WEBVTT 00:00.420 --> 00:03.950 Halo dan selamat datang lagi di Maggio mobil self-driving kami. 00:03.960 --> 00:10.200 Jadi hanya dengan bekerja keras saya akan menjelaskan lingkungan di mana kita akan menerapkan kecerdasan buatan kita dan itu 00:10.410 --> 00:16.500 akan berisi Tentu saja mobil yang akan melatih untuk mengemudi sendiri dan untuk menghindari rintangan dan yang akan 00:16.500 --> 00:20.950 menggambar beberapa jalan dan beberapa blok mobil kami untuk menavigasi di sekitar mereka. 00:21.210 --> 00:28.170 Jadi nanti kita akan membangun kecerdasan buatan ini untuk melatih mobil ini mengemudi di jalan yang Anda tahu 00:28.170 --> 00:33.830 tanpa melewati batas dan menghindari beberapa rintangan yang akan diletakkan di dalam jalan. 00:34.140 --> 00:35.870 Jadi ini adalah tantangan yang cukup menarik. 00:35.910 --> 00:42.000 Dan sebenarnya ada dua file terpisah seperti yang Anda lihat ada apex dan unggas yang merupakan 00:42.000 --> 00:47.090 kecerdasan buatan yang akan melakukan semua pelatihan untuk melatih mobil cara menjual drive. 00:47.280 --> 00:52.080 Dan kami memiliki peta yang kami temukan itu adalah kode yang membuat semua lingkungan ini. 00:52.110 --> 00:57.090 Jadi di sini adalah kode yang sebenarnya 200 baris kode lebih sedikit. 00:57.090 --> 01:00.460 Jadi kode ini biasanya tidak terkait dengan AI. 01:00.510 --> 01:03.380 Itu hanya kode untuk membuat lingkungan membuat peta. 01:03.420 --> 01:08.430 Jadi saya akan membahas setiap bagian satu per satu untuk menjelaskan tetapi kami tidak 01:08.430 --> 01:13.610 akan mengimplementasikan kode ini baris demi baris dari awal karena kami ingin fokus pada kecerdasan buatan. 01:13.740 --> 01:17.160 Tetapi mari kita terus membaca bagian satu per satu untuk memahami apa yang terjadi. 01:17.370 --> 01:22.020 Jadi pertama-tama kita mengimpor perpustakaan pusat untuk kode apa saja. 01:22.110 --> 01:28.770 Kami membutuhkan beberapa pustaka untuk melakukan beberapa tugas lebih efisien daripada kami mengimpor semua paket cavy. 01:28.890 --> 01:35.140 Jadi itu tidak terlalu penting karena ini semua khusus untuk Cavey, kami menggunakan cavy untuk membuat peta. 01:35.190 --> 01:41.010 Jadi kami mengimpor banyak kelas dan objek untuk dapat membuat peta ini dan menambahkan beberapa 01:41.010 --> 01:42.210 alat di peta. 01:42.210 --> 01:44.420 Baiklah, baris ini penting. 01:44.430 --> 01:53.130 Baris ini berhubungan karena pada dasarnya di sinilah kita mengimpor otak kita ke otak mobil yang akan menjadi jet 01:53.220 --> 01:57.760 lain ini kan di kelas dan guru di kelas. 01:57.820 --> 02:00.570 Apakah kecerdasan buatan kita sendiri. 02:00.570 --> 02:04.680 Anda akan melihat kami akan mengimplementasikan dequeue di kelas dalam tutorial berikut. 02:04.680 --> 02:09.650 Dan seperti yang mungkin sudah Anda duga contoh dequeue untuk jaringan Q mendalam. 02:09.650 --> 02:15.450 Jadi kami akan menerapkan jaringan pembelajaran dequeue dan kemudian setelah siap kami akan 02:15.540 --> 02:21.910 mengimpornya di sini dengan garis ini dari AI dan mata tentu saja adalah file python. 02:21.990 --> 02:22.310 Baiklah. 02:22.320 --> 02:24.450 Jadi tidak sabar untuk mengimplementasikan ini. 02:24.450 --> 02:29.520 Ini akan menjadi perjalanan yang cukup tetapi Anda akan melihat ini akan sangat 02:29.520 --> 02:33.200 menarik karena berkat saya mobil akan dapat mengemudi sendiri. 02:33.270 --> 02:33.880 Baiklah. 02:33.880 --> 02:39.060 Dan sekarang sebelum saya melanjutkan ke bagian selanjutnya kita harus menjelaskan bagaimana kita akan melatih mobil ini. 02:39.060 --> 02:43.880 Saya tidak akan menjelaskan jaringan syaraf saat ini tetapi saya akan menjelaskan gagasan tentang 02:43.920 --> 02:48.080 bagaimana kita dapat melatih mobil untuk menyetir sendiri dan untuk menghindari rintangan. 02:48.360 --> 02:54.130 Jadi, Anda tahu dalam kehidupan nyata jika Anda ingin melatih mobil nyata untuk menghindari beberapa dinding atau hambatan. 02:54.390 --> 02:55.580 Nah apa yang akan kamu lakukan. 02:55.830 --> 03:01.130 Anda pasti tidak akan mengambil dinding nyata atau hambatan besar nyata dan menghancurkan mobil Anda ke mereka. 03:01.200 --> 03:02.710 Itu akan menghabiskan banyak uang. 03:02.850 --> 03:10.170 Alih-alih, ide yang lebih cerdas adalah menghukum mobil Anda bukan saat menabrak tembok atau rintangan, 03:10.410 --> 03:12.690 tetapi saat menabrak pasir. 03:12.810 --> 03:14.220 Jadi seperti Anda memiliki lapangan. 03:14.220 --> 03:19.680 Lapangan ini memiliki beberapa jalan di mana mobil harus tetap dan jalan dibatasi oleh pasir. 03:19.860 --> 03:25.500 Dan setiap kali mobil masuk ke tengah, rasanya seperti mengalami hambatan karena begitu mobil masuk 03:25.500 --> 03:31.050 ke pasir, ia akan diperlambat dan kami akan memastikan bahwa mobil itu dihukum, dihukum karena 03:31.050 --> 03:31.630 itu. 03:31.860 --> 03:35.200 Dan itu adalah salah satu poin penting dari kecerdasan buatan. 03:35.220 --> 03:40.210 Kata buruk datang setiap kali mobil masuk akal dan melambat. 03:40.230 --> 03:40.770 Baiklah. 03:40.770 --> 03:45.160 Dan karena itu di sini saya memperkenalkan teks terakhir dan itulah sebabnya. 03:45.300 --> 03:50.650 Yang merupakan koordinat titik terakhir dalam memori ketika kita menggambar beberapa aroma di peta. 03:50.760 --> 03:51.110 Baiklah. 03:51.120 --> 03:57.720 Dan kemudian kita mendapatkan kecerdasan buatan kita yang kita sebut otak dan yang mengandung jaringan saraf kita dan 03:57.900 --> 04:03.020 kita akan menyebutnya otak karena ini sebenarnya adalah otak mobil dan yang mengandung Jaringan 04:03.030 --> 04:03.920 Mie kita. 04:04.350 --> 04:04.730 Baiklah. 04:04.770 --> 04:10.200 Jadi di baris kode ini seperti yang Anda lihat saya membuat objek di guru di kelas 04:10.230 --> 04:17.000 Saya akan mengingatkan Anda bahwa kelas dan objek hanyalah objek Brenna yang tidak memanusiakan kelas dan 5: 04:17.010 --> 04:19.660 3 dan 0. 9 adalah input dari kelas. 04:19.680 --> 04:26.880 Jadi itu sangat sederhana, lima korespondensi dengan negara bagian yang dikodekan vektor lima dimensi, kita akan melihat apa 04:26.880 --> 04:31.710 yang mereka gambarkan dengan sempurna apa yang terjadi di lingkungan pada peta. 04:31.830 --> 04:38.820 Lalu tiga adalah jumlah tindakan akan ada tiga tindakan yang mungkin ke kiri, lurus, atau 04:39.330 --> 04:44.190 ke kanan, dan 0. 9 lagi merupakan parameter dalam algoritma pembelajaran dequeue. 04:44.220 --> 04:46.900 Baiklah dan kemudian kita memiliki aksi melalui rotasi. 04:46.980 --> 04:50.910 Jadi aksi rotasi adalah vektor dari tiga elemen. 04:50.910 --> 04:53.290 020 dan minus 20. 04:53.300 --> 05:01.820 Jadi kita harus melakukan ini karena tindakan dikodekan oleh tiga angka 0 1 dan 2 dan yang sesuai dengan 05:01.820 --> 05:04.700 indeks aksi ini dua vektor rotasi. 05:04.710 --> 05:11.160 Jadi misalnya jika tindakan yang dipilih pada waktu t adalah nol. 05:11.270 --> 05:18.990 Nah nol sesuai dengan indeks aksi ini dua vektor rotasi dan nilai indeks 0 adalah nol. 05:19.150 --> 05:24.490 Dan karena itu kita akan langsung maka jika tindakan yang dipilih adalah 1. 05:24.770 --> 05:30.380 Nah satu sesuai dengan indeks tindakan ini dua vektor tambahan dan nilai vektor ini 05:30.380 --> 05:32.810 yang memiliki berikutnya adalah 20. 05:32.810 --> 05:38.580 Jadi 20 sesuai dengan rotasi 20 derajat dan itu berarti kode akan pergi 20 derajat 05:39.260 --> 05:46.500 ke kanan dan kemudian jika tindakan yang dipilih adalah dengan baik sesuai dengan indeks untuk tindakan ini untuk rotasi vektor. 05:46.700 --> 05:52.570 Dan karena itu kode akan melakukan rotasi minus 20 derajat dan oleh karena itu akan ke kiri. 05:52.580 --> 06:00.200 Baiklah, kami memperkenalkan Voivode hadiah kiri karena pada setiap tahap akan mendapatkan kata terakhir. 06:00.200 --> 06:04.970 Jadi ingat jika kartu itu tidak masuk akal maka hadiahnya akan positif. 06:05.180 --> 06:11.780 Dan jika kode tersebut masuk ke beberapa pengertian dengan baik itu akan mendapatkan hadiah buruk dan setiap kali variabel 06:11.780 --> 06:15.270 ini akan berisi hadiah ini bahwa ia mendapat H20. 06:15.500 --> 06:20.760 Dan kemudian kita inisialisasi skor yang merupakan vektor yang akan berisi hadiah. 06:20.780 --> 06:22.780 Tidak semuanya tetapi hadiahnya. 06:22.800 --> 06:28.340 Ke jendela geser sehingga Anda tahu kami bisa membuat kurva rata-rata jongkok hadiah sehubungan 06:28.340 --> 06:29.440 dengan waktu. 06:29.450 --> 06:34.520 Baiklah di bagian kode ini kita inisialisasi peta sehingga kita inisialisasi. 06:34.520 --> 06:36.170 Misalnya variabel tersebut. 06:36.170 --> 06:37.220 Jadi itu penting. 06:37.220 --> 06:42.710 Variabel kedua sebenarnya akan menjadi array di mana sel akan menjadi piksel peta dan di 06:43.250 --> 06:45.880 setiap sel kita akan memiliki 1. 06:45.980 --> 06:52.120 Jika ada arti di nol jika tidak ada pusat di awal kita tidak akan menggambar apa pun. 06:52.160 --> 06:57.840 Jadi tidak akan ada gunanya sama sekali dan karena itu semua sel array pusat akan memiliki nol. 06:57.860 --> 07:02.990 Akan ada nol di mana-mana dan segera setelah kami menarik beberapa akal sementara sel-sel 07:02.990 --> 07:10.290 di mana kami menggambar akan mendapatkan satu dan kami menginisialisasi balapan dengan semua nol di sini mengirim sama dengan dan nol 07:10.370 --> 07:13.510 Lalu kita memiliki hal penting ini yang merupakan tujuannya. 07:13.520 --> 07:17.630 Jadi tujuannya adalah titik di peta yang akan melatih mobil untuk mencapai. 07:17.630 --> 07:19.850 Jadi itu seperti tujuan. 07:19.850 --> 07:21.460 Jadi apa yang akan menjadi tujuan ini. 07:21.560 --> 07:27.380 Nah ini akan menjadi sudut kiri atas peta untuk semua melatih mobil untuk pergi ke sudut 07:27.380 --> 07:28.480 kiri atas peta. 07:28.550 --> 07:33.290 Dan kemudian setelah mencapai sudut kiri atas peta maka kita akan cenderung untuk pergi ke 07:33.290 --> 07:36.590 sudut kanan bawah peta sehingga kita bisa membayangkan skenario berikut. 07:36.590 --> 07:42.620 Sudut kiri atas peta adalah bandara kota dan sudut kanan bawah peta 07:42.620 --> 07:44.320 adalah pusat kota. 07:44.570 --> 07:50.180 Dan kami akan melatih taksi atau Uber untuk melakukan beberapa perjalanan bolak-balik antara bandara dan pusat kota. 07:50.210 --> 07:55.610 Dan tentu saja kita akan mempersulit tugas taksi ini dengan menggambar lebih banyak jalan yang semakin 07:55.700 --> 08:01.190 sulit dan menambahkan lebih banyak hambatan di jalan untuk melihat apakah taksi masih dapat pergi dari 08:01.190 --> 08:02.760 bandara ke pusat kota. 08:02.990 --> 08:04.170 Jadi ini akan menyenangkan. 08:04.190 --> 08:11.030 Dan itulah mengapa di sini saya menetapkan koordinat tujuan pertama yaitu bandara yang ada di 08:11.030 --> 08:12.640 kiri atas layar. 08:12.830 --> 08:20.000 Jadi peta akan seperti kotak seperti ini dan koordinat titik asal yaitu koordinat 00 08:20.090 --> 08:22.090 ada di sini. 08:22.340 --> 08:25.250 Dan kemudian lebih besar jarak ini di sini. 08:25.310 --> 08:32.640 Jadi koordinat 20 dan Najah minus 20 akan berada di sini di sudut kiri atas peta. 08:32.790 --> 08:35.650 Dan mengapa saya memilih 20 dan bukan nol. 08:35.850 --> 08:40.300 Yah itu karena kami ingin melatih mobil agar tidak terburu-buru ke tembok. 08:40.320 --> 08:45.450 Anda tahu kami juga ingin berlatih di tembok dan karena itu bukan nol karena kami tidak ingin 08:45.450 --> 08:48.120 mobil menyentuh ke tempat yang ingin kami sentuh. 08:48.180 --> 08:53.910 Jadi kita harus meletakkannya di sini dan kemudian saya baru saja memperkenalkan variabel jarak terakhir yang hanya memberikan 08:53.910 --> 08:58.200 jarak saat ini dari mobil ke jalan dan saya inisialisasi ke nol. 08:59.020 --> 08:59.470 Baiklah. 08:59.480 --> 09:02.220 Dan sekarang saatnya membuat mobil dan game. 09:02.370 --> 09:06.650 Jadi kita akan membuat dua kelas satu kelas untuk mobil dan satu kelas untuk permainan. 09:06.850 --> 09:10.850 Dan di dalam kelas-kelas ini sudah akan membuat beberapa koneksi dengan AI kami. 09:11.170 --> 09:13.170 Jadi kita akan melakukannya di Statoil berikutnya. 09:13.180 --> 09:15.000 Dan sampai saat itu nikmati aku.