From 99fe31fa07fe1aab14192d12eb5c805234c881ad Mon Sep 17 00:00:00 2001 From: Grant Sanderson Date: Fri, 15 Mar 2024 08:36:17 -0700 Subject: [PATCH 1/3] Edit "neural-networks (hungarian)" by @FaboBence From 68a838d6ad2493d915a3810ad0d65f909964764c Mon Sep 17 00:00:00 2001 From: Grant Sanderson Date: Fri, 15 Mar 2024 08:36:19 -0700 Subject: [PATCH 2/3] Edit "neural-networks (hungarian)" by @FaboBence --- .../hungarian/sentence_translations.json | 312 +++++++++--------- 1 file changed, 156 insertions(+), 156 deletions(-) diff --git a/2017/neural-networks/hungarian/sentence_translations.json b/2017/neural-networks/hungarian/sentence_translations.json index cd3758224..045eabc92 100644 --- a/2017/neural-networks/hungarian/sentence_translations.json +++ b/2017/neural-networks/hungarian/sentence_translations.json @@ -415,73 +415,73 @@ }, { "input": "So maybe our hope is that each neuron in the second layer of the network corresponds with the various relevant little edges.", - "translatedText": "Tehát talán az a reményünk, hogy a hálózat második rétegének minden egyes neuronja megfelel a különböző releváns kis éleknek.", + "translatedText": "Szóval talán reménykedhetünk pl. abban, hogy a második réteg minden neuronja ezeknek a kis meghatározott éleknek felel meg.", "from_community_srt": "Szóval talán reménykedhetünk pl. abban, hogy a második réteg minden neuronja ezeknek a kis meghatározott éleknek felel meg.", - "n_reviews": 0, + "n_reviews": 1, "start": 435.14, "end": 442.72 }, { "input": "Maybe when an image like this one comes in, it lights up all of the neurons associated with around 8 to 10 specific little edges, which in turn lights up the neurons associated with the upper loop and a long vertical line, and those light up the neuron associated with a 9.", - "translatedText": "Talán amikor egy ilyen kép érkezik be, akkor az összes neuron felgyullad, amely körülbelül 8-10 specifikus kis éllel kapcsolatos, ami viszont felgyújtja a felső hurokkal és egy hosszú függőleges vonallal kapcsolatos neuronokat, és ezek felgyújtják a 9-essel kapcsolatos neuront.", + "translatedText": "Talán amikor egy ilyen kép érkezik be, az összes olyan neuron aktiválódik amely ezt a nyolc-tíz egyedi kis élt reprezentálja, amelyek pedig aktiválják a felső hurokhoz és a hosszú függőleges vonalhoz kapcsolódó neuronokat, amelyek végül a 9-eshez tartozó neuront kapcsolják be.", "from_community_srt": "Lehet, hogy amikor ez a kép érkezik be, az összes olyan neuron tüzel amely ezt a nyolc-tíz egyedi kis élt reprezentálja, amelyek aktiválják a felső hurokhoz és a hosszú függőleges vonalhoz kapcsolódó neuronokat, Amelyek végül a 9-eshez tartozó neuront kapcsolják be.", - "n_reviews": 0, + "n_reviews": 1, "start": 443.54, "end": 459.72 }, { "input": "Whether or not this is what our final network actually does is another question, one that I'll come back to once we see how to train the network, but this is a hope that we might have, a sort of goal with the layered structure like this.", - "translatedText": "Hogy a végleges hálózatunk valójában ezt teszi-e vagy sem, az egy másik kérdés, amire még visszatérek, amint meglátjuk, hogyan kell betanítani a hálózatot, de ez egy remény, egyfajta célunk lehet az ilyen réteges struktúrával.", + "translatedText": "Az már más kérdés, hogy ez tényleg így zajlik-e le a hálózatunkban, de erre még visszatérek, miután megnéztük, hogyan kell betanítani a hálózatot. De ez lehet a reményünk, egyfajta célunk az ilyen réteges struktúra működésére.", "from_community_srt": "Az már más kérdés, hogy ez tényleg így zajlik-e le a hálózatunkban - de erre még visszatérek, miután megnéztük, hogyan kell betanítani a hálózatot. De ettől még persze reménykedhetünk benne, hogy ez ennek a réteges felépítésnek a célja.", - "n_reviews": 0, + "n_reviews": 1, "start": 460.68, "end": 472.54 }, { "input": "Moreover, you can imagine how being able to detect edges and patterns like this would be really useful for other image recognition tasks.", - "translatedText": "Sőt, el lehet képzelni, hogy az élek és minták ilyen módon történő felismerése nagyon hasznos lenne más képfelismerési feladatoknál.", + "translatedText": "Sőt, talán már sejtheted, hogy az élek és minták ilyen módon történő felismerése nagyon hasznos lenne más képfelismerési feladatoknál.", "from_community_srt": "Ráadásul gyanús, hogy a szélek és minták ilyesféle felismerése nagyon jól jönne más képfelismerési feladatokhoz is.", - "n_reviews": 0, + "n_reviews": 1, "start": 473.16, "end": 480.3 }, { "input": "And even beyond image recognition, there are all sorts of intelligent things you might want to do that break down into layers of abstraction.", - "translatedText": "És még a képfelismerésen túl is vannak mindenféle intelligens dolgok, amelyeket az absztrakciós rétegekre bontva akarsz elvégezni.", + "translatedText": "És még a képfelismerésen túl is van mindenféle értelmezendő dolog, amelyeket absztrakciós rétegekre bontva akarsz elvégezni.", "from_community_srt": "És még a képfelismerésen túl is mindenféle intelligens dolog lebontható több absztrakciós rétegre.", - "n_reviews": 0, + "n_reviews": 1, "start": 480.88, "end": 487.28 }, { "input": "Parsing speech, for example, involves taking raw audio and picking out distinct sounds, which combine to make certain syllables, which combine to form words, which combine to make up phrases and more abstract thoughts, etc.", - "translatedText": "A beszéd elemzése például azt jelenti, hogy a nyers hanganyagból kiválogatjuk az egyes hangokat, amelyek egyes szótagokat alkotnak, amelyek szavakat alkotnak, amelyek mondatokká és elvont gondolatokká állnak össze stb.", + "translatedText": "A beszédfelismerés például azt jelenti, hogy a nyers hanganyagból kiválogatjuk a különböző hangokat, amelyek szótagokat alkotnak, amelyek együtt szavakat alkotnak, amelyek mondatokká és akár nagyon elvont gondolatokká állnak össze, stb.", "from_community_srt": "A beszédfelismerés például a nyers hanganyagból a különféle hangok kiválasztását jelenti, amelyek egyes szótagokat építenek fel, melyek együttese szavakat alkot, melyek együttese pedig kifejezéseket és absztrakt gondolatokat stb.", - "n_reviews": 0, + "n_reviews": 1, "start": 488.04, "end": 500.06 }, { "input": "But getting back to how any of this actually works, picture yourself right now designing how exactly the activations in one layer might determine the activations in the next.", - "translatedText": "De visszatérve arra, hogy mindez hogyan is működik valójában, képzelje el magát most, amint megtervezi, hogy pontosan hogyan határozhatják meg az egyik réteg aktivációi a következőt.", + "translatedText": "De térjünk vissza arra, hogy mindez hogy is működik. Képzeld el magad, amint megtervezed, hogy pontosan hogyan határozzák meg az egyik réteg aktivációi a következőét.", "from_community_srt": "De térjünk vissza arra, hogy mindez hogy is működik. Képzeld el, hogy azt tervezed éppen meg, hogyan határozza meg egy réteg aktivitása a következő rétegét.", - "n_reviews": 0, + "n_reviews": 1, "start": 501.1, "end": 509.92 }, { "input": "The goal is to have some mechanism that could conceivably combine pixels into edges, or edges into patterns, or patterns into digits.", - "translatedText": "A cél az, hogy legyen valamilyen mechanizmus, amely elképzelhető módon a pixeleket élekké, az éleket mintákká, vagy a mintákat számjegyekké kombinálja.", + "translatedText": "A cél létrehozni egy olyan mechanizmust, amely elképzelhető módon a pixeleket élekké, az éleket mintákká, vagy a mintákat számjegyekké kombinálja.", "from_community_srt": "A cél létrehozni egy olyan mechanizmust, amely elképzelhetően kombinálja a képpontokat élekbe, vagy éleket mintákba vagy mintákat számjegyekbe.", - "n_reviews": 0, + "n_reviews": 1, "start": 510.86, "end": 518.98 }, { "input": "And to zoom in on one very specific example, let's say the hope is for one particular neuron in the second layer to pick up on whether or not the image has an edge in this region here.", - "translatedText": "És hogy egy nagyon konkrét példára ráközelítsünk, tegyük fel, hogy a remény az, hogy a második réteg egy bizonyos neuronja felismeri, hogy a képnek van-e éle ebben a régióban vagy sem.", + "translatedText": "És hogy egy nagyon konkrét példát mutassak: Tegyük fel, hogy azt próbáljuk elérni, hogy a második réteg egy bizonyos neuronja meg tudja mondani, hogy a képnek ebben a régiójában van-e él vagy sem.", "from_community_srt": "Vegyünk egy jól meghatározott esetet: Tegyük fel, hogy azt próbáljuk elérni, hogy a második réteg egyik neuronja meg tudja mondani, hogy van-e itt él vagy sem.", - "n_reviews": 0, + "n_reviews": 1, "start": 519.44, "end": 530.62 }, @@ -489,23 +489,23 @@ "input": "The question at hand is what parameters should the network have?", "translatedText": "A kérdés az, hogy milyen paraméterekkel kell rendelkeznie a hálózatnak?", "from_community_srt": "A kérdés az,", - "n_reviews": 0, + "n_reviews": 1, "start": 531.44, "end": 535.1 }, { "input": "What dials and knobs should you be able to tweak so that it's expressive enough to potentially capture this pattern, or any other pixel pattern, or the pattern that several edges can make a loop, and other such things?", - "translatedText": "Milyen tárcsákat és gombokat kell tudnod beállítani, hogy elég kifejező legyen ahhoz, hogy potenciálisan megragadja ezt a mintát, vagy bármilyen más pixelmintát, vagy azt a mintát, hogy több élből hurok lehet, és más ilyen dolgokat?", + "translatedText": "Milyen tárcsákat kell tudjunk úgy tekergetni, hogy azzal képesek legyünk kifejezni ezt a mintát, vagy bármilyen más pixelmintát? Sőt olyan beállítás is kéne, ami meg tudja mondani, hogy több éldarabból mikor lesz hurok, meg hasonló.", "from_community_srt": "hogy milyen paraméterek kellenek a hálózatnak ahhoz, milyen tárcsákat kell tudjunk úgy tekergetni, hogy azzal képesek legyünk kifejezni ezt a mintát. Vagy bármilyen másik képpontmintát, olyanokat, amiket élekből vagy hurkokból összeállíthatunk? Azt fogjuk tenni,", - "n_reviews": 0, + "n_reviews": 1, "start": 535.64, "end": 547.78 }, { "input": "Well, what we'll do is assign a weight to each one of the connections between our neuron and the neurons from the first layer.", - "translatedText": "Nos, a neuronunk és az első réteg neuronjai közötti kapcsolatok mindegyikéhez hozzárendelünk egy súlyt.", + "translatedText": "Nos, azt fogjuk tenni, hogy súlyokat rendelünk a neuronunk és az első réteg neuronjai közötti kapcsolatok mindegyikéhez.", "from_community_srt": "hogy súlyokat rendelünk e neuron és az első réteg neuronjai közé.", - "n_reviews": 0, + "n_reviews": 1, "start": 548.72, "end": 555.56 }, @@ -513,135 +513,135 @@ "input": "These weights are just numbers.", "translatedText": "Ezek a súlyok csak számok.", "from_community_srt": "Ezek a súlyok csak számok.", - "n_reviews": 0, + "n_reviews": 1, "start": 556.32, "end": 557.7 }, { "input": "Then take all of those activations from the first layer and compute their weighted sum according to these weights.", - "translatedText": "Ezután vegyük az első réteg összes aktiválását, és számítsuk ki a súlyozott összegüket e súlyok szerint.", + "translatedText": "Ezután vegyük az első réteg összes aktivációját, és számítsuk ki a súlyozott összegüket e súlyok szerint.", "from_community_srt": "Aztán vesszük az összes aktivitást az első rétegből és kiszámoljuk a súlyozott összegüket.", - "n_reviews": 0, + "n_reviews": 1, "start": 558.54, "end": 565.5 }, { "input": "I find it helpful to think of these weights as being organized into a little grid of their own, and I'm going to use green pixels to indicate positive weights, and red pixels to indicate negative weights, where the brightness of that pixel is some loose depiction of the weight's value.", - "translatedText": "Hasznosnak találom, ha úgy gondolok ezekre a súlyokra, mintha egy saját kis rácsba rendeződnének, és zöld pixeleket fogok használni a pozitív súlyok jelölésére, és piros pixeleket a negatív súlyok jelölésére, ahol az adott pixel fényessége a súly értékének laza ábrázolása.", + "translatedText": "Szerintem szemléletes ezekre a súlyokra is úgy tekinteni, mintha ők is egy rácsba rendeződnének. Zöld pixeleket fogok használni a pozitív súlyok jelölésére, és piros pixeleket a negatívokéra, ahol az adott pixel fényereje a súlyok abszolút értékét jelöli.", "from_community_srt": "Szerintem szemléletes ezekre a súlyokra is úgy tekinteni, mintha ők is a saját kis rácsukba rendeződnének: zöld pixeket fogok használni a pozitív súlyok jelölésére, és pirosat a negatívokéra, míg a pixelek fényereje a súlyok abszolút értékét jelöli.", - "n_reviews": 0, + "n_reviews": 1, "start": 567.7, "end": 581.78 }, { "input": "Now if we made the weights associated with almost all of the pixels zero except for some positive weights in this region that we care about, then taking the weighted sum of all the pixel values really just amounts to adding up the values of the pixel just in the region that we care about.", - "translatedText": "Ha most a szinte minden pixelhez tartozó súlyokat nullává tettük, kivéve néhány pozitív súlyt ebben a számunkra fontos régióban, akkor az összes pixelérték súlyozott összegének kiszámítása valójában csak annyit tesz, hogy összeadjuk a pixelértékeket csak abban a régióban, amely minket érdekel.", + "translatedText": "Na most, ha szinte az összes képponthoz tartozó súlyunk nulla, kivéve néhány pozitív súlyt ebben a régióban, amelyet vizsgálunk, akkor lényegében a súlyozott összeg kiszámítása nem más, mint hogy összeadjuk a pixelértékeket csak ebben a régióban, amely minket érdekel.", "from_community_srt": "Na most, ha szinte az összes képponthoz tartozó súlyunk nulla, kivéve néhány pozitív súlyt ebben a régióban, amelyet vizsgálunk, akkor lényegében a súlyozott összeg kiszámítása nem más, mint egyszerűen csak összegyűjteni a pixelértékeket ebben a régióban.", - "n_reviews": 0, + "n_reviews": 1, "start": 582.78, "end": 597.82 }, { "input": "And if you really wanted to pick up on whether there's an edge here, what you might do is have some negative weights associated with the surrounding pixels.", - "translatedText": "És ha tényleg meg akarjuk állapítani, hogy van-e itt egy él, akkor a környező pixelekhez negatív súlyokat rendelhetünk.", + "translatedText": "És ha azt akarod igazán megállapítani, hogy itt egy él van-e, akkor a környező pixelekhez célszerű negatív súlyokat rendelned.", "from_community_srt": "És ha tényleg azt akarod, hogy itt egy élt találj, akkor célszerű negatív súlyt társítani a környező képpontokhoz.", - "n_reviews": 0, + "n_reviews": 1, "start": 599.14, "end": 606.6 }, { "input": "Then the sum is largest when those middle pixels are bright but the surrounding pixels are darker.", - "translatedText": "Az összeg akkor a legnagyobb, ha a középső pixelek világosak, de a környező pixelek sötétebbek.", + "translatedText": "Ezután az összeg akkor lesz a legnagyobb, ha a középső pixelek világosak, de a környező pixelek sötétek.", "from_community_srt": "Ezután az összeg akkor lesz a legnagyobb, ha a középső képpontok világosak, de a környező képpontok sötétek.", - "n_reviews": 0, + "n_reviews": 1, "start": 607.48, "end": 612.7 }, { "input": "When you compute a weighted sum like this, you might come out with any number, but for this network what we want is for activations to be some value between 0 and 1.", - "translatedText": "Amikor egy ilyen súlyozott összeget számolunk, bármilyen számot kaphatunk, de ebben a hálózatban azt szeretnénk, ha az aktivációk 0 és 1 közötti értéket kapnának.", + "translatedText": "Amikor egy ilyen súlyozott összeget számolunk, bármilyen számot kaphatunk, de ebben a hálózatban azt szeretnénk, hogy az aktivációk 0 és 1 közé essenek.", "from_community_srt": "Ilyen súlyozott összeg számításakor, bármilyen érték kijöhet, de ehhez a hálózathoz az értékeknek 0 és 1 közé kell esnie.", - "n_reviews": 0, + "n_reviews": 1, "start": 614.26, "end": 623.54 }, { "input": "So a common thing to do is to pump this weighted sum into some function that squishes the real number line into the range between 0 and 1.", - "translatedText": "Ezért gyakran előfordul, hogy ezt a súlyozott összeget beletöltjük valamilyen függvénybe, amely a valós számok sorát a 0 és 1 közötti tartományba szorítja.", + "translatedText": "Ezért gyakran előfordul, hogy ezt a súlyozott összeget becsomagoljuk valamilyen függvénybe, amely a valós számok sorát a 0 és 1 közötti tartományba nyomja össze.", "from_community_srt": "Így aztán az összeget valamiféle függvénybe kell csomagolnunk, ami megoldja ezt az \"összenyomást\".", - "n_reviews": 0, + "n_reviews": 1, "start": 624.12, "end": 632.14 }, { "input": "And a common function that does this is called the sigmoid function, also known as a logistic curve.", - "translatedText": "Egy gyakori függvény, amely ezt teszi, a szigmoid függvény, más néven logisztikus görbe.", + "translatedText": "Az egyik általános függvény, amivel ez megoldható a szigmoid, vagy más néven logisztikus függvény.", "from_community_srt": "Az egyik általános függvény, amivel ez megoldható a szigmoid, vagy más néven logisztikus függvény.", - "n_reviews": 0, + "n_reviews": 1, "start": 632.46, "end": 637.42 }, { "input": "Basically very negative inputs end up close to 0, positive inputs end up close to 1, and it just steadily increases around the input 0.", - "translatedText": "Alapvetően a nagyon negatív bemenetek közel 0-hoz, a pozitív bemenetek közel 1-hez végződnek, és a 0 bemenet körül folyamatosan növekszik.", + "translatedText": "Itt lényegében a nagyon negatív értékekből egy nulla közeli érték, nagyon pozitívakból 1 közeli érték lesz, 0 környezetében pedig monoton növekszik.", "from_community_srt": "Itt lényegében a nagyon negatív értékekből egy nulla közeli érték, nagyon pozitívakból 1 közeli érték lesz, 0 környezetében pedig monoton nő.", - "n_reviews": 0, + "n_reviews": 1, "start": 638, "end": 646.6 }, { "input": "So the activation of the neuron here is basically a measure of how positive the relevant weighted sum is.", - "translatedText": "Tehát a neuron aktivációja itt alapvetően azt méri, hogy a vonatkozó súlyozott összeg mennyire pozitív.", + "translatedText": "Tehát a neuron aktivációja itt alapvetően azt méri, hogy a súlyozott összeg mennyire pozitív.", "from_community_srt": "Vagyis a neuron aktivitása itt alapvetően attól függ, hogy mennyire pozitív a súlyozott összeg.", - "n_reviews": 0, + "n_reviews": 1, "start": 649.12, "end": 656.36 }, { "input": "But maybe it's not that you want the neuron to light up when the weighted sum is bigger than 0.", - "translatedText": "De talán nem is arról van szó, hogy azt akarjuk, hogy a neuron akkor világítson, amikor a súlyozott összeg nagyobb, mint 0.", + "translatedText": "Lehet viszont, hogy nem akarjuk, ha a neuron már 0-nál nagyobb súlyozott összeg esetén világít.", "from_community_srt": "Lehet viszont, hogy nem akarjuk, hogy a neuron már akkor tüzeljen, ha a súlyozott összeg nagyobb 0-nál.", - "n_reviews": 0, + "n_reviews": 1, "start": 657.54, "end": 661.88 }, { "input": "Maybe you only want it to be active when the sum is bigger than say 10.", - "translatedText": "Talán csak akkor szeretné, ha aktív lenne, ha az összeg nagyobb, mint mondjuk 10.", + "translatedText": "Mondjuk azt szeretnénk, hogy csak akkor legyen aktív, ha az összeg nagyobb, mint 10.", "from_community_srt": "Lehet, hogy azt szeretnénk, hogy ez csak akkor történjen meg, ha 10-nél is nagyobb.", - "n_reviews": 0, + "n_reviews": 1, "start": 662.28, "end": 666.36 }, { "input": "That is, you want some bias for it to be inactive.", - "translatedText": "Azaz, azt akarod, hogy legyen némi előítélet, hogy inaktív legyen.", + "translatedText": "Vagyis el kell tolnunk az egészet az inaktivitás irányába.", "from_community_srt": "Vagyis kell egy küszöbérték, ameddig a neuron inaktív marad.", - "n_reviews": 0, + "n_reviews": 1, "start": 666.84, "end": 670.26 }, { "input": "What we'll do then is just add in some other number like negative 10 to this weighted sum before plugging it through the sigmoid squishification function.", - "translatedText": "Ezután egyszerűen csak hozzáadunk egy másik számot, például negatív 10-et ehhez a súlyozott összeghez, mielőtt átdugnánk a szigmoid squishification függvényen.", + "translatedText": "Ennek érdekében csak hozzáadunk egy másik számot, például minusz 10-et ehhez a súlyozott összeghez, mielőtt ráeresztenénk a szigmoid összenyomó függvényt.", "from_community_srt": "Ennek érdekében csak hozzá kell adnunk a kifejezéshez egy negatív számot, mielőtt beküldenénk a szigmoid függvénybe.", - "n_reviews": 0, + "n_reviews": 1, "start": 671.38, "end": 679.66 }, { "input": "That additional number is called the bias.", - "translatedText": "Ezt a további számot nevezzük torzításnak.", + "translatedText": "Ezt a további számot nevezzük eltolósúlynak.", "from_community_srt": "Ezt a számot torzításnak nevezzük.", - "n_reviews": 0, + "n_reviews": 1, "start": 680.58, "end": 682.44 }, { "input": "So the weights tell you what pixel pattern this neuron in the second layer is picking up on, and the bias tells you how high the weighted sum needs to be before the neuron starts getting meaningfully active.", - "translatedText": "Tehát a súlyok megmondják, hogy a második rétegben lévő neuron milyen pixelmintát vesz fel, az előfeszítés pedig azt, hogy a súlyozott összegnek milyen magasnak kell lennie ahhoz, hogy a neuron értelmesen aktívvá váljon.", + "translatedText": "Tehát a sima súlyok megmondják, hogy a második rétegben lévő neuron milyen pixelmintát vesz észre, az eltolósúly pedig azt, hogy a súlyozott összegnek milyen nagynak kell lennie ahhoz, hogy a neuron jelentősen aktívvá váljon.", "from_community_srt": "Tehát a súlyok megmondják, milyen pixel-mintázatra reagál a neuron a második rétegben, míg a torzítás meghatározza, hogy mi az a minimális súlyozott összeg, ami felett a neuron tüzelni kezd.", - "n_reviews": 0, + "n_reviews": 1, "start": 683.46, "end": 695.18 }, @@ -649,111 +649,111 @@ "input": "And that is just one neuron.", "translatedText": "És ez csak egy neuron.", "from_community_srt": "És ez csak egyetlen neuron.", - "n_reviews": 0, + "n_reviews": 1, "start": 696.12, "end": 697.68 }, { "input": "Every other neuron in this layer is going to be connected to all 784 pixel neurons from the first layer, and each one of those 784 connections has its own weight associated with it.", - "translatedText": "Minden más neuron ebben a rétegben az első réteg mind a 784 pixel neuronjához kapcsolódik, és mind a 784 kapcsolathoz saját súly tartozik.", + "translatedText": "A második réteg összes többi neuronja is ugyanúgy kapcsolódik az első réteg 784 neuronjához, és mind a 784 kapcsolathoz saját súly tartozik.", "from_community_srt": "A második réteg összes többi neuronja is ugyanúgy kapcsolódik az első réteg 784 neuronjához, és mind a 784 kapcsolathoz tartozik egy súly is.", - "n_reviews": 0, + "n_reviews": 1, "start": 698.28, "end": 710.94 }, { "input": "Also, each one has some bias, some other number that you add on to the weighted sum before squishing it with the sigmoid.", - "translatedText": "Mindegyiknek van valamilyen torzítása, egy másik szám, amelyet hozzáadunk a súlyozott összeghez, mielőtt a szigmoiddal összenyomjuk.", + "translatedText": "Továbbá mindegyiknek van egy eltolósúlya is, amelyet hozzáadunk a súlyozott összeghez, mielőtt a szigmoiddal összenyomjuk.", "from_community_srt": "Továbbá mindegyiknek van egy torzítási értéke is.", - "n_reviews": 0, + "n_reviews": 1, "start": 711.6, "end": 717.6 }, { "input": "And that's a lot to think about!", - "translatedText": "És ez rengeteg gondolkodnivaló!", + "translatedText": "És ez rengeteg!", "from_community_srt": "Ez azért nem kevés számítanivaló:", - "n_reviews": 0, + "n_reviews": 1, "start": 718.11, "end": 719.54 }, { "input": "With this hidden layer of 16 neurons, that's a total of 784 times 16 weights, along with 16 biases.", - "translatedText": "Ezzel a 16 neuronból álló rejtett réteggel ez összesen 784-szer 16 súlyt jelent, 16 torzítással együtt.", + "translatedText": "Ezzel a 16 neuronból álló rejtett réteggel ez összesen 784-szer 16 súlyt jelent, 16 eltolósúllyal együtt.", "from_community_srt": "ez a rejtett réteg 16 neuronnal összesen 784 x 16 súly + még 16 torzítás.", - "n_reviews": 0, + "n_reviews": 1, "start": 719.96, "end": 727.98 }, { "input": "And all of that is just the connections from the first layer to the second.", - "translatedText": "És mindez csak az első réteg és a második réteg közötti kapcsolatok.", + "translatedText": "És mindez csak az első és második réteg közötti kapcsolatrendszer.", "from_community_srt": "És mindez csak az első rétegtől a másodikig tartó út.", - "n_reviews": 0, + "n_reviews": 1, "start": 728.84, "end": 731.94 }, { "input": "The connections between the other layers also have a bunch of weights and biases associated with them.", - "translatedText": "A többi réteg közötti kapcsolatokhoz szintén egy csomó súly és torzítás tartozik.", + "translatedText": "A többi réteg közötti kapcsolatokhoz szintén egy csomó súly és eltolósúly tartozik.", "from_community_srt": "A többi réteg között is van egy halom súly és torzítás.", - "n_reviews": 0, + "n_reviews": 1, "start": 732.52, "end": 737.34 }, { "input": "All said and done, this network has almost exactly 13,000 total weights and biases.", - "translatedText": "Mindent összevetve, ez a hálózat majdnem pontosan 13 000 összes súlyt és torzítást tartalmaz.", + "translatedText": "Mindent összevetve, ez a hálózat majdnem pont 13000 súlyt és eltolósúlyt tartalmaz.", "from_community_srt": "Mindent számbavébe ennek a hálózatnak összesen nagyjából 13.000 súlya és torzítása van.", - "n_reviews": 0, + "n_reviews": 1, "start": 738.34, "end": 743.8 }, { "input": "13,000 knobs and dials that can be tweaked and turned to make this network behave in different ways.", - "translatedText": "13 000 gomb és tárcsa, amelyekkel és elforgatásával a hálózat különböző módon viselkedhet.", + "translatedText": "13000 tekergethető tárcsa, amelyekkel a hálózat különböző viselkedésekre bírható.", "from_community_srt": "13.000 tekergethető tárcsa, amivel a hálózat működése finomhangolható.", - "n_reviews": 0, + "n_reviews": 1, "start": 743.8, "end": 749.96 }, { "input": "So when we talk about learning, what that's referring to is getting the computer to find a valid setting for all of these many many numbers so that it'll actually solve the problem at hand.", - "translatedText": "Amikor tehát tanulásról beszélünk, akkor ez azt jelenti, hogy a számítógépnek meg kell találnia a sok-sok számnak az érvényes beállítását, hogy ténylegesen megoldja az adott problémát.", + "translatedText": "Amikor tehát a tanulásról beszélünk, az lényegében az a folyamat, amikor a számítógép beállítgatja azt a sok-sok számot, hogy ezáltal meg tudja oldani az adott problémát.", "from_community_srt": "Tehát, amikor a tanulásról beszélünk, az lényegében az a folyamat, ahogy a számítógép megtalálja azt a beállítást, amivel az összes megadott problémára jó megoldást tud adni.", - "n_reviews": 0, + "n_reviews": 1, "start": 751.04, "end": 761.36 }, { "input": "One thought experiment that is at once fun and kind of horrifying is to imagine sitting down and setting all of these weights and biases by hand, purposefully tweaking the numbers so that the second layer picks up on edges, the third layer picks up on patterns, etc.", - "translatedText": "Egy egyszerre szórakoztató és rémisztő gondolatkísérlet, ha elképzeljük, hogy leülünk, és kézzel állítjuk be ezeket a súlyokat és torzításokat, és célzottan úgy állítjuk be a számokat, hogy a második réteg az éleket, a harmadik réteg a mintákat stb. vegye fel.", + "translatedText": "Egy egyszerre szórakoztató és rémisztő gondolatkísérlet, ha elképzeljük, ahogy leülünk, és kézzel állítjuk be ezeket a súlyokat és eltolósúlyokat, célzottan úgy kiválasztva az értékeiket, hogy a második réteg az éleket, a harmadik réteg a mintákat ismerje fel, stb.", "from_community_srt": "Egy gondolatkísérlet - szórakoztató és szörnyűséges: milyen lenne leülni és ezeket a súlyokat és torzításokat mind kézzel beállítgatni úgy, hogy a második réteg felismerje a széleket, a harmadik réteg a mintákat stb.", - "n_reviews": 0, + "n_reviews": 1, "start": 762.62, "end": 776.58 }, { "input": "I personally find this satisfying rather than just treating the network as a total black box, because when the network doesn't perform the way you anticipate, if you've built up a little bit of a relationship with what those weights and biases actually mean, you have a starting place for experimenting with how to change the structure to improve.", - "translatedText": "Én személy szerint ezt kielégítőnek találom, ahelyett, hogy a hálózatot teljes fekete dobozként kezelném, mert ha a hálózat nem úgy működik, ahogyan azt elvártuk, és ha már kialakítottunk egy kis kapcsolatot azzal, hogy ezek a súlyok és torzítások valójában mit jelentenek, akkor van egy kiindulópontunk a kísérletezéshez, hogy hogyan változtassuk meg a struktúrát a javítás érdekében.", + "translatedText": "Én személy szerint szívesebben gondolok erre, ahelyett, hogy a hálózatot egy fekete dobozként kezeljük, mert ha a hálózat nem úgy működik, ahogyan azt elvártuk, de mi mégis tisztában vagyunk a súlyok valódi funkciójával, akkor van kiindulópontunk, ahol el tudunk kezdeni kísérletezni a struktúra javításának érdekében.", "from_community_srt": "Számomra ez a kielégítőbb gondolat annál, mintha a hálózat ezen részére csak mint egy fekete dobozra gondolnék. Mert amikor a hálózat nem végzi jól a munkáját, de mi mégis tisztában vagyunk azzal, hogy a súlyok és torzítások hogyan épülnek a rendszerbe, van ötletünk, hogy hol kezdjünk neki a struktúra javításának.", - "n_reviews": 0, + "n_reviews": 1, "start": 776.98, "end": 794.18 }, { "input": "Or when the network does work but not for the reasons you might expect, digging into what the weights and biases are doing is a good way to challenge your assumptions and really expose the full space of possible solutions.", - "translatedText": "Vagy amikor a hálózat működik, de nem a várt okok miatt, a súlyok és torzítások feltárása jó módja annak, hogy megkérdőjelezzük a feltételezéseinket, és valóban feltárjuk a lehetséges megoldások teljes terét.", + "translatedText": "Vagy amikor bár működik a hálózat, de nem olyan módon amire számítottál, a rendszer mélyébe tekintés jó módja annak, hogy megkérdőjelezzük a feltételezéseinket, és feltárjuk a lehetséges megoldások teljes terét.", "from_community_srt": "Vagy amikor bár működik a hálózat, de nem azért és nem úgy, mint ahogy előre elképzeltük. A hálózat működésének a mélyére ásni segít letesztelni a kezdeti feltételezéseinket, és feltárni a lehetséges megoldások teljes spektrumát.", - "n_reviews": 0, + "n_reviews": 1, "start": 794.96, "end": 805.82 }, { "input": "By the way, the actual function here is a little cumbersome to write down, don't you think?", - "translatedText": "Egyébként a tényleges funkciót itt egy kicsit nehézkes leírni, nem gondolja?", + "translatedText": "Egyébként a tényleges függvényt itt kicsit nehézkes leírni, nem gondolod?", "from_community_srt": "Amúgy a tényleges függvényt kicsit fárasztó lenne leírni,", - "n_reviews": 0, + "n_reviews": 1, "start": 806.84, "end": 810.68 }, @@ -761,284 +761,284 @@ "input": "So let me show you a more notationally compact way that these connections are represented.", "translatedText": "Hadd mutassam meg tehát, hogyan lehet ezeket a kapcsolatokat tömörebben ábrázolni.", "from_community_srt": "nem? Hadd mutassak egy tömörebb jelölést a kapcsolatok leírására.", - "n_reviews": 0, + "n_reviews": 1, "start": 812.5, "end": 817.14 }, { "input": "This is how you'd see it if you choose to read up more about neural networks.", - "translatedText": "Így láthatod, ha úgy döntesz, hogy többet olvasol a neurális hálózatokról.", + "translatedText": "Így találkozhatsz vele később, ha neurális hálózatokról olvasol.", "from_community_srt": "Ha később olvasol a témában, akkor is így fogsz ezzel találkozni.", - "n_reviews": 0, + "n_reviews": 1, "start": 817.66, "end": 820.52 }, { "input": "Organize all of the activations from one layer into a column as a vector.", - "translatedText": "Rendezze az összes aktivációt egy rétegből egy oszlopba, mivel a mátrix megfelel az egyik réteg és a következő réteg egy adott neuronja közötti kapcsolatoknak.", - "n_reviews": 0, + "translatedText": "Rendezzük a réteg összes aktivációját egy oszlopvektorba.", + "n_reviews": 1, "start": 821.38, - "end": 820.52 + "end": 826.52 }, { "input": "Then organize all of the weights as a matrix, where each row of that matrix corresponds to the connections between one layer and a particular neuron in the next layer.", - "translatedText": "Ez azt jelenti, hogy az első réteg aktivációinak súlyozott összege az említett súlyok szerint megfelel a mátrix vektorproduktumának egyik tagjának, ami itt balra van.", + "translatedText": "Aztán rendezzük az összes súlyt egy mátrixba, ahol a mátrix minden sora megfelel az egyik réteg és a következő réteg egy adott neuronja közötti kapcsolatoknak.", "from_community_srt": "Rendezzük a réteg összes aktivitását egy oszlopvektorba. Aztán rendezzük az összes súlyt egy mátrixba, aminek egy sora a hálózat egy rétege és a következő réteg egy neuronja közötti kapcsolatot írja le.", - "n_reviews": 0, - "start": 821.38, + "n_reviews": 1, + "start": 827.38, "end": 838 }, { "input": "What that means is that taking the weighted sum of the activations in the first layer according to these weights corresponds to one of the terms in the matrix vector product of everything we have on the left here.", - "translatedText": "Egyébként a gépi tanulás nagy része csak a lineáris algebra jó ismeretén múlik, így azok számára, akik szeretnének egy szép vizuális megértést a mátrixokról és arról, hogy mit jelent a mátrix-vektor szorzás, nézzék meg a lineáris algebra sorozatomat, különösen a 3. fejezetet.", + "translatedText": "Ez azt jelenti, hogy az első réteg aktivációinak súlyozott összege az említett súlyok szerint megegyezik a mátrix-vektor szorzat eredményének egyik tagjával, ami itt jobb oldalon látható.", "from_community_srt": "Ami azt jelenti, hogy az aktiválások súlyozott összege az első rétegben megegyezik a mátrix megfelelő sorvektorának és az oszlopvektornak a szorzatával.", - "n_reviews": 0, + "n_reviews": 1, "start": 838.54, "end": 849.88 }, { "input": "By the way, so much of machine learning just comes down to having a good grasp of linear algebra, so for any of you who want a nice visual understanding for matrices and what matrix vector multiplication means, take a look at the series I did on linear algebra, especially chapter 3.", - "translatedText": "Visszatérve a kifejezésünkhöz, ahelyett, hogy arról beszélnénk, hogy minden egyes értékhez függetlenül adjuk hozzá a torzítást, úgy ábrázoljuk, hogy az összes torzítást egy vektorba szervezzük, és a teljes vektort hozzáadjuk az előző mátrix vektorproduktumához.", + "translatedText": "Egyébként a gépi tanulás nagy része csak a lineáris algebra jó ismeretén múlik, szóval ha bárki egy szép vizuális magyarázatot szeretne kapni a mátrixokról és arról, hogy mit jelent a mátrix-vektor szorzás, az nézze meg a lineáris algebra sorozatomat, különösen a 3. fejezetet.", "from_community_srt": "Mellesleg a gépi tanulás nagy része főleg a lineáris algebra jó megértésére épül. Szóval ha bárki a mátrixok vizuális megértésére és mátrix szorzás megértésére vágyna, nézze meg a lineáris algebra sorozatomat is. Kiváltképp a harmadik fejezetét.", - "n_reviews": 0, + "n_reviews": 1, "start": 854, "end": 868.6 }, { "input": "Back to our expression, instead of talking about adding the bias to each one of these values independently, we represent it by organizing all those biases into a vector, and adding the entire vector to the previous matrix vector product.", - "translatedText": "Utolsó lépésként egy szigmoidot tekercselek körbe itt kívülről, és ennek azt kell ábrázolnia, hogy a szigmoid függvényt a kapott vektor minden egyes komponensére alkalmazzuk.", + "translatedText": "Visszatérve a kifejezésünkhöz. Ahelyett, hogy azt mondanánk minden egyes értékhez függetlenül adjuk hozzá az eltolósúlyt, ábrázoljuk inkább úgy, hogy az összes eltolósúlyt egy vektorba szervezzük, és ezt adjuk hozzá az előző mátrix-vektor szorzathoz.", "from_community_srt": "A kifejezésünkre visszatérve - ahelyett, hogy egyenként hozzáadnánk minden torzítást, inkább vektorba szervezzük ezeket is, és hozzáadjuk a mátrix-szorzathoz.", - "n_reviews": 0, + "n_reviews": 1, "start": 869.24, "end": 882.3 }, { "input": "Then as a final step, I'll wrap a sigmoid around the outside here, and what that's supposed to represent is that you're going to apply the sigmoid function to each specific component of the resulting vector inside.", - "translatedText": "Tehát ha egyszer leírjuk ezt a súlymátrixot és ezeket a vektorokat saját szimbólumként, akkor az aktivációk teljes átmenetét az egyik rétegből a másikba egy rendkívül szűk és takaros kis kifejezésben kommunikálhatjuk, és ez a vonatkozó kódot sokkal egyszerűbbé és gyorsabbá teszi, mivel sok könyvtár a mátrixszorzást a fenébe is optimalizálja.", + "translatedText": "Utolsó lépésként egy szigmoiddal csomagolom be kívülről, ami azt hivatott jelölni, hogy a szigmoid függvényt az eredményként kapott vektor minden egyes elemére alkalmazni kell.", "from_community_srt": "Aztán végső lépésként az egész kifejezés bekerül a szigmoid függvénybe. És ez azt jelenti, hogy a szigmoid függvényt az eredményként előálló vektor mindegyik elemére alkalmazni fogjuk.", - "n_reviews": 0, + "n_reviews": 1, "start": 883.28, "end": 894.74 }, { "input": "So once you write down this weight matrix and these vectors as their own symbols, you can communicate the full transition of activations from one layer to the next in an extremely tight and neat little expression, and this makes the relevant code both a lot simpler and a lot faster, since many libraries optimize the heck out of matrix multiplication.", - "translatedText": "Emlékszel, hogy korábban azt mondtam, hogy ezek a neuronok egyszerűen számokat tároló dolgok?", + "translatedText": "Tehát ha egyszer leírjuk ezt a súlymátrixot és ezeket a vektorokat külön szimbólumokként, akkor az aktivációk terjedését az egyik rétegből a másikba egy rendkívül szűk és takaros kis egyenlettel tudjuk kifejezni. És ez az ezt leíró kódot sokkal egyszerűbbé és gyorsabbá teszi, mivel sok programkönyvtár a mátrixszorzást szénné optimalizálja.", "from_community_srt": "Végül ha a súlymátrixot és ezeket a vektorokat saját szimbólumukkal jelöljük, tiszta és tömör formában tudjuk leírni az aktivitás átadását az egyik rétegről a másikra. Ezáltal a kód fontos része sokkal egyszerűbbé és gyorsabbá válik, mivel számos könyvtár optimalizálja a mátrix-műveleteket.", - "n_reviews": 0, + "n_reviews": 1, "start": 895.94, "end": 915.66 }, { "input": "Remember how earlier I said these neurons are simply things that hold numbers?", - "translatedText": "Nos, természetesen a konkrét számok, amelyeket tartalmaznak, a betáplált képtől függnek, így valójában pontosabb, ha minden neuronra úgy gondolunk, mint egy függvényre, amely az előző réteg összes neuronjának kimenetét veszi, és egy 0 és 1 közötti számot ad ki.", + "translatedText": "Ugye korábban azt mondtam, hogy a neuron egyszerű dolog, amely egy számot tárol?", "from_community_srt": "Korábban megegyeztünk, hogy ezek a neuronok egyszerűen olyan dolgok, amelyek számokat tartalmaznak.", - "n_reviews": 0, + "n_reviews": 1, "start": 917.82, "end": 921.46 }, { "input": "Well of course the specific numbers that they hold depends on the image you feed in, so it's actually more accurate to think of each neuron as a function, one that takes in the outputs of all the neurons in the previous layer and spits out a number between 0 and 1.", - "translatedText": "Valójában az egész hálózat csak egy függvény, amely bemenetként 784 számot vesz fel, és kimenetként 10 számot ad ki.", + "translatedText": "Nos, természetesen a konkrét számok, amelyeket tartalmaznak, a betáplált képtől függnek, így valójában pontosabb, ha minden neuronra úgy gondolunk, mint egy függvényre, amely az előző réteg összes neuronjának kimenetét veszi, és egy 0 és 1 közötti számot ad ki.", "from_community_srt": "Persze a számok attól függnek, hogy milyen képet töltöttünk be. Valójában pontosabb úgy fogalmazni, hogy minden egyes neuron egy függvény. Amelynek az előző réteg összes neuronja egy változója, és egy nulla és egy közötti számot ad eredményül.", - "n_reviews": 0, + "n_reviews": 1, "start": 922.22, "end": 938.34 }, { "input": "Really the entire network is just a function, one that takes in 784 numbers as an input and spits out 10 numbers as an output.", - "translatedText": "Ez egy abszurdan bonyolult függvény, amely 13 000 paramétert foglal magában a súlyok és torzítások formájában, amelyek bizonyos mintákat vesznek fel, és amely számos mátrixvektor-termék és a szigmoid squishification függvény iterációját foglalja magában, de ez mégis csak egy függvény, és bizonyos értelemben megnyugtató, hogy bonyolultnak tűnik.", + "translatedText": "Valójában az egész hálózat csak egy függvény, amely bemenetként 784 számot fogad, és kimenetként 10 számot ad ki.", "from_community_srt": "Valójában az egész neurális hálózat csak egy függvény. Ami 784 számot kap inputként és 10-et ad vissza.", - "n_reviews": 0, + "n_reviews": 1, "start": 939.2, "end": 947.06 }, { "input": "It's an absurdly complicated function, one that involves 13,000 parameters in the forms of these weights and biases that pick up on certain patterns, and which involves iterating many matrix vector products and the sigmoid squishification function, but it's just a function nonetheless.", - "translatedText": "Úgy értem, ha egyszerűbb lenne, milyen reményünk lenne arra, hogy meg tudná oldani a számjegyek felismerésének kihívását?", + "translatedText": "Ez egy abszurdan bonyolult függvény, amely 13000 paramétert foglal magában a súlyok és eltolósúlyok formájában, amelyek bizonyos mintákat vesznek észre, és amely sok iterációnyi mátrix-vektor szorzatot és azok szigmoid tömörítését foglalja magában, de ez még így is csak egy függvény.", "from_community_srt": "Egy rettenetesen komplikált függvény, amely 13.000 paramétert tartalmaz súlyok és torzítások formájában, és amely számos mátrixszorzaton alkalmazza a szigmoid függvényt, de ettől még csak egy függvény.", - "n_reviews": 0, + "n_reviews": 1, "start": 947.56, "end": 962.64 }, { "input": "And in a way it's kind of reassuring that it looks complicated.", - "translatedText": "És hogyan veszi fel ezt a kihívást?", + "translatedText": "És bizonyos értelemben megnyugtató, hogy bonyolultnak tűnik.", "from_community_srt": "És amúgy meg még jó is, ha bonyolultnak tűnik.", - "n_reviews": 0, + "n_reviews": 1, "start": 963.4, "end": 966.66 }, { "input": "I mean if it were any simpler, what hope would we have that it could take on the challenge of recognizing digits?", - "translatedText": "Hogyan tanulja meg ez a hálózat a megfelelő súlyokat és torzításokat pusztán az adatok megtekintésével?", + "translatedText": "Ha egyszerűbb lenne, hogyan reménykedhetnénk abban, hogy meg tudja oldani a számjegyfelismerés kihívását?", "from_community_srt": "Hiszen ha egyszerű lenne, akkor hogyan várhatnánk tőle,", - "n_reviews": 0, + "n_reviews": 1, "start": 967.34, "end": 972.28 }, { "input": "And how does it take on that challenge?", - "translatedText": "Nos, ezt fogom megmutatni a következő videóban, és egy kicsit jobban beleásom magam abba is, hogy mit is csinál valójában ez a bizonyos hálózat, amit látunk.", + "translatedText": "És mégis hogyan teljesíti ezt a kihívást?", "from_community_srt": "hogy felismerjen számjegyeket? És hogyan teszi ezt?", - "n_reviews": 0, + "n_reviews": 1, "start": 973.34, "end": 974.7 }, { "input": "How does this network learn the appropriate weights and biases just by looking at data?", - "translatedText": "Most van az a pont, ahol azt hiszem, azt kellene mondanom, hogy feliratkozom, hogy értesüljek arról, hogy mikor jön ki videó vagy bármilyen új videó, de reálisan a legtöbben nem kapnak értesítést a YouTube-tól, ugye?", + "translatedText": "Hogyan tanulja meg ez a hálózat a megfelelő súlyokat pusztán az adatok nézegetésével?", "from_community_srt": "Hogyan tudja beállítani saját magát pusztán azáltal, hogy adatokat olvas be? Ez az,", - "n_reviews": 0, + "n_reviews": 1, "start": 975.08, "end": 979.36 }, { "input": "Well that's what I'll show in the next video, and I'll also dig a little more into what this particular network we're seeing is really doing.", - "translatedText": "Talán őszintébben azt kellene mondanom, hogy feliratkozni, hogy a YouTube ajánló algoritmusának alapjául szolgáló neurális hálózatok azt higgyék, hogy szeretné, ha az adott csatorna tartalmait ajánlanák Önnek.", + "translatedText": "Nos, ezt fogom bemutatni a következő videóban, hogy mit is csinál valójában ez a bizonyos hálózat, amit látunk.", "from_community_srt": "amit a következő videóban mutatok be, illetve elmagyarázom, hogy pontosan mit is csinál ez a különleges hálózat.", - "n_reviews": 0, + "n_reviews": 1, "start": 980.14, "end": 986.12 }, { "input": "Now is the point I suppose I should say subscribe to stay notified about when that video or any new videos come out, but realistically most of you don't actually receive notifications from YouTube, do you?", - "translatedText": "Mindenesetre maradj postázva a továbbiakért.", + "translatedText": "Most van az a pont, ahol azt kellene mondanom, hogy iratkozz fel, hogy értesülj arról, hogy mikor jön ki az a bizonyos videó, de a legtöbben tán nem is kaptok értesítést a YouTube-tól, ugye?", "from_community_srt": "Most kéne azt mondanom, hogy iratkozz fel, hogy ne maradj le semmilyen újdonságról, de legtöbbünk gondolom amúgy sem kap értesítést a Youtube-tól.", - "n_reviews": 0, + "n_reviews": 1, "start": 987.58, "end": 997.42 }, { "input": "Maybe more honestly I should say subscribe so that the neural networks that underlie YouTube's recommendation algorithm are primed to believe that you want to see content from this channel get recommended to you.", - "translatedText": "Nagyon köszönöm mindenkinek, aki támogatja ezeket a videókat a Patreonon.", + "translatedText": "Talán őszintébbnek tűnök, ha azt mondom iratkozz fel, hogy a YouTube ajánló algoritmusát megvalósító neurális hálózatok azt higgyék, hogy szeretnéd, ha az adott csatorna tartalmait ajánlanák neked.", "from_community_srt": "Vagy még őszintében kérhetném ezt azért, hogy hadd higgye a Youtube videó-ajánló neurális hálózata azt, hogy ettől a csatornától szeretnél tartalmat látni.", - "n_reviews": 0, + "n_reviews": 1, "start": 998.02, "end": 1007.88 }, { "input": "Anyway, stay posted for more.", - "translatedText": "Ezen a nyáron kicsit lassan haladtam a valószínűségi sorozatban, de a projekt után újra belevágok, úgyhogy a patrónusok várják a frissítéseket.", + "translatedText": "Mindenesetre maradj naprakész!", "from_community_srt": "Akárhogy is,", - "n_reviews": 0, + "n_reviews": 1, "start": 1008.56, "end": 1009.94 }, { "input": "Thank you very much to everyone supporting these videos on Patreon.", - "translatedText": "A dolgok lezárásaként itt van velem Leisha Lee, aki a mélytanulás elméleti oldaláról doktorált, és aki jelenleg egy Amplify Partners nevű kockázati tőkebefektető cégnél dolgozik, amely szívesen biztosította a videó finanszírozásának egy részét.", + "translatedText": "Nagyon köszönöm mindenkinek, aki támogatja a videóimat a Patreonon.", "from_community_srt": "figyeljétek a posztjaimat! Köszönjük mindenkinek,", - "n_reviews": 0, + "n_reviews": 1, "start": 1010.76, "end": 1013.5 }, { "input": "I've been a little slow to progress in the probability series this summer, but I'm jumping back into it after this project, so patrons you can look out for updates there.", - "translatedText": "Szóval Leisha, az egyik dolog, amit szerintem gyorsan fel kellene hoznunk, az a szigmoid függvény.", + "translatedText": "Ezen a nyáron kicsit lassan haladtam a valószínűséges sorozattal, de a mostani projekt után újra belevágok, úgyhogy a támogatóim várhatják a frissítéseket.", "from_community_srt": "aki támogatja ezeket a videókat a patreonon! A nyár folyamán kicsit lassan haladtam a valószínűségi sorozatommal. De ez után a projekt után folytatom újra, így a patreonosok is ott tudják figyelni a frissítéseket.", - "n_reviews": 0, + "n_reviews": 1, "start": 1014, "end": 1021.9 }, { "input": "To close things off here I have with me Lisha Li who did her PhD work on the theoretical side of deep learning and who currently works at a venture capital firm called Amplify Partners who kindly provided some of the funding for this video.", - "translatedText": "Ha jól értem, a korai hálózatok ezt arra használják, hogy a releváns súlyozott összeget a nulla és egy közötti intervallumba szorítsák, tudod, a biológiai analógia alapján, miszerint a neuronok vagy inaktívak, vagy aktívak.", + "translatedText": "A videó végére itt van velem Lisha Lee, aki a gépi tanulásból doktorált, és aki jelenleg egy Amplify Partners nevű kockázati tőkebefektető cégnél dolgozik, amely a videó finanszírozásának egy részét biztosította.", "from_community_srt": "A téma lezárásaként itt van velem Lisha Li, aki a PhD-jét a deep learning (mély tanulás) elméleti oldalából írta, és jelenleg az Amplify Partners kockázatitőke-cégnél dolgozik, amely részben ezt a videót is finanszírozta.", - "n_reviews": 0, + "n_reviews": 1, "start": 1023.6, "end": 1034.62 }, { "input": "So Lisha one thing I think we should quickly bring up is this sigmoid function.", - "translatedText": "Pontosan.", + "translatedText": "Szóval Lisha, az egyik dolog, amiről még szót kéne ejtenünk az a szigmoid függvény.", "from_community_srt": "Lisha, amiről gyorsan szót kell ejtenünk, az a szigmoid függvény.", - "n_reviews": 0, + "n_reviews": 1, "start": 1035.46, "end": 1039.12 }, { "input": "As I understand it early networks use this to squish the relevant weighted sum into that interval between zero and one, you know kind of motivated by this biological analogy of neurons either being inactive or active.", - "translatedText": "De viszonylag kevés modern hálózat használ már szigmoidot.", + "translatedText": "Ha jól értem, a korai hálózatok ezt arra használják, hogy a súlyozott összegeket nulla és egy közötti intervallumba szorítsák, tudod, a biológiai neuronok működését utánzandó.", "from_community_srt": "A korai hálózatok ezt használták, hogy a súlyozott összeget 0 és 1 közé normalizálják, a biológiai neuronok analógiájaként az inaktív és aktív állapot leképezésére … (Lisha) - Pontosan", - "n_reviews": 0, + "n_reviews": 1, "start": 1039.7, "end": 1049.84 }, { "input": "Exactly.", - "translatedText": "Igen, igen, igen.", - "n_reviews": 0, + "translatedText": "Pontosan.", + "n_reviews": 1, "start": 1050.28, "end": 1050.3 }, { "input": "But relatively few modern networks actually use sigmoid anymore.", - "translatedText": "Ez egy kicsit régimódi, nem?", + "translatedText": "De viszonylag kevés modern hálózat használ már szigmoidot.", "from_community_srt": "(3B1B) - De viszonylag kevés modern hálózat használ manapság szigmoidot.", - "n_reviews": 0, + "n_reviews": 1, "start": 1050.56, "end": 1054.04 }, { "input": "Yeah.", - "translatedText": "Igen, vagy inkább a relu sokkal könnyebben képezhetőnek tűnik.", - "n_reviews": 0, + "translatedText": "Igen.", + "n_reviews": 1, "start": 1054.32, "end": 1054.32 }, { "input": "It's kind of old school right?", - "translatedText": "És a relu az egyenirányított lineáris egységet jelenti?", + "translatedText": "Már egy kicsit idejétmúlt, nem?", "from_community_srt": "Kicsit elavult már? (Lisha) - Igen,", - "n_reviews": 0, + "n_reviews": 1, "start": 1054.44, "end": 1055.54 }, { "input": "Yeah or rather ReLU seems to be much easier to train.", - "translatedText": "Igen, ez egy ilyen függvény, ahol csak a nulla és a maximumát vesszük, ahol a adott, amit a videóban magyaráztál, és amit ez a fajta motiváció, azt hiszem, részben egy biológiai analógia volt, hogy a neuronok vagy aktiválódnak, vagy nem, és ha átlép egy bizonyos küszöböt, akkor ez lenne az identitásfüggvény, de ha nem, akkor nem aktiválódna, tehát nulla lenne, tehát ez egyfajta egyszerűsítés.", + "translatedText": "Igen, vagyis inkább a ReLU-val sokkal könnyebb a betanítás.", "from_community_srt": "vagy inkább a ReLU sokkal könnyebben tanítható.", - "n_reviews": 0, + "n_reviews": 1, "start": 1055.76, "end": 1058.98 }, { "input": "And ReLU, ReLU stands for rectified linear unit?", - "translatedText": "A szigmoidok használata nem segített a képzésben, vagy nagyon nehéz volt a képzés egy bizonyos ponton, és az emberek egyszerűen kipróbálták a relu-t, ami történetesen nagyon jól működött ezeknél a hihetetlenül mély neurális hálózatoknál.", + "translatedText": "És a ReLU, az ugye korrigált lineáris függvényt jelent?", "from_community_srt": "(3B1B) - A \"ReLU\" korrigált lineáris egységet jelent,", - "n_reviews": 0, + "n_reviews": 1, "start": 1059.4, "end": 1062.34 }, { "input": "Yes it's this kind of function where you're just taking a max of zero and a where a is given by what you were explaining in the video and what this was sort of motivated from I think was a partially by a biological analogy with how neurons would either be activated or not.", - "translatedText": "Rendben, köszönöm Alicia.", + "translatedText": "Igen, ez egy olyen függvény, ahol csak a nulla és \"a\" maximumát vesszük, ahol \"a\" onnan származik, amit a videóban elmagyaráztál. Azt hiszem, részben az motiválta a kutatókat ennek kipróbálására, hogy hasonlít a biológiai neuronok működésére, amelyek vagy aktiválódnak, vagy nem.", "from_community_srt": "ugye? (Lisha) - Igen, ez egy olyan függvény, ami max(a,0)-t ad. Ahogy a videóban is rámutattál, és ami ezt motiválta, az részben biológiai, és azzal analóg, ahogy a neuronok vagy aktiválódnak vagy sem.", - "n_reviews": 0, + "n_reviews": 1, "start": 1062.68, "end": 1081.36 }, { "input": "And so if it passes a certain threshold it would be the identity function but if it did not then it would just not be activated so it'd be zero so it's kind of a simplification.", - "translatedText": "", + "translatedText": "Szóval ha az aktiváció átlép egy bizonyos küszöböt, akkor az identitásfüggvény, de ha nem, akkor nem is aktiválódna, tehát nulla lenne, tehát ez egyfajta egyszerűsítés.", "from_community_srt": "Ha egy bizonyos küszöbérték fölé megy, akkor a függvény saját magát adja vissza, de ha nem, akkor nem akarunk aktiválást, így az érték legyen nulla - ez egyfajta egyszerűsítés.", - "n_reviews": 0, + "n_reviews": 1, "start": 1081.36, "end": 1090.84 }, { "input": "Using sigmoids didn't help training or it was very difficult to train at some point and people just tried ReLU and it happened to work very well for these incredibly deep neural networks.", - "translatedText": "", + "translatedText": "A szigmoidok használata nem segített a betanításban, legalábbis nagyon nehézzé vált egy bizonyos ponton túl. Az emberek meg egyszerűen kipróbálták a ReLU-t, ami történetesen nagyon jól működött ezeknél a hihetetlenül mély neurális hálózatoknál.", "from_community_srt": "A szigmoidot egy ponton túl túl nehéz volt betanítani, így aztán kipróbálták a ReLU-t, és az meg működött, méghozzá nagyon jól a mély neurális hálózatoknál.", - "n_reviews": 0, + "n_reviews": 1, "start": 1091.16, "end": 1104.62 }, { "input": "All right thank you Lisha.", - "translatedText": "", + "translatedText": "Rendben. Köszönöm Lisha!", "from_community_srt": "(3B1B) - Rendben. Köszönöm,", - "n_reviews": 0, + "n_reviews": 1, "start": 1105.1, "end": 1105.64 } From 04c777f4e7d215ca2d672fed442370f5c48df9da Mon Sep 17 00:00:00 2001 From: Grant Sanderson Date: Fri, 15 Mar 2024 08:36:19 -0700 Subject: [PATCH 3/3] Edit "neural-networks (hungarian)" by @FaboBence