WEBVTT 00:00.590 --> 00:03.970 Halo dan selamat datang kembali ke kursus tentang kecerdasan buatan. 00:04.070 --> 00:05.420 Saya harap Anda menikmati kursus sejauh ini. 00:05.420 --> 00:09.050 Dan hari ini kita berbicara tentang tindakan kebijakan seleksi. 00:09.050 --> 00:11.010 Baiklah mari kita langsung ke dalamnya. 00:11.030 --> 00:17.930 Sebelumnya kami berbicara tentang menambahkan jaringan saraf ke pembelajaran sederhana kami dan sejauh 00:18.020 --> 00:21.230 ini kami mendapatkan pembelajaran yang mendalam. 00:21.230 --> 00:26.620 Kami sudah berbicara sedikit tentang bagian pembelajaran termasuk menambahkan beberapa elemen ke dalamnya. 00:26.630 --> 00:30.020 Dan hari ini kita berbicara tentang bagian ini kita berbicara tentang akting. 00:30.020 --> 00:31.290 Jadi mari kita lihat. 00:31.310 --> 00:38.690 Jadi di sini kita sudah mendapatkan apa yang kita bahas tentang akting bahwa setelah Anda memasukkan nilai-nilai parameter 00:38.690 --> 00:45.230 adalah vektor yang menggambarkan agen negara jelas di lingkungan itu maka setelah semua pembelajaran dilakukan atau 00:45.230 --> 00:47.290 bahkan sebelum pembelajaran dilakukan. 00:47.420 --> 00:52.000 Pada dasarnya kita mendapatkan semua nilai q jadi kita tidak tertarik dengan pembelajaran saat ini, kita 00:52.010 --> 00:57.350 bersikeras untuk bertindak jadi setelah kita memiliki nilai-nilai kunci ini bagaimana kita memahami yang mana yang perlu kita gunakan. 00:57.350 --> 00:58.910 Nah kalau dipikir-pikir. 00:58.910 --> 01:01.890 Nilai Q hanyalah prediksi untuk kubus. 01:01.910 --> 01:08.630 Jadi seperti yang kami lakukan dalam algoritma pembelajaran sederhana apa yang kami lakukan, kami hanya memilih satu dengan yang terbaik 01:09.180 --> 01:10.420 dari nilai tertinggi. 01:10.430 --> 01:15.380 Setelah kita memiliki yang dengan nilai IQ tertinggi, kita hanya mengambil tindakan itu karena itu hanya membawa 01:15.380 --> 01:20.330 kita nilai tertinggi dan bahwa kita tahu bahwa hadiah langsung kalkulator Duval yang kita harapkan untuk menerima 01:20.360 --> 01:23.100 Plus, faktor DK kali nilai dari tanggal berikutnya. 01:23.120 --> 01:29.480 Dan ini adalah perhitungan rekursif jadi mengapa tidak mengapa Anda tidak mengambil nilai terbaik dan 01:29.480 --> 01:30.570 itulah akhirnya. 01:30.800 --> 01:35.360 Tapi seperti yang Anda lihat di sini, ini tidak sesederhana di sini kami menggunakan fungsi soft max dan 01:35.360 --> 01:37.910 di sinilah kita akan berbicara tentang kebijakan pemilihan aktual. 01:37.940 --> 01:41.210 Jadi di sini dalam kenyataannya kita tidak harus hanya memiliki fungsi perangkat lunak. 01:41.300 --> 01:49.190 Kita dapat memiliki kebijakan pemilihan tindakan yang berbeda misalnya kita punya Epsilon rakus Epsilon lunak dan kita punya soft 01:49.470 --> 01:54.950 Macs dan itu semacam kebijakan pemilihan tindakan yang paling umum digunakan tentu saja 01:54.960 --> 01:56.300 ada yang lain. 01:56.300 --> 02:02.120 Misalnya yang paling mendasar adalah aksi sosial yang sangat sederhana. Pilih saja yang terbaik. 02:02.120 --> 02:03.770 Yang dengan nilai Q tertinggi. 02:03.980 --> 02:09.800 Tapi mengapa itu tidak terjadi, dan mengapa kita memiliki berbagai jenis kebijakan pemilihan 02:09.800 --> 02:10.510 tindakan. 02:10.520 --> 02:15.270 Yah itu semua bermuara pada eksplorasi versus eksploitasi. 02:15.560 --> 02:22.670 Dan itu adalah inti dari pembelajaran penguatan karena kita sudah membicarakan ini sedikit bahwa agen Anda ketika 02:22.880 --> 02:28.400 itu beroperasi di lingkungan itu mungkin memprediksi nilai antrian tertentu yang mungkin 02:28.400 --> 02:34.970 baik dan mungkin ternyata hebat itu mungkin ternyata itu tersedia dan akan dipaksa untuk menjelajah. 02:34.970 --> 02:40.640 Jadi jika kita misalnya dalam hal ini memprediksi bahwa Q2 adalah yang terbaik dan kemudian dibutuhkan Q Untuk mengambil 02:40.640 --> 02:42.350 tindakan untuk itu dan itu. 02:42.500 --> 02:46.880 Jadi dari sini ke Bagian 2 dan kemudian mendapat imbalan yang sangat negatif. 02:46.880 --> 02:51.980 Kemudian lingkungan memaksa agen untuk pergi dan meledak karena sekarang dia akan belajar bahwa 02:51.980 --> 02:56.740 oh sebenarnya saya pikir Q2 akan sangat baik tetapi ternyata sangat buruk. 02:56.780 --> 02:58.370 Jadi hasilnya tidak terlalu buruk. 02:58.370 --> 03:02.730 Jadi jaringan bisa memperbarui sendiri jadi lain kali dia dalam keadaan dia mungkin akan memakan jiwaku 03:02.720 --> 03:04.010 hanya sampai ke sana. 03:04.190 --> 03:09.470 Anda tahu jika itu sangat sangat menguntungkan sehingga Anda mungkin berpikir bahwa seperti Anda 03:09.470 --> 03:14.900 tahu Anda mungkin perlu beberapa kali beberapa hukuman atau hukuman untuk mempelajarinya adalah tentang tindakan. 03:14.990 --> 03:20.030 Tapi mungkin dia sudah akan segera belajar bahwa saya akan mengambil tindakan yang berbeda dan mengambil tindakan pergelangan 03:20.030 --> 03:22.020 tangan karena sekarang ia memiliki nilai terbaik. 03:22.160 --> 03:28.880 Jadi kadang-kadang lingkungan memaksa agen untuk mengambil yang berbeda untuk mengeksplorasi tindakan yang berbeda, tetapi kadang-kadang agen 03:29.180 --> 03:36.860 mungkin akan menemukan dirinya terjebak dalam maksimum lokal. Mungkin menemukan bahwa ia mengikuti melalui eksplorasi awal dan menemukan bahwa 03:36.860 --> 03:42.110 oh ini adalah tindakan yang cukup keren Saya akan pergi ke sini. 03:42.200 --> 03:43.920 Dan koleksi d'esprit itu. 03:43.940 --> 03:49.760 Tetapi masalahnya adalah itu dianggap tindakan terbaik hanya karena belum dieksplorasi dieksplorasi naik hidungnya atau 03:49.760 --> 03:55.850 ke kiri mengeksplorasi mengeksplorasi kanan tetapi itu belum dieksplorasi turun dari keadaan tertentu bahwa itu dalam dan 03:56.360 --> 04:01.490 sekarang jenis suka bias terhadap tindakan ini dan berpikir berpikir tindakan yang baik akan 04:01.490 --> 04:03.800 terus mengambilnya akan terus mendapatkan. 04:03.840 --> 04:06.570 Dia akan terus menerima sebenarnya akan terus mendapatkan hadiah yang bagus. 04:06.620 --> 04:14.000 Tetapi bagaimana jika tindakan ini akan menjadi lebih baik jika tindakan ini akan menjadi jauh lebih baik sehingga jika tahu tentang 04:14.060 --> 04:19.310 tindakan ini sebenarnya akan beralih ke tindakan ini tetapi karena tersangkut dalam batas maksimum lokal 04:19.310 --> 04:23.580 adalah mendapatkan hadiah yang bagus ini hanya akan terjadi untuk diperkuat. 04:23.630 --> 04:27.770 Ini akan terus memperkuat itu sendiri atau kekerasan akan memperkuatnya bahwa ini adalah tindakan yang 04:27.770 --> 04:29.450 baik untuk terus melakukan itu. 04:29.510 --> 04:35.330 Tetapi kenyataannya adalah bahwa ada tindakan lain yang belum ditemukan atau bahkan belum dieksplorasi. 04:35.570 --> 04:37.090 Itu akan jauh lebih baik. 04:37.130 --> 04:43.790 Jadi yang ingin kami lakukan adalah kami ingin membuat kebijakan seleksi aktual yang memungkinkan agen kami tidak 04:43.910 --> 04:45.800 terjebak dalam maksimum lokal. 04:45.800 --> 04:50.120 Ya, penting bagi Anda untuk tetap melakukan tindakan baik yang merupakan bagian eksploitasi. 04:50.180 --> 04:52.000 Kami tidak akan mengeksploitasi apa yang kami temukan. 04:52.100 --> 04:56.720 Tetapi pada saat yang sama kami masih ingin mengeksplorasi, kami tidak pernah ingin berhenti mengeksplorasi seperti dalam hidup Anda tidak 04:56.720 --> 04:59.000 pernah ingin berhenti belajar Anda berhenti belajar Anda mati. 04:59.120 --> 05:05.030 Itulah hal-hal seperti itu bahwa ketika Anda tidak tumbuh Anda sedang sekarat atau sesuatu jadi Anda ingin terus 05:05.090 --> 05:07.580 belajar dan agen Anda ingin terus belajar. 05:07.760 --> 05:10.200 Dan di situlah kebijakan pemilihan tindakan ini masuk. 05:10.400 --> 05:16.190 Jadi kami punya tiga Anda terdaftar di sini jadi yang pertama adalah Epsilon serakah itu yang 05:16.190 --> 05:22.140 sangat sederhana kedengarannya cukup kompleks dalam arti seperti itu punya nama keren dan biasanya hal-hal dengan nama bedah. 05:22.370 --> 05:23.170 Sebenarnya tidak. 05:23.180 --> 05:31.530 Jadi pada dasarnya yang dilakukannya adalah memilih yang dengan nilai Q terbaik dan epsilon seperti Epsilon, Anda 05:31.540 --> 05:35.240 mungkin mendengar tempat lain seperti kebijakan pemilihan. 05:35.240 --> 05:41.210 Jadi, dalam hal ini kami menggunakannya untuk menyelinap sehingga nilai Al-Q kami keluar dengan penjualan seperti yang 05:41.540 --> 05:45.980 dengan nilai Q tertinggi sepanjang waktu kecuali untuk Epsilon persen sepanjang waktu. 05:45.980 --> 05:53.300 Jadi misalnya jika Anda menetapkan epsilon menjadi 10 persen maka Anda akan ke atau 0. 1 dari 10 persen waktu tindakan 05:53.300 --> 05:56.740 akan dipilih secara acak. 05:56.750 --> 06:01.990 Jadi 90 persen dari waktu Anda masih akan memilih tindakan terbaik berdasarkan nilai tertinggi. 06:02.120 --> 06:05.580 Tetapi 10 persen dari waktu akan memilih tindakan acak. 06:05.600 --> 06:11.120 Seragam itu akan benar-benar mengambil tindakan secara acak atau jika Anda mengatakan 06:11.420 --> 06:18.380 epsilon ke nol koma lima untuk 0. 05 itu berarti bahwa 95 persen dari waktu agen akan mengambil tindakan dengan 06:18.380 --> 06:19.200 nilai tertinggi. 06:19.220 --> 06:22.470 Tapi 5 persen dari waktu itu masih akan memilih dan tindakan acak. 06:22.490 --> 06:25.550 Jadi itu akan pergi ke sana dan menjelajahi. 06:25.790 --> 06:31.640 Jadi lunak Epsilon sangat mirip dengan cara yang tidak seperti mengapa disebut 06:31.750 --> 06:39.780 FCL serakah karena dengan begitu Anda dengan rakus memilih tindakan tindakan yang baik kecuali untuk episode kecil itu. 06:39.780 --> 06:40.290 Beberapa waktu. 06:40.280 --> 06:46.970 Jadi semakin rendah kesepakatan EPS, mereka akan menurunkan Epsilon Lepp semakin mudah Anda memilih jenis tindakan 06:46.970 --> 06:53.870 yang merupakan tindakan optimal dan semakin sedikit Anda meninggalkan semakin sedikit peluang Anda pergi untuk eksplorasi 06:53.870 --> 06:56.000 Epsilon lunak adalah sebaliknya. 06:56.000 --> 07:02.000 Jadi pada dasarnya Anda memilih secara acak Anda memilih satu minus Epsilon persen dari waktu. 07:02.000 --> 07:08.240 Jadi jika Anda epsilons suka 0. 1 hingga 10 persen lalu hanya 10 persen dari waktu Anda melakukan tindakan ini. 07:08.490 --> 07:12.410 Dan 90 persen dari waktu Anda memilih tindakan acak. 07:12.410 --> 07:19.000 Jadi sangat sederhana sekali hanya algoritma terbalik dan Max lunak semacam seperti langkah berikutnya atau itu adalah versi yang lebih 07:19.070 --> 07:24.350 maju saya akan mengatakan lebih dari epsilon dari algoritma serakah epsilon meskipun mereka berdua memiliki 07:24.350 --> 07:26.570 kelebihan dan mereka berdua memiliki tempat. 07:26.610 --> 07:30.860 Kita akan menggunakan keuangan sendiri dalam pengkodean kita dalam hal-hal praktis kita. 07:30.860 --> 07:35.270 Jadi itulah yang akan kita bicarakan sedikit lebih detail tentang soft max. 07:35.330 --> 07:36.380 Jadi mari kita lihat. 07:36.380 --> 07:38.440 Jadi mari kita beralih ke harapan Anda berikutnya. 07:38.450 --> 07:42.800 Cukup jelas tentang Ebsen yang setuju bahwa ini adalah algoritma yang cukup mudah. 07:42.800 --> 07:45.100 Pilih yang ini. 07:45.230 --> 07:47.790 Sebagian besar waktu kecuali kadang-kadang pergi dan menjelajah. 07:47.800 --> 07:53.820 Dan sekarang kita juga melihat mengapa penting untuk melakukan eksplorasi itu agar kita tidak mencapai maksimum lokal dalam 07:53.840 --> 07:58.780 proses optimisasi kami, jadi sekarang kita akan berbicara sedikit lebih banyak tentang Mac lunak. 07:58.880 --> 08:02.680 Ada tutorial tentang tanda lunak di akhir kursus. 08:02.750 --> 08:09.560 Saya pikir ini adalah lampiran nomor dua di mana kita berbicara tentang konsep Maxim karena Anda menyegarkan sedikit di 08:09.560 --> 08:14.650 sini sehingga kita berbicara tentang jaringan saraf dan omong-omong kita semua akan membahas 08:14.720 --> 08:15.290 konvolusional. 08:15.290 --> 08:18.170 Kami tidak membahas jaringan saraf evolusi di bagian ini. 08:18.210 --> 08:21.470 Tentu saja di bagian ini kami masih menggunakan vektor. 08:21.800 --> 08:27.770 Tetapi di bagian selanjutnya dari kursus ketika kita sedang membuat AI untuk bermain Doom kita akan menggunakan 08:27.770 --> 08:32.870 jaringan saraf convolutional sehingga bisa bermanfaat bagi Anda untuk melihat dalam jaringan saraf relasional 08:32.870 --> 08:38.300 dan kemudian mengambil self max berfungsi atau Anda bisa belajar lebih banyak tentang soft Max. 08:38.300 --> 08:43.020 Setelah Anda mengambil jaringan saraf convolutional dan tentu saja nanti. 08:43.250 --> 08:48.130 Tapi ini penyegaran cepat Jadi di sini kita punya jaringan saraf convolutional kami yang memutuskan apakah itu anjing 08:48.130 --> 08:48.950 atau kucing. 08:48.950 --> 08:56.090 Jadi di sini kita punya proses pemungutan suara antara neuron-neuron ini dan yang ini mengatakan 08:56.090 --> 09:04.250 bahwa ini adalah fitur yang Anda tahu telinga yang lembut Apa jenis wajah runcing dan jenis fitur adalah 09:04.250 --> 09:09.930 jenis mata dengan mata Mata melihat semua fitur ini milik anjing. 09:09.930 --> 09:13.890 Jadi, kemungkinannya 95 persen untuk seekor anjing dan 5 persen peluang untuk kucing. 09:13.910 --> 09:19.460 Tetapi pertanyaannya adalah bagaimana kita masuk ke dalam Tauriel yang sedang kita bicarakan tentang bagaimana kita mendapatkan nilai-nilai 09:19.490 --> 09:20.530 ini untuk menambahkannya. 09:20.870 --> 09:27.650 Baik apa pun konvolusional seluruh jaringan saraf kita adalah jaringan saraf convolutional ditambah Lares yang terhubung sepenuhnya apa 09:27.650 --> 09:33.300 pun itu buruk apa pun nilai-nilai yang kita terapkan pada fungsi soft max ada di 09:33.300 --> 09:33.980 sini. 09:34.010 --> 09:37.720 Di sinilah kami memperkenalkan formula untuk fungsi soft berikutnya. 09:37.810 --> 09:38.620 Seperti apa bentuknya. 09:38.780 --> 09:40.420 Dan kemudian kami mendapat nilai-nilai ini. 09:40.620 --> 09:43.460 Dan pada dasarnya itu adalah penyegaran cepat. 09:43.460 --> 09:46.050 Ini adalah formula untuk Max lunak. 09:46.100 --> 09:50.900 Apa yang dilakukannya adalah dibutuhkan tetapi banyak output yang Anda miliki tidak masalah. 09:50.900 --> 09:58.130 Itu akan membawa mereka dan itu akan meremas mereka semua ke dalam nilai antara 0 dan 1 terlepas dari seberapa besar mereka hanya 09:58.130 --> 10:03.720 untuk saya, Anda dapat melihat bahwa ada jumlah total di bagian bawah sehingga perangkat ini akan menjadi 10:03.720 --> 10:04.860 nol dan masuk 10:04.860 --> 10:08.630 Dan juga semua nilai ini akan bertambah menjadi satu selalu. 10:08.700 --> 10:16.770 Dan itulah yang sangat bermanfaat bagi kami karena ketika kami menggunakan fungsi soft max yang terjadi adalah kami 10:16.800 --> 10:21.390 mendapatkan nilai-nilai ini, kami memilih nilai tampilan terbaik ini. 10:21.390 --> 10:26.740 Namun pada kenyataannya yang terjadi adalah nilai-nilai yang kita dapatkan ini ada angka sebenarnya yang benar. 10:26.750 --> 10:28.760 Jadi ini semacam angka. 10:28.920 --> 10:31.720 Semuanya tidak harus berjumlah satu dan tidak harus antara 0 dan 1. 10:31.730 --> 10:32.830 Hanya beberapa angka. 10:33.140 --> 10:38.520 Tetapi ketika kita menerapkan soft Max kita tidak hanya memilih yang terbaik, kita benar-benar mendapatkan angka seperti 10:38.520 --> 10:44.310 itu sehingga kita mendapatkan angka kita di kisaran antara 0 dan 1 dan itu juga yang menambahkan hingga 1. 10:44.310 --> 10:47.220 Dan hal lain apa yang kita ketahui yang menambahkan hingga satu. 10:47.340 --> 10:53.010 Nah probabilitas kita tahu bahwa probabilitas selalu harus menambahkan hingga 1 jadi itu sebabnya kita bisa mengatakan di sini 10:53.010 --> 10:57.990 kita punya nilai q tapi tiba-tiba di sini kita punya lunak atau kita punya probabilitas. 10:57.990 --> 11:02.740 Jadi kita dapat mengatakan bahwa kemungkinan ini menjadi tindakan terbaik adalah 90 persen. 11:02.840 --> 11:08.610 Bagian lesbian ini 5 persen 2 persen 3 persen karena kami tahu semakin tinggi nilainya, semakin baik 11:08.610 --> 11:09.290 aksinya. 11:09.390 --> 11:14.920 Jadi jika kita menekannya menjadi 0 hingga 1 maka ini menjadi kemungkinan dan kita bisa mengatasinya. 11:15.090 --> 11:22.840 Dan oleh karena itu sekarang adalah saat tindakan dipilih dan itulah bagaimana kami menghasilkan Q2. 11:22.890 --> 11:28.580 Tetapi jika Anda melihatnya dengan seksama, ini bukan 100 persen ketat dan ini bukan Saroo 0 persen. 11:28.590 --> 11:30.670 Jadi ini 5 persen hingga 3 persen. 11:30.810 --> 11:42.360 Jadi cara paling alami untuk menerapkan Max lunak untuk menjaga eksplorasi dalam algoritma adalah dengan menggunakan probabilitas yang tepat 11:42.480 --> 11:48.600 ini sebagai seberapa sering kita akan mengambil tindakan itu. 11:48.600 --> 11:55.710 Jadi probabilitas ini sebenarnya menyajikan distribusi tindakan yang kami ambil sehingga pada dasarnya lunak Max membuatnya 11:55.890 --> 12:01.740 sangat mudah bagi kami untuk menemukan cara untuk menggabungkan eksploitasi dan eksplorasi. 12:01.740 --> 12:06.930 Jadi tindakan terbaik yang terbaik akan selalu memiliki probabilitas tinggi karena memiliki nilai Q tertinggi dan oleh karena itu 12:06.930 --> 12:11.190 di sini kita hanya akan menggunakan ini sebagai distribusi kita atau kita akan mengatakan 12:11.190 --> 12:16.080 oke kita akan mengambil Q2 90 persen dari waktu tetapi 5 persen dari waktu kita masih akan mengambil 12:16.120 --> 12:21.170 Q1 dan 2 persen dari waktu kita sampai 3 dan 3 persen dari waktu kita akan mengambil Q4. 12:21.420 --> 12:27.090 Dan keindahan di sini adalah juga bahwa seiring dengan bertambahnya nilai-nilai ini dan 12:27.090 --> 12:35.220 seiring agen melewati jaringan semakin lama semakin menjadi akrab dengan lingkungan dan oleh karena itu pembaruan ini sehingga nilai 12:35.210 --> 12:41.640 ini misalnya menjadi seperti mungkin dapat memastikan nilai ini sebenarnya kurang atau ini sebenarnya 12:41.640 --> 12:47.060 lebih tinggi dan probabilitas ini juga akan berubah saat agen melewati. 12:47.070 --> 12:49.190 Jadi meskipun di sini kita punya Choo-Choo. 12:49.200 --> 12:55.560 Tidak ada yang mengatakan bahwa kadang-kadang 5 persen dari waktu menjadi lebih tepat kita akan memilih Q1 sebagai 12:55.560 --> 13:00.040 tindakan untuk diambil dan kadang-kadang atau tindakan satu akan mengambil tindakan satu. 13:00.180 --> 13:05.280 Terkadang akan mengambil tindakan melalui dua tindakan, tiga dua persen dari waktu dan tindakan untuk akan mengambil 13:05.280 --> 13:06.400 sekitar 3 persen. 13:06.420 --> 13:13.800 Jadi setiap tindakan memiliki peluang untuk dimainkan dalam proses ini selama kita memiliki cukup iterasi, 13:13.800 --> 13:17.930 agen melewati banyak dan berkali-kali melalui kondisi ini. 13:17.940 --> 13:23.880 Dan begitulah cara kerjanya, itulah jenis algoritma pembelajaran mendalam yang ingin Anda lakukan berkali-kali 13:23.880 --> 13:30.030 sehingga Anda belajar dari pengalaman dan karena itu seperti yang Anda lihat di sini, ini adalah 13:30.030 --> 13:31.840 transisi yang sangat alami. 13:31.860 --> 13:37.590 Kami tidak hanya secara acak seperti algoritme kemarahan Epson dan tidak hanya secara acak memilih tindakan yang kami 13:37.590 --> 13:44.100 pilih berdasarkan pada nilai maks lunak yang membuatnya menjadikannya seperti memiliki beberapa logika di belakangnya, bukan hanya tidak hanya 10 13:44.190 --> 13:48.780 persen acak dari waktu kita memilih tindakan acak tetapi ada beberapa logika di balik 13:48.780 --> 13:53.200 bagaimana kita melakukannya dan berdasarkan pada nilai-nilai kunci yang telah kita jelajahi. 13:53.280 --> 13:58.620 Dan itulah kebijakan pemilihan tindakan yang akan kita gunakan dalam kursus ini. 13:58.620 --> 14:04.590 Anda dipersilakan untuk pasti memeriksa bagian tindakan serakah Ebsen Polsce jika Anda suka, tetapi 14:04.590 --> 14:10.920 kami akan didominasi menggunakan kebijakan bagian tindakan Max lembut dan saya punya bacaan yang menarik untuk 14:10.920 --> 14:11.490 Anda. 14:11.490 --> 14:17.430 Jadi ini disebut eksplorasi serakah Epsilon adaptif dalam pembelajaran penguatan berdasarkan perbedaan nilai 14:17.430 --> 14:18.870 itu artikel 2010. 14:18.930 --> 14:27.270 Dan itu menarik karena Mike Michel Saya tidak yakin bagaimana cara mengucapkan Michelle dan Miquel toxic memperkenalkan jenis 14:27.450 --> 14:36.420 berbeda dari Algren dan algoritma serakah Epsilon yang disesuaikan dan disebut algoritma VDB VDB atau algoritma VDB serakah epsilon serakah 14:37.230 --> 14:40.030 yang dapat Anda lihat di sini. 14:40.410 --> 14:46.590 Dan dia benar-benar membandingkan membandingkan dengan Ebsen Max serakah dan lunak dan itu 14:46.650 --> 14:55.740 adalah algoritma serakah mutlak yang pada dasarnya ide utama di baliknya adalah untuk menyesuaikan nilai epsilon tergantung pada keadaan agen 14:55.740 --> 14:56.550 itu. 14:56.550 --> 15:01.820 Jadi jika jika agen sangat yakin tentang keadaan di Epsilon maka harus lebih kecil sehingga mereka 15:01.820 --> 15:06.340 harus kurang eksplorasi jika agen dijawab Epson harus lebih tinggi harus lebih eksplorasi. 15:06.350 --> 15:08.930 Jadi ini adalah artikel 2010. 15:09.260 --> 15:17.930 Saya tidak yakin apakah ini jika algoritma usulan baru ini digunakan secara luas atau diterima di komunitas atau 15:18.010 --> 15:23.090 atau jika Times buatan memiliki semacam cara dari saran ini. 15:23.090 --> 15:29.450 Namun demikian itu pasti akan membantu Anda memperkuat pengetahuan Anda tentang kebijakan pemilihan tindakan yang kami 15:29.450 --> 15:33.180 bahas Epsom Ingredion soft Naxal membantu Anda tidak 15:33.200 --> 15:38.900 memberi Anda kesempatan untuk memaksa situs Subha dan juga melihat ke arah mana orang-orang 15:38.900 --> 15:46.040 berpikir ketika mereka ingin meningkatkan kecerdasan buatan jadi jika Anda berencana membuat algoritma yang sangat menarik yang mendorong 15:46.040 --> 15:51.770 ujung kecerdasan buatan Elche dan mendorong amplop di ruang ini maka ini bisa menjadi 15:52.130 --> 16:00.140 cara yang baik bagi Anda untuk melihat ke arah mana orang berpikir kadang-kadang ketika mereka mencoba untuk meningkatkan norma-norma kecerdasan 16:00.200 --> 16:04.070 buatan atau norma-norma yang ada saat itu pada tahun 2010. 16:04.070 --> 16:04.760 Jadi begitulah. 16:04.790 --> 16:11.020 Semoga Anda menikmati tutorial hari ini tentang kebijakan pemilihan tindakan dan kami belajar 16:11.060 --> 16:18.240 tentang abseil garam Epson serakah dan soft Mac dan sekarang Anda bahkan lebih siap untuk sisi praktisnya. 16:18.290 --> 16:20.840 Dan pada catatan itu saya berharap melihat langkah Anda selanjutnya. 16:20.840 --> 16:22.570 Dan sampai saat itu nikmati AI.