WEBVTT 00:00.300 --> 00:06.120 Bonjour et bienvenue dans la partie super excitante de notre création, la partie où nous la rendons intelligente. 00:06.270 --> 00:08.540 C'est donc exactement ce qui se passe lors de l'entraînement de l'air. 00:08.590 --> 00:13.200 Je formerai son intelligence pour atteindre l'objectif que nous voulions accomplir. 00:13.350 --> 00:18.870 Et pour ce faire, nous allons essentiellement former le réseau de neurones à produire les bonnes prédictions. 00:19.110 --> 00:24.360 Et puis tout est déjà prêt car ces signaux de sortie du cerveau ont déjà la bonne 00:24.360 --> 00:27.300 transmission au corps pour jouer les actions finales. 00:27.660 --> 00:32.130 Donc, fondamentalement, ce que nous sommes sur le point de faire est quelque chose que nous avons déjà fait auparavant. 00:32.280 --> 00:37.680 Nous allons simplement prendre des lots aléatoires de la mémoire, obtenir notre entrée à partir de ces échantillons, obtenir 00:37.680 --> 00:42.930 la sortie, obtenir la cible, obtenir les prédictions, calculer la dernière erreur entre les prédictions et la cible, 00:42.930 --> 00:48.360 puis effectuer une propagation en arrière était pour obtenir la descente du gradient pour mettre à jour les poids 00:48.360 --> 00:51.430 en fonction de leur contribution à cette dernière erreur. 00:51.900 --> 00:53.040 Alors faisons tout ça. 00:53.040 --> 00:57.660 Vous allez voir comment ça va être si facile car nous avons déjà tous les outils pour mettre en œuvre 00:57.660 --> 00:58.020 cela. 00:58.200 --> 01:04.230 Non seulement nous avons le chemin vers des outils comme l'optimiseur et les fonctions de perte, mais nous avons également toutes 01:04.440 --> 01:09.600 les classes que nous avons créées auparavant, comme notre cerveau, bien sûr, que nous allons utiliser pour obtenir 01:09.600 --> 01:10.290 les prédictions. 01:10.620 --> 01:17.970 Ensuite notre expérience, rejouer la trace d'éligibilité de la mise en œuvre et tous ces outils combinés au 01:17.970 --> 01:23.790 pilote, quels outils rendront la formation super performante et donc finalement nous obtiendrons un 01:23.790 --> 01:26.250 A. JE. Alors faisons en sorte que cette formation se réalise. 01:26.400 --> 01:28.110 Rendons nos yeux intelligents. 01:28.290 --> 01:33.380 Et la première chose que nous allons faire maintenant est d'obtenir la dernière fonction que nous utiliserons pendant la 01:33.390 --> 01:36.200 formation lors du calcul de l'erreur et de l'optimiser. 01:36.540 --> 01:37.680 C'est la première chose que nous ferons. 01:37.980 --> 01:40.590 Créons donc une variable pour la dernière fonction. 01:40.590 --> 01:42.150 Nous allons appeler cela la perte. 01:42.810 --> 01:50.340 Et ce sera égal à la fonction de perte MSE du module d'extrémité. 01:50.850 --> 01:52.470 Et puis ce Mercilus. 01:52.740 --> 01:56.940 C'est la dernière fonction que nous utiliserons car nos prédictions sont essentiellement des valeurs. 01:56.940 --> 01:59.940 Vous savez, nous prédisons les valeurs fondamentales des différentes actions. 01:59.940 --> 02:05.970 Et par conséquent, puisque ce sont des nombres réels, eh bien, nous faisons en quelque sorte un réseau de neurones pour la régression 02:05.970 --> 02:08.910 et donc la fonction de perte est le moyen d'erreur. 02:09.120 --> 02:11.880 C'est la fonction de perte que nous utilisons en général pour la régression. 02:12.450 --> 02:12.960 D'accord. 02:13.080 --> 02:18.180 Alors maintenant que nous avons notre dernière fonction, optimisons notre optimiseur ici. 02:18.180 --> 02:21.240 C'est la variable que nous créons pour l'optimiseur. 02:21.270 --> 02:23.940 Et nous allons prendre comme d'habitude. 02:23.940 --> 02:30.750 Quant à la voiture autonome, l'optimiseur d'atome, c'est un optimiseur très puissant qui fera des merveilles pour 02:30.930 --> 02:31.710 l'entraînement. 02:32.130 --> 02:35.820 Alors, amenons celui-ci à cet atome. 02:36.810 --> 02:42.720 Et rappelez-vous, c'est exactement ce que la voiture autonome dont nous avons à introduire deux arguments essentiels. 02:43.080 --> 02:49.200 Le premier est celui qui fera le lien entre l'optimiseur et les paramètres de notre réseau de 02:49.200 --> 02:52.650 neurones, c'est-à-dire les poids des neurones de notre cerveau. 02:53.040 --> 02:56.640 Et pour ce faire, nous prenons notre cerveau, que nous avons appelé CNN. 02:57.030 --> 02:59.040 C'est l'objet que nous avons créé pour notre cerveau. 02:59.280 --> 03:05.860 Et donc CNN qui se souvient des paramètres que nous allons et quelques parenthèses. 03:06.270 --> 03:11.970 Cela fait donc le lien entre l'optimiseur et les poids des neurones dans le 03:11.970 --> 03:18.630 cerveau de notre A. JE. Et puis le deuxième argument est un taux d'apprentissage, et c'est donné par l. R. 03:18.990 --> 03:24.510 Et donc ici, nous devons prendre un taux d'apprentissage plus petit car nous ne voulons pas converger trop vite et nous voulons avoir un 03:24.510 --> 03:29.370 peu d'exploration et donc un bon moyen d'apprentissage que nous pouvons dire ici est un petit qui est de quatre points 03:29.370 --> 03:33.150 ou un qui est égal à 0. 01 pour cent. 03:33.390 --> 03:36.270 Je pense que c'est la même chose que nous avons utilisée pour la voiture autonome. 03:37.320 --> 03:43.410 Très bien, nous avons maintenant un optimiseur de fonction perdu, nous sommes donc presque prêts à démarrer la boucle complète. 03:43.470 --> 03:45.890 Eh bien, en fait, nous allons commencer la boucle complète dès maintenant. 03:46.140 --> 03:52.100 Mais juste avant de le faire, nous allons décider de la taille du nombre d'époques dans 03:52.100 --> 03:58.170 lesquelles nous allons devenir et donc créer une nouvelle variable ici qui répondra à ce nombre d'époques. 03:59.320 --> 04:02.140 Et définissons-le égal à cent. 04:02.530 --> 04:08.350 Ce sera assez bien pour entraîner l'air et je parie même que l'air parviendra à atteindre le meilleur 04:08.500 --> 04:11.140 chemin avant cent comme vingt ou trente. 04:11.500 --> 04:12.000 Voyons voir. 04:12.010 --> 04:13.750 Mais pour l'instant, prenons cent. 04:13.990 --> 04:15.940 Et si nous en avons besoin, nous l'augmenterons. 04:16.090 --> 04:17.710 Mais je ne pense pas que ce sera nécessaire. 04:18.370 --> 04:22.660 OK, maintenant que nous avons notre nombre d'aéroports, nous pouvons commencer à faire la boucle complète, vous 04:22.840 --> 04:26.680 savez, cette boucle principale complète de la formation lorsque nous nous entraînons au-dessus des aéroports. 04:27.010 --> 04:31.530 Alors pour alors tout le volleyball va être au travail. 04:31.540 --> 04:34.240 C'est ce que nous choisissons pour revenir. 04:34.990 --> 04:42.310 Maintenant, bien sûr, nous allons utiliser la fonction range pour dire que nous voulons passer du 04:42.670 --> 04:44.500 premier au nombre d'env. 04:47.120 --> 04:52.730 Plus un, car, rappelez-vous, la limite supérieure d'une plage n'est pas incluse, et donc, si vous 04:52.730 --> 04:58.730 voulez aller jusqu'à 100, eh bien, nous devons spécifier et être un plus un pour aller jusqu'à 100. 04:59.390 --> 04:59.840 D'accord. 04:59.840 --> 05:00.800 Alors, Colin. 05:00.980 --> 05:02.800 Et maintenant, entrons dans la boucle. 05:03.620 --> 05:03.980 D'accord. 05:03.980 --> 05:08.300 Donc, la première chose que nous allons faire est de faire 200 séries de dix étapes. 05:08.660 --> 05:13.630 Ainsi, chaque époque sera de 200 pistes, l'une après l'autre de 10 étapes. 05:13.940 --> 05:19.550 Et pour ce faire, nous avons cette fonction one steps de notre classe d'expérience et donc d'utiliser cette fonction, 05:19.550 --> 05:24.770 qui est en fait une méthode car nous allons l'obtenir à partir de notre objet mémoire, 05:24.770 --> 05:30.080 qui est un objet de la classe de remplacement pour générer ces deux exécutions de dix étapes. 05:30.320 --> 05:36.020 Eh bien, nous devons prendre notre objet mémoire que je vous rappelle que nous avons créé ici même. 05:36.170 --> 05:40.400 La mémoire est un objectif pour rejouer la classe de mémoire avec Insteps. 05:40.400 --> 05:43.300 C'est 10 étapes et une capacité de dix mille. 05:43.910 --> 05:52.370 Nous avons créé cet objet et à partir de cet objet nous prenons bien, cette fonction Rundstedt exécute des étapes et nous 05:52.370 --> 06:00.430 spécifions deux cents tours successifs de dix étapes de sorte que nous allons juste à chacun exécuter essentiellement 200 étapes. 06:00.860 --> 06:08.060 Et maintenant que nous avons ces 200 étapes en cours d'exécution à chaque apoc, eh bien, il est temps d'échantillonner certains lots 06:08.060 --> 06:10.630 de ces analyses et d'échantillonner ces lots. 06:10.640 --> 06:16.700 Nous avons une autre fonction de notre mémoire, qui est le lot d'échantillons, et qui générera exactement des lots 06:16.700 --> 06:18.910 à partir de ces 200 analyses. 06:19.400 --> 06:26.720 Mais rappelez-vous, ces lots sont cette fois des lots d'une série de transitions qui consistent en une série de dix étapes par opposition 06:27.020 --> 06:31.630 à avant où les lots n'étaient que quelques lots de transitions uniques ici. 06:31.640 --> 06:37.040 Cette fois, ce seront des lots de dix étapes, dix transitions, et il est donc maintenant 06:37.040 --> 06:41.870 temps de récupérer ces lots aléatoires de notre mémoire et de les obtenir. 06:41.870 --> 06:48.320 Nous avons utilisé la fonction de lot simple à laquelle nous devons appliquer la taille du lot et pour la 06:48.320 --> 06:53.480 taille du lot où nous pouvons prendre trente-deux ou même soixante-quatre ou même cent vingt-huit. 06:54.080 --> 06:57.830 N'oubliez pas, pour cette taille, c'est une pratique courante d'utiliser trente-deux. 06:58.070 --> 07:03.470 C'est ce que vous verrez en général dans les architectures des réseaux de neurones lors de l'apprentissage par lots. 07:03.740 --> 07:05.470 Mais cette fois, c'est assez différent. 07:05.660 --> 07:11.530 Nous, nous échantillonnons juste des lots de 10 étapes, il est donc préférable de prendre des lots de plus grandes tailles. 07:11.690 --> 07:14.710 C'est donc là que nous pouvons prendre soixante-quatre, cent vingt-huit. 07:15.170 --> 07:16.940 Nous allons donc en prendre cent vingt-huit. 07:17.150 --> 07:25.130 Et en fait, cela va être à l'intérieur de la boucle car nous voulons prendre plusieurs lots et nous les prenons dans ce qui 07:25.130 --> 07:28.870 est retourné par cette simple fonction de traitement par lots. 07:29.420 --> 07:36.020 Donc, cette boucle complète pour un lot dans un lot d'échantillons en mémoire, cent vingt huit signifie que tous 07:36.020 --> 07:41.720 les cent vingt-huit pas, eh bien notre mémoire nous donnera un lot de taille, cent vingt-huit, 07:41.720 --> 07:47.210 qui contiendra en fait le dernier cent vingt-huit étapes que nous venons de parcourir. 07:47.960 --> 07:53.060 Nous recevons juste des lots de six, cent vingt-huit et l'apprentissage va se faire sur 07:53.210 --> 07:54.080 ces lots. 07:54.320 --> 07:58.910 Et en plus de ces lots, nous aurons des plateaux d'éligibilité en cours d'exécution, vous savez, pour apprendre toutes les 07:58.910 --> 07:59.480 10 étapes. 08:00.230 --> 08:00.620 D'accord. 08:00.620 --> 08:06.950 Alors maintenant, dans cette boucle, qui se produit encore à une époque, mais maintenant cette fois, nous sommes dans un lot 08:06.950 --> 08:07.360 spécifique. 08:07.790 --> 08:14.060 Et donc maintenant, la première chose que nous allons faire est de recueillir nos contributions et notre objectif séparément. 08:14.570 --> 08:16.610 Et ça, comme je vous l'ai dit, c'est très facile. 08:16.610 --> 08:21.290 Nous pouvons le faire avec l'un des outils que nous avons mis en place, qui est le suivi de l'éligibilité. 08:21.620 --> 08:27.950 Comme vous pouvez le voir ici, cette fonction de trace d'éligibilité prend comme entrées et maintenant nous avons le 08:28.310 --> 08:32.060 lot et retourne en sortie, les entrées et les cibles. 08:32.420 --> 08:37.490 Donc maintenant, ce que nous pouvons simplement faire, c'est créer deux nouvelles variables, qui seront les entrées et 08:37.490 --> 08:38.300 la cible. 08:38.690 --> 08:48.080 Et si ces entrées arrivent à des cibles, cela équivaut exactement à ce que cette fonction de suivi d'éligibilité s'applique à un 08:48.080 --> 08:48.610 lot. 08:49.010 --> 08:51.950 Nous allons donc appliquer cette fonction au lot de notre boucle. 08:52.280 --> 08:55.160 Et donc, ce que nous ferons, c'est simplement l'admissibilité. 08:56.460 --> 09:00.110 Trace appliquée au lot de notre espoir. 09:00.660 --> 09:07.110 D'accord, cela nous permet d'obtenir les intrants et les objectifs, mais dans les vagues, il y a toujours quelque chose de plus 09:07.110 --> 09:07.850 à faire. 09:08.100 --> 09:13.530 Et bien sûr, il s'agit de convertir l'entrée du réseau neuronal et également la cible en certaines variables 09:13.530 --> 09:14.030 tahj. 09:14.340 --> 09:16.170 Mais il n'y a rien de nouveau non plus. 09:16.200 --> 09:17.310 Nous savons comment le faire. 09:17.490 --> 09:18.450 Nous pouvons le faire de cette façon. 09:18.460 --> 09:24.930 Nous prenons nos apports, puis nos objectifs et bien, ils seront égaux au verbal. 09:25.820 --> 09:26.510 Contributions. 09:27.750 --> 09:30.210 C'est pour l'entrée et le verbal. 09:31.150 --> 09:33.580 Cibles, et c'est pour les cibles. 09:34.090 --> 09:42.250 Très bien, donc les entrées du cerveau sont converties en certaines variables tahj et les cibles sont également converties en 09:42.250 --> 09:43.900 certaines variables tahj. 09:44.320 --> 09:48.320 Alors maintenant, nous pouvons obtenir les entrées dans le réseau neuronal. 09:48.640 --> 09:50.530 Et pourquoi devons-nous faire cela? 09:50.530 --> 09:55.270 Parce que la prochaine étape consiste à obtenir les prédictions, nous avons les entrées que nous devons cibler. 09:55.540 --> 09:59.980 Maintenant, bien sûr, nous avons besoin de nos prédictions, car alors ce qui se passe, c'est que nous allons calculer 10:00.190 --> 10:02.120 la perte entre les prédictions et les cibles. 10:02.890 --> 10:06.350 Alors prenons ces prédictions pour les obtenir. 10:06.640 --> 10:07.930 Eh bien, encore une fois, c'est si simple. 10:07.930 --> 10:14.650 Maintenant, nous devons simplement prendre notre cerveau, qui est CNN, notre réseau neuronal convolutif, et 10:14.830 --> 10:16.730 l'appliquer à nos entrées. 10:17.320 --> 10:17.950 On y va. 10:18.320 --> 10:23.320 Les entrées vont dans le réseau neuronal et le réseau neuronal produira les prédictions. 10:24.170 --> 10:29.270 Parfait, donc maintenant nous avons les prédictions, nous avons les objectifs pour que nous puissions obtenir les lois 10:29.270 --> 10:34.640 et c'est la prochaine étape, nous allons en introduire un nouveau parce que maintenant nous allons avoir la dernière erreur, 10:34.790 --> 10:39.660 qui est différente que la dernière fonction, car nous l'utilisons comme fonction pour obtenir la dernière erreur. 10:40.100 --> 10:50.570 Donc moins d'erreur ici et que nous l'obtiendrons avec moins de fonction appliquée à nos prédictions et aux cibles que 10:50.570 --> 10:54.860 nous allons voir comment tout se passe maintenant. 10:55.070 --> 10:56.170 Tout est logique. 10:56.180 --> 11:00.590 Nous obtenons d'abord l'entrée, les cibles, puis grâce à l'entrée, nous obtenons les prédictions. 11:00.590 --> 11:03.800 Et puis grâce aux prédictions et aux cibles que nous obtenons, moins d'erreur. 11:05.070 --> 11:08.850 Alors très logique et fluide, et maintenant quelle est la prochaine étape? 11:09.150 --> 11:14.940 Eh bien, même chemin logique maintenant que nous avons le dernier, nous pouvons propager cette erreur moins en arrière dans le nouveau 11:14.940 --> 11:16.890 réseau pour mettre à jour les poids. 11:17.190 --> 11:21.540 Et nous faisons cela avec une descente de gradient stochastique et pour effectuer une descente de gradient stochastique. 11:21.540 --> 11:24.010 Nous avons besoin de notre optimiseur, mais nous l'avons déjà. 11:24.030 --> 11:26.040 Voici Adam Optimizer. 11:26.430 --> 11:29.010 Mais maintenant, à ce stade, rappelez-vous ce que nous devons faire. 11:29.370 --> 11:32.380 Nous devons l'initialiser et l'initialiser. 11:32.400 --> 11:40.620 Rappelez-vous, nous prenons notre objet optimiseur, puis nous appliquons la méthode du zéro grad. 11:41.440 --> 11:48.220 Voilà, nous n'oublions pas les parenthèses qui l'initialisent, et maintenant l'étape suivante consiste à propager la 11:48.220 --> 11:55.630 dernière erreur dans le nouveau réseau et à faire cela là où nous prenons notre dernière erreur 11:55.630 --> 11:58.950 et nous y appliquons la méthode inverse. 11:58.960 --> 12:01.800 C'est donc exactement pour appliquer la propagation vers l'arrière. 12:02.110 --> 12:06.380 Et puis enfin, maintenant que la dernière erreur est de retour, propagez-la dans le nouveau réseau. 12:06.610 --> 12:09.610 Eh bien, nous pouvons mettre à jour les poids avec la descente de gradient Cassi. 12:10.300 --> 12:16.950 Et pour ce faire, rappelez-vous, nous prenons notre optimiseur puis nous appliquons la méthode step. 12:17.500 --> 12:18.210 On y va. 12:18.400 --> 12:19.900 Les poids sont maintenant mis à jour. 12:20.200 --> 12:25.500 Comme je vous l'ai dit, non seulement nous l'avons déjà fait, mais maintenant cela semble si simple et si naturel. 12:26.200 --> 12:28.440 Alors maintenant, nous allons faire quelque chose d'amusant. 12:28.600 --> 12:31.650 Nous allons imprimer la récompense moyenne à chaque apoc. 12:31.840 --> 12:35.830 Donc, vous savez, nous pouvons suivre comment le A. JE. va, comment se déroule la formation. 12:36.190 --> 12:40.420 Nous voulons voir la récompense moyenne augmenter au fil des étapes, au fil de la boîte. 12:40.630 --> 12:44.070 Et au début, bien sûr, il y a cette phase d'exploration. 12:44.080 --> 12:49.690 Ainsi, la récompense moyenne pourrait ne pas augmenter au début, mais une fois qu'elle aura atteint 12:49.690 --> 12:56.050 la phase d'exploitation, nous verrons la récompense moyenne augmenter définitivement et elle augmentera jusqu'à un certain niveau, c'est-à-dire lorsqu'elle 12:56.290 --> 12:58.740 atteindra l'ouest aussi vite que possible. 12:59.380 --> 13:01.210 Commençons donc par l'impression. 13:02.200 --> 13:07.660 Vous savez, nous faisons cela dans un seul, donc nous devons revenir à l'impression plus bouclée 13:07.660 --> 13:12.610 et ensuite nous allons bien imprimer, d'abord environ une colonne, puis le pourcentage. 13:12.610 --> 13:18.850 S, parce que nous allons tout convertir en une chaîne qui est meilleure et ensuite nous 13:18.850 --> 13:21.100 allons ajouter la récompense moyenne. 13:22.490 --> 13:27.620 Et puis nous ajoutons également un pourcentage, puis nous allons fermer le devis. 13:28.890 --> 13:35.220 Et puis nous ajoutons un pourcentage et de l'autre côté, vous savez, nous entrons les variables qui vont être 13:35.220 --> 13:41.430 la première personne car c'est l'épopée ici et la deuxième variable correspondant à la récompense moyenne, qui va calculer 13:41.610 --> 13:42.840 tout de suite. 13:43.020 --> 13:45.560 La variable de récompense moyenne n'existe donc pas encore. 13:45.780 --> 13:47.600 Nous allons le créer maintenant. 13:48.120 --> 13:51.930 Nous allons donc utiliser ETR au travail. 13:52.470 --> 13:55.440 Même si Époque est le nombre, nous le convertirons en chaîne. 13:55.440 --> 13:57.090 C'est mieux et. 13:58.110 --> 14:03.150 Nous allons ajouter, Estie, est-ce que cela va être la récompense moyenne et nous allons 14:03.150 --> 14:09.810 donc créer une variable que nous allons appeler une grande récompense et maintenant nous allons créer cette variable et la calculer ? 14:10.560 --> 14:12.430 OK, alors faisons ça. 14:12.450 --> 14:13.980 C'est la seule chose qu'il nous reste à faire. 14:13.980 --> 14:15.900 Alors Époque, nous l'avons déjà. 14:16.170 --> 14:20.040 Maintenant, calculons le monde moyen et nous devons le calculer ici. 14:20.130 --> 14:27.090 Toujours dans la boucle, mais hors de la boucle, car maintenant nous avons notre lot échantillonné et nous avons notre formation qui se passe 14:27.090 --> 14:28.050 dans le lot. 14:28.350 --> 14:31.940 Mais maintenant, la propagation vers l'avant plus la propagation vers l'arrière sont effectuées dans le lot. 14:32.190 --> 14:39.900 Nous nous remettons donc dans la boucle et nous pouvons maintenant calculer les récompenses cumulatives que nous pouvons faire avec 14:39.900 --> 14:41.100 notre objet Insteps. 14:41.430 --> 14:47.910 Parce que notre objet cou-de-pied contient cette fonction, nous utiliserions des étapes qui nous permettent d'obtenir les récompenses cumulatives se produisant 14:47.910 --> 14:51.250 dans les étapes, vous savez, lors de l'exécution du cou-de-pied. 14:51.660 --> 14:57.330 Nous allons donc l'utiliser dès maintenant pour mettre à jour les nouvelles récompenses des étapes. 14:57.660 --> 15:05.640 Ensuite, nous mettrons à jour l'objet moyenne mobile en ajoutant les récompenses cumulées à l'objet quotidien en mouvement, 15:05.640 --> 15:07.770 puis recalculons la moyenne. 15:07.780 --> 15:09.910 Et c'est ainsi que nous allons obtenir la récompense moyenne. 15:10.590 --> 15:11.510 Alors faisons ça. 15:11.520 --> 15:14.640 La première chose dont nous avons besoin, ce sont les données de récompenses DARABA. 15:14.970 --> 15:16.950 Alors appelons-les récompenses. 15:18.100 --> 15:27.700 Etapes et puis, comme nous l'avons dit, nous prenons notre objet d'étapes de fin, qui a été, je le rappelle, créé ici un objet de 15:27.700 --> 15:33.310 la classe de progrès instantané de notre expérience nous encrassons un sujet si sensible. 15:34.000 --> 15:39.410 Ensuite, nous ajoutons des récompenses, des étapes et ensuite des parenthèses. 15:39.760 --> 15:40.150 D'accord. 15:40.180 --> 15:43.690 Cela nous donnera les nouvelles récompenses cumulatives des étapes. 15:43.990 --> 15:44.500 D'accord. 15:45.310 --> 15:50.800 Mais ensuite, nous devons ajouter ces nouvelles récompenses cumulatives dans nos objets de moyenne mobile. 15:50.980 --> 15:57.760 Et pour ce faire, nous avons une méthode cette fois dans la classe moyenne mobile, qui est cette méthode publicitaire très 15:57.760 --> 15:58.210 simple. 15:58.220 --> 16:03.190 Nous prenons notre objet moyenne mobile, que nous avons créé ici avec une centaine de pas. 16:03.790 --> 16:11.710 Ensuite, nous allons utiliser notre méthode ADD, puis dans l'atmosphère, nous entrons nos étapes de récompense et cela ajoutera 16:11.710 --> 16:15.130 les récompenses des étapes dans la moyenne mobile. 16:15.970 --> 16:16.360 D'accord. 16:16.360 --> 16:21.960 Et enfin, on peut calculer la récompense moyenne et c'est bien, vous savez, c'est la même variable ici. 16:22.690 --> 16:26.440 C'est donc ce qui va être égal à la récompense moyenne. 16:26.860 --> 16:33.250 Et pour l'obtenir, il suffit d'utiliser la méthode de la moyenne cette fois à partir de notre objet de moyenne mobile. 16:33.700 --> 16:41.470 Et c'est ce que nous faisons et une moyenne de points comme ça, parce que notre moyenne mobile a déjà été mise à jour avec les nouvelles 16:41.710 --> 16:45.520 étapes de récompenses que nous venons d'ajouter des choses à la méthode ADD. 16:46.430 --> 16:46.890 Génial. 16:46.960 --> 16:52.990 Nous avons donc maintenant notre prix moyen, donc c'est très populaire ici et cela va être imprimé chaque année. 16:53.420 --> 16:54.990 Très bien, alors nous avons terminé. 16:55.030 --> 16:57.170 Je suis donc ravi de voir les résultats. 16:57.170 --> 17:01.670 Et en fait, je vais avoir une surprise pour vous dans le prochain tutoriel en regardant les résultats. 17:01.700 --> 17:03.380 Ça va donc être assez excitant. 17:03.650 --> 17:06.740 Et maintenant, je suppose qu'il est temps de jouer avec l'air et de s'amuser. 17:07.610 --> 17:08.060 D'accord. 17:08.060 --> 17:11.240 Alors préparez-vous un bon café ou un bon thé. 17:11.480 --> 17:17.410 Il est maintenant temps de s'asseoir confortablement dans notre fauteuil et de regarder des vidéos très cool de notre avion pour voir, c'est 17:17.430 --> 17:18.760 dans le prochain tutoriel. 17:18.770 --> 17:20.160 Et jusque-là, profitez-en.