WEBVTT 00:00.590 --> 00:03.970 Cześć i witam z powrotem na kursie na temat sztucznej inteligencji. 00:04.070 --> 00:05.420 Mam nadzieję, że jak dotąd cieszycie się z tego kursu. 00:05.420 --> 00:09.050 A dzisiaj mówimy o działaniu polityki selekcji. 00:09.050 --> 00:11.010 W porządku, przejdźmy od razu do tego. 00:11.030 --> 00:17.930 Wcześniej rozmawialiśmy o dodaniu sieci neuronowej do naszego prostego uczenia się i do tej pory 00:18.020 --> 00:21.230 wciągamy się do głębokiego uczenia się. 00:21.230 --> 00:26.620 Rozmawialiśmy trochę o części uczącej się, w tym dodaniu do niej pewnych elementów. 00:26.630 --> 00:30.020 A dzisiaj mówimy o tej części, o której mówimy o aktorstwie. 00:30.020 --> 00:31.290 Więc spójrzmy. 00:31.310 --> 00:38.690 Mamy tutaj to, o czym mówiliśmy, że po wprowadzeniu wartości, które są parametrami, wektor opisujący agenta stanu jest 00:38.690 --> 00:45.230 wyraźnie w tym środowisku, to znaczy po tym, jak cała nauka się skończyła, albo jeszcze 00:45.230 --> 00:47.290 zanim nauka się skończy. 00:47.420 --> 00:52.000 Zasadniczo otrzymujemy wszystkie wartości q, więc nie jesteśmy zainteresowani nauką, teraz nalegamy 00:52.010 --> 00:57.350 na działanie, więc gdy tylko otrzymamy te kluczowe wartości, zrozumiemy, które z nich musimy użyć. 00:57.350 --> 00:58.910 Cóż, jeśli o tym pomyślisz. 00:58.910 --> 01:01.890 Wartości Q są po prostu przewidywaniami dla kostki. 01:01.910 --> 01:08.630 Tak jak zrobiliśmy w prostym algorytmie uczenia się, co zrobiliśmy, właśnie wybraliśmy ten, który ma najlepszą z 01:09.180 --> 01:10.420 najwyższej wartości. 01:10.430 --> 01:15.380 Kiedy już mamy ten, który ma najwyższą wartość IQ, po prostu bierzemy tę akcję, ponieważ ona 01:15.380 --> 01:20.330 właśnie przynosi nam najwyższą wartość i że wiemy, że natychmiastowa nagroda Duval's kalkulator, że oczekujemy 01:20.360 --> 01:23.100 otrzymać Plus współczynnik DK razy wartość następnego dnia. 01:23.120 --> 01:29.480 I to jest rekurencyjne obliczenie, więc dlaczego nie miałbyś wziąć najlepszej wartości i na 01:29.480 --> 01:30.570 tym koniec. 01:30.800 --> 01:35.360 Ale jak widzisz, tutaj nie jest tak prosto, że używamy funkcji miękkiego maksimum i 01:35.360 --> 01:37.910 tutaj będziemy mówić o rzeczywistych zasadach wyboru. 01:37.940 --> 01:41.210 Tak więc w rzeczywistości nie musimy mieć tylko funkcji oprogramowania. 01:41.300 --> 01:49.190 Możemy mieć różne strategie wyboru działań, na przykład mamy Epsilon chciwy Epsilon jest miękki i mamy miękkie komputery 01:49.470 --> 01:54.950 Mac i to jest trochę jak najczęściej stosowana polityka wyboru działań, oczywiście, że 01:54.960 --> 01:56.300 są inne. 01:56.300 --> 02:02.120 Na przykład najbardziej podstawowa jest bardzo prosta akcja towarzyska, po prostu wybierz najlepszy. 02:02.120 --> 02:03.770 Ten o najwyższej wartości Q. 02:03.980 --> 02:09.800 Ale dlaczego ten impuls działania nie działa i dlaczego mamy różne typy polityki wyboru akcji pulsu 02:09.800 --> 02:10.510 działania. 02:10.520 --> 02:15.270 Wszystko sprowadza się do poszukiwań a eksploatacji. 02:15.560 --> 02:22.670 I to jest rdzeń uczenia się przez wzmocnienie, ponieważ mówiliśmy o tym trochę, że twój agent działa w 02:22.880 --> 02:28.400 środowisku, w którym może przewidzieć pewne wartości kolejki, które mogą być dobre i 02:28.400 --> 02:34.970 może się okazać, że może się okazać, że są one dostępne i będą zmuszeni do eksploracji. 02:34.970 --> 02:40.640 Jeśli więc na przykład w tym przypadku przewidujemy, że Q2 jest najlepszy, a następnie zajmiemy się Q 02:40.640 --> 02:42.350 Aby podjąć akcję i to. 02:42.500 --> 02:46.880 A więc do Sekcji 2, a potem dostaje bardzo negatywną nagrodę. 02:46.880 --> 02:51.980 Wtedy środowisko zmusza agenta do działania i eksploduje, ponieważ teraz dowie się, że tak 02:51.980 --> 02:56.740 naprawdę myślałem, że Q2 będzie bardzo dobre, ale okazało się bardzo złe. 02:56.780 --> 02:58.370 Więc wyniki nie są bardzo złe. 02:58.370 --> 03:02.730 Tak więc sieci mogą się aktualizować, więc następnym razem, gdy będzie w stanie, że prawdopodobnie zjem moją duszę, po 03:02.720 --> 03:04.010 prostu się do tego zabierz. 03:04.190 --> 03:09.470 Wiesz, że jeśli jest to bardzo korzystne, możesz pomyśleć, że to tak, jakbyś wiedział, 03:09.470 --> 03:14.900 że możesz potrzebować paru razy kilku kar lub kar, aby dowiedzieć się, że chodzi o działanie. 03:14.990 --> 03:20.030 Ale może już wkrótce dowie się, że zamierzam podjąć inną akcję i podjąć akcję nadgarstka, 03:20.030 --> 03:22.020 ponieważ teraz ma najlepszą wartość. 03:22.160 --> 03:28.880 Czasami środowisko zmusza agenta do podjęcia różnych działań w celu zbadania różnych działań, ale czasami 03:29.180 --> 03:36.860 agent może je utknąć w lokalnym maksimum, może odkryć, że podąża za jego początkową eksploracją i odkrył, 03:36.860 --> 03:42.110 że to całkiem fajne działanie, takie jak Mam zamiar iść tutaj. 03:42.200 --> 03:43.920 I ta kolekcja d'esprit. 03:43.940 --> 03:49.760 Ale problem polega na tym, że uważa, że jest to najlepsze działanie, po prostu dlatego, że nie odkrył, że jest badane, 03:49.760 --> 03:55.850 gdy idzie w górę, albo idzie w lewo, to badać, idąc w prawo, ale nie zbadał, idąc w dół od tego konkretnego stanu, 03:56.360 --> 04:01.490 w którym się znajduje i teraz, trochę jak uprzedzeni do tego działania i myślą, że myśli, że dobre 04:01.490 --> 04:03.800 działanie będzie kontynuowało branie tego, co będzie dalej. 04:03.840 --> 04:06.570 On będzie nadal brał, a on wciąż otrzyma dobrą nagrodę. 04:06.620 --> 04:14.000 Ale co by było, gdyby ta akcja była jeszcze lepsza, gdyby ta akcja była o wiele lepsza, gdyby 04:14.060 --> 04:19.310 wiedziała o tym akcie, faktycznie przerzuciłaby się na tę akcję, ale ponieważ utknęła 04:19.310 --> 04:23.580 w lokalnym maksimum, otrzymała te dobre nagrody być wzmocnionym. 04:23.630 --> 04:27.770 Będzie to nadal wzmacniało to, lub przemoc, aby wzmocnić to, że jest to dobre 04:27.770 --> 04:29.450 działanie, aby dalej to robić. 04:29.510 --> 04:35.330 Ale tak naprawdę rzeczywistość jest taka, że jest jeszcze inna akcja, której jeszcze nie odkryto lub jeszcze nie zbadała. 04:35.570 --> 04:37.090 Byłoby znacznie lepiej. 04:37.130 --> 04:43.790 Chcemy więc wymyślić rzeczywistą politykę wyboru, która pozwoli naszemu agentowi utknąć 04:43.910 --> 04:45.800 w lokalnym maksimum. 04:45.800 --> 04:50.120 Tak, ważne jest, abyś wiedział, że nadal wykonuje dobre działania, które są częścią eksploatacji. 04:50.180 --> 04:52.000 Nie wykorzystamy tego, co znaleźliśmy. 04:52.100 --> 04:56.720 Ale jednocześnie wciąż chcemy odkrywać, że nigdy nie chcemy przestać odkrywać, tak jak w życiu, że nigdy nie 04:56.720 --> 04:59.000 chcesz przestać się uczyć, przestać uczyć się umierać. 04:59.120 --> 05:05.030 Takie rzeczy sprawiają, że gdy nie rośniesz, umierasz lub coś się dzieje, chcesz kontynuować naukę, 05:05.090 --> 05:07.580 a twój agent chce się uczyć. 05:07.760 --> 05:10.200 I tu właśnie pojawiają się te zasady wyboru działań. 05:10.400 --> 05:16.190 Mamy tu trzy wymienione tutaj, więc pierwszy jest chciwy Epsilon, jest bardzo prosty, 05:16.190 --> 05:22.140 brzmi dość skomplikowany w tym sensie, że ma fajne imię i zazwyczaj ma chirurgiczne nazwy. 05:22.370 --> 05:23.170 W rzeczywistości tak nie jest. 05:23.180 --> 05:31.530 Zasadniczo to, co robi, wybierze tę z najlepszą wartością Q i epsilon, jak Epsilon, gdzie możesz 05:31.540 --> 05:35.240 usłyszeć inne miejsca, tak jak polityka wyboru. 05:35.240 --> 05:41.210 Tak więc w tym przypadku używamy go do gładzenia, więc nasze wartości Al-Q są sprzedawane tak jak te 05:41.540 --> 05:45.980 z najwyższą wartością Q przez cały czas, z wyjątkiem procentu czasu Epsilon. 05:45.980 --> 05:53.300 Na przykład, jeśli ustawisz epsilon na 10 procent, to będziesz miał albo 0. 1 więcej niż 10 procent czasu, w 05:53.300 --> 05:56.740 którym akcja zostanie wybrana losowo. 05:56.750 --> 06:01.990 Tak więc 90 procent czasu nadal wybierasz najlepsze działanie oparte na najwyższej wartości. 06:02.120 --> 06:05.580 Ale 10 procent czasu będzie wybierać losową akcję. 06:05.600 --> 06:11.120 Jednolite, będzie to absolutnie przypadkowe podjęcie działania lub jeśli powiesz epsilon 06:11.420 --> 06:18.380 do zera punkt pięć za 0. 05 oznacza to, że 95 procent czasu, w którym agent podejmie działanie z 06:18.380 --> 06:19.200 najwyższą wartością. 06:19.220 --> 06:22.470 Ale 5 procent czasu to wciąż będzie wybór i losowe działanie. 06:22.490 --> 06:25.550 Więc będzie tam chodzić i odkrywać. 06:25.790 --> 06:31.640 Miękkość Epsilon jest więc bardzo podobna do tego, w jaki sposób 06:31.750 --> 06:39.780 nazywana jest chciwością FCL, ponieważ wtedy zachłannie wybiera akcję jako dobrą akcję, z wyjątkiem tego małego epizodu. 06:39.780 --> 06:40.290 Trochę czasu. 06:40.280 --> 06:46.970 Im niższa stawka EPS obniży Epsilon Lepp, tym bardziej wybierzesz taki rodzaj działania, 06:46.970 --> 06:53.870 który jest optymalnym działaniem, a im mniej opuszczasz, tym mniej masz szans na eksplorację. 06:53.870 --> 06:56.000 Miękkość Epsilon jest odwrotna. 06:56.000 --> 07:02.000 Zasadniczo wybierasz losowo, wybierając jeden minus centa epsilon czasu. 07:02.000 --> 07:08.240 Jeśli więc epsilons lubią 0. 1 do 10 procent, a następnie tylko 10 procent czasu, w którym wykonujesz to działanie. 07:08.490 --> 07:12.410 I przez 90 procent czasu wybierasz losową akcję. 07:12.410 --> 07:19.000 Tak bardzo proste, po prostu odwrócone algorytmy i miękki Max są czymś w rodzaju następnego kroku od lub jest 07:19.070 --> 07:24.350 to bardziej zaawansowana wersja, którą powiem przez epsilon algorytmu chciwości epsilon, chociaż obaj mają wartość 07:24.350 --> 07:26.570 i obaj mają swoje miejsce. 07:26.610 --> 07:30.860 Będziemy wykorzystywać samofinansowanie w naszym kodowaniu w praktycznych rzeczach. 07:30.860 --> 07:35.270 Więc o tym będziemy rozmawiać nieco bardziej szczegółowo o miękkim maksimum. 07:35.330 --> 07:36.380 Więc spójrzmy. 07:36.380 --> 07:38.440 Przejdźmy więc do następnej nadziei. 07:38.450 --> 07:42.800 Jasne jest, że Ebsen zgadza się, że jest to dość prosty algorytm. 07:42.800 --> 07:45.100 Wybierz ten. 07:45.230 --> 07:47.790 Przez większość czasu, z wyjątkiem czasami udać się na zwiedzanie. 07:47.800 --> 07:53.820 Teraz widzimy także, dlaczego ważne jest, aby przeprowadzić tę eksplorację, abyśmy nie znaleźli się w lokalnych maksimach 07:53.840 --> 07:58.780 w naszym procesie optymalizacji, więc teraz porozmawiamy nieco więcej o miękkich komputerach Mac. 07:58.880 --> 08:02.680 Na końcu kursu znajduje się samouczek dotyczący miękkich znaków. 08:02.750 --> 08:09.560 Myślę, że jest to załącznik numer dwa, w którym mówimy o koncepcji Maxima, ponieważ odświeżysz się trochę 08:09.560 --> 08:14.650 tutaj, więc mówimy o sieciach neuronowych, a przy okazji wszyscy będziemy spowijać 08:14.720 --> 08:15.290 splot. 08:15.290 --> 08:18.170 Nie omawiamy ewolucyjnych sieci neuronowych w tej sekcji. 08:18.210 --> 08:21.470 Oczywiście w tej sekcji wciąż używamy wektora. 08:21.800 --> 08:27.770 Ale w następnej części kursu, kiedy będziemy tworzyli sztuczną inteligencję do gry w Dooma, użyjemy splotowej 08:27.770 --> 08:32.870 sieci neuronowej, więc może to być korzystne dla ciebie w relacyjnych sieciach neuronowych, 08:32.870 --> 08:38.300 a następnie we własnym zakresie. funkcja lub możesz dowiedzieć się więcej o miękkim Max. 08:38.300 --> 08:43.020 Po pobraniu splotowych sieci neuronowych i oczywiście później. 08:43.250 --> 08:48.130 Ale tutaj jest szybki odświeżacz Więc tutaj mamy naszą splotową sieć neuronową, która decyduje, czy to pies 08:48.130 --> 08:48.950 czy kot. 08:48.950 --> 08:56.090 Tak więc mamy proces głosowania między tymi neuronami, a ten mówi, że ma cechy, 08:56.090 --> 09:04.250 które znasz, puszyste uszy. Co to jest spiczasty typ twarzy, a rodzaj cech to rodzaje oczu 09:04.250 --> 09:09.930 i oczu? oczy wyglądają wszystkie te cechy, które należą do psa. 09:09.930 --> 09:13.890 Więc to 95 procent szans, że to pies, a 5 procent szansa, że to kot. 09:13.910 --> 09:19.460 Ale pytanie brzmi: w jaki sposób dotarliśmy do tego Tauriel, o którym mówimy, w jaki sposób możemy uzyskać te wartości, aby 09:19.490 --> 09:20.530 dodać do jednego. 09:20.870 --> 09:27.650 Cóż, niezależnie od splotu, wszystkie nasze sieci neuronowe to splotowa sieć neuronowa oraz w pełni połączone Lares, niezależnie 09:27.650 --> 09:33.300 od tego, czy jest źle, niezależnie od tego, jakie wartości stosujemy do funkcji miękkiego 09:33.300 --> 09:33.980 maksimum. 09:34.010 --> 09:37.720 Tutaj wprowadziliśmy formułę funkcji "miękka następna". 09:37.810 --> 09:38.620 Jest jak to wygląda. 09:38.780 --> 09:40.420 A potem mamy te wartości. 09:40.620 --> 09:43.460 A więc w zasadzie to jest szybkie odświeżenie. 09:43.460 --> 09:46.050 To jest wzór na miękki Max. 09:46.100 --> 09:50.900 To, co robi, wymaga jednak wielu wyników, które masz, nie ma znaczenia. 09:50.900 --> 09:58.130 Potrwa je i zmiażdży je wszystkie na wartości od 0 do 1, bez względu na to, jak duże są po 09:58.130 --> 10:03.720 prostu przez to, że widzę, że na dole jest całkowita suma, więc te urządzenia będą 10:03.720 --> 10:04.860 miały zero. 10:04.860 --> 10:08.630 A także wszystkie te wartości będą zawsze dodawane do jednego. 10:08.700 --> 10:16.770 Jest to bardzo korzystne dla nas, ponieważ kiedy używamy funkcji miękkiego maksimum, co się dzieje, to 10:16.800 --> 10:21.390 otrzymujemy te wartości, wybieramy tę najlepszą wartość widoku. 10:21.390 --> 10:26.740 Ale tak naprawdę to te wartości, które otrzymujemy, są prawidłowe. 10:26.750 --> 10:28.760 To jest liczba liczb. 10:28.920 --> 10:31.720 Nie muszą wszystkie sumować do jednego i nie muszą zawierać się między 0 a 1. 10:31.730 --> 10:32.830 Tylko kilka liczb. 10:33.140 --> 10:38.520 Ale kiedy stosujemy miękki Max, nie wybieramy tego, co najlepsze, tak naprawdę otrzymujemy liczby 10:38.520 --> 10:44.310 takie, więc otrzymujemy nasze liczby w zakresie od 0 do 1, i które również dodają do 1. 10:44.310 --> 10:47.220 I co jeszcze wiemy, co daje jeden. 10:47.340 --> 10:53.010 Prawdopodobieństwo, że wiemy, że prawdopodobieństwo zawsze musi wynosić do 1, dlatego możemy powiedzieć, że 10:53.010 --> 10:57.990 mamy wartości q, ale tutaj nagle mamy miękkie lub mamy prawdopodobieństwa. 10:57.990 --> 11:02.740 Możemy więc powiedzieć, że prawdopodobieństwo, że jest to najlepsza akcja, wynosi 90 procent. 11:02.840 --> 11:08.610 Ta sekcja lesbijek 5 procent 2 procent 3 procent, ponieważ wiemy, że im wyższa wartość, tym lepsze 11:08.610 --> 11:09.290 działanie. 11:09.390 --> 11:14.920 Więc jeśli zmiażdżymy je na 0 do 1, stają się one możliwościami i możemy sobie z nimi poradzić. 11:15.090 --> 11:22.840 I dlatego teraz jest, gdy akcja jest wybrana i tak właśnie wymyślamy Q2. 11:22.890 --> 11:28.580 Ale jeśli przyjrzysz się temu uważnie, nie jest to ścisłe 100 procent, a nie są to Saroo 0 procent. 11:28.590 --> 11:30.670 To jest 5 procent do 3 procent. 11:30.810 --> 11:42.360 Zatem najbardziej naturalnym sposobem zastosowania miękkiego Maxa w celu zachowania eksploracji w algorytmie jest użycie tych 11:42.480 --> 11:48.600 dokładnych prawdopodobieństw, jak często będziemy podejmować takie działania. 11:48.600 --> 11:55.710 Więc te prawdopodobieństwa faktycznie przedstawiają dystrybucję tych działań, które stosujemy, więc w zasadzie miękki 11:55.890 --> 12:01.740 Max bardzo ułatwia nam znalezienie sposobu na połączenie wyzysku i eksploracji. 12:01.740 --> 12:06.930 Tak więc najlepsza najlepsza akcja zawsze będzie miała wysokie prawdopodobieństwo, ponieważ ma najwyższą wartość Q i dlatego 12:06.930 --> 12:11.190 zamierzamy po prostu użyć ich jako naszej dystrybucji lub powiemy, że przyjmiemy Q2 12:11.190 --> 12:16.080 90 procent czasu, ale 5 procent czasu, w którym wciąż mamy do czynienia z Q1 12:16.120 --> 12:21.170 i 2 procentami czasu, kiedy dostaniemy 3 i 3 procent czasu, w którym zamierzamy zająć Q4. 12:21.420 --> 12:27.090 Piękno jest tu również tym, że ponieważ wartości te aktualizują się, a agent 12:27.090 --> 12:35.220 przechodzi przez sieć coraz więcej i więcej, staje się bardziej obeznany ze środowiskiem, a zatem te aktualizacje, więc ta wartość 12:35.210 --> 12:41.640 na przykład może się wydawać taka, ta wartość jest w rzeczywistości mniejsza lub faktycznie jest 12:41.640 --> 12:47.060 wyższa, a więc te prawdopodobieństwa również ulegną zmianie w miarę przechodzenia agenta. 12:47.070 --> 12:49.190 Nawet jeśli mamy tutaj Choo-Choo. 12:49.200 --> 12:55.560 Nikt nie mówi, że czasami 5 procent czasu, aby być bardziej precyzyjnym, wybieramy 12:55.560 --> 13:00.040 Q1 jako akcję, a czasem lub akcję, którą podejmiemy. 13:00.180 --> 13:05.280 Czasami podejmowane są działania przez dwie akcje trzy dwa procent czasu, a akcja za 13:05.280 --> 13:06.400 około 3 procent. 13:06.420 --> 13:13.800 Każde działanie ma szansę zagrać w tym procesie, o ile mamy wystarczającą liczbę iteracji, których agent przechodzi 13:13.800 --> 13:17.930 wiele razy przez te stany, w których się znajdują. 13:17.940 --> 13:23.880 I właśnie tak funkcjonuje jakikolwiek algorytm głębokiego uczenia się, który chcesz zrobić tak 13:23.880 --> 13:30.030 wiele razy, abyś uczył się z doświadczenia i dlatego, jak widać, jest to 13:30.030 --> 13:31.840 bardzo naturalne przejście. 13:31.860 --> 13:37.590 Nie jesteśmy po prostu przypadkowo podobni do rozgniewanego algorytmu firmy Epson, a nie tylko losowo wybieramy 13:37.590 --> 13:44.100 działania, które wybieramy na podstawie ich wartości maksymalnych, co sprawia, że ma ono pewną logikę, nie tylko nie przypadkowe 13:44.190 --> 13:48.780 10 procent czas, w którym wybieramy losową akcję, ale jest pewna logika stojąca 13:48.780 --> 13:53.200 za tym, jak to robimy i na podstawie kluczowych wartości, które zbadaliśmy. 13:53.280 --> 13:58.620 Taka jest polityka wyboru działań, której będziemy używać w tym kursie. 13:58.620 --> 14:04.590 Jeśli chcesz, to z pewnością skorzystaj z sekcji "Zachłanny akcja" Ebsena, ale zamierzamy 14:04.590 --> 14:10.920 w przeważającej mierze korzystać z zasady "miękkich maksimum akcji" i mam dla ciebie interesującą 14:10.920 --> 14:11.490 lekturę. 14:11.490 --> 14:17.430 Jest to nazywane chciwą eksploracją intelektualnej adaptacji Epsilon w uczeniu się wzmacniania opartym na różnicach w wartościach, to jest 14:17.430 --> 14:18.870 artykuł z 2010 roku. 14:18.930 --> 14:27.270 I to jest interesujące, ponieważ Mike Michel nie jestem pewien, jak wymówić Michelle i Miquel toxic 14:27.450 --> 14:36.420 wprowadza inny typ Algren i dostosowany algorytm chciwy Epsilon i nazwał algorytm VDB VDB lub algorytm VDB chciwy 14:37.230 --> 14:40.030 epsilon, który można zobaczyć tutaj. 14:40.410 --> 14:46.590 I faktycznie porównuje się do chciwego i miękkiego Maxa Ebsena i jest 14:46.650 --> 14:55.740 to absolutnie chciwy algorytm, którego podstawową ideą jest dostosowanie wartości epsilon w zależności od stanu, w jakim znajduje się 14:55.740 --> 14:56.550 agent. 14:56.550 --> 15:01.820 Jeśli więc agent jest bardzo pewny co do stanu, wówczas Epsilon powinien być mniejszy, więc powinny one być 15:01.820 --> 15:06.340 mniej eksplorowane, jeśli agent zostanie odebrany. Epson powinien być wyższy, powinien być bardziej eksplorowany. 15:06.350 --> 15:08.930 To jest artykuł z 2010 roku. 15:09.260 --> 15:17.930 Nie jestem pewien, czy to jest, czy ten nowy proponowany algorytm jest powszechnie stosowany, czy też jest akceptowany w społeczności 15:18.010 --> 15:23.090 lub lub jeśli sztuczny Times ma coś w rodzaju tej sugestii. 15:23.090 --> 15:29.450 Niemniej jednak z pewnością pomoże ci to wzmocnić swoją wiedzę o polityce doboru działań, którą omawialiśmy 15:29.450 --> 15:33.180 w Epsom Ingredion, a także o tym, jak 15:33.200 --> 15:38.900 łagodna pomoc dla naksyntów daje ci szansę na zmotywowanie strony Subha, a także 15:38.900 --> 15:46.040 zobacz, w którym kierunku ludzie faktycznie myślą, kiedy chcą ulepszyć sztuczną inteligencję więc jeśli kiedykolwiek planujesz stworzyć 15:46.040 --> 15:51.770 naprawdę ciekawe algorytmy, które przesuwają granicę sztucznej inteligencji Elche i przesuwają kopertę w tej 15:52.130 --> 16:00.140 przestrzeni, to może to być dobry sposób, abyś zobaczył, w którym kierunku ludzie czasem myślą, kiedy próbują udoskonalić normy 16:00.200 --> 16:04.070 sztucznej inteligencji lub normy, które istniały w 2010 roku. 16:04.070 --> 16:04.760 Więc idziemy. 16:04.790 --> 16:11.020 Mamy nadzieję, że podobał Ci się dzisiejszy samouczek dotyczący zasad wyboru akcji i dowiedzieliśmy się 16:11.060 --> 16:18.240 o chciwej soli Epsona i miękkich komputerach Mac, a teraz jesteś jeszcze bardziej przygotowany na praktyczną stronę rzeczy. 16:18.290 --> 16:20.840 I w tej notatce czekam z niecierpliwością na następny krok. 16:20.840 --> 16:22.570 A do tego czasu ciesz się AI.