WEBVTT 00:01.050 --> 00:03.770 Halo dan selamat datang kembali ke kursus tentang kecerdasan buatan. 00:03.810 --> 00:08.280 Dan hari ini kita berbicara tentang Markus proses pengambilan keputusan atau M. D .. 00:08.760 --> 00:11.120 Mari kita lihat apa yang kita miliki hari ini. 00:11.430 --> 00:14.060 Jadi terakhir kali kami berhenti pada konsep peta. 00:14.070 --> 00:19.980 Jadi karena kami telah menghitung nilai berdasarkan persamaan Belman, kami dapat menurunkan peta ini untuk agen kami 00:20.010 --> 00:21.060 di labirin ini. 00:21.240 --> 00:27.570 Dan pada dasarnya apa artinya itu di mana pun agen mulai katakanlah itu dimulai di sana. 00:27.570 --> 00:33.270 Ia tahu persis langkah mana yang harus diambil untuk sampai ke garis finish sehingga hanya naik ke kanan. 00:33.270 --> 00:35.040 Benar dan dilakukan. 00:35.070 --> 00:37.540 Jadi pertanyaannya di sini adalah itu. 00:37.590 --> 00:39.780 Apakah sesederhana itu. 00:39.780 --> 00:44.690 Apakah penguatan pembelajaran benar-benar Anda ketahui karena tidak ada kata membosankan yang lebih baik. 00:44.790 --> 00:46.420 Itu ya. 00:46.440 --> 00:50.830 Setelah Anda memiliki matematika itu semua yang harus Anda lakukan adalah Anda telah melakukannya hanya dengan mereka. 00:51.090 --> 00:55.460 Kenyataannya adalah itu tidak sesederhana itu. 00:55.500 --> 01:01.020 Dan itu hal yang baik karena membuat kursus ini lebih menarik bagi kami dan kami benar-benar dapat memecahkan 01:01.020 --> 01:02.610 masalah yang jauh lebih kompleks. 01:02.610 --> 01:05.460 Jadi di sinilah tanda proses akan datang. 01:05.490 --> 01:07.770 Tapi pertama-tama kita akan membicarakan dua hal. 01:07.760 --> 01:11.450 Kami masuk ke dalamnya pencarian deterministik versus pencarian non-deterministik. 01:11.700 --> 01:14.750 Jadi mari kita bicara tentang konsep pencarian deterministik. 01:14.820 --> 01:21.570 Ini adalah agen kami di labirin dan pencarian deterministik berarti bahwa jika agen memutuskan untuk 01:21.570 --> 01:26.980 naik maka yang akan terjadi adalah 100 persen kemungkinannya akan naik. 01:27.030 --> 01:28.700 Itulah yang akan terjadi. 01:28.700 --> 01:29.740 Tidak ada pilihan lain. 01:29.740 --> 01:33.690 Setelah itu mengatakan naik atau klik panah ke atas itu akan naik. 01:33.690 --> 01:35.070 Tidak ada pilihan lain. 01:35.250 --> 01:41.950 Sekarang di sisi lain pencarian nondeterministic adalah ketika agen kami mengatakan ingin naik. 01:42.130 --> 01:44.430 Mereka sebenarnya beberapa pilihan. 01:44.460 --> 01:48.820 Misalnya mungkin ada tiga opsi dan kita akan melihat contoh di 01:48.830 --> 01:53.400 mana ada tiga opsi tetapi tidak harus menjadi batas tiga sebelum bisa 01:53.400 --> 01:59.640 berbeda tergantung pada masalah, keacakannya bisa berbeda tetapi dalam kasus kami, itu bisa menjadi tiga opsi dengan 01:59.640 --> 02:01.640 peluang 80 persen dia naik. 02:01.860 --> 02:07.500 Tetapi dengan peluang 10 persen ketika dia ingin naik, dia benar-benar akan pergi ke kiri hanya karena. 02:07.500 --> 02:11.080 Karena begitulah lingkungan bekerja itulah dunia tempat ia tinggal. 02:11.430 --> 02:14.840 Dan dengan cek 10 persen kemungkinan dia benar-benar akan benar. 02:14.880 --> 02:17.770 Dan dalam hal ini dia akan jatuh ke firepit. 02:17.850 --> 02:20.730 Jadi begitulah cara kerjanya. 02:20.760 --> 02:26.760 Itu adalah contoh dari pencarian pasti proses stokastik dan apa gunanya adalah untuk membuat model 02:26.760 --> 02:35.370 yang lebih realistis dari apa yang sebenarnya bisa terjadi di dunia nyata dalam jenis masalah dunia nyata karena sangat jarang Anda 02:35.370 --> 02:40.560 mendapatkan situasi seperti ini ketika Anda melakukan sesuatu dan itu terjadi persis seperti 02:40.560 --> 02:41.390 itu. 02:41.520 --> 02:46.560 Dan bahkan jika Anda memikirkannya dalam hal permainan katakanlah Anda memiliki agen yang bermain Pac-Man. 02:46.740 --> 02:51.270 Yah, tidak selalu masalahnya jika dia berdiri di alun-alun dia naik. 02:51.360 --> 02:54.260 Dia akan mendapatkan hasil yang persis sama setiap saat. 02:54.460 --> 02:59.820 Yah dia memang akan naik tetapi mungkin dalam satu kasus Anda tidak akan dimakan oleh hantu dalam kedua kasus. 02:59.820 --> 03:01.570 Dia akan dimakan oleh hantu. 03:01.590 --> 03:05.970 Jadi seperti yang Anda lihat ada keacakan karena tergantung pada bagaimana hantu bergerak dan mereka tidak selalu 03:05.970 --> 03:07.350 bergerak dengan cara yang sama. 03:07.350 --> 03:09.370 Mereka tidak selalu mulai di lokasi yang sama. 03:09.510 --> 03:16.140 Jadi sangat logis sangat adil bahwa ada beberapa keacakan ada sesuatu yang tidak berada di bawah kendali 03:16.140 --> 03:21.810 agen dan ini hanya cara bagi kita untuk mempresentasikan bahwa agar kita dapat belajar bagaimana 03:21.810 --> 03:27.240 kita bisa menghadapinya dan bagaimana yang mempengaruhi persamaan Belman bagaimana hal itu memengaruhi 03:27.240 --> 03:29.010 seluruh proses pembelajaran penguatan. 03:29.070 --> 03:33.780 Tetapi pada saat yang sama, keacakan itu tentu saja tidak terbatas pada jika Anda naik, ada peluang 10 persen 03:33.780 --> 03:38.400 Anda akan ke kanan atau temp dan pergi ke kiri atau jika Anda turun ke 10 persen kemungkinan Anda 03:38.400 --> 03:42.840 ke kanan atau kiri atau Anda ' Benar, ada peluang 10 persen naik turun halus terbatas di mana 03:42.840 --> 03:45.550 Anda akan berakhir kadang-kadang Anda mungkin memiliki masalah yang sebenarnya. 03:45.570 --> 03:47.390 Terkadang kemungkinannya mungkin berbeda. 03:47.430 --> 03:52.990 Kadang-kadang keacakan mungkin berubah menjadi sesuatu yang lain itu mungkin direbus seperti contoh itu. 03:52.980 --> 03:58.890 Hantu pacman memakan Anda tidak memakan Anda atau mungkin mendidih ke sesuatu yang berbeda. 03:58.890 --> 04:05.550 Misalnya seperti ada seperti jika agen bermain Doom dan kemudian ada sesuatu seperti monster yang akan 04:05.700 --> 04:11.040 menembaknya dalam satu kasus dan kasus lain ada seperti ada kemungkinan jika kita 04:11.060 --> 04:14.380 semua ditembak dan kita tidak akan ditembak. 04:14.550 --> 04:19.710 Dan sesuatu yang berada di luar kendali agen adalah sesuatu yang tidak dapat saya prediksi. 04:19.710 --> 04:25.740 Itulah yang kami modelkan di sini dalam pencarian nondeterministik dan di sinilah kami telah secara 04:25.950 --> 04:32.780 langsung mendekati dua konsep baru tanda proses dan atau tanda proses dan tanda penanda proses keputusan jadi mari 04:32.790 --> 04:34.130 kita lihat ini. 04:34.150 --> 04:39.080 Dan Anda tahu betapa saya tidak suka menempatkan definisi dan banyak teks di samping. 04:39.090 --> 04:42.280 Tetapi dalam hal ini perlu bagi kita untuk melalui itu. 04:42.280 --> 04:46.220 Jadi mari kita lihat proses stokastik memiliki tanda properti. 04:46.240 --> 04:51.750 Jika distribusi probabilitas bersyarat dari keadaan masa depan dari proses bersyarat dan kondisi 04:51.750 --> 04:58.200 masa lalu dan masa kini hanya bergantung pada kondisi saat ini bukan pada urutan peristiwa yang mendahuluinya. 04:58.230 --> 05:00.410 Proses dengan properti ini disebut penanda. 05:01.040 --> 05:06.470 Definisi yang sangat kompleks dan sepertinya Anda perkenalkan sedikit tidak hanya bertentangan dengan dirinya sendiri tetapi rasanya 05:06.470 --> 05:11.110 juga bertentangan sendiri, jadi di sini syarat untuk kehadiran positif yang tergantung pada poin 05:11.110 --> 05:11.450 Anda. 05:11.480 --> 05:14.450 Tetapi pada saat yang sama itu hanya tergantung pada keadaan saat ini. 05:14.510 --> 05:17.510 Jadi jangan terlalu terjebak dalam hal itu. 05:17.670 --> 05:23.050 Saya akan memecahnya secara sederhana sehingga tanda properti adalah ketika masa depan Anda. 05:23.060 --> 05:25.310 Jadi bukan hanya pilihan Anda tetapi semuanya. 05:25.310 --> 05:31.640 Pilihan Anda dan lingkungan itu hanya akan menyukai hasil dari semua tindakan yang Anda lakukan di lingkungan itu hanya akan 05:31.640 --> 05:33.900 bergantung pada di mana Anda berada sekarang. 05:33.920 --> 05:35.770 Itu tidak akan tergantung pada bagaimana Anda sampai di sana. 05:36.110 --> 05:36.560 Dan itu saja. 05:36.560 --> 05:40.630 Jadi itu masalah publik dan proses yang memiliki properti ini disebut proses pasar. 05:40.880 --> 05:47.570 Jadi, berikan contoh jadi jika agen Anda ada di sini dan jika dia pergi jika dia memutuskan untuk naik, dia mungkin 05:47.570 --> 05:48.030 pergi. 05:48.040 --> 05:52.940 Dia dalam kasus kami dalam contoh pencarian nondeterministik kami, ia mungkin benar-benar ke kiri dan kanan. 05:53.000 --> 05:53.680 Baiklah. 05:53.690 --> 05:58.940 Itu karena kita memiliki tongkat itu di kota ini di dalam lingkungan kita, kita memiliki keacakan di dalam 05:58.940 --> 05:59.710 lingkungan kita. 05:59.810 --> 06:01.820 Jadi salah satu dari hal ini mungkin terjadi. 06:01.820 --> 06:07.250 Tetapi kuncinya di sini adalah bahwa ini adalah tanda proses karena kami tidak peduli bagaimana Anda sampai di sini. 06:07.250 --> 06:10.700 Dia bisa saja datang dari atas, berakhir di sini. Dia bisa saja datang dari kiri dan di atas sini 06:10.700 --> 06:12.370 kau bisa datang dari bawah dan berakhir di sini. 06:12.380 --> 06:16.640 Dia bisa saja suka bermain bergerak di sekitar sini seperti 100.000 kali dan kemudian sampai di sini. 06:16.700 --> 06:22.490 Tidak masalah apa yang terjadi sebelumnya hanya yang penting adalah negara mana dia sekarang 06:22.520 --> 06:31.160 Jadi kemungkinan untuk ke kiri atau ke kanan atau ke atas mereka akan selalu sama jika dia dalam kondisi 06:31.160 --> 06:32.250 ini sekarang. 06:32.690 --> 06:37.530 Dan itu pada dasarnya hanya mengatakan tidak masalah apa yang terjadi sebelum kita di sini sekarang. 06:37.640 --> 06:39.150 Ini adalah keadaan Anda. 06:39.200 --> 06:42.320 Dan jangan lupa bahwa keadaan tidak hanya berarti di mana dia berdiri. 06:42.320 --> 06:48.140 Keadaan adalah keadaan keseluruhan dari seluruh agen di lingkungan sehingga ada seperti monster di kanan atau monster di 06:48.140 --> 06:53.030 sebelah kiri atau Anda tahu adalah hantu yang datang dari atas atau bawah apa pun 06:53.090 --> 06:54.530 keadaan Anda sekarang . 06:54.560 --> 06:58.460 Tidak masalah bagaimana Anda sampai di sana, tidak masalah bagaimana dan bagaimana semuanya terjadi sehingga Anda berada di sana dalam keadaan 06:58.460 --> 06:58.790 itu. 06:58.790 --> 07:02.990 Sekarang apa yang akan terjadi di masa depan hanya ditentukan oleh keadaan Anda sekarang. 07:02.990 --> 07:07.440 Ditambah tindakan Anda akan mengambil mereka ditambah tentu saja keacakan yang overlay di atas itu. 07:07.460 --> 07:14.280 Jadi itulah tanda proses dan proses pengambilan keputusan penanda atau proses keputusan penanda atau MVP. 07:14.390 --> 07:20.390 Berikan kerangka matematika untuk pemodelan pengambilan keputusan dalam situasi di mana hasil sebagian acak 07:20.420 --> 07:23.430 dan sebagian di bawah kendali pengambilan keputusan 07:23.570 --> 07:29.120 Jadi penting untuk dipahami bahwa tanda proses pengambilan keputusan berbeda dan seluruh konsep 07:29.150 --> 07:32.210 berbeda tanda proses untuk tanda proses. 07:32.340 --> 07:34.810 Ada seperti kerangka kerja matematika begitu. 07:34.970 --> 07:39.080 Tetapi pada saat yang sama saya pikir penting bagi kita untuk memahami apa tanda 07:39.170 --> 07:45.140 proses itu karena saya pikir itu masih membantu dalam memahami tanda tanda proses keputusan dan tanda proses keputusan ada 07:45.200 --> 07:46.130 di sana. 07:46.230 --> 07:50.950 Ini adalah persis apa yang telah kita bahas sampai sekarang sehingga agen tinggal di lingkungan ini 07:51.290 --> 07:56.570 di mana dia memiliki kontrol seperti dia sebelumnya dan memiliki kendali penuh atas apa yang terjadi tetapi sekarang memiliki 07:56.570 --> 07:57.530 kontrol sedikit kurang. 07:57.590 --> 08:00.270 Itu bisa memutuskan untuk naik tetapi sebenarnya tahu. 08:00.290 --> 08:05.570 OK jadi jika saya naik ada kesempatan kera saya akan naik upaya ini dan peluang ke kiri dan kesempatan akan 08:05.560 --> 08:06.170 ke kanan. 08:06.170 --> 08:08.930 Jadi tidak semuanya sepenuhnya di bawah kendalinya. 08:08.930 --> 08:13.280 Ada beberapa keacakan dalam lingkungan ini dan itulah yang merupakan tanda proses pengambilan keputusan dan 08:13.280 --> 08:18.830 proses pengambilan keputusan Markov adalah kerangka kerja yang akan digunakan agen untuk memahami apa yang harus dilakukan dalam lingkungan 08:18.830 --> 08:19.400 ini. 08:19.400 --> 08:22.400 Jadi kita punya lingkungan dengan keracunan beberapa keacakan. 08:22.550 --> 08:27.000 Dan sekarang agen harus memilih misalnya naik ke kiri atau kanan. 08:27.370 --> 08:28.530 Dia harus membuat keputusan itu. 08:28.520 --> 08:29.820 Dia tidak tahu harus berbuat apa. 08:30.140 --> 08:36.200 Dan untuk membuat keputusan itu akan menerapkan kerangka kerja akan menggunakan tanda proses keputusan untuk 08:36.200 --> 08:40.960 membuat keputusan apa yang akan terjadi di mana ia akan pergi. 08:40.970 --> 08:47.600 Dan pada dasarnya lingkungan ini yang menimbulkan masalah ini disebut tanda proses pengambilan keputusan sehingga kerangka 08:47.600 --> 08:52.820 kerja yang digunakan agen pada saat yang sama lingkungan disebut bahwa agen beroperasi 08:52.820 --> 08:55.810 di lingkungan proses pengambilan keputusan pasar. 08:56.280 --> 09:01.190 Jadi pada dasarnya di sini kita memiliki dua konsep. Kita memiliki tanda proses adalah cara 09:01.190 --> 09:03.740 lingkungan ini dirancang sehingga PA melakukan pekerjaannya. 09:03.770 --> 09:07.020 Apa yang terjadi dari tempat Anda sekarang tidak bergantung pada masa lalu. 09:07.130 --> 09:11.240 Dan pada saat yang sama kita mendapat tanda proses keputusan adalah kerangka kerja yang 09:11.240 --> 09:13.630 akan digunakan agen untuk menyelesaikan lingkungan ini. 09:13.970 --> 09:18.830 Dan kabar baiknya adalah bahwa tanda proses pengambilan keputusan atau kerangka kerja yang sedang 09:18.830 --> 09:24.730 kita bicarakan sebenarnya hanyalah tambahan untuk pertanyaan persamaan Belman kita adalah persamaan Belman tetapi hanya sedikit lebih canggih. 09:24.740 --> 09:26.960 Jadi mari kita lihat itu. 09:27.050 --> 09:28.910 Ini adalah persamaan Belman kami sejauh ini. 09:29.030 --> 09:31.030 Ini adalah maksimum dari semua tindakan yang mungkin. 09:31.040 --> 09:35.150 Jadi nilai berada dalam keadaan adalah maksimum dari semua tindakan yang mungkin dapat Anda ambil 09:35.150 --> 09:35.990 dari keadaan itu. 09:36.260 --> 09:41.930 Maksimum diambil dari hadiah yang akan Anda dapatkan dengan mengambil tindakan itu di negara itu ditambah 09:41.930 --> 09:45.410 faktor diskon kali nilai negara berikutnya yang sebagai prima. 09:45.410 --> 09:47.390 Jadi itulah yang kami miliki sejauh ini. 09:47.400 --> 09:52.550 Sekarang karena kita memiliki beberapa keacakan dalam seluruh proses kita, bagian ini akan berubah karena kita tidak benar-benar 09:52.550 --> 09:57.620 tahu negara bagian mana yang akan berakhir dan kita tidak tahu akan menjadi apa jadinya jika 09:57.630 --> 10:03.680 kita naik maka ke atas atau akan ke kiri akan benar sehingga kami benar-benar harus menempatkan ini dengan nilai yang 10:03.680 --> 10:04.960 diharapkan pada tanggal berikutnya. 10:04.970 --> 10:08.810 Jadi di sini kita akan mengganti ini sehingga ada tiga kemungkinan negara kita bisa berakhir. 10:08.810 --> 10:15.480 Jadi kita akan menggantinya dengan beberapa nilai yang dinyatakan sebagai nilai satu prima. 10:15.520 --> 10:18.190 Bahwa ia memiliki pandangan sebagai prima ke prima. 10:18.470 --> 10:22.490 Dan keadaan ini memiliki nilai kita bertiga, Bryne. 10:22.640 --> 10:28.790 Jadi sekarang kita akan melipatgandakan keadaan bahwa kita benar-benar bermaksud masuk ke dalam 80 persen karena itulah bagaimana 10:28.790 --> 10:33.770 kemungkinan untuk mencapai keadaan itu ditambah probabilitas untuk mencapai keadaan ini adalah 10 persen 10:33.770 --> 10:39.800 ditambah orang yang masuk ke negara bagian Jadi ini adalah hanya nilai yang kami harapkan jadi jika 10:39.800 --> 10:46.880 dari statistik jika kami mengambil nilai yang diharapkan untuk memasuki kondisi yang akan kami masuki, ini seperti rata-rata. Apa yang 10:47.060 --> 10:52.040 rata-rata dari apa yang akan kami dapatkan dan kemudian kami ganti di sini. 10:52.040 --> 10:56.210 Kemudian kita mendapatkan agresi ini dan melompat sangat cepat hanya karena ada yang besar tetapi jika Anda melihatnya 10:56.210 --> 10:59.930 dengan cermat Anda akan melihat hal yang sama dikatakan tentang Max di sini Max di sini. 10:59.960 --> 11:06.340 Kemudian Anda mendapatkan r dari S dan A R dari S dan mereka memiliki gamma, Anda memiliki gamma. 11:06.410 --> 11:08.600 Dan akhirnya di sini Anda punya v. 11:08.630 --> 11:13.640 Jadi Anda tahu persis itu adalah pencarian deterministik yang Anda tahu negara bagian mana yang akan Anda masuki. 11:13.640 --> 11:16.120 Sekarang Anda tidak tahu negara bagian mana yang akan Anda masuki sejak mengambil V. 11:16.120 --> 11:23.300 Anda mengambil nilai yang diharapkan dari negara bagian yang akan Anda masuki atau negara bagian masa depan atau hanya secara sederhana Anda hanya 11:23.300 --> 11:25.920 mengambil rata-rata dari apa yang akan Anda dapatkan. 11:26.060 --> 11:32.900 Jadi, Anda tahu rasanya seperti untuk 30 plus 3 persen kemungkinannya akan seperti membagi Plus ini dengan tiga pada dasarnya. 11:32.900 --> 11:37.130 Tetapi dalam kasus ini bukan tidak seperti rata-rata rata-rata. 11:37.130 --> 11:40.410 Ini rata-rata tertimbang karena probabilitas di sini. 11:40.430 --> 11:45.980 Jadi di sini Anda memiliki kemungkinan ketika Anda berada dalam tahap ini untuk mengambil tindakan memasuki kondisi prima ini sebagai 11:46.040 --> 11:50.630 nilai prime time dan beberapa untuk melewati semua bilangan prima ini yang mungkin bisa Anda dapatkan 11:50.630 --> 11:51.830 tentang siapa kami. 11:51.830 --> 11:54.690 Jadi persis apa yang kita punya tiga di sini satu dua tiga. 11:54.890 --> 11:57.330 Tambahkan mereka, kalikan ini tambahkan. 11:57.330 --> 11:58.040 Sama disini. 11:58.040 --> 11:58.820 Satu dua tiga. 11:58.820 --> 12:01.660 Lipat gandakan dengan probabilitas dan tambahkan. 12:02.090 --> 12:05.180 Dan itu adalah persamaan Belman baru Anda. 12:05.180 --> 12:06.440 Selamat. 12:06.470 --> 12:08.990 Inilah yang akan kita kerjakan untuk maju. 12:09.140 --> 12:15.590 Dan itu adalah kerangka kerja yang digunakan dalam proses pengambilan keputusan sehingga kerangka itulah yang 12:15.590 --> 12:16.490 memecahkan ini. 12:16.620 --> 12:22.670 Agen yang digunakan untuk menyelesaikan seluruh masalah pencarian stokastik nondeterministik ini di mana ada peristiwa acak 12:22.670 --> 12:25.460 yang terjadi yang tidak dapat mereka kendalikan. 12:25.460 --> 12:26.920 Jadi ini jauh lebih kompleks. 12:26.930 --> 12:30.150 Tapi seperti yang Anda lihat karena kami membangunnya perlahan. 12:30.290 --> 12:33.120 Sekarang kita sudah tahu tentang ini, kita tahu tentang. 12:33.130 --> 12:35.090 Ada kekhawatiran tentang ini. 12:35.090 --> 12:36.160 Kami tahu tentang ini. 12:36.170 --> 12:36.710 Kami tahu apa itu. 12:36.710 --> 12:42.500 Jadi yang kami lakukan adalah kami baru saja memperkenalkan bagian ini di sini karena ada 12:42.920 --> 12:49.000 kemungkinan yang terlibat dalam tindakan atau konsekuensi dari tindakan Anda pada nondeterministic mereka didasarkan pada probabilitas. 12:49.220 --> 12:50.600 Jadi begitulah. 12:50.600 --> 12:58.280 Begitulah penanda proses keputusan bekerja dan persamaan yang mendasari di belakangnya. 12:58.330 --> 13:04.630 Sekali lagi itu adalah sesuatu yang lebih mirip dengan masalah dunia nyata nyata atau Sinatras 13:04.670 --> 13:08.690 atau bahkan skenario permainan karena tidak semuanya mudah. 13:08.690 --> 13:15.880 Ada beberapa keacakan dari semua yang terlibat dan tidak selalu akan mengambil tindakan dalam keadaan tertentu akan selalu Nawal tidak 13:15.870 --> 13:18.810 selalu akan mengarah pada hasil yang sama. 13:18.890 --> 13:23.150 Dan inilah yang akan kita hadapi ke depan dan itu akan membuat segalanya 13:23.150 --> 13:24.310 menjadi lebih menarik. 13:24.380 --> 13:29.290 Jadi semoga Anda bersemangat untuk itu dan bersemangat untuk melihat apa yang akan terjadi selanjutnya. 13:29.690 --> 13:35.870 Dan sementara itu saya menemukan kertas yang sangat keren untuk Anda lihat saat ini. 13:35.870 --> 13:37.460 Ini kertas yang sangat diterapkan. 13:37.460 --> 13:40.150 Jadi yang ini sebenarnya sangat menarik untuk dibaca. 13:40.160 --> 13:46.810 Ini disebut survei aplikasi Mark proses keputusan proses dan ditulis oleh kulit putih pada 13:46.820 --> 13:47.970 tahun 1993. 13:47.990 --> 13:56.000 Ada tautannya dan saya akan tunjukkan contoh di mana proses keputusan Markov sebenarnya digunakan 13:56.000 --> 13:59.560 untuk memodelkan kehidupan nyata Sinatras. 13:59.560 --> 14:03.880 Saya terkesan dengan beberapa contoh panen penduduk misalnya. 14:03.880 --> 14:09.290 Jadi katakanlah Anda memiliki beberapa ikan dan Anda tahu berapa populasi ikan yang Anda butuhkan untuk memutuskan 14:09.290 --> 14:12.910 berapa banyak ikan yang bisa kita ikan tahun ini dan apa. 14:13.250 --> 14:14.330 Jadi itulah kondisi Anda saat ini. 14:14.330 --> 14:17.220 Itulah tindakan yang Anda ambil. Berapa banyak yang bisa kami tembak tahun ini. 14:17.230 --> 14:20.420 Jadi, apa masalahnya apa hasil yang mungkin dari itu. 14:20.540 --> 14:22.100 Berapa banyak ikan yang akan kita miliki tahun depan. 14:22.160 --> 14:25.210 Berapa banyak ikan yang akan kita dapatkan setelah tahun dan tahun sesudahnya dan seterusnya. 14:25.250 --> 14:30.230 Dan itu tidak deterministik karena tidak seperti jika Anda mengambilnya pada satu jam dan 90 persen dari 14:30.230 --> 14:34.640 populasi tahun depan Anda akan memiliki Anda tahu kembali ke 100 persen tidak persis khotbah. 14:34.640 --> 14:39.590 Ada beberapa faktor acak yang terlibat yang berada di luar kendali kami dan oleh karena itu kami 14:39.760 --> 14:43.640 harus memahami apa yang akan terjadi, kami harus memodelkan apa yang akan terjadi 14:43.860 --> 14:46.060 di situlah keputusan pasar memproses pertanian. 14:46.070 --> 14:50.250 Ada contoh seperti panen panen, berapa banyak panen yang kita panen, berapa banyak uang yang 14:50.280 --> 14:51.440 tidak kita panen. 14:51.470 --> 14:58.190 Satu lagi yang saya lihat di bidang keuangan dan investasi seperti perusahaan asuransi perlu memutuskan berapa banyak dana 14:58.190 --> 15:04.990 yang akan diinvestasikan dalam setiap hari atau tahun yang saya pikirkan atau periode waktu tertentu dan ada faktor-faktor 15:05.020 --> 15:06.490 tertentu dari kendalinya. 15:06.490 --> 15:11.260 Misalnya Anda tahu pergerakan pasar itu tidak tahu apa yang bisa terjadi sehingga perlu benar-benar 15:11.260 --> 15:12.070 memodelkan itu. 15:12.110 --> 15:14.350 Tanda proses keputusan yang digunakan untuk itu. 15:14.350 --> 15:16.890 Jadi di sini Anda dapat melihat banyak sekali contoh. 15:16.900 --> 15:20.340 Dan ini adalah jumlah contoh yang saya pikir untuk masing-masing. 15:20.650 --> 15:28.030 Jadi, Anda tahu contoh olahraga untuk olahraga dan epidemi serta inspeksi dan pemeliharaan klaim asuransi kendaraan 15:28.090 --> 15:31.030 dan perbaikannya juga sangat menarik. 15:31.030 --> 15:31.900 Lihatlah itu. 15:31.930 --> 15:40.390 Hanya untuk memberi Anda pemahaman tentang hei ini bukan hanya semua hal-hal hipotetis yang dibuat semacam 15:40.390 --> 15:41.130 itu. 15:41.140 --> 15:45.580 Ini sebenarnya adalah skenario dunia nyata sehingga saya akan memberi Anda pemahaman yang lebih 15:45.580 --> 15:50.410 baik dan ini adalah apa yang kami bicarakan dalam video promosi untuk skor yang atau deskripsi dari 15:50.410 --> 15:55.900 kursus yang akan menginspirasi Anda dan intuisi Anda untuk memberi Anda ide untuk cara menggunakan AI dalam kehidupan nyata. 15:55.900 --> 15:57.820 Ini adalah kesempatanmu. 15:57.820 --> 15:59.790 Lihatlah makalah ini untuk mengerti. 15:59.900 --> 16:02.890 OK jadi kita akan berurusan dengan tanda proses pengambilan keputusan ke depan. 16:02.890 --> 16:07.210 Itu benar-benar keren seperti apa mereka dalam kehidupan nyata dan ini mungkin bisa memicu beberapa ide 16:07.210 --> 16:13.300 untuk Anda bagaimana Anda bisa menerapkannya di masa depan untuk membuat dunia menjadi tempat yang lebih baik dan kami akan sangat senang tentang 16:13.300 --> 16:13.650 itu. 16:13.690 --> 16:18.560 Kami akan senang jika Anda dapat menggunakan apa yang Anda pelajari dalam kursus ini untuk membuat dunia menjadi tempat yang lebih baik. 16:18.730 --> 16:20.050 Betapa fantastisnya itu. 16:20.380 --> 16:23.170 Jadi pada catatan itu saya harap Anda menikmati tutorial hari ini. 16:23.170 --> 16:24.540 Saya menantikan Anda nanti. 16:24.610 --> 16:26.420 Dan sampai saat itu nikmati AI.