WEBVTT

00:00.150 --> 00:05.400
Merhaba arkadaşlar ve derin, evrişimli öğrenme modelinin sonuçlarının görselleştirilmesiyle

00:05.400 --> 00:07.470
ilgili bu yeni bölüme hoş geldiniz.

00:07.710 --> 00:13.530
Öncelikle, derin evrişimli sinir modelinin tüm bu uygulamasını tamamladığınız için gerçekten

00:13.530 --> 00:15.830
büyük tebrikler demek istiyorum.

00:15.840 --> 00:22.560
Ve şimdi oluşturduğumuz yapay zekanın sonuçlarını görselleştireceğimiz eğlenceli kısma geldik.

00:22.680 --> 00:27.630
Ve bir önceki eğitimin sonunda söylediğim gibi, biliyorsunuz, uygulamanın son eğitimi, sizin

00:27.630 --> 00:29.940
için bir sürprizim olduğunu söylemiştim.

00:29.940 --> 00:32.610
Ve sürpriz de tam olarak bu.

00:32.610 --> 00:36.090
Sonuçları Google CoLab üzerinde görselleştireceğiz.

00:36.090 --> 00:38.110
Peki bu neden iyi bir sürpriz?

00:38.130 --> 00:44.910
Bu iyi bir sürpriz çünkü temelde kodu çalıştırma, kodu çalıştırma ve sonuçları görselleştirme konusunda hiçbir

00:44.910 --> 00:46.890
sorun yaşamayacaksınız.

00:47.040 --> 00:49.620
Aslında bu, kursun yeni bir özelliğidir.

00:49.920 --> 00:56.430
Bundan önce, aslında kodu Python'da Spider üzerinde çalıştırıyorduk, ancak tüm paketleri, pytorch'u,

00:56.430 --> 01:02.730
gym bağımlılıklarını ve tüm farklı bağımlılıkları yüklemek son derece zordu.

01:02.850 --> 01:08.460
Birçok öğrenci aslında her şeyi yüklerken tonlarca sorun yaşadı ve sonunda çoğu iyi çalışamadı,

01:08.460 --> 01:12.480
tüm kodu ve çoğunlukla nihai sonuçları göremediler.

01:12.480 --> 01:15.030
Bu yüzden bunu kesinlikle düzeltmek istedim.

01:15.030 --> 01:19.830
Ve gerçekten bulduğum en iyi çözüm tüm kodu dahil etmek oldu.

01:19.830 --> 01:24.180
Böylece, bu bölümde uyguladığımız kodla tamamen aynı koda sahip olacaksınız.

01:24.180 --> 01:30.300
Ancak tüm kodu bir Google CoLab not defterine ekledim, kodu çalıştırmak ve sonuçları görselleştirmek

01:30.300 --> 01:35.160
için yapmanız gereken tek şey buradaki oynat düğmelerine tıklamak olacak.

01:35.160 --> 01:40.200
Yapmanız gereken tek şey bu, çünkü Google CoLab'in güzelliği, kütüphanelerin ve paketlerin

01:40.200 --> 01:42.120
çoğunun zaten yüklü olmasıdır.

01:42.120 --> 01:47.400
Örneğin, TensorFlow zaten yüklüdür, PyTorch zaten tüm torch modüllerinde yüklüdür, işlevler

01:47.400 --> 01:51.690
ve sınıflar zaten yüklüdür, bu nedenle bunları yüklemeniz gerekmez.

01:51.690 --> 01:56.970
Bununla birlikte, her şeyin iyi bağlandığından emin olmak için hala yüklememiz gereken bazı küçük bağımlılıklar

01:56.970 --> 02:04.620
var, ancak bunları sürücüsüz arabada yaptığımız gibi bir terminal veya Anaconda komut istemi aracılığıyla yüklememiz gerekmeyecek.

02:04.620 --> 02:10.830
Bilgelik için sistem bağımlılıklarını yükleyen bu ilk hücrede buradaki oynat düğmesine tıklamamız gerekecek.

02:11.070 --> 02:13.770
Şimdi bazılarınızın ne düşündüğünü biliyorum.

02:13.770 --> 02:16.700
Aynı şeyi sürücüsüz otomobil için neden yapmadık?

02:16.710 --> 02:22.050
Ne yazık ki aynı şeyi yapamadık çünkü sürücüsüz araç modülünde kullanıcı etkileşimleri

02:22.050 --> 02:22.950
vardı.

02:22.950 --> 02:28.230
Bilirsiniz, yolları tasarlamak ve bazı engeller koymak için harita üzerinde bazı anlamlar çizdiğimizde,

02:28.230 --> 02:35.730
ne yazık ki, Google CoLab henüz bazı haritalarla bazı kullanıcı etkileşimlerine izin veren bu özelliğe sahip değil.

02:35.730 --> 02:38.340
Bu yüzden sürücüsüz araba için bunu yapamadım.

02:38.340 --> 02:44.010
Bunun için özür dilerim ama bu yüzden size kitabımın sürücüsüz araçla ilgili tüm talimatları içeren

02:44.010 --> 02:46.860
Crash Course bölümünün tamamını verdim.

02:46.860 --> 02:49.440
Umarım yine de her şeyi düzgün bir şekilde kurabilirsiniz.

02:49.440 --> 02:53.940
Doom'a kıyasla kurulacak fazla bir şey yoktu, bu yüzden umarım sürücüsüz araba için her şey yolunda gitmiştir.

02:53.940 --> 02:55.530
Ama burada kıyamet için.

02:55.530 --> 02:56.580
Artık güvendesin.

02:56.580 --> 03:00.750
Kodu çalıştırırken ve sonuçları görselleştirirken herhangi bir sorun yaşamayacaksınız.

03:00.750 --> 03:01.890
İşte sürpriz bu.

03:01.890 --> 03:03.030
Umarım beğenirsiniz.

03:03.030 --> 03:08.040
Şimdi size tüm bu uygulamayı göstereceğim ve aslında ikinci bölümde uyguladığımız

03:08.040 --> 03:11.610
kodun aynısına sahip olduğumuzu göstereceğim.

03:11.610 --> 03:14.610
Tek sorun, üç kodu birleştirmiş olmam.

03:14.610 --> 03:20.370
Biliyorsunuz, bu, p dosyasının görüntü ön işlemesinden, ardından p dosyasının deneyim tekrarından ve ardından

03:20.370 --> 03:25.980
AI'nın iki bölümden oluşan p dosyasından oluşan klasörde sahip olduğumuz koddur; birinci bölüm AI'yı oluşturur

03:25.980 --> 03:28.230
ve ikinci bölüm AI'yı eğitir.

03:28.260 --> 03:34.710
Basitçe yaptığım şey, önce p dosyasını ön işleme tabi tutarak üçünü birleştirmek

03:34.740 --> 03:35.460
oldu.

03:35.460 --> 03:37.020
Bunu size çalışma kitabında göstereceğim.

03:37.020 --> 03:39.090
İkincisi, deneyim.

03:39.090 --> 03:42.020
P dosyasını ve üçüncü olarak yapay zekayı tekrar oynatın.

03:42.050 --> 03:46.290
P'ler bu sırayla alt alta düşmüştür.

03:46.920 --> 03:48.240
Sana bunu göstereceğim.

03:48.240 --> 03:53.670
Ve sonra tüm bu kodda sadece iki ya da üç şeyi değiştirmem gerekti ve farkı yakaladığınızdan emin olabilmeniz

03:53.670 --> 03:56.700
için size değişiklikleri tam olarak göstereceğim.

03:56.700 --> 04:02.010
Temel olarak, o dosyada her şey aynıdır ve o dosyada da her şey aynıdır.

04:02.010 --> 04:04.920
Ancak bu dosyada kesinlikle bir değişiklik yok.

04:04.920 --> 04:11.040
Burada, Openai ve Zoom için paketleri içe aktardığımızda, ayrık olarak içe aktarmak için P paketi doom wrappers

04:11.040 --> 04:13.410
eylem alanını kullanmıyoruz.

04:13.410 --> 04:14.940
Artık onu kullanmıyoruz.

04:14.940 --> 04:16.560
Başka bir şey kullanacağız, göreceksiniz.

04:16.560 --> 04:25.230
Ayrıca buradaki çerçevelerin boyutlarını 80'e 80 olarak değiştirdim. Bunu 256'ya 256 olarak değiştirdim.

04:25.230 --> 04:30.960
Böylece gerçekten daha iyi görselleştirme sonuçları elde edebilirsiniz, çünkü izleyecek daha büyük videolarınız olacaktır.

04:31.260 --> 04:32.460
Ben de bunu değiştirdim.

04:32.460 --> 04:32.940
Sana göstereceğim.

04:32.940 --> 04:39.420
Şimdi, görüntü işleme ile başlayalım, çünkü gerçekten de size söylediğim gibi, üç dosyayı birleştirdim.

04:39.420 --> 04:43.350
Bu yüzden p y tuşuna basarak gerçekten görüntü ile başlıyoruz.

04:43.350 --> 04:45.870
Ve gördüğünüz gibi, bu tamamen aynı.

04:45.870 --> 04:49.470
Kütüphaneleri içe aktararak başlıyoruz, buradakilerin aynısı.

04:49.470 --> 04:55.410
Ardından, init yöntemi ve gözlem yönteminden oluşan ön işlem görüntü sınıfı ile görüntüleri ön işleme

04:55.410 --> 04:56.580
tabi tutuyoruz.

04:56.580 --> 04:59.670
Ve gördüğünüz gibi, bu tam olarak aynı ön işlem görüntüsüdür.

05:00.130 --> 05:02.470
İçinde, yöntem ve gözlem yöntemi.

05:02.500 --> 05:07.480
Pekala, o zaman tamamen aynısını yaşadığımız deneyim tekrarına geçiyoruz.

05:07.480 --> 05:11.350
Gerçekten de, ilk olarak burada iki kütüphaneyi kullandık, hiçbirini ismen belirtmedik.

05:11.370 --> 05:13.060
Sağ tarafa dokunun.

05:13.060 --> 05:17.260
Daha sonra buradakiyle tamamen aynı olan bir adım tanımlarız.

05:17.260 --> 05:24.280
Ardından, çalışma kitabındakiyle tamamen aynı olan Step Progress sınıfıyla birkaç ve adım

05:24.280 --> 05:26.770
adım ilerleme kaydediyoruz.

05:26.770 --> 05:27.130
Doğru.

05:27.130 --> 05:29.200
Buraya biraz kopyala yapıştır yaptım.

05:29.200 --> 05:31.300
Tam olarak aynı init yöntemine sahibiz.

05:31.300 --> 05:34.780
Bu bir yöntemdir ve ödül adımları yöntemidir.

05:34.780 --> 05:40.540
Pekala, o zaman elbette deneyim tekrarını tekrar bellek sınıfı ile uyguluyoruz.

05:40.540 --> 05:44.140
Gördüğünüz gibi, Google ortak çalışmasında da tam olarak aynısı var.

05:44.140 --> 05:48.660
Ayrıca bazı metin hücreleri eklediğim için yapıyı belki daha iyi takdir edeceksiniz.

05:48.670 --> 05:52.720
Yani bu çalışma kitabında görselleştirmek daha da güzel olabilir.

05:52.720 --> 05:53.140
Tamam.

05:53.140 --> 05:58.840
Bu nedenle, temelde tamamen aynı kod olan bellek sınıfı başlatma yöntemi örnek toplu çalıştırma adımlarını yeniden oynatın.

05:58.840 --> 05:59.500
Tamam.

05:59.500 --> 06:06.340
Ve sonra üçüncü dosya API'sine geçiyoruz, özgürlük API'si, iki bölüm içeren API, birinci bölüm, yapay zeka

06:06.340 --> 06:09.190
oluşturma ve ikinci bölüm API'yi eğitme.

06:09.220 --> 06:12.670
Şimdi size bu çalışma kitabında da aynısının olduğunu göstereyim.

06:12.670 --> 06:17.950
Bu yüzden I Freedom API önce kütüphaneleri içe aktarıyoruz, tamamen aynı olanları.

06:17.950 --> 06:19.210
Doğru, gördüğünüz gibi.

06:19.210 --> 06:25.030
İşte Openai ve Dhoom için paketleri içe aktarırken vurguladığım fark bu.

06:25.030 --> 06:31.960
Gem sarmalayıcılarını içe aktarmak ve sonra sarmalayıcıyı atlamak ve betiğe aktarmak için paketlemek yerine, yaptığımız

06:31.960 --> 06:37.510
şey aslında sadece aynı olan gem'i içe aktarmak, sonra da temelde gerçekten iyi geliştirilmiş

06:37.510 --> 06:41.770
yeni doom ortamları olan bu doomed gem'i içe aktarmaktır.

06:41.770 --> 06:44.980
Ve son olarak, Gem Kütüphanesi'nin ambalajları.

06:44.980 --> 06:45.310
Tamam.

06:45.310 --> 06:50.260
İşte bu fark, bu şeyin Google CoLab'de ve çalıştırmak isterseniz Python'da çalışmasını

06:50.260 --> 06:51.220
sağlayacaktır.

06:51.220 --> 06:55.960
Ve burada, elbette, bu kodu Google collapse'e dahil etmek zorunda kalmadım çünkü burada diğer

06:55.960 --> 06:59.410
dosyaları içe aktarıyoruz çünkü bunlar ayrılmış durumda.

06:59.410 --> 07:04.360
Üç dosyayı Google CoLab'de birleştirdiğim için bu içe aktarma işlemini yapmama gerek kalmadı.

07:04.360 --> 07:10.510
Burada doğrudan birinci bağlantı noktasına geçiyoruz, API'yi oluşturuyoruz ve burada, size söylediğim gibi, buradaki

07:10.510 --> 07:13.150
boyutlar dışında tam olarak aynı koda sahibiz.

07:13.150 --> 07:13.750
Doğru.

07:13.750 --> 07:20.950
Burada birinci bağlantı noktasına bakarsak, birinci bağlantı noktası bina II, beyni C ve sınıf ile yaparak başlarız.

07:20.950 --> 07:25.870
Gördüğünüz gibi, kodu uyguladığımızda 80'e 80 olan giriş çerçevelerinin

07:25.870 --> 07:29.110
boyutları dışında tamamen aynı koda sahibiz.

07:29.110 --> 07:36.940
Ancak Google CoLab'de bunu 256'ya 256 olarak değiştirdim, böylece daha iyi kareler ve dolayısıyla izleyebileceğiniz daha iyi videolar

07:36.940 --> 07:40.450
elde edebilirsiniz, ancak geri kalan her şey tamamen aynı.

07:40.450 --> 07:46.450
Yani burada beyni CNN sınıfıyla oluşturuyoruz, ardından soft max buddy sınıfıyla buddy'yi oluşturuyoruz.

07:46.450 --> 07:49.000
Yani buradakiyle tamamen aynı.

07:49.000 --> 07:55.480
Ve son olarak, her şeyi beyni ve vücudu içeren sınıfla ve ayrıca eylemleri gerçekleştirmek için

07:55.480 --> 07:58.090
bazı yöntemlerle bir araya getirdik.

07:58.090 --> 07:59.980
Doğru, tamamen aynı.

08:00.040 --> 08:05.350
Vücuttaki beyinden oluşan bir sınıf ve ardından eylemleri gerçekleştirmek için aynı yöntem.

08:05.350 --> 08:05.980
Tamam.

08:05.980 --> 08:07.120
Yani tamamen aynı.

08:07.120 --> 08:09.670
Sadece giriş çerçevelerinin boyutları değişti.

08:09.670 --> 08:13.690
Şimdi ikinci bölüme geçelim, o da tamamen aynı olacak.

08:13.690 --> 08:16.630
İlk olarak, doom ortamını doğru hale getirmeliyiz.

08:16.630 --> 08:18.610
Size ikinci bölümü de göstereyim.

08:18.880 --> 08:25.780
İlk olarak doom ortamını alıyoruz ve burada artık ortamı içe aktarmak için paket kullanmadığımızı, bunun yerine bu

08:25.780 --> 08:27.940
doom'u kullandığımızı unutmayın.

08:27.940 --> 08:31.480
Bu kodda değişen tek şey gerçekten de burası.

08:31.480 --> 08:35.680
Gerçekten de bilgelik koridoru alıyoruz ama burası tamamen aynı ortam.

08:35.860 --> 08:36.280
Tamam.

08:36.280 --> 08:40.600
Ve sonra, elbette, bu yeni boyutları değiştiriyorum, böylece burada daha büyük videolara sahip olabilirsiniz.

08:40.600 --> 08:46.240
Yani artık 80'e 80 değil, bu kez 256'ya 256.

08:46.240 --> 08:51.640
Ve sonra tam olarak aynı kıyameti elde ediyoruz ve göreceğiniz eylemlerin sayısı

08:51.640 --> 08:52.750
yedi olacak.

08:53.230 --> 08:58.840
Daha sonra beyin nesnesini oluşturarak yapay zekayı inşa ediyoruz, bilirsiniz, CNN, sonra vücut nesnesi,

08:58.870 --> 09:04.720
yumuşak maksimum vücut ve sonra beyin ve vücuttan oluşan tüm yapay zeka, birlikte uyguladığımızla tamamen

09:04.720 --> 09:05.470
aynı.

09:05.710 --> 09:06.100
Tamam.

09:06.100 --> 09:07.870
Sonra deneyim tekrarı ayarladık.

09:07.870 --> 09:09.820
Yani burada da durum aynı.

09:09.820 --> 09:14.080
Ve sonra uygunluk izini yine tamamen aynı şekilde uyguluyoruz.

09:14.080 --> 09:15.550
Peki sonra ne yapacağız?

09:15.550 --> 09:19.840
Hareketli ortalamayı 100 adımlık yöneticiler üzerinden yaparız.

09:19.840 --> 09:20.320
Aynısından.

09:20.320 --> 09:22.030
Yani bu tamamen aynı kod.

09:22.030 --> 09:28.000
Temel olarak sadece çerçevelerin boyutları ve ortamı içe aktarma şekli değişti.

09:28.510 --> 09:33.160
Ve son olarak yapay zekayı tamamen aynı kodla eğitiyoruz.

09:33.730 --> 09:41.260
Buraya kadar, indirdiğinizde klasörde gördüğünüz kodun tamamına, koddaki veri setine sahibiz.

09:41.560 --> 09:45.250
Ve temelde birlikte uyguladığımız tüm koda da sahibiz.

09:45.340 --> 09:53.560
Ancak daha sonra görselleştirmenin Google Lab'de çalışmasını sağlamak için bu ekstra kodu ekledim, ancak gerçekten yalnızca

09:53.560 --> 09:59.530
bu CoLab not defterine ve ayrıca yalnızca görselleştirmeye özgü olduğu için.

09:59.740 --> 10:03.490
A. I. doom ortamında eylemde bulunmak memnun edecektir.

10:03.490 --> 10:08.350
Buradaki tüm kodları anlamak için endişelenmenize gerek yok çünkü biliyorsunuz, bunu hayatınızda sadece

10:08.350 --> 10:13.400
bir kez doom ortamında oynamak için bir yapay zeka oluşturmak ve eğitmek istediğinizde göreceksiniz.

10:13.420 --> 10:18.340
Demek istediğim, bir yapay zeka oluştururken ve eğitirken üzerinde çalışacağınız diğer uygulamalar için bu kodu kullanmak

10:18.340 --> 10:19.750
zorunda kalmayacaksınız.

10:19.780 --> 10:21.960
Bu yüzden bu kod hakkında çok fazla endişelenmeyin.

10:21.970 --> 10:26.010
Google CoLab'de çalışması için bunu yeni ekledim, ama bakalım ne yapacağım.

10:26.260 --> 10:28.060
İlk olarak, elbette kütüphaneleri içe aktarın.

10:28.060 --> 10:34.030
Daha sonra buraya bazı pratik kodlar ekledim, böylece ortamda sahip olduğunuz eylemlerin sayısını çok hızlı

10:34.030 --> 10:39.310
bir şekilde görebilirsiniz, ayrıca ortamın çerçevesinin nasıl olduğunu görmek için bir ekran.

10:39.310 --> 10:44.980
Bunu eklememin nedeni, size diğer doom ortamlarıyla nasıl oynayacağınızı da göstereceğim çünkü aslında

10:44.980 --> 10:46.870
bunlardan çok sayıda var.

10:46.870 --> 10:53.260
Bu nedenle yapmanız gereken şey, bilgelik koridorunu burada bulunan diğer ortamların adıyla değiştirmek

10:53.260 --> 10:54.070
olacaktır.

10:54.070 --> 10:57.400
Size o sayfanın linkini bu eğitime kadar vereceğim.

10:57.430 --> 11:01.540
Ancak burada, gördüğünüz gibi, oynayabileceğiniz birçok doom ortamınız var.

11:01.540 --> 11:06.250
Biliyorsunuz, Wisdom Basics, Wisdom Corridor, ki şu anda bununla oynayacağız, Wisdom Defense

11:06.250 --> 11:11.800
Center ve diğerleri ve hatta bazı kapalı labirentler var ve sadece buradaki talimatları izleyin.

11:11.800 --> 11:15.760
Hepsini bu klasörde, bu başlatma yönteminde bulacaksınız.

11:15.760 --> 11:17.740
İsmi burada bulabilirsiniz.

11:17.740 --> 11:20.710
Bilgelik Temelleri, Bilgelik Koridoru, Bilgelik Savunma Merkezi.

11:20.710 --> 11:22.600
Ve onlardan çok ama çok var, görüyorsunuz.

11:22.600 --> 11:26.020
Yani diğer doom ortamlarıyla oynamak istiyorsanız, bunu yapmaktan çekinmeyin.

11:26.020 --> 11:29.830
Sadece ortamın adını değiştirmeniz gerekecektir.

11:29.830 --> 11:34.150
Bu doom koridorunu bu çalışma kitabında her gördüğünüzde, bunu isimle değiştirmeniz yeterlidir.

11:34.150 --> 11:39.580
Ve bu kod ve bu kod sayesinde, eylem sayısının ne olduğunu, giriş şeklinin boyutlarını ve ayrıca

11:39.580 --> 11:45.790
ortamın nasıl göründüğünü görmek için çerçevenin bir görüntüsünü hızlı bir şekilde görebileceksiniz.

11:45.790 --> 11:47.410
Yani bu oldukça pratik olacak.

11:47.530 --> 11:50.920
Sonra görselleştirme için bu yardımcı işlevi yaptım.

11:50.920 --> 11:55.540
Daha sonra yapay zekayı eğitildikten sonra bir bölüm üzerinde çalıştırıyorum.

11:55.540 --> 11:57.760
Bu yüzden önce burada eğiteceğiz.

11:57.760 --> 12:02.460
Gördüğünüz gibi, bu arada, epok sayısını da 100'den 20'ye değiştirdiğimi söylemeyi

12:02.460 --> 12:06.730
unuttum ve bunun nedeni, bilirsiniz, çerçevenin boyutlarını artırmamdır.

12:06.730 --> 12:11.710
Çerçevenin boyutunu artırdığım için antrenman çok daha uzun sürecek çünkü tabii ki antrenman

12:11.710 --> 12:12.820
yapmak daha zor.

12:12.820 --> 12:17.700
Bu nedenle 100 epok sayısını 20 OC'ye düşürdüm.

12:17.740 --> 12:20.950
Ve bununla zaten iyi, olumlu ödüller alacağımızdan endişelenmeyin.

12:20.950 --> 12:25.180
Ancak elbette performansı artırmak ve sonunda sonuçları iyileştirmek istiyorsanız, bu epok sayısını

12:25.180 --> 12:26.680
artırmaktan çekinmeyin.

12:26.680 --> 12:31.330
Daha da iyi sonuçlar alacaksınız, ancak 20 epok ile eğitimin oldukça zaman alacağını

12:31.330 --> 12:32.350
göreceksiniz.

12:33.160 --> 12:35.380
Pekala, nerede kalmıştım?

12:35.380 --> 12:37.540
Evet, bu görselleştirme için bir işleve yardımcı olur.

12:37.540 --> 12:41.560
Daha sonra yapay zekayı bir bölüm üzerinde çalıştırıyorum, tabii ki eğitildikten sonra.

12:41.560 --> 12:48.550
Ve son olarak bu son kod hücresi, bu bir bölüm boyunca oyunun videosunu çıkaracak ve yapay zekanın bu bir

12:48.550 --> 12:54.490
bölüm boyunca nasıl performans göstereceğini, bu kodu çalıştırdığımızda çıkarılacak

12:54.490 --> 12:59.920
ve burada yanlış olarak indirebileceğiniz bir videoda göreceksiniz.

13:00.670 --> 13:01.300
Tamam.

13:01.300 --> 13:03.130
Şimdi sıra infazda.

13:03.130 --> 13:06.370
Koltuğumuza gerçekten rahatça oturma zamanı.

13:06.370 --> 13:08.470
Umarım iyi bir kahveniz ya da iyi bir çayınız vardır.

13:08.480 --> 13:13.990
Şimdi nihai sonucu çalıştırmak için her bir hücredeki farklı oynatma düğmelerine basacağız.

13:14.000 --> 13:14.920
O zaman şöyle yapalım.

13:14.920 --> 13:17.420
Ama öncelikle, bunu anlamak çok önemli.

13:17.420 --> 13:18.460
Ve Google CoLab.

13:18.460 --> 13:24.760
Bu, hepinizin erişebileceği bir Google CoLab çalışma kitabının bağlantısıdır ve bu nedenle, elbette, içindeki herhangi bir

13:24.760 --> 13:30.100
şeyi değiştiremezsiniz çünkü biriniz iyi bir değişiklik yaparsa, diğerleri değişikliği görecektir.

13:30.100 --> 13:34.750
Yani bu bir salt okunur moddur ve bu nedenle bazı değişiklikler yapmak için yapmanız gereken

13:34.750 --> 13:38.920
şey, bilirsiniz, ortamın adını değiştirmek veya dönem sayısını artırmak veya hatta

13:38.920 --> 13:47.170
yapay zekanızı ayarlamak istemeniz durumunda, kendi Google Drive'ınızda olacak bu çalışma kitabının bir kopyasını oluşturmanız gerekecektir.

13:47.170 --> 13:52.930
İşte bu nedenle, bir Google sürücüsüne sahip olabilmeniz için bir Gmail adresine ihtiyacınız olacaktır.

13:53.500 --> 13:55.450
Bu yüzden bir tane aldığınızdan emin olun.

13:55.450 --> 14:01.150
Durum böyle olduğunda, buraya tıklamanız ve ardından bir kopyasını kaydedip sürmeniz yeterlidir.

14:01.150 --> 14:07.060
Bu da kendi Google Drive'ınızda bu çalışma kitabının bir kopyasını oluşturacak ve üzerinde bazı değişiklikler

14:07.060 --> 14:08.620
yapabileceksiniz.

14:08.620 --> 14:09.310
Tamam.

14:09.310 --> 14:12.910
Ve işte şimdi bu infazın başındayız.

14:12.910 --> 14:18.640
Şimdi tüm hücreleri oynatacağız ve nihai sonuca gittikçe yaklaşacağız.