WEBVTT 00:01.040 --> 00:04.020 สวัสดีและยินดีต้อนรับกลับสู่หลักสูตรเกี่ยวกับปัญญาประดิษฐ์ 00:04.040 --> 00:07.040 วันนี้เรากำลังพูดถึง Kule learning 00:07.070 --> 00:13.120 เอาล่ะเราได้สมการนี้มาแล้วสมการของเบลเมนที่เราได้เพิ่มส่วนประกอบเข้าไปมากมาย 00:13.130 --> 00:19.910 เราได้รับรางวัลที่นี่ซึ่งไม่ได้เป็นเพียงแค่จุดจบ แต่มันอาจเป็นไปได้ในทุกขั้นตอน 00:19.940 --> 00:21.920 เราได้ส่วนลดมาแล้ว 00:21.950 --> 00:26.880 เรามีความน่าจะเป็นเพราะตอนนี้เรากำลังมองหากระบวนการตัดสินใจ 00:26.900 --> 00:35.210 และที่นี่เรามีความเป็นไปได้ที่จะสิ้นสุดในรัฐต่าง ๆ ไม่ว่าเราจะทำอะไรหรือได้รับการกระทำที่เราทำ 00:35.210 --> 00:40.670 อาจมีหลายสถานะที่เราสามารถลงเอยได้แล้วเราก็จะได้คุณค่าของสถานะถัดไปเพราะเขาเป็นเหมือนฟังก์ชันแบบเรียกซ้ำและอื่น 00:40.670 --> 00:46.790 ๆ แต่คุณอาจมีคำถามหนึ่งข้อ 00:46.820 --> 00:53.560 คำถามคือที่ใดทั้งหมดนี้ไม่มีจดหมายถามทำไมจึงเรียกว่า q 00:53.750 --> 00:54.270 การเรียนรู้ 00:54.350 --> 00:55.790 ดังนั้นจุดที่อยู่ที่ไหน 00:55.910 --> 00:58.940 และนั่นคือคำถามที่เราจะตอบในวันนี้ 00:58.940 --> 01:09.820 จนถึงตอนนี้เราได้จัดการกับคุณค่าของการอยู่ในสถานะที่แน่นอนและตอนนี้เรากำลังจะดูว่า Q เหมาะสมกับสิ่งนั้นทั้งหมดอย่างไร 01:10.070 --> 01:16.360 ดังนั้นที่นี่เรามีสองตัวอย่างทางซ้ายคือสิ่งที่เราจะทำจนถึงตอนนี้ตัวแทนของเรากำลังวิเคราะห์ 01:16.400 --> 01:18.170 ตกลงฉันอยู่ตรงนี้ 01:18.230 --> 01:21.640 นี่เป็นสัญลักษณ์ของกระบวนการตัดสินใจดังนั้นไม่สำคัญว่าฉันจะมาที่นี่ได้อย่างไร 01:21.770 --> 01:28.250 สภาพแวดล้อมที่เหลือไม่ได้สนใจขั้นตอนใดที่ทำให้ฉันต้องมาที่นี่ตั้งแต่นี้เป็นต้นไป 01:28.460 --> 01:32.050 ฉันต้องตัดสินใจอย่างดีที่สุดว่าจะไปที่นี่หรือที่นี่ 01:32.060 --> 01:37.280 ขึ้นอยู่กับสถานะปัจจุบันและรัฐในอนาคตทั้งหมดที่มาจากที่นี่ แต่ไม่ได้มาจากอดีต 01:37.490 --> 01:42.010 และเพื่อให้เขาเห็นว่ามีสามตัวเลือกมีสถานะหนึ่งรัฐเป็นสามรัฐ 01:42.260 --> 01:49.880 และจากประสบการณ์ของเขาเขาได้คำนวณค่าในรัฐเหล่านี้และตอนนี้เขาจะใช้สมการ Bellmen 01:49.880 --> 01:54.260 ดังนั้นแม้ว่านี่จะเป็น Proceso แบบคลาสสิกที่เขารู้ว่าเขาจะไปที่นี่ แต่ก็มีโอกาสที่เขาจะออกไปทางขวาและอื่น 01:54.260 --> 01:56.120 ๆ 01:56.110 --> 02:03.470 จากค่านิยมเหล่านี้ที่จะทำการตัดสินใจนั่นคือสิ่งที่เราทำจนถึงตอนนี้และนี่คือแนวทางที่ถูกต้องตามกฎหมายทั้งหมด 02:03.560 --> 02:05.640 แต่ตอนนี้เราได้รับการแก้ไขเล็กน้อย 02:05.660 --> 02:21.440 เราจะนำแนวคิดที่แน่นอนเหมือนกันปัญหาที่แน่นอนเหมือนกัน แต่ที่นี่แทนที่จะดูค่าของแต่ละรัฐว่าเขาสามารถลงเอยด้วยการที่เราจะดูค่าหรือมูลค่าของแต่ละการกระทำ 02:21.440 --> 02:25.640 ดังนั้นเราจะไม่ใช้ตัวอักษร V 02:25.640 --> 02:30.740 อีกต่อไปเพราะคุณค่าของรัฐเราจะใช้คิวและคุณอาจมีคำถามว่าทำไมตัวอักษร Q ดี 02:30.740 --> 02:32.300 Q บางคนคิดว่า 02:32.300 --> 02:33.760 ถามฉันจะอ่านสิ่งนี้ไหม 02:33.770 --> 02:35.420 ฉันคิดถึง Quora 02:35.420 --> 02:41.480 บางคนกล่าวว่า Q เป็นเพราะคุณภาพ 02:41.480 --> 02:45.520 แต่ในขณะเดียวกันฉันไม่สามารถหาการอ้างอิงอื่น 02:45.920 --> 02:50.750 ๆ ได้ดังนั้นจึงอาจไม่ใช่เพราะนั่นอาจเป็นเพราะนั่นคือจดหมายที่ใช้ในเวลานั้น ทั้งหมดเรียกว่าการเรียนรู้ที่สำคัญเพราะสิ่งนั้น 02:50.780 --> 02:52.520 ดังนั้นจึงไม่มีเหตุผลที่แน่นอนถูกระงับ 02:52.530 --> 02:58.830 Q แต่อย่างน้อยก็ช่วยให้เราแยกแยะความแตกต่างระหว่าง V และ Q ดังนั้น Q ที่นี่ 02:58.850 --> 03:03.340 มีของขวัญมากกว่าคุณค่าของรัฐที่แสดงถึงการปล่อยให้มีคุณภาพ 03:03.410 --> 03:06.260 มันหมายถึงคุณภาพของการกระทำที่แสดงถึง 03:06.260 --> 03:07.980 ตกลงฉันมีสี่การกระทำ 03:08.300 --> 03:10.860 อะไรคือคุณสมบัติที่แตกต่างของการกระทำเหล่านี้ 03:10.860 --> 03:16.340 มูลค่าของการกระทำหรือคุณภาพของการกระทำใดที่การกระทำนั้นมีกำไรมากขึ้นดังนั้นฉันต้องการตัวชี้วัดที่บอกฉันอย่างถูกต้องว่าฉันจะหาจำนวนการกระทำนี้แล้วจากนั้นฉันสามารถเปรียบเทียบพวกเขาและนั่นคือสิ่งที่ 03:16.340 --> 03:23.200 Q คือ 03:23.470 --> 03:26.240 ดังนั้นเขาจึงมีการกระทำสี่อย่างที่เป็นไปได้ 03:26.360 --> 03:29.240 ขึ้นไปทางซ้ายหรือขวาเสมอ 03:29.240 --> 03:38.410 และจากการกระทำนั้นจะมีสูตรที่บอกให้เราทราบค่าเชิงปริมาณของการกระทำนั้นซึ่งเราเรียกค่าคิวคิวของการกระทำนั้น 03:38.630 --> 03:41.700 ลองมาดูกันว่าเราจะได้สูตรนี้มาอย่างไร 03:41.710 --> 03:44.510 Q มันเกี่ยวข้องกับสิ่งเหล่านี้อย่างไร 03:44.510 --> 03:51.850 เพราะอย่างที่คุณสามารถจินตนาการได้เพราะการกระทำที่นำไปสู่รัฐต้องมีการเชื่อมโยงบางอย่างระหว่างทั้งสอง 03:51.870 --> 03:56.060 ถูกต้องแล้วเราได้กำหนดวิธีคำนวณนี้ไว้แล้วและเราทำได้ดีทีเดียว 03:56.060 --> 04:02.030 เรารู้วิธีใช้สมการของเบลแมนในสภาพแวดล้อมที่แตกต่างกันมากและมีภาวะแทรกซ้อนต่าง ๆ มากมาย 04:02.270 --> 04:06.080 ลองมายกระดับความรู้นั้นเพื่อทำความเข้าใจว่าตอนนี้เราสามารถคำนวณได้อย่างไร 04:06.080 --> 04:16.530 Q เพื่อให้การคาดการณ์เหมือนกันเพราะคุณสามารถจินตนาการถึงสภาพแวดล้อมที่ไม่เปลี่ยนแปลงขึ้นอยู่กับว่าเราใช้สภาพแวดล้อมแบบใดจะเป็นแบบเดียวกันโดยไม่คำนึงถึง 04:16.550 --> 04:24.690 ดังนั้นวิธีการนี้และวิธีการนี้ควรให้ผลลัพธ์เดียวกันเสมอและนั่นคืออีกเหตุผลว่าทำไมทั้งสองควรเชื่อมโยง 04:25.100 --> 04:26.290 ดังนั้นเรามาดู 04:26.300 --> 04:32.260 นี่คือวิธีการมองของเราที่เราเพิ่งจะดูค่าของสถานะใด ๆ ที่ระบุรัฐนี้หรือรัฐอื่น 04:32.420 --> 04:37.190 และที่นี่เราไปสู่เราเพียงแค่ใช้ลูกค้าเป้าหมายที่นี่เพราะนั่นคือสถานะปัจจุบัน 04:37.190 --> 04:43.730 ดังนั้นคำศัพท์จะเหมือนกันทั้งสองสมการและที่นี่เราใช้ q เป็น q 04:43.790 --> 04:45.520 เป็นของรัฐและการกระทำ 04:45.540 --> 04:51.970 A เพราะการกระทำนั้นขึ้นอยู่กับการที่เราทำการกระทำนั้น ๆ 04:53.000 --> 04:57.230 ตกลงดังนั้นตอนนี้เรากำลังจะออกสมการ 04:57.230 --> 05:08.660 Belman สำหรับวิธีแรกในขณะที่คุณเห็นที่นี่เรามีของหรือมูลค่าของรัฐใด ๆ ที่เป็นสูงสุดของรางวัลที่คุณได้รับเดิมพันสูงสุดตาม ในการกระทำที่คุณมีสาม 05:08.690 --> 05:29.420 ในกรณีนี้คุณมีสี่การกระทำเพื่อให้ได้ประโยชน์สูงสุดจากการกระทำที่เป็นไปได้ทั้งหมดของส่วนนี้ซึ่งเราได้ยินมาแล้วหลายต่อหลายครั้งดังนั้นนี่คือรางวัลของเราที่เราได้รับจากการกระทำนั้น คุณค่าของสถานะใหม่ที่เรากำลังจะอยู่ในค่าที่คาดหวังเพราะมันเป็นกระบวนการสุ่ม 05:29.420 --> 05:36.050 เราไม่รู้แน่ชัดว่าเราจะลงเอยที่นี่เราอาจลงเอยทางซ้ายหรือขวาของความน่าจะเป็น 05:36.050 --> 05:38.230 นั่นเป็นเหตุผลที่ความน่าจะเป็นเหล่านี้อยู่ในตัวคุณ 05:38.240 --> 05:40.290 เอาล่ะนั่นคือคุณค่าของเรา 05:40.350 --> 05:41.150 ทีนี้มาดูกัน 05:41.150 --> 05:43.530 ถามดังนั้นคิวจะถูกนิยาม 05:43.580 --> 05:50.640 เราจะใช้สิ่งนี้เพื่อนิยาม Q สมมุติว่าตัวแทนจากตำแหน่งนี้จากสถานะนี้ทำการกระทำ 05:50.840 --> 05:54.350 ค่า q จะถูกเรียกว่าเป็นอะไร 05:54.500 --> 05:59.320 ก่อนอื่นเรามาดูกันว่าเขาจะได้รับตอบแทนอะไรจากการกระทำนี้ 05:59.420 --> 06:02.160 สิ่งแรกที่คุณจะได้รับคือรางวัลที่ถูกต้อง 06:02.360 --> 06:04.180 ไม่มีข้อสงสัยเกี่ยวกับมัน 06:04.250 --> 06:15.770 จะมีกฎบางอย่างหรืออาจเป็นศูนย์ แต่เรารู้ว่าทั้งหมดเป็นวิธีการที่กระบวนการเรียนรู้การเสริมกำลังนี้คือเมืองบางแห่งกำลังดำเนินการบางอย่างจากรัฐหนึ่งหรือสองแห่ง 06:15.840 --> 06:17.140 ดังนั้นฉันจะเพิ่มที่นี่ 06:17.480 --> 06:19.680 แล้วเราจะบวกสิ่งที่เราจะเพิ่ม 06:19.850 --> 06:21.090 ลองคิดดู 06:21.110 --> 06:24.640 อะไรคือสิ่งต่อไปที่จะเกิดขึ้นหลังจากเขาไปที่นั่น 06:24.860 --> 06:34.640 สิ่งต่อไปที่เกิดขึ้นก็คือตอนนี้ตัวแทนอยู่ในสถานะที่แน่นอนเขาสามารถจบลงที่นี่ด้วยความน่าจะเป็น 80 เปอร์เซ็นต์หรือความน่าจะเป็นบางอย่าง 06:34.730 --> 06:36.670 แต่ที่นี่จริง ๆ ตรงนี้ 06:36.800 --> 06:43.940 แต่ไม่ว่าเขาจะจบที่ใดตอนนี้เรามีตัวชี้วัดเชิงปริมาณสำหรับสถานะที่เขาเข้ามาแล้ว 06:44.210 --> 06:47.100 และนั่นคือคุณค่าของรัฐนั้น 06:47.180 --> 06:55.730 แต่เนื่องจากเขาเข้ามาในหลายรัฐและสามรัฐที่แตกต่างกันที่เป็นไปได้เราต้องดูค่าที่คาดหวังของรัฐที่เขาจะเข้ามา 06:56.210 --> 06:58.610 แล้วเราจะบวกมันเข้าไปในสิ่งที่เรากำลังจะเพิ่ม 06:58.610 --> 07:04.020 แน่นอนว่าปัจจัยลดเช่นเดียวกับที่เราเคยมีเพราะนั่นคือบางแห่งในอนาคต 07:04.190 --> 07:12.910 จากนั้นเราจะเพิ่มจำนวนของสถานะที่เป็นไปได้ทั้งหมดในทุกสถานะที่เป็นไปได้ที่เขาสามารถลงเอยด้วยการกระทำนี้ 07:12.910 --> 07:14.240 เงื่อนไขความน่าจะเป็น 07:14.240 --> 07:22.700 ดังนั้นสิ่งที่เรากำลังพูดที่นี่คือตกลงดังนั้นโดยการดำเนินการที่คุณจะได้รับรางวัล Plus ซึ่งเป็นตัวชี้วัดเชิงปริมาณบวกคุณจะได้รับ 07:22.730 --> 07:25.820 คุณอยู่ในสถานะที่เราไม่รู้ว่ามันจะอยู่ที่นี่ 07:25.850 --> 07:26.950 อาจจะอยู่ที่นี่มันอาจจะอยู่ที่นี่ 07:27.050 --> 07:32.240 แต่นี่คือค่าคาดหวังของรัฐที่คุณกำลังจะไป 07:32.270 --> 07:36.290 และตอนนี้เรากำลังจะคูณด้วยปัจจัยลดเพราะนั่นคือหนึ่งย้าย 07:36.380 --> 07:44.730 นั่นคือค่า Q ของเราสำหรับส่วนประสิทธิภาพและสิ่งที่คุณจะสังเกตเห็นได้ทันทีคือ 07:44.760 --> 07:51.470 Q ค่า Q นั้นเหมือนกับสิ่งที่อยู่ในวงเล็บนี่ตรงนี้ 07:51.950 --> 07:52.660 และทำไมเป็นอย่างนั้น 07:52.670 --> 08:10.500 ทีนี้ถ้าคุณคิดเกี่ยวกับมันที่นี่เราจะได้ผลลัพธ์สูงสุดจะได้รับประโยชน์สูงสุดจากการกระทำที่เป็นไปได้ทั้งหมดดังนั้นเราจึงได้ทำการกระทำให้มากที่สุดในการกระทำที่เป็นไปได้ทั้งหมดของผลลัพธ์ที่เราจะทำได้ และเข้าคิวเรากำลังกำหนด 08:10.610 --> 08:11.160 น่าสนใจ 08:11.160 --> 08:14.000 เราจะได้อะไรจากการกระทำบางอย่าง 08:14.000 --> 08:19.340 ดังนั้นถ้าคุณคิดเกี่ยวกับมันมันทำให้รู้สึกว่าคุณค่าของรัฐ 08:19.370 --> 08:25.720 ตัวอย่างเช่นสถานะนี้คือค่าสูงสุดของค่า Q ที่เป็นไปได้ทั้งหมด 08:25.790 --> 08:32.870 ที่นี่ในรัฐโดยอยู่ในสถานะตัวแทนมีค่าคีย์หนึ่งค่าเพื่อเก็บค่า 3Q สำหรับค่า q 08:32.870 --> 08:37.760 ดังนั้นใช่เป็นค่าบวกสำหรับค่า Q 08:37.760 --> 08:42.460 ที่เป็นไปได้ในขณะที่ค่าของการเข้าพักมันทำให้รู้สึกว่าค่าของรัฐคือสูงสุดของค่าคีย์ทั้งสี่ 08:42.490 --> 08:44.420 นั่นคือสิ่งที่เราเห็นตรงนี้ 08:44.420 --> 08:48.060 เป็นการยืนยันที่ดีสำหรับสูตรใหม่นี้ที่เราได้รับ 08:48.080 --> 08:53.080 หากไม่เป็นเช่นนั้นถ้าหากไม่ตรงกันเราก็จะมีคำถามเช่นกัน 08:53.270 --> 08:55.150 เหตุใดจึงไม่ตรงกัน 08:55.160 --> 08:57.510 ทำไมมันไม่ตรงกันถ้า 08:57.690 --> 09:05.810 ค่า Q เป็นตัวชี้วัดเชิงปริมาณของการดำเนินการและ V ขึ้นอยู่กับพื้น 09:05.930 --> 09:12.970 คือชอบคือผลลัพธ์สูงสุดที่เป็นไปได้ของการกระทำสี่อย่างที่เขาสามารถทำได้มากกว่าที่เหมาะสม 09:12.980 --> 09:21.050 และนั่นเป็นการยืนยันสูตรที่เราเพิ่งได้มาและตอนนี้เรากำลังจะทำให้มันน่าสนใจยิ่งขึ้น 09:21.080 --> 09:26.620 เราจะกำจัด Wii ทั้งหมดเพราะคุณจะเห็นว่าคุณมี Wii เป็นฟังก์ชั่นวนซ้ำ 09:26.810 --> 09:29.750 แล้วคุณก็มีฉันแล้วก็ B แล้วก็ B แล้วก็ B เป็นต้น 09:29.760 --> 09:36.830 ดังนั้นคุณสามารถแสดงมุมมองนี้ผ่าน Vee ที่เหมาะสมที่สุดที่จะเกิดขึ้นที่นี่ 09:36.840 --> 09:43.210 เราคาดหวังว่า Q ในฐานะฟังก์ชั่นฟังก์ชั่นแบบเรียกซ้ำของ OR ในฐานะฟังก์ชันของ V ตัวถัดไปจากนั้นคุณจะต้องเสียบ V 09:43.250 --> 09:45.200 นี้แล้วเรากลับไปที่ B 09:45.200 --> 09:51.110 ดังนั้นสิ่งที่เราจะทำคือเราจะใช้ V นี้จริง ๆ แล้วเราจะแทนที่ด้วย Q 09:51.230 --> 09:54.280 Right ดังนั้นเรามาดูกันดีกว่า 09:54.930 --> 10:01.410 เราจะใช้ V ของสถานะถัดไปและเราจะเสียบมันเข้ากับสูตรนั่นตรงนี้ 10:01.570 --> 10:07.180 และอย่างที่คุณเห็นตอนนี้ส่วนนี้ไม่เปลี่ยนความน่าจะเป็นนี้จะไม่เปลี่ยน 10:07.180 --> 10:16.950 แต่ตามที่เราเพิ่งพูดถึงของ s คือค่าสูงสุดโดยการกระทำทั้งหมดของ q of S และนี่ตรงนี้ 10:16.990 --> 10:19.180 นั่นคือสิ่งที่เราจะแทนที่ที่นี่ 10:19.180 --> 10:26.760 ดังนั้นเราจะบอกได้ว่าแน่นอนที่สุดคือแอ็คชั่นใหม่ที่เราจะทำเพราะที่นี่เรามี Wii เป็นตัวละครหลัก 10:26.770 --> 10:30.700 ดังนั้นที่นี่ตอนนี้เรามีคอนโซลสูงสุดที่สำคัญ 10:30.700 --> 10:34.510 ดังนั้นการกระทำที่เราจะรับจากรัฐนี้มาจากที่ใดก็ตามที่รัฐอื่น 10:34.510 --> 10:41.200 ๆ ที่เราลงเอย 10:41.260 --> 10:50.170 แต่การกระทำที่เราจะดำเนินการจากที่นั่นและ Maxima สำหรับทุกสิ่งและสูงสุดคือค่าลูกบาศก์ทั้งหมดที่จะ ที่มีให้สำหรับเราในสถานะใหม่นั้นในฐานะนายกจุลภาคเป็นนายก 10:50.170 --> 10:51.280 และนั่นคือการกระทำ 10:51.280 --> 10:52.140 นั่นคือ 10:52.210 --> 10:53.500 จะมีอีกสี่ตัว 10:53.500 --> 10:54.530 ค่า Q นั้น 10:54.610 --> 10:56.700 ตอนนี้อย่างที่คุณเห็นอีกครั้ง 10:57.040 --> 11:02.740 ดังนั้นจากสิ่งที่เราได้มาคำนี้จะเกิดจากตรรกะและสัญชาตญาณเพื่อให้เราเห็นว่า VNS เป็นมุมมองของ AS 11:02.740 --> 11:07.400 และของและ a เชื่อมโยงกัน 11:07.400 --> 11:12.400 The S เป็นจำนวนสูงสุดของการกระทำทั้งหมดของ Cuba S 11:12.400 --> 11:13.820 และคุณสามารถดูได้ที่นี่เพื่อให้ส่วนนี้เหมือนกับส่วนนี้ 11:14.290 --> 11:20.740 แล้วเราจะใช้ประโยชน์จากนั้นและเราจะแทนที่บิตนี้ด้วย VNS จากที่นี่ 11:20.740 --> 11:25.730 แต่ไม่ใช่ช่องทางที่แน่นอนนี้เราจะใช้ส่วนภายในนี้และแทนที่มันด้วยการฆ่าผู้บริสุทธิ์ 11:26.080 --> 11:36.810 ดังนั้นเราจะเสียบมันเข้าไปที่นี่และส่วนนี้จะเป็นคิวไพรม์คิวบ์สูงสุดสูงสุดของคิวบ์โดย Crucell ไพรม์ของคิวรัมในฐานะนายกรัฐมนตรี 11:37.060 --> 11:39.790 และตอนนี้เรามีสูตรของเรา 11:39.790 --> 11:50.310 ดังนั้นตอนนี้เรามีสูตรแบบเรียกซ้ำสำหรับค่า q ดังนั้นตัวแทนสามารถคิดว่าค่าของส่วนคืออะไรคุณภาพของส่วนนี้คือค่าใหม่ของการกระทำนี้ 11:50.470 --> 11:56.570 มันขึ้นอยู่กับรางวัลที่ฉันได้รับในขั้นตอนทันทีหลังจากนั้นบวกมันขึ้นอยู่กับปัจจัยที่มีส่วนลดคูณด้วยจำนวนสูงสุดของการกระทำ Q 11:56.590 --> 12:02.410 ที่เป็นไปได้ทั้งหมดในรัฐนั้น 12:02.410 --> 12:13.300 แต่ฉันไม่รู้ว่าฉันจะได้รับด้านของพวกเขาต้องดูสถานะนั้นในสถานะนั้นหรือไม่และนั่นเป็นสาเหตุที่เรามีค่าคาดหวังตรงนี้ 12:13.450 --> 12:18.010 ดังนั้นสูตรที่คล้ายกันอย่างที่คุณเห็น แต่คราวนี้เราแสดงสิ่งต่าง 12:18.490 --> 12:27.310 ๆ ผ่านค่า q และนั่นคือสาเหตุที่อัลกอริธึมทั้งหมดนี้เรียกว่าการเรียนรู้การฆ่าเพราะนี่คือสิ่งที่มองนี่คือสิ่งที่ตัวแทนใช้จริง 12:27.310 --> 12:32.020 ที่สถานะมองไปที่การกระทำที่เป็นไปได้ของพวกเขาและจากนั้นขึ้นอยู่กับการดำเนินการกับค่า q 12:32.020 --> 12:35.760 ของการกระทำที่พวกเขาจะตัดสินใจว่าจะดำเนินการใด 12:35.760 --> 12:40.330 ดังนั้นพวกเขาจะดูค่า Q สูงสุดในสถานะที่กำหนดนี้ซึ่งมีสี่การกระทำ 12:40.330 --> 12:57.440 การดำเนินการที่ดีที่สุดคืออะไรเพื่อให้สามารถเปรียบเทียบการเรียงลำดับของการเปรียบเทียบสถานะต่างๆที่สามารถจบลงด้วยการจะเปรียบเทียบการกระทำที่เป็นไปได้ที่ขณะนี้มีอยู่แล้วโดยการค้นหาสิ่งที่ดีที่สุดที่จะดำเนินการนั้น กำลังจะทำซ้ำกระบวนการนั้นทำซ้ำกระบวนการนั้นและอื่น ๆ 12:57.580 --> 13:03.940 ดังนั้นตอนนี้คุณสามารถดูได้ว่าทั้งหมดนี้มารวมกันอย่างไรว่าจะให้รางวัลข้อเท็จจริงลดราคาหรือกระบวนการตัดสินใจตลาดแบบสุ่มและค่านิยมและค่า q 13:04.360 --> 13:10.330 ทั้งหมดมารวมกันเพื่อร่วมพิสูจน์สมการ 13:10.690 --> 13:20.410 Belman อันทรงพลังหนึ่งเดียว และให้ตัวแทนของเราเรียนรู้วิธีเอาชนะสภาพแวดล้อม 13:20.410 --> 13:23.380 และนั่นคือคำอธิบายที่เข้าใจง่ายเกี่ยวกับสิ่งที่เกิดขึ้น 13:23.380 --> 13:28.510 ฉันรู้ว่าเราผ่านสูตรไปแล้ว 13:28.510 --> 13:34.730 แต่มีความจำเป็นเพราะนี่เป็นสูตรของเราที่เราได้ผ่านบทนี้มาทั้งหมดและฉันคิดว่ามันเป็นการเปลี่ยนแปลงที่ดีจาก To 13:34.780 --> 13:43.450 Q และมันแสดงให้เห็นว่ามีการเชื่อมโยงระหว่าง Yishun อย่างไรและถ้าคุณต้องการได้วิธีการทางคณิตศาสตร์ที่เข้มงวดกว่านี้และคุณเห็นคณิตศาสตร์อยู่ข้างหลังและเรียนรู้เพิ่มเติมเกี่ยวกับค่า 13:43.450 --> 13:51.600 q และวิธีการทำงานของมัน 13:51.640 --> 13:54.090 จากนั้นเราก็มีการอ่านเพิ่มเติมสำหรับคุณ 13:54.130 --> 14:02.980 บทความนี้เรียกว่าแนวคิดและขั้นตอนวิธีการตัดสินใจของมาร์คอฟโดยmartín von Autor low 2009 14:02.980 --> 14:09.610 ดังนั้นคุณตัดการเชื่อมโยงที่นี่เช่นเคยและที่นี่คุณสามารถอ่านรายละเอียดเพิ่มเติมเล็กน้อยเพื่อทำความเข้าใจ nitty 14:09.820 --> 14:15.220 gritty 14:15.220 --> 14:21.660 ทั้งหมดที่อยู่เบื้องหลังค่าฮิวจ์และอื่น ๆ 14:21.790 --> 14:27.670 และตอนนี้เราได้พูดถึงสิ่งเหล่านี้ทั้งหมดที่เกี่ยวข้องกับสมการ ดูสิ่งที่ซับซ้อนกว่านี้เช่นบทความนี้ถ้าเราต้องการข้อมูลเพิ่มเติมเกี่ยวกับเรื่องนี้เพื่อทำความเข้าใจให้ลึกซึ้งยิ่งขึ้น 14:27.670 --> 14:40.850 แต่แม้ว่าคุณจะไม่ได้อ่านหนังสือพิมพ์หรือวิทยุคุณควรมีความรู้ในการทำงานที่ดีเกี่ยวกับสิ่งที่การเรียนรู้เป็นเรื่องเกี่ยวกับวิธีการที่ตัวแทนมาพร้อมกับการกระทำที่พวกเขาต้องใช้ในสภาพแวดล้อมที่แน่นอน 14:40.870 --> 14:43.980 ดังนั้นฉันหวังว่าคุณจะสนุกกับ Statoil วันนี้และฉันหวังว่าจะได้พวกเขาต่อไป 14:43.990 --> 14:45.360 จนกว่าจะสนุกแล้ว 14:45.390 --> 14:45.620 ผม.