WEBVTT 00:00.440 --> 00:02.280 أهلا ومرحبا بكم في هذا البرنامج التعليمي. 00:02.300 --> 00:07.180 سنقوم الآن بعمل الحلقة الكاملة التي ستحسب خسارة السياسة وخسارة القيمة. 00:07.190 --> 00:12.380 وبمجرد أن نحصل على هاتين الخسارتين ، سنتمكن من استخدام مُحسِّننا لتطبيق النسب المتدرج 00:12.380 --> 00:14.270 العشوائي لتقليل الخسائر. 00:14.660 --> 00:14.960 حسنا. 00:14.960 --> 00:15.780 لذا ها نحن ذا. 00:15.800 --> 00:17.480 نبدأ من هنا. 00:17.480 --> 00:23.240 بالمناسبة ، في البرنامج التعليمي السابق ، قمنا بتنفيذ هذا القسم ونسيت إزالة المسافات البادئة. 00:23.240 --> 00:24.200 اسف بشأن ذلك. 00:24.200 --> 00:30.350 لذا فالبدء من r هنا ليس في الحلقة for والآن نبدأ حلقة for جديدة. 00:30.350 --> 00:35.810 لذا سأبدأ هنا بأربعة وما سنفعله الآن هو أننا سنبدأ من الخطوة الأخيرة التي تم القيام 00:35.810 --> 00:40.220 بها أثناء انتهاء الصلاحية وسنتحرك إلى الوراء في الوقت المناسب. 00:40.220 --> 00:51.050 هذا هو السبب في أنني أقوم هنا بأربع مكافآت في النطاق المعكوس لأن المكافآت هي القائمة. 00:51.050 --> 00:57.050 وبما أن كل خطوة من خطوات الاستكشاف مرتبطة بمكافأة لأنه في كل خطوة نحصل على مكافأة عندما تكون مكافآت 00:57.050 --> 01:03.970 Len هي هذا العدد من الخطوات ويتم استخدام هذا الاتجاه المعاكس هنا حتى نتمكن من العودة في الوقت المناسب. 01:03.980 --> 01:04.970 لذا ها نحن ذا. 01:04.970 --> 01:11.510 والآن ما سنفعله هو تحديث المكافأة التراكمية وهي R وسنقوم بتحديثها بهذه الطريقة. 01:11.510 --> 01:13.790 هذا في الواقع هو نفس ما فعلناه من أجل Doom. 01:13.940 --> 01:18.290 سيكون مساويًا لـ جاما ، التي نحصل عليها من معلماتنا. 01:18.290 --> 01:27.650 أنا آخذ البارامترات الأولى التي تضربها gamma في R بالإضافة إلى مكافأة الخطوة ، والتي يمكننا الحصول عليها من خلال 01:27.650 --> 01:31.220 أخذ مكافأة القائمة ورفع المؤشر عاليًا. 01:31.250 --> 01:35.930 إذن أولاً ، ستكون هذه مكافأة الخطوة الأخيرة ، ثم ستكون 01:35.930 --> 01:42.740 مكافأة الخطوة السابقة وما إلى ذلك. وفي كل مرة نقوم بتحديثها بضربها في جاما ثم إضافة هذه المكافأة في هذه 01:42.740 --> 01:43.250 الخطوة. 01:43.340 --> 01:47.000 وبفعل هذا ، تذكر أننا سنصل في النهاية. 01:47.000 --> 01:48.860 لذا سأكتبها كتعليق. 01:48.890 --> 01:56.510 سوف نحصل على المكافأة التراكمية التي ستساوي في نهاية الحلقة إلى 01:56.510 --> 02:08.450 r صفر ، ومكافأة الخطوة صفر زائد جاما مضروبة في r واحد ، ومكافأة الخطوة الأولى زائد جاما تربيع مضروبة في 02:08.450 --> 02:20.600 R لمكافأة الخطوة الثانية بالإضافة إلى ذلك زائد جاما بقوة n ناقص واحد في المكافأة التي تم الحصول عليها في 02:20.600 --> 02:25.880 الخطوة وسالب واحد حيث n هو عدد الخطوات. 02:25.880 --> 02:27.290 ولكن بعد ذلك كن حذرا. 02:27.290 --> 02:32.210 في النهاية سيكون لدينا جاما بقوة عدد الخطوات. 02:33.460 --> 02:39.640 مرات قيمة قيمة الدالة V المطبقة على الحالة الأخيرة. 02:39.970 --> 02:47.410 هذا ما يجب أن نحصل عليه في النهاية وهذا ما سنحصل عليه لأننا تذكر هنا أننا حصلنا على قيمة الخطوة 02:47.410 --> 02:50.740 الأخيرة لأن هذا تم في نهاية حلقة for هنا. 02:50.920 --> 02:56.050 وهكذا حصلنا على القيمة وضبطناها على أن تكون مساوية لتلك القيمة. 02:56.140 --> 03:03.310 إذن الآن في بداية حلقة for الثانية هذه هنا ستكون مساوية لقيمة الحالة الأقل. 03:03.310 --> 03:10.150 ولكن بعد ذلك من خلال القيام بذلك ، هذا ما سنحصل عليه في النهاية أو يساوي أو صفر زائد جاما r واحد 03:10.150 --> 03:16.570 زائد جاما تربيع أو اثنين زائد جاما قوة n ناقص واحد في المكافأة في الخطوة n ناقص واحد زائد 03:16.570 --> 03:20.700 جاما قوة عدد الخطوات ، مضروبة في قيمة الحالة الأقل. 03:20.710 --> 03:25.840 هذا هو الشيء الرئيسي الذي يجب فهمه في هذا الحساب للمكافأة التراكمية. 03:25.840 --> 03:32.740 ولهذا السبب من المهم أن نبدأ منه بتهيئة قيمتنا هنا والقيام بهذا المعكوس من أجل 03:32.740 --> 03:37.270 التكرار للحصول على هذه المعادلة النهائية كاملة. 03:37.270 --> 03:43.570 والآن بعد أن أصبح لدينا القيمة الصحيحة للمكافأة التراكمية ، حسنًا ، سنحسب الميزة. 03:43.600 --> 03:48.940 والميزة هنا هي مجرد ميزة الحصول على هذه المكافأة مقارنة بالقيمة. 03:48.940 --> 03:56.080 لذلك سأقدم ميزة متغيرة جديدة ، وبالتالي ستكون مساوية لهذه المكافأة التراكمية مطروحًا 03:56.080 --> 04:01.390 منها قيمة الدالة V التي تم الحصول عليها في الخطوة الثانية. 04:01.390 --> 04:07.570 لذلك هذا خطأ مطروحًا منه القيم ، أي الكمال. 04:07.570 --> 04:13.010 والآن بعد أن أصبح لدينا المكافأة التراكمية والميزة ، يمكننا الحصول على خسارة القيمة. 04:13.030 --> 04:19.090 هذه هي الدرجة الأولى التي يمكننا الحصول عليها الآن ، لذلك سنحصل على متغير خسارة القيمة الخاص بنا وسيتم 04:19.090 --> 04:20.830 تحديث هذا بالطريقة التالية. 04:20.830 --> 04:26.980 تذكر حتى الآن أن خسارة القيمة قد تمت تهيئتها إلى الصفر ولذا 04:26.980 --> 04:35.320 سنأخذ خسارة القيمة مرة أخرى ونضيف 0. 5 أضعاف الجذر التربيعي للميزة حتى نتمكن من الحصول عليها بهذه الطريقة. 04:35.320 --> 04:39.190 ميزة نقطة الأسرى الثانية. 04:39.220 --> 04:43.120 هذا يعني فقط مربع الميزة ، الميزة بقوة اثنين. 04:43.210 --> 04:50.710 وهذا هو بالضبط خسارة القيمة ، الخسارة الناتجة عن تنبؤات قيمة ناتج الدالة V 04:50.710 --> 04:52.390 بواسطة الناقد. 04:52.870 --> 04:59.710 ولذا فمن المنطقي أن هذه هي خسارة القيمة لأن تذكر أن الميزة أ للإجراء أ في 04:59.710 --> 05:04.600 حالات الحالة هي الفرق بين قيمة Q وقيمة الدالة V. 05:04.600 --> 05:11.140 ولذا عندما نلعب الإجراء الأمثل بشكل جيد ، نحصل على الحالة الثابتة. 05:11.170 --> 05:17.530 Q الأمثل للعمل الأمثل الذي يلعبه النجم في الحالة كما. 05:18.330 --> 05:21.960 يساوي القيمة المثلى التي نخزنها للولايات. 05:21.960 --> 05:28.230 لذا من البديهي أن نفهم أنه عندما لا تكون الميزة مساوية للصفر ، فسيكون هناك فرق بين هذين الاثنين 05:28.230 --> 05:32.700 ، وبالتالي هذه هي الطريقة التي يتم بها قياس الخسارة. 05:33.870 --> 05:37.200 لذا فقد تم حساب خسارة القيمة بواقع أقل. 05:37.200 --> 05:38.850 لدينا الآن واحد آخر لنذهب إليه. 05:38.850 --> 05:42.690 إنها خسارة السياسة وهذا بالضبط ما سنحسبه الآن. 05:42.690 --> 05:49.530 ولحسابها ، نحتاج إلى النظر مرة أخرى في تقدير الميزة المعمم ، لأنه لحساب خسارة السياسة 05:49.530 --> 05:55.500 ، نحتاج إلى تقدير الميزة المعمم وللحصول على تقدير الميزة المعمم ، نحتاج 05:55.500 --> 05:59.610 أولاً إلى الاختلاف الزمني لقيم الحالة. 05:59.610 --> 06:02.940 لذلك لدينا أشياء متعددة لحسابها هنا. 06:02.940 --> 06:05.640 وسنبدأ بهذا الاختلاف الزمني. 06:05.640 --> 06:10.290 بمجرد أن نحصل على الاختلاف الزمني ، سنحصل على تقدير الميزة المعمم. 06:10.290 --> 06:14.700 وبمجرد أن نحصل على تقدير الميزة المعمم ، سنحصل على خسارة السياسة. 06:14.700 --> 06:15.390 حسنا. 06:15.390 --> 06:18.510 لنبدأ إذن بالفرق الزمني. 06:18.570 --> 06:31.620 T لذلك t يساوي مكافأة الخطوة الثانية بالإضافة إلى جاما ، والتي نحصل عليها بفضل قائمة المعلمات الخاصة بنا. 06:31.620 --> 06:42.660 لذا فإن المعلمات تضرب غاما قيمة الخطوة الثانية زائد واحد ونضيف تلك البيانات للوصول إليها مطروحًا 06:42.660 --> 06:45.900 منها قيمة الخطوة i. 06:46.740 --> 06:49.380 ونفس الشيء نضيف تلك البيانات. 06:50.150 --> 06:50.480 حسنا. 06:50.480 --> 06:53.880 إذن هذه هي صيغة الاختلاف الزمني لقيم الحالة. 06:53.900 --> 06:58.310 والآن يمكننا التحديث لتقدير الميزة المعمم. 06:58.310 --> 07:08.560 وكيف يتم تحديثه حيث نأخذ غازنا ونضربه بمعامل جاما ، خلية أوقات جاما ، والتي وصلنا إليها باستخدام 07:08.570 --> 07:10.760 معلماتنا أيضًا. 07:10.760 --> 07:18.320 لذلك نأخذ خلية البارامترات ونضيف هذا الاختلاف الزمني لقيم الحالة. 07:18.320 --> 07:19.670 لذا كن حذرا. 07:19.670 --> 07:26.930 نحن في حلقة for وفي كل مرة نضرب الغاز في جاما وفي تاو ونضيف الفرق الزمني. 07:26.930 --> 07:33.800 لذا من المهم أن نفهم أنه في نهاية هذه الحلقة ، حسنًا ، تقدير الميزة 07:33.950 --> 07:41.630 المعمم هذا سيكون مساويًا للشمس في جميع درجات أوقات جاما. 07:41.630 --> 07:44.810 تاو بقوة الذكاء الإصطناعي. 07:44.990 --> 07:47.390 الاختلاف الزمني خطوة بخطوة. 07:48.110 --> 07:48.440 حسنا. 07:48.440 --> 07:50.300 من المهم أن تضع ذلك في الاعتبار. 07:50.390 --> 07:56.930 والآن بعد أن أصبح لدينا الميزة العامة والتقدير والفرق الزمني ، يمكننا أخيرًا 07:56.930 --> 07:58.810 حساب خسارة السياسة. 07:58.820 --> 07:59.990 لذلك دعونا نفعل هذا. 08:00.020 --> 08:10.070 سنقوم بتحديث خسارة سياستنا بالطريقة التالية من خلال اتخاذ خسارة السياسة القديمة ، ونطرح احتمالات السجل التي 08:10.070 --> 08:20.210 تم الحصول عليها في الخطوة الثانية التي نضربها في تقدير الميزة المعمم هذا الذي يتعين علينا وضعه في متغير ، لأننا 08:20.210 --> 08:23.870 سنفعل ذلك بعد ذلك احسب التدرج. 08:23.870 --> 08:26.930 لذلك يجب إرفاقه بتدرج في الرسم البياني الديناميكي. 08:26.930 --> 08:36.470 ثم نضيف سالب 0. 01 يضاعف الانتروبيا ، الانتروبيا التي تم الحصول عليها في الخطوة الثانية في الحلقة for. 08:37.040 --> 08:39.200 ومرة أخرى ، كن حذرا الآن. 08:39.290 --> 08:45.110 هذا هو الحساب داخل الحلقة for ، مما يعني أنه في نهاية حلقة for ، 08:45.110 --> 08:48.140 ما سنحصل عليه هو خسارة السياسة. 08:50.100 --> 08:54.180 يساوي ناقص مجموع الخطوات. 08:55.060 --> 09:05.050 من سجل منتج السياسة في الخطوة الثانية أضعاف تقدير الميزة المعمم زائد هذا 09:05.050 --> 09:06.130 0. 01. 09:07.010 --> 09:09.890 في بعض الأحيان الانتروبيا في الخطوة العالية. 09:09.920 --> 09:10.640 لذا ها نحن ذا. 09:10.640 --> 09:12.890 والآن ما هي السياسة المتبعة في هذه الخطوة؟ 09:12.890 --> 09:18.200 حسنًا ، هذه هي احتمالات الحد الأقصى للإجراءات والنتروبيا في الخطوة. 09:18.200 --> 09:22.760 حسنًا ، أنت تعرف ما هو ، هذا ما حسبناه سابقًا وما قمنا بإلحاقه بالقائمة. 09:22.760 --> 09:24.050 لذلك لدينا ذلك بالفعل. 09:24.050 --> 09:29.420 لكن هذه الفطيرة هنا هي الاحتمال الأقصى الناعم للإجراءات. 09:29.960 --> 09:31.990 ولماذا نضع ناقص هنا؟ 09:32.000 --> 09:36.980 ذلك لأن لوغاريتم الاحتمال والنتروبيا قيمتان سالبة. 09:36.980 --> 09:43.280 ونظرًا لأننا نريد تقليل قيمتها المطلقة ، يجب أن ننظر إلى هذا الأخير على أنه احتمال لوغاريتمي بدلاً 09:43.280 --> 09:44.180 من مسافة. 09:44.180 --> 09:51.230 كما تعلم ، نريد تعظيم احتمالية لعب الإجراء الذي سيعظم الميزة. 09:51.260 --> 09:52.940 هذه هي الفكرة الكاملة وراءها. 09:52.940 --> 09:57.950 نريد تعظيم احتمالية لعب الإجراء الذي سيعظم الميزة. 09:57.980 --> 10:03.860 ولأولئك الذين قد يتساءلون عن الغرض من معامل الإنتروبيا هذا هو هذا 10:03.860 --> 10:05.630 العامل 0. 01 هنا؟ 10:05.660 --> 10:13.370 حسنًا ، الغرض منه هو فقط منع السقوط بسرعة كبيرة في الفخ حيث يكون لدينا توزيع للاحتمالات 10:13.370 --> 10:19.280 بأصفار لجميع الإجراءات باستثناء واحد له احتمال واحد. 10:19.280 --> 10:22.310 وإذا حدث ذلك ، فسيؤدي ذلك إلى تقليل الانتروبيا. 10:22.310 --> 10:29.000 لهذا السبب نضيف هذا المعامل الصغير 0. 01 هنا سيؤدي إلى زيادة الانتروبيا في نزول 10:29.000 --> 10:29.990 التدرج. 10:30.910 --> 10:31.320 تمام. 10:31.420 --> 10:35.220 لذا فإن الخبر السار الآن هو أن الجزء الأكثر صعوبة قد تم إنجازه. 10:35.230 --> 10:40.990 لدينا الخسارتان ، وبالتالي ما نحتاج إلى فعله الآن ونحن نعرف بالفعل كيفية القيام بذلك هو 10:40.990 --> 10:44.560 إجراء هبوط التدرج العشوائي لتقليل هاتين الخسارتين. 10:44.950 --> 10:51.430 وما سنفعله الآن هو الخروج من هذه الحلقة وسنأخذ المحسن الذي صنعناه 10:51.430 --> 10:53.110 بشكل منفصل. 10:53.290 --> 10:58.420 ثم تذكر أن أول شيء يتعين علينا القيام به هو تهيئة جميع معاملات التدرج إلى الصفر. 10:58.420 --> 11:04.210 وللقيام بذلك ، نضيف نقطة ثم طريقة الشبكة السفلية الصفرية. 11:04.690 --> 11:06.790 حسنًا ، تم ذلك بعد ذلك. 11:06.790 --> 11:11.680 سنقوم الآن بالانتشار العكسي ، لكننا سنعطي ضعف أهمية السياسة 11:11.680 --> 11:15.490 أقل من القيمة المفقودة لأن خسارة السياسة أقل. 11:15.730 --> 11:25.630 للقيام بذلك ، سنضع سياسة الأقواس ، ووضع علامة على الخسارة زائد 0. 5 خسارة القيمة. 11:26.620 --> 11:30.160 إذن 4. 5 أضعاف خسارة القيمة. 11:30.430 --> 11:38.260 وسنضيف النقطة هنا وطبقنا الطريقة العكسية لإجراء الانتشار العكسي. 11:38.260 --> 11:44.110 وبفضل هذه الحيلة هنا مع خسارة السياسة بالإضافة إلى نصف خسارة القيمة ، فإننا نعطي ضعف الأهمية 11:44.110 --> 11:46.870 للسياسة أقل من القيمة المفقودة. 11:47.680 --> 11:53.560 ثم سنستخدم خدعة أخرى ، وهي منع التدرج اللوني من أخذ قيم كبيرة للغاية 11:53.560 --> 11:56.770 وبالتالي إنشاء الخوارزمية. 11:56.770 --> 12:03.700 والحيلة للقيام بذلك هي الحصول أولاً على مكتبة torch لدينا ، ثم الوحدة الداخلية من مكتبة 12:03.970 --> 12:07.210 torch ، ثم الوحدة الفرعية utils. 12:07.210 --> 12:14.080 والآن سنستخدم مقطع الوظيفة ، وضع شرطة سفلية grad في معيار النتيجة 12:14.080 --> 12:20.740 وسنقوم بإدخال معلمات نموذجنا بإدخال ثانٍ سيكون 40. 12:20.980 --> 12:26.530 وستتأكد هذه الحيلة بشكل أساسي من أن التدرج اللوني لن يأخذ قيمًا كبيرة للغاية وأن يؤدي إلى 12:26.530 --> 12:27.850 إنشاء الخوارزمية. 12:28.000 --> 12:31.480 ولأولئك الذين قد يتساءلون عن هذه الأربعين سنة بالضبط. 12:31.570 --> 12:37.540 حسنًا ، هذا يعني أننا نستخدم هذه القيمة بحيث يبقى معيار التدرج بين 12:37.540 --> 12:38.410 صفر و 40. 12:38.410 --> 12:42.220 وبالتالي ، هذه هي الطريقة التي نمنع بها التدرج اللوني من أخذ قيم كبيرة جدًا. 12:43.660 --> 12:44.980 لذلك نحن الآن على وشك الانتهاء. 12:44.980 --> 12:52.750 تذكر ، لقد جعلنا هذا يضمن الوظيفة المشتركة في بداية الملف ، وهو التأكد من أن العامل والنموذج المشترك 12:52.750 --> 12:59.650 يشتركان في نفس التدرج اللوني ، وللقيام بذلك للتأكد من أنه يمكننا تطبيق هذه الوظيفة 12:59.650 --> 13:00.610 هنا. 13:01.030 --> 13:14.290 ولذا سنقوم بإضافة شبكات ضمان مشتركة للتأكد من أن النموذج والنموذج المشترك يشتركان في نفس التدرج اللوني. 13:14.500 --> 13:14.830 حسنا. 13:14.830 --> 13:16.450 لذلك هذا مجرد إجراء احترازي. 13:16.450 --> 13:21.310 لست متأكدًا من أن هذا ضروري تمامًا ، لكن ، كما تعلم ، لن نواجه أي مشكلة هنا على الأقل. 13:22.440 --> 13:29.730 وأخيرًا ، السطر الأخير من التعليمات البرمجية ، سنقوم بالطبع بتنفيذ خطوة التحسين لتقليل الخسائر 13:29.730 --> 13:32.040 وأنت تعرف كيفية القيام بذلك. 13:32.070 --> 13:40.310 بالطبع ، نأخذ المحسن الخاص بنا ونضيف هذه الخطوة بين قوسين وهناك نبدأ. 13:40.320 --> 13:43.210 لقد انتهى تدريب أدمغتنا. 13:43.260 --> 13:44.670 لذا تهانينا. 13:44.670 --> 13:46.820 آمل أن هذا لم يكن ساحقًا جدًا. 13:46.830 --> 13:49.410 لا تقلق ، سأقدم الرمز بجميع التعليقات. 13:49.410 --> 13:53.190 لذلك إذا فاتتك أي تفاصيل ، يمكنك إلقاء نظرة على التعليقات. 13:53.190 --> 13:55.860 ولا تقلق إذا لم تفهم شيئًا. 13:55.860 --> 13:57.180 هذا متقدم جدا. 13:57.180 --> 14:00.600 لكن كن مطمئنًا ، هذا أيضًا هو الأقوى. 14:00.600 --> 14:03.930 تذكر ، من الذي صنعه منشئ PyTorch. 14:03.930 --> 14:07.800 لذلك نحن نعمل بالفعل مع الأفضل هنا ، أحدث ما توصلت إليه التكنولوجيا. 14:07.800 --> 14:13.560 لذلك من الطبيعي تمامًا إذا لم تحصل على كل شيء في المرة الأولى ، ولكن من خلال العمل عليه عدة 14:13.560 --> 14:15.840 مرات ، ستشعر بالتأكيد براحة أكبر. 14:16.260 --> 14:18.960 والآن انتهينا من التدريب. 14:18.960 --> 14:22.770 لذا فقد صنعنا كل الأشياء الأكثر أهمية. 14:22.770 --> 14:28.080 تعلمون ، لقد صنعنا الأدمغة من خلال بناء هياكل الشبكات العصبية مع التلافيف و lshtm 14:28.080 --> 14:30.360 والطبقات المتصلة بالكامل. 14:30.360 --> 14:34.290 نقوم بتدريب هذا العقل عن طريق عمل رمز القطار هذا هنا. 14:34.290 --> 14:37.080 لذلك تم في الأساس قلب الخوارزمية. 14:37.080 --> 14:39.510 لقد صنعت a3c ، تهانينا. 14:39.510 --> 14:43.830 الآن لدينا بعض الأشياء الأخرى التي يجب القيام بها ، ولكن هذا فقط للحصول على الجزء الممتع. 14:43.830 --> 14:52.290 كما تعلم ، نحتاج إلى إجراء هذا الاختبار الذي يفشل فيه الأشخاص ، والذي سيختبر الوكيل ويقدم مقاطع فيديو للذكاء الاصطناعي 14:52.290 --> 14:53.970 أثناء اللعب. 14:53.970 --> 14:55.980 لذلك سيكون هذا ممتعًا جدًا للمشاهدة. 14:56.010 --> 15:02.190 لن نقوم بتشفير جميع أسطر هذا الاختبار في ملف PI لأننا كما قلنا ، قمنا بأهم 15:02.190 --> 15:02.700 شيء. 15:02.700 --> 15:06.870 سأربطها بـ a3c ، لكنني بالطبع سأشرح الكود. 15:06.870 --> 15:11.670 وفي النهاية لدينا ملف da pi الرئيسي الذي سينفذ الكود. 15:11.670 --> 15:15.840 ومن اللحظة التي ننفذ فيها هذا الرمز ، سيتم إنشاء جميع الرموز. 15:15.840 --> 15:21.960 لذلك سيتم تكوين الأدمغة ، وسيحدث التدريب ، وسيقوم الذكاء الاصطناعي بلعب ألعاب جديدة من الاختراقات وسنحصل 15:21.960 --> 15:23.790 على جميع مقاطع الفيديو. 15:23.790 --> 15:26.370 لذلك لا يمكنني الانتظار حتى أشاهدهم في النهاية. 15:26.370 --> 15:29.720 سنرى ما إذا كان الذكاء الاصطناعي ذكيًا بما يكفي لالتقاط الكرات. 15:29.730 --> 15:36.390 سأراك الآن في البرنامج التعليمي التالي لاختبار PI هذا حتى نتمكن من اختبار الذكاء الاصطناعي في بعض الألعاب الجديدة 15:36.390 --> 15:39.000 وحتى ذلك الحين ، استمتع بالذكاء الاصطناعي.