WEBVTT 00:00.630 --> 00:03.850 Halo dan selamat datang kembali ke kursus tentang kecerdasan buatan. 00:03.990 --> 00:09.260 Dalam tutorial hari ini kita akan memulai bagian dari pembelajaran dingin convolutional yang mendalam 00:09.420 --> 00:11.010 Jadi mari kita lihat apa itu semua. 00:11.010 --> 00:14.040 Sebelumnya kami berbicara tentang pembelajaran yang keren dan mendalam. 00:14.040 --> 00:21.270 Jadi kami memiliki lingkungan di mana agen dan kami memiliki vektor yang menggambarkan lingkungan yang dimasukkan ke dalam 00:21.270 --> 00:26.310 jaringan saraf dan pada akhirnya kami mendapat nilai q sebagai output kami. 00:26.310 --> 00:29.970 Dan tentu saja kami menemukan cara untuk menahan bagian pembelajaran. 00:29.970 --> 00:34.650 Kami menemukan bagaimana tindakan diputuskan berdasarkan nilai-nilai itu yang merupakan bagian tindakan. 00:34.650 --> 00:42.380 Dan kami berbicara tentang kebijakan pemilihan tindakan dan hal-hal berbeda tentang bagaimana pembelajaran yang mendalam bekerja. 00:42.420 --> 00:51.240 Tapi di sini konsep kunci untuk semua ini adalah bagaimana kita dapat dari ini dari lingkungan aktual 00:51.240 --> 00:54.450 dan keadaan ke jaringan saraf. 00:54.480 --> 00:56.190 Transisinya ada di sini. 00:56.220 --> 01:02.250 Input vektor jadi input Lehre dari jaringan saraf kita dan itu adalah vektor. 01:02.250 --> 01:06.570 Jadi yang kita lihat adalah OK, jadi kita benar-benar merayap di tikungan. 01:06.600 --> 01:08.830 Itu bukan istilah yang benar kita tidak melihat apa pun. 01:08.940 --> 01:12.330 Agen pada dasarnya memiliki informasi ini. 01:12.330 --> 01:18.490 Jadi lingkungan menguraikannya informasi ini mengatakan OK Anda agen Anda saat ini di negara Anda dijelaskan oleh 01:18.560 --> 01:26.160 sektor dalam contoh disederhanakan ini dijelaskan oleh vektor ini X-1 dari 1 x 2 dari 2 sehingga koordinat Anda adalah 1 01:26.160 --> 01:31.410 2 dan itu adalah seluruh keadaan Anda di dalam lingkungan yang lebih kompleks. 01:31.410 --> 01:37.920 Pernyataan dan semua hal lain yang dapat diamati oleh agen tetapi intinya di sini adalah bahwa ia dimiliki 01:37.920 --> 01:39.040 sebagai vektor. 01:39.240 --> 01:45.750 Dan masalahnya adalah bahwa itu tidak terjadi dalam kehidupan nyata dalam kehidupan nyata kecuali untuk sistem GPS dan hal-hal lain 01:45.780 --> 01:46.470 seperti itu. 01:46.530 --> 01:51.830 Tetapi dalam kehidupan nyata apa yang kita gunakan sebagian besar waktu kita menggunakan indera kita, kita menggunakan mata kita bahkan di GPS. 01:51.930 --> 01:53.670 Itu tidak tertanam dalam otak kita. 01:53.670 --> 01:56.420 Itu tidak memberi tahu kita koordinat melalui otak kita. 01:56.430 --> 02:02.880 Jadi kita masih menggunakan mata kita untuk melihat GPS dan memahami apa yang terjadi di sana. 02:02.910 --> 02:09.620 Dan ini adalah semacam kecurangan bagi AI untuk bisa mendapatkan informasi seperti tentang lingkungan sebagai vektor. 02:09.620 --> 02:12.030 Ini terlalu sederhana, bukan cara kerjanya dalam kehidupan nyata. 02:12.030 --> 02:17.040 Itu bukan cara kita sebagai manusia beroperasi dan pada akhirnya kita ingin menciptakan kecerdasan 02:17.340 --> 02:23.310 buatan yang dapat beroperasi dengan cara yang mirip dengan manusia yang dapat menghadapi tantangan yang sama seperti manusia. 02:23.320 --> 02:28.740 Jadi di dunia manusia kita tidak memiliki yang tidak kita miliki, kita tidak memiliki koordinat ini atau 02:28.740 --> 02:33.870 jenis vektor lain yang diberikan kepada kita yang menjelaskan keadaan kita di dalam lingkungan itu. 02:33.870 --> 02:37.350 Jadi kita harus menghapusnya agar lebih realistis. 02:37.410 --> 02:42.180 Lalu apa yang bisa kita gantikan dengan apa yang kita lihat atau apa yang kita lakukan sebagai manusia untuk mendapatkan informasi. 02:42.180 --> 02:46.860 Yah sebagian besar waktu kita melihat tentu saja semua indera kita tetapi sebagian besar 02:46.860 --> 02:51.300 informasi yang kita dapatkan tentang dunia di sekitar kita datang melalui penglihatan kita. 02:51.510 --> 02:59.340 Dan itulah mengapa kita akan mengubah panah kecil yang kita miliki menjadi jaringan saraf convolutional 02:59.340 --> 03:00.090 keseluruhan. 03:00.090 --> 03:02.700 Jadi ini dari Onix kami. 03:02.700 --> 03:08.400 Nomor dua kita punya kejang Larry dan itulah sebabnya penting untuk merasa cukup nyaman dengan jaringan saraf 03:08.460 --> 03:13.290 bersyarat evolusi dan bagaimana cara kerjanya jika Anda melakukan hubungan intim ODP dan Anda 03:13.350 --> 03:14.910 harus nyaman dengan itu. 03:14.930 --> 03:20.490 Atau Anda bisa melihat pada nomor dua berikutnya kami punya beberapa tutorial intuisi yang sangat bagus di sana. 03:20.670 --> 03:26.160 Jadi di sini kita punya operasi konvolusional yang terjadi sehingga kita benar-benar akan melihat ini 03:26.160 --> 03:27.330 sebagai gambar. 03:27.330 --> 03:31.350 Jadi ini adalah gambar dari lingkungan Net. 03:31.350 --> 03:33.990 Dan agen itu sebenarnya melihat lingkungan. 03:33.990 --> 03:39.870 Jadi dalam hal ini bukan berarti dia seperti melihat dari dalam sana, dia seperti terlihat seperti itu. 03:39.930 --> 03:44.710 Katakanlah dia memainkan ini di komputer dan dia bisa melihat lingkungan ini dan karena itu dia 03:44.760 --> 03:48.480 bisa melihat seperti di mana sosok yang mewakili agen ini sebenarnya. 03:48.480 --> 03:53.340 Anda dapat melihat keseluruhannya dalam viral atau apa pun yang akan dilihat manusia jika itu adalah labirin nyata dan manusia akan 03:53.340 --> 03:54.270 melihat labirin dari dalam. 03:54.270 --> 03:56.480 Dan agen harus bisa melakukan hal yang persis sama. 03:56.700 --> 04:03.000 Jadi apa yang dia katakan dilakukan melalui sarang keributan Anda pergi semacam bodoh menarik kaki 04:03.030 --> 04:10.140 pergi ke sana mendatar lagi Anda dapat mengetahui lebih lanjut tentang bagian-bagian berbeda dari convolutional jaringan saraf 04:10.140 --> 04:12.680 dalam lampiran dan kemudian petugas diratakan. 04:12.690 --> 04:19.950 Kemudian kami memiliki input yang masuk ke jaringan saraf dan ini adalah cara yang lebih 04:19.950 --> 04:29.010 realistis karena agen harus menggunakan situs mereka dan atau harus memproses gambar yang disediakan oleh lingkungan kepada agen seperti halnya 04:29.400 --> 04:31.590 manusia akan memproses gambar. 04:31.590 --> 04:37.410 Dan keindahan ini bukan hanya lebih realistis dan lebih seperti rona. 04:37.410 --> 04:43.280 Usia sebenarnya lebih seperti manusia tetapi memungkinkan kita untuk memproses lingkungan yang jauh lebih kompleks. 04:43.380 --> 04:49.050 Sebagai contoh, ini adalah bagaimana kita dapat memainkan Doom atau game lain seperti 04:49.050 --> 04:55.980 itu karena alih-alih hanya mendapatkan vektor informasi yang ingin diciptakan oleh seseorang untuk kita di lingkungan ini, kita 04:56.080 --> 05:02.230 bisa menghubungkan kecerdasan buatan ke lingkungan mana pun karena manusia memiliki visi dari adalah dan. 05:02.430 --> 05:08.280 Sebagai manusia ketika Anda memainkan game ini, Anda dapat melihat persis gambar ini dan itulah yang 05:08.760 --> 05:12.450 akan dilihat oleh jaringan saraf tiruan atau agennya sekarang. 05:12.540 --> 05:17.580 Jadi pada bagian ini saat Anda akan menyelidiki Tournelles yang praktis, agen tersebut akan benar-benar melihat 05:17.580 --> 05:22.890 gambar yang tepat ini. Ia akan melihat pikselnya akan mendapatkan gambar yang tepat ini penuh dengan piksel orang 05:22.890 --> 05:28.410 ini dengan ini yang telah kami lewati dengan wajah ini dengan persentase ini dengan segala yang kita lihat di 05:28.410 --> 05:30.710 sini, itulah yang akan dilihat oleh agen. 05:30.870 --> 05:37.470 Maka harus membedah bahwa dengan menarik lemak penggemukan dan kemudian akan masuk ke jaring saraf. 05:37.650 --> 05:42.150 Dan tak perlu dikatakan bahwa jaringan saraf sebenarnya jauh lebih kompleks dari itu jadi mari kita gantikan dengan sesuatu 05:42.150 --> 05:42.780 seperti ini. 05:42.780 --> 05:44.480 Ini tidak jauh lebih rumit. 05:44.520 --> 05:49.350 Ini terlihat sedikit lebih kompleks tetapi pada kenyataannya jaringan saraf akan bekerja dengan dan menciptakan 05:49.380 --> 05:54.140 jika Anda akan menjadi sangat menarik dan akan jauh lebih kompleks dari ini. 05:54.150 --> 05:59.910 Tetapi seperti yang Anda lihat sudah ada di sini bahkan jika Anda hanya memiliki lima input dan dua hal menjadi jauh lebih 05:59.970 --> 06:04.380 kompleks dan di sini Anda dapat melihat kami memiliki lebih banyak tindakan yang dapat dilakukan agen. 06:04.380 --> 06:10.850 Jadi dalam permainan malapetaka, belok kiri dan kanan melihat ke bawah, lihat kembali pemotretan Ron. 06:10.890 --> 06:16.290 Atau Anda tahu semua tindakan berbeda yang mungkin dilakukan pada orang pertama harus Anda sukai. 06:16.290 --> 06:19.430 Dan terlebih lagi tidak harus seperti yang Anda bisa. 06:19.430 --> 06:23.190 Anda dapat menyentuh agen ini ke jenis permainan lain. 06:23.190 --> 06:29.940 Itulah keindahannya yang kemudian disadari bahwa ia sekarang dapat mengoperasikan segala jenis lingkungan yang Anda 06:29.940 --> 06:34.260 lampirkan karena selama ada seperti representasi visual dari lingkungan 06:34.680 --> 06:39.940 itu sudah memiliki seluruh infrastruktur seluruh struktur siap untuk diproses bahwa. 06:39.960 --> 06:43.980 Jadi itulah inti dari pembelajaran CULE yang konvolusional. 06:43.980 --> 06:51.120 Jadi kami membawanya bahkan ke langkah berikutnya kami menambahkan konvolusi ke atau konvolusional Lares ke otak 06:51.120 --> 06:58.980 agen kami sekarang dan kami membuatnya lebih kompleks dan karena itu kami dapat merasa bosan karena dapat 06:58.980 --> 07:01.260 menyelesaikan lebih kompleks tantangan. 07:01.410 --> 07:06.720 Jadi saya harap Anda sangat gembira tentang ini akan menjadi bagian epik dan kami akan membuat beberapa hal 07:06.720 --> 07:10.460 luar biasa dan saya tidak sabar untuk melihat Anda di tutorial berikutnya. 07:10.480 --> 07:12.130 Dan sampai saat itu nikmati AI.