Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
这个视频的一大优点，是不但讲知识和原理，还能把自己学习知识的过程和思考也讲解出来，让人有额外的受益~
❤
高手啊
台灣的小伙給你個讚 說得很棒
居然能夠把很抽象的東西解釋的如此具象，太強了，讚
非常好的分享，感谢！
感谢王木头老师，讲的太棒了，对这个世界的思考非常受用
感谢您的讲解
说的太好了！加油！
我搜索傅立叶变换与图像识别就收到你的视频了。很认同你说的关于傅立叶变换那一部分
非常感謝!
干货满满
非常好的视频
还不错😌，下次项目搞搞
讲的非常好，深入浅出
终于明白我与学霸的在思维和认知速度上的差异了。看他的视频，不仅是在学习知识，更是在学习学霸是如何思考和学习的。
太强了！！！
那猫女的一秒钟让我乐了大半天
Thanks!
謝謝！
類神經網路函式所輸出的值， 若和實際值不同 ，透過 反覆回饋演算法 ，調整函式參數，使函式所輸出的值漸漸趨近實際值❤真理？！😮言重了啦😅
就是傅里叶变换，只不过更复杂，更批量。
200万像素可不是200万个维度哦！图像里面包含多少分析特征才是多少维度
老师国内的卷积神经网络都有哪些公司，想去这样的公司
In “Neural Networks and Deep Learning”, Michael Nielsen provides a visual proof that neural nets can compute any function in chapter 4.
Generate output value ofa function gradually approach the actual valiue by tuning function's parameters ,finally create a ANN mathematicalmodel 😂
❤🙏
是否Local minimum可能會存在 ？！💯
阶跃函数？
机器学习就是统计学习，太对了，需要大量的数据来训练
图像识别提取它的HOG特征应该比整个像素作为输入好很多吧
怎么是分三类呢
讲的很好 为啥订阅这么少
现在无限接近真理的是GDBT了
4:19 的說法，邏輯上似乎出現矛盾，一張狗的照片要如何知道耳朵長或短？CNN似乎是對整張狗的圖片做訓練，能單獨識別出狗的五官？
是神经网络，不是卷积神经网络。神经网络是一个更大的概念，可以端到端的用卷积神经网络直接训练，也可以输入结构化数据进行训练。这里只是为了方便理解，用耳朵长度这种我们能理解的特征来举例。其实，卷积神经网络也是在识别特征，只不过这个特征到底为什么是这样的，我们人很难给出解释。
@@wkaing CNN本身对边界比较敏感，在某些层上应该会有能识别到耳朵的信息
中间是不是有一个猫女？
留个作业给你们：为什么人类学习不需要那么多的数据
假设人肉眼分辨率大约为1080p，帧率约24fps，求你一辈子双眼所接受过的数据量。
@skyacaniadev2229 作业不及格 打回重做
竟然我是第一个订阅？！
差一点点就是第一个，不过你是第一个留言滴
长治二中类？校友吗？
看見777，我點個讚變成778
狗也有胡子
我實在看不出類神經網路會湧現智能或智慧 (Intelligence)😢在應用數學上 它是屬於 Numerical Analysis 這個領域❤類神經網路必須經過人類導師訓練， 「自我學習」 才有辦法調整參數並輸出「實際值的近似值」❤
人类需要学习，我们当然也应该允许机器进行学习吧。读书破万卷，下笔如有神。好的文章拆分下来看也不过是单词和字母的组合，喂给机器的语料多了，至少在聊天方面，是可以涌现的。由文字涌现推及其他，只是维度和表征不同，发现表征的机理，一样有机会涌现吧？😀
НаукаНаука
这个视频的一大优点，是不但讲知识和原理，还能把自己学习知识的过程和思考也讲解出来，让人有额外的受益~
❤
高手啊
台灣的小伙給你個讚 說得很棒
居然能夠把很抽象的東西解釋的如此具象，太強了，讚
非常好的分享，感谢！
感谢王木头老师，讲的太棒了，对这个世界的思考非常受用
感谢您的讲解
说的太好了！加油！
我搜索傅立叶变换与图像识别就收到你的视频了。很认同你说的关于傅立叶变换那一部分
非常感謝!
干货满满
非常好的视频
还不错😌，下次项目搞搞
讲的非常好，深入浅出
终于明白我与学霸的在思维和认知速度上的差异了。看他的视频，不仅是在学习知识，更是在学习学霸是如何思考和学习的。
太强了！！！
那猫女的一秒钟让我乐了大半天
Thanks!
謝謝！
類神經網路函式所輸出的值， 若和實際值不同 ，透過 反覆回饋演算法 ，調整函式參數，使函式所輸出的值漸漸趨近實際值❤
真理？！😮
言重了啦😅
就是傅里叶变换，只不过更复杂，更批量。
200万像素可不是200万个维度哦！图像里面包含多少分析特征才是多少维度
老师国内的卷积神经网络都有哪些公司，想去这样的公司
In “Neural Networks and Deep Learning”, Michael Nielsen provides a visual proof that neural nets can compute any function in chapter 4.
Generate output value of
a function gradually approach
the actual valiue by tuning
function's parameters
,finally create a
ANN mathematical
model 😂
❤🙏
是否
Local minimum
可能會存在 ？！💯
阶跃函数？
机器学习就是统计学习，太对了，需要大量的数据来训练
图像识别提取它的HOG特征应该比整个像素作为输入好很多吧
怎么是分三类呢
讲的很好 为啥订阅这么少
现在无限接近真理的是GDBT了
4:19 的說法，邏輯上似乎出現矛盾，一張狗的照片要如何知道耳朵長或短？CNN似乎是對整張狗的圖片做訓練，能單獨識別出狗的五官？
是神经网络，不是卷积神经网络。神经网络是一个更大的概念，可以端到端的用卷积神经网络直接训练，也可以输入结构化数据进行训练。这里只是为了方便理解，用耳朵长度这种我们能理解的特征来举例。其实，卷积神经网络也是在识别特征，只不过这个特征到底为什么是这样的，我们人很难给出解释。
@@wkaing CNN本身对边界比较敏感，在某些层上应该会有能识别到耳朵的信息
中间是不是有一个猫女？
留个作业给你们：为什么人类学习不需要那么多的数据
假设人肉眼分辨率大约为1080p，帧率约24fps，求你一辈子双眼所接受过的数据量。
@skyacaniadev2229 作业不及格 打回重做
竟然我是第一个订阅？！
差一点点就是第一个，不过你是第一个留言滴
长治二中类？校友吗？
看見777，我點個讚變成778
狗也有胡子
我實在看不出類神經網路會湧現智能或智慧 (Intelligence)😢
在應用數學上 它是屬於 Numerical Analysis 這個領域❤
類神經網路必須經過人類導師訓練， 「自我學習」 才有辦法調整參數並輸出「實際值的近似值」❤
人类需要学习，我们当然也应该允许机器进行学习吧。读书破万卷，下笔如有神。好的文章拆分下来看也不过是单词和字母的组合，喂给机器的语料多了，至少在聊天方面，是可以涌现的。由文字涌现推及其他，只是维度和表征不同，发现表征的机理，一样有机会涌现吧？😀