WEBVTT

00:01.050 --> 00:03.770
Hola y bienvenidos al curso de inteligencia artificial.

00:03.810 --> 00:08.280
Y hoy estamos hablando de Marcos de procesos de decisión o M. RE. Echemos un vistazo a lo que tenemos hoy.

00:08.760 --> 00:11.120
Así que la última vez nos detuvimos en el concepto de un mapa.

00:11.430 --> 00:14.060
Entonces, como hemos calculado los valores basados

00:14.070 --> 00:19.980
​​en la ecuación de Belman, podemos derivar este mapa para nuestro agente en este laberinto.

00:20.010 --> 00:21.060
Y, básicamente, lo que eso significa es que, donde sea que comience el agente ange, digamos que comienza allí.

00:21.240 --> 00:27.570
Sabe exactamente qué pasos tomar para llegar a la línea de meta, así que simplemente sube a la derecha.

00:27.570 --> 00:33.270
Correcto y hecho.

00:33.270 --> 00:35.040
Y entonces la pregunta aquí es que sí.

00:35.070 --> 00:37.540
¿Es así de simple?

00:37.590 --> 00:39.780
Es el aprendizaje de refuerzo realmente conocido por la falta de una palabra aburrida.

00:39.780 --> 00:44.690
Es es, sí.

00:44.790 --> 00:46.420
Una vez que tienes las matemáticas, eso es todo lo que tienes que hacer es que lo hayas llenado.

00:46.440 --> 00:50.830
Bueno, la realidad es que no es así de simple.

00:51.090 --> 00:55.460
Y eso es algo bueno porque hace que este curso sea

00:55.500 --> 01:01.020
más interesante para nosotros y en realidad podemos resolver problemas mucho más complejos.

01:01.020 --> 01:02.610
Así que aquí es donde se acerca la marca de un proceso.

01:02.610 --> 01:05.460
Pero primero hablaremos de dos cosas.

01:05.490 --> 01:07.770
Nos interesa la búsqueda determinista versus la búsqueda no determinista.

01:07.760 --> 01:11.450
Entonces, hablemos del concepto de búsqueda determinista.

01:11.700 --> 01:14.750
Este es nuestro agente en el laberinto y la búsqueda determinística

01:14.820 --> 01:21.570
significa que si el agente decide ir hacia arriba, entonces lo que sucederá es un 100 por ciento de probabilidad de que suba.

01:21.570 --> 01:26.980
Eso es exactamente lo que sucederá.

01:27.030 --> 01:28.700
No hay otras opciones

01:28.700 --> 01:29.740
Una vez que dice subir o hacer clic en la flecha hacia arriba, subirá.

01:29.740 --> 01:33.690
No hay otras opciones

01:33.690 --> 01:35.070
Ahora, por otro lado, la búsqueda no determinista es cuando nuestro agente dice que quiere subir.

01:35.250 --> 01:41.950
En realidad, son un par de opciones.

01:42.130 --> 01:44.430
Por ejemplo, podría haber tres opciones y vamos

01:44.460 --> 01:48.820
a ver un ejemplo donde hay tres opciones, pero no tiene que ser un límite

01:48.830 --> 01:53.400
de tres antes de que pueda ser diferente, dependiendo de si el problema es que la

01:53.400 --> 01:59.640
aleatoriedad podría ser diferente, pero en nuestro caso, podrían ser tres opciones con un 80 por ciento de posibilidades de que suba.

01:59.640 --> 02:01.640
Pero luego, con un 10 por ciento de posibilidades de que cuando quiera ir, en realidad irá a la izquierda solo porque.

02:01.860 --> 02:07.500
Porque así es como funciona el medio ambiente, ese es el mundo en el que vive.

02:07.500 --> 02:11.080
Y con otro control con un 10 por ciento de probabilidades, realmente irá bien.

02:11.430 --> 02:14.840
Y en este caso caerá en la hoguera.

02:14.880 --> 02:17.770
Así que así es como funciona todo.

02:17.850 --> 02:20.730
y de qué se trata es de hacer

02:20.760 --> 02:26.760
un modelo más realista de lo que realmente podría suceder en un mundo real en un

02:26.760 --> 02:35.370
tipo de problema del mundo real porque muy rara vez se producen situaciones como esta cuando haces algo y sucede exactamente de esa manera.

02:35.370 --> 02:40.560
Ese es un ejemplo de una búsqueda segura no determinista de un proceso estocástico

02:40.560 --> 02:41.390
E incluso si lo piensas en términos de juegos, digamos que tienes un agente jugando Pac-Man.

02:41.520 --> 02:46.560
Bueno, no siempre es el caso que si está de pie en la plaza, sube.

02:46.740 --> 02:51.270
Él obtendrá el mismo resultado exacto cada vez.

02:51.360 --> 02:54.260
Bueno, de hecho subirá, pero puede ser que en un caso no sea comido por un fantasma en ninguno de los casos.

02:54.460 --> 02:59.820
Él será comido por un fantasma.

02:59.820 --> 03:01.570
Entonces, como pueden ver, hay algo de

03:01.590 --> 03:05.970
azar porque depende de cómo se muevan los fantasmas y no siempre se mueven de la misma manera.

03:05.970 --> 03:07.350
No siempre comienzan en las mismas ubicaciones.

03:07.350 --> 03:09.370
Entonces, es muy lógico, es

03:09.510 --> 03:16.140
muy justo que haya algo aleatorio que no esté bajo el control del agente y que es

03:16.140 --> 03:21.810
solo una forma de presentarlo para que aprendamos cómo podemos manejarlo y cómo eso

03:21.810 --> 03:27.240
afecta una ecuación de Belman cómo afecta el proceso de aprendizaje de refuerzo completo.

03:27.240 --> 03:29.010
a la derecha o a la temperatura, y solo

03:29.070 --> 03:33.780
ve a la izquierda o si bajas al 10 por ciento, a la derecha o a la izquierda, o Hay un 10 por ciento de

03:33.780 --> 03:38.400
posibilidades de que un sub o un sutil se limite a dónde va a terminar, a veces puede tener un problema que sea exactamente.

03:38.400 --> 03:42.840
Pero, al mismo tiempo, la aleatoriedad no está limitada, por supuesto, si subes, hay un 10 por ciento de posibilidades de que vayas

03:42.840 --> 03:45.550
Algunas veces las posibilidades pueden ser diferentes.

03:45.570 --> 03:47.390
A veces, la aleatoriedad puede reducirse a otra cosa, ya que podría reducirse como ese ejemplo.

03:47.430 --> 03:52.990
Los fantasmas de Pacman que te comen no te están comiendo o podrían reducirse a algo diferente.

03:52.980 --> 03:58.890
Por ejemplo, si hay algo así como si el agente está jugando Doom y luego

03:58.890 --> 04:05.550
hay algo así como un monstruo que va a dispararle en un caso y en otros

04:05.700 --> 04:11.040
casos hay una probabilidad de que todos nos disparen y no nos disparen.

04:11.060 --> 04:14.380
Y tal y tal algo que está fuera del control de los agentes es algo que no puedo predecir.

04:14.550 --> 04:19.710
Eso es lo que estamos modelando aquí en la búsqueda no determinista y

04:19.710 --> 04:25.740
aquí es donde hemos abordado directamente dos nuevos conceptos, una marca de procesos o una

04:25.950 --> 04:32.780
marca de proceso y una marca de proceso de decisión, así que echemos un vistazo a estos.

04:32.790 --> 04:34.130
Y sabes cuánto no me gusta poner definiciones y mucho texto en el lateral.

04:34.150 --> 04:39.080
Pero en este caso es necesario que nosotros atraviesemos eso.

04:39.090 --> 04:42.280
Así que echemos un vistazo a un proceso estocástico que tiene una marca de propiedad.

04:42.280 --> 04:46.220
Si la distribución de probabilidad condicional de los estados futuros del proceso condicional y

04:46.240 --> 04:51.750
el estado pasado y presente depende solo del estado presente y no de la secuencia de eventos que lo precedieron.

04:51.750 --> 04:58.200
Un proceso con esta propiedad se llama marcador.

04:58.230 --> 05:00.410
La definición muy compleja y algo así

05:01.040 --> 05:06.470
como que introduces un poco no solo se contradice a sí misma sino que se contradice a sí

05:06.470 --> 05:11.110
misma, por lo que aquí es condicional para una presencia positiva que depende de tu punto.

05:11.110 --> 05:11.450
Pero al mismo tiempo, solo depende del estado actual.

05:11.480 --> 05:14.450
Así que no te empantes demasiado en eso.

05:14.510 --> 05:17.510
Voy a desglosarlo en términos simples, por lo que una marca de propiedad es cuando tus futuros estados.

05:17.670 --> 05:23.050
Entonces no solo tu elección, sino todo.

05:23.060 --> 05:25.310
Su elección y el entorno en el que

05:25.310 --> 05:31.640
solo le agradarán los resultados de todas las acciones que realice en ese entorno dependerán únicamente de dónde se encuentre ahora.

05:31.640 --> 05:33.900
No dependerá de cómo llegaste allí.

05:33.920 --> 05:35.770
Y eso es.

05:36.110 --> 05:36.560
Entonces esa es una cuestión de público y un proceso que tiene esta propiedad se llama proceso de mercado.

05:36.560 --> 05:40.630
Entonces para ponerlo en un ejemplo, entonces si

05:40.880 --> 05:47.570
su agente está aquí y si se va si decide ir, podría irse.

05:47.570 --> 05:48.030
En nuestro caso, en nuestro ejemplo de búsqueda no determinista, en realidad podría irse de izquierda a derecha.

05:48.040 --> 05:52.940
Todo bien.

05:53.000 --> 05:53.680
Eso es

05:53.690 --> 05:58.940
porque tenemos que pegar esta ciudad dentro de nuestro entorno tenemos esa aleatoriedad dentro de nuestro entorno.

05:58.940 --> 05:59.710
Entonces cualquiera de estas cosas podría suceder.

05:59.810 --> 06:01.820
Pero la clave aquí es que esta es una marca de proceso porque no nos importa cómo llegaste aquí.

06:01.820 --> 06:07.250
Pudo haber venido desde la parte superior hasta aquí, podría haber venido de la izquierda y de

06:07.250 --> 06:10.700
que aquí arriba podrías venir desde abajo y terminar aquí.

06:10.700 --> 06:12.370
Podría tener como jugar un movimiento por aquí como 100000 veces y luego llegar aquí.

06:12.380 --> 06:16.640
No importa lo que sucedió antes, solo lo que importa es en qué estado se encuentra ahora.

06:16.700 --> 06:22.490
Y entonces las probabilidades de ir hacia la izquierda o hacia

06:22.520 --> 06:31.160
la derecha o hacia arriba siempre serán las mismas si él está en este estado ahora.

06:31.160 --> 06:32.250
Y eso es básicamente solo decir que no importa lo que sucedió antes de que estemos aquí ahora.

06:32.690 --> 06:37.530
Este es el estado en el que se encuentra.

06:37.640 --> 06:39.150
Y no olvides que el estado no solo significa dónde está parado.

06:39.200 --> 06:42.320
monstruos a la derecha o monstruos a la izquierda o

06:42.320 --> 06:48.140
bien sabes que el fantasma viene de arriba o abajo en cualquier estado en el que te encuentres ahora .

06:48.140 --> 06:53.030
El estado es el estado de todo el agente en el entorno, por lo que hay

06:53.090 --> 06:54.530
No importa cómo llegues allí,

06:54.560 --> 06:58.460
no importa cómo y cómo llegó a ser que estás allí en ese estado.

06:58.460 --> 06:58.790
Ahora lo que sucederá en el futuro solo está determinado por el estado en el que se encuentra ahora.

06:58.790 --> 07:02.990
Además de las acciones que tomará, además, por supuesto, la aleatoriedad que se superpone a eso.

07:02.990 --> 07:07.440
Entonces esa es una marca de proceso y un proceso de decisión de marcador o un proceso de decisión de MVP o marcador.

07:07.460 --> 07:14.280
Proporcionar un marco matemático para modelar la toma de decisiones en situaciones donde los

07:14.390 --> 07:20.390
resultados son parcialmente aleatorios y parcialmente bajo control sobre la toma de decisiones.

07:20.420 --> 07:23.430
Tan importante es entender que los procesos de marca

07:23.570 --> 07:29.120
de proceso son diferentes y la marca de concepto completa diferente del proceso marca el proceso.

07:29.150 --> 07:32.210
Hay como un marco matemático así.

07:32.340 --> 07:34.810
Pero al mismo tiempo, pensé que era importante

07:34.970 --> 07:39.080
para nosotros entender qué marca de proceso es porque creo que todavía ayuda

07:39.170 --> 07:45.140
a comprender el proceso de marca de decisión y, por lo tanto, existe un proceso de marca de decisión.

07:45.200 --> 07:46.130
tiene el control como

07:46.230 --> 07:50.950
él anteriormente y tiene control total de lo que está sucediendo, pero ahora tiene un poco menos de control.

07:51.290 --> 07:56.570
Esto es exactamente lo que hemos estado discutiendo hasta ahora, por lo que el agente vive en este entorno en el que

07:56.570 --> 07:57.530
Puede decidir subir pero en realidad lo sabe.

07:57.590 --> 08:00.270
De acuerdo, entonces, si subí, tengo la oportunidad de que

08:00.290 --> 08:05.570
aparezcan los simios. Subiré estos intentos y las posibilidades se irán a la izquierda, y la posibilidad irá bien.

08:05.560 --> 08:06.170
Entonces, no todo está completamente bajo su control.

08:06.170 --> 08:08.930
Hay algo de aleatoriedad en este entorno y eso

08:08.930 --> 08:13.280
es exactamente lo que marca el proceso de decisión y el proceso de

08:13.280 --> 08:18.830
decisión de Markov es el marco que usará el agente para comprender qué hacer en este entorno.

08:18.830 --> 08:19.400
Entonces tenemos un ambiente con algo de toxicidad y algo de azar.

08:19.400 --> 08:22.400
Y ahora el agente tiene que elegir, por ejemplo, debe ir hacia la izquierda o hacia la derecha.

08:22.550 --> 08:27.000
Él tiene que tomar esa decisión.

08:27.370 --> 08:28.530
Él no sabe qué hacer.

08:28.520 --> 08:29.820
Y para tomar esa decisión,

08:30.140 --> 08:36.200
se aplicará un marco que utilizará un proceso de marca de decisión para tomar esa decisión de qué va a pasar a dónde va a llegar.

08:36.200 --> 08:40.960
proceso de decisión, por lo que es el marco en el que el

08:40.970 --> 08:47.600
agente utiliza al mismo tiempo que el agente está operando en un entorno de proceso de decisión de mercado.

08:47.600 --> 08:52.820
Así que, básicamente, este entorno que plantea este problema se refiere a la marca del

08:52.820 --> 08:55.810
Y así, básicamente, aquí tenemos dos conceptos que tenemos la marca

08:56.280 --> 09:01.190
del proceso: la forma en que está diseñado este entorno para que el PA haga el trabajo.

09:01.190 --> 09:03.740
Lo que sucede desde donde estás ahora no depende del pasado.

09:03.770 --> 09:07.020
Y al mismo tiempo que tenemos el proceso de marca de

09:07.130 --> 09:11.240
decisión es el marco que el agente va a utilizar para resolver este entorno.

09:11.240 --> 09:13.630
Y la buena noticia es que la marca del proceso de decisión o el

09:13.970 --> 09:18.830
marco del que estamos hablando es en realidad una adición a nuestra pregunta sobre la ecuación de Belman, es la ecuación de Belman pero un poco más sofisticada.

09:18.830 --> 09:24.730
Así que echemos un vistazo a eso.

09:24.740 --> 09:26.960
Esta es nuestra ecuación de Belman hasta el momento.

09:27.050 --> 09:28.910
Es el máximo de todas las acciones posibles.

09:29.030 --> 09:31.030
Entonces, el valor de estar en un

09:31.040 --> 09:35.150
estado es el máximo de todas las acciones posibles que puede tomar desde ese estado.

09:35.150 --> 09:35.990
El máximo se obtiene

09:36.260 --> 09:41.930
de la recompensa que obtendría al tomar esa acción en ese estado más un factor de descuento multiplicado por el valor del siguiente estado que es el principal.

09:41.930 --> 09:45.410
Entonces eso es lo que hemos tenido hasta ahora.

09:45.410 --> 09:47.390
Ahora, debido a que tenemos algo

09:47.400 --> 09:52.550
de azar en todo el proceso, esta parte cambiará porque no sabemos realmente qué estado va

09:52.550 --> 09:57.620
a terminar y no sabemos cuál será el mejor momento si vamos a subir será arriba

09:57.630 --> 10:03.680
o quedará será correcto, así que tenemos que colocar esto con el valor esperado de la próxima fecha.

10:03.680 --> 10:04.960
Así que aquí vamos a reemplazar esto, así que hay tres estados posibles en los que podemos terminar.

10:04.970 --> 10:08.810
Y entonces vamos a reemplazar eso con algún valor de que el estado tiene un valor de como uno principal.

10:08.810 --> 10:15.480
Que tiene una vista de primo a primo.

10:15.520 --> 10:18.190
Y este estado tiene un valor de nosotros tres Bryne.

10:18.470 --> 10:22.490
Así que ahora vamos a multiplicar el estado en el que realmente tenemos

10:22.640 --> 10:28.790
la intención de entrar en un 80 por ciento porque así es como la probabilidad de llegar a ese estado

10:28.790 --> 10:33.770
más la probabilidad de llegar a este estado es 10 por ciento más personas que ingresan

10:33.770 --> 10:39.800
al estado. solo nuestro valor esperado así que si de las estadísticas, si tomamos el valor esperado de entrar en

10:39.800 --> 10:46.880
el estado en el que entramos, es como el promedio. ¿Cuál es el promedio de lo que obtendremos y luego lo reemplazamos aquí?

10:47.060 --> 10:52.040
Entonces obtenemos esta agresión y salta muy rápido solo porque hay una grande, pero si

10:52.040 --> 10:56.210
la miras cuidadosamente verás lo mismo que dice Max sobre Max aquí.

10:56.210 --> 10:59.930
Entonces tienes r de S y A R de S y ellos tienen gamma tienes gamma.

10:59.960 --> 11:06.340
Y finalmente, aquí tienes v.

11:06.410 --> 11:08.600
Entonces sabías exactamente que era una búsqueda determinista que sabías en qué estados te involucrarías.

11:08.630 --> 11:13.640
Ahora no sabes en qué estado entrarás desde el de tomar V.

11:13.640 --> 11:16.120
Estás tomando el valor esperado del estado al

11:16.120 --> 11:23.300
que te acercarás o del estado futuro o simplemente en términos más simples, solo estás tomando el promedio de lo que obtendrás.

11:23.300 --> 11:25.920
Entonces sabes que era como para 30

11:26.060 --> 11:32.450
más 3 por ciento de probabilidad de que esta sea la división de Plus por tres básicamente.

11:32.590 --> 11:32.900
Pero en este caso no es así, no es exactamente como el promedio promedio.

11:32.900 --> 11:37.130
Es un promedio ponderado debido a las probabilidades aquí.

11:37.130 --> 11:40.410
Así que aquí tienes la probabilidad de que cuando estés

11:40.430 --> 11:45.980
en esta etapa actúes para entrar en el estado de prime time, el valor de s prime

11:46.040 --> 11:50.630
y algunos para cruzar todos estos números primos que puedas llegar a ser quienes somos.

11:50.630 --> 11:51.830
Así que exactamente lo que teníamos tres aquí uno dos dos tres.

11:51.830 --> 11:54.690
Sumalos multiplique estos sumenlos.

11:54.890 --> 11:57.330
Igual que aquí.

11:57.330 --> 11:58.040
Uno dos tres.

11:58.040 --> 11:58.820
Multiplíquelos por las probabilidades y agréguelos.

11:58.820 --> 12:01.660
Y esa es tu nueva ecuación de Belman.

12:02.090 --> 12:05.180
Felicitaciones.

12:05.180 --> 12:06.440
Esto es con lo que vamos a trabajar para seguir adelante.

12:06.470 --> 12:08.990
Y ese es el marco que

12:09.140 --> 12:15.590
se usa en los procesos de decisión, por lo que ese es el marco que lo resuelve.

12:15.590 --> 12:16.490
Los agentes solían

12:16.620 --> 12:22.670
resolver todo este problema de búsqueda no determinista estocástico donde hay eventos aleatorios que están sucediendo y que no pueden controlar.

12:22.670 --> 12:25.460
Entonces es mucho más complejo.

12:25.460 --> 12:26.920
Pero como pueden ver, lo hemos desarrollado lentamente.

12:26.930 --> 12:30.150
Ahora ya sabemos sobre esto, lo sabemos.

12:30.290 --> 12:33.120
Hay preocupación sobre esto.

12:33.130 --> 12:35.090
Sabemos sobre esto

12:35.090 --> 12:36.160
Sabemos lo que son.

12:36.170 --> 12:36.710
Entonces, todo lo

12:36.710 --> 12:42.500
que hicimos fue introducir esta parte aquí porque hay probabilidades involucradas en la acción o las consecuencias de su acción sobre no deterministas se basan en probabilidades.

12:42.920 --> 12:49.000
Y ahí vamos.

12:49.220 --> 12:50.600
Así es como funciona un marcador del proceso de decisión y la ecuación subyacente detrás de él.

12:50.600 --> 12:58.280
Una vez más, es algo que se asemeja más a problemas del mundo real reales

12:58.330 --> 13:04.630
o Sinatras o incluso escenarios de juegos porque no todo es sencillo.

13:04.670 --> 13:08.690
Hay una aleatoriedad de todos los involucrados y no

13:08.690 --> 13:15.880
siempre tomar una acción en un cierto estado siempre Nawal no siempre conducirá al mismo resultado.

13:15.870 --> 13:18.810
Y entonces esto es lo que vamos a

13:18.890 --> 13:23.150
tratar de seguir adelante y eso hará las cosas más interesantes.

13:23.150 --> 13:24.310
Así que espero que estés emocionado y emocionado de ver lo que vendrá después.

13:24.380 --> 13:29.290
Y mientras tanto, encontré un papel realmente genial para que lo eche un vistazo en este momento.

13:29.690 --> 13:35.870
Es un papel muy aplicado.

13:35.870 --> 13:37.460
Así que este es realmente realmente interesante de leer.

13:37.460 --> 13:40.150
Se llama una encuesta de aplicaciones

13:40.160 --> 13:46.810
de Marcos de procesos de decisión proces y fue escrita por blanco en 1993.

13:46.820 --> 13:47.970
Ahí está el enlace

13:47.990 --> 13:56.000
y les mostraré ejemplos de los procesos de decisión de Markov que en realidad se usan para modelar Sinatras en la vida real. Creo que estaba muy entusiasmado con esto.

13:56.000 --> 13:59.560
Me impresionaron algunos ejemplos de cosecha de población, por ejemplo.

13:59.560 --> 14:03.880
Entonces, digamos que tiene algunos peces y usted sabe cuál es la

14:03.880 --> 14:09.290
población de peces que necesita para decidir cuántos peces podemos pescar este año y qué.

14:09.290 --> 14:12.910
Entonces ese es tu estado actual.

14:13.250 --> 14:14.330
Esa es la acción que estás tomando. ¿Cuántos podemos haber disparado este año?

14:14.330 --> 14:17.220
Entonces, ¿cuáles son los posibles resultados de eso?

14:17.230 --> 14:20.420
¿Cuántos peces tendremos el próximo año?

14:20.540 --> 14:22.100
¿Cuántos peces tendremos el año posterior y el año posterior y así sucesivamente?

14:22.160 --> 14:25.210
Y no es determinista porque no es como si lo tomaras a una hora

14:25.250 --> 14:30.230
y el 90 por ciento de la población el próximo año lo harás saber al 100 por ciento que no es exactamente sermón.

14:30.230 --> 14:34.640
Hay ciertos factores aleatorios involucrados que están fuera de nuestro control y, por lo

14:34.640 --> 14:39.590
tanto, tenemos que entender qué es lo que va a suceder, tenemos que modelar lo que

14:39.760 --> 14:43.640
va a suceder, que es donde una decisión de mercado procesa la agricultura.

14:43.860 --> 14:46.060
Hay un ejemplo como algo así

14:46.070 --> 14:50.250
como cosechar cosechas, cuántos cultivos cosechamos, cuánto dinero no cosechamos.

14:50.280 --> 14:51.440
que él controla.

14:51.470 --> 14:58.190
Otro que analicé las finanzas y la inversión como una compañía de seguros necesita decidir cuánto

14:58.190 --> 15:04.990
de sus fondos invertirá en cualquier día o año o período de tiempo y existen ciertos factores

15:05.020 --> 15:06.490
Por ejemplo, usted conoce los

15:06.490 --> 15:11.260
movimientos del mercado, no sabe lo que puede pasar, por lo que necesita modelarlo de alguna manera.

15:11.260 --> 15:12.070
Una marca de procesos de decisión utilizada para eso.

15:12.110 --> 15:14.350
Entonces aquí puedes ver muchos y muchos ejemplos.

15:14.350 --> 15:16.890
Y este es el número de ejemplos dados, creo, para cada uno.

15:16.900 --> 15:20.340
y el mantenimiento y las reparaciones también es muy interesante.

15:20.650 --> 15:28.030
Y para que sepa que incluso los ejemplos deportivos de deportes y epidemias y las inspecciones de reclamos de automóviles

15:28.090 --> 15:31.030
Echa un vistazo a eso.

15:31.030 --> 15:31.900
Solo para

15:31.930 --> 15:40.390
darte una comprensión de oye, esto no es solo un asunto hipotético de The Matrix.

15:40.390 --> 15:41.130
Este es en realidad

15:41.140 --> 15:45.580
el escenario del mundo real, así que le daré una mejor comprensión y esto es de lo que hablamos en el video promocional de los

15:45.580 --> 15:50.410
puntajes que o la descripción del curso que vamos a inspirarle y su intuición para darle ideas para saber cómo usar la IA en la vida real.

15:50.410 --> 15:55.900
Esta es tu oportunidad.

15:55.900 --> 15:57.820
Mire este papel para entender.

15:57.820 --> 15:59.790
De acuerdo, vamos a tratar con el proceso de marca de decisión en el futuro.

15:59.900 --> 16:02.890
Eso es realmente genial, ¿cómo se ven en la

16:02.890 --> 16:07.210
vida real y esto posiblemente podría desencadenar algunas ideas para usted cómo podría

16:07.210 --> 16:13.300
aplicar en el futuro para hacer del mundo un lugar mejor y estaríamos muy contentos con eso.

16:13.300 --> 16:13.650
Nos complacería que pudieras utilizar lo que aprendas en este curso para hacer del mundo un lugar mejor.

16:13.690 --> 16:18.560
Qué fantástico con eso.

16:18.730 --> 16:20.050
Entonces, con esa nota, espero que hayan disfrutado el tutorial de hoy.

16:20.380 --> 16:23.170
Espero verte la próxima vez.

16:23.170 --> 16:24.540
Y hasta entonces, disfruta de la IA.

16:24.610 --> 16:26.420