Новое видео по нейронным сетям: kzread.info/dash/bejne/eYhqy8-KdNvXm9I.html

Лучшая лекция по нейросятям для чайников!

Очень, ооооооооооооооооочень интерестно! Большое спасибо!!!

Прекрасный ролик! Жаль, что ему пять лет. Буду ждать актуальные ролики!

Nvidia мужики вы топ

Спасибо за уроки! Я написал java трехслойку)))

Грамотная презентация.

1:05:00 прошло пять лет - прогноз сбылся?

Парень знает о чем он говорит, но обьяснять он не умеет. Все что он сказал поймет лишь человек, который уже знает что такое НС. А тот кто не знает не поймет что там за ядро свертки, про которое он говорил. Потому что он не объясняет термины, которыми оперирует. А вообще по лекции скажу, что ничего нового не услышал.

52:10 Основной посыл

Идеально .. Дима , а можно как то с тобой общаться ?

Я считаю, если человек способен сказать о сложно простыми словами, он разбирается в теме. Тут все свалено в кучу...

Уже качаю opencv

Дмитрий приветствую, у меня есть проект который нуждается в машинном обучении или нейросети . Ттут нет не каких контактов как можно с вами связаться для консультации или возможно работы над этим проектом. Как можно связаться с вами?

@stepankornyukhin399

4 жыл бұрын

Начни с изучения русского языка

Компьютерные алгоритмические нейронные сети являются основой для искусственной ИМИТАЦИИ интеллекта! Вот так будет правильно.

@inbuckswetrust7357

5 жыл бұрын

Это смотря что вы подразумеваете под термином интеллект :) интеллект есть и у червя, другой вопрос в его уровне.

Алгоритм обучения, создается методом тыка ! подходит не подходит, говорите простым русским языком, избавляйтесь от английских слов. Английский язык собирательный из блоков... далее додумывайте сами

бла-бла-бла. Ни один не сказал, как это помогло ему на практике.

@KlinovAS

4 жыл бұрын

молодец! правильно подметил. 10 чел что-то сделали, другие только об этом и говорят. На этом все остановилось

Вода для чайников. В основе любой такой херни еще лежит совет: пользуйтесь пайтоном, там есть готовый репозиторий с библиотекой... бла бла бла... просто подключаете, ничего не нужно делать заново, просто подключаете и учите. И сеть стала просто игрушкой, которая не усовершенствуется дальше. Да и заслуга нейросети не в подстройки, а в разложении на слои. Я без нейросети обучаю программу распознавать числа, текст и даже звук. Причем быстрее работает. И все дело в оптимизации. А сама очень медленная. Она не вычисляет сложную функцию, которая изначально задает свои зависимости. ВОТ ВАМ ВОПРОС НА ЛОГИКУ. Человек будет крутить руль в разные рандомные стороны чтоб понять что для поворота влево нужно повернуть руль влево ??? Мы делает только первый шаг случайный, другой уже обдуманный, а третий нам кажется что мы вычислили линейную зависимость (функции), на на третем шагу оказалось, что линия графика изогнутая и человек подстроится и под нее. И все это за долю секунды. Три-четыре входных данных. Не тысяча разбитых автомобилей, не две тысячи. Я сажусь за неизвестный мне экскаватор, пробую разные рычаги и если их там 4ре, то мне нужно только 6 или 7 попыток сделать тестовых, чтоб все понять что за что и в какую сторону работает. Посадите нейросеть за трактор. Это компания выбрасывает деньги в воздух просто.

@AndreyVarlamov

6 жыл бұрын

У тебя только вариантов включения 4-х рычагов 16(если у каждого рычага 2 положения)... В школе этому учат. Теперь возьми изображение 8 бит 3 цвета 100px х 100рх. Сколько "рычагов" будет в таком "тракторе"?

@KlinovAS

6 жыл бұрын

Неет. А 'это ты так так думаешь и учишь этому нейросеть. 4 рычага = 4 варианта, В рычага есть два положения кроме нейтрального. А значит противоположное действия мне известно. (false=not true). Один из рычагов если нажать вверх повернет влево или вправо. И когда я узнал что вниз=влево, то я вычислил что вверх - это вправо. Я могу даже не пробовать. Поднять стрелу тоже от себя = +1 попытка. вытолкнуть от себя +1. В итоге =5. Ну а чисто из за страха могу перепробовать 8 вариантов. Что касается распознавания букв и цифр, то мой алгоритм предельно прост и точен. Если бы ты сделал программу с нуля по разгадыванию японской головоломки, то сразу бы понял почему я именно этот прием применил. Объясню максимально просто. Я обучаю например цифру "1". Не буду сейчас объяснять, что за маштабирования отвечают просто слои. Что /-\| вычисления это предельно просто и для этого вообще не нужно никакой нейросети. Я беру уменьшённый экземпляр (он выравнивается по уровне) и указываю что в точке G7 (если использовать для матрицы шахматную доску в качестве примера) должна быть точка 100%, в точке G5.G3.G2 - должна быть точка 100%. В E7,C5,..... - не должно быть точки 100%. Это всего лишь пару точек. Программа сравнивает и выдает тоже 90% что это действительно "1". Если программа в чем то не уверенна, то она добавляет просто дополнительные контрольные точки. Я не сканирую всю матрицу. А зачем?? Ты покажеш ей член, а она скажет - это "1". Она должна тебе дать результат "я не знаю что это такое". Ловишь разницу? Твоя нейросеть будет все угадывать из 10 вариантов. Можешь хоть китайский язык ей показывать. А моя программа четко показывает что вот это = 1, это 5, это 2, а это я не знаю, меня такого не учили. Я также могу акцентировать +100%, +20%, +1000% что там должна быть точка или не должно быть точки. Все это прекрасно работает и учитывается. Мне легче писать оптимизацию. Моя программа может самостоятельно расставлять точки для нового символа, который только что обучил. Я вижу как думает алгоритм. На основание чего сейчас будет тот или другой результат. А ты не знаешь о чем думает нейросеть. Ты ей картинку с членом показал, а она тебе результа покажет - "1", потому что ей кажется это похоже на "один". Вот и вся разница. А вы тут такую академию открыли, еба... дела дрова. Охереваю просто. Даже музыка у меня банально просто распознается - дубликат, измененный эквалайзерами. Да что там. Фонограмму (минусовку) и плюс - находит! От сейчас работаю над алгоритмом, что ноты выдавала с музыкального файла именно то что поет певица или певец. Нереально? Посмотрим. Я на графике вижу отчетливую картинку когда поет и в каких герцах его звук. В ноты конвертировать остается и разобраться с фильтром, чтоб отбросить немножно пыль изза резкости звука, так как звук бывает глухой и резкий и разница между ними только в том, что резкий имеет подмножество наложений глухими тонами на терцию, кванту, октаву и другие музыкальные интервалы. Никакой супер математики. Все просто. Единственное что использовал Фурье чтоб получить спектрограмму. Чтоб вычислить по нотам что поет артист я использую оригинал и минусовку. Без минусовки пока никак (нужно два файла), НО кто сделал это до меня ?

@KlinovAS

6 жыл бұрын

А вот тебе еще задание. Я придумал какую-то математическую функцию. Это возможно что-то сложное. Но в пределах математики (умножение, деление, квадрат, корень, плюс, минус, синус и так далее). У тебя 8 попыток дать мне входные данные. Я тебе буду давать ответ (буду выщитывать). Ты опираясь на ответ должен моделировать мою функцию. И на 9-тый раз у тебя есть возможность угадать ответ на свое 9тое число. Сможешь? Если да, то поздравляю - это будет основой интелекта. В это я поверю. НО НЕ НЕЙРОСЕТЬ.

@AndreyVarlamov

6 жыл бұрын

Если есть ещё и нейтраль то для 4-х рычагов возможен 81 вариант положений данных рычагов. Комбинаторику поучи, деятель... (выщитывают кстати дети в детском садике)

@KlinovAS

6 жыл бұрын

В распознавании лица у меня была только одна проблема. По каждой сканируемой точки я крутил циркуль по колу сканируя соседние точки, чтоб определить границу. Сразу было видно когда она контрастная. Я немного удивился, когда этот самый простейший мой алгоритм стал идеальной копией фотошоповского эффекта поиска граней. В каждой картинке у меня картина была не полной. То что не под солнцем и не в тени - видно отчетливо, а то что засвечено или слишком замемнено, то либо белое, либо черное. А как искать среднее. Там ведь непропорционально изменятся цвет и разницу между точками для поиска границы найти сложнее, так как коэффициент уже другой. Пришол на помощь слой, который суммарно подсказывал какой ставить коэффициент исходя из уменшенной копии изображения. Все. Грани я вижу отчетливо. Теперь могу применить свой алоритм, который повторюсь еще раз показывает что к примеру глаз может быть такой или такой, но не может быть квадратным. Хочешь, по векторам ищи, по округлениям. Разницы нет. Я подсказываю программе что "вот так может быть", а "так вот никак не может быть". Я ее учу. Я ей не показываю шум и она мне должна что-то выдать. Зачем? Показываю глаз. Тыкаю по глазам ставлю контрольные точки. Дальше тыкаю точки где не проходит линия. Это означает, что там точки не должно быть 100%. Если там будет и я дам поправку, то 100% сменится на 50%. Уже вероятность 50% что точки не должно там быть. Есть такие точки, которые ну 1000% должны быть на своих местах. И об этом нейросеть вообще не догадывается. Ей нужно миллиард тестов пройти, чтоб найти такую точку. А как вы ребенка учите? Пальцем указываешь контрольные точки "смотри сюда", "теперь сюда", "смотри видишь солнце ?". Сказку показали. И там кружок такой желтый. И ребенку говорят "солнышко" указывая пальцем на круг, обводя иногда его. В живую человек схвачивает объект (распознает), но дальше он его моделирует и проектирует в голове в 3D. Это может быть не самая идеальная проекция, но в памяти она держится. И мы просто сверяем то что мы видим и свою проекцию. Собака в лошадь никак не может превратится. Мы бы инфаркт со страху получили. А для нейросети - это норма. Потому что она не моделирует 3D. Ей сложно представить какое действе может сделать двумерный объект. А мы увидим робота, которого никогда не видели. И в нем хоть что-нибудь шевельнется. В мозгу спроектируется все возможные его движения исходя только от одного увиденного движения. Мы знаем чего от него можно ожидать, даже если он просто еще только стоит. Вот это действительно важно!