WEBVTT 00:00.360 --> 00:06.030 Halo dan selamat datang di bagian pertama implementasi AI bagian satu ini membangun AI. 00:06.120 --> 00:12.570 Dan seperti yang Anda lihat, saya sudah menambahkan dimensi dalam struktur lekukan ini dengan tiga bagian yang menyusun Bagian 00:12.660 --> 00:16.620 1 yang dengan jelas menunjukkan bagaimana kita akan membangun AI ini. 00:16.620 --> 00:18.750 Pertama kita akan membuat otak. 00:18.840 --> 00:23.760 Tidak ada yang lain selain jaringan saraf maka kita akan membuat tubuh yang akan menentukan 00:23.760 --> 00:25.400 bagaimana tindakan akan dimainkan. 00:25.590 --> 00:31.620 Dan setelah kita memiliki otak dan tubuh kita akan mengumpulkan mereka untuk membuat AI yang akan berada di 00:31.620 --> 00:33.840 bagian terakhir dari bagian pertama ini. 00:33.840 --> 00:37.890 Jadi sekarang Anda sudah dapat memiliki visi yang baik tentang struktur implementasi ini. 00:37.890 --> 00:42.760 Pertama-tama kita membuat otak lalu kita membuat tubuh dan kemudian kita mengumpulkan keduanya untuk membuat AI. 00:43.050 --> 00:48.520 Dan kemudian ini semua kita akan mulai dengan bagian pertama yaitu tentang membuat otak. 00:48.810 --> 00:51.330 Dan ini akan membawa kita untuk tutorial. 00:51.360 --> 00:54.810 Anda dapat membayangkan bahwa membuat otak tidak seperti membuat kue. 00:54.900 --> 00:57.100 Jadi ini akan membutuhkan lebih dari satu tutorial. 00:57.270 --> 01:03.690 Dan tentu saja seperti biasa kita akan mewakili otak itu dengan kelas karena kita 01:03.690 --> 01:10.200 akan memerlukan beberapa fungsi dan untuk memiliki struktur beberapa fungsi yang akan diatur dalam beberapa 01:10.200 --> 01:11.160 jenis instruksi. 01:11.310 --> 01:16.010 Yah tentu saja kita perlu kelas dan itu Berkeley karena sekali kita membuat kelas itu. 01:16.080 --> 01:22.080 Yah kita akan dapat membuat otak sebanyak yang kita inginkan dengan hanya membuat beberapa objek dari kelas ini. 01:22.080 --> 01:28.050 Jadi sekali lagi kelas dalam Python dan secara umum bahasa pemrograman berorientasi objek sangat praktis karena Anda membuat 01:28.200 --> 01:33.510 model dari sesuatu yang ingin Anda bangun dan kemudian Anda dapat membuat objek sebanyak yang Anda 01:33.510 --> 01:37.820 inginkan dan mereka akan memiliki semua fitur yang Anda tentukan di kelas. 01:38.010 --> 01:40.470 Dan untuk otak kita fitur-fiturnya tentu saja. 01:40.500 --> 01:45.930 Yah pertama-tama arsitektur jaringan saraf yang saya ingatkan adalah dari CNN dan tentu saja 01:45.930 --> 01:51.780 dua fungsi yang berbeda seperti misalnya meneruskan sinyal dari neuron input ke neuron output yang 01:51.780 --> 01:55.520 tentu saja merupakan fungsi Ford yang akan dibuat. 01:55.920 --> 01:58.940 Jadi mari kita lakukan ini, mari kita mulai membuat otak. 01:58.950 --> 02:00.600 Ini akan sangat menarik. 02:00.650 --> 02:02.380 Itu adalah salah satu bagian favorit saya. 02:02.520 --> 02:04.860 Dan karena itu mari kita langsung ke dalamnya. 02:04.890 --> 02:10.880 Jadi kita akan mulai dengan memperkenalkan kelas tentu saja dan kita akan memanggil kelas ini. 02:10.950 --> 02:18.570 Yah saya ragu untuk menyebutnya otak tetapi mari kita menjadi lebih langsung dan sebut saja CNN karena sebenarnya otak 02:18.570 --> 02:20.570 itu adalah jaringan CNN. 02:20.580 --> 02:22.510 Jaringan saraf convolutional. 02:22.530 --> 02:27.440 Jadi saat Anda menonton, Anda dapat memanggil otak jika Anda mau, tetapi setidaknya sekarang kami tahu apa yang kami bangun. 02:28.710 --> 02:35.040 Dan CNN Adapun jaringan mobil self-driving akan mewarisi dari ujung Mudgal. 02:35.220 --> 02:42.870 Jadi ingat akhir dari modul adalah apa yang kami taruh di sini dan kami ingin dapat menggunakan semua alat 02:42.870 --> 02:49.050 ini dan modul dan oleh karena itu kami ingin menggunakan teknik ini dalam pemrograman berorientasi 02:49.050 --> 02:55.870 objek yang merupakan warisan dan yang memungkinkan kami untuk Anda ketahui baik gunakan semua alat dari kelas 02:55.900 --> 02:59.970 induk dan kelas ini akan berada di modul itu. 02:59.970 --> 03:00.830 Itu dia. 03:00.930 --> 03:05.510 Dan sekarang kita bisa menggunakan semua alat dan objek di akhir modul itu. 03:05.510 --> 03:12.100 Baiklah sekarang karena kita memiliki warisan kita bisa masuk ke kelas untuk membuat fungsi pertama kita. 03:12.150 --> 03:18.360 Dan karena Anda mungkin menebak fungsi pertama adalah fungsi akhir yang akan menentukan semua variabel objek 03:18.720 --> 03:20.330 otak di masa depan. 03:20.370 --> 03:23.440 Anda tahu masa depan dan objek yang akan dibuat. 03:23.700 --> 03:24.890 Baiklah jadi mari kita lakukan ini. 03:24.900 --> 03:29.800 Def lalu dua garis bawah di dalamnya ke skor lagi. 03:29.910 --> 03:31.910 Dan sekarang kita perlu meletakkan beberapa variabel. 03:32.100 --> 03:37.460 Jadi pertama-tama saya akan menjadi diri sendiri yang tentu saja merujuk pada objek. 03:37.490 --> 03:42.380 Sekarang saya kira Anda cukup nyaman dengan ini maka kita kita akan menambahkan variabel lain 03:42.380 --> 03:45.310 yang akan menjadi jumlah tindakan di lingkungan Dumah. 03:45.500 --> 03:48.900 Jadi kita akan memanggil tindakan nomor itu. 03:49.010 --> 03:50.380 Jumlah tindakan. 03:50.570 --> 03:54.390 Dan sebenarnya variabel ini tidak wajib untuk fungsinya. 03:54.500 --> 03:59.360 Hanya saja jika Anda ingin menguji ide kita akan membangun di lingkungan lain. 03:59.540 --> 04:06.100 Nah ini akan sangat praktis karena kita akan mengimpor sejumlah tindakan mengerikan dari malapetaka dan pembungkus 04:06.120 --> 04:12.290 Varman dengan dua diskrit dan ketika melakukan itu kita akan tahu Anda memasukkan nama 04:12.510 --> 04:13.980 lingkungan melakukan nol. 04:14.180 --> 04:21.050 Jadi, jika Anda ingin Anda tahu bereksperimen dengan ini di lingkungan lain dan bermain game lain dengan baik, Anda 04:21.050 --> 04:26.300 tidak akan melakukan apa-apa karena jumlah tindakan ini akan langsung mendapatkan jumlah tindakan di 04:26.300 --> 04:27.470 lingkungan Dumor. 04:27.470 --> 04:28.650 Anda akan bermain dengan. 04:29.110 --> 04:32.710 OK jadi itu saja untuk dua argumen fungsi ini. 04:32.780 --> 04:36.500 Jadi sekarang kita bisa masuk ke dalam dan sekarang ingat apa yang harus kita lakukan. 04:36.530 --> 04:41.560 Hal pertama yang harus kita lakukan adalah mengaktifkan warisan dengan fungsi super. 04:41.570 --> 04:43.840 Jadi persis seperti untuk mobil self-driving. 04:43.970 --> 04:50.940 Kami mengambil superfungsi kemudian di dalam kita mulai dengan memasukkan kelas yang akan mendefinisikan jaringan saraf 04:51.470 --> 04:53.330 dan itu adalah CNN. 04:53.690 --> 04:56.950 Maka kita harus input sendiri untuk merujuk ke objek. 04:57.190 --> 05:05.230 Tapi ingat itu tidak semua yang perlu kita tambahkan di sini di DOT dan kemudian fungsi init dengan tanda kurung. 05:05.270 --> 05:07.880 Dan dengan melakukan itu kami mengaktifkan warisan. 05:07.950 --> 05:11.470 Dan sekarang kita bisa menggunakan semua alat dari akhir dan modul. 05:11.510 --> 05:17.070 Baiklah jadi sekarang saya pikir sudah waktunya untuk membangun arsitektur jaringan saraf. 05:17.270 --> 05:23.330 Dan seperti yang Anda ingat, kami akan membangun jaringan saraf convolutional CNN hanya karena 05:23.330 --> 05:30.290 kali ini AI akan memiliki mata dan mata akan menjadi lapisan konvolusional dari jaringan saraf convolutional 05:30.290 --> 05:31.220 ini. 05:31.520 --> 05:38.240 Dan kemudian setelah ai ai memvisualisasikan gambar dengan lapisan konvolusional itu akan meneruskan sinyal ke 05:38.330 --> 05:41.040 klasik jaringan saraf visual kita. 05:41.180 --> 05:44.510 Jadi itu yang kita miliki sebelumnya dengan lapisan yang terhubung sepenuhnya. 05:44.660 --> 05:50.730 Dan di situlah ia akan mencoba untuk memprediksi nilai kubus untuk setiap tindakan yang mungkin kita bisa mainkan. 05:51.290 --> 05:56.930 Jadi Anda memiliki arsitektur dalam pikiran pertama kita akan memiliki beberapa lapisan konvolusional dan kemudian beberapa 05:56.930 --> 06:01.270 lapisan yang sepenuhnya terhubung dan ini akan menjadi otak AI kami. 06:01.550 --> 06:07.530 Jadi apa yang akan kita lakukan untuk dapat mundur selangkah pada apa yang kita buat. 06:07.670 --> 06:11.840 Baiklah mari kita buat arsitektur ini dengan variabel yang ingin kita buat. 06:11.840 --> 06:18.890 Jadi sebenarnya berbicara tentang arsitektur ini kita akan membangun CNN dengan tiga lapisan konvolusional. 06:18.920 --> 06:24.530 Dan kemudian setelah itu satu lapisan tersembunyi yang berarti bahwa kita akan membutuhkan tiga koneksi konvolusional 06:24.530 --> 06:26.020 dan dua koneksi penuh. 06:26.180 --> 06:31.340 Dan berbicara tentang koneksi itulah yang akan kita definisikan yang akan menjadi variabel untuk kelas 06:31.370 --> 06:35.030 CNN dan karena itu Sekarang saya akan mendefinisikan lima variabel. 06:35.150 --> 06:39.100 Tiga untuk koneksi konvolusional dan dua koneksi politik. 06:39.350 --> 06:40.100 Jadi mari kita lakukan ini. 06:40.100 --> 06:42.570 Kita akan mulai dengan koneksi konvolusi. 06:42.770 --> 06:47.250 Jadi saya akan menyebut mereka konvolusi otodidak. 06:47.540 --> 06:53.620 Satu akan menyalin itu dan berdasarkan yang rendah. 06:54.020 --> 07:01.640 Dan kemudian kita menuju keyakinan diri dan keyakinan diri tiga yang merupakan koneksi konvolusi ke kesimpulan pertama ini 07:01.640 --> 07:08.450 di sini kita akan menerapkan beberapa konvolusi ke gambar input untuk mendapatkan lapisan konvolusional pertama maka 07:08.460 --> 07:15.860 kontribusi kedua ke sini akan mengambil konvolusional pertama lapisan sebagai input dan dengan menerapkan lagi beberapa konvolusi itu 07:15.860 --> 07:21.180 akan membuat konvolusional kedua di sana dan kemudian konvolusional ini di sana 07:21.180 --> 07:25.920 akan mendapatkan beberapa gambar baru masing-masing mendeteksi satu fitur tertentu. 07:26.030 --> 07:32.840 Jadi kita akan mendapatkan gambar-gambar baru ini secara konvolusional di sana kemudian kita akan menerapkan konvolusi ini 07:32.870 --> 07:39.740 ke sini untuk menghubungkan gambar-gambar baru ini dari lapisan konvolusional pertama ke beberapa gambar baru dari lapisan konvolusi 07:39.740 --> 07:40.300 kedua. 07:40.430 --> 07:46.120 Dan gambar-gambar baru ini lagi akan mendeteksi beberapa fitur dalam gambar convolutional pertama di sana. 07:46.220 --> 07:52.100 Jadi itu hanya untuk memperkuat deteksi masa depan dan kemudian munculnya konvolusional kedua di 07:52.100 --> 07:52.650 sana. 07:52.790 --> 07:57.000 Kami menerapkan konvolusional ketiga di sini untuk mendapatkannya untuk masing-masing. 07:57.050 --> 08:01.900 Beberapa gambar yang mendeteksi lebih banyak fitur di dalam gambar input. 08:02.050 --> 08:07.300 Dan semakin banyak kita melakukan ini, semakin kita menerapkan beberapa konvolusi ke lapisan gambar yang berbeda. 08:07.520 --> 08:13.580 Nah semakin kita dapat mendeteksi beberapa fitur dan dengan cara itu mendeteksi fitur mata akan mengerti di mana monster 08:13.580 --> 08:18.360 berada di mana ia harus menembak untuk membunuh mereka dan ke mana harus pergi. 08:18.500 --> 08:21.290 Ini juga akan mendeteksi tembok-tembok penghalang. 08:21.440 --> 08:28.100 Baik secara harfiah ke mana harus pergi dan itu berkat apa yang semua lapisan konvolusional ini mendeteksi 08:28.130 --> 08:29.680 dalam gambar asli. 08:30.450 --> 08:34.980 Baiklah jadi itu untuk bagian konvolusi dari CNN. 08:35.100 --> 08:42.720 Tetapi kemudian ingat setelah lapisan konvolusional kita harus meratakan semua piksel yang diperoleh oleh serangkaian konvolusi berbeda 08:42.720 --> 08:48.660 yang diterapkan dan dengan meratakan semua array piksel kita mendapatkan vektor besar ini 08:48.810 --> 08:53.260 yang akan menjadi input dari jaringan saraf tiruan klasik. 08:53.490 --> 08:58.600 Dan di situlah kami mendapatkan surat-surat kami yang sepenuhnya terhubung dan karena itu koneksi kami. 08:58.710 --> 09:04.560 Jadi sekarang yang harus kita lakukan adalah membuat dua variabel baru karena kita akan memiliki satu di sana-sini 09:04.810 --> 09:09.330 dalam jaringan saraf tiruan klasik yang datang berikutnya dan oleh karena itu 09:09.330 --> 09:16.260 kita memerlukan satu koneksi penuh dari vektor Flaten besar ini ke yang ini di sini dan sana dan koneksi penuh kedua 09:16.260 --> 09:21.620 antara yang ini di sana-sini dan lapisan output terdiri dari neuron output yang merupakan nilai-nilai kunci. 09:21.960 --> 09:27.090 Jadi mari kita buat dua koneksi pertama dan kemudian kita akan mendefinisikan semua koneksi ini 09:27.240 --> 09:36.200 Jadi minta soundtrack dalam kode kita akan memanggil mereka sendiri bahwa satu dan kemudian diri mengajar C juga. 09:36.240 --> 09:41.010 Baiklah, jadi sekarang kita memiliki semua barang berharga kita dan untuk mengetahui apa yang harus 09:41.250 --> 09:44.300 kita lakukan tentu saja didefinisikan dengan kelas-kelas modul mesin. 09:44.310 --> 09:49.110 Jadi itu berarti kita pada dasarnya akan membuat arsitektur jaringan syaraf dan itulah yang akan 09:49.190 --> 09:50.340 kita lakukan besok. 09:50.490 --> 09:51.920 Sampai saat itu.