[RU] Subtitles for Chapter 1 of the video course (#489)

* Created a directory for the russian subtitles.

Created a folder for Russian subtitles for the video course and published a translation of the introductory video from chapter 1.

* Uploaded subtitles for chapter 1

Uploaded subtitles for the remaining videos for chapter 1 of the video course.

* Added subtitles for chapter 2 of the video course

Added STR subtitle files for the second chapter of the YouTube video course.

* Delete subtitles/ru directory

Removed the old translation. Incorrect timestamping.

* Create 00_welcome-to-the-hugging-face-course.srt

Create a directory and upload a subtitle file for the introductory video of the course.

* Add files via upload

Upload subtitle files for the first chapter of the course.

Author: artyomboyko

subtitles/ru/00_welcome-to-the-hugging-face-course.srt

@@ -0,0 +1,360 @@
+1
+00:00:00,189 --> 00:00:02,856
+
+
+2
+00:00:05,550 --> 00:00:07,293
+Что такое трансфертное обучение?
+
+3
+00:00:09,480 --> 00:00:10,920
+Идея трансферного обучения
+
+4
+00:00:10,920 --> 00:00:12,570
+состоит в том, чтобы использовать знания, полученные
+
+5
+00:00:12,570 --> 00:00:15,543
+моделью, обученной на большом количестве данных для другой задачи.
+
+6
+00:00:16,410 --> 00:00:20,130
+Модель A будет обучена специально для задачи A.
+
+7
+00:00:20,130 --> 00:00:22,200
+Теперь предположим, что вы хотите обучить модель B
+
+8
+00:00:22,200 --> 00:00:23,970
+для другой задачи.
+
+9
+00:00:23,970 --> 00:00:27,330
+Одним из вариантов может быть обучение модели с нуля.
+
+10
+00:00:27,330 --> 00:00:30,633
+Это может потребовать большого количества вычислений, времени и данных.
+
+11
+00:00:31,470 --> 00:00:34,260
+Вместо этого мы можем инициализировать модель B
+
+12
+00:00:34,260 --> 00:00:36,570
+с теми же весами, что и модель A,
+
+13
+00:00:36,570 --> 00:00:39,213
+передавая знания модели A на задачу B.
+
+14
+00:00:41,040 --> 00:00:42,690
+При обучении с нуля,
+
+15
+00:00:42,690 --> 00:00:45,870
+все веса модели инициализируются случайным образом.
+
+16
+00:00:45,870 --> 00:00:48,870
+В этом примере мы обучаем модель BERT
+
+17
+00:00:48,870 --> 00:00:50,220
+на задаче распознавания того,
+
+18
+00:00:50,220 --> 00:00:52,203
+похожи или нет два предложения.
+
+19
+00:00:54,116 --> 00:00:56,730
+Слева - обучение с нуля,
+
+20
+00:00:56,730 --> 00:01:00,000
+а справа - дообучение предварительно обученной модели.
+
+21
+00:01:00,000 --> 00:01:02,220
+Как мы видим, использование трансфертного обучения
+
+22
+00:01:02,220 --> 00:01:05,160
+и предварительно обученной модели дает лучшие результаты.
+
+23
+00:01:05,160 --> 00:01:07,140
+И неважно, будем ли мы обучать дольше.
+
+24
+00:01:07,140 --> 00:01:10,620
+Точность обучения с нуля составляет около 70%,
+
+25
+00:01:10,620 --> 00:01:13,293
+в то время как предварительно обученная модель легко преодолевает отметку в 86%.
+
+26
+00:01:14,460 --> 00:01:16,140
+Это связано с тем, что предварительно обученные модели
+
+27
+00:01:16,140 --> 00:01:18,420
+обычно обучаются на больших объемах данных
+
+28
+00:01:18,420 --> 00:01:21,000
+которые обеспечивают модели статистическое понимание
+
+29
+00:01:21,000 --> 00:01:23,413
+языка, используемого во время предварительного обучения.
+
+30
+00:01:24,450 --> 00:01:25,950
+В компьютерном зрении
+
+31
+00:01:25,950 --> 00:01:28,080
+трансфертное обучение успешно применяется
+
+32
+00:01:28,080 --> 00:01:30,060
+уже почти десять лет.
+
+33
+00:01:30,060 --> 00:01:32,850
+Модели часто предварительно обучаются на наборе данных ImageNet,
+
+34
+00:01:32,850 --> 00:01:36,153
+содержащем 1,2 миллиона фотографий.
+
+35
+00:01:37,170 --> 00:01:41,130
+Каждое изображение классифицируется по одной из 1000 меток.
+
+36
+00:01:41,130 --> 00:01:44,010
+Подобное обучение на размеченных данных
+
+37
+00:01:44,010 --> 00:01:45,663
+называется обучением с учителем.
+
+38
+00:01:47,340 --> 00:01:49,140
+В обработке естественного языка (NLP),
+
+39
+00:01:49,140 --> 00:01:51,870
+трансфертное обучение появилось совсем недавно.
+
+40
+00:01:51,870 --> 00:01:54,480
+Ключевое отличие от ImageNet заключается в том, что предварительное обучение
+
+41
+00:01:54,480 --> 00:01:56,460
+обычно осуществляется самостоятельно,
+
+42
+00:01:56,460 --> 00:01:58,770
+что означает, что оно не требует аннотации от человека
+
+43
+00:01:58,770 --> 00:01:59,673
+для меток.
+
+44
+00:02:00,780 --> 00:02:02,700
+Очень распространенной целью предварительного обучения
+
+45
+00:02:02,700 --> 00:02:05,310
+является угадывание следующего слова в предложении.
+
+46
+00:02:05,310 --> 00:02:07,710
+Для этого нужно только много-много текста.
+
+47
+00:02:07,710 --> 00:02:10,710
+Например, GPT-2 была предварительно обучена таким образом
+
+48
+00:02:10,710 --> 00:02:12,900
+используя содержание 45 миллионов ссылок
+
+49
+00:02:12,900 --> 00:02:14,673
+размещенных пользователями в Reddit.
+
+50
+00:02:16,560 --> 00:02:19,590
+Другим примером задачи предварительного cамообучения под наблюдением
+
+51
+00:02:19,590 --> 00:02:22,470
+является предсказание значения случайно замаскированных слов.
+
+52
+00:02:22,470 --> 00:02:24,540
+Это похоже на тесты "заполни пустое место", 
+
+53
+00:02:24,540 --> 00:02:26,760
+которые вы, возможно, выполняли в школе.
+
+54
+00:02:26,760 --> 00:02:29,880
+BERT был предварительно обучен таким образом, используя английскую Википедию
+
+55
+00:02:29,880 --> 00:02:31,893
+и 11 000 неопубликованных книг.
+
+56
+00:02:33,120 --> 00:02:36,450
+На практике трансферное обучение применяется к заданной модели
+
+57
+00:02:36,450 --> 00:02:39,090
+путем отбрасывания ее головы,
+
+58
+00:02:39,090 --> 00:02:42,150
+то есть последних слоев, сфокусированных на цели предварительного обучения,
+
+59
+00:02:42,150 --> 00:02:45,360
+и замены ее новой, случайно инициализированной головой,
+
+60
+00:02:45,360 --> 00:02:46,860
+подходящей для поставленной задачи.
+
+61
+00:02:47,970 --> 00:02:51,570
+Например, когда мы ранее проводили дообучение модели BERT,
+
+62
+00:02:51,570 --> 00:02:54,060
+мы удалили голову, которая классифицировала слова-маски,
+
+63
+00:02:54,060 --> 00:02:56,790
+и заменили ее классификатором с двумя выходами.
+
+64
+00:02:56,790 --> 00:02:58,563
+Поскольку наша задача имеет две метки.
+
+65
+00:02:59,700 --> 00:03:02,490
+Чтобы быть максимально эффективной, используемая предварительно обученная модель
+
+66
+00:03:02,490 --> 00:03:03,770
+должна быть максимально похожа 
+
+67
+00:03:03,770 --> 00:03:06,270
+на задачу, для которой она дообучается.
+
+68
+00:03:06,270 --> 00:03:08,190
+Например, если проблема
+
+69
+00:03:08,190 --> 00:03:10,860
+состоит в классификации немецких предложений,
+
+70
+00:03:10,860 --> 00:03:13,053
+лучше всего использовать предварительно обученную немецкую модель.
+
+71
+00:03:14,370 --> 00:03:16,649
+Но вместе с хорошим приходит и плохое.
+
+72
+00:03:16,649 --> 00:03:19,380
+Предварительно обученная модель передает не только свои знания,
+
+73
+00:03:19,380 --> 00:03:21,693
+но и любую предвзятость, которую она может содержать.
+
+74
+00:03:22,530 --> 00:03:24,300
+ImageNet в основном содержит изображения
+
+75
+00:03:24,300 --> 00:03:26,850
+из Соединенных Штатов и Западной Европы.
+
+76
+00:03:26,850 --> 00:03:28,020
+Поэтому модели, дообученные с его помощью
+
+77
+00:03:28,020 --> 00:03:31,710
+обычно лучше работают с изображениями из этих стран.
+
+78
+00:03:31,710 --> 00:03:33,690
+OpenAI также изучил смещение
+
+79
+00:03:33,690 --> 00:03:36,120
+в прогнозах своей модели GPT-3
+
+80
+00:03:36,120 --> 00:03:36,953
+которая была предварительно обучена
+
+81
+00:03:36,953 --> 00:03:38,750
+с использованием задачи "Угадай следующее слово".
+
+82
+00:03:39,720 --> 00:03:41,040
+Изменение пола в строке подсказке
+
+83
+00:03:41,040 --> 00:03:44,250
+с "He was very" на "She was very"
+
+84
+00:03:44,250 --> 00:03:47,550
+изменило предсказания с преимущественно нейтральных прилагательных
+
+85
+00:03:47,550 --> 00:03:49,233
+на почти только физические.
+
+86
+00:03:50,400 --> 00:03:52,367
+В карточке модели GPT-2
+
+87
+00:03:52,367 --> 00:03:54,990
+OpenAI также признает ее необъективность
+
+88
+00:03:54,990 --> 00:03:56,730
+и не рекомендует использовать ее
+
+89
+00:03:56,730 --> 00:03:58,803
+в системах, взаимодействующих с людьми.
+
+90
+00:04:01,040 --> 00:04:03,707
+
+