Luyện nói tiếng Anh bằng Shadowing qua video: C4W1L01 Computer Vision
Chọn chế độ luyện tập
Mỗi chế độ mở một phòng luyện tập toàn màn hình.
62 câu
Nếu các câu quá ngắn hoặc quá dài, hãy bấm Edit để chỉnh sửa.
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.
Tải Ứng Dụng
Mọi thứ bạn cần để nói trôi chảy
Chấm điểm AIChấm từng câu nói
Luyện IPAThành thạo mọi âm
Từ vựngMở rộng vốn từ
Game Từ vựngHọc qua chơi
📺 Cùng kênh
![#1 Machine Learning Specialization [Course 1, Week 1, Lesson 1]](https://img.youtube.com/vi/vStJoetOxJg/mqdefault.jpg)
✨ Video gợi ý
C13
43 câu
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 câu
What is Engineering?: Crash Course Engineering #1
Business EnglishUniversity StudentsWorking Adults
C14
123 câu
Introduction to Diminsionality Reduction (a.k.a. Manifold Learning)
Business EnglishUniversity StudentsWorking Adults
C117
118 câu
Computational Linguistics: Crash Course Linguistics #15
Business EnglishUniversity StudentsWorking Adults
C13
51 câu
Business Partner C1. Unit 1. Video 1.1.1.
Business EnglishUniversity StudentsWorking Adults
C19
38 câu
The Neuroscience of Learning
Business EnglishUniversity StudentsWorking Adults
C14
119 câu
IELTS Listening Practice B2–C1 | The Importance of Lifelong Learning in Modern Society
IELTS PrepBusiness EnglishUniversity Students
C11
12 câu
Rapid Engineering With AI
Business EnglishUniversity StudentsWorking Adults
C13
208 câu
AI & Education: Generative AI & the Future of Critical Thinking
Business EnglishUniversity StudentsWorking Adults
C16
10 câu
What's new in Google Cloud in less than 1 minute
Business EnglishUniversity StudentsWorking Adults
C16
27 câu
AI breaks barriers for the hearing impaired | Vietnam Today
Business EnglishUniversity StudentsWorking Adults
C18
102 câu
World Models explained in 10min..
Business EnglishUniversity StudentsWorking Adults
Từ vựng và ghi chú luyện nói cho bài học này
Video này có 62 câu và 981 từ để luyện shadowing. Phần lời nói dài 5:44. Người nói nói với tốc độ tự nhiên, khoảng 171 từ mỗi phút, gần với hội thoại hằng ngày. 86% số từ nằm trong 3.000 từ tiếng Anh thông dụng nhất; phần còn lại nên xem trước khi luyện.
Từ vựng quan trọng trong video
15 từ đáng học trong video, kèm phiên âm và nghĩa:
| Từ | Phiên âm | Nghĩa |
|---|---|---|
| recognition danh từ | /ˌɹɛkəɡˈnɪʃ(ə)n/ | công nhận |
| algorithm danh từ | /ˈælɡəɹɪðm̩/ | thuật toán |
| architecture danh từ | /ˈɑː.kɪˌtɛk.t͡ʃə/ | kiến trúc |
| requirement danh từ | /ɹɪˈkwaɪɹmənt/ | yêu cầu |
| implement động từ | /ˈɪmpləmənt/ | thực hiện, chấp hành |
| unlock động từ | /ʌnˈlɑk/ | mở khóa |
| pixel danh từ | /ˈpɪk.səl/ | điểm ảnh |
| helpful tính từ | /ˈhɛlp.fl̩/ | hay giúp đỡ |
| layer danh từ | /ˈleɪ̯ɚ/ | lớp |
| connect động từ | /kəˈnɛkt/ | nối |
| classification danh từ | /ˌklæsɪfɪˈkeɪʃən/ | sự phân loại |
| borrow động từ | /ˈbɑɹ.oʊ/ | mượn, vay |
| pedestrian danh từ | /pəˈdɛstɹiən/ | bằng chân, người đi bộ |
| scenery danh từ | /ˈsiːnəɹi/ | phong cảnh |
| invent động từ | /ɪnˈvɛnt/ | phát minh |
Ngữ pháp trong video
Những cấu trúc người nói dùng nhiều nhất, kèm đúng cụm từ trong video:
| Cấu trúc | Trong video |
|---|---|
| Câu bị động be + quá khứ phân từ — nhấn vào việc xảy ra, không phải người làm | be created · be built · is actually inspired |
| Thì hiện tại hoàn thành have/has + quá khứ phân từ — việc đã xảy ra nhưng còn liên quan đến hiện tại | has been · You've already seen · you've worked |
| Mệnh đề quan hệ who / which + mệnh đề — thêm thông tin về người hoặc vật | parameters, which is · operation, which is |
Phát âm cần chú ý
Người nói dùng 13 dạng rút gọn, ví dụ don't, I'm, we'll. Hãy nói theo dạng ngắn đúng như bạn nghe.
- Âm “sh” và “zh”: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, detection /dɪˈtɛk.ʃən/, dimensional /daɪˈmɛn.ʃə.nəl/, dimension /daɪˈmɛn.ʃən/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/
- Từ dài — đặt trọng âm cho đúng: recognition /ˌɹɛkəɡˈnɪʃ(ə)n/, parameter /pəˈɹæm.ə.tɚ/, architecture /ˈɑː.kɪˌtɛk.t͡ʃə/, dimensional /daɪˈmɛn.ʃə.nəl/, inspiration /ˌɪn.spɪˈɹeɪ.ʃən/
Cách luyện với video này
- Nghe hết video một lần, chưa cần nói, và ghi lại những từ bạn chưa biết.
- Bắt đầu ở tốc độ 0,75×, nói đuổi từng câu, rồi quay lại tốc độ bình thường khi đã quen.
- Ghi âm giọng mình rồi so với bản gốc, chú ý các từ như recognition, algorithm, architecture.
Phương Pháp Shadowing Là Gì?
Shadowing là kỹ thuật học ngôn ngữ có cơ sở khoa học, ban đầu được phát triển cho chương trình đào tạo phiên dịch viên chuyên nghiệp và được phổ biến rộng rãi bởi nhà đa ngôn ngữ học Dr. Alexander Arguelles. Nguyên lý cốt lõi đơn giản nhưng cực kỳ hiệu quả: bạn nghe tiếng Anh của người bản xứ và lặp lại to ngay lập tức — như một "cái bóng" (shadow) đuổi theo người nói với độ trễ chỉ 1–2 giây. Khác với luyện ngữ pháp hay học từ vựng bị động, Shadowing buộc não bộ và cơ miệng phải đồng thời xử lý và tái tạo ngôn ngữ thực tế. Các nghiên cứu khoa học xác nhận phương pháp này cải thiện đáng kể phát âm, ngữ điệu, nhịp điệu, nối âm, kỹ năng nghe và độ lưu loát khi nói — đặc biệt hiệu quả cho người luyện IELTS Speaking và muốn giao tiếp tiếng Anh tự nhiên như người bản ngữ.