Структура и принцип работы полносвязных нейронных сетей | #1 нейросети на Python

[@grxoxl]

Боже, сколько знает этот человек, просто невообразимо. Такое множество разных видеокурсов, порой совсем не связанных! Спасибо большое за ваш труд!

[@firestormdeadbringer8167]

Боже.... Разложить эту выходную функцию на составляющие, а то такое ощущение что вас произвели через аминь

[@xonarve_1084]

На условие "наличие квартиры" можно было и побольше вес накинуть)

[@АлександрШейка-ц5ь]

Девушка еще слишком не опытна.

[@mrzxccxz]

Такой вес был нужен для наглядности, как ни как мы учим нейронные сети а не психологию.

[@EscaliburM982]

вес 0,9

[@WitcherCoin]

@@mrzxccxz правда что-ли? а мы думали он серьёзно писал.

[@denisevp9431]

@@WitcherCoin 🤣

[@PrivateProxy]

А я то думал что у женщин в голове а тут все понятно рассказано спасибо!

[@iforvard]

Рано тебе ещё думать.

[@PrivateProxy]

@@iforvard ты про что?

[@Osm766]

@@PrivateProxyставит себя в высокую позицию принижая тебя,не отвечай на такие утверждения

[@BlbYfeq-f4o]

там слоев больше и свяжи сложнее, а так , да, принцип именно такой))

[@sergeimerekin8193]

@surf Она позволяет хранить сразу всю структуру слоя, каждая строка - отдельный нейрон, каждый столбец - его входные веса. Делая скалярное умножение(dot) этой матрицы с вектором выходных значений прошлого слоя, на выходе получим вектор результирующих сумм для всех нейронов текущего слоя. Теперь осталось прогнать это через любую не линейную(пороговую) функцию, и мы получим вектор выходных значений! Эти значения уже поступают на вход в новый слой - скалярно перемножаясь с матрицей этого слоя, и так по цепочке до самого финального слоя нашей сетки.

[@sarutor1234]

Спасибо за контент. То что ты делаешь, имеет большое значение для тех кто хочет реально учиться. Мне нравится смотреть твои видео.

[@nayybmar]

это самое лучшее объяснение, которое я когда-либо видела, правда. все разложено по полочкам, ничего лишнего. однозначно лайк

[@АртемПотапов-т7я]

Самое понятное объяснение нейронок для чайников на всём ютубе! Спасибо огромное!

[@алексейтрапезников-м5щ]

наконец-то понятный разбор нейросети!а то все остальные больше выпендриваются как они умеют и ничего не объясняют толком

[@cinemagames4005]

Обожаю слушать людей, которые умеют объяснять. Большое спасибо.

[@СарматПересветов]

Очень хорошо объясняете, на пальцах, как в начальной школе. Спасибо

[@yporotxx]

Я очень долго искал видео, где пойму хотя бы примерно, что это такое, в основном несут какую-то дичь и приводят примеры, от которых хочется застрелиться, благодарю, благодаря вашему видео я примерно начал хотя бы понимать саму концепцию нейронной сети, и что это не магия, а продуманное перемножение матриц на строку с ветвлениями, когда я это понял, стало немножко полегче, буду дальше смотреть ваши видео спасибо!

[@admi_nw]

Если кому интересно, после прохождения урока можно сделать пару практических задание для закрепления, мне это сильно помогло, оставлю их здесь: Заданий 1 (с планом действий): Создайте простую нейронную сеть, которая определяет, является ли данный фрукт яблоком или апельсином, на основе трех параметров: цвет (красный = 1, оранжевый = 0), форма (круглая = 1, продолговатая = 0) и вкус (сладкий = 1, кислый = 0). Веса придумайте самостоятельно. План действий, чтобы не запутаться: Инициализируйте входные параметры и веса для нейронной сети. Создайте функцию активации, которая будет использоваться для определения выходного значения нейронов. Сделайте функцию для расчета выходного значения, пусть она принимает на вход цвет, форму, вкус, и возвращает фрукт, в ней: В ней задайте входной слой, придумайте веса Вычислите значения первого скрытого слоя и примените к ним функцию активации Вычислите выход сети и примените к нему функцию активации В зависимости от выхода сети, выведите название фрукта Задание 2 (самостоятельно): Без подсказок создайте простую нейронную сеть, которая предсказывает, понравится ли человеку фильм, основываясь на трех параметрах: жанр (боевик = 1, комедия = 0), продолжительность (длинный = 1, короткий = 0) и исполнитель главной роли (любимый = 1, нелюбимый = 0). Веса придумайте самостоятельно.

[@VeselijDrozd]

Можешь, плз, объяснить по первой задаче? Я не понимаю. Он должен выдать либо яблоко, либо апельсин. Что он должен выдать, если форма = 0? Или если он кислый и красный (оранжевый сладкий). Я не совсем понимаю задание.

[@admi_nw]

@@VeselijDrozd На ваш выбор установите веса, просто реализуйте нейронку а веса пока что поставьте рандомные, потом сами придумайте их

[@tanyaba6704]

Просьба проверить! """ color : красный = 1 оранжевый = 0 shape : круглая = 1 продолговатая = 0 taste : сладкий = 1 кислый = 0 пороговое значение для определяющей функции: 1 - яблоко 0 - апельсин """ def act(x): return 1 if x >= 1 else 0 def go(color, shape, taste): #решающая функция x = np.array([color, shape, taste]) #вектор вводных параметров w = [1, 0.5, 0.8] #веса связей weight = np.array([w]) #превращаем в вектор массив весов sum_in = np.dot(weight, x) y = np.array([act(x) for x in sum_in]) #выходные значения print('Выходное значение НС' + str(y)) return y color = 0 shape = 0 taste = 0 res = go(color, shape, taste) if res >=1: print("Это яблоко") else: print("Это апельсин")

[@Nyamond]

К первой задаче весы придумал кому надо и граничное значение для нейрона: Чтоб не спойлерить, читайте ниже. Цвет: 0.8975 Форма: 0.088 Вкус: 0.2342 Гр. Значение: 0.1558 У меня всё работает нормалёк с такими.

[@morispioneer632]

спасибо. А продолговатая форма - это яблоко, апельсин или ни то, ни другое ? Не подскажете, где просмотреть / почитать что такое нейросеть и какие идеи лежат в основе слоёв и весов ? Хотелось бы пример из жизни, поясняющий этапы анализа нейросетью сущности....

[@skadi760]

Визуализация с девочкой это самый лучший и понятный пример работы нейрона, который я видел

[@JoparezkinEMVI]

Теперь мы знаем, что у женщин в голове всего 6 нейронов с:

[@fierronone4141]

Классно объясняешь, без ненужной тонны формул, как это делают многие

[@Elias_IV]

Это лучшее, что я смог найти в интернете для самоучек. Только благодаря вам я - глухой дум-думб смог написать первую НС. Огромное спасибо

[@dahtes2107]

Годная тема, как вступление очень зашло, главное по сути без воды

[@sergeyv1534]

Урок - супер! Пример - класс, многое стало более понятным и что удивительно не только в нейронных сетях. Лайфхак для обучающихся - запустите пример с «Git» у себя на локальном компе, выведите промежуточные результаты хотя бы «print»-ами шаг за шагом - очень способствует усвоению материала.

[@erasablemind5823]

Большое спасибо вам за ролик! Ваши иллюстрации работы входов нейронов помогли понять эту тему, да и в целом все объяснение очень лаконичное

[@unabletoluxury]

Мужик, ты реально выручаешь, у меня на курсе методов оптимизации быстро прошлись поверхностно и заданий вывалили огромное количество, хорошо хоть твой канал нашел

[@BySviat]

Спасибо! Очень понятно расписал. Всю ночь до этого читал статьи и смотрел видео, а тут прям простым языком. Спасибо!

[@АлександрВальвачев-я6ъ]

Супер! Спасибо, редкий талант объяснять.

[@andrus3125]

Золотые примеры в ваших роликах, на них очень легко все понимать, а главное запоминается

[@senkamatic8448]

Супер-пупер крутяк!!!! Долго до меня не могло дойти, что к чему вообще! Да ещё эти скрытые слои

[@Regina_in_youtube]

Спасибо за лучшее объяснение с кодом Python и смешной пример!

[@atommax_1676]

Я потратил 2 дня читая туториалы и объяснения а тут понял мгновенно. Спасибо большое

[@ПавелГолубев-п8о]

Спасибо большое! До этого момента вообще мало представлял как создаются подобные сети. А оказывается всё в целом просто Очень наглядно и понятно)

[@maximbitarov2767]

Спасибо! Не думал что от уроков можно получать удовольствие!

[@vviishnya]

автор, спасибо большое, очень интересно и доступно объясняете!

[@Zrimbi228]

Боже, спасибо огромное, я так долго искала кто сможет нормально объяснить это, спасибо большое!!

[@a-lobanov]

Добрый день. Большое спасибо за Ваши подробные занятия! Заплатил за обучение Data Science 100000, но качество обучения такое, что приходится более 80% информации искать самому. Во время очередного поиска познакомился с Вашим видео по Numpy и каналом. Теперь осваиваю структуру НС с помощью Ваших занятий. Большое спасибо за то, что Вы делаете. Также, увидел, что у Вас есть курсы на Степике, за что тоже большое спасибо!

[@ap370i5n]

цель была достигнута, спасибо. не задумывался что все в итоге сводится к перемножению матриц с ф-ей активатором. Волшебство потихоньку становится понятнее

[@sergey-lavrov]

Спасибо за Ваш труд! очень доступно, учусь по Вашим лекциям с удовольствием, отличное подспорье для новичков в ML

[@userqh67vey6]

Когда учился, на нейронные сети подзабил (не заходили они мне в том виде, в котором они были 20 лет назад). А сейчас заходит на ура. Лайк за видео!

[@romastep6576]

Просто о сложном и с приятным голосом, спасибо 🙏

[@peacedos1]

Если такой гуманитарий как я смог это понять, то и другие тоже. Спасибо за ваш контент, редко можно встретить такие гайды

[@СергейКондулуков-з9ч]

Спасибо вам за замечательный курс по Python. Сейчас прохожу его.

[@DimaEsaulov]

Спасибо большое такое в российском ютубе не найти

[@shKolyan369]

а где тогда находится это видео? хмм

[@lend_of_discovery]

@@shKolyan369 хаххахаах

[@youtubeyoutube6205]

Сформировалось, и сформировалось еще одно понимание, а именно что ты красавчик

[@egorzavalo4712]

Спачибо, хорошо объяснил принцип. Вообще удачно🎉

[@Guzaliiagapurova]

Контент на вес золота, спасибо 🔥🙌

[@olehberehovyy1002]

Благодарю. Очень нравятся Ваши лекции. Лаконично, понятно и есть возможность "поиграться" самому. Удачи!

[@Skirter]

Ой ой ой, только первый видео ролик, а уже на примере с реализацией котелок начинает нагреваться, спасибо автору за ролик

[@eritas777]

Спасибо за твои видео. Очень понятно объясняешь.)

[@Коктейль-й8с]

очень хорошая подача материала! прям сразу лайк, редко отписываюсь, но тут нужно прям)

[@ViktorKataev]

Спасибо! Очень интересно и легко для понимания!

[@progerpython1056]

можно конечно это реализовать с помощью условий, но так как вы рассказали по интересней. Спасибо за видеоряд👍💪

[@progerpython1056]

a = input("хата есть: ") b = input("рок слушает: ") c = input("кросивый: ") a1 = 0 b1 = 0 c1 = 0 r1 = 10 if a == "да": a1 = 1 if b == "да": r1 = 10 - 1 if c == "да": c1 = 1 o1 = a1 + b1 + r1 if o1 > 10: print("я ему дам") else: print("не дам") #написал упрощённый вариант, кажется какую то функцию сей вычислений забыл. Но видео топ

[@ОстапСамсонов-е9в]

Отличное и последовательное объяснение о перцептроне, спасибо! Прочитал десяток статей, но не мог найти объяснение кода, а если оно и было-казалось очень сложным, только после этого видео понял что к чему)

[@kpacccavchik]

абалденный урок! ты красавчик! ты мне нравишься!

[@nadyamoscow2461]

Как всегда, супер объяснение. Большое спасибо!

[@vitaliyhusti]

Нереально крутое, понятное и легкое объяснение! Спасибо so much!!!)

[@человек-ъ4м2б]

! Спасибо ! за суперский материал и объяснение!

[@МухаметджинТимур]

Супер! Спасибо за урок, понятно все с первого раза!

[@АлексейПротасов-п6э]

Объясняете самым доступным языком для гумов,с меня лайк и подписка

[@paulkarkarin466]

Спасибо. Классно объяснил и на пальцах, и на пайтоне.

[@noname1999x]

Аааа!!! Очень крутое видео! Автор просто гений! Спасибочки за простое и понятное объяснение ❤️

[@mihail000]

Женская психология в трёх нейронах

[@Andre-mp4ii]

ахахахах

[@xvostov_k]

Автор красава, единственный кто норм все расписал, спасибо

[@leomysky]

Спасибо большое за такие качественные и понятные видео!!!

[@staskss4727]

Спасибо !!! Понятно и интересно. А главное в точности описывает интелектуальный потенциал большинства милых Девочек.

[@pppppp5681]

ыы какое умное замечание, сразу видно, что вы то сверхразум. невероятно просто, как мужики умудряются приплетать "таких плохих и ужасных женщин". тем более, что с вас тупых мужиков взять, только квартиру, даже красотой то не отличаетесь :)

[@28strelok]

Вот это урок просто супер наконец понял что к чему. СПАСИБО

[@МэриКирилова]

спасибо за видео,все очень понятно,для профанов и новичков))) Р.S.читая комментарии,хочется сказать,что не все женщины такие))сейчас таких и мужчин много)))

[@ilminsky]

Гениальный пример.

[@defeffefef]

очень интересно слушать

[@alexeykulikov6706]

Шикарно объяснил, теперь придется с этим жить

[@galinaba8870]

Лучшее объяснение !

[@horseman3253]

Good, better than any other in youtube!

[@АнастасияСтепанова-м2н]

Это невероятно крутое объяснение, спасибо

[@АсельАртыкбаева-и1в]

Благодарю!

[@Dmitrii-Zhinzhilov]

Благодарю! 👍💯

[@Poriks]

Отличное видео, только тем кто не знаком с векаторами и матрица я бы порекомендовал сначала пару видосов посмотреть, чтобы освежить в памяти школьную Программу

[@selfedu_rus]

без математики в машинном обучении вообще нечего делать )

[@muxammederaiev733]

Очень крутой урок! Спасибо !

[@ВикторЧеботарь-з2в]

Спасибо за урок)

[@РусланАнатольевич-д1з]

Спасибо за контент. В ходе экспериментирования с разными входными данными заметил, что КРАСИВОМУ парню с квартирой и слушающему рок девушка говорит созвонимся, хотя на 8:35 говорится, что для КРАСИВОГО парня остальные 2 фактора не важны и следовательно ответ должен быть "Ты мне нравишься".

[@selfedu_rus]

сети разные, сначала с одним нейроном, потом с тремя и работа у них получается разная

[@osvab000]

Хорошая тема!

[@aneleg233]

Огромное спасибо!

[@fancor5478]

Всё понятно, спасибо 😄.

[@JohnLee-bo9ft]

Вся суть популярного подхода к машинному обучению в одном этом видео.

[@Yurec10]

Вывод из видео: у девушек при выборе парней работает нейросеть всего с одним слоем. Надо это учитывать при общении с девушками

[@wertyozok5347]

если парень красив, слушает рок и имеет квартиру, у девушки не будет к нему симпатии, так как оба нейрона будут иметь значение 1, т.е. на выходе будет умножение матриц [-1,1] * [1,1], и в итоге получится 0. Получается, первый нейрон отвечает за то, что девушка не сможет вытерпеть рока на хате, даже при условии что он красив и имеет хату :D

[@РоманГригорьев-с8й]

идеальный пример девочки в наше время))

[@Дәмдіәрітез-ч8п]

Классно объясняете ❤

[@Armada2010]

Наконец то кто-то объяснил женское мышление )

[@АльнурЮсупов-т9с]

Чтобы скалярно умножить матрицы нужно, чтобы у первой количество столбцов должно было быть равно количеству строк второй, почему в sum_hidden = np.dot(weight1, x) это не так?

[@fleshroyal2277]

18к просмотров, а всего 900 лайков( Большое спасибо за столь подробный материал)

[@C.Mihail]

Какую литературу по нейроным сетям порекомендуете?

[@alexeypriw4085]

Ты мега крут Чумба)

[@АндрейМалахов-т9м]

Спасибо все очень понятно

[@morispioneer632]

пиздец, сказал что это связь от j-го нейрона к i-му нейрону, но не сказал откуда берутся j и i и в каком они диапазоне... Но смысл весов объяснил хорошо

[@mrzxccxz]

Не знаю как будет дальше но пока это лучшее обучение нейронным сетям на русском.

[@PhyzmatClass]

7:56 с простой сетью это тоже возможно 0*0,5-0*0,5+1*0,5=0,5 значит f(x)=1 будет встречаться.

[@user_name888]

Спасибо!

[@kirpi2019]

внешность все таки главное))

[@nikolaydd6219]

Наконец то я всё понял =)

[@from_spb]

Добрый день, помоему вес у рока должен быть -0.3 в примере, а на 0.3. Так как если у рока вес + 0.3 прибавляем + 0.3 квартира и получаем 0.6, функция активации верхнего нейрона выдаст 1.

[@DaniilMusin]

Супер!

[@ДмитрийКоротаев-ь7н]

А в чем замысел делать нейросеть на python с скрытым слоем(+2 нейрона)? Немного непонятно. А в остальном отличное объяснение, особенно если с ручкой и листочком попробовать всё после просмотра записать, ложиться замечательно! Если уже был где-то ответ, камнями не кидайтесь :D

[@ImpersonalEntity]

После 10-ти просмотров всё стало понятно

[@adultart]

Теперь я понимаю, как жена меня выбирала. Вот именно по этим трем входным параметрам.

[@trvru]

Первое видео для людей без диплома физмата в кармане

[@Web3Day]

Комментарий тебе подлиннее для продвижения, обьясняешь очень круто. Тема мне очень важна, надеюсь с твоей помощью вольюсь, ролик до конца досмотрю, так что благодаря этому выпадешь еще пятерым в рекомендации благодаря этому. У меня просто несколько своих каналов. На одном 20к.

[@fancor5478]

У меня появились вопросы. После 2 слоя нииронов когда мы получаем 1 и -1 мы их должны домножать на 1 и суммировать? Веса после 2 слоя подбираем сами (1,-1)?