WEBVTT

00:00.660 --> 00:03.870
大家好, 欢迎回到人工智能课程｡ 

00:03.870 --> 00:08.490
在今天的部分中, 我们将讨论深度卷积Q学习｡ 

00:08.490 --> 00:12.270
因此, 我们将深度学习推向了更高的层次｡ 

00:12.270 --> 00:13.860
所以我们最初是从｡ 

00:13.890 --> 00:15.570
Q学习简单的学习｡ 

00:15.570 --> 00:20.640
然后我们把它带到了深度学习, 现在我们把它带到了深度卷积学习｡ 

00:20.640 --> 00:23.460
让我们看看我们要讨论的直觉｡ 

00:23.700 --> 00:26.100
直觉部分会很快讲完｡ 

00:26.130 --> 00:35.790
只要我们熟悉卷积神经网络, 就没有什么需要补充的了, 我们将在今天的节目结束时谈到这一点｡

00:35.850 --> 00:41.400
所以今天在这一节,

00:41.400 --> 00:49.710
我们将讨论深度卷积学习背后的直觉, 以及为什么它如此强大,

00:49.710 --> 01:01.220
为什么远离深度学习如此重要, 为什么深度学习只是我们通往深度卷积学习之路上的一个基本组成部分, 以及深度卷积学习为你打开了什么样的道路｡

01:01.230 --> 01:06.690
知识为你开辟了什么样的道路, 以及它可以应用到哪里｡ 

01:07.380 --> 01:13.620
我们会举几个例子, 然后我们会讨论资格追踪或者MN

01:13.860 --> 01:21.750
Step学习, 这是对深度学习概念的一个非常强大的补充, 我们会讨论它背后的直觉｡

01:21.750 --> 01:25.770
这是一个相当复杂的主题,

01:25.770 --> 01:33.510
但我们还是会用非常简单的术语来解释这个直觉, 然后我给予你一些额外的参考, 如果你想了解更多细节, 你可以在这些参考中阅读资格跟踪｡

01:33.510 --> 01:38.070
但对我们来说,

01:38.070 --> 01:45.750
把直觉记下来是很重要的, 因为我们要把它用在实践中,

01:45.750 --> 01:57.810
因为我们现在正在深入研究更复杂的话题, 我们需要把这些额外的元素添加到我们的代理或我们的关键学习算法中, 这样他们就可以真正处理这些复杂的环境, 并成功地导航｡

01:58.260 --> 02:04.980
当然, 在这一节中, 因为我们讨论的是卷积神经网络,

02:04.980 --> 02:08.970
所以我们建议大家看看附录2中的卷积神经网络｡

02:09.300 --> 02:16.380
同样, 如果你已经做过深度学习, 那么你已经熟悉了这些信息｡

02:16.380 --> 02:21.450
因此, 您可以安全地继续学习这些关于深度卷积学习的教程｡ 

02:21.450 --> 02:33.180
如果你还没有上过深度学习数据集课程, 那么看看卷积神经网络和那些直觉教程是个不错的主意, 这样你就能更好地理解神经网络是如何处理图像以寻找特征的, 以及整个卷积层是关于池化层､

02:33.180 --> 02:41.010
平面化层的, 以及所有这些是如何工作的,

02:41.010 --> 02:48.540
以便得出一些相关参数｡

02:48.540 --> 02:54.450
描述环境或那个, 描述图像, 因此我们将使用这些作为神经网络的输入,

02:54.450 --> 02:58.230
而不是我们正在谈论的那个向量｡

02:58.230 --> 02:59.820
但是在下一个教程中会有更多的介绍｡ 

02:59.820 --> 03:06.240
因此, 如果你还没有看过这些教程, 我们强烈建议你去看看它们,

03:06.240 --> 03:10.230
以加快速度或更新你对意志神经网络的知识｡

03:10.230 --> 03:15.720
总而言之, 我们有一个令人兴奋的部分,

03:15.720 --> 03:21.630
正如你所看到的, 并没有那么多的直觉教程, 这意味着你可以, 你可以很快地跳到事情的实际方面｡

03:21.960 --> 03:24.330
所以在这一点上, 我迫不及待地想看到你的第一个教程｡ 

03:24.330 --> 03:26.790
在那之前, 好好享受我｡