有一点需要指出的是,BP算法是由Hilton推广开的,但第一个将BP使用在神经网络训练并论证的人应该是1975年Paul Werbos在他的博士论文中提出的,《Beyond regression : new tools for prediction and analysis in the behavioral sciences》
2021年4月6日看李老師講座,11月完成了coursera上斯坦福大學Andrew Ng教授的一個入門級人工智能課程,在此之前先把線性代數學下來,and in the last month of the year I replay the games leisurely and enjoy everything and get prepared for the next stage of exploration.
我讲机器学习有16年了。惊奇李永乐老师对概念表达准确,快速,思路清晰,像似有至少5年以上经验的专业大学老师。唯一的错误就BP算法的意义,BP算法主要解决了神经网络多层之间信息传递过程的误差损失和误差计算。无论如何,李永乐老师你就是奇迹。
这难道不是给华为打广告的吗😒
我猜是团队合作的成果,李永乐应该请教过这领域的人
@@yazhoujunli2633 不像是团队,备课授课不适合团队化来做。但可以把章节分给不同的老师来做。
@@AIPlayerrrr 像,非常像,虽然华为有很多有远见的发展方向,但人工智能在国内也不是华为独大。。
智商是王道
这期视频正好符合我的专业,绝大部分都听得懂,不过我也越来越佩服李永乐老师的博学和口才了。
全能型选手
特斯拉属于ai吗?
@@Infinix_note30pro 自动驾驶
@@Infinix_note30pro 机器学习是实现人工智能的一种方法。
深度学习是实现机器学习的一种算法OR模型,深度学习是基于深度的神经网络的。
自动驾驶就属于机器学习。
所以自动驾驶当然是AI。
那自动驾驶断网了咋办?
可以看出李老师智商非常高。说话言语清晰有条理。而且无用停顿几乎没有。现实生活很少可以见到这样聪明的人。
这可以训练
可以有提词器的
我在数学上遇到了亿点困难
合理
看过很多好的人工智能普及的视频,大部分都是从机器学习的基础算法(线性回归,分类等)讲起,李老师这种直接从案例讲起的让人耳目一新。。
第一次真正对人工智能有了粗浅的认识。感谢李永乐老师!
李永乐老师:同学们,为了更好的学习下一节图像识别课程,建议大家复习一遍Python语言,我们下节课主要用Python语言描述卷积神经网络,并且利用傅里叶变换去掉图片中水印内容。
李老师太厉害了,我记得李老师之前说过不太了解这方面,能在短时间内吃透,说得这么详细,真是厉害。
不过补充一点,关于BP,其实不能算是一层一层调参数,而是一种基于链式法则快速计算偏导数的方法。
比如y=w2*B,B=w1*x,x是输入,y是输出。我们输入x=5,随机给出w1=3,w2=4,则得到B=15,y=60。那么这是y对w2的偏导数为B,即15。同时,我们也知道y对B这个节点的偏导数为4。即B每加1,y应该增加4。那么B对w1的偏导数为5。所以可知,y对w1的偏导数为4*5=20。这样,我们就得到了所有参数w和y的变化关系。如果我们的目标是使y为0,则根据变化关系,我们应该适当减少w1和w2的值,这就完成了一次正向计算->反向传播->参数更新的过程。不断迭代这个过程就是训练了。
上述例子较为简单,不过大家应该也发现了,反向传播计算出来的偏导数值是一次性的,随着输入的改变,参数的改变,虽然偏导数的公式理论上不会发生变化,但偏导数值都是会发生改变的。然而我们最终需要的是偏导数值,而非公式,公式也只是计算偏导数值的一种途径。当神经网络这种结构复杂的函数出现时,输入经过多个隐层,互相交叉,公式显然不是一个好的选择,而反向传播只需要知道相邻层神经元之间的变化关系,就可以了,计算更简单,复杂度更低。
太厉害了。似乎明白了。
有一点需要指出的是,BP算法是由Hilton推广开的,但第一个将BP使用在神经网络训练并论证的人应该是1975年Paul Werbos在他的博士论文中提出的,《Beyond regression : new tools for prediction and analysis in the behavioral sciences》
李老师的视频知识密度越来越大了。
李老师真是全能型老师啊!人工智能很难理解,李老师的讲解很清晰易懂!👍
我總覺得李老師以後會講文學
啥都懂
@@Andy8787 我總覺得李老師以後會講人体写生
@@glenyu2090 🤣🤣
北大本科,清华硕士。中国最强高中人大附中老师当然强
最近我就在用Matlab学习machine learning。李永乐老师真的太厉害了,短短一个视频竟然包括了那么多概念,总结得非常棒!我打心底佩服!
作为多伦多大学计算机系出身的在读硕士,只想说感谢李老师解决了我多年做的懂却想不懂的问题 !!!太赞了🙀
可是朱松纯教授说并没有人工智能,即使是斯坦福大学,也做不出能承担简单消防任务的消防机器人,得连线人工操作控制。如果你非要说电脑是人工智能,那也没办法,手机都是人工智能呢😄哪里有人工智能?中科大人工智能专业国内最牛,可他们的教授羞于承认自己的专业……人工智能的发明,目前为止还看不到一丝一毫的希望
@@sealee6793 人工智能不是单指智能机器人.指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,博弈,自动程序设计,智能控制这些都是人工智能...
大阪枚方市不二産業の社長服部康博、他用电磁波技术可以远程入侵人的大脑,窃听人的思维,使人患各种疾病,杀人不留证据
作为一名运用机器学习搞研究的通信工程博士,我只能说机器学习是人工智能的一种实现途径。把机器学习跟人工智能划等号,我怕图灵的棺材板盖会不住
@@8allan463 要看人工智能如何定义
26分钟从历史讲到MindSpore, 而且让大多数人都能跟上。李老师刷新了老师的概念
别的老师是一己之力,李老师的背后是一个不少于60人的团队,李老师讲的每一句话都是由本人以及团队准备好的,这种师资力量已经不亚于一个高级中学了。
当然,视频的创作之初,全是李老师一个人做的,而且还做了不止一年。
看了幾年前的視頻跟今天的視頻,猛然驚覺......
老師,您的肚子挺出來了。
咱們,共勉之
认真听讲 想什么呢 哈哈哈
咱俩看到的重点,是一样的 :D
學富5車阿
两年前的视频我都会经常翻出来看,眼看着老师圆润饱满起来
你现在才发现
老師講得非常明確,但人工智能的延伸包括所有:應變能力 知識 智慧 語言 換算 喜怒哀樂表情辨識能力等,主記憶體都完全輸入記憶訊息一應俱全資訊,但就以人和人之間光語言溝通表達就會因不同見解,而產生溝通不良問題出現錯誤與見解,再加每個人反應能力不同,包括不善於肢體語言表達者的顏面神經反應,那機器人如何精確判斷個人心情表現,臉部遭嚴重傷害或刻意整形變臉機器又要如何辨識,此科技的研發到來會不會因過去人與人之間的溝通不良反應及理解能力誤差問題,因而造成誤解而走入憤怒殺人觸犯刑法,而因科技改變為人因憤怒而殺死機器人,造成損毀他人財物而誤觸法律規範行為?包括近代AI瞳孔辨識反應隱形眼鏡瞳孔改變,機器依然容易被矇騙過關,那麼AI機器人的研發要達百分之九十以上不產生錯誤若能走入那個開發年代即可算是了得了,AI機器人是否能達到完全取代人類知識智慧融合行為作出反應,運用與衍生創新和發現,若能達此行為反應能力,爾後也必能取代科學研究人員的事實,這屬個人腦殘思考反應發問
(若有發言不當敬請見諒),但我依然非常認同老師非常有規律的正確講課模式,您是師資優質的好老師謝謝。
一个小小的建议,讲梯度下降的时候可以用等高线来表示二元函数,梯度方向是垂直于等高线的所以是局部下降最快的方向,这样可以让观众更深入理解为什么要梯度下降,因为一元函数实在没有必要梯度下降了哈哈
不是在找斜率最小的点么?
@@TheXuism 一元是平面的,所以看斜率,这里举一元的例子是方便理解怎么找到最小值的;实际作用中是多元函数,不是找斜率
马上考研复试了 之前courera上学过吴恩达老师的machine learning课程 忘得差不多了 看了李永乐老师的讲解 忘记的东西一下子就找回来了 吴恩达老师machine learning前1/3课程里面的精髓都在这里了 谢谢老师🙏
那你考研不是会遇到两位李永乐老师。
@@davidpay4340 当然 哈哈哈哈
知识太渊博了
这种才叫博士,博士这个名字就有误导性(应该称其为专士)
我也是cs学生,谢谢李老师,讲的太好了,直接巩固复习机器学习了。
Counter-Strike? 电子竞技专业??
Pgone S computer science ....
@@zs6511 我还Creep Steal 呢 , 哈哈哈
我只能說老師太厲害了,越來越佩服老師了啦!!!!!!!!!
老師真的把不易了解的東西,以深入淺出的方式讓人清晰易懂
想在學更深入一點的同學,台大李宏毅教授也有更精細的影片喔!!!
這語速講這種專業的內容,佩服
2021年4月6日看李老師講座,11月完成了coursera上斯坦福大學Andrew Ng教授的一個入門級人工智能課程,在此之前先把線性代數學下來,and in the last month of the year I replay the games leisurely and enjoy everything and get prepared for the next stage of exploration.
学了半年,李老师20分钟讲好了,逻辑也很清晰,实在太牛了。
我现在严重怀疑李永乐老师就是一个人工智能高级机器人
我有時也這麼覺得
这方面早就有人开始创业了。
他本来就是电子专业毕业啊
永乐老师比人工智能高级机器人厲害多了
同感
把複雜的技術講解的淺顯易懂 太棒了!
看到了工作中接触到的tensorflow和pytorch, 好亲切啊!
李老师 讲的真好。 这么复杂的东西讲得通俗易懂。另外,李老师口才太棒了,单位时间信息输出量超高,我们接收端不停地 input 振动,听的过瘾。
O益O 追李永樂老師至今,突然發現講了自己謀生的題材,厲害了
從起源開始講起 把很多之前看到的一些不懂的名詞都更清晰了 謝謝
李永乐老师太棒了!覆盖了我半年来的入门过程
我听到“思过思家思社稷,赏花赏月赏秋香”那里惊呆了……
好羡慕李老师的小孩,爸爸就教全科了
智能方面李老師的基因很強大
双减之下李老师成为择偶市场热门
这个视频在学习人工智能的过程中常看常新。李永乐老师水平是真的高。
两会应该提议把李老师的讲座列为高中必修课
不过李老师有一点讲的不是很准确,就是梯度下降算法并不是应用于所有的机器学习当中,比如说经典的knn, decision tree, 和 bayes naive都不是用梯度下降算法来训练的。knn是完全没有训练过程,decision tree 是用了 cross entropy, bayes naive 是用了贝叶斯理论。还有就是机器学习其实分成三大类,李老师这里讲的只是其中一类应用最广泛的监督学习,另外两类分别是非监督学习和强化学习,不过估计以后应该会都讲到吧
李老师的课,只要里面有数学元素,就会非常精彩!
哈哈哈哈哈,感觉李老师是参考了Andrew Ng在coursera的课,但讲的真的挺棒的!个人觉得Bengio的贡献在于对RNN的发展(比如GRU)以及他早期对于meta-learning的研究。
本科生这学期刚好在学机器学习,谢谢李老师!
在哪个学校啊~我们这招实习生,有兴趣吗?
@@karlos9918 我是乔治亚理工的,还招实习吗?
李老师的大脑能够高速精确并行处理大量信息,这是他个人的过人之处,不是任何团队能替代的。也是每个年轻人应努力的方向。
讲得深入浅出,太适合给初学者介绍了
李老师讲得很好! 还更有胆量显示wikipedia作为翻译例子。谷歌脸书什么的在国内也不存在呢。 李老师把这知识带进国内太好了。 大部分孩子还天天沉迷在偶像,主播,抖音里面。
每次老师开始解释数学公式的时候,我都瑟瑟发抖
人工智能的上限,就是人無法給出明確的定義,感情、喜歡、偏好(人的善變)。
而反過頭來說,要讓機器人,犯蠢更有難度(故意的)。
几个月没见李老师,肚子又大了ᥬ😂᭄
李老师的腰围=1.2y+4.7b+c
比之前很多所谓的人工智能大佬讲得清晰很多,谢谢李老师!~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
啊,不错,期待下次的图像识别,刚刚考完机器人视觉,还有一些不太清楚的地方,希望下一个视频能解惑
1. 并行计算。单服务器并行计算略过不提了,目前95%以上的公司用不上跨服务器并行,需要用上跨服务器并行计算的大公司应该有能力自己开发并维护并行计算框架。
2. 二阶优化。这并不是框架的优势,二阶优化是由optimizer算法控制的,和框架无关。
3. 多端。这是行业间,企业间的合作问题,华为有这个体量去推这件事情,谷歌和FB同样也有,而且目前谷歌和FB已经占据先发优势了。
同意,李老师讲基础东西很清楚,但到了最后的前沿介绍和比较,不够深入和客观,带有感情甚至软广告的色彩,最好避免
有了李永乐,各种学科intro course直接过。
哇 好激动!老师开始讲人工智能方面的知识了!好希望老师能出一系列机器学习,神经网络的视频。我们在学校里学了一点点皮毛,但是我觉得非常有意思,很想继续往这个方面深入学习。
人工智能AI真的是在未来会越来越被广泛的运用👍👍
李老师您好,非常喜欢您的视频,尤其欣赏您的科普态度!提个小建议,在用导数的地方,可以简单地解释成切线,切线是高中的知识。其实微积分的部分都可以解释成切线,只不过切线的计算需要用到具体求导数。偏导数就是在一个自变量方向上的切线。
是切线的斜率。
回形针:加张每羊孟心一
李永乐:加公式函数代数
Kurzgesagt: add some birds
回形针就别出来恶心人了
最近刚好在学 太谢谢李永乐老师了 今年考研跟的李永乐老师 科普视频还有一个李永乐老师 可太棒了
我好不容易离开课堂,却跑这儿上课来了
讲得真好!李老师冬于帮助我妈明白了我在学什么!
英文好的小朋友,推薦3blue1brown,油管上介紹機器學習應該他做最好。
有幾集熱門點的影片,甚至可能有機翻中文,搭配影片動畫還算能理解,推薦給數學好又聰明的小朋友。
那个频道已经很久没更新了
人工智能的本质就是非线性回归。初中学过线性回归吧?非线性就是你要回归的函数不再是简单的y=kx+b,也不是相对简单的非线性函数,比如像二次y=ax^2+bx+c... 而是一个相对复杂的非线性函数。至于为什么像神经网络这样的结构能有效进行预测(判断)呢?那就需要知道大学的级数知识:任何函数都可以展开为级数的形式。神经网络就是在构造级数形式,只是所有系数都还未知。
1/(1+exp(-y)) 也叫logistic function,广义线性模型里经常提到,因为它的反函数正好是ln(p/(1-p)),所以很适合做预测概率的模型。不过,以前没注意到这个函数向上和向下分布正好都是0.5呢。不同的领域视角不同,很有意思!人工智能这个课题开得好 ,希望能多讲几期!!(^_^)v
那是不是只要找到一个能够这样形态分布的函数,就可以做这样的应用
模型有適合的,也有不適合的😅
愛因斯坦將
幾何模型用在
Gravity 上,
這個相模型普遍
被認為是合適的❤
這就是廣義相對論😅
李永乐老师真是个全能型的老师!他的学生不管学什么多么高深的深奥的知识或者技术,哪怕是相对论,还是高等数学,永远是神童,因为永远叫“小朋友”
谢谢你,大学以前有学过可是不明白,看了你的视频,好像了解了不少
太感谢李老师了!讲得清晰易懂,把每一步之间的逻辑关系清楚呈现出来。我曾经听过吴恩达教授的AI课,似懂非懂的。
在可见的未来机器人不会产生独立意识,也不会像终结者那样自主学习反抗人类。不过人工智能和机器学习深度计算的发展能帮我们解决科研和生产方面的许多难题,还能提高科研效率
沒意識才可怕
有意識可教,無意識的RND()似,,,發神經的機器~
機器曹操才可怕~
作為一個半專業人士,不得不說,他講的非常清楚。應該是花大時間學習過。
“思国思家思社稷,赏花赏月赏秋香”, 因该是AI最高境界😄😏2019年有机会和最先进的AI🤖️索菲亚对话,感觉距离这个境界还远
十分羡慕李永乐老师的学习效率
是错觉吗,感觉这次李永乐老师讲的非常带劲, 上了大学以后终于能看懂老师的数学了
看到最后原來是華為的業配
哈哈, 開玩笑的, 李老師很優秀, 辛苦了。
柯洁放弃了围棋,从地摊买了一本《Python从入门到放弃》。
言归正传,预测房价的例子有不严谨的地方,换成预测天气会更好。对于房价来说,人工智能的预测结果会反过来影响实际房价走向,造成预测不准确,这种预测对结果造成的误差是不能通过参数弥补的。
大家都只用这个算法买房就行了
李永乐老师所拥有的知识及教法真让人折服!
老师这次的衣服好看
大红大紫😄
感谢李老师的讲解,听完老师的课我甚至觉得自己的dissertation都突破了一大步😂
李老师我爱你❤❤❤
第四次工業革命 (4IR) 指的是從18世紀工業革命開始後進入的第四個階段,它被描述成各種科技的融合,而融合的過程因使得物理、數位和生物等領域科技之間界線難分,故統稱為 網宇實體系統。第四次工業革命,是以石墨烯、基因工程、虛擬現實、量子資訊技術、可控核融合、清潔能源以及生物技術爲技術突破口的工業革命,5G並不算第四次工業革命。[1] 各種新興科技的突破為其特徵,如機器人學、人工智慧、奈米科技、量子電腦、生物科技、物聯網、工業物聯網(IIoT)、分散式共識、5G、增材製造/3D列印 和全自動駕駛汽車。
每次我点开李老师的视频,神经网络智能学习就开始了(输入100 -> 输出1)
I will listen to 李永乐老师 as I sleep and learn Chinese
李老師的教導非常清晰且易懂~
已大力給讚並訂閱,希望之後有機會能看到更多優質的作品!
李永乐老师出一期讲人工智能数学的课程吧,一定买!
李老師有1%的可能性,是人工智能
而且是穿越时空回来的。。
李老师是天才
期待下期
不论多复杂的问题,在李老师这里只需要一张黑板就能解释清楚,这就是水平
李老师的肚子又大了!
老師的影片非常適合失眠的人看
神经网络 只是个“比喻”!!😆
并不是真的像人的神经一样思考和工作🤷♀️
迄今为止也不知道的原理,只知道它在某些场景下好使😂
对,这些名称只是直接利用了灵感来源的名称,像在evolutional algorithm这些优化计算他们还会把一些概念的名称直接从生物学搬过来,像chromosome,allele...
并不是不知道原理,不然也不可能设计出来,只是原理比较复杂,难以具象化进行解释,不过现在也有很多可视化的算法可以对训练过程进行可视化,帮助非计算机专家理解
XAI工作者表示很淦
我来给你打一个比喻:你觉得你自己是怎么判断问题的?你可以想象成你从小到大接触的东西都是样本数据,输入到你的大脑后,造就了现在的你
一切艺术、宗教都不过是自然的附属物。--亚里士多德
人类在两个方向寻找我们存在的坐标,一个是微观领域,一个是宏观领域。
你知道为什么最伟大的哲学家第一名是亚里士多德?因为他为人类社会提供了逻辑框架学。所有的启发性哲学思想,科学都会到他那里去归类。推导出了超自然逻辑。所有的生物跟人类都是一样,都拥有超自然逻辑属性,只是表现出来,外延的自然形态,程度上有差异。 电脑是人类创造的逻辑终端,人类是造物主创造的生物性逻辑终端,在超自然逻辑属性中,物质和非物质(意识)完全可以跨界互通互联。对超自然逻辑属性而言,生命的形态,与自然界人类定义的生命形态完全不一样。换言之,凡有"运动″的物质都是有″生命″的,因为分子,原子,电子都是一个运动体,只不过人类社会科学把它分成有机状态的生命体,和无机状态物质。 且所有的运动都源于一个奇点,这个奇点就是超自然的逻辑的原点。斯密讲的一只看不见的手,造物主的手。。。所有生物体,都是一个逻辑终端。基因的本质就是超然法逻辑的体现。就像人类创造出电脑,它是人类思维逻辑的外延,运用了超然法逻辑的规则,现在成果。包括今后的人工智能,都是人类思维逻辑的外延。逻辑学才是工具。逻辑就是真理,真理就是逻辑,超然法逻辑。创造、构建、关联这个世界一切一切的纽带。就是超然法逻辑。换句话说,超然法逻辑是事物本质的本质的本质,其他东西都是我们观察到的现象。
道法自然,道乃天道自然法理。自然在我们生物领域的地球以内,超自然是整个地球以外的世界,自然是超自然的外延。所谓的道,就是超然法逻辑。看不见摸不着,但的的确确能感悟到它的存在。自然在我们生物领域的地球以内,超自然是整个地球以外的世界,自然是超自然的外延。经典物理和量子物理缺少一座桥,真正的表现超然法逻辑,只有一种方式,数理逻辑。是数理逻辑的本质,把这一切关联起来的。就像数学,不是人类社会的发明,数学是人类社会发现的超自然法逻辑规则。数学符号才是人类发明用于表达超自然法律规则,显形的方法。没有逻辑就没有意识,一切虚无。。。逻辑是超意识存在的。逻辑本身就是一个牢笼,生老病死都是超然逻辑的过程。宗教就幻想解脱,其真正的目的就是逃脱逻辑这个牢笼,只是宗教自己本身描述不出来。万事万物无时无刻,都在受超然逻辑的支配。只是你自己习惯了这种支配,反而感受不到这种自配的存在。这种支配是超意识存在。佛的所谓开悟,就是深深地领悟了这种超然逻辑的支配。
佛学道学都是哲学,基督教伊斯兰教才是神学。神学是逻辑上的彻底虚无,哲学才存在于物质和意识的虚实之间。逻辑承载的意识认知论叫哲学。逻辑承载的物质认识论叫科学。
人工智能和人类的差异就在于模糊运算能力,人类生物性的模糊逻辑运算能力、如果被人工智能超过,主宰这个世界的完全可能是机器。
人工智能在于精确性的运算能力,生物智能的优势就是模糊运算能力。
但两者的传承模式完全不一样,生物是靠繁殖传承,机器是靠复制传承,有点类似单细胞生物。
算法框架越来越完善加上处理器快速计算和彼此间数据交互越来越快,让人工智能在某些方面有很好的应用。人工智能毕竟代替不了人,毕竟人还分情商和智商两种。
情商这个事情理论上跟智商没有区别,都是基于场景的判断问题。只要有足够的数据,就能实现一个具有所谓‘’情商“的人工智能。
中国人工智能主要用于罚款。
哈哈哈,还有领导的东西不小心丢了,马上找回。普通老百姓东西或者孩子不见了AI会失灵
1984的老大哥
职业AI底层框架选手路过, 李老师很厉害, 把复杂的东西讲得浅显易懂.
阿笠博士这一集讲得真好
哪一位?请问可以发个链接吗?
李永樂老師 太厲害了,👍 無所不知
现在的人工智能完全可以形容为人工智障。虽然很可怕但是我希望我们的80 90后有生之年能看一眼真正的人工智能
老師講得真的非常好
AI 後面的大數據越完善
得出的數據越精準!
考試給學生翻參考書寫答
有些學生都可能找錯答案
但如果AI,在程式對應上正確
基本上連接上雲端找答案,不會有錯誤!
除非給的資料不齊全或者錯誤
或者一開始設定的參數錯誤!
AI其實只是,數據指令!
背後的設定才是精髓!
人工智能也是本质从历史存储的数据库中比对调取比较适合提问要求的结果出来展示给用户的,它现在还不是实时的。和人本质上是不一样的。比如你问现在时间是什么时候的或者日期等。它给的是历史数据而不是当下数据。
@@huanzaolan675
如果程式設計不完善
Ai可能從錯誤假資料的數據給你答案
所以大數據資料後台及程式設計應該很重要
@@huanzaolan675
看看我,兩年前說過的話
如今cheepgpt 就誕生了
而我所說的問題一直存在
原以为自己已经有点了解了,结果李老师这课再次教我要谦虚。孤陋寡闻不知道mindspore,下次去玩玩。
”香农是不需要图灵奖了,因为香农的名字被用来命名香农奖“,哈哈
15:00 軸突有處理訊號嗎?? 我以為軸突只是單純的電線傳輸結構 真正做訊號選擇處理的是樹突跟突觸之間的神經遞質是否數量足夠激發下個神經細胞??
17:55 activation function 是機率??
雖然我覺得應該是業配華為 但言簡意賅 介紹的非常清楚~
老師質量真是驚人
人工智能算命将来应该比命理师厉害,而且可以永远学习,人再强都会消失😂
哎哟 偶遇在这儿了
@@彦蝶 哈哈,人生何处不相逢
激活函数那里是不是讲错了?不是概率问题,应该是“信号强度”吧。如果激活函数Sigmoid(x)输入是0,则输出的信号强度是50%;如果是正无穷,则输出的信号强度趋近于100%。
越来越圆