советы. Из серьезных книг мне нравится www.deeplearningbook.org/

[@prinshamlet5942]

Ставь скорость видио 1.25 в настройке рядом с субтитрами и норм будет. Андрей читает так как ему удобно, с нормальной дикцией.

[@4ykagekz975]

@@prinshamlet5942 Дело не в дикции. А в выделении важных мыслей. Паузами и интонацией.

[@mydiamondsdancing5869]

ПРРРРРРРИВЕТ