WEBVTT 00:00.940 --> 00:04.150 Cześć i witam z powrotem na kursie na temat sztucznej inteligencji. 00:04.150 --> 00:09.070 W porządku, więc mam nadzieję, że podoba Ci się tutorial, a do tej pory prawie skończyliśmy z intuicją, 00:09.070 --> 00:13.390 wkrótce niedługo dojdziesz do praktycznej strony rzeczy, które mamy właśnie kilka drobiazgów, które musimy pokryć. 00:13.510 --> 00:20.320 W porządku, więc wcześniej rozmawialiśmy o tym, w jaki sposób dodajemy sieci neuronowe do tego całego równania uczenia 00:20.350 --> 00:25.360 CULE i przechodzimy do następnego etapu i przekształcamy go w głęboką naukę. 00:25.690 --> 00:33.130 A dziś dodamy jeszcze jedną ważną cechę, która będzie kodować w praktycznej stronie rzeczy, tak więc nagłówek i zdecydowałem, 00:33.130 --> 00:39.100 że ważne jest, abyśmy często ją pokrywały w intuicyjnej stronie rzeczy, abyś był lepiej przygotowany 00:39.100 --> 00:42.430 do tego, gdy przychodzi po stronie kodowania rzeczy. 00:42.430 --> 00:47.950 Więc kiedy rozmawialiśmy, że mamy sieć, są dwie części, które się zdarzają. 00:47.950 --> 00:53.110 Przede wszystkim jest to nauka, więc sieć faktycznie uczy się z każdym nowym stanem. 00:53.270 --> 00:58.870 Powoli aktualizuje swoje oczekiwania, aby lepiej i lepiej radzić sobie z tym środowiskiem. 00:58.870 --> 01:06.910 A potem następuje działanie wewnątrz stanu, więc po tym, jak wartości q zostały policzone w stanie, to 01:06.970 --> 01:08.220 po wybraniu. 01:08.230 --> 01:14.800 Więc dzisiaj nadal będziemy rozmawiać o części do nauki, którą zamierzamy wymyślić z 01:14.800 --> 01:20.050 interesującą funkcją, która pomoże nam w przygotowaniu tej funkcji, ale 01:20.080 --> 01:29.690 porozmawiamy o funkcji, która jest bardzo ważna dla głębokie, fajne uczenie się i ta funkcja nazywa się powtórzeniem doświadczenia. 01:29.710 --> 01:30.030 W porządku. 01:30.040 --> 01:34.570 Oto nasza sieć, więc skopiowaliśmy ją tutaj. 01:34.570 --> 01:39.000 Mamy zgubę, że Calcott na dole jest propagatorem w sieci. 01:39.100 --> 01:44.770 Przyjrzyjmy się przykładowi tego, co dzieje się, aby lepiej zrozumieć problem, z którym mamy 01:44.770 --> 01:45.670 do czynienia. 01:45.670 --> 01:49.120 Oto przykład z wyników. 01:49.120 --> 01:54.820 To jest zrzut ekranu z tego kursu, który będziesz programować. 01:54.820 --> 02:02.170 Jest to samochód samojezdny, który jedzie przez to wzdłuż tej drogi i musi nauczyć się 02:02.170 --> 02:03.780 poruszać tą drogą. 02:03.820 --> 02:09.290 I tak jak to omówiliśmy wcześniej. Co to jest w tym stanie? 02:09.320 --> 02:15.850 I oczywiście stan nie będzie X1 x2 Lundell po prostu opisać go w dużo bardziej 02:15.850 --> 02:23.650 szczegółowo, jaki jest stan, to będzie kilka parametrów, które odnoszą się do kąta samochodu i niektórych względnych parametrów, co 02:23.650 --> 02:26.490 czujniki są czytanie i tak dalej. 02:26.490 --> 02:29.820 Więc będzie więcej parametrów niż to, aby opisać stan. 02:29.830 --> 02:34.120 Niemniej jednak będzie to wektor wartości przechodzących przez sieć neuronową, a następnie na 02:34.120 --> 02:36.520 wyjściu będziesz miał pewne wartości ACU. 02:36.520 --> 02:39.850 Znowu będzie różnica w zależności od środowiska. 02:39.850 --> 02:44.380 Mogą to być różne liczby możliwych działań. 02:44.460 --> 02:49.660 Ale po prostu idziemy dla uproszczenia, zostawmy to tylko dla nas, abyśmy mogli lepiej zrozumieć, co 02:49.660 --> 02:50.830 tu się dzieje. 02:50.830 --> 02:55.710 Więc w tym przypadku, jakie jest pytanie, co do tej pory, co to jest. 02:55.730 --> 03:03.510 To wejście do tej sieci neuronowej lub dokładniej jak często uruchamiamy tę sieć neuronową. 03:03.520 --> 03:05.080 Jak często następuje ten wzrost sieci neuronowej. 03:05.110 --> 03:11.410 Za każdym razem, gdy samochód kończy się w nowym stanie, samochód wykonuje ruch, który kończy się w nowym stanie, a 03:11.530 --> 03:12.650 potem wszystko idzie. 03:12.670 --> 03:17.410 Wszystkie dane, które wszystkie informacje z państwa przekazują przez sieć, dają Alice obliczone 03:17.650 --> 03:18.200 błędy. 03:18.280 --> 03:22.960 Ten błąd jest obliczany na podstawie tego, co omówiliśmy w poprzednich samouczkach. 03:22.990 --> 03:26.080 Ta funkcja jest ponownie propagowana, a jej wagi są aktualizowane. 03:26.080 --> 03:32.570 Następnie samochód wybiera, którą akcję podjąć, sprawia, że ten ruch kończy się w nowym stanie w nowym stanie. 03:32.590 --> 03:34.390 Wszystko zaczyna się od nowa. 03:34.450 --> 03:39.880 Zasadniczo dzieje się tak za każdym razem, gdy samochód jest w samochodzie i powiedziałeś, że dobrze się przyjrzeć na tym przykładzie. 03:39.880 --> 03:46.240 Specjalnie wykonałem zrzut ekranu, ponieważ wygląda na to, że bardzo dobrze ilustruje problem, który jest rozwiązywany poprzez powtarzanie 03:46.240 --> 03:51.430 doświadczeń i powtórki wydatków, a nie tylko coś, czego używamy w tym kursie lub w 03:51.430 --> 03:52.730 tym konkretnym problemie. 03:52.810 --> 03:57.190 To jest coś, co zobaczysz w całym tekście. 03:57.340 --> 04:04.480 W kółko i ciągle w algorytmie sztucznej inteligencji, ponieważ jest tak potężny i jest tak 04:04.480 --> 04:05.140 ważny. 04:05.140 --> 04:11.440 Spójrz więc na ten samochód w tym problemie, lub w tym środowisku, w którym jego celem jest odejście stąd 04:11.440 --> 04:12.440 do tego miejsca. 04:12.440 --> 04:17.540 Jego celem jest poruszanie się tutaj, bez przekraczania tych ścian, które są wykonane z piasku. 04:17.790 --> 04:24.430 I tak samochód zaczął tutaj i spadł, a jego nagroda jest oparta na tym, że wiesz, jak blisko jest 04:24.430 --> 04:25.120 zacząć. 04:25.120 --> 04:29.890 Samochód przejechał stąd, a potem jechał dalej i tak dalej, tak jak to, albo wzdłuż 04:29.890 --> 04:31.490 tej ściany wzdłuż wybrzeża. 04:31.570 --> 04:34.990 I co będzie dalej robić, to się zmieni. 04:34.990 --> 04:37.450 Cóż, chcieliśmy zrobić to tutaj. 04:37.690 --> 04:39.490 Ale pomyślmy o tym przez chwilę. 04:39.580 --> 04:44.240 Po dotarciu do tej ściany za każdym razem, gdy porusza się do przodu, porusza się do przodu. 04:44.260 --> 04:48.570 Porusza się do przodu, porusza się do przodu porusza się do przodu Porusza się do przodu porusza się do przodu i tak dalej porusza się do przodu. 04:48.580 --> 04:53.320 Więc może być tak, że w zależności od struktury środowisko może być jak sto ruchów tutaj 04:53.320 --> 04:54.710 lub 50 ruchów tutaj. 04:54.990 --> 04:59.100 Po prostu porusza się do przodu naprzód i nic się nie zmienia. 04:59.160 --> 05:03.310 Niezbyt się zmienia, gdy robi się coraz dalej od tego, co zaczęło się bliższe tej historii. 05:03.310 --> 05:04.060 To cudowne. 05:04.210 --> 05:09.990 Ale jeśli chodzi o otaczające środowisko, niewiele się zmienia, to wciąż ta sama ściana. 05:10.090 --> 05:15.460 Jeśli siedzisz w samochodzie, prawdopodobnie widziałeś sytuację, w której jeździsz w tym, co 05:15.460 --> 05:21.220 widzisz, tak jak środowisko jest tak monotonne, że po prostu widzisz, że to samo przechodzi 05:21.220 --> 05:21.840 obok. 05:21.840 --> 05:26.680 Ale jak wyobrażam sobie, że jedziecie przez pustynię i widzicie to samo, to jest ten sam dźwięk, 05:26.680 --> 05:29.100 to taki sam dźwięk, nic się nie dzieje. 05:29.100 --> 05:30.340 Nic się nie zmienia. 05:30.550 --> 05:36.820 Oparte na tym, ale za każdym razem stawiamy ten stan w tym nowym stanie. 05:37.000 --> 05:42.010 Tak, oczywiście, coś może się zmienić dla nas, gdy prowadzisz samochód, a twój GPS pokazuje, 05:42.010 --> 05:43.530 że jesteś bliżej celu. 05:43.540 --> 05:49.300 Tak więc jedno z tych wejść jest dziwne, ale wiele z tych innych sygnałów wejściowych to 05:49.300 --> 05:55.850 czujniki na przykład w samochodzie, które się nie zmieniają, a zatem, gdy w tym dniu jedzie się wolno, 05:55.850 --> 06:02.380 aby wprowadzić tutaj własne dane wejściowe. tutaj, tutaj, tutaj, tutaj i tutaj, cały czas dane wejściowe są prawie 06:02.380 --> 06:03.220 takie same. 06:03.250 --> 06:11.140 Jeśli więc nadal będziesz wprowadzał te same dane wejściowe w wektorach lub bardzo podobnych wektorach do 06:11.140 --> 06:14.240 twojej sieci, ponieważ nie ma odmiany. 06:14.320 --> 06:16.840 Samochód nauczy się bardzo dobrze. 06:16.870 --> 06:22.420 Jedną z rzeczy, którą nauczysz się bardzo dobrze, będzie jechać wzdłuż tej ściany, która znajduje się po jej prawej stronie, 06:22.420 --> 06:27.970 a więc to, jak sieć się zaktualizuje, a zostanie nagrodzona, powoli zacznie być nagradzany za jazdę tak dobrze, jak 06:27.970 --> 06:28.570 to będzie. 06:28.580 --> 06:33.980 OK, więc stąd będę się uczył wszystkiego, co robię tak dobrze, że robię lepiej, robię to lepiej. 06:34.050 --> 06:34.420 To wszystko. 06:34.480 --> 06:41.920 Będzie to miało ten fałszywy pogląd, że w rzeczywistości robi się bardzo dobrze, chociaż uczy się tylko jeździć wzdłuż, a inne 06:41.920 --> 06:47.560 sieci neuronowe staną się bardzo przystosowane do jazdy wzdłuż tej studni, a potem nagle pojawia się 06:47.560 --> 06:51.100 ta krzywa, a samochód robi Nie wiem, co robić. 06:51.310 --> 06:55.240 I zupełnie nie pasuje do tej sieci neuronowej. 06:55.420 --> 07:01.870 I nawet jeśli tak jest, to po prostu hipotetycznie powiedzmy, że mija punkt, a potem kończy się na tej 07:01.870 --> 07:02.250 ścianie. 07:02.260 --> 07:05.320 To samo stanie się z tutaj tutaj. 07:05.320 --> 07:10.870 OK, teraz sieć neuronowa sama się restrukturyzuje, aby dostosować się do tej ściany, a potem wszystko się dzieje. 07:10.900 --> 07:15.880 A nawet jeśli jakoś to minie, to przejedzie obok tej rzeczy, a potem to 07:15.880 --> 07:16.260 samo. 07:16.260 --> 07:23.590 Zasadniczo jest to bardzo żywy przykład problemu, że jesteśmy tym, co mamy, ponieważ sposób, w jaki używamy 07:23.590 --> 07:29.770 sieci neuronowej, aktualizuje ją w każdym pojedynczym stanie, gdy mamy wiele kolejnych rzeczy, 07:29.770 --> 07:36.490 których nawet nie muszą być to samo, ale w środowiskach normalnych, że kolejne stany są 07:36.880 --> 07:44.950 w jakiś sposób skorelowane lub w jakiś sposób współzależne i nie chcemy, aby ta współzależność wpływała na naszą 07:44.980 --> 07:45.550 sieć. 07:45.550 --> 07:52.600 Nie chcemy, aby samochód po prostu nauczył się jeździć wzdłuż linii prostej lub zakrzywionej linii, 07:54.100 --> 08:01.750 lub jak cokolwiek, co myślisz, że możesz myśleć w życiu, w którym agent byłby środowiskiem nawigacyjnym, 08:01.780 --> 08:10.570 w którym moglibyśmy myśleć o korelacji lub współzależne stany, które pojawiają się po innych, które mogą naprawdę zepsuć twoją 08:10.630 --> 08:12.130 sieć neuronową. 08:12.190 --> 08:15.270 Jeśli tylko pozwolisz agentowi uczyć się na tym. 08:15.430 --> 08:17.600 I tu pojawia się powtórka doświadczenia. 08:17.620 --> 08:24.850 To, co dzieje się w powtórce doświadczenia, to te doświadczenia, więc te stany twierdzą, że w jednym neuro stanie się 08:24.850 --> 08:31.040 to w jednym z dwóch, jakkolwiek wielu z 50 stanów, które nie od razu trafiają do sieci. 08:31.350 --> 08:35.980 W rzeczywistości są zapisywane w pamięci agenta. 08:36.160 --> 08:41.440 I tak na przykład zapisuje to wszystko i zapisuje wszystkie te, a niektóre w pewnym momencie, gdy osiągnie pewien 08:41.590 --> 08:44.940 próg, który będzie można kodować, a Atlanta pokaże ci, jak to zrobić. 08:45.100 --> 08:51.310 Po osiągnięciu pewnego progu agent sam decyduje o sobie, że nadszedł czas na naukę. 08:51.310 --> 08:57.580 Mam tę partię doświadczeń, z których nie mam zamiaru się uczyć, więc losowo wybiera 08:57.580 --> 09:04.120 się równomierną dystrybucję, a jednolitość jest kluczowa, tutaj jest ważna, ponieważ o tym będziemy 09:04.240 --> 09:06.460 rozmawiać na następnym slajdzie. 09:06.820 --> 09:08.140 Będziemy o tym wspominać. 09:08.140 --> 09:12.400 Ale wymaga równomiernie rozłożonej próbki. 09:12.460 --> 09:15.660 Zasadniczo wszystkie doświadczenia są uważane za równe. 09:15.670 --> 09:23.410 To wymaga równomiernie rozłożonej próbki z tej serii doświadczeń, którą posiada, a następnie przechodzi przez nie i uczy się od nich, 09:23.410 --> 09:28.060 więc nie wymaga to całego doświadczenia lub po prostu bierze je w 09:28.060 --> 09:33.130 równomierny sposób do dystrybucji próbek, co może wymagać kilku tutaj para stąd i to, 09:33.130 --> 09:39.940 a każde doświadczenie charakteryzuje się stanem, w jakim znajdowało się w akcji, że zajęło stan, w którym się znalazło, 09:40.000 --> 09:47.110 i nagrodą, jaką osiągnęła dzięki tej akcji w tym konkretnym stanie, więc cztery elementy w każdym doświadczeniu oznaczają jeden akcja 09:47.110 --> 09:53.470 stan dwa i nagrody, a więc bierze wszystkie te doświadczenia, a następnie przechodzi je przez sieć i 09:53.470 --> 09:54.660 uczy się. 09:54.660 --> 10:05.160 I w ten sposób łamie wzór tej stronniczości, która pochodzi z sekwencyjnej natury tego doświadczenia, tak jakbyś miał je przepuścić 10:05.160 --> 10:08.110 przez sieć jeden po drugim. 10:08.340 --> 10:11.930 Więc to jest główny temat naszych doświadczeń. 10:11.930 --> 10:17.730 Właśnie na tym polega problem i adres, a kolejną korzyścią wynikającą z powtórki doświadczenia jest 10:17.730 --> 10:22.400 to, że czasami w takim środowisku możesz mieć bardzo cenne rzadkie doświadczenia. 10:22.410 --> 10:28.340 Więc na przykład nie wiem, powiedzmy, spójrzmy na ten zakątek w prawo, to jest ten prawy róg. 10:28.440 --> 10:28.730 Dobrze. 10:28.740 --> 10:30.880 A bardzo ostry jest ostry. 10:30.900 --> 10:35.640 Więc będzie stąd, zakładając, że będzie przytulony do tego zakrętu. 10:35.640 --> 10:40.500 A więc mając w tym momencie ostre zakręty, mamy w tym miejscu 10:40.500 --> 10:43.410 jeden prawy róg i jeden prawy róg. 10:43.680 --> 10:46.240 Właśnie tak, kiedy nadchodzi w ten sposób, to jest właściwy róg. 10:46.380 --> 10:48.630 A potem, kiedy wraca, jest tu ostry prawy róg. 10:48.620 --> 10:53.070 Tak więc i ten nie jest ostry w ten sposób w sklepie, więc istnieje tylko jedna 10:53.640 --> 10:56.770 możliwość w całym środowisku, aby uczyć się od ostrego kąta. 10:56.970 --> 11:03.050 To bardzo ważne doświadczenie, ponieważ może naprawdę dobrze jeździć po liniach prostych, robi się 11:03.060 --> 11:06.990 naprawdę dobrze, robiąc tak miękkie zakręty jak to, ale. 11:07.170 --> 11:14.070 A potem cały czas zepsuje ten ostry prawy róg, ponieważ po prostu dlatego, że nie ma tak wiele okazji, aby się z 11:14.070 --> 11:18.070 niego uczyć, i dlatego nauczy się wszystkiego bardzo szybko, ale to zajmie dużo 11:18.070 --> 11:20.180 czasu, aby nauczyć się właściwego kierunek. 11:20.180 --> 11:26.010 To bardzo uproszczony przykład jest bardzo uproszczonym wyjaśnieniem, ale ilustruje koncepcję, że czasami 11:26.280 --> 11:30.140 są to rzadkie doświadczenia, które mogą być cenne. 11:30.270 --> 11:35.880 A jeśli po prostu robisz prostą sieć neuronową, w której umieszczasz swoje wartości tutaj i wiesz, 11:35.880 --> 11:40.950 że one przechodzą i wiesz, nawet jeśli zapomnisz o problemie sekwencyjnego charakteru doświadczeń i 11:40.950 --> 11:45.690 jak mogą one być współzależny i wszyscy skorelowani Thimphu nawet o tym zapominają 11:45.680 --> 11:46.640 na sekundę. 11:46.800 --> 11:52.110 To, co się dzieje, gdy raz włączysz w to doświadczenie, przechodzi przez sieć danych, a potem natychmiast zapominasz, ale 11:52.120 --> 11:53.370 zapominasz o tym doświadczeniu. 11:53.370 --> 11:54.380 Przejdź do następnego. 11:54.420 --> 11:56.180 Tak właśnie działa sieć neuronowa. 11:56.220 --> 11:59.710 Następnie przechodzisz do następnego stanu, w następnym kroku, następnym kroku doświadczania X doświadczenie, 11:59.780 --> 12:01.170 doświadczenie i tak dalej. 12:01.170 --> 12:06.180 Więc ten prawy róg, gdy tylko przejdzie przez sieć, zniknął i nie masz żadnej pamięci o 12:06.510 --> 12:07.450 tym cennym doświadczeniu. 12:07.560 --> 12:14.220 Podczas, gdy doświadczyliśmy powtórki, ponieważ wkładasz te doświadczenia w partie, możesz uporządkować bash jako kroczące 12:14.220 --> 12:19.920 okno, na przykład możesz mieć 100 partii. Więc setki doświadczeń w twojej 12:19.920 --> 12:25.920 partii, więc kiedy wrócisz, to tak szybko, jak tylko ma to zapisane to doświadczenie 12:25.920 --> 12:27.380 w swojej partii. 12:27.390 --> 12:34.260 Wtedy, jak w pewnym momencie, bierze swój równomierny rozkład ze swojej serii doświadczeń, a potem pojawia się ruchome okno, 12:34.260 --> 12:37.980 które zapomina o tych doświadczeniach, ale potem utrzymuje te doświadczenia. 12:37.980 --> 12:44.160 A potem znowu się uczy, skoro już tu jest, to uczy się z tej partii, a kiedy już tu jest, to zapomina 12:44.280 --> 12:45.410 aż do tego miejsca. 12:45.420 --> 12:50.550 Ale potem ma grupę takich doświadczeń, więc nie uczyć się z tych doświadczeń. 12:50.730 --> 12:58.380 I w ten sposób otrzymujesz to, że ten prawy róg może pojawić się kilka razy w procesie uczenia się, ponieważ 12:58.380 --> 13:03.480 był on w tej partii, gdy partia była podobna do tej, która była 13:03.480 --> 13:08.760 tam w partii tutaj, więc pojawiła się w kilku partiach, ponieważ abash może 13:08.790 --> 13:11.430 zostać zaktualizowany jako kroczące okno doświadczenia. 13:11.430 --> 13:15.630 Tak więc starsze doświadczenia zostają wyrzucone, a nowe doświadczenia są dodawane, a następnie 13:15.630 --> 13:16.290 starsze doświadczenia. 13:16.440 --> 13:23.040 Tak więc i doświadczyć, że pozostanie w partii przez dłuższy czas, a samochód lub agent może uczyć się z tego 13:23.040 --> 13:24.100 doświadczenia kilka razy. 13:24.210 --> 13:27.430 Jest to kolejna zaleta powtórki doświadczenia. 13:27.570 --> 13:33.480 I oczywiście ostateczną zaletą jest powtórka z doświadczenia, która daje możliwość uczenia się z większej ilości 13:34.220 --> 13:39.290 doświadczeń, niż gdy uczysz się tylko dla jednej osoby, ponieważ masz tę partię 13:39.300 --> 13:46.710 i dlatego jest to krągłe okno, a zatem nawet jeśli twoje środowisko jest ograniczone aby doświadczyć doświadczenia, podejście do odtwarzania 13:46.710 --> 13:49.260 może pomóc Ci szybciej się uczyć. 13:49.410 --> 13:55.710 Zamiast powtarzać wiele razy, możesz wiele się nauczyć, ponieważ nie musisz tego powtarzać. 13:55.710 --> 13:57.440 Masz zapisane te doświadczenia. 13:57.810 --> 13:59.850 Są to więc główne zalety doświadczenia. 13:59.910 --> 14:01.760 Podsumujmy, że mamy. 14:01.840 --> 14:09.280 Przełamujemy ten schemat ponad niezależność i korelację kolejnych doświadczeń, oszczędzając rzadkie doświadczenia, które mogą być ważne, 14:09.280 --> 14:15.640 dlatego możemy uczyć się z nich częściej, a my możemy się uczyć w środowiskach, 14:16.090 --> 14:21.260 w których możemy się nauczyć środowisk Fosler, które są doświadczeniem. 14:21.520 --> 14:27.310 Mamy niedobór doświadczeń, które nie mają tak wielu doświadczeń, przez które przechodzi agent, a mimo to 14:27.310 --> 14:29.180 możemy się tego nauczyć. 14:29.380 --> 14:32.470 Więc to jest to, co przeżywa doświadczenie. 14:32.470 --> 14:34.530 Jeśli chcesz przeczytać nieco więcej. 14:34.630 --> 14:41.290 W 2016 r. Opublikowano interesujący artykuł opublikowany przez głęboko myślącą osobę, który nazywa się priorytetowym 14:41.560 --> 14:44.380 powtórzeniem i opowiada o tym, dlaczego. 14:44.410 --> 14:50.860 Dlaczego używamy jednolitej dystrybucji, aby wybrać nasze doświadczenia z doświadczenia Bachche, dlaczego nie znajdziemy lepszego sposobu 14:50.860 --> 14:55.870 na wybranie naszych doświadczeń i nadanie priorytetu niektórym z doświadczeń, które uważamy 14:55.870 --> 14:57.160 za ważne. 14:57.220 --> 15:03.880 To bardzo interesujące, ale w tym przypadku będziesz w stanie nie tylko wzmocnić lub 15:03.880 --> 15:11.800 nie tylko wzmocnić swoją wiedzę na temat powtórki doświadczenia, ale będziesz w stanie poruszać się z najnowocześniejszą 15:11.800 --> 15:12.660 technologią. 15:12.660 --> 15:15.120 Jest to 2016 i opublikowane przez głębokie umysły. 15:15.120 --> 15:21.580 Jest to bardzo aktualny bardzo potężny papier, dzięki któremu będziesz mógł zbadać ograniczenia lub odkryć jeszcze bardziej ten 15:21.580 --> 15:24.530 algorytm i przenieść go na wyższy poziom. 15:24.550 --> 15:31.270 Pozostawiam to tobie, aby dowiedzieć się, dlaczego i jak możemy zmienić uniform na inne podejście do odtwarzania 15:31.270 --> 15:33.810 powtórzeń z tego artykułu, jeśli chcesz. 15:33.940 --> 15:35.270 I mam nadzieję, że ci się to podoba. 15:35.270 --> 15:41.020 Tauriel, a teraz wiemy, czym naprawdę jest doświadczenie i możemy z przekonaniem używać go w naszych praktycznych kręgach i chcę 15:41.440 --> 15:42.860 cię zobaczyć następnym razem. 15:42.940 --> 15:44.550 Do tego czasu ciesz się AI.