Уже не единственный, но тоже верно

​@@kryptodog1066, поделитесь ссылками на хороших авторов по теме​

@@kryptodog1066 подскажи какой ещё появился

@@kryptodog1066 а какие другие?

абсолютно. Если первые три урока были понятны и последовательны, то четвёртый урок просто с ума сводит.

Поря менять переводчика или выложить нормальный учебник.

Я спустился в комменты чтобы увидеть этот коммент. Немного ошибся автор перевода, не будем за это в него сильно кидаться тапками)

Вот, кстати, спустя 3 года оно вышло.

трудно переводить то, чего не понимаешь )

@@AleckBoronnikov не трудно, если ты достаточно понимаешь английский, то сможешь без особых проблем делать качественный перевод. Разве что тут можно было и по смыслу гогадаться, что речь не о степенях идёт, ведь об этом явно сказали.....

В оригинальном канале с которого делался перевод больше по нейронным сетям видео нет

все верно, постоянная (итеративная) корректировка весов в сторону уменьшения итоговой ошибки.

Нас не сколько интересуют целевые значения нейронов L-1 слоя, сколько их ошибки, т.е. отклонения нейронов от целевого значения. Эти отклонения по сути являются значениями частных производных функции ошибок сети (Cost) по выходам нейронов предыдущего слоя. Как вычислить частные производные рассказано в этом видео. Но изложенная методика также позволяет вычислить частные производные по каждому из весов, даже не вычисляя явно ошибки нейронов слоя L-1. Для этого: 1. Представляем функцию ошибок, как функцию весов последнего слоя (L). 2. Затем по цепному правилу вычисляем частные производные по каждому из весов последнего слоя (L) (они нам и нужны) 3. Затем, когда производные по весам вычислены, считаем их константами, а аргументом считаем значения нейронов предыдущего слоя (L-1), которые (как неожиданно) оказываются функциями весов предыдущего слоя (L-1). 4. Математически это выглядит, как удлинившаяся цепочка по правилу дифференцирования сложной функции, но, которая, тем не менее, позволяет теперь нам вычислить частные производные по каждому из весов предыдущего слоя (L-1). Обратите внимание, что для их вычисления нам *не нужно знать в явном виде* ошибки нейронов предыдущего слоя (L-1). Этот процесс можно продолжать до тех пор, пока все частные производные по всем весам не будут вычислены. После этого мы можем делать шаг градиентного спуска.

@@AleckBoronnikov Здравствуйте, я как понял вы неплохо понимаете тему, не могли в пояснить в аглоритмических примерах) с математикой туговато а в алогитмах бы разобрался, я так понимаю в этих 4 видосах более-менее современное представление о нейронных сетях хотелось бы попробовать реализовать что-то на практике

@@user-cn1sd4hg1m а в алгоритмах так же математика ) алгоритм - это последовательность действий. математика - это то, что позволяет описать смысл производимых действий.

@@AleckBoronnikov ну да, это проще чем в формулах

@@user-cn1sd4hg1m ну так, а какой толк в объяснении алгоритма, если весь смысл в математике )

что бы получить положительное число - ошибка не должна быть отрицательной по смыслу. Можно, конечно, взять по модулю, но квадрат лучше дифференцируется.

Он же сказал, что они являются индексами, только называет их он степенями

Ничего, я тоже. Но это проходит со временем.

Да, совершенно верно. Желаемый и заведомо известный результат на обучающее выборке. Если таковая выборка достаточно полна, то нейросеть обучится правильно, и сможет давать верные результаты в тех случаях, с которыми не была знакома. Это и есть наука)