WEBVTT 00:00.590 --> 00:03.970 Bună ziua și bineveniți înapoi la cursul de inteligență artificială. 00:04.070 --> 00:05.420 Sper că vă bucurați de curs până acum. 00:05.420 --> 00:09.050 Și astăzi discutăm despre acțiunile de politică de selecție. 00:09.050 --> 00:11.010 Bine, hai să intrăm direct în asta. 00:11.030 --> 00:17.930 Anterior am vorbit despre adăugarea unei rețele neuronale în învățarea noastră simplă și 00:18.020 --> 00:21.230 până acum ajungem într-o învățare profundă. 00:21.230 --> 00:26.620 Am vorbit destul de puțin despre partea de învățare, inclusiv adăugarea unor elemente. 00:26.630 --> 00:30.020 Și astăzi vorbim despre această parte despre care vorbim despre actorie. 00:30.020 --> 00:31.290 Să aruncăm o privire. 00:31.310 --> 00:38.690 Deci, aici avem ceea ce am discutat despre acționarea că odată ce introduceți valorile parametrii sunt vectorul care descrie agentul de 00:38.690 --> 00:45.230 stat este în mod evident în acel mediu, atunci că este după ce învățarea este făcută sau chiar înainte 00:45.230 --> 00:47.290 ca învățarea să se facă. 00:47.420 --> 00:52.000 Practic, obținem toate valorile q, astfel încât nu suntem interesați de învățare chiar acum insistăm 00:52.010 --> 00:57.350 să acționăm așa că, odată ce avem aceste valori cheie, cum înțelegem ce dintre noi trebuie să folosim. 00:57.350 --> 00:58.910 Dacă te gândești la asta. 00:58.910 --> 01:01.890 Valorile Q sunt pur și simplu predicții pentru cub. 01:01.910 --> 01:08.630 Așa cum am făcut în algoritmul simplu de învățare, ce am făcut noi am selectat-o pe cea cu cea mai bună valoare de 01:09.180 --> 01:10.420 cea mai mare valoare. 01:10.430 --> 01:15.380 Odata ce avem unul cu cea mai mare valoare IQ, luam aceasta actiune pentru ca ne aduce cea 01:15.380 --> 01:20.330 mai mare valoare si stim ca recompensa imediata a calculatorului lui Duval pe care ne asteptam sa 01:20.360 --> 01:23.100 o primim Plus factorul DK ori valoarea urmatoarei date. 01:23.120 --> 01:29.480 Și este un calcul recursiv, deci de ce nu de ce nu ați lua cea mai bună valoare și asta este un 01:29.480 --> 01:30.570 fel de sfârșit. 01:30.800 --> 01:35.360 Dar, după cum puteți vedea aici, nu este atât de simplu că aici folosim o funcție soft max 01:35.360 --> 01:37.910 și aici vom vorbi despre politicile actuale de selecție. 01:37.940 --> 01:41.210 Deci, aici, în realitate, nu trebuie să avem doar o funcție software. 01:41.300 --> 01:49.190 Putem avea politici diferite de selectare a acțiunii, de exemplu, avem soft Epsilon Epsilon și avem soft-urile Mac și 01:49.470 --> 01:54.950 acelea sunt cele mai frecvente politici de selecție a acțiunilor, desigur că există 01:54.960 --> 01:56.300 și altele. 01:56.300 --> 02:02.120 De exemplu, cea mai de bază este o acțiune foarte simplă, sociabilă, doar selectați cele mai bune. 02:02.120 --> 02:03.770 Cel cu cea mai mare valoare Q. 02:03.980 --> 02:09.800 Dar de ce nu acționează pulsul de acțiune și de ce avem diferite tipuri de politici de selectare a acțiunii impulsurilor 02:09.800 --> 02:10.510 de acțiune. 02:10.520 --> 02:15.270 Ei bine, totul se reduce la explorare și exploatare. 02:15.560 --> 02:22.670 Și acesta este nucleul învățării de întărire, pentru că am vorbit deja despre acest lucru puțin mai mult despre agentul dvs. atunci 02:22.880 --> 02:28.400 când acesta operează într-un mediu în care ar putea anticipa anumite valori de coadă care ar 02:28.400 --> 02:34.970 putea fi bune și s-ar putea dovedi grozav că s-ar dovedi că acestea sunt disponibile și va fi forțat să exploreze. 02:34.970 --> 02:40.640 Deci, dacă, de exemplu, în acest caz, anticipăm că Q2 este cel mai bun și apoi ia Q să ia 02:40.640 --> 02:42.350 măsuri și să o facă. 02:42.500 --> 02:46.880 Așa că de aici până la secțiunea 2 și apoi devine o recompensă foarte negativă. 02:46.880 --> 02:51.980 Apoi, mediul îi forțează pe agent să meargă și să explodeze, pentru că acum el va învăța că de 02:51.980 --> 02:56.740 fapt am crezut că Q2 va fi foarte bun, dar sa dovedit a fi foarte rău. 02:56.780 --> 02:58.370 Rezultatele nu sunt foarte rele. 02:58.370 --> 03:02.730 Deci, rețelele se pot actualiza, astfel încât data viitoare când se află în statul în care probabil va mânca sufletul 03:02.720 --> 03:04.010 meu va ajunge la ea. 03:04.190 --> 03:09.470 Știți că dacă este foarte favorabilă, așa că ați putea crede că este ca și cum ați ști că 03:09.470 --> 03:14.900 ați putea avea nevoie de câteva ori de câteva sancțiuni sau pedepse pentru a afla că este vorba despre acțiune. 03:14.990 --> 03:20.030 Dar poate că deja va afla în curând că voi lua o altă acțiune și voi lua acțiunea pentru încheietura mâinii, 03:20.030 --> 03:22.020 pentru că acum are cea mai bună valoare. 03:22.160 --> 03:28.880 Deci, uneori, mediul forțează agentul să ia diferite pentru a explora diferite acțiuni, dar uneori agentul ar 03:29.180 --> 03:36.860 putea să-l găsească blocat într-un maxim local ar putea găsi că a urmat prin explorarea inițială și a constatat că 03:36.860 --> 03:42.110 oh aceasta este o acțiune destul de rece ca Voi merge chiar aici. 03:42.200 --> 03:43.920 Și colecția d'esprit. 03:43.940 --> 03:49.760 Dar problema este că ea crede că este cea mai bună acțiune pur și simplu pentru că nu a explorat este explorat merge 03:49.760 --> 03:55.850 până nasul său sau merge la stânga este de a explora merge bine, dar nu a explorat coborâre din acea stare specifică că este 03:56.360 --> 04:01.490 în și acum că este un fel de părtinitoare față de această acțiune și crede că o acțiune bună va 04:01.490 --> 04:03.800 continua să o ia și va continua să obțină. 04:03.840 --> 04:06.570 El va continua să ia este de fapt va continua să obțină o recompensă bună. 04:06.620 --> 04:14.000 Dar daca aceasta actiune ar fi fost chiar mai buna daca aceasta actiune ar fi fost mult mai buna decat daca ar fi stiut despre 04:14.060 --> 04:19.310 aceasta actiune, ar trece de fapt la aceasta actiune, dar pentru ca a ramas blocata intr-un maxim 04:19.310 --> 04:23.580 local este obtinerea acestor recompense bune este pur si simplu să fie consolidată. 04:23.630 --> 04:27.770 Aceasta va continua să se consolideze singură, iar violența o va întări că aceasta este o acțiune bună 04:27.770 --> 04:29.450 pentru a continua să facă acest lucru. 04:29.510 --> 04:35.330 Dar realitatea este că există o altă acțiune care nu a mai fost găsită sau nu a fost nici măcar explorată. 04:35.570 --> 04:37.090 Asta ar fi fost mult mai bine. 04:37.130 --> 04:43.790 Așadar, ceea ce vrem să facem este să vrem să prezentăm o politică de selecție reală care să permită agentului nostru să 04:43.910 --> 04:45.800 nu se blocheze într-un maxim local. 04:45.800 --> 04:50.120 Da, este important să știți că continuați să faceți acțiunile bune care reprezintă partea de exploatare. 04:50.180 --> 04:52.000 Nu vom exploata ceea ce am găsit. 04:52.100 --> 04:56.720 Dar, în același timp, noi încă mai dorim să explorăm că nu dorim niciodată să încetăm să explorăm ca și cum în viața pe care nu o 04:56.720 --> 04:59.000 vrei niciodată să nu mai înveți să nu te mai învăț să mori. 04:59.120 --> 05:05.030 Acestea sunt lucruri de genul asta, că atunci când nu creșteți, ești pe moarte sau ceva așa că vrei să continui 05:05.090 --> 05:07.580 învățarea și agentul tău dorește să continue învățarea. 05:07.760 --> 05:10.200 Și aici intră aceste politici de selecție a acțiunilor. 05:10.400 --> 05:16.190 Deci, avem trei pe care le-ați enumerat aici, astfel încât primul este Epsilon lacom, este unul foarte simplu, 05:16.190 --> 05:22.140 sună destul de complex în sensul că, de exemplu, are un nume rece și, de obicei, lucruri cu nume chirurgicale. 05:22.370 --> 05:23.170 De fapt, nu este. 05:23.180 --> 05:31.530 Deci, în principiu, ceea ce face este că va selecta unul cu cea mai bună valoare Q și epsilon ca Epsilon, ați putea 05:31.540 --> 05:35.240 auzi alte locuri, este ca o politică de selecție. 05:35.240 --> 05:41.210 Deci, în acest caz, o folosim pentru a șterge astfel încât valorile noastre Al-Q sunt de vânzare ca cea 05:41.540 --> 05:45.980 cu cea mai mare valoare Q tot timpul, cu excepția procentului Epsilon din timp. 05:45.980 --> 05:53.300 De exemplu, dacă setați epsilon la 10%, atunci mergeți la sau 0. 1 la 10 la sută din timpul în 05:53.300 --> 05:56.740 care acțiunea va fi aleasă la întâmplare. 05:56.750 --> 06:01.990 Deci, în proporție de 90% din timp, veți selecta cea mai bună acțiune bazată pe cea mai mare valoare. 06:02.120 --> 06:05.580 Dar 10% din timp va fi selectarea unei acțiuni aleatorii. 06:05.600 --> 06:11.120 Uniform va fi o acțiune absolută aleatorie sau dacă ați spus epsilon 06:11.420 --> 06:18.380 la zero punctul cinci pentru 0. 05, ceea ce înseamnă că 95% din timpul în care agentul va lua acțiunea cu cea 06:18.380 --> 06:19.200 mai mare valoare. 06:19.220 --> 06:22.470 Dar 5 la suta din timp inca va fi selectarea si actiunea aleatoare. 06:22.490 --> 06:25.550 Deci o să meargă acolo și să exploreze. 06:25.790 --> 06:31.640 Așa că softul lui Epsilon este foarte asemănător cu modul în care se numește 06:31.750 --> 06:39.780 de ce se numește FCL lacom, pentru că atunci selectați cu greu acțiunea, acțiunea bună, cu excepția acelui mic episod. 06:39.780 --> 06:40.290 O parte din timp. 06:40.280 --> 06:46.970 Deci, cu cât contractul EPS este mai mic, va scădea Lepp Epsilon cu cât mai mult alegeți acea acțiune 06:46.970 --> 06:53.870 care este acțiunea optimă și cu atât mai puțin veți părăsi șansele mai puțin de plecare pentru a explora 06:53.870 --> 06:56.000 softul lui Epsilon este opusul. 06:56.000 --> 07:02.000 Deci, în mod esențial, alegi la întâmplare că selectezi un minut minus Epsilon cent. 07:02.000 --> 07:08.240 Deci, dacă epsilonii sunt ca 0. 1 la 10 procente, iar apoi doar 10 la sută din momentul în care faceți această acțiune. 07:08.490 --> 07:12.410 Și 90 la sută din timpul selectării unei acțiuni aleatorii. 07:12.410 --> 07:19.000 Deci foarte foarte simplu doar algoritmi invertit și un soft Max este cam ca pasul următor sau este o 07:19.070 --> 07:24.350 versiune mai avansată aș spune peste epsilon de epsilon algoritm lacomi, deși ambii au merit 07:24.350 --> 07:26.570 și ambele au un loc. 07:26.610 --> 07:30.860 Vom folosi autofinanțe în codarea noastră în felul nostru practic. 07:30.860 --> 07:35.270 Așa vom vorbi în detaliu mai mult despre soft max. 07:35.330 --> 07:36.380 Să aruncăm o privire. 07:36.380 --> 07:38.440 Deci, să mergem la următoarea noastră speranță. 07:38.450 --> 07:42.800 Este destul de clar despre Ebsen este de acord că este un algoritm destul de simplu. 07:42.800 --> 07:45.100 Selectați aceasta. 07:45.230 --> 07:47.790 De cele mai multe ori, cu excepția uneori mergi și explorați. 07:47.800 --> 07:53.820 Și acum vedem și de ce este important să facem această explorare, astfel încât să nu ajungem în maximele locale în 07:53.840 --> 07:58.780 procesul nostru de optimizare, așa că acum vom vorbi un pic mai mult despre soft-urile Mac. 07:58.880 --> 08:02.680 Există un tutorial pe marcările moi la sfârșitul cursului. 08:02.750 --> 08:09.560 Cred că este o anexă numărul doi în care vorbim despre conceptul lui Maxim, pentru că vă reîmprospătați puțin aici, 08:09.560 --> 08:14.650 deci vorbim de rețele neuronale și de felul în care vom acoperi cu toții 08:14.720 --> 08:15.290 convoluția. 08:15.290 --> 08:18.170 Nu acoperim rețele neuronale de evoluție în această secțiune. 08:18.210 --> 08:21.470 Desigur, în această secțiune, încă mai folosim un vector. 08:21.800 --> 08:27.770 Dar în următoarea secțiune a cursului în care suntem creați un AI pentru a juca Doom, vom folosi o rețea 08:27.770 --> 08:32.870 neuronală convoluționară, astfel încât ar putea fi benefic pentru dvs. să vă uitați în rețelele 08:32.870 --> 08:38.300 neuronale relaționale și apoi să luați o auto max funcția sau puteți afla mai multe despre soft Max. 08:38.300 --> 08:43.020 După ce luați rețelele neuronale convoluționale și, bineînțeles, mai târziu. 08:43.250 --> 08:48.130 Dar aici este o reîmprospătare rapidă Deci avem aici rețeaua neuronală convoluțională care decide dacă este un câine 08:48.130 --> 08:48.950 sau o pisică. 08:48.950 --> 08:56.090 Deci, aici avem procesul de votare între acești neuroni și acesta spune că este vorba de caracteristicile 08:56.090 --> 09:04.250 pe care le cunoașteți urechile pufoase Care este tipul de lucru cu vârf ascuțit și tipul de trăsături sunt tipurile 09:04.250 --> 09:09.930 ochilor cu ochii ochii privesc toate aceste trăsături care aparțin unui câine. 09:09.930 --> 09:13.890 Deci este o șansă de 95 la sută că este un câine și șansa de 5 la sută că este o pisică. 09:13.910 --> 09:19.460 Dar întrebarea este cum am ajuns în acel Tauriel despre care vorbim despre cum obținem aceste valori pentru a adăuga 09:19.490 --> 09:20.530 până la unul. 09:20.870 --> 09:27.650 Ei bine, oricare ar fi convoluția tuturor rețelelor noastre neuronale sunt rețeaua neuronală convoluționară plus Lares complet conectat, indiferent 09:27.650 --> 09:33.300 de ce este rău, indiferent de valorile pe care le aplicăm funcției soft max sunt 09:33.300 --> 09:33.980 aici. 09:34.010 --> 09:37.720 Aici am introdus formula pentru funcția următoare. 09:37.810 --> 09:38.620 Este ceea ce pare. 09:38.780 --> 09:40.420 Și apoi avem aceste valori. 09:40.620 --> 09:43.460 Și, în principiu, este o reîmprospătare rapidă. 09:43.460 --> 09:46.050 Aceasta este formula pentru soft Max. 09:46.100 --> 09:50.900 Este ceea ce face, este nevoie de multe rezultate, dar nu conteaza. 09:50.900 --> 09:58.130 Le va lua și le va împușca pe toate în valori cuprinse între 0 și 1, indiferent de cât de mari sunt doar prin faptul 09:58.130 --> 10:03.720 că pentru mine puteți vedea că există o sumă totală în partea de jos, astfel încât aceste dispozitive vor fi 10:03.720 --> 10:04.860 zero și înăuntru. 10:04.860 --> 10:08.630 Și, de asemenea, toate aceste valori vor adăuga până la unul întotdeauna. 10:08.700 --> 10:16.770 Și asta este foarte benefic pentru noi deoarece atunci când folosim funcția soft max ceea ce se întâmplă este că 10:16.800 --> 10:21.390 obținem aceste valori selectând cea mai bună valoare de vizualizare. 10:21.390 --> 10:26.740 Dar, în realitate, ceea ce se întâmplă este acele valori pe care le obținem că există numere reale corecte. 10:26.750 --> 10:28.760 Deci, acesta este un fel de numere. 10:28.920 --> 10:31.720 Nu trebuie să se adune toate la unu și nu trebuie să fie între 0 și 1. 10:31.730 --> 10:32.830 Doar câteva cifre. 10:33.140 --> 10:38.520 Dar când aplicăm soft Max nu selecem doar cel mai bun pe care îl obținem de fapt 10:38.520 --> 10:44.310 numerele astfel încât să obținem numerele noastre între 0 și 1 și care, de asemenea, se adaugă până la 1. 10:44.310 --> 10:47.220 Și ce altceva știm că se adaugă la unul. 10:47.340 --> 10:53.010 Probabilitatea este că știm probabil că probabilitățile trebuie să adauge până la 1, de aceea putem 10:53.010 --> 10:57.990 spune aici că avem valori q, dar dintr-o dată suntem moi sau avem probabilități. 10:57.990 --> 11:02.740 Așadar, putem spune că probabilitatea ca această acțiune să fie cea mai bună acțiune este de 90%. 11:02.840 --> 11:08.610 Această secțiune lesbiană 5 la sută 2 la sută 3 la sută pentru că știm cu cât este mai mare valoarea dvs. cu atât acțiunea este 11:08.610 --> 11:09.290 mai bună. 11:09.390 --> 11:14.920 Deci, dacă le împărțim la 0 la 1, atunci acestea devin posibilități și putem să le facem ca atare. 11:15.090 --> 11:22.840 Și, prin urmare, acum este momentul în care acțiunea este selectată și așa vom veni cu Q2. 11:22.890 --> 11:28.580 Dar dacă te uiți îndeaproape acest lucru nu este strict 100 la sută și acestea nu sunt Saroo 0 la sută. 11:28.590 --> 11:30.670 Deci, acesta este de 5% la 3%. 11:30.810 --> 11:42.360 Deci, modul cel mai natural de a aplica soft-ul Max pentru a păstra explorarea în algoritm este de a folosi aceste 11:42.480 --> 11:48.600 probabilități exacte, cât de des se întâmplă să luăm acea acțiune. 11:48.600 --> 11:55.710 Deci, aceste probabilități prezintă de fapt distribuția acestor acțiuni pe care le luăm, astfel încât în esență moale Max face 11:55.890 --> 12:01.740 foarte ușor pentru noi să vină cu o modalitate de a combina exploatarea și explorarea. 12:01.740 --> 12:06.930 Deci, cea mai buna actiune va avea intotdeauna cea mai mare probabilitate pentru ca are cea mai mare valoare Q si deci 12:06.930 --> 12:11.190 aici vom fi doar sa le folosim ca distributie sau vom spune bine vom lua Q2 12:11.190 --> 12:16.080 90 la sută din timp, dar 5 la sută din timpul pe care încă mai avem de a lua Q1 12:16.120 --> 12:21.170 și 2 la sută din timp ajungem la 3 și 3 la sută din timpul pe care o să luăm Q4. 12:21.420 --> 12:27.090 Și frumusețea aici este, de asemenea, că, pe măsură ce aceste valori se actualizează ca și când agentul 12:27.090 --> 12:35.220 trece prin rețea din ce în ce mai mult, devine mai familiarizat cu mediul și, prin urmare, aceste actualizări, astfel încât această valoare, de exemplu, ar putea 12:35.210 --> 12:41.640 deveni așa cum s - ar putea dovedi că această valoare este de fapt mai mică sau de fapt aceasta este 12:41.640 --> 12:47.060 mai mare și astfel aceste probabilități se vor schimba, de asemenea, pe măsură ce un agent trece. 12:47.070 --> 12:49.190 Deci, chiar dacă avem aici Choo-Choo. 12:49.200 --> 12:55.560 Nimeni nu trebuie să spună că, uneori, 5% din timp, pentru a fi mai precis, vom selecta primul trimestru ca 12:55.560 --> 13:00.040 fiind acțiunea pe care o luăm și, uneori, sau o acțiune, vom lua măsuri. 13:00.180 --> 13:05.280 Uneori vor fi luate măsuri prin două acțiuni, trei două procente din timp, iar acțiunea va 13:05.280 --> 13:06.400 dura aproximativ 3%. 13:06.420 --> 13:13.800 Deci, fiecare acțiune are o șansă de a juca în acest proces, atâta timp cât avem destule iterații, un agent trece prin 13:13.800 --> 13:17.930 mulțime și de multe ori prin aceste state în care se află. 13:17.940 --> 13:23.880 Și asta este felul în care funcționează orice fel de algoritm de învățare profundă, încât doriți să 13:23.880 --> 13:30.030 faceți acest lucru de multe ori pentru a învăța din experiență și, prin urmare, după cum puteți vedea aici 13:30.030 --> 13:31.840 este o tranziție foarte naturală. 13:31.860 --> 13:37.590 Nu suntem doar la întâmplare ca un algoritm furios Epson și nu doar selectarea aleatorie a acțiunilor pe care le selectăm 13:37.590 --> 13:44.100 pe baza valorilor lor soft max, ceea ce face ca acest lucru să aibă ca rezultat o logică în spatele ei, nu numai 13:44.190 --> 13:48.780 că nu doar acea întâmplare de 10% când alegem o acțiune aleatorie, dar există o logică 13:48.780 --> 13:53.200 în spatele modului în care o facem și pe baza valorilor-cheie pe care le-am explorat. 13:53.280 --> 13:58.620 Și așa este politica de selecție a acțiunilor pe care o vom folosi în acest curs. 13:58.620 --> 14:04.590 Sunteți binevenit să verificați cu siguranță afară Ebsen secțiunea de acțiune lacomi Polsce dacă doriți, dar 14:04.590 --> 14:10.920 vom fi în principal, folosind politica moale Max secțiunea de acțiune și am o lectură interesantă pentru 14:10.920 --> 14:11.490 tine. 14:11.490 --> 14:17.430 Deci, acest lucru se numește explorare adaptabilă Epsilon lacomă în procesul de învățare a consolidării pe baza diferențelor de valoare 14:17.430 --> 14:18.870 este articolul din 2010. 14:18.930 --> 14:27.270 Și este interesant pentru că Mike Michel nu sunt sigur cum să pronunți Michelle și Miquel toxic 14:27.450 --> 14:36.420 introduce un alt tip de Algren și ajustat Epsilon algoritm lacom și numit VDB VDB algoritm sau epsilon greu 14:37.230 --> 14:40.030 VDB algoritm puteți vedea aici. 14:40.410 --> 14:46.590 Și el compară de fapt compara cu Ebsen lacomi și moi Max și este un algoritm 14:46.650 --> 14:55.740 absolut lacom, care în principiu ideea principală din spatele ei este de a ajusta valoarea de epsilon, în funcție de starea în care agentul 14:55.740 --> 14:56.550 este. 14:56.550 --> 15:01.820 Deci, dacă agentul este foarte sigur cu privire la stat în atunci Epsilon ar trebui să fie mai mic, astfel încât acestea ar trebui să fie mai 15:01.820 --> 15:06.340 puțin explorare în cazul în care agentul este răspunsul Epson ar trebui să fie mai mare ar trebui să fie explorare mai mult. 15:06.350 --> 15:08.930 Deci este un articol din 2010. 15:09.260 --> 15:17.930 Nu sunt sigur dacă acest algoritm nou propus este utilizat pe scară largă sau este ca fiind acceptat în comunitate sau 15:18.010 --> 15:23.090 dacă Times artificial are un fel de cale de la această sugestie. 15:23.090 --> 15:29.450 Dar, cu toate acestea, vă va ajuta cu siguranță să vă consolidați cunoștințele despre politicile de selecție 15:29.450 --> 15:33.180 a acțiunilor pe care le-am discutat despre Epsom Ingredion, 15:33.200 --> 15:38.900 softul Naxal vă ajută să vă dați posibilitatea de a obliga site-ul Subha și, de 15:38.900 --> 15:46.040 asemenea, să vedeți în ce direcție oamenii gândesc când vor să îmbunătățească inteligența artificială dacă vreți să creați cu adevărat 15:46.040 --> 15:51.770 algoritmi interesanți care să împingă marginea inteligenței artificiale Elche și împingând plicul în acest spațiu, atunci 15:52.130 --> 16:00.140 acesta ar putea fi o modalitate bună de a vedea în ce direcție oamenii gândesc uneori atunci când încearcă pentru a îmbunătăți 16:00.200 --> 16:04.070 normele inteligenței artificiale sau normele care existau atunci în 2010. 16:04.070 --> 16:04.760 Așa că mergem. 16:04.790 --> 16:11.020 Sperăm că v-ați bucurat de tutorialul de astăzi despre politicile de selecție a acțiunilor și am aflat 16:11.060 --> 16:18.240 despre sarea Epson de la abseil și Mac-urile moi și acum sunteți chiar mai pregătiți pentru aspectul practic al lucrurilor. 16:18.290 --> 16:20.840 Și în această notă mă aștept cu nerăbdare să văd următorul pas. 16:20.840 --> 16:22.570 Și până atunci să vă bucurați de AI.