WEBVTT 00:00.940 --> 00:04.150 Hallo und herzlich willkommen zum Kurs über künstliche Intelligenz. 00:04.150 --> 00:09.070 Also gut, ich hoffe, Ihnen gefällt das Tutorial. Bis jetzt sind wir fast fertig mit der Intuition, die Sie bald auf 00:09.070 --> 00:13.390 die praktische Seite der Dinge bringen werden. Wir haben nur ein paar Kleinigkeiten, die wir behandeln müssen. 00:13.510 --> 00:20.320 In Ordnung, so haben wir vorher darüber gesprochen, wie wir neuronale Netze in diese ganze Gleichung des CULE-Lernens 00:20.350 --> 00:25.360 einfügen und in den nächsten Schritt einführen und daraus ein tiefes Lernen machen. 00:25.690 --> 00:33.130 Und heute fügen wir eine weitere wichtige Funktion hinzu, die das Codieren in der praktischen Seite der Dinge, so die Überschrift, und ich entschied, 00:33.130 --> 00:39.100 dass es wichtig ist, dass wir es oft auf der Intuitionsseite der Dinge behandeln, damit Sie besser vorbereitet sind 00:39.100 --> 00:42.430 für es, wenn es auf der Kodierungsseite der Dinge kommt. 00:42.430 --> 00:47.950 Wie wir besprochen haben, gibt es zwei Netzwerke, die passieren. 00:47.950 --> 00:53.110 Zuallererst ist es das Lernen, also lernt das Netzwerk tatsächlich mit jedem neuen Zustand. 00:53.270 --> 00:58.870 Es aktualisiert langsam seine Wartezeiten, um mit dieser Umgebung besser und besser umzugehen. 00:58.870 --> 01:06.910 Und dann gibt es das Handeln innerhalb des Zustands, also nachdem die q-Werte in dem Zustand gezählt wurden, nachdem Sie 01:06.970 --> 01:08.220 ausgewählt haben. 01:08.230 --> 01:14.800 Deshalb werden wir heute noch über den Lernabschnitt sprechen, mit dem wir eine interessante Funktion entwickeln 01:14.800 --> 01:20.050 werden, die im Studium helfen wird, diese Funktion selbst zu erstellen, aber 01:20.080 --> 01:29.690 wir werden über eine Funktion sprechen, für die es sehr wichtig ist ein tiefes cooles Lernen und diese Funktion wird als Erlebniswiederholung bezeichnet. 01:29.710 --> 01:30.030 Gut. 01:30.040 --> 01:34.570 Hier ist unser Netzwerk, also haben wir es einfach hierher kopiert. 01:34.570 --> 01:39.000 Wir haben das verloren, dass Calcott am hinteren Propagator durch das Netzwerk ist. 01:39.100 --> 01:44.770 Schauen wir uns ein Beispiel an, was das Problem, mit dem wir es zu tun haben, etwas 01:44.770 --> 01:45.670 besser versteht. 01:45.670 --> 01:49.120 Hier ist also ein Beispiel aus den Ergebnissen. 01:49.120 --> 01:54.820 Dies ist ein Screenshot, genau aus diesem Kurs. Dies ist, was Sie programmieren werden. 01:54.820 --> 02:02.170 Dies ist ein selbstfahrendes Auto, das durch diese Straße fährt, und es muss lernen, wie man auf 02:02.170 --> 02:03.780 dieser Straße navigiert. 02:03.820 --> 02:09.290 Und so ist es, wie wir vorher besprochen haben. Was ist das in diesem Zustand? 02:09.320 --> 02:15.850 Und natürlich wird der Zustand nicht x1 x2 sein. Lundell beschreibt es viel ausführlicher. 02:15.850 --> 02:23.650 Es wird ein paar Parameter sein, die sich auf den Fahrzeugwinkel beziehen, und einige relative Parameter der 02:23.650 --> 02:26.490 Sensoren Lesen und so weiter. 02:26.490 --> 02:29.820 Es wird also mehr Parameter geben, um den Zustand zu beschreiben. 02:29.830 --> 02:34.120 Trotzdem wird es ein Vektor von Werten sein, der durch ein neuronales Netzwerk geht, und dann 02:34.120 --> 02:36.520 werden Sie bei der Ausgabe einige ACU-Werte haben. 02:36.520 --> 02:39.850 Wieder wird es je nach Umgebung einen Unterschied geben. 02:39.850 --> 02:44.380 Sie können eine unterschiedliche Anzahl von Aktionen sein, mögliche Aktionen. 02:44.460 --> 02:49.660 Aber der Einfachheit halber wollen wir es einfach lassen, nur um besser verstehen zu können, was hier 02:49.660 --> 02:50.830 vor sich geht. 02:50.830 --> 02:55.710 In diesem Fall stellt sich also die Frage, was das ist. 02:55.730 --> 03:03.510 Dies führt zu Eingaben in dieses neuronale Netz oder genauer gesagt, wie oft wir dieses neuronale Netz auslösen. 03:03.520 --> 03:05.080 Wie oft wächst dieses neuronale Nettowachstum. 03:05.110 --> 03:11.410 Nun, jedes Mal, wenn das Auto in einem neuen Zustand endet, endet das Auto in einem neuen Zustand, und dann 03:11.530 --> 03:12.650 geht alles voran. 03:12.670 --> 03:17.410 All diese Daten all diese Informationen über den Zustand gehen über das Netzwerk und geben Alice die berechneten 03:17.650 --> 03:18.200 Fehler. 03:18.280 --> 03:22.960 Dieser Fehler wird basierend auf dem berechnet, was wir in vorherigen Tutorials besprochen haben. 03:22.990 --> 03:26.080 Dies wird zurück propagiert und ihre Gewichte werden aktualisiert. 03:26.080 --> 03:32.570 Dann wählt das Auto aus, welche Aktion ausgeführt werden soll, und der Umzug wird in einem neuen Zustand im neuen Zustand beendet. 03:32.590 --> 03:34.390 Alles fängt wieder von vorne an. 03:34.450 --> 03:39.880 Im Grunde passiert dies jedes Mal, wenn das Auto rein ist und Sie sagten, dass Sie sich dieses Beispiel ansehen sollten. 03:39.880 --> 03:46.240 Ich habe den Screenshot speziell gemacht, weil es so aussieht, als ob es sehr gut das Problem darstellt, das durch Wiederholungen der 03:46.240 --> 03:51.430 Wiedergabe und Wiederholungen von Kosten angesprochen wird, nicht nur etwas, das wir in diesem Kurs oder in 03:51.430 --> 03:52.730 diesem speziellen Problem verwenden. 03:52.810 --> 03:57.190 Es ist etwas, das Sie überall sehen werden. 03:57.340 --> 04:04.480 Immer und immer wieder in künstlichen Intelligenzalgorithmen, weil es so mächtig und so wichtig 04:04.480 --> 04:05.140 ist. 04:05.140 --> 04:11.440 Schauen Sie sich dieses Auto also an, in diesem Problem oder in dieser Umgebung ist es das Ziel, von hier nach hier und 04:11.440 --> 04:12.440 zurück zu kommen. 04:12.440 --> 04:17.540 Ihr Ziel ist es, sich hier zu orientieren, ohne diese Sandwände zu durchqueren. 04:17.790 --> 04:24.430 Und so hat das Auto hier angefangen, es ist abgestürzt und wie seine Belohnung darauf basiert, wissen Sie, wie nah es 04:24.430 --> 04:25.120 ist, anzufangen. 04:25.120 --> 04:29.890 Das Auto fuhr also von hier aus weiter und fuhr so weiter wie dieses hier oder entlang 04:29.890 --> 04:31.490 dieser Mauer entlang der Ufermauer. 04:31.570 --> 04:34.990 Und was es als nächstes tun wird, wird sich fortsetzen. 04:34.990 --> 04:37.450 Nun, wir wollten hier weiter machen. 04:37.690 --> 04:39.490 Aber lass uns eine Sekunde darüber nachdenken. 04:39.580 --> 04:44.240 Sobald es jedes Mal an dieser Wand angekommen ist, bewegt es sich vorwärts. 04:44.260 --> 04:48.570 Er bewegt sich vorwärts, bewegt sich vorwärts, bewegt sich vorwärts, bewegt sich vorwärts und so weiter vorwärts. 04:48.580 --> 04:53.320 Es könnte also sein, dass je nach Strukturumgebung hundert oder 50 04:53.320 --> 04:54.710 Züge hier sind. 04:54.990 --> 04:59.100 Es geht einfach weiter vorwärts und es ändert sich nichts. 04:59.160 --> 05:03.310 Es ändert sich nicht wirklich, es wird immer weiter von dieser Geschichte entfernt. 05:03.310 --> 05:04.060 Das ist schön. 05:04.210 --> 05:09.990 Aber in Bezug auf die Umgebung verändert sich nicht viel, es ist immer noch dieselbe Wand. 05:10.090 --> 05:15.460 Wenn Sie im Auto sitzen, haben Sie wahrscheinlich die Situation gesehen, wenn Sie in der Umgebung fahren, in 05:15.460 --> 05:21.220 der Sie das Gefühl haben, dass die Umgebung so eintönig ist, dass Sie sehen, dass die gleiche Sache gerade 05:21.220 --> 05:21.840 vorbeizieht. 05:21.840 --> 05:26.680 Aber so wie ich mir vorstelle, Sie fahren durch eine Wüste und Sie sehen nur dasselbe, es ist derselbe Sound, 05:26.680 --> 05:29.100 es ist der gleiche Sound, bei dem nichts passiert. 05:29.100 --> 05:30.340 Nichts ändert sich. 05:30.550 --> 05:36.820 Und so, aber jedes Mal setzen wir diesem Staat diesen neuen Staat hier ein. 05:37.000 --> 05:42.010 Ja, vielleicht ändert sich für uns etwas, wenn Sie mit dem Auto fahren und Ihr GPS zeigt, dass Sie 05:42.010 --> 05:43.530 näher an Ihrem Ziel sind. 05:43.540 --> 05:49.300 Eine dieser Eingaben ist zwar seltsam, aber viele dieser anderen Eingaben, beispielsweise die Sensoren, die 05:49.300 --> 05:55.850 sich auf dem Auto befinden, ändern sich nicht, und da Sie an diesem Tag langsam fahren, um die 05:55.850 --> 06:02.380 Eingaben in Ihre eigenen zu übernehmen hier hier hier hier hier und hier immer die Eingaben sind 06:02.380 --> 06:03.220 ziemlich gleich. 06:03.250 --> 06:11.140 Wenn Sie also immer dieselben Eingaben in Vektor oder sehr ähnliche Vektoren in Ihr Netzwerk 06:11.140 --> 06:14.240 eingeben, gibt es keine Unterschiede. 06:14.320 --> 06:16.840 Das Auto wird sehr gut lernen. 06:16.870 --> 06:22.420 Eine Sache, die Sie sehr gut lernen werden, wie Sie entlang dieser Mauer fahren, die 06:22.420 --> 06:27.970 sich zu ihrer Rechten befindet, und so wird sich das Netzwerk aktualisieren und belohnt 06:27.970 --> 06:28.570 werden. 06:28.580 --> 06:33.980 OK, von hier aus werde ich alles lernen, was ich so gut mache. Es geht mir besser, ich mache es besser. 06:34.050 --> 06:34.420 Es alles. 06:34.480 --> 06:41.920 Es wird diese falsche Wahrnehmung haben, dass es tatsächlich sehr gut geht, auch wenn es nur lernt, wie man mitnimmt, und andere 06:41.920 --> 06:47.560 neuronale Netze werden sich sehr gut an das Fahren anpassen, und dann kommt plötzlich diese Kurve und 06:47.560 --> 06:51.100 das Auto nicht Ich weiß nicht was ich tun soll. 06:51.310 --> 06:55.240 Und es passt überhaupt nicht in dieses neuronale Netzwerk. 06:55.420 --> 07:01.870 Und selbst wenn es so ist, sagen wir hypothetisch, dass es eine Stelle passiert, und dann landet es an dieser 07:01.870 --> 07:02.250 Wand. 07:02.260 --> 07:05.320 Das Gleiche wird passieren, wenn Sie von hier aus hier fahren. 07:05.320 --> 07:10.870 OK, das neuronale Netzwerk strukturiert sich nun um, um sich an diese Wand anzupassen, und dann passiert diese Sache. 07:10.900 --> 07:15.880 Und selbst wenn es irgendwie vorbei ist, wird es an diesem Ding vorbeifahren und dann dasselbe in diese 07:15.880 --> 07:16.260 Richtung. 07:16.260 --> 07:23.590 Im Grunde ist dies ein sehr anschauliches Beispiel für das Problem, das wir haben, was wir haben: Die Art und 07:23.590 --> 07:29.770 Weise, wie wir das neuronale Netz verwenden, aktualisiert es jeden einzelnen Zustand, sobald wir viele aufeinander folgende 07:29.770 --> 07:36.490 Dinge haben, die sie nicht einmal sein müssen Dasselbe gilt aber für Umgebungen, in denen es normal ist, 07:36.880 --> 07:44.950 dass aufeinanderfolgende Zustände irgendwie korreliert sind oder in irgendeiner Weise voneinander abhängig sind, und wir möchten nicht, dass diese wechselseitige Abhängigkeit unser Netzwerk 07:44.980 --> 07:45.550 beeinflusst. 07:45.550 --> 07:52.600 Wir möchten nicht, dass das Auto nur lernt, wie eine gerade Linie oder eine lange gekrümmte Linie zu 07:54.100 --> 08:01.750 fahren ist oder etwas, von dem Sie denken, dass Sie sich im Leben vorstellen können, wo ein Agent in 08:01.780 --> 08:10.570 einer Navigant-Umgebung wäre, in der wir uns eine Korrelation vorstellen können oder voneinander abhängige Zustände, die nacheinander kommen und Ihr neuronales Netzwerk wirklich 08:10.630 --> 08:12.130 durcheinander bringen können. 08:12.190 --> 08:15.270 Wenn Sie den Agenten einfach davon lernen lassen. 08:15.430 --> 08:17.600 Und hier kommt die Erfahrungswiedergabe ins Spiel. 08:17.620 --> 08:24.850 Was bei der Erfahrungswiederholung passiert, ist diese Erfahrung, also diese Zustände, die sich in zwei oder drei drei befinden, 08:24.850 --> 08:31.040 auch wenn viele 50 Zustände hier im Neuro nicht direkt durch das Netzwerk geschickt werden. 08:31.350 --> 08:35.980 Sie werden tatsächlich im Speicher des Agenten gespeichert. 08:36.160 --> 08:41.440 So sparen Sie zum Beispiel all diese und einige und einige davon, sobald ein bestimmter Schwellenwert erreicht ist, 08:41.590 --> 08:44.940 den Sie programmieren können, und Atlanta zeigt Ihnen, wie das geht. 08:45.100 --> 08:51.310 Sobald es eine bestimmte Schwelle erreicht hat, entscheidet der Agent für sich. Es ist Zeit zu lernen. 08:51.310 --> 08:57.580 Ich habe diese Erfahrungen, die ich habe, die ich nicht lernen werde. Daher wählt man 08:57.580 --> 09:04.120 willkürlich eine einheitliche Verteilung aus, und Einheitlichkeit ist hier wichtig, da wir auf der nächsten 09:04.240 --> 09:06.460 Folie darüber sprechen werden. 09:06.820 --> 09:08.140 Wir werden buchen, wird das erwähnen. 09:08.140 --> 09:12.400 Es bedarf jedoch einer gleichmäßig verteilten Probe. 09:12.460 --> 09:15.660 Grundsätzlich gelten alle Erfahrungen als gleichwertig. 09:15.670 --> 09:23.410 Es entnimmt eine einheitlich verteilte Probe aus den gesammelten Erfahrungen und durchläuft sie dann und lernt von ihnen, so dass es nicht die 09:23.410 --> 09:28.060 gesamte Erfahrung oder nur die Verteilung von Proben benötigt, von denen ein paar 09:28.060 --> 09:33.130 von hier ein paar brauchen Hier ein Paar von hier und jeder und jede 09:33.130 --> 09:39.940 Erfahrung ist durch den Zustand gekennzeichnet, in dem es sich in der Handlung befand, in dem es endete, und die 09:40.000 --> 09:47.110 Belohnung, die es durch diese Handlung in diesem spezifischen Zustand erzielte, so dass vier Elemente in jeder Erfahrung eines angeben action 09:47.110 --> 09:53.470 state two und belohnung und so braucht es all diese erfahrungen und leitet sie dann durch das netzwerk 09:53.470 --> 09:54.660 und lernt es. 09:54.660 --> 10:05.160 Auf diese Weise bricht es das Muster dieser Vorurteile, das aus der sequentiellen Natur der Erfahrung resultiert, als würden Sie sie 10:05.160 --> 10:08.110 nacheinander durch das Netzwerk bringen. 10:08.340 --> 10:11.930 Das ist also der Schwerpunkt unserer Erfahrung. 10:11.930 --> 10:17.730 Das ist das Problem und die Adresse. Ein weiterer Vorteil der Wiederholung von Erfahrungen ist, dass 10:17.730 --> 10:22.400 Sie in einer solchen Umgebung manchmal sehr wertvolle, seltene Erfahrungen machen können. 10:22.410 --> 10:28.340 Ich weiß zum Beispiel nicht, sagen wir mal, wir schauen uns diese Ecke an, dies ist die rechte Ecke. 10:28.440 --> 10:28.730 Recht. 10:28.740 --> 10:30.880 Und eine sehr scharfe ist scharf. 10:30.900 --> 10:35.640 Es wird also von hier aus kommen, vorausgesetzt es wird diese Ecke umarmt. 10:35.640 --> 10:40.500 Wenn Sie also scharfe rechte Ecken haben, haben wir hier eine 10:40.500 --> 10:43.410 ganze Ecke und eine rechte Ecke. 10:43.680 --> 10:46.240 Richtig also, wenn es so kommt, ist dies die rechte Ecke. 10:46.380 --> 10:48.630 Und wenn es zurückgeht, ist es hier eine scharfe rechte Ecke. 10:48.620 --> 10:53.070 Und das ist im Shop nicht so scharf, so dass es in der gesamten Umgebung nur 10:53.640 --> 10:56.770 eine Möglichkeit gibt, aus einer scharfen rechten Ecke zu lernen. 10:56.970 --> 11:03.050 Und das ist eine sehr wichtige Erfahrung, denn es kann sehr gut werden, wenn man 11:03.060 --> 11:06.990 geradeaus fährt und wirklich wie weiche Ecken, aber so. 11:07.170 --> 11:14.070 Und dann wird es diese scharfe rechte Ecke weiter durcheinander bringen, einfach weil es nicht so viel Gelegenheit hat, daraus zu lernen, 11:14.070 --> 11:18.070 und so wird es alles andere sehr schnell lernen, aber es dauert lange, 11:18.070 --> 11:20.180 bis man das Recht lernt Kurs. 11:20.180 --> 11:26.010 Ein sehr vereinfachtes Beispiel ist eine sehr vereinfachte Erklärung, veranschaulicht jedoch das Konzept, dass es sich 11:26.280 --> 11:30.140 manchmal um seltene Erfahrungen handelt, die wertvoll sein können. 11:30.270 --> 11:35.880 Und wenn Sie nur ein einfaches neuronales Netzwerk betreiben, in das Sie hier Ihre Werte eingeben, und Sie 11:35.880 --> 11:40.950 wissen, dass sie durchgehen und Sie wissen, auch wenn Sie dieses Problem der sequentiellen Natur der Erfahrungen 11:40.950 --> 11:45.690 vergessen und wie sie sein können Interdependent und alle korrelierten Thimphu vergessen das sogar für 11:45.680 --> 11:46.640 eine Sekunde. 11:46.800 --> 11:52.110 Was passiert, ist, wenn Sie einmal eine Erfahrung in das Netzwerk eingepflegt haben, werden Sie sofort vergessen, aber 11:52.120 --> 11:53.370 vergessen Sie diese Erfahrung. 11:53.370 --> 11:54.380 Du gehst weiter zum nächsten. 11:54.420 --> 11:56.180 So funktioniert das neuronale Netzwerk. 11:56.220 --> 11:59.710 Dann wechseln Sie zum nächsten Zustand, zum nächsten Schritt, zum nächsten 11:59.780 --> 12:01.170 Schritt, zum nächsten Erlebnis. 12:01.170 --> 12:06.180 Also ist diese rechte Ecke, sobald sie durch ein Netzwerk geht, verschwunden und Sie haben keine Erinnerung an 12:06.510 --> 12:07.450 diese wertvollen Erfahrungen. 12:07.560 --> 12:14.220 Während wir eine Wiederholung erlebt haben, weil Sie diese Erlebnisse in Batches einteilen, 12:14.220 --> 12:19.920 können Sie Ihre Bash als Rolling-Fenster organisieren, so dass Sie 12:19.920 --> 12:25.920 beispielsweise 100 Batches haben könnten es hat diese Erfahrung in seinem 12:25.920 --> 12:27.380 Stapel aufgezeichnet. 12:27.390 --> 12:34.260 Dann, als ob es irgendwann läuft, nimmt es eine einheitliche Verteilung aus seinem Erfahrungsschatz und dann gibt es ein rollendes Fenster, so 12:34.260 --> 12:37.980 dass es diese Erfahrungen vergisst, aber dann behält es diese Erfahrungen. 12:37.980 --> 12:44.160 Und dann lernt es wieder, sobald es hier ist, lernt es aus dieser Gruppe und dann, wenn es hier ist, vergisst es den 12:44.280 --> 12:45.410 ganzen Weg bis hierher. 12:45.420 --> 12:50.550 Aber dann hat es eine Menge solcher Erfahrungen, also lernt man nicht aus diesen Erfahrungen. 12:50.730 --> 12:58.380 Und so erhalten Sie, dass diese Ecke der rechten Hand während des Lernprozesses mehrmals auftaucht, weil es in 12:58.380 --> 13:03.480 dieser Partie war, als die Partie in der Nähe war, als in 13:03.480 --> 13:08.760 der Partie hier in der Nähe in mehreren Batches, da der Abash möglicherweise 13:08.790 --> 13:11.430 als rollendes Erfahrungsfenster aktualisiert wird. 13:11.430 --> 13:15.630 So werden die älteren Erfahrungen rausgeschmissen, die neueren Erfahrungen werden hinzugefügt und dann bekommen ältere 13:15.630 --> 13:16.290 Erfahrungen es. 13:16.440 --> 13:23.040 Die Erfahrung bleibt also lange Zeit im Stapel und das Auto oder der Agent kann mehrmals von dieser 13:23.040 --> 13:24.100 Erfahrung lernen. 13:24.210 --> 13:27.430 Das ist also ein weiterer Vorteil der Erfahrungswiedergabe. 13:27.570 --> 13:33.480 Der entscheidende Vorteil ist natürlich, dass die Wiederholung von Erfahrungen die Möglichkeit bietet, aus 13:34.220 --> 13:39.290 mehr Erfahrungen zu lernen, als wenn Sie nur für eine zu 13:39.300 --> 13:46.710 einer Zeit lernen, weil Sie diesen Stapel haben und deshalb Wenn Sie Ihre Erfahrung mit dem Replay-Erlebnis 13:46.710 --> 13:49.260 erleben, können Sie schneller lernen. 13:49.410 --> 13:55.230 Anstatt nur zu wiederholen, gibt es viele, viele Male, die Sie schnell lernen können, weil Sie es nicht wiederholen 13:55.230 --> 13:55.710 müssen. 13:55.710 --> 13:57.440 Sie haben diese Erfahrungen gespeichert. 13:57.810 --> 13:59.850 Das sind also die Hauptvorteile der Erfahrung. 13:59.910 --> 14:01.760 Lassen Sie uns noch einmal darauf eingehen, dass wir das haben. 14:01.840 --> 14:09.280 Wir brechen dieses Muster in Bezug auf Unabhängigkeit und Korrelation aufeinanderfolgender Erlebnisse auf. Wir speichern seltene 14:09.280 --> 14:15.640 Erlebnisse, die wichtig sein könnten. Daher können wir häufiger von ihnen lernen und wir 14:16.090 --> 14:21.260 können in Umgebungen lernen, in denen wir Fosler-Umgebungen lernen können. 14:21.520 --> 14:27.310 Wir haben einen Mangel an Erfahrungen, die nicht so viele Erfahrungen machen, die der Agent durchläuft, und 14:27.310 --> 14:29.180 trotzdem können wir das lernen. 14:29.380 --> 14:32.470 Darum dreht sich die Erfahrung alles. 14:32.470 --> 14:34.530 Wenn Sie etwas mehr als das lesen möchten. 14:34.630 --> 14:41.290 Es gibt einen interessanten Artikel, der im Jahr 2016 von deep mind veröffentlicht wurde und 14:41.560 --> 14:44.380 als priorisierte Erlebniswiedergabe bezeichnet wird. 14:44.410 --> 14:50.860 Warum verwenden wir eine einheitliche Verteilung, um unsere Erfahrungen aus der Bachche-Erfahrung auszuwählen, warum finden wir keinen besseren 14:50.860 --> 14:55.870 Weg, um unsere Erfahrungen auszuwählen und einige der Erfahrungen zu priorisieren, die wir 14:55.870 --> 14:57.160 für wichtig halten. 14:57.220 --> 15:03.880 Dies ist eine sehr interessante Sache, obwohl Sie in diesem Fall nicht nur Ihr Wissen über 15:03.880 --> 15:11.800 die Erfahrungswiedergabe verstärken oder nicht nur verstärken können, sondern sich tatsächlich auf dem neuesten Stand der Technik befinden 15:11.800 --> 15:12.660 können. 15:12.660 --> 15:15.120 Das ist also 2016 und wird von tiefen Köpfen veröffentlicht. 15:15.120 --> 15:21.580 Es handelt sich um ein sehr aktuelles, sehr leistungsfähiges Dokument, mit dem Sie die Grenzen erkunden oder diesen Algorithmus noch 15:21.580 --> 15:24.530 weiter erforschen und auf die nächste Stufe bringen können. 15:24.550 --> 15:31.270 Ich überlasse es Ihnen, herauszufinden, warum und wie wir die Uniform in eine andere Herangehensweise umwandeln können, um eine 15:31.270 --> 15:33.810 Wiederholung zu erfahren, wenn Sie möchten. 15:33.940 --> 15:35.270 Und ich hoffe es gefällt dir. 15:35.270 --> 15:41.020 Tauriel und jetzt wissen wir, was Erfahrung wirklich ist, und wir können sie in unseren praktischen Kreisen getrost einsetzen, und ich freue 15:41.440 --> 15:42.860 mich auf ein nächstes Mal. 15:42.940 --> 15:44.550 Bis dahin genießen Sie die KI.