WEBVTT 00:00.470 --> 00:03.750 こんにちは､ 人工知能のコースにようこそ｡ 00:03.770 --> 00:09.140 今日のチュートリアルでは､ まず､ 深い畳み込みのキー学習について説明します｡ 00:09.140 --> 00:10.820 では､ その内容を見てみましょう｡ 00:10.820 --> 00:18.890 前回､ ディープラーニングについてお話しましたが､ エージェントがいる環境があり､ その環境を記述するベクトルがあり､ 00:18.890 --> 00:23.030 それがニューラルネットワークに供給されていました｡ 00:23.030 --> 00:26.090 そして､ 最後にQ値を出力として得ました｡ 00:26.120 --> 00:29.210 そしてもちろん､ ネットワークをどのように学習させるか､ その方法も明らかにしました｡ 00:29.210 --> 00:29.870 学習するところ｡ 00:29.870 --> 00:32.900 そのキュー値をもとに､ どのように行動が決定されるのか､ その仕組みを明らかにしました｡ 00:32.900 --> 00:34.370 それは､ アクションの部分ですね｡ 00:34.370 --> 00:42.140 そして､ アクションの選択ポリシーや､ ディープラーニングの仕組みについて､ さまざまな話をしました｡ 00:42.140 --> 00:51.200 しかし､ ここですべてのキーコンセプトは､ ここからどうやって実際の環境や状態からニューラルネットワークにたどり着くか､ 00:51.200 --> 00:54.410 ということです｡ 00:54.410 --> 00:57.800 さて､ 遷移はこちらの入力ベクトルです｡ 00:57.800 --> 01:02.180 つまり､ ニューラルネットワークの入力層で､ ベクトルなんですね｡ 01:02.180 --> 01:08.720 つまり､ 私たちが見ているのはOCなので､ 実は正しい表現ではありませんが､ 何も見ていないのです｡ 01:08.720 --> 01:12.230 代理店は基本的にこの情報を持っています｡ 01:12.230 --> 01:17.600 つまり､ 環境は､ 「あなたはエージェントで､ 現在この状態にあり､ あなたの状態はこのベクトルで表され､ 01:17.900 --> 01:26.660 この単純化した例では､ このベクトルx1 of 1, x2 of 2で表されます｡ 01:26.690 --> 01:30.020 つまり､ あなたの座標は1 2で､ それがあなたの状態全体なのです｡ 01:30.020 --> 01:36.020 より複雑な環境では､ 状態はエージェントが観察できる他のものを含むかもしれません｡ 01:36.020 --> 01:39.050 しかし､ ここでのポイントは､ ベクトルとして提起されていることです｡ 01:39.050 --> 01:46.310 そして､ GPSシステムなどを除けば､ 現実にはそんなことは起きないということです｡ 01:46.310 --> 01:48.350 でも､ 実際の生活では､ 何を使えばいいのでしょう？ 01:48.350 --> 01:48.890 ほとんどの場合ですか？ 01:48.890 --> 01:50.840 私たちは､ 五感を使い､ 目を使います｡ 01:50.840 --> 01:53.600 GPSでも､ 私たちの脳には組み込まれていません｡ 01:53.600 --> 01:56.060 脳を通して座標を伝えているわけではないのです｡ 01:56.060 --> 02:02.540 そのため､ 私たちはまだGPSを目で見て､ そこで何が起こっているのかを理解しています｡ 02:02.720 --> 02:09.560 それで､ これはAIがベクトルとして環境の情報みたいなものを得られるようにするためのごまかしのようなものです｡ 02:09.560 --> 02:10.520 シンプルすぎるのです｡ 02:10.520 --> 02:11.960 現実にはこうはいきません｡ 02:11.960 --> 02:13.790 それは人間としてどうかと思います｡ 02:13.880 --> 02:23.240 そして最終的には､ 人間と同じように活動できる人工知能､ つまり､ 人間と同じようにチャレンジできる人工知能を作りたいのです｡ 02:23.240 --> 02:33.560 人間の世界では､ そのようなことはなく､ その環境の中で自分が置かれている状態を説明する座標や他の種類のベクトルが出されているわけです｡ 02:33.560 --> 02:37.250 だから､ よりリアルにするために､ それを削除する必要があるんだ｡ 02:37.250 --> 02:38.750 そして､ それを何に置き換えることができるのか｡ 02:38.750 --> 02:42.110 情報を得るために､ 人間として何を見て､ 何をするのか｡ 02:42.110 --> 02:46.070 もちろん､ 私たちは五感を使って見ていますが､ 周りの世界について得る情報のほとんどは､ 02:46.070 --> 02:51.260 視覚から得ています｡ 02:51.260 --> 02:59.930 そして､ この小さな矢印を､ 畳み込みニューラルネットワークに変えていくわけです｡ 02:59.930 --> 03:03.680 これは別館の2号館からです｡ 03:03.830 --> 03:11.030 畳み込み層がありますが､ だからこそ､ 畳み込みニューラルネットワークとその仕組みにかなり慣れておくことが重要です｡ 03:11.030 --> 03:14.840 ですから､ 私たちのディープラーニングコースを受講された方であれば､ その点はご安心いただけると思います｡ 03:14.840 --> 03:16.880 また､ 別館をご覧いただくだけでも結構です｡ 03:16.880 --> 03:20.390 2つ目は､ 非常に優れた直感的なチュートリアルがあることです｡ 03:20.390 --> 03:24.260 ここで､ 畳み込み演算が行われるわけです｡ 03:24.260 --> 03:27.230 そこで､ 実際に画像として見てみることにします｡ 03:27.230 --> 03:31.250 つまり､ これはネット環境のイメージです｡ 03:31.250 --> 03:33.920 そうして､ エージェントは実際に環境を見ているのです｡ 03:33.920 --> 03:40.610 この場合､ 彼はその中から見ているのではなく､ 例えばコンピューター上でこのゲームをプレイしているとすると､ 03:40.610 --> 03:48.350 彼はこの環境を見ることができるので､ エージェントを表すこの図形が実際にどこにあるのかを見ることができます｡ 03:48.350 --> 03:54.200 だから､ この環境全体や､ 実際の迷路であれば人間が見るようなものを､ 内側から見ることができるのです｡ 03:54.200 --> 03:56.390 そうすれば､ 捜査官もまったく同じものを見ることができるはずです｡ 03:56.390 --> 04:02.030 つまり､ 彼が見たものは､ コンボリューションレイヤーを経て､ フルプーリングレイヤーを経て行われるのです｡ 04:02.030 --> 04:03.230 再びフラットニングを経ます｡ 04:03.230 --> 04:10.640 畳み込みニューラルネットワークの様々な部分については､ 附属書を参照してください｡ 04:10.640 --> 04:16.730 そして､ それを平坦化した後､ ニューラルネットワークへの入力を行うのです｡ 04:16.730 --> 04:24.530 人間が画像を処理するのと同じように､ エージェントも自分のサイトを使ったり､ 環境がエージェントに供給する画像を処理しなければならないので､ 04:24.530 --> 04:31.340 こちらの方がずっと現実的です｡ 04:31.340 --> 04:37.430 この優れた点は､ よりリアルで､ エージェントが人間のように見えるというだけでなく､ 04:37.430 --> 04:43.130 より複雑な環境を処理できることです｡ 04:43.130 --> 04:48.890 例えば､ 『Doom』などのゲームでも､ 誰かが作ったような情報のベクトルをこの環境で得るのではなく､ 04:48.890 --> 05:00.020 人工知能を人間である私たちの環境に接続することで､ 遊ぶことができるのです｡ 05:00.060 --> 05:01.970 この環境のビジョンを持つことになるのです｡ 05:01.970 --> 05:11.780 ですから､ 人間がこのゲームをしているときは､ まさにこの絵が見えていて､ それが人工ニューラルネットワークやエージェントが見ているものと同じなのです｡ 05:11.780 --> 05:19.700 さて､ このコースのこの部分で､ 実践的な教材をプログラミングするとき､ エージェントは実際にこの正確な画像を見ることになります｡ 05:19.700 --> 05:27.440 この人､ この銃､ この顔､ この割合､ すべてにおいて､ すべてのピクセルの正確な画像を得ることができるのです｡ 05:27.440 --> 05:28.580 まさに､ この通りです｡ 05:28.580 --> 05:30.350 それこそ､ エージェントが見ているようなものです｡ 05:30.590 --> 05:37.370 そして､ それを畳み込むように引っ張って､ 層を平らにして､ ニューラルネットワークに入れるのです｡ 05:37.370 --> 05:40.940 そして､ ニューラルネットワークは､ 実際にはもっと複雑なものになることは言うまでもない｡ 05:40.940 --> 05:42.700 そこで､ このようなものに置き換えてみましょう｡ 05:42.710 --> 05:44.330 これはあまり複雑なことではありません｡ 05:44.330 --> 05:46.430 これはちょっと複雑そうですね｡ 05:46.430 --> 05:52.580 しかし､ 実際には､ Atlanで作業し､ 作成することになるニューラルネットワークは､ 非常に興味深いものになるでしょう｡ 05:52.580 --> 05:54.050 これよりはるかに複雑なものになるでしょうね｡ 05:54.050 --> 06:00.770 しかし､ ここですでにお分かりのように､ 入力が2つから5つになっただけでも､ 事態はより複雑になってきます｡ 06:00.770 --> 06:04.310 さらに､ エージェントが行えるアクションがたくさんあることがおわかりいただけると思います｡ 06:04.310 --> 06:16.220 ドゥームのゲームでは､ 左右に曲がったり､ 下を向いたり､ 上を向いたり､ 走ったり､ 撃ったり､ リロードしたり､ ドゥームのようなファーストパーソンシューターで可能なさまざまなアクションがあるわけですね｡ 06:16.220 --> 06:23.030 さらに言えば､ このエージェントを別の種類のゲームに付けることができる､ というわけでもありません｡ 06:23.030 --> 06:36.920 なぜなら､ 環境という視覚的な表現がある限り､ その環境に関するすべてのインフラをすでに持っているからです｡ 06:36.950 --> 06:39.740 それを処理するために､ 全体の構造が出来上がっているのです｡ 06:39.740 --> 06:43.910 それが深層学習､ 畳み込み学習なんですね｡ 06:43.910 --> 06:46.160 だから､ さらに次のステップに進むのです｡ 06:46.160 --> 06:55.580 私たちは今､ エージェントの脳にすべての畳み込み層に畳み込みを追加し､ さらに複雑にしているのです｡ 06:55.580 --> 07:01.160 その結果､ 私たちはより複雑な課題を解決することができるようになり､ 報われるのです｡ 07:01.160 --> 07:07.760 ですから､ 壮大なセクションになることを大いに期待していますし､ 素晴らしいものを作り上げたいと思っています｡ 07:07.760 --> 07:10.100 そして､ 早く次のストーリーでお会いしたいです｡ 07:10.340 --> 07:11.690 そしてそれまで､ お楽しみに｡ 07:11.720 --> 07:12.230 I.