Shadowing Practice: C4W1L01 Computer Vision - Learn English Speaking with Video

בחר מצב תרגול

כל מצב פותח חדר תרגול במסך מלא.

62 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
Welcome to this course on convolutional networks.
2
Computer vision is one of the areas that's been advancing rapidly thanks to deep learning.
3
Deep learning computer vision is now helping self-driving cars figure out where are the other cars
4
and the pedestrians around it so it's avoid them.
5
It's making face recognition work much better than ever before so
6
that perhaps some of you will soon or perhaps already be able to unlock a phone, unlock even a door using just your face.
7
And if you look on your cell phone, I bet you have many apps that show you pictures of food
8
or pictures of a hotel or just fun pictures of scenery.
9
And some of the companies that build those apps are using deep learning to help show you the most attractive, the most beautiful, or the most relevant pictures.
10
And I think deep learning is even enabling new types of art to be created.
11
So I think the two reasons I'm excited about deep learning for computer vision and why I think you might be too.
12
First, rapid advances in computer vision are enabling brand new applications to be built that just weren't possible a few years ago.
13
And by learning these tools, perhaps you will be able to invent some of these new products and applications.
14
Second, even if you don't end up building computer vision systems per se, I found that because the computer vision research community has been
15
so creative and so inventive and coming up with new neural network architectures and algorithms, algorithms is actually inspired a lot of cross fertilization into other areas as well.
16
For example, when I was working on speech recognition, I sometimes actually took inspiration from ideas from computer vision and borrowed them into the speech literature.
17
So even if you don't end up working on computer vision, I hope
18
that you find some of the ideas you learned about in this course helpful for some of your algorithms and your architectures.
19
So with that, let's get started.
20
Here are some examples of computer vision problems we'll study in this course.
21
You've already seen image classification, sometimes also called image recognition, where you might take as input,
22
say a 64 by 64 image and try to figure out is that a cat.
23
Another example of a computer vision problem is object detection.
24
So if you're building a self-driving car, maybe you don't just need to figure out if there are other cars in this image,
25
but instead you need to figure out the position of the other cars in this picture
26
so that your car can avoid them.
27
So in object detection, usually we have to not just figure out that these other objects, say cause in the picture, but also draw boxes around them.
28
We'll have some other way of recognizing where in the picture are these objects.
29
And notice also in this example that there can be multiple calls in the same picture, or at least every one of them within a certain distance of your call.
30
Here's another example, maybe a more fun one is neural style transfer.
31
Let's say you have a picture and you want this picture repainted in a different style.
32
So, neural style transfer, you have a content image and you have a style image.
33
The image on the right is actually a Picasso.
34
And you can have a neural network, put them together to repaint the content image that is the image on the left, but in the style of the image on the right,
35
and you end up with the image at the bottom.
36
So albums like this are enabling new types of artwork to be created.
37
And in this course, you learn how to do this yourself as well.
38
One of the challenges of computer vision problems is that the inputs can get really big.
39
For example, in previous courses, you've worked with 64 by 64 images.
40
And so that's 64 by 64 by 3 because there's three color channels.
41
And if you multiply that out, that's 12288.
42
So X, the input features has dimension 12288.
43
And that's not too bad.
44
But 64 by 64 is actually a very small image.
45
If you work with larger images, maybe this is a thousand pixel by thousand pixel image, and that's actually just one megapixel,
46
but the dimension of the input features will be thousand by thousand by three because you have three RGB channels,
47
and that's three million.
48
And if you're viewing this on a smaller screen, this might not be apparent, but this is actually a low-res 64 by 64 image, and this is a higher-res thousand by thousand image.
49
But if you have 3 million input features, then this means that x here will be 3 million dimensional.
50
And so if in the first hidden layer, maybe you have just a thousand hidden units,
51
then the total number of weights that is the matrix W1,
52
if you use a standard fully connected network like we have in causes one or two,
53
this matrix will be a 1000 by 3 million dimensional matrix.
54
Because X is now R by 3 million, 3M, I'm using it to denote 3 million.
55
And this means that this matrix here will have 3 billion parameters, which is just very, very large.
56
And with that many parameters, it's difficult to get enough data to prevent the neural network from overfitting,
57
and also the computational requirements and memory requirements to train a neural network with three billion parameters is just a bit infeasible.
58
But for computer vision applications, you don't want to be stuck using only tiny little images.
59
You want to use large images.
60
To do that, you need to implement the convolution operation, which is one of the fundamental building blocks of convolutional neural networks.
61
Let's see what this means and how you can implement this in the next video.
62
I will illustrate convolutions using the example of edge detection.

הורד אפליקציה

כל מה שאתה צריך כדי לדבר בשטף

הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
סרוק QR
סרוק QR
Download on theApp StoreGet it onGoogle Play

אותו ערוץ

#1 Machine Learning Specialization [Course 1, Week 1, Lesson 1]B2
1

#1 Machine Learning Specialization [Course 1, Week 1, Lesson 1]

Daily ConversationUniversity Students
Learn to build effective Agentic AI systems with Andrew NgC1
1

Learn to build effective Agentic AI systems with Andrew Ng

Daily ConversationUniversity Students
The Ultimate Transformer Course for Working EngineersC2
16

The Ultimate Transformer Course for Working Engineers

Working Adults
AI for Everyone by Andrew NgC1

AI for Everyone by Andrew Ng

Business EnglishUniversity StudentsWorking Adults
FOR YOU

המלץ על סרטון

P1 机器学习的应用【2024公认最好的 | 吴恩达机器学习 | 教程 | Machine Learning Specialization(超爽中英!)】C1
3
43 משפטים

P1 机器学习的应用【2024公认最好的 | 吴恩达机器学习 | 教程 | Machine Learning Specialization(超爽中英!)】

Business EnglishUniversity StudentsWorking Adults
What is Engineering?: Crash Course Engineering #1C1
2
106 משפטים

What is Engineering?: Crash Course Engineering #1

Business EnglishUniversity StudentsWorking Adults
Introduction to Diminsionality Reduction (a.k.a. Manifold Learning)C1
4
123 משפטים

Introduction to Diminsionality Reduction (a.k.a. Manifold Learning)

Business EnglishUniversity StudentsWorking Adults
Computational Linguistics: Crash Course Linguistics #15C1
17
118 משפטים

Computational Linguistics: Crash Course Linguistics #15

Business EnglishUniversity StudentsWorking Adults
Business Partner C1. Unit 1. Video 1.1.1.C1
3
51 משפטים

Business Partner C1. Unit 1. Video 1.1.1.

Business EnglishUniversity StudentsWorking Adults
Rapid Engineering With AIC1
1
12 משפטים

Rapid Engineering With AI

Business EnglishUniversity StudentsWorking Adults
The Essential Main Ideas of Neural NetworksC1
1
168 משפטים

The Essential Main Ideas of Neural Networks

Business EnglishUniversity StudentsWorking Adults
AI & Education: Generative AI & the Future of Critical ThinkingC1
3
208 משפטים

AI & Education: Generative AI & the Future of Critical Thinking

Business EnglishUniversity StudentsWorking Adults
What's new in Google Cloud in less than 1 minuteC1
6
10 משפטים

What's new in Google Cloud in less than 1 minute

Business EnglishUniversity StudentsWorking Adults
AI breaks barriers for the hearing impaired | Vietnam TodayC1
6
27 משפטים

AI breaks barriers for the hearing impaired | Vietnam Today

Business EnglishUniversity StudentsWorking Adults
Essence of linear algebra previewC1
13
47 משפטים

Essence of linear algebra preview

American AccentBusiness EnglishUniversity StudentsWorking Adults
How AI is Changing Data Scientist's WorkflowC1
1
141 משפטים

How AI is Changing Data Scientist's Workflow

Business EnglishUniversity StudentsWorking Adults

אוצר מילים והערות הגייה לשיעור הזה

שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “C4W1L01 Computer Vision”. המילים שחוזרות הכי הרבה: image, vision, computer, picture, neural. בסרטון הזה יש 62 משפטים ו-981 מילים לתרגול Shadowing. הדיבור נמשך 5:44. הדובר מדבר בקצב טבעי של כ-171 מילים בדקה, קרוב לשיחה יומיומית. 86% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית; כדאי ללמוד את השאר לפני שמתחילים.

אוצר מילים מרכזי בסרטון הזה

9 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:

מילההגייהמשמעות
algorithm שם עצם/ˈælɡəɹɪðm̩/אַלגוֹרִיתְם
pixel שם עצם/ˈpɪk.səl/פִּיקְסֶל, פִּיקְסֶלִים
unlock פועל/ʌnˈlɑk/פתח
dimension שם עצם/daɪˈmɛn.ʃən/מֵמַד
scenery שם עצם/ˈsiːnəɹi/נוֹף
pedestrian שם עצם/pəˈdɛstɹiən/הוֹלֵךְ־רֶגֶל, הוֹלֶכֶת־רֶגֶל
illustrate פועל/ˈɪl.əˌstɹeɪt/הִמְחִישׁ
inspire פועל/ɪnˈspaɪə(ɹ)/השרה
borrow פועל/ˈbɑɹ.oʊ/שָׁאַל

Phrasal verbs שתשמעו

מילהמשמעות
figure out פועלהֵבִין, מצא תשובה

דקדוק בסרטון הזה

המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:

מבנהבסרטון
סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולהbe created · be built · is actually inspired
הווה מושלם (Present perfect) have/has + past participle — פעולה שקרתה בעבר ועדיין יש לה חשיבות או השפעה עכשיוhas been · You've already seen · you've worked
משפטי זיקה (Relative clauses) who / which + clause — מידע נוסף על אדם או דברparameters, which is · operation, which is

הגייה ששווה לשים לב אליה

הדובר משתמש ב-13 קיצורים וצורות מקוצרות, כמו don't, I'm, we'll. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.

  • הצלילים של “sh” ו-“zh”: detection /dɪˈtɛk.ʃən/, convolution /kɑn.vəˈluːʃ(ə)n/, dimension /daɪˈmɛn.ʃən/, dimensional /daɪˈmɛn.ʃə.nəl/, computational /ˌkɑmpjʊˈteɪʃənəl/
  • מילים ארוכות — שימו לב להטעמה: parameter /pəˈɹæm.ə.tɚ/, convolution /kɑn.vəˈluːʃ(ə)n/, dimensional /daɪˈmɛn.ʃə.nəl/, computational /ˌkɑmpjʊˈteɪʃənəl/

צלילים שדוברי עברית מתקשים בהם:

  • /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: parameter /pəˈɹæm.ə.tɚ/, algorithm /ˈælɡəɹɪðm̩/
  • /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: neural /ˈnʊɹəl/, matrix /ˈmeɪ.tɹɪks/, parameter /pəˈɹæm.ə.tɚ/, algorithm /ˈælɡəɹɪðm̩/, repaint /ɹiːˈpeɪnt/

איך לתרגל עם הסרטון הזה

  1. הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
  2. התחילו במהירות 0.75×, תרגלו Shadowing משפט אחר משפט, וחזרו למהירות רגילה כשזה מרגיש קל.
  3. הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו algorithm, pixel, unlock.

מהי טכניקת השאדואינג?

שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.

טכניקת Shadowing: קרא את המדריך המלא שלב אחר שלב →