WEBVTT 00:00.330 --> 00:02.850 مرحبًا ومرحبًا بكم في برنامج Python التعليمي هذا. 00:03.000 --> 00:08.220 حسنًا ، سنقوم الآن بعمل الوظيفة الأمامية التي ستنشر إشارات خرج دماغنا 00:08.220 --> 00:13.530 إلى جسم الذكاء الاصطناعي بحيث يلعب الإجراء الصحيح للوصول إلى السترة. 00:13.530 --> 00:17.160 لكن لا يوجد عمل صحيح حتى الآن لأنه لا يوجد تدريب حتى الآن. 00:17.160 --> 00:23.160 لم ندرب العين بعد ، ولكن هذا بالضبط ما سنفعله في الجزء الثاني من خلال تطبيق التعلم التلافيفي 00:23.160 --> 00:29.670 العميق ، والذي بالمناسبة ، سأعيد تسمية تدريب الذكاء الاصطناعي بالتعلم التلافيفي العميق. 00:29.670 --> 00:35.220 لكن في الوقت الحالي ، نحتاج إلى إعادة توجيه الإشارة من الطبقة الخارجة من الدماغ إلى الجسم. 00:35.220 --> 00:39.960 وهذا بالضبط ما سنفعله بهذه الوظيفة الأمامية ، وهي الوظيفة الأخيرة 00:39.960 --> 00:40.590 لجسمنا. 00:41.170 --> 00:42.460 لذلك دعونا نفعل هذا. 00:42.610 --> 00:45.640 نبدأ مع جيف فورد. 00:46.150 --> 00:50.020 ووفقًا لك ، ما الحجة التي ستتخذها؟ 00:50.050 --> 00:53.050 حسنًا ، سيستغرق الأمر ، بالطبع ، الذات الأولى. 00:53.050 --> 00:54.940 ثم هل هناك واحد آخر؟ 00:54.970 --> 00:56.680 حسنًا ، نعم ، هناك. 00:56.680 --> 00:58.030 وماذا سيكون؟ 00:58.060 --> 01:04.510 حسنًا ، بطبيعة الحال ، نريد إعادة توجيه إشارة خرج الدماغ إلى الجسم ، وبالتالي فإن الإدخال 01:04.510 --> 01:07.270 سيكون إشارة الإخراج للدماغ. 01:07.540 --> 01:10.390 والآن نحتاج إلى تسمية إشارات الخرج هذه. 01:10.390 --> 01:14.260 ولذا سأضيف هنا الحجة المطروحة. 01:14.380 --> 01:14.860 حسنا. 01:14.860 --> 01:21.400 بحيث يتوافق ذلك مع إشارات الإخراج للدماغ بعد نشر صور الإدخال عبر الدماغ بالكامل للوصول إلى 01:21.400 --> 01:27.100 طبقة الإخراج ، وهي X هنا ، وترجع من خلال الوظيفة الأمامية للدماغ والآن سيتم إرسال 01:27.100 --> 01:32.380 إشارة الإخراج للدماغ للجسم مع هذه الوظيفة الأمامية الجديدة التي نصنعها 01:32.380 --> 01:34.750 في فئة الجسم الناعمة التالية. 01:35.260 --> 01:36.490 لذلك دعونا نفعل هذا. 01:36.490 --> 01:38.560 دعونا نضيف بعض الألوان هنا. 01:38.560 --> 01:43.870 والآن ، كما فهمت ، سنستخدم طريقة soft max لتشغيل الإجراء. 01:43.870 --> 01:49.420 وهذا يعني أن جسد أعيننا ، بعد تلقي إشارات الإخراج من الدماغ ، سيلعب الإجراءات باستخدام 01:49.420 --> 01:51.230 تقنية soft max. 01:51.250 --> 01:56.310 لذا فإن ما يتعين علينا فعله الآن هو بالضبط نفس ما فعلناه للسيارة ذاتية القيادة. 01:56.320 --> 01:59.310 سنحصل على توزيع الاحتمالات. 01:59.320 --> 02:05.730 هذه هي الخطوة الأولى ، وبعد ذلك سنقوم بأخذ عينة من الإجراء وفقًا لتوزيع الاحتمالات هذا. 02:05.740 --> 02:11.440 إذن ما يمكننا فعله الآن هو الحصول على ملف السيارة ذاتية القيادة ونسخ ولصق ما طبقناه لوظيفة 02:11.440 --> 02:14.560 الإجراء المحدد في السيارة ذاتية القيادة. 02:14.560 --> 02:15.610 لكن دعونا نفعل ذلك مرة أخرى. 02:15.610 --> 02:19.390 ستكون ممارسة جيدة وفي الواقع يمكنك محاولة كتابتها قبلي. 02:20.020 --> 02:20.250 تمام. 02:20.260 --> 02:23.620 أولًا ، ما سنفعله هو الحصول على الاحتمالات. 02:23.620 --> 02:29.500 لذلك أذكر أن هذا هو توزيع للاحتمالات لكل من قيم Q ، والتي تعتمد على المدخلات 02:29.500 --> 02:31.720 والصورة وكل إجراء. 02:31.720 --> 02:38.050 إذن لدينا قيمة Q واحدة لكل من الإجراءات الستة أو السبعة الممكنة ، وبالتالي نحصل على توزيع 02:38.050 --> 02:39.700 لسبعة احتمالات. 02:39.700 --> 02:44.920 أنا أقول سبعة لأنني أعتقد أن هناك سبعة أفعال بدلاً من ستة ، لأنه إلى جانب التحرك للأمام أو 02:44.920 --> 02:48.190 اليسار أو اليمين أو إطلاق النار ، يمكننا أيضًا الركض. 02:48.250 --> 02:53.860 هذا يجعل سبعة إجراءات ممكنة ، وبالتالي نحصل على توزيع سبعة احتمالات 02:53.860 --> 02:56.680 ، واحد لكل قيمة Q مرتبطة بكل إجراء. 02:57.010 --> 02:58.840 لذا الدعائم تساوي. 02:58.840 --> 03:00.580 والآن تذكر ما يتعين علينا القيام به. 03:00.610 --> 03:06.400 حسنًا ، يتعين علينا بشكل أساسي استخدام وظيفة set max من الوحدة الوظيفية. 03:06.400 --> 03:07.330 لذلك هذا بسيط للغاية. 03:07.330 --> 03:13.630 نأخذ الوحدة الوظيفية أولاً ، ثم النقطة ، ثم نأخذ دالة max soft. 03:13.630 --> 03:14.380 ها هو. 03:14.380 --> 03:22.000 نضغط على مفتاح الإدخال (Enter) ، والآن نقوم بإدخال وسيطات الدالة max ، والتي أذكر أنها العناصر 03:22.000 --> 03:25.270 التي تريد إنشاء توزيع للاحتمالات لها. 03:25.270 --> 03:31.510 وهذه بالطبع قيم Q ، وهي مخرجات الشبكة العصبية ، وهي مخرجات الشبكة العصبية 03:31.510 --> 03:35.770 التي تريد إنشاء توزيع للاحتمالات لها. 03:35.770 --> 03:41.200 وأذكر أننا نريد إنشاء هذا التوزيع للاحتمالات لنكون قادرين على استكشاف الإجراءات المختلفة 03:41.200 --> 03:45.730 بدلاً من الاختيار المباشر للإحتمالات ذات القيمة القصوى Q. 03:45.730 --> 03:51.100 إذا اخترنا مباشرة الشخص الذي يحتوي على أقصى قيمة Q ، حيث لا نستكشف الكثير من الإجراءات الأخرى 03:51.100 --> 03:57.220 وقد نفقد شيئًا ما ، ولكن باستخدام طريقة self max ، يمكننا القيام ببعض الاستكشافات ، وبالتالي ربما نجد 03:57.220 --> 04:01.330 بعض الحلول المخفية في الأنماط التي قد تكون أفضل بكثير. 04:01.600 --> 04:07.720 لذا مرة أخرى ، أوصي بشدة بـ self max ، وبالتالي ما يتعين علينا فعله الآن هو إدخال قيم Q. 04:07.720 --> 04:11.140 هذه هي مخرجاتنا هنا ، مخرجات عقولنا. 04:11.140 --> 04:13.720 إذن المخرجات ، ها نحن ذا. 04:13.720 --> 04:21.520 ولكن بعد ذلك لدينا معلمة درجة الحرارة هذه التي يمكننا استخدامها والتي يمكننا تهيئتها لتخصيص الاستكشاف. 04:21.520 --> 04:27.190 تذكر أنه كلما قمنا بتعيين درجة الحرارة أعلى ، قل استكشاف الإجراءات الأخرى التي 04:27.190 --> 04:32.860 سنفعلها ، لأنه سيتم اختيار الإجراء الأفضل باحتمالية أعلى مقارنة بالإجراءات الأخرى 04:32.860 --> 04:35.740 التي سيتم تحديدها باحتمالات أقل. 04:35.740 --> 04:41.830 هذا تمامًا مثل السيارة ذاتية القيادة ، وبالتالي علينا مضاعفة الناتج هنا في واجبنا 04:41.830 --> 04:44.770 الذاتي لمعامل درجة الحرارة. 04:45.560 --> 04:46.310 هناك نذهب. 04:47.140 --> 04:47.770 في احسن الاحوال. 04:47.800 --> 04:53.050 نتلقى الآن تحذيرًا بسيطًا لأننا لم نستخدم الدعائم بعد ، لكننا على وشك استخدامها الآن. 04:53.050 --> 04:55.330 وهذا يقودنا إلى الشيء التالي الذي يتعين علينا القيام به. 04:55.360 --> 04:57.640 كيف سنستخدم هذه الاحتمالات؟ 04:57.670 --> 05:03.460 حسنًا ، سنقوم بأخذ عينة من الإجراء النهائي للعب من توزيع الاحتمالات هذا. 05:03.460 --> 05:10.030 وبالتالي ، ما يتعين علينا فعله الآن هو استخدام الدالة المتعددة العادية لأخذ عينة من الإجراء وفقًا 05:10.030 --> 05:11.950 لتوزيع الاحتمالات هذا. 05:12.070 --> 05:14.710 لذلك نحن الآن على استعداد لاتخاذ إجراءاتنا. 05:14.950 --> 05:20.140 لذلك أقوم بإنشاء متغير جديد هنا لأن ذلك سيصبح الإجراءات التي سيقوم بها 05:20.140 --> 05:21.250 جسم أعيننا. 05:21.280 --> 05:29.440 والآن نأخذ توزيعنا للاحتمالات ، الدعائم التي نضيف إليها النقطة ثم طريقة الأعداد 05:29.440 --> 05:31.480 المتعددة. 05:32.050 --> 05:32.680 حسنا. 05:32.680 --> 05:34.870 والآن نبدأ أعمالنا النهائية. 05:34.870 --> 05:37.810 تم أخذ عينات منها من توزيع الدعائم لدينا. 05:38.200 --> 05:39.400 حسنًا ، رائع. 05:39.400 --> 05:42.220 لذلك نحن الآن على استعداد لإعادة ما نريد. 05:42.220 --> 05:44.360 هذه هي الإجراءات التي يجب أن تلعبها. 05:44.380 --> 05:46.870 وهذه بالطبع أفعال. 05:46.870 --> 05:48.580 والآن يجب أن يختفي التحذير. 05:48.580 --> 05:50.220 نحن نستخدم كل ما نريد. 05:50.230 --> 05:51.070 هناك نذهب. 05:51.100 --> 05:51.900 في احسن الاحوال. 05:51.910 --> 05:53.860 حتى الآن وظيفة الأمام جاهزة. 05:53.860 --> 05:55.630 و مبروك. 05:55.630 --> 05:57.240 الجسم جاهز أيضًا. 05:57.250 --> 05:58.960 حتى الآن لدينا دماغنا. 05:58.960 --> 06:05.200 لدينا أجسادنا ، وبالتالي ، نحن على استعداد لتجميعها لجعل المستقبل هو مستقبلنا. 06:05.200 --> 06:08.740 لن أتكون من شيء سوى دماغ وجسد. 06:08.740 --> 06:14.110 وبالتالي سيكون لديها ذكاء وجسم لتلعب الأفعال ، والتي ستكون الإجراءات 06:14.110 --> 06:16.390 الصحيحة للعب بفضل ذكائها. 06:16.390 --> 06:22.030 لكن تذكر ، قبل أن نضطر إلى تدريب ذكاءها ، وهذا ما سنفعله في الجزء الثاني ، تدريب الذكاء الاصطناعي 06:22.030 --> 06:24.400 على التعلم العميق التلافيفي. 06:25.030 --> 06:28.300 حسنًا ، لنجعل الذكاء الاصطناعي في البرامج التعليمية التالية. 06:28.300 --> 06:31.690 مرة أخرى ، ستكون فئة من وظيفتين ، على ما أعتقد. 06:31.690 --> 06:34.390 وهذا يتطلب منا دروسين أو ثلاثة دروس. 06:34.390 --> 06:35.520 لذلك لا استطيع الانتظار. 06:35.530 --> 06:36.640 سيكون هذا مثيرًا. 06:36.640 --> 06:37.840 وحتى ذلك الحين ، استمتع. 06:37.840 --> 06:38.380 أنا.