0:00:15já podobně jako ram hrou mám přednášku kterou sem trošku recyklovat z minulýho tejdne tech
0:00:21doufám že nikdo nebyl vpravo se aby se není koukal nebyl
0:00:25nebyl tak je to řádku nebudu mít je špatný svědomí že vás trochu tím
0:00:31tam přednáška jeho
0:00:32stranu učení a ty další fáze si řekneme něco vo deepening přišel nějaký pokročilejší moderní
0:00:40strojový činí který má dva výsledky
0:00:47těchdle je tady i když
0:00:49protože vypilo ta s
0:00:53já
0:00:54dobrý to dobře přeskočit
0:00:56a
0:00:57zase vlastně řek
0:00:59první půlka straví učení řekne jaký základní principy řeknou řeknu příklady kdy se i se
0:01:04tak se používá
0:01:06learning
0:01:08a z tou že ste tady na datový tam ference tak vás asi nemusim přesvědčovat
0:01:13o tom že
0:01:15strongly učení něco užitečného že to není jenom nějaká krynická věc l nikdo nepoužívá nebo
0:01:21že se bude používat a šel za deset let používá se už teďka používáte jí
0:01:26dnes a denně za
0:01:28různých produktech s
0:01:29který máte kapse který máte na webů
0:01:35pak příkladů
0:01:36v čechách je docela zajímavé je například právě seznam c z
0:01:41který před mnoha lety
0:01:43tři čtyři roky zpátky
0:01:46třebu žvásty futex tak aby fungoval
0:01:49trošku moderní dcera aby využíval data který mají k dispozici
0:01:54a lízal přes představou že futex funguje tak že prostě rános nějaký váš kontextů probudí
0:02:00a řekne si já bych měl trošku upravit šťáva klíčový ho slova titulku apoštol nějaký
0:02:06čísla futex nebo chovají
0:02:09takle tou žádné nefunguje všechny tydlety
0:02:11číslá ty parametry to u textu a to jak spolu vzájemně způsoby jsou naučený nějakým
0:02:17algoritmem strojový učení případě seznam jsou to rozhodovací strom je moc tam byli naposledy jsem
0:02:25když mám přerušené ruský napovídala naší konferenci
0:02:29za vy se podíváte na tom
0:02:32co dělaj vaše uživatelé data se dá tím přát obrovský databáze co vám vaši brigádníci
0:02:39za zaměstnanci vo rychtovali vo hodnotili nějaký dotazy a výsledky snad já ty dotazy a
0:02:45ponaučit algoritmus aby byl schopen
0:02:49to hodnocení potom provádět strojově neříkal který dokument je relevantní na ten dotaz
0:02:55strašně promluvě ctila i google nesmim systému tak word
0:03:00tam tomu úlohu mají v něčem jednodušší protože tam je
0:03:04po zadání prostě a to vydělávat co nejvíc peněz tak prostě pro každý zobrazení je
0:03:09kladný pozice maximalizuje
0:03:12dolary který s toho úplně na
0:03:16ta každým kliknutím na reklamu úhlu vy učíte nějaký stroj aby poznal který reklamy sou
0:03:23dobrý na který klíčové slovo
0:03:26a
0:03:27následně servírovat reklamy dalším zužovat
0:03:34zase co používáte dnes a denně nějakej mail na který máte sem tam ty
0:03:42je tradičně fungujou rozpočeto naivního y se proto tady říkala veronika ty přednášce globalistických sítích
0:03:51je zmínila ty dva jsou stejné techniky science těch nejjednodušších algoritmus to ví učení
0:03:58a zase v nějakých z
0:04:00znacích s tohle u pozná jestli ten mejl je legitimní nebo jestli je to spam
0:04:07další příklad je h jevů
0:04:11kde taky před mnoha lety udělali velkou změnu že nějakou upeč která byla do tý
0:04:17doby statická nachladili kopeček která je generována pro každýho uživatele
0:04:22zvlášť na míru
0:04:24podle toho jaký je geografie na co polykal minulosti jaký má prohlížeč
0:04:30jaký úhlavní třeba odhaduju u toho u toho uživatele
0:04:36a to je věc se kterou zmínili takle svědka před pěti let zpátky
0:04:40pokud vím taky seznam se ze ty každá experiment že tam poslední odkaz na novinky
0:04:46l push zkoušel pak zanalyzovat já to
0:04:52další věc která tady zbyla neska změna se vůbec jako my když
0:04:58džiny jaký systémy který nám doporučuju
0:05:01jaký přelo zboží si koupit nebo může dvojky případně jaký virtuální zboží jako sou
0:05:10filmy hudba
0:05:13cokoliv kde ten obchod na poště v obrovskou databázi
0:05:18produktů
0:05:19a maják informace o tom jak se lidi chovali to mých systém
0:05:23to si koupili přál ohvězdičkovali jak hodnotili kterej který ten film a na základě toho
0:05:30můžou
0:05:31doporučovala posledním uživatelů
0:05:34věci který by se mohly a základ podobnosti
0:05:37s tou co se ten systém naučil minulosti
0:05:44zvláště dyž jedna zmínka k tomu reflexu matrix před mnoha lety hlásal tak zvaný vertex
0:05:50právě jistě že ta
0:05:52na tu dobu velmi pokroková soutěž kde dali milionů týmu které jim ty lepšíte nechal
0:05:59bude kouzlo o deset procent
0:06:04a to se zúčastnit stovky tím z různejch různých univerzity jsou pro
0:06:12když už modřínu webů a pudu do při pádu
0:06:17z reálného světa nebo z nějaký tak zatím oblasti
0:06:21tak zase skoro každej máme
0:06:24kapse nějak i
0:06:25mobil tady
0:06:27hlasových vyhledávání rozpoznávání řeči časy v odpovídání
0:06:32na otázky
0:06:33což je velmi složitej sestra všech těch součástí který musej fungovat
0:06:39dobře je hodně moc rozpoznat tu řeč
0:06:43pochopit co ta věta jet věta znamená najít nějaký strukturovaný databázi tu odpověď a tu
0:06:49odpověď prezentovat
0:06:51co prostě tři čtyři na sebe navazujících kolja kašli z nich je const velmi složité
0:06:58a už to funguje
0:07:00se ve všech ti fázích je tam nějaký strom učení
0:07:04jak říkal jsou třeba auta
0:07:07teďka
0:07:08už více firem se pokouší udělat já ti o to který by se samo řídilo
0:07:15tadleta vobrázek konkrétně volt wesley která o bude mít za pár měsíců proudy
0:07:22nebude umět samo se řídí úplně všude jako u běžných ú ulicích je mezi
0:07:28křižovatka macho cena takle na dálnici
0:07:32upravovat rozmáčkl tlačítko to pojede samo l se zařazovat a doufejme že za
0:07:42a poslední příklad vtom na co v úvodu je
0:07:47string q nebo vůbec jako by
0:07:49systémy kterým jako rozpoznávají číslice testy dvě zrovna
0:07:53aby nestih složitější případu rozpoznávat šeky je číslic že tam nebyly těch druhů jsem
0:08:01strašně moc
0:08:04a zase jak jistě jak jezděj ty auta sting you tak
0:08:09a sbírají obrovský množství obrazových dat
0:08:12a potom když tam rozpozná nějaký číslice
0:08:16sem to docela hodí i k tomu že můžou ty mapy dal zpřesňovat
0:08:21že když prostě viděj že
0:08:22že auto zaznamenalo barák číslo šedesát sedum nějaký místě
0:08:27ale mapových podkladech který hodně koná koupili ten bravo padesát metrů vedle
0:08:32asi někde chyba andoře ty data spárovat a změnit a opravit
0:08:42teďka už daleko skromnější případy věci děláme třeba mi je za projektory bikiny
0:08:49s a todlecto je roli kdy
0:08:51máme jako technology
0:08:53která si přečte webovou stránku ú a získá z nich strukturovaných dat
0:08:58například si přečte
0:09:00recenzi nějak codebooku
0:09:03a řekne si
0:09:05todle notebook na úhlopříčku displeje takovou vyrábí ho firma lomeno vo na ty vlastnosti f
0:09:13potom na ten procesor na základě toho že se přečte běžném f tak sto vypadat
0:09:18jako by databázový zase
0:09:24standovi dvojtečka novější je
0:09:29s oblasti rozpoznávání obrazu
0:09:32tím že tady mutujeme tak n nemůže můžeme třeba počítat kolikrát lidi title něco seš
0:09:39tagem na takový jak jsme viděli před chvilkou nebudem se koukat i na tu v
0:09:43obrazovou informaci pokud tam někdo vyfotil fotku
0:09:47a třeba se můžem dívat na to jestli na ty v obrázcích byly nějaký loga
0:09:52hlodavci r čtyři prostě vyfotil
0:09:56flaškou je napsaný s akvarel tak vlastně firma se baru by mohla by ráda že
0:10:02i někdy flaška vietnamu v mým obeznamme zajímat statistiky toho kde ty flašky jsou vidět
0:10:08jak moc často ta
0:10:11a to se právě taky na dá řešit algoritmicky
0:10:17tak další projekty adresou čtyři
0:10:22teďka všeobecně k principu ostrovního učení posla si během dne dneška push pochopili ležet vezmou
0:10:30trošku rychlejc
0:10:34musíte mít data
0:10:36a vy data musej bejt
0:10:39značkování té jako velmi důležitý slovo state pro slajdu kolečkové mít na to znamená že
0:10:45vy víte co na nich je
0:10:47znamená když děláte předáky systém tady
0:10:51rozpoznaná
0:10:53třeba auta
0:10:54tak musíte vědět podle auto tile náklaďák todlencto je o oblast toho je probíjející kočka
0:11:02prostě musíte mít nějakej základní databázi
0:11:05kde na ty informace
0:11:07který s toho potřebujete nějakým člověkem označkovat
0:11:12přesvědč omdlívá daří
0:11:14l t jako by největší jako trabl
0:11:17se spoustou problémů že chyby dělat data a je těžký a drahý je
0:11:24podobně jako jak to veronika mluvil vo tom zdravotnictví kde prostě ty data x s
0:11:30tou sou prostě zapsat vím nějakých jako záznamy identických stih chtěj vyšetření a jsou prostě
0:11:36rozsekaný pružný databází sou psaní různejma jazyka vás možnejma zkratka má nestrukturovaně
0:11:44někdo to prostě že takle nepíše ale
0:11:48a dráty na ty data do jednotky a formátu tak to je strašná práce
0:11:53když jsou proč a jak by tisíce oznamuje ty přednášce zaznělo tak prostě tam se
0:11:58nějaký člověka celkem předpisem vytahuje s těch nebo
0:12:02takže ten r
0:12:04rozsahu je zase
0:12:06docela velká množina problémů kde tyhlety data vznikají samovolně jako nějakej vedlejší produkt toho co
0:12:13třeba ten nebo y projekt nedělá sám sobě
0:12:17prostě mi vidíme na co lidi pykaly na tom vebu cosi co si kupovali co
0:12:22celé jako do komentářů
0:12:25to znamená je i velká
0:12:27velký množství dat který už máme označkování jaksi
0:12:31jaksi mimochodem
0:12:34a z běžní ho provozu tohle
0:12:39a když máme ty data
0:12:43tak si na uděláme to že naučíme model
0:12:46neodvyknu moc do detailů co tento ten model znamená tam rabuje těch modeluje před tisícem
0:12:52z nechal nějaké jaké modely vytvářet
0:12:56základní princip f to
0:12:58když máme
0:13:00ronaku dál
0:13:01a
0:13:02je každýmu
0:13:04prvku fí hromádce víme tak známí výsledek
0:13:07tak můžeme naučit
0:13:09tím algoritmem ten prostředek žemle učit nějakou černou krabičku abys těch dat predikovala ten sled
0:13:16protože máme vobědy části napravo apod chraptivý je prostředek a ten algoritmem
0:13:23získal ta učí
0:13:26tak lomeno n
0:13:28předhodím
0:13:31a když dostaneme nový data
0:13:34přijde novej člověk neví šlo r je nový vyhledávání do futex tou
0:13:44tak si dáme ty nový data do toho modelu který máme natrénovaný a vypadne na
0:13:50nová předpověď
0:13:51ve vlastně to co děláme abysme pro novýho zákazníka dali lisknu správně doporučení
0:13:57nebo pro novej vobrázek poznali jsme tam ten náklaďák nebo osobu
0:14:10je tu se dostanu do tý druhý půlky
0:14:13tam kojence tady learning
0:14:16se vrátíme
0:14:17chvilku do sedumdesát rychle
0:14:22podle amerika
0:14:23tak na to údajně vypadalo tady
0:14:27a teďka nepamatuju že já jsem ještě nebo na světě ale todle sem s ten
0:14:31našel internetu
0:14:33tak proč sem se tam vrátil
0:14:35takže funkce sedumdesátejch let
0:14:38byl vynalezeny algoritmus
0:14:41zpětný propagace neuronových sítí heuristiky byly užší známý před tím
0:14:47ale to na co algoritmus je
0:14:50jako by nakopnou a
0:14:52to umožňuje efektivně učitelky době to nebylo moc ušní
0:14:58tak neuronovou síť vám tady buše kreslil igora ukazoval vám tu animaci jak se jak
0:15:04se naučila rosu poznávat ty červený tečky vokolo těch modrých
0:15:10takže bylo vlastně strašně rychle nahoru nacpete nějaký data
0:15:14pak je tam nějaká
0:15:16skrytá vrstva která dělá poměrně jednoduchý matematický výpočty v podstatě to nějak i
0:15:22vážený součet těch vstupů který tam shora padaj a pro že pro y nějakou sigmoida
0:15:29outelová taky ignorovat popisoval můžete nějaká kladná křivka
0:15:35a dole vypadnou výsledky
0:15:38to se na konkrétním
0:15:40příkladu nahoře můžete na třeba pixely sto obrázků a dole tady mít prostě je to
0:15:47pes je to počkaj tobě tokům jako náklady
0:15:54a nebo
0:15:55cokoliv můžete tam dal nějaký vlastnosti složitý
0:15:59a dole může vypadnout operovaná pravděpodobnost že se to zákazník koupí
0:16:05případně byste do toho klidně mohl lidstva kudly výsledky data vlastnosti dokumentů vlastnosti dotazu a
0:16:11doleva vypadne relevance
0:16:14si neuronových sítě jsou poměrně univerzální
0:16:22takže když do toho dáme nějaký
0:16:25složitější data
0:16:26co se třeba ty zobrazení
0:16:29na nacpeme anglicky pro těmi vobrázky a chceme aby nám to neuronová síť tam dole
0:16:35řekla
0:16:36jestli je to letadlo autor nebo ta
0:16:42tak už zjistíme že vono to na ty
0:16:45na ty samotný pixely nějak jako u je vlastně strašně mizerně
0:16:50a
0:16:51neuronová síť kterou sem kras to na tom odkazem slajdu
0:16:56jako třeba něco složitější
0:17:00r by věc co se dělá teďka posledních s ledních na tech
0:17:08g perník slyšíte tam to sou hodí
0:17:11přišla hluboka
0:17:13celá ta neuronová síť nemajou jednu skrytou vrstvu
0:17:18ale má jich mnoho tady jejich asi
0:17:21šest jako by těch skety dostat nakreslené
0:17:25kde tam jako by nalevo byl ten obrázek je stejný napravuje tady něco stalo obrázku
0:17:31predikuje
0:17:32a mezi tu
0:17:34těch sítí
0:17:35každá každej tady ten čtvereček jako chtěl
0:17:40sto krát sto neuronů
0:17:44ty současný neuronový sítě sou hluboký pavel je tam
0:17:49mraky těch spojů je tam taky nebo a sou naskládaný do veliký hloubky
0:17:56a to že je teďka sme schopni takle naučit a sedmdesátých letech jsme toho schopni
0:18:01nebyly je daný jednak tím že
0:18:04máme mnohem
0:18:06větší výpočetní výkon
0:18:09jak na procesorech takle grafických kartách na ten se v metrech se to většinou pouštím
0:18:16tak je to i daný tím že sme se naučil nějaký triky jak ty neuronový
0:18:20sítě líp učit aby mohli by vůbec úvod ten samotný výpočetní výkon velikými nám nestačil
0:18:28je potřeba udělat ještě trošku chytře víc než je se to dělalo
0:18:32sedumdesátejch cache se
0:18:39druhá věc
0:18:41ten obrázek vypadá vždy první a ne předchozí
0:18:45a všimněte si tam jednu věc se m s to byl
0:18:48move pod
0:18:51vrstvu ve stejný barvě
0:18:53což není úplně a bude
0:18:56já tady tu danou c dolní nacpu zvraty na jako před
0:19:01ale dole si nedám
0:19:03ty výstupní dat tam si nedám to jestli je to pes nebo kočka nebo náklaďák
0:19:09na se tam zase zopakujte vstupní data
0:19:13a proč jakou na jako blbost dělám proč jako by nutím neuronovou síť aby pro
0:19:18nějaký data mi vodpověděla těma samej má data na čelte nesmysl bit data můžu zkopírovat
0:19:23kontrol c konzolové a jako by mám to jsem to trhat nějakou jako složitou věc
0:19:30je to proto že ta
0:19:32prostřední vrstva
0:19:34je nějakým způsobem
0:19:36limitována
0:19:38například tady vobrázky limitovaná tím že jsou tam dva neumím byste vidět čtyř
0:19:45a tady jeden ze způsobů jak donutit tu neuronů sumu
0:19:49aby sis těch dat vybral to co je důležitý
0:19:52příliš neuronů síti řeknete les náš se tydlety vstupní na tady ty čtyři milióny na
0:19:58dva do dvou neuron
0:20:00a k prosince musí po něco pokusy musí se s pokusy teda to c na
0:20:04tak zkomprimovat
0:20:05musí si najít všechny důležitý
0:20:10a jenom ty jakoby dvě důležitý čísla z nich jednička
0:20:14já to tam
0:20:15aby se aby se zpětně byla schopna
0:20:20predikovat ten
0:20:22ten původní
0:20:30tyhlety dvě věci dohromady
0:20:34se můžeme ne podívat na tu na tom obrázku
0:20:39lets to je
0:20:40první vrstva takovýdle to sem tady ukazoval směr auto enkodér
0:20:45zde první vrstva která vznikne
0:20:48zavedení návnad paměti obrázky a řekli sme ale ne o ten kodér
0:20:53naučí se co je tam jako by důležitý
0:20:56a vidíte že vám to tady našlo nějaký různý
0:21:00vliv na obrázku jsou který jsou potom různejma volaná
0:21:06a taky se to naučil hospoda však voba dva vydloubat
0:21:12a teďka provedeme totéž ještě nula se mu řekneme s tady ty obrázků se naučí
0:21:17něco zajímavýho
0:21:23zajímavýho v tom smyslu že to predikuje ten původní vstup a tady jako lidi asi
0:21:29poznáte že ten původní vstup asi to nějaký obličeje
0:21:32za já sem tadleta algoritmu zůstal
0:21:35dostal obrázkem obličejů
0:21:37a říkal si naučil se z jednoduchý věci access naučil starat složitější věci
0:21:43a pak se z nich neúčast na ještě složitější věc
0:21:48a na to aby je to dvacet dělal já jsem i na ten je potřeba
0:21:51mít označkován
0:21:53prostě do já jsem do to algoritmů
0:21:56no a milionů obrázku a řek
0:21:59ale uč se
0:22:00naučil z nich něco důležitý algoritmus i si vytvořil tohlect
0:22:11a to je jako by novinka teďka poslední
0:22:14šest sedum let řekla to nedělá
0:22:17takže
0:22:21další věc touškov ven tak je tak rychle protože my stejně dochází čas
0:22:28je že
0:22:30jsme se naučili nějaký triky jak je neuronový sítě eště lee
0:22:35trénoval aby byly
0:22:36aby byly
0:22:39kvalitnější
0:22:40a taky rychlejší
0:22:43řekl vlastně důkladně jenom jeden z nich
0:22:48je takové že u tý neuronový sítě která vypadá úplně
0:22:51plně normálně
0:22:54i třeba půlku těch vstupů
0:22:58představte si postiženém ten druhej a ten štvrtej vstup jí úplně vynuluje prostě push pošlem
0:23:05nepošle mít i data který má nízký databázi a pošli tam nuly
0:23:12a tohle znam opakovaně prostě o čem to nám milionů iterací love polovině případů u
0:23:18funkcí sítí nuly
0:23:20místo dvě místa dyž správný na
0:23:23dnes jsem se říká pro a
0:23:27a dělám to proto
0:23:29abych prosím naučil by robustnější
0:23:32aby se vona nespoléhala na to
0:23:34že nějaký konkrétní neuronů prostě má konkrétní hodnoty a s tou se na něco počítat
0:23:41tím zatímní nutila by si měla poradila i tehdy když ty data nemám
0:23:47jo je tam pořád první přirovnání kinetika napadlo jsi zaklepej do jednoho o a jako
0:23:53projdete se tady
0:23:54tak prostě stejně nenarazíte nebo prostě dáte si pozorně a jako zvládnete
0:23:59tak to place jakoby způsob jak ty typy neuronových sítí
0:24:03ti říct nějak si poraď i když nemáš všechny data to že je to strašně
0:24:07jako typicky
0:24:08že člověk nemá všechny data nebo ty data jsou chybou těch předchozí přednáška jste slyšeli
0:24:15dvacet procent dat
0:24:18ty byznysem to že s projektech je prostě špatně
0:24:21tak ve stejném způsob jak je to c donutit aby se na ty špatný výsledky
0:24:27nenahrazovat přesto odpovídá správně
0:24:34jak není planinky doby todle sezona strašně těžký úkol nějakýho rozpoznávání
0:24:41obrázku kategorií obrázku
0:24:45a zatímco ještě před třemi lety ty výsledky byly
0:24:50asi
0:24:51kolem devíti procent jakoby správnost toho rozpoznání
0:24:55tak teďka o moc nějakých learning k sítí
0:24:59je tak lepší
0:25:03druhá věc je rozpoznávání řeči sme tady měli hezkou přednášku před
0:25:09před nějakou dobou
0:25:10ty tradiční metody jestli se to stý přednášky pamatujete to sou ty tam s úzkými
0:25:15chci model jestli zkreslil a takovejma modelem a
0:25:19tak ty měly na tadydlecto na tom do co na to set nějakou chybovost
0:25:24dvacet sedum procent
0:25:26a zase teďka prostě
0:25:28a to let padla to t
0:25:31termy začne používat levných metody které jsou opět
0:25:36téměř vo polovinu lepší že jako strašnej velky posud že do tý doby si je
0:25:42patnáct let
0:25:43když někdo zlepšil ten algoritmus vo nula celá na si procenta hnedka o tom napsal
0:25:50research paper a všichni ho všichni a fall jaké je skalární
0:25:55a se paušálně posouvala o tom aby to bylo čím dál tím lepší tak teďka
0:26:00prostě během posledních tří čtyř ale eště ve stanfordu f torontu vymysleli algoritmy které jsou
0:26:07mnohem lepší
0:26:09konkrétně
0:26:10řádů byl a name němuž to používají k provozu
0:26:13pro nikdy tenhleten červené s oznámil že sice honit zatím použity tradiční metody ale že
0:26:19už to taky přepínají na ty tady hluboký nenulový sítě
0:26:27další příklad rozpoznání čísel
0:26:29no to už docela dobrý teď je to ještě lepší
0:26:34todle se podívejte to máme před přednáška bude na slajd šeru spousta opensource knihoven tu
0:26:41stejnou nějaký výčet těch který
0:26:44který mám ráda nějak použil
0:26:49je to poměrně jednoduchý začít sestro vyučení ty pěkně nejsou kvalitní jsou slušně zdokumentování jsou
0:26:56rychlí příjemně se v nich pracuje
0:27:04push jsou s už jsem skoro na konci dovolený si jednu takovou vsuvku pokud by
0:27:09brzy vámi byl někdo kdo vlastně chce pracovat s daty
0:27:12má nějak i vlastní na a nějaký projekt vydal němuž vzdělanej nebo
0:27:22jedna je méně práce
0:27:24a chybí mu na to na to peníze a asi čas a soustředění
0:27:29tak bych doporučovala přihlašte se do startup yardů protože ten na
0:27:34deadline přihlášek zanedlouho
0:27:37patnáctýho prosince
0:27:40takže začne běžet tříměsíční program že tam skvělým tvořil jsou lidi legis praxe litru šéfové
0:27:47firem musí zůstat se listi
0:27:49který vám s tím můžu
0:27:51pomoct
0:27:52je tam i následné jiné modely pro investory
0:27:55a jako jsou poměrně dobrý
0:27:59třiceti c
0:28:00euro za deset procent ve firmě
0:28:03a osm nějaký ještě hračky jako volnej který to n nejsou tak ste jsou to
0:28:12porovnej služeb software úplné ten že a tak dál
0:28:18vlastně na konci
0:28:21jedna jaká výzva nakonec
0:28:24nejsme hodně mluvili vo tom že je dobrý ní data
0:28:28a
0:28:29panovník data nestačí
0:28:32vezmete na ten data pro měli dáte sestro krásný grafy jako dobrý té eště ste
0:28:37jako v oku znalost jako by nadprůměrně dobrý víš dokážete udal barevný graf ste jako
0:28:42lepší než jako většina ještě
0:28:45firem
0:28:46a nevystačí pro
0:28:48sto že uděláte brémy graf tak tím písmeny zákazníkům a uživatelů vlastně eště nepomůže
0:28:55můžete tehdy když naději dat na tech uděláte nějaký rozhodnout nějakou změnu
0:29:01a když to děláte lidskou silou tak se schopni udělat x změn za tejden
0:29:07ale když toto zapojíte strom ničení který třeba každýmu konkrétnímu uživateli dá ňáky jinej výsledek
0:29:13nějaký jiný tak zvaný doporučení nějaký kvalitnější a kvalitnější data
0:29:19pak
0:29:21jako tehdy slastně začne garantovat ta
0:29:24tady investice kterou člověk dělá do toho že ty data nějak spravuje a
0:29:29analyzuje
0:29:34strongly účinně dobrých to že si poradí z velkým množstvím dál najde se tam
0:29:41společný vlastnosti najde je schopni predikovat to co
0:29:46oni nich chcete predikovat
0:29:50tu slajdu jsem zapomněl jo to je vlastně je tady většina jestli studenti
0:29:58co se dovolte vypsat nějaký čtyři možnosti co vlastně můžete dělat pokud vás
0:30:02stojí učení zapomněl
0:30:04existuje o takový soutěžní veby kde sou volně datasety ke stažení můžete se s nima
0:30:10hra můžete soutěžit voproti ostatní týmů toho jak se s těma data dokáže akorát poradit
0:30:18radistickým dokonce i vydělal peníze pokud ste se hodně dobrý
0:30:23můžete propracovala vlastní projekt
0:30:26buďto sami nebo se přihlásit do akcelerátorů
0:30:30na dobrých universitách se taky jestli vyučení používá s neslyšeli zvěsti přednášky vo tom o
0:30:37tom jak se používá tady
0:30:40a
0:30:42duše čeká je pak firem který ste učení nějak tak si
0:30:45používá
0:30:48ne všechno jako
0:30:59delete nelze věří přednášku registry dohlídneme line tak modrásku kdy zjistíte že nestane tedy b
0:31:06kdy sydney dráte řeknu kamarádili atributy ze garáží s výhledem
0:31:14tak říct vodou že téhož teďka to za hlasový ovládaní víceméně vyřešený je duše tohoto
0:31:20modulu nebo takovou
0:31:22vyhledávání na mapě taky už neřešená vlastnost
0:31:25a
0:31:26to z to co chybí je teďka šeky se ukrajiny auta nebo teplot esli můžete
0:31:31koupit vlastně teďka do doručí vám ho
0:31:35počátkem roku v lednu forever já se to trošku pozdějc
0:31:40pro vás po veřejnou po dálnici
0:31:43ty
0:31:45a u toho úhlu ty oni se vlastně pohybovat pět běžným provozu
0:31:50ale ty ještě nejsou konečně k dispozici a vlastně ani mukl neřek žádnej termín ve
0:31:55kterém by byl
0:31:56znaj abych toho nadal tak za pět let
0:32:01který děkuju ne nad nikde nějakou zakázku ne michael
0:32:10nelze
0:32:13ne
0:32:30máme tomu víc třásně osm na akciovej zaprvé
0:32:34takže sme měli to jak se chovaj ceny akcií měř k tomu ještě triky vo
0:32:40ty konkrétní firmě
0:32:42a vo jich pro data jsme ty data nějak dohromady
0:32:45a učili sme nad tím
0:32:48u jako musí použil sme open kodéry na to aby predikovali to
0:32:57dopadlo to takže ty výsledky sou
0:32:59jako statisticky signifikantní vtom že to dokáže no ten s něco se co se to
0:33:05děje
0:33:06a je s tou nějakej hlouběji zisk a poté co se bude čtu poplatky který
0:33:10jsou vlastně came d ale stejně sou jako nemluví tak poštou šedou c mínus za
0:33:15nemuseli bysme to ještě vylepšit na to aby to bylo
0:33:19r mě použitelný
0:33:25je možné nevaříme řízení by zajímalo když oblastech vidíte
0:33:29největší potenciál a být na jedný budoucnosti m tomu vyřidí
0:33:35já jsem že skoro všude kde máte velký data potřebujete nad nima něco předpovědět to
0:33:41znamená
0:33:42obraz a zvuk tam se použila už teďka lingvistika tam vlastně začíná používat
0:33:49teď ale myslím si že to ještě nedospěl plně jako do praktického použití levicové vyspělý
0:33:55skvělý akademickým výsledky
0:33:59na ty reklamy dnešní se zatím moc hluboký sítě nepoužívají a to zejména protože tam
0:34:05fungujou dobře i daleko jednodušší modely
0:34:08nicméně i tam to vidím sledně tím nebude růst výkon současných počítačů tak bude možný
0:34:16do toho dávat složitější modely a
0:34:19tak jejich přidána prostě začne vykládce
0:34:26když si nějaké
0:34:27poslední jedné letenské
0:34:52co způsobilo teďka rychlejší narůst do úspěšnosti těch
0:34:58těch problém
0:35:01podle mě jsou to ty tři věci k sem říkal na vyšší výpočetní výkon
0:35:07možnost využívat i nebo značkování data kterých je prostě fůra mu to za nejsme limitovaný
0:35:12tím že by nějaký člověk musel značková ty data
0:35:15a třetí věc a
0:35:18matematicky algoritmických triků který vylepšili ty neuronový sítě byly předtím tak teďka fully a rychle
0:35:25nic
0:35:29jak je ve moc děkuju nevěřím že to je oblast které s ve které bereme
0:35:34hodně zdržujete kdysi budete dánsky sjedeme michelle