[Μάθε πως Μαθαίνουν] Τεχνητά Νευρωνικά Δίκτυα (Μηχανική Μάθηση - Μέρος 2)

Ένα πολύ μεγάλο κεφάλαιο στην μηχανική μάθηση είναι τα Τεχνητά Νευρωνικά Δίκτυα.
Εσύ ξέρεις τι είναι και πως δουλεύουν?
Από που πήραν αυτό το ψαρωτικό όνομα?

====================================

====================================
Background Music: Foam Rubber. Written by Alexander Nakarada

====================================

Πηγές:
4. Daniel, Graupe. Principles of artificial neural networks. Vol. 7. World Scientific, 2013.
5. Shanmuganathan, S., & Samarasinghe, S. (Eds.). (2016). Artificial neural network modelling (Vol. 628). Switzerland: Springer.

[john_ver_smith]

Ωραία και διαφορετική θεματολογία από την πλειοψηφία των βίντεο στο "ελληνικό" YouTube community.
Συνέχισε έτσι.

[ioanniskoulierakis]

Respect για το animation! Ξέρω πόσο πολύ χρόνο θα σου έφαγε αλλά πραγματικά άξιζε!!

[dkal]

Μπραβο!!Πολυ καλη εισαγωγή και διευκρίνηση του νευρωνικού δικτύου.!!

[human_nature_]

Πολύ ενδιαφέρον βίντεο, μπράβο σου! Περιμένουμε κι άλλα!

[paros]

Μπράβο πολύ ωραία δουλειά έκανες. Επιτέλους και στα ελληνικά. Θα ήθελα να ρωτήσω υπάρχει κάποιο άτομο η ομάδα που μπορώ να επικοινωνήσω μαζι σας? ( το θέμα θα είναι ο εντοπισμός κάποια συγκεκριμένα Patterns για το χρηματιστήριο )

[odos_]

Πολύ όμορφο κι αυτό και κατατοπιστικό. Θα ήθελα όμως σε επόμενο βιντεάκι να τα αναλύσεις όλα αυτά πλήρως, πώς γίνονται, για όσους από εμάς είμαστε άσχετοι.

[monodeeplearning]

Πολύ καλή προσπάθεια για εισαγωγή σε τέτοια θεματολογία, συνέχισε έτσι! Παρακάτω ορισμένα προβλήματα που εντοπίζω:
1) Όπως εύστοχα παρατήρησε ο @mmxgn, στο βίντεο εισάγονται δύο διαφορετικές θεματικές: a) τα Neural Networks (ΝΝ), και b) το Reinforcement Learning (RL). Αυτές δεν είναι απαραίτητο να συνυπάρχουν, επομένως καλό θα ήταν να μην παρουσιάζονται μαζί γιατί υπάρχει κίνδυνος να μπερδέψουν τον θεατή. Δεδομένου ότι έχει γίνει εισαγωγή των supervised, unsupervised προβλημάτων στο (Μηχανική Μάθηση - Μέρος 1), καλό θα ήταν να παρουσιαστεί το πως εφαρμόζονται τα NN σε αυτά.

2) Η βασική διαφορά/"δύναμη" των NN σε σχέση με άλλα μοντέλα Machine Learning (ML) είναι ότι συνδυάζουν τα χαρακτηριστικά εισόδου μεταξύ τους (μέσω του hidden layer) προκειμένου να βρουν patterns που υπάρχουν στα δεδομένα εκπαίδευσης. Ενώ στα κλασσικά ML συστήματα γίνεται απευθείας αντιστοίχιση της εισόδου με την έξοδο. Θα πρότεινο να κάνεις ένα μέρος (Μηχανική Μάθηση - Μέρος 1.5) που να εισάγονται κάποιες βασικές ML μέθοδοι (π.χ. Logistic/Linear Regression, SVM), έτσι ώστε να γίνεται καλύτερα αντιληπτή η διαφορά των NN.

3) Τα δύο παραδείγματα είναι supervised προβλήματα. Δεν ορίζεται RL πρόβλημα χωρίς την ύπαρξη ενός περιβάλλοντος μέσω του οποίου να προκύπτουν σχέσεις state-action-reward. Έτσι ώστε το σύστημα να λαμβάνει αποφάσεις (actions) βάση της κατάστασης που βρίσκεται (state) προκειμένου να μεγιστοποιήσει το αποτέλεσμα (reward). Π.χ. για να γίνει το παράδειγμα 1 RL, θα πρέπει ο Κώστας να πάει σε πολλές συνεντεύξεις (episodes), όπου θα του κάνουν ερωτήσεις (states) και θα μαθαίνει σιγά-σιγά τι να απαντάει (actions) με βάση το αν τον προσέλαβαν στη δουλειά ή/και τι μισθό του προσφέρουν (reward) .

Κλείνοντας, μερικές προτάσεις για επόμενα μάθημα (μάλλον για αρκετά αργότερα): image recognition/object detection (μαζί με CNN), style transfer, chatbots (μαζί με RNN), speech recognition.

[ikaria]

Συγχαρητηρια για τα βίντεο σου, καλή δουλεια και πρωτοποριακή για Ελλάδα. Θα ήθελα να ρωτήσω οι μεταφράσεις στα ελληνικά αν είναι δικιές σου ή από κάποια άλλη πηγή. Για παράδειγμα τα layers γιατί μεταφράζονται ως επίπεδα και όχι ως στρώσεις;

[ΙωάννηςΚονιδάρης-ζη]

Καλησπέρα, συγχαρητήρια για την καλή δουλειά !!
Θα ήθελα να ρωτήσω την άποψη σου για το Ling Fluent; Ποσό αξιόπιστο και ρεαλιστικό μπορεί να είναι ως διαδικασία ; Μπορεί να έχει αρνητικές επιπτώσεις ;
Καλή συνέχεια, καλές διακοπές σε όλους !!

[georgeisinyourbankaccount]

Μπράβο για το 1 λεπτό σου πήρε πόσες ώρες

[mmxgn]

Χμ, κάτι μπερδεύτηκε εδώ:

Όταν λες τεχνητή μάθηση με ενίσχυση = reinforcement learning;
Αν ναι, τότε αυτό είναι ανεξάρτητο αν χρησιμοποιείται νευρωνικό δίκτυο ή όχι.

Το πρώτο παράδειγμα σε αυτήν την περίπτωση δεν είναι σωστό. Σε περίπτωση ενισχυτικής μάθησης το "σήμα" που θα λάβει απο τον εργοδότη θα είναι αν είναι σωστό ή όχι και μια αμοιβή με βάση το πόσο σωστό είναι ή όχι ή ότι άλλη αμοιβή επιλέξουμε να βοηθάει το πρόβλημα (πχ σωστό +1 λάθος -1).

Ενίσχυση + Νευρωνικό = Βαθυά ενισχυτική μάθηση (μάθηση με την οποία τα χρακτηριστικά που ενδιαφέρουν "μαθαίνονται" με την χρήση νευρωνικού) και το σήμα ενίσχυσης έρχεται σαν αμοιβή όταν τελειώσει η διαδικασία (που μπορεί να ναι πχ το αντίθετο του σφάλματος)

Απο την άλλη μπορείς να χεις μάθηση με ενίσχυση χωρίς νευρωνικό, ή μάθηση με επίβλεψη ή χωρίς (ή semi-) με χρήση νευρωνικού.

Τι απο αυτά εννοείς;

Μην το πάρεις σαν κακή κριτική, απλά αποσαφήνιση :)

[AntreasKonstantineas]

Διήγημα 1.2.3.4.5.6.7. Στο YouTube. Το ταβάνι στα νευρονικα δίκτυα.

[poems]

Μπράβο για την ιδέα... πολυ φτωχό βίντεο όμως... Τροπος λειτουργίας του Alphazero? Τι το κάνει μοναδικό και διαφορετικό?Τεχν νοημοσύνη Vs Μηχανική μάθηση? Μηχ μάθηση και φάρμακα, ή και dna?

[ra]

Εφόσον λοιπόν το δίκτυο μετράει την απόκλιση από το στόχο και διορθώνει τους συντελεστές βαρύτητας άρα μπορούμε να πούμε ότι οι συντελεστές βαρύτητας έχουν μέσα κάποιου είδους αυτόματο έλεγχο, πχ pid η άλλους ελεγτές που να πολλαπλασιάζουν το σφάλμα στην απάντηση με κάποιο γραμμικό κέρδος ώστε να βγάζουν τελικά τα σωστά κι αφού βρουν το καινούργιο σφάλμα να ανατροφοδοτουν τον βρόγχο ώστε να πετύχουν τη βέλτιστη δυνατή ευστάθεια γύρω από την επιθυμητή τιμή του σφάλματος όπως κάνουν πχ οι ελεγκτές κάθε άλλης εφαρμογής;

[takisathanasiou]

Ο Κωστας ειναι ο Θανασης Πασσας και ο Χαρης ο Mikeius??? xexexex