WEBVTT 00:00.510 --> 00:02.990 Merhaba ve bu Python öğreticisine hoş geldiniz. 00:03.240 --> 00:08.400 Pekâlâ, şimdi beynimizin çıkış sinyallerini AI'nın gövdesine yayacak ileri 00:08.400 --> 00:13.550 yeleği yapacağız, böylece yeleğe ulaşmak için doğru harekete geçecektir. 00:13.770 --> 00:20.100 Fakat henüz reaksiyon yok çünkü AI'yı henüz eğitmediğimiz herhangi bir eğitim yok, 00:20.100 --> 00:25.920 ancak derin konvolüsyonel bölgede uygulamak için yapacağımız şey de bu, eğitimi 00:25.920 --> 00:29.720 AI'yi derin konvolüsyonel Killary ile yeniden adlandıracağım. 00:29.940 --> 00:35.340 Ancak şu anda beynin çıkış katmanından sinyali vücudumuza iletmemiz gerekiyor. 00:35.370 --> 00:40.170 vücudumuzun son işlevi olan ileri fonksiyonla tam olarak bunu yapacağız. 00:40.170 --> 00:40.670 Ve 00:41.420 --> 00:42.860 O halde bunu yapalım. 00:42.860 --> 00:50.140 Teff ile başlarız ve size göre hangi argümanları alacaktır. 00:50.330 --> 00:55.030 İlk başta kendini zorlayacak ve sonra başka bir tane var. 00:55.220 --> 00:56.740 Evet, var. 00:56.870 --> 00:58.140 Ve ne olacak bu. 00:58.310 --> 01:04.700 Doğal olarak beynin çıkış sinyalini vücuda iletmek istiyoruz ve bu nedenle 01:04.700 --> 01:07.470 girdi beynin çıkış sinyali olacaktır. 01:07.850 --> 01:10.480 Şimdi de bu dışa dönük sinyallere bir isim vermeliyiz. 01:10.610 --> 01:14.390 Ve ben de buradaki argümanı ekleyeceğim. 01:14.460 --> 01:21.200 Pekâlâ, beyne giriş görüntüleri beynin çıkış sinyallerine karşılık gelir, böylece tüm beyin boyunca 01:21.200 --> 01:26.540 yayılır ve daha sonra beyne ilerleyişiyle geri dönen X elde 01:26.540 --> 01:27.170 edilir. 01:27.380 --> 01:32.480 Ve şimdi beyindeki bu çıktı sinyali, bir sonraki sınıfta yaptığımız 01:32.480 --> 01:35.410 bu yeni ilerleme fonksiyonuyla vücuda gönderilecek. 01:35.460 --> 01:41.760 gibi biraz renk katalım, hareketi oynamak için bir sonraki metodu kullanacağız. 01:41.870 --> 01:43.940 Şimdi bunu yapalım, anladığınız 01:43.940 --> 01:49.820 Bu, beyne ait çıkış sinyallerini aldıktan sonra AI vücudumuzun sonraki tekniği ile hareket 01:49.820 --> 01:51.440 etmesi anlamına geliyor. 01:51.440 --> 01:56.510 Yani temelde şimdi yapmamız gereken şey, arabayla yaptığımız şeyle tam olarak aynı. 01:56.600 --> 01:59.390 Olasılık dağılımımızı alacağız. 01:59.540 --> 02:05.960 Bu ilk adımdır ve olasılık dağılımına göre bir eylem örnekleyeceğiz. 02:05.960 --> 02:11.510 Yani temelde şimdi yapabileceğimiz şey kendi kendine sürüş otomobil dosyamız olsun ve kendiliğinden sürüş otomobilinde 02:11.510 --> 02:14.570 seçilen gerçek fonksiyon için uyguladığımız şeyleri kopyalayıp yapıştırın. 02:14.810 --> 02:15.700 Ama yine yapalım. 02:15.710 --> 02:19.710 İyi uygulama olacak ve aslında benden önce yazmayı deneyebilirsiniz. 02:20.150 --> 02:23.870 Tamam, önce yapacağımız şey olasılıklarımızı elde etmek. 02:23.870 --> 02:29.930 Dolayısıyla, bunun, giriş imgesine ve her eyleme bağlı olan q değerlerinin her biri için olasılık 02:29.960 --> 02:31.790 dağılımı olduğunu hatırlatmak isterim. 02:31.790 --> 02:38.120 Dolayısıyla, altı veya yedi olası eylemin her biri için bir anahtar değerimiz var ve bu nedenle 02:38.120 --> 02:43.600 yedi olasılığın dağılımını elde ediyoruz ve 7'den sonra, altılı yerine yedi eylem olduğunu düşünüyorum. 02:43.670 --> 02:50.010 nedenle, her bir eylemle ilişkili her bir q değeri için yedi olasılık dağılımı elde ederiz. 02:50.420 --> 02:57.260 Çünkü sağdan sola hareket etme ya da atış yapmanın yanı sıra, yedi muhtemel eylemi gerçekleştiririz ve bu 02:57.260 --> 02:58.930 Yani Propst eşittir. 02:59.040 --> 03:00.670 Ve şimdi ne yapmamız gerektiğini unutma. 03:00.860 --> 03:06.650 Aslında temelde fonksiyonel modüldeki soughed max fonksiyonunu kullanmak zorundayız. 03:06.680 --> 03:13.010 İşlevsel modülümüzü ilk önce alıp, bunu yaptıktan sonra bir sonraki işlevi almamız çok 03:13.130 --> 03:13.700 basit. 03:13.700 --> 03:14.480 İşte burada. 03:14.570 --> 03:22.430 hatırlattığım bir sonraki işlecin argümanlarını olasılık dağılımı oluşturmak istediğiniz öğeler haline getirdik. 03:22.430 --> 03:25.290 Enter'a bastık ve şimdi 03:25.550 --> 03:30.560 Ve tabii ki bu da sinir ağının çıktıları olan q değerleridir. 03:30.680 --> 03:35.830 Olasılık dağılımı oluşturmak istediğiniz sinir ağının çıktısı budur. 03:35.990 --> 03:41.270 Şimdi, bize, maksimum Q değerine sahip olanı doğrudan seçmek yerine farklı 03:41.270 --> 03:45.760 eylemleri keşfetmek için bu olasılık dağılımını yaratmak istediğimizi hatırlatalım. 03:46.010 --> 03:51.020 Doğrudan maksimum Q değerine sahip olanı seçersek, diğer eylemleri çok fazla keşfetmezsek, 03:51.350 --> 03:52.650 bir şeyi özleyebiliriz. 03:52.880 --> 03:58.760 daha araştırma yapabiliriz ve bu nedenle belki de daha iyi olabilecek bazı gizli çözümler bulabiliriz. 03:58.760 --> 04:01.520 Fakat bu suşi bir sonraki yöntemle biraz 04:01.850 --> 04:08.060 Nax'ı tekrar tekrar tavsiye ederim ve bundan sonra yapmamız gereken şu ki burada çıktı 04:08.060 --> 04:09.560 olan değerleri girmektir. 04:09.560 --> 04:13.860 Beynimizin çıktısı o kadar çıktı ki gittiğimizi. 04:13.970 --> 04:21.710 Fakat aramayı özelleştirmek için yapılandıracağımız kullanabileceğimiz sıcaklık parametresine sahibiz. 04:21.710 --> 04:28.130 En azından daha düşük ihtimalle seçilecek olan diğer eylemlerin aksine, en iyi eylemin 04:28.130 --> 04:33.260 daha yüksek bir olasılıkla seçileceği için, sıcaklığı ayarladıkça, diğer eylemlerin 04:33.260 --> 04:35.910 daha az araştırılabileceğini de unutmayın. 04:35.930 --> 04:42.620 Aynen otomobilin içindeymiş gibi ve bu yüzden buradaki sıcaklık parametresiyle çıktıyı çarpmak 04:43.010 --> 04:51.800 zorundayız, çünkü mükemmel oluyoruz, şimdi küçük bir uyarı var, çünkü henüz prepps kullanmadık, ancak şu an 04:51.810 --> 04:53.220 bunu kullanmak üzereyiz. 04:53.260 --> 04:55.540 Ve bu da bizi bir sonraki işimize getiriyor. 04:55.540 --> 04:57.750 Bu olasılıkları nasıl kullanacağız. 04:57.910 --> 05:04.390 Bu olasılık dağılımından oynamak için son işlemi örnekleyeceğiz ve şimdi yapmamız 05:04.990 --> 05:10.960 gereken şey, bu olasılık dağılımına göre eylemi örneklemek için çok terimli 05:10.960 --> 05:12.080 fonksiyonu kullanmaktır. 05:12.370 --> 05:15.030 Şimdi de eylemlerimize hazırız. 05:15.190 --> 05:20.500 Bu yüzden burada yeni bir Voivode oluşturacağım, çünkü AI'nın vücudunun oynayacağı 05:20.500 --> 05:21.490 işlemler olacak. 05:21.520 --> 05:30.330 Ve şimdi, noktalar eklediğimiz olasılık probları dağılımını ve daha sonra çok normal metodu 05:30.880 --> 05:31.480 kullanıyoruz. 05:32.220 --> 05:38.030 Pekâlâ, şimdi biz de sahne dağıtımımızdan toplanan son oyunlarımızı oyuna sokuyoruz. 05:38.430 --> 05:39.570 Tamam mükemmel. 05:39.570 --> 05:42.300 Şimdi biz ne istediğimize geri dönmeye hazırdık. 05:42.360 --> 05:44.450 Oynanacak eylem budur. 05:44.670 --> 05:48.720 Ve bunlar elbette eylemler ve şimdi uyarı kaybolmalıdır. 05:48.840 --> 05:50.440 İstediğimiz her şeyi kullanırız. 05:50.460 --> 05:51.270 Oraya gidiyoruz. 05:51.270 --> 05:52.020 Mükemmel. 05:52.210 --> 05:53.950 Şimdi ileri fonksiyon hazır. 05:54.080 --> 05:55.740 Ve tebrikler. 05:55.800 --> 05:57.300 Vücut da hazır. 05:57.540 --> 05:59.070 Şimdi de bizim beynimiz var. 05:59.190 --> 06:05.760 Vücudumuz var ve bu nedenle geleceğimizi AI gelecekteki AI yapacak şekilde bir araya getirmeyi planlıyoruz. Bir 06:05.760 --> 06:08.900 beyin ve bir bedenden başka bir şeyden oluşmayacağız. 06:08.970 --> 06:14.160 Ve zekâ ve bu istihbarat sayesinde oynamak için doğru eylemler olacak eylemleri 06:14.160 --> 06:16.610 yürütmek için bir organı var. 06:16.620 --> 06:22.060 Ancak zekayı öğrenmeden önce bunu da unutma, oysa konvansiyonel serin öğrenme 06:22.070 --> 06:25.180 ile göz eğitimi için kısmen yapacağız. 06:25.200 --> 06:25.500 Tamam. 06:25.500 --> 06:28.470 Öyleyse AI'yı bir dahaki sefere çıkaralım. 06:28.490 --> 06:31.810 Bence yine de iki fonksiyon sınıfı olacak. 06:31.950 --> 06:34.510 Ve bu yüzden bu iki veya üç öğretici gerektirir. 06:34.680 --> 06:35.660 Bu yüzden bekleyemem. 06:35.670 --> 06:36.780 Bu heyecan verici olacak. 06:36.780 --> 06:37.930 Ve o zamana kadar ben.