WEBVTT 00:00.730 --> 00:03.690 สวัสดีและยินดีต้อนรับกลับสู่หลักสูตรเกี่ยวกับปัญญาประดิษฐ์ 00:03.730 --> 00:07.440 ในเรื่องราวของวันนี้เรากำลังพูดถึงเรื่องสุดท้ายใน a 3C 00:07.450 --> 00:09.400 เรากำลังพูดถึงความได้เปรียบ 00:09.550 --> 00:10.340 ดังนั้นจึงเป็น 00:10.360 --> 00:14.040 เราได้พูดถึงนักวิจารณ์ดาราและซิงโครนัสมาแล้ว 00:14.260 --> 00:21.560 ดังนั้นเขาจึงสร้างวิธีการที่เราจะดูในวันนี้และด้วยความได้เปรียบเราจะรวมทุกอย่างเข้าด้วยกัน 00:21.730 --> 00:33.550 ดังนั้นนี่คือสิ่งที่เรามีจนถึงตอนนี้เรามีเครือข่ายประสาทซึ่งแบ่งใช้ระหว่างตัวแทนตัวแทนแบบอะซิงโครนัสและจากนั้นเราก็มีนักวิจารณ์ 00:33.580 --> 00:36.490 ทั้งหมดนี้เป็นวิธีการเล่นและทำไมนักวิจารณ์นี้ร่วมกันระหว่างตัวแทน 00:36.500 --> 00:37.390 ลองดูที่นั่น 00:37.600 --> 00:46.730 เข้าใจดีกว่าเราจะไปดูตัวอย่างที่เราจะดูตัวอย่างนี้และดูว่าเกิดอะไรขึ้นเมื่อเขาอยู่ในสถานะที่แน่นอนและเขาต้องตัดสินใจว่าจะเล่นอะไรดี 00:46.840 --> 01:09.870 ดังนั้นเอเจนต์นี้อยู่ในสถานะที่เขาเห็นภาพนี้แล้วสิ่งที่เกิดขึ้นคือข้อมูลนี้เข้าสู่เครือข่ายประสาทมันไปที่รังของถ้ำจากนั้นก็เข้าไปในถ้ำรวมแล้วมันก็เข้าไปในถ้ำที่แบน เลเยอร์ที่ซ่อนอยู่ของเครือข่ายนิวรัลและจากนั้นเขาจะได้รับค่านโยบายเหล่านี้ทั้งหมดที่ค่าของคุณคือนโยบาย 01:09.970 --> 01:14.160 และเขายังได้รับคุณค่าจากนักวิจารณ์ 01:14.230 --> 01:22.720 ดังนั้นเมื่อเรารู้จักเครือข่ายประสาทเพื่อดำเนินการพวกเขาจำเป็นต้องเผยแพร่ข้อผิดพลาดหรือการสูญเสียกลับผ่านเครือข่าย 01:22.720 --> 01:29.520 ดังนั้นวิธีนี้ในการปรับปรุงน้ำหนักดังนั้นสิ่งที่รอหรือเพื่อให้การสูญเสียสิ่งที่เราจะต้องจัดการกับที่นี่ 01:29.590 --> 01:30.540 ทีนี้เราขาดทุนสองครั้ง 01:30.540 --> 01:32.970 เรามีการสูญเสียคุณค่าและการโพสต์ 01:32.980 --> 01:38.360 ดังนั้นการสูญเสียค่าจะเชื่อมโยงกับค่าการสูญเสียบางส่วนจึงเชื่อมโยงกับกลุ่มและมีค่ามาก 01:38.400 --> 01:41.080 เราเคยจัดการกับมันมาก่อน 01:41.260 --> 01:54.690 เรารู้ว่าเรามีรางวัลและเรารู้ว่าเรามีปัจจัยลดราคาดังนั้นโดยทั่วไปนี่คล้ายกับสิ่งที่เราพูดถึงในการเปลี่ยนใจเลื่อมใสในบทเรียนการเรียนรู้ลึก 01:54.730 --> 02:03.190 โดยพื้นฐานแล้วเครือข่ายคาดการณ์ค่า 02:03.190 --> 02:13.730 V และในเวลาเดียวกันเราสามารถประเมินสิ่งที่ควรเป็นไปตามสิ่งที่เรารู้เกี่ยวกับสภาพแวดล้อมจนถึงตอนนี้เราสามารถประเมินได้ว่าค่าควรอยู่ในสถานะใดและโดยการเปรียบเทียบทั้งสองเราสามารถคำนวณค่าได้ การสูญเสียแล้วกลับเครือข่ายการขยายการปรับปรุงน้ำหนัก 02:13.870 --> 02:17.670 นั่นคือสิ่งที่ค้ำจุนสิ่งใหม่ที่นี่คือการสูญเสียนโยบาย 02:17.770 --> 02:21.700 แล้วนโยบายนี้จะสูญเสียอะไรและมันทำงานอย่างไร 02:21.700 --> 02:32.520 นี่คือส่วนที่สถานการณ์ทั้งหมดนี้ที่นักวิจารณ์ร่วมกันระหว่างนักแสดงหรือระหว่างตัวแทนจะเกิดขึ้นในที่สุด 02:32.590 --> 02:38.920 เพื่อที่จะเข้าใจการสูญเสียของพัลซูเราจำเป็นต้องแนะนำค่าที่เรียกว่า Advantage ดังนั้นชื่อของส่วนนี้ของเรื่องราวในส่วนนี้ทั้งหมดของ Salyut ข้อดีและความได้เปรียบถูกคำนวณเป็น 02:39.340 --> 02:45.460 Q ของ A ลบ 02:45.480 --> 02:47.900 V 02:47.920 --> 02:54.550 โดยทั่วไปแล้วค่า Q หรือว่าคุณเลือกที่จะเล่นการกระทำทั้งหมดที่คุณเลือกที่จะเล่นในสถานะที่คุณอยู่ในสถานะ S 02:54.550 --> 02:57.420 ลบค่าของรัฐนั้น 02:57.640 --> 03:00.670 นี่คือความแตกต่างระหว่างทั้งสองกับที่เรียกว่าอันนั้น 03:00.670 --> 03:04.950 และมีการใช้ประโยชน์ในการคำนวณพัลส์ 03:04.990 --> 03:12.860 ตอนนี้เราจะไม่เข้าไปในสูตรการคำนวณแบบไม่มีชีพจรเพราะมันค่อนข้างซับซ้อนโดยใช้เอนโทรปีหรือคุณสามารถใช้เอนโทรปีได้โดยไม่ต้องทำ 03:12.990 --> 03:17.020 เราจะไม่แยกสูตรนั้น แต่เราจะเข้าใจในระดับที่เข้าใจง่าย 03:17.020 --> 03:21.470 เหตุใดเราจึงทำเช่นนี้เหตุใดเราคำนวณข้อได้เปรียบนี้และจะช่วยเราได้อย่างไร 03:21.640 --> 03:24.190 ทีนี้ลองดูหลักฐานนี้สักครู่ 03:24.190 --> 03:33.040 ค่า Q ที่นี่มาจากสิ่งที่เครือข่ายประสาทคาดการณ์ไว้สำหรับเอเจนต์นี้และเพื่อการคาดการณ์ในการกระทำเฉพาะนี้ในสถานะที่เฉพาะเจาะจงนี้สำหรับการกระทำที่สามารถเล่นได้จึงได้รับการกระทำเหล่านี้และมันสามารถเลื่อนหนึ่งในนั้น 03:33.040 --> 03:37.840 ในขณะที่ค่า 03:38.110 --> 03:46.480 Wii เป็นค่าที่กำหนดโดยนักวิจารณ์ 03:46.480 --> 03:56.310 มันคือคุณค่าที่เรามีที่นี่ในส่วนที่แบ่งปันนี้และนั่นคือกุญแจสำคัญที่ว่าส่วนนี้จะถูกแบ่งปันดังนั้นนักวิจารณ์จึงหยุดเพราะนี่คือวิธีที่เครดิตเข้ามาเล่น 03:56.470 --> 04:01.930 เนื่องจากเรามีค่าที่เราเลือกหรือการกระทำที่เราเลือกเล่นให้กับตัวแทนนี้ในรัฐนั้น 04:01.990 --> 04:09.340 แต่จากนั้นนักวิจารณ์ก็สามารถบอกเราได้ว่าอะไรคือคุณค่าที่เป็นที่รู้จักของรัฐนั้นโดยรวมแล้วค่านิยมที่รู้จักสำหรับตัวแทนกลุ่มนี้ทั้งหมดที่ทำงานร่วมกันเพราะการแบ่งปันของพวกเขาไม่ได้ตอบ 04:09.340 --> 04:25.690 พวกเขาทั้งหมดมีส่วนร่วมในสิ่งนี้กับค่า v เหล่านี้ที่ถูกคำนวณสำหรับชุดที่แตกต่างดังนั้นทั้งหมด 04:25.690 --> 04:25.690 อัลกอริทึม z บอกว่าตกลง 04:25.690 --> 04:35.290 นักวิจารณ์รู้ค่า v ว่ามูลค่า q ของคุณที่คุณเลือกนั้นดีกว่าค่า v ที่รู้จัก 04:35.350 --> 04:36.480 นั่นคือสิ่งที่มันกำลังพูด 04:36.640 --> 04:37.930 ดังนั้นโดยพื้นฐานแล้ว 04:37.930 --> 04:45.430 เพื่อที่ฉันจะเลือกค่า q ที่นี่ตามนโยบายของฉันขึ้นอยู่กับว่าสิ่งที่เราใช้เช่นฟังก์ชัน soft max หรือบนหรือนโยบาย 04:45.700 --> 04:50.150 Epsilon Grealy หรืออะไรทำนองนั้น 04:50.170 --> 04:55.660 และแน่นอนว่าเราจะทำการสำรวจและแสวงหาประโยชน์ร่วมกันในนั้น แต่เราเลือกค่า Q 04:55.660 --> 04:59.260 และตอนนี้คำถามคือสิ่งที่พิเศษ 04:59.290 --> 05:17.940 คนที่ดุว่าอะไรคือข้อดีที่การกระทำที่คุณเลือกนำมาเปรียบเทียบกับมูลค่าที่รู้จักของรัฐนั้นและนั่นคือสาระสำคัญของความได้เปรียบและโดยทั่วไปแล้วจะใช้ในการคำนวณการสูญเสียนโยบายและจากนั้นการสูญเสียนโยบาย ผ่านกลับไปที่เครือข่าย 05:17.940 --> 05:28.280 ดังนั้นทั้งคู่จึงแพร่กระจายผ่านเครือข่ายและน้ำหนักถูกปรับเพื่อให้เครือข่ายแสดงถึงคุณค่าของนักวิจารณ์ได้ดีขึ้นและนั่นก็เป็นส่วนบน 05:28.410 --> 05:33.030 แต่นี่ก็เป็นส่วนหนึ่งของกุญแจตรงนี้นั่นก็คือคุณค่าของน้ำหนักคือ bakra 05:33.120 --> 05:52.010 เมื่อใดที่ที่ทำการไปรษณีย์กลับมาลืมว่าอัตราจะถูกปรับเพื่อให้ได้ประโยชน์สูงสุดเช่นนี้นั่นคือด้านที่ใช้งานง่ายของความเข้าใจที่เข้าใจง่ายว่าเรากลับมาใช้นโยบายนี้อีกครั้งผ่านเครือข่ายเพื่อช่วย ข้อได้เปรียบนี้ 05:52.050 --> 05:57.660 และนั่นหมายความว่าโดยทั่วไปแล้วเมื่อเอเจนต์เจอกับการกระทำที่ไม่ดีเช่นการกระทำที่ค่า q 05:57.660 --> 06:00.930 น้อยกว่าค่าที่รู้จักสำหรับรัฐ 06:00.930 --> 06:07.110 ดังนั้นโดยทั่วไปแล้วอัลกอริธึม ATC ทั้งหมดรู้ว่าคุณค่าของรัฐคือสิ่งที่ 06:07.110 --> 06:11.690 X แล้วทันใดนั้นคุณก็เจอกับการกระทำที่แย่มากและคุณก็เลือกที่จะทำอะไร 06:11.700 --> 06:21.960 และสิ่งที่มีความหมายสำหรับความกระตือรือร้นก็คือทำไมเราจะทำอะไรแบบนั้นเมื่อมันแย่กว่าที่เรารู้อยู่แล้วเกี่ยวกับสภาพแวดล้อมทั้งหมดนี้ 06:22.080 --> 06:23.500 ดังนั้นเราไม่ควรทำมากกว่านั้น 06:23.610 --> 06:27.670 ดังนั้นน้ำหนักจึงเป็นไปได้ยาก 06:27.690 --> 06:29.900 ดังนั้นจึงเกิดขึ้นน้อยกว่าที่หายาก 06:30.300 --> 06:33.430 ดังนั้นนั่นเป็นเหตุการณ์ที่เกิดขึ้นน้อยครั้งที่เราเลือกการกระทำที่ไม่ดีนั้น 06:33.510 --> 06:38.880 ในทางกลับกันถ้าคุณเลือกการกระทำที่ดีมากที่ค่า q มากกว่า V 06:39.050 --> 06:43.220 หรือมากกว่านั้นในระหว่างที่ backwardation 06:43.230 --> 06:50.780 ของการสูญเสียโปแลนด์ผ่านเครือข่ายนี้น้ำหนักจะได้รับการอัปเดต กระตุ้นให้เกิดความมั่นใจว่าจะเกิดขึ้นอีกครั้งเพื่อให้มีการปรับน้ำหนักในลักษณะที่ดังนั้นอัลกอรึทึม Atresia จะคิดว่าดีจริง ๆ แล้วมันยอดเยี่ยมจริง 06:50.790 --> 06:56.790 ๆ ที่ Wantage สูงมากที่นั่น 06:56.880 --> 07:05.550 ฉันควรทำสิ่งนั้นให้มากขึ้นและดังนั้นคุณจะปรับปรุงน้ำหนักด้วยวิธีที่จะเกิดขึ้นในอนาคต 07:05.560 --> 07:21.990 ดังนั้นและนั่นคือคุณรู้ว่าเครือข่ายจะค่อยๆปรับตัวช้าและค่อยๆสร้างตัวเองเป็นสิ่งที่ในมือข้างหนึ่งคำนวณค่าอย่างถูกต้องแล้วในอีกทางหนึ่ง 07:21.990 --> 07:28.330 ในทางกลับกันมันสนับสนุนหรือมีการกระทำที่มีความได้เปรียบสูง 07:28.380 --> 07:30.570 นั่นคือส่วนนี้ 07:30.570 --> 07:35.930 และตอนนี้เรามาดูอีกเรื่องหนึ่งเพื่อเสริมสิ่งที่เราเพิ่งพูดถึงในอันดับ 1 07:36.000 --> 07:37.210 สิ่งเดียวกันที่นี่ 07:37.350 --> 07:45.330 หน่วยงานชั้นนำสถานการณ์ที่รัฐอยู่ในสถานะแล้วต้องตัดสินใจว่าจะทำอย่างไรเนื่องจากข้อมูลนี้ไปยังเครือข่ายของภาพนี้ใช้อินเทอร์เน็ต regrows เพื่อ convolutional 07:45.330 --> 07:50.100 พวกเขากำลังดึง Lehre 07:50.100 --> 07:56.290 แบนของพวกเขาเข้าไปในชั้นที่ซ่อนอยู่และจากที่นี่ เราได้ผลลัพธ์ที่เราได้รับค่าเฉียบพลันของนโยบายที่เราได้รับค่า V 07:56.310 --> 08:00.960 อีกครั้งในสิ่งเดียวกันกับที่เราได้รับการสูญเสียสองครั้ง 08:00.960 --> 08:05.240 เรามีค่าการสูญเสียซึ่งอยู่ที่นี่การสูญเสียของโปแลนด์ซึ่งคือการสูญเสียมูลค่า 08:05.250 --> 08:06.830 เรารู้วิธีคำนวณแล้ว 08:06.960 --> 08:10.950 เมื่อเราพูดถึงเรื่องนี้ในการเรียนรู้ Q อย่างลึกซึ้งและเพียงแค่คุยกันในตอนนี้ 08:10.950 --> 08:18.370 นั่นคือวิธีการคำนวณค่าและจากนั้นนโยบายจะสูญเสียอีกครั้งเพื่อคำนวณสิ่งที่เราจะไม่เข้าไปหาเขา 08:18.390 --> 08:25.530 แต่ในระดับที่ใช้งานง่ายเรากำลังคำนวณความได้เปรียบที่ไม่เป็นไรดังนั้นเราจึงดำเนินการบางอย่างเราเลือกการกระทำบางอย่างตามนโยบายการเลือกของเราไม่ว่าจะเป็น 08:25.530 --> 08:34.470 Max Max หรือโลภมาก 08:34.620 --> 09:03.600 แล้วการกระทำที่เราทำตอนนี้ลองเปรียบเทียบกับสิ่งที่รู้จักและคุณค่าของรัฐซึ่งมาจากนักวิจารณ์ที่ใช้ร่วมกันดังนั้นนักวิจารณ์คนนี้จะเป็นอย่างไรถ้าคุณคิดว่ามันเป็นการสังเกตตัวแทนทั้งหมดในเวลาเดียวกัน ที่นี่ดูที่นี่คนนี้พวกเขาทั้งหมดมีส่วนร่วมในการวิจารณ์เพื่อให้นักวิจารณ์ได้เร็วขึ้นกับสภาพแวดล้อมเพื่อให้แน่ใจว่านักวิจารณ์เป็นตัวแทนของสิ่งที่เกิดขึ้นในสภาพแวดล้อมที่เกิดขึ้นจริงเพื่อให้น้ำหนัก 09:03.660 --> 09:10.170 นี่คือที่ที่การสูญเสียค่ามาเพื่อให้น้ำหนักของเครือข่ายประสาทจริงที่พวกเขาสะท้อนสถานการณ์ที่เกิดขึ้นจริงของสิ่งต่าง 09:10.260 --> 09:20.090 ๆ ในสภาพแวดล้อมเพื่อให้พวกเขาสามารถพึ่งพาค่านี้และใช้ที่นี่ 09:20.090 --> 09:21.550 ดังนั้นโดยทั่วไป 09:21.720 --> 09:26.880 ดังนั้นตัวแทนทั้งหมดเหล่านี้ตัวแทนทั้งหมดเหล่านี้มีส่วนทำให้นักวิจารณ์คนนี้ 09:26.880 --> 09:35.490 แต่ในเวลาเดียวกันก็ผ่านสิ่งที่ไร้ค่า แต่ในเวลาเดียวกันนักวิจารณ์ก็กำลังสังเกตการตัดสินใจหรือนโยบายของหน่วยงานเหล่านี้ 09:35.490 --> 09:40.740 มันเหมือนกับว่ากำลังมองย้อนกลับไปเหมือนฉันกำลังพยายามวาดเหมือนลูกศรไปที่เสาและลูกศรและลูกศร 09:40.830 --> 09:50.210 ดังนั้นเมื่อมองย้อนกลับไปที่การตัดสินใจที่พวกเขากำลังทำคือวิจารณ์การตัดสินใจเหล่านี้ผ่านข้อได้เปรียบนั้นและพูดว่าตกลงคุณได้ตัดสินใจเลือกสิ่งนี้ 09:50.220 --> 09:51.240 เยี่ยมมาก 09:51.240 --> 09:56.570 ทีนี้ลองคำนวณความได้เปรียบหรือความเสียเปรียบของฟาร์มปศุสัตว์เท่ากับคุณรู้ว่าค่า 09:56.590 --> 10:05.100 Q ของอาจจะทำให้การตัดสินใจของฉันหรือทางเลือกที่ฉันทำกับฉันฉันเลือกที่จะใช้ลบค่าที่รู้จักกับนักวิจารณ์ 10:05.110 --> 10:06.470 ไม่เกี่ยวกับนักวิจารณ์ 10:06.470 --> 10:12.010 ดังนั้นความแตกต่างของ Kalika ถ้ามันแตกต่างกันเล็กน้อยคุณเป็นคนโปแลนด์แล้วเมื่อคุณขัดการขาดทุนของคุณกลับสู่การแพร่กระจายผ่านเครือข่ายวิธีที่มันจะถูกปรับจะส่งเสริมให้มีการปรับน้ำหนักแบบที่ไม่เกิดขึ้น 10:12.020 --> 10:16.580 อีกครั้งว่าค่า 10:16.580 --> 10:22.010 Q หรือค่า Q 10:22.010 --> 10:30.560 จะลดลงเนื่องจากนโยบายของเราเลือกการดำเนินการตามค่า q ยิ่งค่า Q ยิ่งสูงโอกาสที่จะถูกเลือกก็จะยิ่งสูงขึ้น 10:30.560 --> 10:35.210 ดังนั้นหากเราใช้นโยบาย arc Max 10:35.360 --> 10:38.870 เราก็แค่เลือกหนึ่งในค่าสูงสุดตามที่คุณจำได้ว่าเราพูดถึงสิ่งนี้อยู่เสมอเราก็เลือกค่าที่มีค่าสูงสุด 10:38.870 --> 10:44.420 แต่จริงๆแล้วเรากำลังใช้วิธีความน่าจะเป็นที่ฉันใช้เช่น soft Max หรือนโยบายโลภมาก 10:44.540 --> 10:49.220 จากนั้นเราก็เลือกตำแหน่งที่เราสามารถเลือกอันใดอันหนึ่งได้ แต่ยิ่งลูกบาศก์ยิ่งสูงก็ยิ่งดี 10:49.220 --> 11:02.910 ดังนั้นถ้าเราเลือกบางอย่างแล้วข้อดีก็ต่ำมากแล้วระเบิดเครือข่ายจะถูกเพิ่มเข้าไปในลักษณะที่ว่าครั้งต่อไปมูลค่าของการกระทำนั้นจะน้อยลง 11:02.960 --> 11:19.590 นั่นคือวิธีที่ถูกแยกออกและในทางกลับกันถ้าเราเลือกสิ่งที่ประโยชน์นั้นจะสูงแล้วนี่จะเป็นไปตามกฎหมายนโยบายจากนั้นเครือข่ายและเราอัปเดตมันเพื่อให้เป็นเหตุการณ์ที่สังเกตได้โดยทั่วไป สถานการณ์ 11:19.640 --> 11:26.300 ดังนั้นโดยพื้นฐานแล้วการสูญเสียทั้งหมดของโปแลนด์ช่วยให้เครือข่ายสามารถปรับตัวหรือเปลี่ยนแปลงรูปร่างในแบบที่เราทำ 11:26.300 --> 11:31.620 คุณธรรมของสิ่งที่ดีการกระทำที่ดีดีและสิ่งที่ดีและทำสิ่งที่ไม่ดีน้อยลง 11:31.700 --> 11:35.040 และนั่นคือวิธีที่การสูญเสียสองครั้งนี้เข้ามามีบทบาท 11:35.120 --> 11:46.930 ดังนั้นหวังว่าการล้างข้อมูลด้วยวิธีที่ง่ายมากแน่นอนเราไม่ได้เข้าไปในสูตรทางคณิตศาสตร์ที่ซับซ้อนที่อยู่เบื้องหลังทั้งหมดนี้และชอบในรายละเอียดที่ซับซ้อนมาก 11:47.060 --> 11:50.940 แต่ในขณะเดียวกันก็หวังว่าวิธีที่ใช้งานง่ายในวิธีที่ใช้งานง่าย 11:50.990 --> 12:03.780 ทั้งหมดนี้เป็นการสรุปสาเหตุที่เรามีนักแสดงและนักวิจารณ์และวิธีที่พวกเขาโต้ตอบกันว่าคุณรู้หรือไม่ว่าคุณมีตัวแทนเหล่านี้ในด้านที่ไม่ตรงกัน 12:03.790 --> 12:08.480 นี่คือนักแสดงและนักวิจารณ์ของคุณและนี่คือข้อดีและวิธีการเล่นทั้งหมด 12:08.480 --> 12:10.840 ดังนั้นนี่คือเอเจนต์ซิงโครนัส 12:10.850 --> 12:11.920 พวกเขากำลังไป 12:12.040 --> 12:27.400 พวกเขากำลังเล่นสิ่งนี้หรือสำรวจสภาพแวดล้อมและทำงานผ่านสภาพแวดล้อมและพวกเขาล้วนมีส่วนร่วมในการวิจารณ์ซึ่งเป็นการปฏิบัติตามนโยบายของพวกเขาเพื่อสังเกตนักแสดง 12:27.560 --> 12:38.210 และเมื่อมองผ่านข้อได้เปรียบนั้นจึงเกิดขึ้นสิ่งนี้ทำให้เกิดการสูญเสียและจากนั้นการสูญเสียนโยบายและมูลค่าหรือย้อนกลับไปยังเครือข่ายเพื่อ 12:38.240 --> 12:43.540 ในมือข้างหนึ่งเป็นตัวแทนของวิธีที่แท้จริงของสิ่งต่าง ๆ ในสภาพแวดล้อม 12:43.580 --> 12:47.630 มืออีกข้างเพื่อปรับปรุงการแสดง 12:47.930 --> 12:48.410 ดังนั้นเราไปกันเลย 12:48.410 --> 12:52.800 นั่นคือการสรุปอย่างรวดเร็วของสัญชาตญาณที่เราพูดถึง 12:52.790 --> 13:05.560 หวังอีกครั้งว่าทั้งหมดนี้จะมารวมกันในระดับที่ใช้งานง่ายและแน่นอนในแบบฝึกหัดที่ใช้งานจริงเราจะพูดคุยเพิ่มเติมเกี่ยวกับวิธีการทำงานทั้งหมดในแอตแลนต้าเราจะพาคุณผ่านกระบวนการสร้างเจ้าของ 13:05.570 --> 13:11.240 แต่การมีภาพนี้ในใจของคุณและสิ่งนี้เป็นเหมือนแผนงานของทุกสิ่งที่มันมารวมกันจะเป็นไปด้วยดีฉันหวังว่าจะมีประโยชน์มากสำหรับคุณที่จะนำทางด้านต่าง 13:11.240 --> 13:18.160 ๆ ของสิ่งต่างๆ 13:18.290 --> 13:25.710 และในแง่ของการอ่านเพิ่มเติมสำหรับวันนี้เรามีสององค์ประกอบดังนั้นสิ่งแรกคือข้อดี 13:25.760 --> 13:32.480 ดังนั้นที่นี่เรามีการควบคุมอย่างต่อเนื่อง demential สูงโดยใช้การประเมินความได้เปรียบทั่วไปโดย John 13:32.480 --> 13:38.930 Shulman และนี่คือภาพของรูปแท่งที่ลุกขึ้นยืนเหมือนยืน 13:38.930 --> 13:44.960 และที่นี่คุณจะพบมากยิ่งขึ้นเกี่ยวกับข้อได้เปรียบและความได้เปรียบและคุณจะพบกับข้อดีที่แตกต่างกันทั้งหมด 13:44.990 --> 14:06.810 คุณมีข้อได้เปรียบทั่วไปในการประมาณค่าและคุณมีข้อได้เปรียบที่คุณใช้จริงในแบบฟอร์มในการคำนวณดังนั้นหากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับความได้เปรียบและวิธีการทำงานของสูตรที่อยู่เบื้องหลังและบางส่วนของ องค์ประกอบบนสุดหรือสูตรและไม่มีรูในพื้นที่ของข้อได้เปรียบนี้ 14:06.830 --> 14:08.700 เราพูดถึงพวกเขา 14:08.720 --> 14:10.140 นี่คือบทความที่จะไป 14:10.490 --> 14:19.880 และอีกหนึ่งองค์ประกอบอื่น ๆ ที่เราต้องการเตือนคุณเกี่ยวกับงานชิ้นนี้คือบล็อกชุดของบล็อกโพสต์โดย Arthur Giuliani 14:19.990 --> 14:24.350 ซึ่งเราได้พูดถึงสองสามครั้ง 14:24.350 --> 14:28.010 นี่คือส่วนที่แปดซึ่งมีเฉพาะเกี่ยวกับทะเล A-3 14:28.280 --> 14:33.280 ดังนั้นที่นี่คุณจะได้รับคำอธิบายที่ดีกว่า 14:33.650 --> 14:39.420 ดังนั้นด้วยคณิตศาสตร์อีกเล็กน้อยเกี่ยวกับสิ่งที่เกิดขึ้นและคุณอาจรับสิ่งเพิ่มเติมจากที่นี่ 14:39.440 --> 14:46.130 สิ่งที่ควรทราบเป็นอันดับแรกคือบล็อกนี้คือผู้ติดตามที่มีความเข้มข้นที่เราใช้ pi torch 14:46.130 --> 14:46.840 ดังนั้นจงจำไว้ 14:46.840 --> 14:55.730 และสิ่งที่สองคือวิธีที่เราจัดโครงสร้างแนวทางของเราคือเราพูดถึงนักวิจารณ์ที่กระตือรือร้นก่อนแล้วเราพูดถึงเรื่องซิงโครนัส 14:55.730 --> 15:03.040 และจากนั้นเราก็พูดคุยเกี่ยวกับความได้เปรียบในขณะที่ในบันทึกแรกของอาเธอร์พูดถึง Synchronoss 15:03.050 --> 15:07.260 นักแสดงนักวิจารณ์ได้เปรียบดังนั้นจงระลึกไว้เสมอว่าหวังว่าจะไม่ทำให้คุณผิดหวัง 15:07.340 --> 15:10.480 แต่นอกเหนือจากนั้นแน่นอนเป็นเนื้อหาที่ยอดเยี่ยม 15:10.490 --> 15:14.510 และเราขอแนะนำให้ตรวจสอบข้อมูลเพิ่มเติมบางอย่าง 15:14.780 --> 15:16.840 ดังนั้นเราไปที่นั่นหวังว่าจะสนุกกับการกวดวิชาของวันนี้ 15:16.880 --> 15:18.710 และฉันหวังว่าจะได้พบคุณในครั้งต่อไป 15:18.710 --> 15:20.240 จนกว่าจะสนุกแล้ว 15:20.260 --> 15:20.520 ผม.