WEBVTT 00:00.300 --> 00:06.120 Hallo en welkom bij het super spannende deel van onze creatie, het deel waar we het slim maken. 00:06.270 --> 00:08.540 Dat is dus precies wat er gebeurt als je de lucht traint. 00:08.590 --> 00:13.200 Ik zal zijn intelligentie trainen om het doel te bereiken dat we wilden bereiken. 00:13.350 --> 00:18.870 En om dit te doen, gaan we het neurale netwerk trainen om de juiste voorspellingen uit te voeren. 00:19.110 --> 00:24.360 En dan is alles al klaar, want deze uitgangssignalen van de hersenen hebben al de juiste overdracht naar 00:24.360 --> 00:27.300 het lichaam om de laatste acties uit te voeren. 00:27.660 --> 00:32.130 Dus eigenlijk is wat we nu gaan doen iets wat we al eerder deden. 00:32.280 --> 00:37.680 We gaan gewoon wat willekeurige batches uit het geheugen halen, onze invoer uit deze monsters halen, de uitvoer 00:37.680 --> 00:42.930 krijgen, het doel krijgen, de voorspellingen krijgen, de laatste fout tussen de voorspellingen en het doel berekenen, en 00:42.930 --> 00:48.360 dan achterwaartse voortplanting uitvoeren was om de gradiëntafdaling te krijgen om de gewichten bij te werken op basis 00:48.360 --> 00:51.430 van hoeveel ze hebben bijgedragen aan deze laatste fout. 00:51.900 --> 00:53.040 Dus laten we dit allemaal doen. 00:53.040 --> 00:57.660 Je zult zien hoe het zo gemakkelijk gaat, want we hebben al alle tools om dit te 00:57.660 --> 00:58.020 implementeren. 00:58.200 --> 01:04.230 We hebben niet alleen het pad naar tools zoals de optimizer en de loss-functies, maar we hebben ook alle klassen 01:04.440 --> 01:09.600 die we eerder hebben gemaakt, zoals onze hersenen natuurlijk, die we gaan gebruiken om de voorspellingen 01:09.600 --> 01:10.290 te krijgen. 01:10.620 --> 01:17.970 Vervolgens wordt onze ervaring, herhaling van de geschiktheid van de implementatie en al deze tools gecombineerd tot de pilot, 01:17.970 --> 01:23.790 welke tools de training superprestaties zullen maken en daarom zullen we uiteindelijk een superkrachtige A 01:23.790 --> 01:26.250 krijgen. L. Dus laten we deze training waarmaken. 01:26.400 --> 01:28.110 Laten we onze ogen slim maken. 01:28.290 --> 01:33.380 En het eerste wat we nu gaan doen is de laatste functie die we tijdens de training zullen gebruiken 01:33.390 --> 01:36.200 bij het berekenen van de fout ophalen en optimaliseren. 01:36.540 --> 01:37.680 Dat is het eerste wat we gaan doen. 01:37.980 --> 01:40.590 Laten we dus een variabele maken voor de laatste functie. 01:40.590 --> 01:42.150 We gaan het verlies noemen. 01:42.810 --> 01:50.340 En dit is gelijk aan de MSE-verliesfunctie van de eindmodule. 01:50.850 --> 01:52.470 En dan die Mercilus. 01:52.740 --> 01:56.940 Dat is de laatste functie die we zullen gebruiken, omdat onze voorspellingen in feite waarden zijn. 01:56.940 --> 01:59.940 Weet je, we voorspellen de kernwaarden van de verschillende acties. 01:59.940 --> 02:05.970 En daarom, aangezien dit reële getallen zijn, doen we een soort neuraal netwerk voor regressie en daarom 02:05.970 --> 02:08.910 is de verliesfunctie het middel voor fouten. 02:09.120 --> 02:11.880 Dat is de verliesfunctie die we in het algemeen gebruiken voor regressie. 02:12.450 --> 02:12.960 Oke. 02:13.080 --> 02:18.180 Dus nu we onze laatste functie hebben, laten we onze optimizer hier zo geoptimaliseerd krijgen. 02:18.180 --> 02:21.240 Dat is de variabele die we voor it-optimizer maken. 02:21.270 --> 02:23.940 En we gaan zoals gewoonlijk. 02:23.940 --> 02:30.750 Wat betreft de zelfrijdende auto, de atom optimizer, dat is een zeer krachtige optimizer die wonderen zal doen voor 02:30.930 --> 02:31.710 de training. 02:32.130 --> 02:35.820 Dus laten we deze naar dat atoom brengen. 02:36.810 --> 02:42.720 En onthoud, dat is precies wat de zelfrijdende auto moet hebben om twee essentiële argumenten in te voeren. 02:43.080 --> 02:49.200 De eerste is degene die de verbinding zal maken tussen de optimizer en de parameters van ons neurale netwerk, dat 02:49.200 --> 02:52.650 wil zeggen de gewichten van de neuronen van onze hersenen. 02:53.040 --> 02:56.640 En om dit te doen, nemen we onze hersenen, die we CNN noemden. 02:57.030 --> 02:59.040 Dat is het object dat we voor onze hersenen hebben gemaakt. 02:59.280 --> 03:05.860 En dus CNN die parameters onthoudt die we gaan en wat haakjes. 03:06.270 --> 03:11.970 Dus dat maakt de verbinding tussen de optimizer en de gewichten van de neuronen in de 03:11.970 --> 03:18.630 hersenen van onze A. L. En dan is het tweede argument een leertempo, en dat wordt gegeven door l. R. 03:18.990 --> 03:24.510 En dus moeten we hier een kleinere leersnelheid nemen omdat we niet te snel willen convergeren en we willen wat verkenning hebben 03:24.510 --> 03:29.370 en daarom een goede manier van leren waarvan we kunnen zeggen dat hier een kleine is die vier 03:29.370 --> 03:33.150 punten is of een die is 0. 01 procent. 03:33.390 --> 03:36.270 Ik denk dat dat dezelfde is die we gebruikten voor de zelfrijdende auto. 03:37.320 --> 03:43.410 Oké, dus nu hebben we een verloren functie-optimizer, dus we zijn bijna klaar om de volledige lus te starten. 03:43.470 --> 03:45.890 Nou, eigenlijk beginnen we nu met de volledige lus. 03:46.140 --> 03:52.100 Maar net voordat we het doen, gaan we de grootte bepalen van het aantal tijdperken waarin 03:52.100 --> 03:58.170 we zullen veranderen en daarom creëren we hier een nieuwe variabele die zal reageren op dit aantal tijdperken. 03:59.320 --> 04:02.140 En laten we het gelijk stellen aan honderd. 04:02.530 --> 04:08.350 Dat is goed genoeg om de lucht te trainen en ik wed zelfs dat de lucht de beste 04:08.500 --> 04:11.140 weg zal bereiken voor honderd, twintig of dertig. 04:11.500 --> 04:12.000 Laten we eens kijken. 04:12.010 --> 04:13.750 Maar laten we er nu honderd nemen. 04:13.990 --> 04:15.940 En als we het nodig hebben, vergroten we het. 04:16.090 --> 04:17.710 Maar ik denk niet dat dat nodig zal zijn. 04:18.370 --> 04:22.660 Oké, dus nu we ons aantal luchthavens hebben, kunnen we beginnen met het maken van de volledige lus, 04:22.840 --> 04:26.680 je weet wel, deze volledige hoofdlus van de training wanneer we over de luchthavens trainen. 04:27.010 --> 04:31.530 Dus voorlopig gaat het hele volleybal aan het werk. 04:31.540 --> 04:34.240 Daar kiezen we voor terug in. 04:34.990 --> 04:42.310 Nu gaan we natuurlijk de bereikfunctie gebruiken om te zeggen dat we van de eerste naar het aantal 04:42.670 --> 04:44.500 van ongeveer willen gaan. 04:47.120 --> 04:52.730 Plus één, want onthoud dat de bovengrens van een bereik niet is inbegrepen, en daarom, als 04:52.730 --> 04:58.730 je tot 100 wilt gaan, nou, we moeten specificeren en een plus één zijn om tot 100 te gaan. 04:59.390 --> 04:59.840 Oke. 04:59.840 --> 05:00.800 Dus, Colin. 05:00.980 --> 05:02.800 En laten we nu in de lus gaan. 05:03.620 --> 05:03.980 Oke. 05:03.980 --> 05:08.300 Dus het eerste wat we gaan doen is 200 runs van tien stappen doen. 05:08.660 --> 05:13.630 Dus elke époque zal 200 runs zijn, de een na de ander van 10 stappen. 05:13.940 --> 05:19.550 En om dit te doen, hebben we deze eenstaps-functie uit onze ervaringsklasse en daarom gebruiken we 05:19.550 --> 05:24.770 deze functie, wat eigenlijk een methode is omdat we het uit ons geheugenobject halen, 05:24.770 --> 05:30.080 wat een object uit de vervangingsklasse is om deze twee runs te genereren van tien stappen. 05:30.320 --> 05:36.020 We moeten ons geheugenobject nemen dat ik je eraan herinner dat we hier hebben gemaakt. 05:36.170 --> 05:40.400 Geheugen is een doel om geheugenklasse opnieuw af te spelen met Insteps. 05:40.400 --> 05:43.300 Dat is 10 treden en een capaciteit van tienduizend. 05:43.910 --> 05:52.370 We hebben dit object gemaakt en van dit object nemen we goed, deze Rundstedt-functie voert stappen uit en we 05:52.370 --> 06:00.430 specificeren tweehonderd opeenvolgende ronden van tien stappen, zodat we gewoon bij elk in principe 200 stappen uitvoeren. 06:00.860 --> 06:08.060 En nu we deze 200 stappen bij elke apoc hebben lopen, is het tijd om enkele batches van deze runs 06:08.060 --> 06:10.630 te bemonsteren en deze batches te bemonsteren. 06:10.640 --> 06:16.700 We hebben nog een andere functie uit ons geheugen, dat is een monsterbatch, en die zal precies enkele 06:16.700 --> 06:18.910 batches van deze 200 runs genereren. 06:19.400 --> 06:26.720 Maar onthoud, deze batches zijn deze keer batches van een reeks overgangen die een reeks van tien stappen zijn, in tegenstelling 06:27.020 --> 06:31.630 tot voorheen, waar de batches hier slechts enkele batches van enkele overgangen waren. 06:31.640 --> 06:37.040 Deze keer worden het batches van tien stappen, tien overgangen, en daarom is het nu tijd 06:37.040 --> 06:41.870 om deze willekeurige batches uit ons geheugen te halen en ze op te halen. 06:41.870 --> 06:48.320 We gebruikten de eenvoudige batchfunctie waarop we de batchgrootte moeten toepassen en voor de batchgrootte 06:48.320 --> 06:53.480 waar we tweeëndertig of zelfs vierenzestig of zelfs honderdachtentwintig kunnen nemen. 06:54.080 --> 06:57.830 Denk eraan, voor die maat is het gebruikelijk om tweeëndertig te gebruiken. 06:58.070 --> 07:03.470 Dat is wat je in het algemeen zult zien in de neurale netwerkarchitecturen wanneer je wat batch-learning doet. 07:03.740 --> 07:05.470 Maar deze keer is het heel anders. 07:05.660 --> 07:11.530 Wij, we nemen slechts enkele batches van 10 stappen, dus het is beter om batches met grotere maten te nemen. 07:11.690 --> 07:14.710 Dus daar kunnen we vierenzestig, honderdachtentwintig nemen. 07:15.170 --> 07:16.940 Dus we gaan honderdachtentwintig nemen. 07:17.150 --> 07:25.130 En eigenlijk zal dit binnen de lus zijn omdat we verschillende batches willen nemen en we nemen ze op 07:25.130 --> 07:28.870 in wat wordt geretourneerd door deze eenvoudige batchfunctie. 07:29.420 --> 07:36.020 Dus deze volledige lus voor batch in geheugen monster batch, honderd achtentwintig betekent dat elke honderd 07:36.020 --> 07:41.720 achtentwintig stappen, ons geheugen ons een batch van grootte zal geven, honderd achtentwintig, die 07:41.720 --> 07:47.210 eigenlijk de laatste zal bevatten honderdachtentwintig stappen die we zojuist hebben uitgevoerd. 07:47.960 --> 07:53.060 We krijgen gewoon een paar batches van zes, honderdachtentwintig en het leren gaat gebeuren op 07:53.210 --> 07:54.080 deze batches. 07:54.320 --> 07:58.910 En behalve in deze batches, zullen we in aanmerking komende trays draaien, weet je, om elke 10 stappen 07:58.910 --> 07:59.480 te leren. 08:00.230 --> 08:00.620 Oke. 08:00.620 --> 08:06.950 Dus nu binnen deze lus, die nog steeds in één tijdperk plaatsvindt, maar nu zitten we in een specifieke 08:06.950 --> 08:07.360 batch. 08:07.790 --> 08:14.060 Het eerste wat we nu gaan doen, is dat we onze input en ons doel afzonderlijk gaan krijgen. 08:14.570 --> 08:16.610 En dat, zoals ik je al zei, heel gemakkelijk is. 08:16.610 --> 08:21.290 We kunnen het doen met een van de tools die we hebben geïmplementeerd, namelijk het traceren van geschiktheid. 08:21.620 --> 08:27.950 Zoals u hier kunt zien, neemt deze functie voor het traceren van geschiktheid de invoer als invoer en nu hebben we 08:28.310 --> 08:32.060 de batch en retouren als uitvoer, de invoer en de doelen. 08:32.420 --> 08:37.490 Dus wat we nu eenvoudig kunnen doen, is twee nieuwe variabelen maken, die de invoer en het doel 08:37.490 --> 08:38.300 zullen zijn. 08:38.690 --> 08:48.080 En of deze invoer op doelen komt, is precies hetzelfde als wat deze traceerfunctie voor geschiktheid van toepassing is op een 08:48.080 --> 08:48.610 batch. 08:49.010 --> 08:51.950 Dus we zullen deze functie toepassen op de batch van onze lus. 08:52.280 --> 08:55.160 En dus wat we zullen doen, is gewoon in aanmerking komen. 08:56.460 --> 09:00.110 Trace toegepast op de partij van onze hoop. 09:00.660 --> 09:07.110 Oké, dus dat geeft ons de input en de doelen, maar in strakke wads is er altijd iets meer dat we 09:07.110 --> 09:07.850 moeten doen. 09:08.100 --> 09:13.530 En dit is natuurlijk om de invoer van het neurale netwerk en ook het doelwit om te zetten in enkele 09:13.530 --> 09:14.030 tahj-variabelen. 09:14.340 --> 09:16.170 Maar er is ook niets nieuws. 09:16.200 --> 09:17.310 Wij weten hoe het moet. 09:17.490 --> 09:18.450 We kunnen het op deze manier doen. 09:18.460 --> 09:24.930 We nemen onze input, dan onze doelen en nou ja, ze zullen gelijk zijn aan verbaal. 09:25.820 --> 09:26.510 Ingangen. 09:27.750 --> 09:30.210 Dat is voor de input en verbaal. 09:31.150 --> 09:33.580 Doelen, en dat is voor de doelen. 09:34.090 --> 09:42.250 Oké, dus de input van de hersenen wordt omgezet in enkele tahj-variabelen en de doelen worden ook omgezet 09:42.250 --> 09:43.900 in enkele tahj-variabelen. 09:44.320 --> 09:48.320 Dus nu kunnen we de input in het neurale netwerk krijgen. 09:48.640 --> 09:50.530 En waarom moeten we dit doen? 09:50.530 --> 09:55.270 Omdat de volgende stap is om de voorspellingen te krijgen, hebben we de input die we moeten targeten. 09:55.540 --> 09:59.980 Nu hebben we natuurlijk onze voorspellingen nodig, want wat er dan gebeurt, is dat we het verlies tussen 10:00.190 --> 10:02.120 de voorspellingen en de doelen gaan berekenen. 10:02.890 --> 10:06.350 Dus laten we deze voorspellingen krijgen om ze te krijgen. 10:06.640 --> 10:07.930 Nou, nogmaals, dit is zo eenvoudig. 10:07.930 --> 10:14.650 Nu hoeven we alleen ons brein, dat is CNN, ons convolutionele neurale netwerk, te nemen en het toe 10:14.830 --> 10:16.730 te passen op onze input. 10:17.320 --> 10:17.950 Daar gaan we. 10:18.320 --> 10:23.320 De invoer gaat naar het neurale netwerk en het neurale netwerk zal de voorspellingen uitvoeren. 10:24.170 --> 10:29.270 Perfect, dus nu hebben we de voorspellingen, we hebben de doelen zodat we de wetten kunnen krijgen en dat 10:29.270 --> 10:34.640 is de volgende stap, we gaan een nieuwe meer introduceren omdat we nu de laatste fout krijgen, die anders is 10:34.790 --> 10:39.660 dan de laatste functie, omdat we het gebruiken als een functie om de laatste fout te krijgen. 10:40.100 --> 10:50.570 Dus minder fouten hier en dat we het zullen krijgen met de minder functie die wordt toegepast op onze voorspellingen en de doelen 10:50.570 --> 10:54.860 die we gaan bekijken hoe alles nu soepel verloopt. 10:55.070 --> 10:56.170 Alles is logisch. 10:56.180 --> 11:00.590 We krijgen eerst de input, de doelen, en dankzij de input krijgen we de voorspellingen. 11:00.590 --> 11:03.800 En dan dankzij de voorspellingen en de doelen die we krijgen, hoe minder fouten. 11:05.070 --> 11:08.850 Heel logisch en vlot dus, en wat is nu de volgende stap? 11:09.150 --> 11:14.940 Welnu, hetzelfde logische pad nu we het laatste hebben, we kunnen deze minder fout terug propageren in het nieuwe netwerk 11:14.940 --> 11:16.890 om de gewichten bij te werken. 11:17.190 --> 11:21.540 En dat doen we met stochastische gradiëntafdaling en om stochastische gradiëntafdaling uit te voeren. 11:21.540 --> 11:24.010 We hebben onze optimizer nodig, maar die hebben we al. 11:24.030 --> 11:26.040 Hier zijn Adam Optimizer. 11:26.430 --> 11:29.010 Maar onthoud nu op dit punt wat we moeten doen. 11:29.370 --> 11:32.380 We moeten het initialiseren en initialiseren. 11:32.400 --> 11:40.620 Onthoud dat we ons optimalisatieobject nemen en vervolgens de nulgradenmethode toepassen. 11:41.440 --> 11:48.220 Daar gaan we, we vergeten de haakjes die het initialiseren niet, en nu is de volgende stap om 11:48.220 --> 11:55.630 de laatste fout terug te propageren in het nieuwe netwerk en dit te doen waar we onze laatste fout nemen 11:55.630 --> 11:58.950 en we passen erop de achterwaartse methode toe. 11:58.960 --> 12:01.800 Dus dat is precies om achterwaartse voortplanting toe te passen. 12:02.110 --> 12:06.380 En dan tot slot, nu de laatste fout terug is, propageer deze naar het nieuwe netwerk. 12:06.610 --> 12:09.610 Welnu, we kunnen de gewichten bijwerken met de Cassi-gradiëntafdaling. 12:10.300 --> 12:16.950 En om dit te doen, onthoud dat we onze optimizer nemen en vervolgens de stapmethode toepassen. 12:17.500 --> 12:18.210 Daar gaan we. 12:18.400 --> 12:19.900 De gewichten zijn nu bijgewerkt. 12:20.200 --> 12:25.500 Zoals ik je al zei, we hebben het niet alleen al gedaan, maar nu lijkt het zo eenvoudig en zo natuurlijk. 12:26.200 --> 12:28.440 Dus nu gaan we iets leuks doen. 12:28.600 --> 12:31.650 We gaan de gemiddelde beloning elke apoc afdrukken. 12:31.840 --> 12:35.830 Dus, weet je, we kunnen bijhouden hoe de A. L. gaat, hoe de opleiding gaat. 12:36.190 --> 12:40.420 We willen de gemiddelde beloning zien toenemen over de stappen, over de doos. 12:40.630 --> 12:44.070 En eerst is er natuurlijk deze verkenningsfase. 12:44.080 --> 12:49.690 Dus de gemiddelde beloning zal in het begin misschien niet toenemen, maar als het eenmaal de exploitatiefase bereikt, 12:49.690 --> 12:56.050 zullen we zien dat de gemiddelde beloning zeker toeneemt en het zal toenemen tot een bepaald niveau, dat is wanneer 12:56.290 --> 12:58.740 het het westen zo snel als mogelijk. 12:59.380 --> 13:01.210 Dus laten we beginnen met de afdruk. 13:02.200 --> 13:07.660 Weet je, we doen dit in één keer, dus we moeten terug naar de meer lusvormige 13:07.660 --> 13:12.610 afdruk en dan gaan we goed afdrukken, eerst ongeveer een kolom, dan procent. 13:12.610 --> 13:18.850 S, want we gaan alles converteren naar een string die beter is en dan gaan 13:18.850 --> 13:21.100 we de gemiddelde beloning toevoegen. 13:22.490 --> 13:27.620 En dan tellen we ook nog eens procent op, dan gaan we de quote sluiten. 13:28.890 --> 13:35.220 En dan voegen we een percentage toe en aan de andere kant, weet je, voeren we de variabelen in die de 13:35.220 --> 13:41.430 eerste persoon zullen zijn, want dat is hier het epos en de tweede variabele die overeenkomt met de gemiddelde beloning, die 13:41.610 --> 13:42.840 nu wordt berekend. 13:43.020 --> 13:45.560 De gemiddelde beloningsvariabele bestaat dus nog niet. 13:45.780 --> 13:47.600 We gaan het nu maken. 13:48.120 --> 13:51.930 Dus we gaan ETR op het werk gebruiken. 13:52.470 --> 13:55.440 Zelfs als Époque het getal is, zetten we dat om in een string. 13:55.440 --> 13:57.090 Dat is beter en. 13:58.110 --> 14:03.150 We gaan eraan toevoegen, Estie, dat dit de gemiddelde beloning zal zijn en dus gaan 14:03.150 --> 14:09.810 we een variabele maken die we een grote beloning gaan noemen en nu gaan we deze variabele maken en berekenen ? 14:10.560 --> 14:12.430 Oké, laten we dit doen. 14:12.450 --> 14:13.980 Dat is het enige wat we nog moeten doen. 14:13.980 --> 14:15.900 Dus Époque hebben we al. 14:16.170 --> 14:20.040 Laten we nu de gemiddelde wereld berekenen en we moeten het hier berekenen. 14:20.130 --> 14:27.090 Nog steeds in de lus, maar uit de lus, want nu hebben we onze batch gesampled en hebben we onze training in 14:27.090 --> 14:28.050 de batch. 14:28.350 --> 14:31.940 Maar nu wordt de voorwaartse voortplanting plus de achterwaartse voortplanting in de batch gedaan. 14:32.190 --> 14:39.900 Dus we komen weer in de lus en we kunnen nu de cumulatieve beloningen berekenen die we kunnen doen met 14:39.900 --> 14:41.100 ons wreefobject. 14:41.430 --> 14:47.910 Omdat ons insteps-object deze functie bevat, zouden we stappen uitvoeren waarmee we de cumulatieve beloningen in de 14:47.910 --> 14:51.250 stappen kunnen krijgen, weet je, tijdens de instep-run. 14:51.660 --> 14:57.330 Dus we gaan het nu gebruiken om de nieuwe beloningen van de stappen bij te werken. 14:57.660 --> 15:05.640 En dan zullen we het voortschrijdend gemiddelde object bijwerken door de cumulatieve beloningen toe te voegen aan het bewegende alledaagse object en vervolgens 15:05.640 --> 15:07.770 het gemiddelde opnieuw te berekenen. 15:07.780 --> 15:09.910 En zo gaan we de gemiddelde beloning krijgen. 15:10.590 --> 15:11.510 Dus laten we dit doen. 15:11.520 --> 15:14.640 Het eerste dat we nodig hebben, zijn de DARABA-gegevens voor beloningen. 15:14.970 --> 15:16.950 Dus laten we ze beloningen noemen. 15:18.100 --> 15:27.700 Stappen en dan, zoals we zeiden, nemen we ons eindstappen-object, dat, ik herinner me, hier een object van de 15:27.700 --> 15:33.310 instant-progress-klasse was vanuit onze ervaring dat we zo'n gevoelig onderwerp bevuilen. 15:34.000 --> 15:39.410 Vervolgens voegen we beloningen, stappen en vervolgens enkele haakjes toe. 15:39.760 --> 15:40.150 Oke. 15:40.180 --> 15:43.690 Dat zal ons de nieuwe cumulatieve beloningen van de stappen opleveren. 15:43.990 --> 15:44.500 Oke. 15:45.310 --> 15:50.800 Maar dan moeten we deze nieuwe cumulatieve beloningen toevoegen aan onze voortschrijdend gemiddelde objecten. 15:50.980 --> 15:57.760 En om dit te doen, hebben we deze keer een methode in de klasse voortschrijdend gemiddelde, namelijk deze advertentiemethode die heel eenvoudig 15:57.760 --> 15:58.210 is. 15:58.220 --> 16:03.190 We nemen ons voortschrijdend gemiddelde object, dat we hier in honderd stappen hebben gemaakt. 16:03.790 --> 16:11.710 Dan gaan we onze ADD-methode gebruiken en dan voeren we in de atmosfeer onze beloningsstappen in en dit zal de beloningen 16:11.710 --> 16:15.130 van de stappen toevoegen aan het voortschrijdend gemiddelde. 16:15.970 --> 16:16.360 Oke. 16:16.360 --> 16:21.670 En tot slot kunnen we de gemiddelde beloning berekenen en dat is goed, weet je, dat is dezelfde variabele 16:21.670 --> 16:21.960 hier. 16:22.690 --> 16:26.440 Dus dat is wat gelijk zal zijn aan de gemiddelde beloning. 16:26.860 --> 16:33.250 En om het te krijgen, hoeven we deze keer alleen de gemiddelde methode te gebruiken van ons voortschrijdend gemiddelde object. 16:33.700 --> 16:41.470 En dat doen we en een puntgemiddelde zomaar, omdat ons voortschrijdend gemiddelde al was bijgewerkt met de nieuwe beloningsstappen 16:41.710 --> 16:45.520 die we zojuist hebben toegevoegd aan de ADD-methode. 16:46.430 --> 16:46.890 Geweldig. 16:46.960 --> 16:52.990 Dus nu hebben we onze gemiddelde prijs, dus dat is erg populair hier en dit wordt elk jaar gedrukt. 16:53.420 --> 16:54.990 Oké, dus we zijn klaar. 16:55.030 --> 16:57.170 Dus ik ben zo benieuwd naar de resultaten. 16:57.170 --> 17:01.670 En eigenlijk heb ik een verrassing voor je in de volgende tutorial terwijl ik naar de resultaten kijk. 17:01.700 --> 17:03.380 Het wordt dus best spannend. 17:03.650 --> 17:06.740 En nu denk ik dat het tijd is om met de lucht te spelen en plezier te hebben. 17:07.610 --> 17:08.060 Oke. 17:08.060 --> 17:11.240 Dus bereid jezelf een goede koffie of een goede thee. 17:11.480 --> 17:17.410 Nu is het tijd om comfortabel in onze stoel te gaan zitten en een aantal zeer coole video's van ons vliegtuig te bekijken om te laten zien, 17:17.430 --> 17:18.760 dat is in de volgende tutorial. 17:18.770 --> 17:20.160 En tot die tijd, geniet ervan.