ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: C4W1L01 Computer Vision
เลือกโหมดฝึก
แต่ละโหมดจะเปิดห้องฝึกแบบเต็มจอ
62 ประโยค
หากประโยคสั้นหรือยาวเกินไป กดที่ Edit เพื่อปรับแก้
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.
ดาวน์โหลดแอป
ทุกอย่างที่ต้องใช้เพื่อพูดได้คล่อง
AI ให้คะแนนการออกเสียงให้คะแนนทุกประโยค
ฝึก IPAเชี่ยวชาญทุกเสียง
คำศัพท์สร้างคลังคำของคุณ
เกมคำศัพท์เล่นไปเรียนไป
📺 ช่องเดียวกัน
![#1 Machine Learning Specialization [Course 1, Week 1, Lesson 1]](https://img.youtube.com/vi/vStJoetOxJg/mqdefault.jpg)
✨ วิดีโอแนะนำ
C13
43 ประโยค
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
C12
106 ประโยค
What is Engineering?: Crash Course Engineering #1
Business EnglishUniversity StudentsWorking Adults
C14
123 ประโยค
Introduction to Diminsionality Reduction (a.k.a. Manifold Learning)
Business EnglishUniversity StudentsWorking Adults
C117
118 ประโยค
Computational Linguistics: Crash Course Linguistics #15
Business EnglishUniversity StudentsWorking Adults
C13
51 ประโยค
Business Partner C1. Unit 1. Video 1.1.1.
Business EnglishUniversity StudentsWorking Adults
C19
38 ประโยค
The Neuroscience of Learning
Business EnglishUniversity StudentsWorking Adults
C14
119 ประโยค
IELTS Listening Practice B2–C1 | The Importance of Lifelong Learning in Modern Society
IELTS PrepBusiness EnglishUniversity Students
C11
12 ประโยค
Rapid Engineering With AI
Business EnglishUniversity StudentsWorking Adults
C13
208 ประโยค
AI & Education: Generative AI & the Future of Critical Thinking
Business EnglishUniversity StudentsWorking Adults
C16
10 ประโยค
What's new in Google Cloud in less than 1 minute
Business EnglishUniversity StudentsWorking Adults
C16
27 ประโยค
AI breaks barriers for the hearing impaired | Vietnam Today
Business EnglishUniversity StudentsWorking Adults
C18
102 ประโยค
World Models explained in 10min..
Business EnglishUniversity StudentsWorking Adults
คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้
วิดีโอนี้มี 62 ประโยค และ 981 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 5:44 ผู้พูดพูดด้วยความเร็วเป็นธรรมชาติ ประมาณ 171 คำต่อนาที ใกล้เคียงกับบทสนทนาในชีวิตประจำวัน 86% ของคำอยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ ส่วนที่เหลือควรดูไว้ก่อนเริ่มฝึก
คำศัพท์สำคัญในวิดีโอนี้
คำที่ควรเรียนรู้ 14 คำจากวิดีโอ พร้อมคำอ่านและความหมาย:
| คำศัพท์ | คำอ่าน | ความหมาย |
|---|---|---|
| recognition คำนาม | /ˌɹɛkəɡˈnɪʃ(ə)n/ | การจำได้ |
| algorithm คำนาม | /ˈælɡəɹɪðm̩/ | ขั้นตอนวิธี, อัลกอริทึม |
| architecture คำนาม | /ˈɑː.kɪˌtɛk.t͡ʃə/ | สถาปัตยกรรม |
| unlock คำกริยา | /ʌnˈlɑk/ | ไข |
| pixel คำนาม | /ˈpɪk.səl/ | พิกเซล |
| layer คำนาม | /ˈleɪ̯ɚ/ | ชั้น |
| connect คำกริยา | /kəˈnɛkt/ | เชื่อม, ต่อ |
| fundamental คำคุณศัพท์ | /ˌfʌn.dəˈmɛn.təl/ | พื้นฐาน, เบื้องต้น |
| artwork คำนาม | /ˈɑɹtˌwɝk/ | งานศิลป์, อาร์ตเวิร์ก |
| borrow คำกริยา | /ˈbɑɹ.oʊ/ | ยืม, ขอยืม |
| pedestrian คำนาม | /pəˈdɛstɹiən/ | คนเดินเท้า, ผู้เดินเท้า |
| scenery คำนาม | /ˈsiːnəɹi/ | ทัศน์, ทิวทัศน์ |
| invent คำกริยา | /ɪnˈvɛnt/ | คิดค้น |
| multiply คำกริยา | /ˈmʌltɪplaɪ/ | คูณ |
ไวยากรณ์ในวิดีโอนี้
โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:
| โครงสร้าง | ในวิดีโอ |
|---|---|
| Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ | be created · be built · is actually inspired |
| Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน | has been · You've already seen · you've worked |
| Relative clauses who / which + อนุประโยค — ข้อมูลเพิ่มเติมเกี่ยวกับคนหรือสิ่งของ | parameters, which is · operation, which is |
การออกเสียงที่ควรระวัง
ผู้พูดใช้รูปย่อและรูปลดเสียง 13 ครั้ง เช่น don't, I'm, we'll ให้พูดแบบสั้นตามที่ได้ยิน
- เสียง “sh” และ “zh”: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, detection /dɪˈtɛk.ʃən/, dimensional /daɪˈmɛn.ʃə.nəl/, dimension /daɪˈmɛn.ʃən/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/
- คำยาว — ลงเสียงหนักให้ถูกพยางค์: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, parameter /pəˈɹæm.ə.tɚ/, architecture /ˈɑː.kɪˌtɛk.t͡ʃə/, dimensional /daɪˈmɛn.ʃə.nəl/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/
วิธีฝึกกับวิดีโอนี้
- ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
- เริ่มที่ความเร็ว 0.75× พูดตามทีละประโยค แล้วกลับไปใช้ความเร็วปกติเมื่อเริ่มคล่อง
- อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง recognition, algorithm, architecture เป็นพิเศษ
เทคนิค Shadowing คืออะไร?
Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ