WEBVTT 00:00.300 --> 00:06.120 Olá e bem-vindo à parte super emocionante de nossa criação, a parte em que a tornamos inteligente. 00:06.270 --> 00:08.540 Então é exatamente isso que acontece ao treinar o ar. 00:08.590 --> 00:13.200 Vou treinar sua inteligência para atingir o objetivo que desejamos realizar. 00:13.350 --> 00:18.870 E para fazer isso, vamos basicamente treinar a rede neural para gerar as previsões corretas. 00:19.110 --> 00:24.360 E então tudo já está pronto porque esses sinais de saída do cérebro já têm a transmissão 00:24.360 --> 00:27.300 certa para o corpo para executar as ações finais. 00:27.660 --> 00:32.130 Então, basicamente, o que estamos prestes a fazer é algo que já fizemos antes. 00:32.280 --> 00:37.680 Vamos apenas pegar alguns lotes aleatórios da memória, obter nossa entrada a partir dessas amostras, obter a saída, 00:37.680 --> 00:42.930 obter o destino, obter as previsões, calcular o último erro entre as previsões e o destino e, em 00:42.930 --> 00:48.360 seguida, executar a propagação para trás foi para obter a descida do gradiente para atualizar os pesos de acordo 00:48.360 --> 00:51.430 com o quanto eles contribuíram para este último erro. 00:51.900 --> 00:53.040 Então, vamos fazer tudo isso. 00:53.040 --> 00:57.660 Você verá como será tão fácil porque já temos todas as ferramentas para implementar 00:57.660 --> 00:58.020 isso. 00:58.200 --> 01:04.230 Não só temos o caminho para ferramentas como o otimizador e as funções de perda, mas também temos todas 01:04.440 --> 01:09.600 as classes que fizemos antes, como nosso cérebro, é claro, que vamos usar para obter 01:09.600 --> 01:10.290 as previsões. 01:10.620 --> 01:17.970 Em seguida, nossa experiência, replay do rastreamento de elegibilidade de implementação e todas essas ferramentas combinadas com o piloto, 01:17.970 --> 01:23.790 ferramentas que farão o super desempenho do treinamento e, portanto, eventualmente, obteremos um A. super 01:23.790 --> 01:26.250 poderoso. EU. Então vamos fazer esse treinamento acontecer. 01:26.400 --> 01:28.110 Vamos tornar nossos olhos mais inteligentes. 01:28.290 --> 01:33.380 E a primeira coisa que faremos agora é pegar a última função que usaremos durante 01:33.390 --> 01:36.200 o treinamento ao calcular o erro e otimizá-lo. 01:36.540 --> 01:37.680 Essa é a primeira coisa que faremos. 01:37.980 --> 01:40.590 Então, vamos criar uma variável para a última função. 01:40.590 --> 01:42.150 Vamos chamar de perda. 01:42.810 --> 01:50.340 E isso será igual à função de perda MSE do módulo final. 01:50.850 --> 01:52.470 E então aquele Mercilus. 01:52.740 --> 01:56.940 Essa é a última função que usaremos porque basicamente nossas previsões são valores. 01:56.940 --> 01:59.940 Você sabe, estamos prevendo os valores centrais das diferentes ações. 01:59.940 --> 02:05.970 E, portanto, como esses são números reais, bem, estamos fazendo algumas redes neurais para regressão e, portanto, a 02:05.970 --> 02:08.910 função de perda é o meio de erro. 02:09.120 --> 02:11.880 Essa é a função de perda que usamos em geral para regressão. 02:12.450 --> 02:12.960 Tudo certo. 02:13.080 --> 02:18.180 Agora que temos nossa última função, vamos otimizar nosso otimizador aqui. 02:18.180 --> 02:21.240 Essa é a variável que criamos para o otimizador. 02:21.270 --> 02:23.940 E vamos levar como de costume. 02:23.940 --> 02:30.750 Quanto ao carro que dirige sozinho, o otimizador Atom, é um otimizador muito poderoso que fará maravilhas para 02:30.930 --> 02:31.710 o treinamento. 02:32.130 --> 02:35.820 Então, vamos levar este até aquele átomo. 02:36.810 --> 02:42.720 E lembre-se, isso é exatamente o que o carro autônomo que temos para inserir dois argumentos essenciais. 02:43.080 --> 02:49.200 O primeiro é o que fará a conexão entre o otimizador e os parâmetros da nossa rede neural, 02:49.200 --> 02:52.650 ou seja, os pesos dos neurônios do nosso cérebro. 02:53.040 --> 02:56.640 E para fazer isso, pegamos nosso cérebro, que chamamos de CNN. 02:57.030 --> 02:59.040 Esse é o objeto que criamos para nosso cérebro. 02:59.280 --> 03:05.860 E assim a CNN que lembra os parâmetros que vamos e alguns parênteses. 03:06.270 --> 03:11.970 Isso faz a conexão entre o otimizador e os pesos dos neurônios no cérebro 03:11.970 --> 03:18.630 de nosso A. EU. E o segundo argumento é uma taxa de aprendizado, dada por l. R. 03:18.990 --> 03:24.510 E então aqui temos que pegar uma taxa de aprendizado menor porque não queremos convergir muito rápido e queremos alguma 03:24.510 --> 03:29.370 exploração e, portanto, uma boa forma de aprendizado que podemos dizer aqui é uma pequena que tem quatro 03:29.370 --> 03:33.150 pontos ou um que é 0. 01 por cento. 03:33.390 --> 03:36.270 Acho que é o mesmo que usamos para o carro autônomo. 03:37.320 --> 03:43.410 Tudo bem, agora temos um otimizador de função perdida, então estamos quase prontos para iniciar o loop completo. 03:43.470 --> 03:45.890 Bem, na verdade, vamos começar o loop completo agora. 03:46.140 --> 03:52.100 Mas antes de fazermos isso, vamos decidir o tamanho do número de épocas que iremos 03:52.100 --> 03:58.170 nos transformar e, portanto, criar uma nova variável aqui que responderá a esse número de épocas. 03:59.320 --> 04:02.140 E vamos definir como cem. 04:02.530 --> 04:08.350 Isso será suficiente para treinar o ar e eu até aposto que o ar vai conseguir chegar da melhor 04:08.500 --> 04:11.140 maneira antes de cem como vinte ou trinta. 04:11.500 --> 04:12.000 Vamos ver. 04:12.010 --> 04:13.750 Mas, por enquanto, vamos pegar cem. 04:13.990 --> 04:15.940 E se precisarmos, vamos aumentá-lo. 04:16.090 --> 04:17.710 Mas não acho que isso seja necessário. 04:18.370 --> 04:22.660 OK, agora que temos nosso número de aeroportos, podemos começar a fazer o loop completo, 04:22.840 --> 04:26.680 você sabe, este loop principal completo do treinamento quando treinamos nos aeroportos. 04:27.010 --> 04:31.530 Então, por enquanto, todo o vôlei estará em ação. 04:31.540 --> 04:34.240 É isso que escolhemos para voltar. 04:34.990 --> 04:42.310 Agora, é claro, vamos usar a função de intervalo para dizer que queremos ir do primeiro para 04:42.670 --> 04:44.500 um número de aprox. 04:47.120 --> 04:52.730 Mais um porque, lembre-se, o limite superior de um intervalo não está incluído e, portanto, se 04:52.730 --> 04:58.730 você quiser ir até 100, bem, temos que especificar e ser um mais um para ir até 100. 04:59.390 --> 04:59.840 Tudo certo. 04:59.840 --> 05:00.800 Então, Colin. 05:00.980 --> 05:02.800 E agora vamos entrar no loop. 05:03.620 --> 05:03.980 Tudo certo. 05:03.980 --> 05:08.300 Portanto, a primeira coisa que faremos é 200 execuções de dez etapas. 05:08.660 --> 05:13.630 Assim, cada época será de 200 corridas, uma após a outra de 10 etapas. 05:13.940 --> 05:19.550 E para fazer isso, temos esta função de uma etapa de nossa classe de experiência e, portanto, usar 05:19.550 --> 05:24.770 essa função, que na verdade é um método porque a obteremos de nosso objeto de 05:24.770 --> 05:30.080 memória, que é um objeto da classe de substituição para gerar essas duas execuções de dez etapas. 05:30.320 --> 05:36.020 Bem, temos que pegar nosso objeto de memória que eu lembro que criamos bem aqui. 05:36.170 --> 05:40.400 A memória é um objetivo para reproduzir a classe de memória com Insteps. 05:40.400 --> 05:43.300 São 10 passos e uma capacidade de dez mil. 05:43.910 --> 05:52.370 Nós criamos esse objeto e dele pegamos bem, essa função de Rundstedt executa etapas e especificamos 05:52.370 --> 06:00.430 duzentas rodadas sucessivas de dez etapas para que, em cada uma, executemos basicamente 200 etapas. 06:00.860 --> 06:08.060 E agora que temos essas 200 etapas em execução em cada apoc, bem, é hora de amostrar alguns lotes 06:08.060 --> 06:10.630 dessas execuções e provar esses lotes. 06:10.640 --> 06:16.700 Temos outra função em nossa memória, que é lote de amostra, e que irá gerar exatamente 06:16.700 --> 06:18.910 alguns lotes dessas 200 execuções. 06:19.400 --> 06:26.720 Mas lembre-se, esses lotes são, desta vez, lotes de uma série de transições que uma série de dez etapas, ao contrário 06:27.020 --> 06:31.630 de antes, onde os lotes eram apenas alguns lotes de transições únicas aqui. 06:31.640 --> 06:37.040 Desta vez, eles serão lotes de dez etapas, dez transições e, portanto, agora é 06:37.040 --> 06:41.870 hora de obter de nossa memória esses lotes aleatórios e obtê-los. 06:41.870 --> 06:48.320 Usamos a função de lote simples à qual temos de aplicar o tamanho do lote e para o tamanho do lote onde 06:48.320 --> 06:53.480 podemos pegar trinta e dois ou mesmo sessenta e quatro ou mesmo cento e vinte e oito. 06:54.080 --> 06:57.830 Lembre-se, para esse tamanho, é uma prática comum usar trinta e dois. 06:58.070 --> 07:03.470 Isso é o que você verá em geral nas arquiteturas de redes neurais ao fazer algum aprendizado em lote. 07:03.740 --> 07:05.470 Mas desta vez é bem diferente. 07:05.660 --> 07:11.530 Nós, estamos apenas testando alguns lotes de 10 etapas, então é melhor pegar lotes com tamanhos maiores. 07:11.690 --> 07:14.710 Então é aí que podemos pegar sessenta e quatro, cento e vinte e oito. 07:15.170 --> 07:16.940 Então, vamos pegar cento e vinte e oito. 07:17.150 --> 07:25.130 E, na verdade, isso vai estar dentro do loop porque queremos vários lotes e estamos pegando o que 07:25.130 --> 07:28.870 é retornado por esta função de lote simples. 07:29.420 --> 07:36.020 Portanto, este loop completo para lote em lote de amostra de memória, cento e vinte e oito significa que a cada cento 07:36.020 --> 07:41.720 e vinte e oito etapas, bem, nossa memória nos dará um lote de tamanho cento e vinte e 07:41.720 --> 07:47.210 oito, que conterá na verdade o último cento e vinte e oito passos que acabamos de dar. 07:47.960 --> 07:53.060 Estamos recebendo apenas alguns lotes de seis, cento e vinte e oito e o aprendizado vai acontecer com 07:53.210 --> 07:54.080 esses lotes. 07:54.320 --> 07:58.910 E além desses lotes, teremos bandejas de elegibilidade funcionando, sabe, para aprender a cada 10 07:58.910 --> 07:59.480 passos. 08:00.230 --> 08:00.620 Tudo certo. 08:00.620 --> 08:06.950 Então, agora dentro desse loop, que ainda está acontecendo em uma época, mas agora estamos em um lote 08:06.950 --> 08:07.360 específico. 08:07.790 --> 08:14.060 E agora a primeira coisa que faremos é obter nossas entradas e nossa meta separadamente. 08:14.570 --> 08:16.610 E isso, como eu disse, é muito fácil. 08:16.610 --> 08:21.290 Podemos fazer isso com uma das ferramentas que implementamos, que é o rastreamento de elegibilidade. 08:21.620 --> 08:27.950 Como você pode ver aqui, esta função de rastreamento de elegibilidade leva o como entradas e agora temos o 08:28.310 --> 08:32.060 lote e retorna como saída, as entradas e os destinos. 08:32.420 --> 08:37.490 Portanto, agora, o que podemos simplesmente fazer é criar duas novas variáveis, que serão as entradas e 08:37.490 --> 08:38.300 o destino. 08:38.690 --> 08:48.080 E essas entradas chegam aos destinos é exatamente igual ao que retorna esta função de rastreamento de elegibilidade se aplica a um 08:48.080 --> 08:48.610 lote. 08:49.010 --> 08:51.950 Portanto, vamos aplicar essa função ao lote de nosso loop. 08:52.280 --> 08:55.160 E então o que faremos é apenas elegibilidade. 08:56.460 --> 09:00.110 Trace aplicado ao lote de nossa esperança. 09:00.660 --> 09:07.110 Tudo bem, isso nos dá as entradas e os alvos, mas nos pães-duros sempre há algo mais que 09:07.110 --> 09:07.850 precisamos fazer. 09:08.100 --> 09:13.530 E, claro, isso converte a entrada da rede neural e também o alvo em algumas variáveis 09:13.530 --> 09:14.030 tahj. 09:14.340 --> 09:16.170 Mas também não há nada de novo. 09:16.200 --> 09:17.310 Nós sabemos como fazer. 09:17.490 --> 09:18.450 Podemos fazer assim. 09:18.460 --> 09:24.930 Nós pegamos nossas entradas, então nossos alvos e bem, eles serão iguais ao verbal. 09:25.820 --> 09:26.510 Input's. 09:27.750 --> 09:30.210 Isso é para a entrada e verbal. 09:31.150 --> 09:33.580 Alvos, e isso é para os alvos. 09:34.090 --> 09:42.250 Tudo bem, então as entradas do cérebro são convertidas em algumas variáveis tahj e os alvos também são convertidos em 09:42.250 --> 09:43.900 algumas variáveis tahj. 09:44.320 --> 09:48.320 Agora podemos obter as entradas na rede neural. 09:48.640 --> 09:50.530 E por que precisamos fazer isso? 09:50.530 --> 09:55.270 Como a próxima etapa é obter as previsões, temos as entradas que precisamos atingir. 09:55.540 --> 09:59.980 Agora, é claro, precisamos de nossas previsões, porque então o que acontece é que calcularemos a perda 10:00.190 --> 10:02.120 entre as previsões e os alvos. 10:02.890 --> 10:06.350 Então, vamos obter essas previsões para obtê-los. 10:06.640 --> 10:07.930 Bem, novamente, isso é tão simples. 10:07.930 --> 10:14.650 Agora só precisamos pegar nosso cérebro, que é a CNN, nossa rede neural convolucional, e 10:14.830 --> 10:16.730 aplicá-la às nossas entradas. 10:17.320 --> 10:17.950 Aqui vamos nós. 10:18.320 --> 10:23.320 As entradas vão para a rede neural e a rede neural produzirá as previsões. 10:24.170 --> 10:29.270 Perfeito, agora temos as previsões, temos as metas para que possamos obter as leis e esse é 10:29.270 --> 10:34.640 o próximo passo, vamos apresentar um novo mais porque agora vamos obter o último erro, que é diferente 10:34.790 --> 10:39.660 do que a última função, porque a usamos como uma função para obter o último erro. 10:40.100 --> 10:50.570 Portanto, menos erro aqui e que o obteremos com menos função aplicada às nossas previsões e as metas que 10:50.570 --> 10:54.860 vamos ver como tudo está bem agora. 10:55.070 --> 10:56.170 Tudo é lógico. 10:56.180 --> 11:00.590 Recebemos primeiro os dados de entrada, os alvos, depois, graças aos dados, obtemos as previsões. 11:00.590 --> 11:03.800 E então, graças às previsões e metas que obtivemos, menos erros. 11:05.070 --> 11:08.850 Muito lógico e suave, e agora qual é o próximo passo? 11:09.150 --> 11:14.940 Bem, o mesmo caminho lógico agora que temos o último, podemos propagar esse erro menor de volta para a 11:14.940 --> 11:16.890 nova rede para atualizar os pesos. 11:17.190 --> 11:21.540 E fazemos isso com a descida gradiente estocástica e para realizar a descida gradiente estocástica. 11:21.540 --> 11:24.010 Precisamos de nosso otimizador, mas já o temos. 11:24.030 --> 11:26.040 Aqui está Adam Optimizer. 11:26.430 --> 11:29.010 Mas agora, neste ponto, lembre-se do que temos que fazer. 11:29.370 --> 11:32.380 Temos que inicializá-lo e inicializá-lo. 11:32.400 --> 11:40.620 Lembre-se, pegamos nosso objeto otimizador e aplicamos o método de zero grad. 11:41.440 --> 11:48.220 Lá vamos nós, não esquecemos os parênteses que o inicializam, e agora o próximo passo é 11:48.220 --> 11:55.630 propagar o último erro de volta para a nova rede e fazer isso de onde pegamos nosso último 11:55.630 --> 11:58.950 erro e aplicamos nele o método reverso. 11:58.960 --> 12:01.800 Então, isso é exatamente para aplicar a propagação para trás. 12:02.110 --> 12:06.380 E, finalmente, agora que o último erro voltou, propague-o para a nova rede. 12:06.610 --> 12:09.610 Bem, podemos atualizar os pesos com a descida gradiente de Cassi. 12:10.300 --> 12:16.950 E para fazer isso, lembre-se, pegamos nosso otimizador e aplicamos o método step. 12:17.500 --> 12:18.210 Aqui vamos nós. 12:18.400 --> 12:19.900 Os pesos agora estão atualizados. 12:20.200 --> 12:25.500 Como eu disse, não só nós já fizemos, mas agora parece tão simples e natural. 12:26.200 --> 12:28.440 Então, agora vamos fazer algo divertido. 12:28.600 --> 12:31.650 Vamos imprimir a recompensa média a cada apoc. 12:31.840 --> 12:35.830 Então, você sabe, podemos acompanhar como o A. EU. está indo, como está indo o treinamento. 12:36.190 --> 12:40.420 Queremos ver a recompensa média aumentando ao longo das etapas, ao longo da caixa. 12:40.630 --> 12:44.070 E no início, claro, há essa fase de exploração. 12:44.080 --> 12:49.690 Portanto, a recompensa média pode não aumentar no início, mas depois que atinge a fase 12:49.690 --> 12:56.050 de exploração, veremos a recompensa média aumentar definitivamente e aumentará até um certo nível, que é quando atinge 12:56.290 --> 12:58.740 o oeste tão rápido quanto possível. 12:59.380 --> 13:01.210 Então, vamos começar com a impressão. 13:02.200 --> 13:07.660 Você sabe, estamos fazendo isso em um, então temos que voltar para a impressão de loopier 13:07.660 --> 13:12.610 e então vamos imprimir bem, primeiro cerca de uma coluna, depois por cento. 13:12.610 --> 13:18.850 S, porque vamos converter tudo em uma string que é melhor e depois vamos 13:18.850 --> 13:21.100 adicionar a recompensa média. 13:22.490 --> 13:27.620 E então adicionamos a porcentagem também, então vamos fechar a citação. 13:28.890 --> 13:35.220 E então nós adicionamos uma porcentagem e do outro lado, você sabe, nós inserimos as variáveis que vão ser 13:35.220 --> 13:41.430 a primeira pessoa, pois isso é o épico aqui e a segunda variável correspondente à recompensa média, que 13:41.610 --> 13:42.840 será computada agora. 13:43.020 --> 13:45.560 Portanto, a variável de recompensa média ainda não existe. 13:45.780 --> 13:47.600 Vamos criá-lo agora mesmo. 13:48.120 --> 13:51.930 Então, vamos usar o ETR no trabalho. 13:52.470 --> 13:55.440 Mesmo que Époque seja o número, vamos convertê-lo em uma string. 13:55.440 --> 13:57.090 Isso é melhor e. 13:58.110 --> 14:03.150 Vamos adicionar, Estie, essa vai ser a recompensa média e, então, vamos 14:03.150 --> 14:09.810 criar uma variável que vamos chamar de grande recompensa e agora vamos criar essa variável e computá-la ? 14:10.560 --> 14:12.430 OK, então vamos fazer isso. 14:12.450 --> 14:13.980 Essa é a única coisa que temos que fazer. 14:13.980 --> 14:15.900 Então, Époque, já temos. 14:16.170 --> 14:20.040 Agora vamos calcular o mundo médio e precisamos calculá-lo bem aqui. 14:20.130 --> 14:27.090 Ainda no loop, mas fora do loop, porque agora temos nosso lote amostrado e nosso treinamento acontecendo 14:27.090 --> 14:28.050 no lote. 14:28.350 --> 14:31.940 Mas agora a propagação para a frente mais a propagação para trás são feitas no lote. 14:32.190 --> 14:39.900 Portanto, estamos voltando ao ciclo e agora podemos calcular as recompensas cumulativas que podemos fazer com o nosso objeto do 14:39.900 --> 14:41.100 peito do pé. 14:41.430 --> 14:47.910 Como nosso objeto de peito do pé contém esta função, gostaríamos de etapas que nos permitem obter as recompensas cumulativas que acontecem 14:47.910 --> 14:51.250 nas etapas, você sabe, durante a execução do peito do pé. 14:51.660 --> 14:57.330 Portanto, vamos usá-lo agora para atualizar as novas recompensas das etapas. 14:57.660 --> 15:05.640 Em seguida, atualizaremos o objeto de média móvel adicionando as recompensas cumulativas ao objeto diário móvel e, em 15:05.640 --> 15:07.770 seguida, recalcularemos a média. 15:07.780 --> 15:09.910 E é assim que vamos conseguir a recompensa média. 15:10.590 --> 15:11.510 Então vamos fazer isso. 15:11.520 --> 15:14.640 A primeira coisa de que precisamos são os dados DARABA das recompensas. 15:14.970 --> 15:16.950 Então, vamos chamá-los de recompensas. 15:18.100 --> 15:27.700 Passos e então, como dissemos, tomamos nosso objeto de passos finais, que foi, eu lembro, criado aqui um objeto da aula 15:27.700 --> 15:33.310 de progresso instantâneo de nossa experiência que sujamos assunto tão sensível. 15:34.000 --> 15:39.410 Em seguida, adicionamos recompensas, etapas e alguns parênteses. 15:39.760 --> 15:40.150 Tudo certo. 15:40.180 --> 15:43.690 Isso nos dará as novas recompensas cumulativas das etapas. 15:43.990 --> 15:44.500 Tudo certo. 15:45.310 --> 15:50.800 Mas então precisamos adicionar essas novas recompensas cumulativas em nossos objetos de média móvel. 15:50.980 --> 15:57.760 E para fazer isso, temos um método desta vez na classe de média móvel, que é um método de anúncio muito 15:57.760 --> 15:58.210 simples. 15:58.220 --> 16:03.190 Pegamos nosso objeto de média móvel, que criamos aqui com cem passos. 16:03.790 --> 16:11.710 Em seguida, vamos usar nosso método ADD e, na atmosfera, inserimos nossas etapas de recompensa e isso adicionará 16:11.710 --> 16:15.130 as recompensas das etapas à média móvel. 16:15.970 --> 16:16.360 Tudo certo. 16:16.360 --> 16:21.960 E, finalmente, podemos calcular a recompensa média e isso é bom, você sabe, essa é a mesma variável aqui. 16:22.690 --> 16:26.440 Então é isso que vai ser igual à recompensa média. 16:26.860 --> 16:33.250 E para obtê-lo, só precisamos usar o método da média desta vez do nosso objeto de média móvel. 16:33.700 --> 16:41.470 E isso é o que fazemos e uma média de pontos assim, porque nossa média móvel já foi atualizada com as novas 16:41.710 --> 16:45.520 etapas de recompensas que acabamos de adicionar ao método ADD. 16:46.430 --> 16:46.890 Ótimo. 16:46.960 --> 16:52.990 Agora temos nosso prêmio médio, que é muito popular aqui e vai ser impresso todos os anos. 16:53.420 --> 16:54.990 Tudo bem, então terminamos. 16:55.030 --> 16:57.170 Estou muito animado para ver os resultados. 16:57.170 --> 17:01.670 E, na verdade, terei uma surpresa para vocês no próximo tutorial enquanto observo os resultados. 17:01.700 --> 17:03.380 Então, vai ser muito emocionante. 17:03.650 --> 17:06.740 E agora acho que é hora de brincar com o ar e se divertir. 17:07.610 --> 17:08.060 Tudo certo. 17:08.060 --> 17:11.240 Portanto, prepare um bom café ou um bom chá. 17:11.480 --> 17:17.410 Agora é hora de sentar confortavelmente em nossa cadeira e assistir a alguns vídeos muito legais do nosso avião para ver, que 17:17.430 --> 17:18.760 está no próximo tutorial. 17:18.770 --> 17:20.160 E até então, aproveite.