Практика Shadowing: C4W1L01 Computer Vision - Изучайте разговорный английский по видео

Выберите режим практики

Каждый режим открывает полноэкранную комнату практики.

62 предложений

Если предложения слишком короткие или длинные, нажмите Edit, чтобы их изменить.

Welcome to this course on convolutional networks.

Computer vision is one of the areas that's been advancing rapidly thanks to deep learning.

Deep learning computer vision is now helping self-driving cars figure out where are the other cars

and the pedestrians around it so it's avoid them.

It's making face recognition work much better than ever before so

that perhaps some of you will soon or perhaps already be able to unlock a phone, unlock even a door using just your face.

And if you look on your cell phone, I bet you have many apps that show you pictures of food

or pictures of a hotel or just fun pictures of scenery.

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.

And I think deep learning is even enabling new types of art to be created.

So I think the two reasons I'm excited about deep learning for computer vision and why I think you might be too.

First, rapid advances in computer vision are enabling brand new applications to be built that just weren't possible a few years ago.

And by learning these tools, perhaps you will be able to invent some of these new products and applications.

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

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.

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.

So even if you don't end up working on computer vision, I hope

that you find some of the ideas you learned about in this course helpful for some of your algorithms and your architectures.

So with that, let's get started.

Here are some examples of computer vision problems we'll study in this course.

You've already seen image classification, sometimes also called image recognition, where you might take as input,

say a 64 by 64 image and try to figure out is that a cat.

Another example of a computer vision problem is object detection.

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,

but instead you need to figure out the position of the other cars in this picture

so that your car can avoid them.

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.

We'll have some other way of recognizing where in the picture are these objects.

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.

Here's another example, maybe a more fun one is neural style transfer.

Let's say you have a picture and you want this picture repainted in a different style.

So, neural style transfer, you have a content image and you have a style image.

The image on the right is actually a Picasso.

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,

and you end up with the image at the bottom.

So albums like this are enabling new types of artwork to be created.

And in this course, you learn how to do this yourself as well.

One of the challenges of computer vision problems is that the inputs can get really big.

For example, in previous courses, you've worked with 64 by 64 images.

And so that's 64 by 64 by 3 because there's three color channels.

And if you multiply that out, that's 12288.

So X, the input features has dimension 12288.

And that's not too bad.

But 64 by 64 is actually a very small image.

If you work with larger images, maybe this is a thousand pixel by thousand pixel image, and that's actually just one megapixel,

but the dimension of the input features will be thousand by thousand by three because you have three RGB channels,

and that's three million.

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.

But if you have 3 million input features, then this means that x here will be 3 million dimensional.

And so if in the first hidden layer, maybe you have just a thousand hidden units,

then the total number of weights that is the matrix W1,

if you use a standard fully connected network like we have in causes one or two,

this matrix will be a 1000 by 3 million dimensional matrix.

Because X is now R by 3 million, 3M, I'm using it to denote 3 million.

And this means that this matrix here will have 3 billion parameters, which is just very, very large.

And with that many parameters, it's difficult to get enough data to prevent the neural network from overfitting,

and also the computational requirements and memory requirements to train a neural network with three billion parameters is just a bit infeasible.

But for computer vision applications, you don't want to be stuck using only tiny little images.

You want to use large images.

To do that, you need to implement the convolution operation, which is one of the fundamental building blocks of convolutional neural networks.

Let's see what this means and how you can implement this in the next video.

I will illustrate convolutions using the example of edge detection.

Скачать приложение

Всё для свободной речи

ИИ-оценка произношенияОценка каждой фразы

Практика IPAОсвойте каждый звук

СловарьСоберите свой словарный запас

Игра со словамиУчитесь играя

Сканировать QR

Download on theApp Store Get it onGoogle Play

Тот же канал

FOR YOU

Лексика и советы по произношению к этому уроку

В этом видео 62 предложений и 981 слов для шедоуинга. Речь длится 5:44. Говорящий говорит в естественном темпе, около 171 слов в минуту, близком к повседневной речи. 86% слов входят в 3000 самых частых слов английского языка; остальные стоит разобрать перед занятием.

Ключевая лексика этого видео

15 слов из видео, которые стоит выучить, с произношением и значением:

Слово	Произношение	Значение
input существительное	/ˈɪnpʊt/	вклад
recognition существительное	/ˌɹɛkəɡˈnɪʃ(ə)n/	узнава́ние, распознава́ние
enable глагол	/ɪˈneɪ.bəl/	дава́ть возмо́жность, уполномо́чивать
detection существительное	/dɪˈtɛk.ʃən/	выявле́ние, обнаруже́ние
algorithm существительное	/ˈælɡəɹɪðm̩/	алгори́тм
parameter существительное	/pəˈɹæm.ə.tɚ/	пара́метр
architecture существительное	/ˈɑː.kɪˌtɛk.t͡ʃə/	архитекту́ра, зо́дчество
requirement существительное	/ɹɪˈkwaɪɹmənt/	необходи́мость, тре́бование
implement глагол	/ˈɪmpləmənt/	выполня́ть, осуществля́ть
dimensional прилагательное	/daɪˈmɛn.ʃə.nəl/	-ме́рный
dimension существительное	/daɪˈmɛn.ʃən/	аспе́кт
unlock глагол	/ʌnˈlɑk/	отпира́ть, отпере́ть
pixel существительное	/ˈpɪk.səl/	пи́ксель
helpful прилагательное	/ˈhɛlp.fl̩/	поле́зный, любе́зный
inspiration существительное	/ˌɪn.spɪˈɹeɪ.ʃən/	вдыха́ние, вдох

Фразовые глаголы, которые вы услышите

Слово	Значение
figure out глагол	разбира́ться, разобра́ться
end up глагол	зака́нчиваться, зако́нчиться
come up with глагол	придумывать, приходить в голову

Грамматика в этом видео

Конструкции, которые говорящий использует чаще всего, с точными словами из видео:

Конструкция	В видео
Пассивный залог be + причастие прошедшего времени — важно, что происходит, а не кто это делает	be created · be built · is actually inspired
Present Perfect have/has + причастие прошедшего времени — прошлое действие, важное сейчас	has been · You've already seen · you've worked
Придаточные определительные who / which + предложение — уточнение о человеке или предмете	parameters, which is · operation, which is

Произношение, на которое стоит обратить внимание

Говорящий использует 13 сокращённых и редуцированных форм, например don't, I'm, we'll. Произносите их коротко, так, как слышите.

Звуки «sh» и «zh»: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, detection /dɪˈtɛk.ʃən/, dimensional /daɪˈmɛn.ʃə.nəl/, dimension /daɪˈmɛn.ʃən/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/
Длинные слова — следите за ударением: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, parameter /pəˈɹæm.ə.tɚ/, architecture /ˈɑː.kɪˌtɛk.t͡ʃə/, dimensional /daɪˈmɛn.ʃə.nəl/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/

Как заниматься с этим видео

Прослушайте всё видео один раз молча и выпишите незнакомые слова.
Начните со скорости 0,75×, повторяйте предложение за предложением и вернитесь к обычной скорости, когда станет легко.
Запишите себя и сравните с оригиналом, обращая внимание на такие слова, как input, recognition, enable.

Что такое техника Shadowing?

Shadowing — это научно обоснованная техника изучения языка, изначально разработанная для подготовки профессиональных переводчиков и популяризированная полиглотом доктором Александром Аргуэльесом. Метод прост, но эффективен: вы слушаете аудио на английском от носителей языка и немедленно повторяете вслух — как тень, следующая за говорящим с задержкой в 1–2 секунды. В отличие от пассивного прослушивания или грамматических упражнений, Shadowing заставляет мозг и мышцы рта одновременно обрабатывать и воспроизводить реальные речевые паттерны. Исследования показывают, что это значительно улучшает точность произношения, интонацию, ритм, связную речь, понимание на слух и беглость речи — что делает его одним из самых эффективных методов для подготовки к IELTS Speaking и реального общения на английском.

Техника шедоуинга: читать полное пошаговое руководство →

Практика Shadowing: C4W1L01 Computer Vision - Изучайте разговорный английский по видео

Выберите режим практики

Скачать приложение

Тот же канал

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

The Ultimate Transformer Course for Working Engineers

AI for Everyone by Andrew Ng

Рекомендуемое видео

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!)】

What is Engineering?: Crash Course Engineering #1

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

Computational Linguistics: Crash Course Linguistics #15

Business Partner C1. Unit 1. Video 1.1.1.

The Neuroscience of Learning

Rapid Engineering With AI

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

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

AI breaks barriers for the hearing impaired | Vietnam Today

World Models explained in 10min..

Civil 3D course for beginners - Part 1 of 3