WEBVTT 00:00.300 --> 00:06.120 Hola y bienvenido a la parte súper emocionante de nuestra creación, la parte en la que la hacemos inteligente. 00:06.270 --> 00:08.540 Entonces eso es exactamente lo que sucede cuando se entrena el aire. 00:08.590 --> 00:13.200 Entrenaré su inteligencia para alcanzar la meta que queríamos lograr. 00:13.350 --> 00:18.870 Y para hacer esto, básicamente vamos a entrenar la red neuronal para generar las predicciones correctas. 00:19.110 --> 00:24.360 Y entonces ya todo está listo porque estas señales de salida del cerebro ya tienen la transmisión 00:24.360 --> 00:27.300 correcta al cuerpo para reproducir las acciones finales. 00:27.660 --> 00:32.130 Así que básicamente ahora lo que estamos a punto de hacer es algo que ya hicimos antes. 00:32.280 --> 00:37.680 Solo vamos a tomar algunos lotes aleatorios de la memoria, obtener nuestra entrada de estas muestras, obtener 00:37.680 --> 00:42.930 la salida, obtener el objetivo, obtener las predicciones, calcular el último error entre las predicciones y el 00:42.930 --> 00:48.360 objetivo, y luego realizar la propagación hacia atrás. para obtener el descenso de gradiente para actualizar los pesos 00:48.360 --> 00:51.430 de acuerdo a cuánto contribuyeron a este último error. 00:51.900 --> 00:53.040 Así que hagamos todo esto. 00:53.040 --> 00:57.660 Verás cómo va a ser tan fácil porque ya tenemos todas las herramientas para 00:57.660 --> 00:58.020 implementarlo. 00:58.200 --> 01:04.230 No solo tenemos el camino hacia herramientas como el optimizador y las funciones de pérdida, sino que también tenemos todas 01:04.440 --> 01:09.600 las clases que hicimos antes, como nuestro cerebro, por supuesto, que vamos a usar para obtener 01:09.600 --> 01:10.290 las predicciones. 01:10.620 --> 01:17.970 Luego, nuestra experiencia, el seguimiento de elegibilidad de implementación de repetición y todas estas herramientas se combinaron con el piloto, 01:17.970 --> 01:23.790 qué herramientas harán que el entrenamiento tenga un rendimiento excelente y, por lo tanto, eventualmente obtendremos 01:23.790 --> 01:26.250 una A. YO. Así que hagamos realidad este entrenamiento. 01:26.400 --> 01:28.110 Hagamos que nuestros ojos sean inteligentes. 01:28.290 --> 01:33.380 Y lo primero que vamos a hacer ahora es obtener la última función que usaremos durante 01:33.390 --> 01:36.200 el entrenamiento para calcular el error y optimizarlo. 01:36.540 --> 01:37.680 Eso es lo primero que haremos. 01:37.980 --> 01:40.590 Entonces, creemos una variable para la última función. 01:40.590 --> 01:42.150 Lo llamaremos pérdida. 01:42.810 --> 01:50.340 Y esto será igual a la función de pérdida MSE del módulo final. 01:50.850 --> 01:52.470 Y luego ese Mercilus. 01:52.740 --> 01:56.940 Esa es la última función que usaremos porque básicamente nuestras predicciones son valores. 01:56.940 --> 01:59.940 Sabes, estamos prediciendo los valores fundamentales de las diferentes acciones. 01:59.940 --> 02:05.970 Y, por lo tanto, dado que estos son números reales, bueno, estamos haciendo una red neuronal para la regresión y, por lo tanto, 02:05.970 --> 02:08.910 la función de pérdida es el medio para el error. 02:09.120 --> 02:11.880 Esa es la función de pérdida que usamos en general para la regresión. 02:12.450 --> 02:12.960 Todo bien. 02:13.080 --> 02:18.180 Entonces, ahora que tenemos nuestra última función, optimicemos nuestro optimizador aquí. 02:18.180 --> 02:21.240 Esa es la variable que creamos para el optimizador. 02:21.270 --> 02:23.940 Y lo vamos a tomar como de costumbre. 02:23.940 --> 02:30.750 En cuanto al automóvil autónomo, el optimizador de átomos, es un optimizador muy poderoso que hará maravillas en 02:30.930 --> 02:31.710 el entrenamiento. 02:32.130 --> 02:35.820 Así que llevemos este hasta ese átomo. 02:36.810 --> 02:42.720 Y recuerde, eso es exactamente lo que tiene el coche autónomo para introducir dos argumentos fundamentales. 02:43.080 --> 02:49.200 El primero es el que hará la conexión entre el optimizador y los parámetros de nuestra red neuronal, 02:49.200 --> 02:52.650 que son los pesos de las neuronas de nuestro cerebro. 02:53.040 --> 02:56.640 Y para hacer esto, tomamos nuestro cerebro, al que llamamos CNN. 02:57.030 --> 02:59.040 Ese es el objeto que creamos para nuestro cerebro. 02:59.280 --> 03:05.860 Y así CNN que recordamos los parámetros que vamos y algunos paréntesis. 03:06.270 --> 03:11.970 Entonces eso hace la conexión entre el optimizador y los pesos de las neuronas en el 03:11.970 --> 03:18.630 cerebro de nuestro A. YO. Y luego el segundo argumento es una tasa de aprendizaje, y eso está dado por l. R. 03:18.990 --> 03:24.510 Y aquí tenemos que tomar una tasa de aprendizaje menor porque no queremos converger demasiado rápido y queremos tener algo de exploración 03:24.510 --> 03:29.370 y, por lo tanto, una buena forma de aprendizaje que podemos decir aquí es una pequeña que es de 03:29.370 --> 03:33.150 cuatro puntos o una que es 0. 01 por ciento. 03:33.390 --> 03:36.270 Creo que es el mismo que usamos para el automóvil autónomo. 03:37.320 --> 03:43.410 Muy bien, ahora tenemos un optimizador de funciones perdido, así que estamos casi listos para comenzar el ciclo completo. 03:43.470 --> 03:45.890 Bueno, en realidad, comenzaremos el ciclo completo ahora mismo. 03:46.140 --> 03:52.100 Pero justo antes de hacerlo, vamos a decidir el tamaño del número de épocas en las que 03:52.100 --> 03:58.170 nos convertiremos y, por lo tanto, crearemos una nueva variable aquí que responderá a este número de épocas. 03:59.320 --> 04:02.140 Y pongámoslo igual a cien. 04:02.530 --> 04:08.350 Eso estará bastante bien para entrenar al aire y hasta apuesto a que el aire logrará llegar de la mejor 04:08.500 --> 04:11.140 manera antes de cien como veinte o treinta. 04:11.500 --> 04:12.000 Veamos. 04:12.010 --> 04:13.750 Pero por ahora, tomemos cien. 04:13.990 --> 04:15.940 Y si lo necesitamos, lo aumentaremos. 04:16.090 --> 04:17.710 Pero no creo que sea necesario. 04:18.370 --> 04:22.660 Bien, ahora que tenemos nuestra cantidad de aeropuertos, podemos comenzar a hacer el ciclo completo, ya 04:22.840 --> 04:26.680 sabes, este ciclo completo principal de la capacitación cuando entrenamos sobre los aeropuertos. 04:27.010 --> 04:31.530 Entonces, para entonces, todo el voleibol estará en funcionamiento. 04:31.540 --> 04:34.240 Eso es lo que elegimos para volver. 04:34.990 --> 04:42.310 Ahora, por supuesto, usaremos la función de rango para decir que queremos ir del primero al 04:42.670 --> 04:44.500 número de aprox. 04:47.120 --> 04:52.730 Más uno, porque, recuerde, el límite superior de un rango no está incluido, y por lo 04:52.730 --> 04:58.730 tanto, si quiere subir hasta 100, bueno, tenemos que especificar y ser un más uno para subir a 100. 04:59.390 --> 04:59.840 Todo bien. 04:59.840 --> 05:00.800 Entonces, Colin. 05:00.980 --> 05:02.800 Y ahora entremos en el ciclo. 05:03.620 --> 05:03.980 Todo bien. 05:03.980 --> 05:08.300 Entonces, lo primero que vamos a hacer es hacer 200 ejecuciones de diez pasos. 05:08.660 --> 05:13.630 Así que cada época serán 200 corridas, una tras otra de 10 pasos. 05:13.940 --> 05:19.550 Y para hacer esto, tenemos esta función de un paso de nuestra clase de experiencia y, por lo tanto, 05:19.550 --> 05:24.770 usamos esta función, que en realidad es un método porque la obtendremos de nuestro objeto de 05:24.770 --> 05:30.080 memoria, que es un objeto de la clase de reemplazo para generar estas dos ejecuciones. de diez pasos. 05:30.320 --> 05:36.020 Bueno, tenemos que tomar nuestro objeto de memoria que les recuerdo que creamos aquí mismo. 05:36.170 --> 05:40.400 La memoria es un objetivo para reproducir la clase de memoria con Insteps. 05:40.400 --> 05:43.300 Eso es 10 pasos y una capacidad de diez mil. 05:43.910 --> 05:52.370 Creamos este objeto y a partir de este objeto tomamos bien, esta función de Rundstedt ejecuta pasos y 05:52.370 --> 06:00.430 especificamos doscientas rondas sucesivas de diez pasos para que en cada una, básicamente, ejecutemos 200 pasos. 06:00.860 --> 06:08.060 Y ahora que tenemos estos 200 pasos ejecutándose en cada apoc, bueno, es hora de probar algunos lotes de estas 06:08.060 --> 06:10.630 ejecuciones y de probar estos lotes. 06:10.640 --> 06:16.700 Tenemos otra función de nuestra memoria, que es un lote de muestra, y que generará exactamente algunos 06:16.700 --> 06:18.910 lotes de estas 200 ejecuciones. 06:19.400 --> 06:26.720 Pero recuerde, estos lotes son, esta vez, lotes de una serie de transiciones que son una serie de diez pasos a diferencia 06:27.020 --> 06:31.630 de antes, donde los lotes eran solo algunos lotes de transiciones individuales aquí. 06:31.640 --> 06:37.040 Esta vez van a ser lotes de diez pasos, diez transiciones, y por lo tanto ahora 06:37.040 --> 06:41.870 es el momento de sacar de nuestra memoria estos lotes aleatorios y conseguirlos. 06:41.870 --> 06:48.320 Usamos la función de lote simple a la que tenemos que aplicar el tamaño de lote y para el tamaño 06:48.320 --> 06:53.480 de lote podemos tomar treinta y dos o incluso sesenta y cuatro o incluso ciento veintiocho. 06:54.080 --> 06:57.830 Recuerde, para ese tamaño es una práctica común usar treinta y dos. 06:58.070 --> 07:03.470 Eso es lo que verá en general en las arquitecturas de redes neuronales cuando realice un aprendizaje por lotes. 07:03.740 --> 07:05.470 Pero esta vez es bastante diferente. 07:05.660 --> 07:11.530 Nosotros, solo estamos probando algunos lotes de 10 pasos, por lo que es mejor tomar lotes con tamaños más grandes. 07:11.690 --> 07:14.710 Así que ahí es donde podemos tomar sesenta y cuatro, ciento veintiocho. 07:15.170 --> 07:16.940 Así que vamos a tomar ciento veintiocho. 07:17.150 --> 07:25.130 Y en realidad esto estará dentro del ciclo porque queremos tomar varios lotes y los estamos tomando en 07:25.130 --> 07:28.870 lo que devuelve esta función de lote simple. 07:29.420 --> 07:36.020 Entonces, este ciclo completo para lote en lote de muestra de memoria, ciento veintiocho significa que cada 07:36.020 --> 07:41.720 ciento veintiocho pasos, bueno, nuestra memoria nos dará un lote de tamaño, ciento veintiocho, 07:41.720 --> 07:47.210 que contendrá en realidad el último. Ciento veintiocho pasos que acabamos de ejecutar. 07:47.960 --> 07:53.060 Solo estamos obteniendo algunos lotes de seis, ciento veintiocho y el aprendizaje ocurrirá en 07:53.210 --> 07:54.080 estos lotes. 07:54.320 --> 07:58.910 Y además dentro de estos lotes, tendremos bandejas de elegibilidad funcionando, ya sabes, para aprender cada 10 07:58.910 --> 07:59.480 pasos. 08:00.230 --> 08:00.620 Todo bien. 08:00.620 --> 08:06.950 Entonces ahora dentro de este ciclo, que todavía está sucediendo en una época, pero ahora esta vez estamos en un lote 08:06.950 --> 08:07.360 específico. 08:07.790 --> 08:14.060 Entonces, ahora lo primero que vamos a hacer es obtener nuestras entradas y nuestro objetivo por separado. 08:14.570 --> 08:16.610 Y eso, como te dije, es muy fácil. 08:16.610 --> 08:21.290 Podemos hacerlo con una de las herramientas que implementamos, que es el seguimiento de elegibilidad. 08:21.620 --> 08:27.950 Como puede ver aquí, esta función de seguimiento de elegibilidad toma como entradas y ahora tenemos el 08:28.310 --> 08:32.060 lote y devoluciones como salida, las entradas y los objetivos. 08:32.420 --> 08:37.490 Entonces, en este momento, lo que podemos hacer simplemente es crear dos nuevas variables, que serán las entradas y 08:37.490 --> 08:38.300 el objetivo. 08:38.690 --> 08:48.080 Y estas entradas llegan a los objetivos exactamente igual a lo que devuelve esta función de seguimiento de elegibilidad que se aplica a un 08:48.080 --> 08:48.610 lote. 08:49.010 --> 08:51.950 Entonces aplicaremos esta función al lote de nuestro ciclo. 08:52.280 --> 08:55.160 Entonces, lo que haremos es solo elegibilidad. 08:56.460 --> 09:00.110 Traza aplicada al lote de nuestra esperanza. 09:00.660 --> 09:07.110 De acuerdo, eso nos da las entradas y los objetivos, pero en los tacaños, siempre hay algo más que tenemos 09:07.110 --> 09:07.850 que hacer. 09:08.100 --> 09:13.530 Y, por supuesto, esto es para convertir la entrada de la red neuronal y también el objetivo en algunas variables 09:13.530 --> 09:14.030 tahj. 09:14.340 --> 09:16.170 Pero tampoco hay nada nuevo. 09:16.200 --> 09:17.310 Sabemos cómo hacerlo. 09:17.490 --> 09:18.450 Podemos hacerlo de esta manera. 09:18.460 --> 09:24.930 Tomamos nuestras entradas, luego nuestros objetivos y bueno, serán iguales a verbales. 09:25.820 --> 09:26.510 Entrada de. 09:27.750 --> 09:30.210 Eso es por la entrada y verbal. 09:31.150 --> 09:33.580 Objetivos, y eso es para los objetivos. 09:34.090 --> 09:42.250 Muy bien, entonces las entradas del cerebro se convierten en algunas variables tahj y los objetivos también se convierten en 09:42.250 --> 09:43.900 algunas variables tahj. 09:44.320 --> 09:48.320 Entonces ahora podemos introducir las entradas en la red neuronal. 09:48.640 --> 09:50.530 ¿Y por qué tenemos que hacer esto? 09:50.530 --> 09:55.270 Debido a que el siguiente paso es obtener las predicciones, tenemos las entradas que tenemos que apuntar. 09:55.540 --> 09:59.980 Ahora, por supuesto, necesitamos nuestras predicciones porque entonces lo que sucede es que calcularemos la pérdida 10:00.190 --> 10:02.120 entre las predicciones y los objetivos. 10:02.890 --> 10:06.350 Así que obtengamos estas predicciones para obtenerlas. 10:06.640 --> 10:07.930 Bueno, de nuevo, esto es tan simple. 10:07.930 --> 10:14.650 Ahora solo necesitamos tomar nuestro cerebro, que es CNN, nuestra red neuronal convolucional, y aplicarlo 10:14.830 --> 10:16.730 a nuestras entradas. 10:17.320 --> 10:17.950 Aquí vamos. 10:18.320 --> 10:23.320 Las entradas van a la red neuronal y la red neuronal generará las predicciones. 10:24.170 --> 10:29.270 Perfecto, ahora tenemos las predicciones, tenemos los objetivos para que podamos obtener las leyes y ese es el 10:29.270 --> 10:34.640 siguiente paso, vamos a introducir un nuevo más porque ahora mismo vamos a obtener el último error, que es 10:34.790 --> 10:39.660 diferente. que la última función, porque la usamos como una función para obtener el último error. 10:40.100 --> 10:50.570 Entonces, menos error aquí y lo obtendremos con la función menos aplicada a nuestras predicciones y los objetivos que vamos 10:50.570 --> 10:54.860 a ver cómo todo va bien ahora. 10:55.070 --> 10:56.170 Todo es lógico. 10:56.180 --> 11:00.590 Primero obtenemos la entrada, los objetivos, luego, gracias a la entrada, obtenemos las predicciones. 11:00.590 --> 11:03.800 Y luego, gracias a las predicciones y los objetivos que obtenemos, menos error. 11:05.070 --> 11:08.850 Muy lógico y fluido, y ahora, ¿cuál es el siguiente paso? 11:09.150 --> 11:14.940 Bueno, la misma ruta lógica ahora que tenemos la última, podemos volver a propagar este error menor a la 11:14.940 --> 11:16.890 nueva red para actualizar los pesos. 11:17.190 --> 11:21.540 Y lo hacemos con descenso de gradiente estocástico y para realizar un descenso de gradiente estocástico. 11:21.540 --> 11:24.010 Necesitamos nuestro optimizador, pero ya lo tenemos. 11:24.030 --> 11:26.040 Aquí están Adam Optimizer. 11:26.430 --> 11:29.010 Pero ahora, en este punto, recuerde lo que tenemos que hacer. 11:29.370 --> 11:32.380 Tenemos que inicializarlo e inicializarlo. 11:32.400 --> 11:40.620 Recuerde, tomamos nuestro objeto optimizador y luego aplicamos el método de graduación cero. 11:41.440 --> 11:48.220 Ahí vamos, no nos olvidamos del paréntesis que lo inicializa, y ahora el siguiente paso es 11:48.220 --> 11:55.630 propagar hacia atrás el último error a la nueva red y para hacer esto, tomamos nuestro último error 11:55.630 --> 11:58.950 y le aplicamos el método hacia atrás. 11:58.960 --> 12:01.800 Entonces eso es exactamente para aplicar la propagación hacia atrás. 12:02.110 --> 12:06.380 Y finalmente, ahora que ha vuelto el último error, propaguelo a la nueva red. 12:06.610 --> 12:09.610 Bueno, podemos actualizar los pesos con el descenso de gradiente de Cassi. 12:10.300 --> 12:16.950 Y para hacer esto, recuerda, tomamos nuestro optimizador y luego aplicamos el método de pasos. 12:17.500 --> 12:18.210 Aquí vamos. 12:18.400 --> 12:19.900 Los pesos ahora están actualizados. 12:20.200 --> 12:25.500 Como te dije, no solo ya lo hicimos, sino que ahora parece tan simple y tan natural. 12:26.200 --> 12:28.440 Así que ahora vamos a hacer algo divertido. 12:28.600 --> 12:31.650 Vamos a imprimir la recompensa promedio cada apoc. 12:31.840 --> 12:35.830 Entonces, ya sabes, podemos realizar un seguimiento de cómo el A. YO. va, cómo va el entrenamiento. 12:36.190 --> 12:40.420 Queremos ver que la recompensa promedio aumenta con los pasos, en el cuadro. 12:40.630 --> 12:44.070 Y al principio, por supuesto, está esta fase de exploración. 12:44.080 --> 12:49.690 Por lo tanto, es posible que la recompensa promedio no aumente al principio, pero luego, una vez que 12:49.690 --> 12:56.050 llegue a la fase de explotación, veremos que la recompensa promedio aumenta definitivamente y aumentará hasta cierto nivel, que es cuando 12:56.290 --> 12:58.740 llega al oeste tan rápido como posible. 12:59.380 --> 13:01.210 Así que comencemos con la impresión. 13:02.200 --> 13:07.660 Ya sabes, estamos haciendo esto en una sola, así que tenemos que volver a la impresión en 13:07.660 --> 13:12.610 bucle y luego vamos a imprimir bien, primero alrededor de una columna, luego en porcentaje. 13:12.610 --> 13:18.850 S, porque vamos a convertir todo en una cadena que sea mejor y luego 13:18.850 --> 13:21.100 agregaremos la recompensa promedio. 13:22.490 --> 13:27.620 Y luego también agregamos el porcentaje, luego cerraremos la cotización. 13:28.890 --> 13:35.220 Y luego agregamos un porcentaje y por otro lado, ya sabes, ingresamos las variables que van a ser la primera 13:35.220 --> 13:41.430 persona, ya que esa es la épica aquí y la segunda variable correspondiente a la recompensa promedio, que se 13:41.610 --> 13:42.840 computará ahora mismo. 13:43.020 --> 13:45.560 Entonces, la variable de recompensa promedio aún no existe. 13:45.780 --> 13:47.600 Lo vamos a crear ahora mismo. 13:48.120 --> 13:51.930 Entonces vamos a utilizar ETR en el trabajo. 13:52.470 --> 13:55.440 Incluso si Époque es el número, lo convertiremos en una cadena. 13:55.440 --> 13:57.090 Eso es mejor y. 13:58.110 --> 14:03.150 Vamos a agregar, Estie, si esa será la recompensa promedio y entonces vamos 14:03.150 --> 14:09.810 a crear una variable que llamaremos una gran recompensa y ahora vamos a crear esta variable y calcularla. ? 14:10.560 --> 14:12.430 OK, entonces hagamos esto. 14:12.450 --> 14:13.980 Eso es lo único que nos queda por hacer. 14:13.980 --> 14:15.900 Entonces Époque, ya lo hemos hecho. 14:16.170 --> 14:20.040 Ahora calculemos el mundo promedio y necesitamos calcularlo aquí. 14:20.130 --> 14:27.090 Todavía en el ciclo, pero fuera del ciclo, porque ahora tenemos nuestro lote muestreado y nuestro entrenamiento ocurre en 14:27.090 --> 14:28.050 el lote. 14:28.350 --> 14:31.940 Pero ahora la propagación hacia adelante más la propagación hacia atrás se realiza en el lote. 14:32.190 --> 14:39.900 Así que estamos volviendo al ciclo y ahora podemos calcular las recompensas acumulativas que podemos hacer con nuestro 14:39.900 --> 14:41.100 objeto empeines. 14:41.430 --> 14:47.910 Debido a que nuestro objeto de empeines contiene esta función, haríamos pasos que nos permitan obtener las recompensas acumulativas que suceden 14:47.910 --> 14:51.250 en los pasos, ya sabes, durante la carrera de empeines. 14:51.660 --> 14:57.330 Así que lo usaremos ahora mismo para actualizar las nuevas recompensas de los pasos. 14:57.660 --> 15:05.640 Y luego actualizaremos el objeto de promedio móvil agregando las recompensas acumulativas al objeto cotidiano en movimiento y luego 15:05.640 --> 15:07.770 volveremos a calcular el promedio. 15:07.780 --> 15:09.910 Y así es como vamos a conseguir la recompensa media. 15:10.590 --> 15:11.510 Así que hagamos esto. 15:11.520 --> 15:14.640 Lo primero que necesitamos son los datos de recompensas de DARABA. 15:14.970 --> 15:16.950 Así que llamémosles recompensas. 15:18.100 --> 15:27.700 Pasos y luego, como dijimos, tomamos nuestro objeto de pasos finales, que fue, les recuerdo, creado aquí un objeto de la clase de 15:27.700 --> 15:33.310 progreso instantáneo a partir de nuestra experiencia que contagiamos al sujeto tan sensible. 15:34.000 --> 15:39.410 Luego agregamos recompensas, pasos y luego algunos paréntesis. 15:39.760 --> 15:40.150 Todo bien. 15:40.180 --> 15:43.690 Eso nos dará las nuevas recompensas acumulativas de los pasos. 15:43.990 --> 15:44.500 Todo bien. 15:45.310 --> 15:50.800 Pero luego debemos agregar estas nuevas recompensas acumulativas en nuestros objetos de promedio móvil. 15:50.980 --> 15:57.760 Y para hacer esto, tenemos un método esta vez en la clase de media móvil, que es este método publicitario que es muy 15:57.760 --> 15:58.210 simple. 15:58.220 --> 16:03.190 Tomamos nuestro objeto de media móvil, que creamos aquí con cien pasos. 16:03.790 --> 16:11.710 Luego, usaremos nuestro método ADD y luego en la atmósfera ingresamos nuestros pasos de recompensa y esto agregará las 16:11.710 --> 16:15.130 recompensas de los pasos a la media móvil. 16:15.970 --> 16:16.360 Todo bien. 16:16.360 --> 16:21.960 Y finalmente, podemos calcular la recompensa promedio y eso está bien, ya sabes, esa es la misma variable aquí. 16:22.690 --> 16:26.440 Entonces eso es lo que será igual a la recompensa promedio. 16:26.860 --> 16:33.250 Y para obtenerlo, solo necesitamos usar el método de promedio esta vez de nuestro objeto de promedio móvil. 16:33.700 --> 16:41.470 Y eso es lo que hacemos y un promedio de puntos así, porque nuestro promedio móvil ya se actualizó con los nuevos 16:41.710 --> 16:45.520 pasos de recompensas que acabamos de agregar al método ADD. 16:46.430 --> 16:46.890 Excelente. 16:46.960 --> 16:52.990 Así que ahora tenemos nuestro premio promedio, por lo que es muy popular aquí y se imprimirá todos los años. 16:53.420 --> 16:54.990 Está bien, así que terminamos. 16:55.030 --> 16:57.170 Así que estoy muy emocionado de ver los resultados. 16:57.170 --> 17:01.670 Y de hecho, voy a tener una sorpresa para ti en el próximo tutorial mientras miras los resultados. 17:01.700 --> 17:03.380 Así que va a ser muy emocionante. 17:03.650 --> 17:06.740 Y ahora creo que es hora de jugar con el aire y divertirse. 17:07.610 --> 17:08.060 Todo bien. 17:08.060 --> 17:11.240 Así que prepárate un buen café o un buen té. 17:11.480 --> 17:17.410 Ahora es el momento de sentarse cómodamente en nuestra silla y ver algunos videos geniales de nuestro avión para ver, eso es 17:17.430 --> 17:18.760 en el siguiente tutorial. 17:18.770 --> 17:20.160 Y hasta entonces, disfruta.