WEBVTT

00:00.240 --> 00:06.600
Merhaba ve Statoil'deki bu Python öğreticisine hoş geldiniz, biz derin teori modelinin uygulanmasına

00:06.630 --> 00:08.270
ilk adımı atacağız.

00:08.280 --> 00:13.590
Temel olarak, difüzyon algoritmasının tüm sürecini uygulamak üzereyiz.

00:13.830 --> 00:16.580
Ve böylece daha önce yarattığımız şeyleri kullanacağız.

00:16.590 --> 00:22.460
Bu, sinirsel ağın, bunu tüm dizin çözme öğrenme sürecine entegre etmek için belleği yeniden

00:22.530 --> 00:24.180
çalması için olan mimarisi.

00:24.180 --> 00:28.320
Ve bütün öğrenme algoritması bir sınıfa sığacak.

00:28.380 --> 00:32.340
Yapay zekayı uygulamak için yaptığımız son şey budur.

00:32.340 --> 00:35.650
Ve bu sınıf sadece farklı işlevler içerecektir.

00:35.700 --> 00:41.790
Dolayısıyla, modelin kendisini temsil edecek ve bazı başka işlevlere sahip olacak olan gelecekteki

00:41.790 --> 00:48.450
yön bulma nesnelerimize ekli olan tüm değişkenleri yaratacak ve başlatacak olan işlevlere sahip olacağız.

00:48.510 --> 00:52.830
Bunlardan biri elbette her seferinde doğru hareketi seçmek olacaktır.

00:52.950 --> 00:59.250
Ayrıca bu çekirdeği elde etmek için bir güncelleme fonksiyonu çekirdek işlevi göreceğiz ve eğer öğrenme iyi gidiyorsa öğrenmenin nasıl

00:59.250 --> 01:01.030
gittiğine dair bir fikriniz olacaktır.

01:01.090 --> 01:07.080
Eğer keşif iyi gidiyorsa ve sömürüye doğru ilerleyebilirse ve o zaman yarının kurtarılması için güvenli

01:07.080 --> 01:12.430
bir işleve sahip olacağız, o da arabanın beynini kurtarmak ve sonuçta yük fonksiyonunu sağlamaktır.

01:12.480 --> 01:14.590
Dolayısıyla, yapacak birkaç işlevimiz var.

01:14.640 --> 01:17.440
Her biri için bir işlevi yerine getireceğiz.

01:17.490 --> 01:22.820
Ve bugün sınıf oluştururken her zamanki gibi son işlevi ile başlayacağız.

01:23.010 --> 01:30.040
Fakat öncelikle sınıfa girmeyi unutmayalım, böylece D diyeceğiz.

01:30.200 --> 01:35.970
Q Ve sizin için şebeke daha sonra bazı parantez arar.

01:36.030 --> 01:39.440
Ve sonra ilk işle uğraşırız.

01:39.500 --> 01:47.910
Bu yüzden def'i sonra çift altı çizili, ardından çiftinin alt çizgisini ve parantezi tekrar çizelim.

01:48.170 --> 01:53.530
Bu işlevi gördüğünüz gibi, nesnemize ekli değişkenleri tanıtacağız.

01:53.570 --> 01:59.240
Dolayısıyla, kendi başlarına birkaç satır başlayacağız ve temel olarak D2

01:59.300 --> 02:03.530
ağını uygulamak için gereken tüm değişkenleri oluşturup başlatacağız.

02:03.530 --> 02:09.740
Dolayısıyla, örneğin bir cisim veya şebekeyi yaratacağız çünkü tabii ki derin sinir ağımıza ihtiyaç duyuyoruz,

02:10.310 --> 02:12.190
o zaman hafızamıza ihtiyaç duyacağız.

02:12.300 --> 02:14.630
Bellek için başka bir değişken yaratacağız.

02:14.740 --> 02:20.430
Dolayısıyla, başka bir değişken kendi hafızamıza sahip oluruz, ancak o zaman hepsini de yaratmamız gerekmiyor.

02:20.480 --> 02:22.390
Son tarih için bazı değişkenler.

02:22.490 --> 02:24.820
Son eylem ve son söz.

02:24.920 --> 02:30.520
Tabii ki, difüzyon algoritmasında gördüğünüz değişkenleri biliyorsunuzdur.

02:30.920 --> 02:31.830
Ve sonra başka ne var.

02:31.940 --> 02:38.150
Ayrıca, hataya ne kadar katkıda bulunacaklarına göre veri ağırlıkları açısından stokastik ızgarayı gerçekleştirmek

02:38.510 --> 02:42.170
için bildiğiniz bir iyileştiriciye de ihtiyacımız olacaktır.

02:42.320 --> 02:48.650
AI bir hata yaparken ve bence o temelde şu anda yaratmamız ve

02:48.650 --> 02:50.230
başlatmamız gereken değişkenlerdir.

02:50.510 --> 02:58.460
Ancak bu init fonksiyonunda, önce her zamanki ben gibi birkaç argüman koyacağız, bu da nesnemize

02:58.460 --> 03:00.190
atıfta bulunan argümanlar.

03:00.200 --> 03:05.210
O halde, ağ sınıfının bir nesnesini yaratacağımızı bildiğinizden beri.

03:05.390 --> 03:12.740
İyi çünkü ağ sınıfı, init işlevi girdi boyutunda argüman olarak algılıyor ve eylem de

03:12.740 --> 03:13.740
burada aynı.

03:13.850 --> 03:19.110
Ağ sınıfının bir nesnesi oluşturulurken, bir giriş boyutu argümanı ve gerçek bağımsız değişken

03:19.160 --> 03:20.180
seçmeniz gerekecektir.

03:20.180 --> 03:22.140
Dolayısıyla bunları burada kopyalayabiliriz

03:25.660 --> 03:27.520
ve işte gidiyoruz.

03:27.710 --> 03:30.450
Dolayısıyla bu argümanlar artık olacak.

03:30.560 --> 03:33.160
Ayrıca bazı argümanlar sürmedi.

03:33.170 --> 03:39.680
Farklı sınıfın gelecekteki bazı nesnelerini yarattığımızda, bazı geleceğin rol modelleri

03:39.680 --> 03:45.010
Eh, hatırlattığım girdi boyutunu, devletlerinizi içeren vektörlerdeki boyutların sayısını

03:45.010 --> 03:46.330
belirtmeniz gerekecek.

03:46.370 --> 03:52.940
Giriş durumunuz ve arabanın yapabileceği olası eylemlerin sayısı olan bir dizi eylem.

03:53.150 --> 03:54.000
Bu yüzden sana hatırlatırım.

03:54.110 --> 03:57.830
Bunlar sola doğru gitmek ya da sağa gitmek.

03:58.190 --> 03:59.270
Tamam mükemmel.

03:59.270 --> 04:04.640
O halde, geçişler konusundaki hafızamızı elde etmek için hafıza nesnesini yaratmak için

04:04.640 --> 04:10.680
yeniden çalma hafıza sınıfının yeni bir nesne oluşturacağınızı ve kapasite argümanımız olan bilgileri biliyorsunuzdur.

04:10.850 --> 04:16.640
Fakat biz onu sadece bir kere aslında bellek kullandıracağımız zaman kullanmayacağız çünkü

04:16.640 --> 04:20.000
hiçbir yerde değil, kapasite argümanını belirtmemiz gerekmiyor.

04:20.030 --> 04:25.330
Bunu yapabiliriz, ancak hafızamızda olmasını istediğimiz geçiş sayısını doğrudan girer.

04:26.150 --> 04:32.390
Fakat o zaman parametreyi öğretmen modelinde elde etmek için son bir argümana ihtiyacımız var.

04:32.480 --> 04:35.470
Bu gama parametresinin gecikme olduğunu unutmayın.

04:35.750 --> 04:41.300
bir parametresi ve onu buraya koyacağız, çünkü daha sonra birkaç kere kullanacağız.

04:41.510 --> 04:42.920
Ve bu denklemin

04:43.160 --> 04:44.990
O halde buraya koyalım.

04:45.070 --> 04:47.140
Buna Gamma diyeyiz.

04:47.150 --> 04:52.610
Dolayısıyla bu sadece argümanın adıdır ve bunun için işlevinde buna ihtiyaç duyacağınız

04:52.610 --> 04:53.740
tüm argümanları kullanırız.

04:53.750 --> 05:00.320
Demek ki, sınıfımızda öğretmenin bir nesnesini yarattığımızda sözlük modelimizi yarattığımızda

05:00.320 --> 05:01.390
bu demektir.

05:01.520 --> 05:08.060
Peki, girdi boyutu eylem sayısını ve parametreyi argümanlar olarak belirtmeliyiz.

05:08.360 --> 05:10.590
Ve onlar için asıl değerlerle biteriz.

05:11.210 --> 05:13.870
Pekâlâ, şimdi işin içine girelim.

05:14.100 --> 05:14.400
TAMAM.

05:14.410 --> 05:16.480
Şimdi temel olarak bu kolay olacak.

05:16.510 --> 05:21.090
İhtiyacımız olan tüm değişkenleri yaratmak ve başlatmak üzereyiz.

05:21.110 --> 05:22.770
Ve böylece birincisiyle başlayalım.

05:22.910 --> 05:24.460
Gama ile başlayalım.

05:24.530 --> 05:26.090
Aslında gecikme katsayısı.

05:26.330 --> 05:31.850
Bu yüzden bu bir Voivode nesnesine bağlı olmak istiyor ve kendimizle başlıyoruz.

05:31.880 --> 05:39.500
Dolayısıyla gamma, öğretmenimizin bir değişkeni olacak ve modelin kendisi de, gammanın, detune sınıfının bir nesnesi

05:39.530 --> 05:42.930
oluşturulurken girilecek argümanlara eşit olduğu modellenecektir.

05:42.950 --> 05:46.900
Janna ve orada ikinci argümanla devam ediyoruz.

05:47.040 --> 05:50.560
İkinci argüman ödül penceresi olacak.

05:50.840 --> 05:52.340
Peki bu pencere nedir.

05:52.520 --> 05:57.950
içerisinde süzülecek olan bu savaş Windu'ya anlamı taşıyacağını bildiğiniz performansın

05:58.010 --> 06:04.280
evrimini değerlendirmek için kullanacağınız son 100 sözcük ortalamanın kayan penceresi olacak.

06:04.280 --> 06:06.320
Bu, sözü geçen zaman

06:06.440 --> 06:11.680
Ve gözlemlemek istediğimiz, son 100 kelimenin zamanla artan anlamı.

06:11.930 --> 06:18.610
Öyleyse bunu, alt çizgi penceresini ödüllendirerek kendimizle başlayalım.

06:18.710 --> 06:24.690
Ve bu yüzden son 100 kelimenin gelişen ortalamasının kayan bir penceresi olacak.

06:24.860 --> 06:31.710
Eh, onu boş bir liste olarak başlatacağız ve sonra fazla mesai yaptığımızı ifade etmek için genişleyeceğiz.

06:32.860 --> 06:35.320
Tamam, o zaman daha heyecanlı.

06:35.420 --> 06:37.430
Sinir ağımızı oluşturalım.

06:37.580 --> 06:43.780
Bu yüzden kendi kendine öğretilen Mario olarak adlandıracağız, çünkü temelde bu modellerin kalbi.

06:43.790 --> 06:51.890
Onu model olarak adlandırıyorum ve bu model bu sınıfta başka bir şey olmayacak ve böyle

06:51.890 --> 06:53.270
bir nesne yaratacak.

06:53.300 --> 07:02.630
Sınıf ağımızı parantez içinde alıyoruz ve burada sadece sınıfın argümanlarını koyduk fakat bu argümanları init fonksiyonunun

07:02.750 --> 07:08.930
argümanlarına koyduk ve bu nedenle bunları burada kopyalamamız ve onları ağ

07:08.930 --> 07:15.290
sınıfına yapıştırmamız gerekiyor ve biz de Bu kod satırı ile gidin.

07:15.350 --> 07:22.690
Modeli mükemmel öğrenmek için bir sinir ağı oluşturduktan sonra bir bellek yaratalım.

07:22.880 --> 07:29.930
Böylece biz de kendine öğretilen hafıza dediğimiz yeni bir Vargo yaratacağız.

07:29.930 --> 07:34.190
Ve yine bu, tekrar çalma hafıza sınıfının bir nesnesi olacak.

07:34.220 --> 07:42.320
Öyleyse adını veya sınıfı alalım, şimdi burada yüzleşelim ve bir parantez içinde kapasiteyi koymamız

07:42.320 --> 07:48.680
gerekiyor, çünkü kapasite fonksiyonun bir argümanı ve buradaki ihtiyacımız olan tek

07:48.680 --> 07:49.880
argüman bu.

07:50.240 --> 07:55.100
Dolayısıyla hangi kapasiteyi seçeceğiz hatırlarsanız geçiş sayısına karşılık gelen

07:55.100 --> 07:59.800
son olay sayısını ve son hareketi ifade eder.

07:59.830 --> 08:07.550
Ve Priester kalelerinden birinde belirtildiği gibi yüz bin yüz bin geçişe belleğe geçeceğiz ve

08:07.550 --> 08:14.390
daha sonra bu bellekten az sayıdaki rasgele geçişler elde etmek için numune

08:14.390 --> 08:18.670
alacağız ve modelin üzerinde olduğu rasgele geçişler yapacağız.

08:18.720 --> 08:21.210
Şimdi, hafızamız mükemmel.

08:21.210 --> 08:23.180
Şimdi optimizörü alalım.

08:23.430 --> 08:31.800
Optimizer, geleceğimizin başka bir değişkeni olduğu için optimizer olarak adlandırdığımız

08:31.800 --> 08:35.320
yeni bir değişken oluşturuyor.

08:35.520 --> 08:44.130
Ve şimdi biz tekrar gidersek, ızgarayı merkeze götürmek için gerçekleştirilecek tüm araçları içeren bir modüler meşale olan

08:44.160 --> 08:47.080
işkence görmüş Upton'u ithal ettiğimizi görebilirsiniz.

08:47.130 --> 08:54.260
ve ona Upton kısayolunu verdik ve bu yüzden burada yapacağımız şey modeli kendisine

08:54.270 --> 09:00.900
kadar olan meşaleye olanaksız hale getirmek ve bu modülden birisini almaya gidiyoruz. optimize.

09:00.900 --> 09:03.060
Elbette bazı iyileştiriciler içeriyor

09:03.180 --> 09:05.670
Görebildiğiniz gibi hepsi burada listelenmiştir.

09:05.880 --> 09:10.630
Birçoğu mükemmel, örneğin zırhın Propp mükemmel bir eniyileyicidir.

09:10.640 --> 09:16.170
Sinir ağlarının veya gözetimsiz derin öğrenmenin bir kaydı için şiddetle tavsiye edilir.

09:16.230 --> 09:22.140
Ama olağanüstü mükemmel olanı ve seçeceği atom iyileştirici.

09:22.500 --> 09:26.400
Bunu göreceksiniz ki, bununla kendiliğinden sürüş halindeki iyi bir otomobil bulacaksınız.

09:26.580 --> 09:32.000
Ama yine de diğerlerini denemekten hoşnut değilsiniz, ancak silah pervazını deneyebilirsiniz, metal için

09:32.000 --> 09:32.810
Adam'ı seçeceğiz.

09:32.850 --> 09:34.290
Bu yüzden enter tuşuna basıyorum.

09:34.560 --> 09:37.240
Aslında buradaki başkentin farkına varacaksınız.

09:37.260 --> 09:40.430
Çünkü Atom sınıfının bir nesnesi yaratıyoruz.

09:40.430 --> 09:44.990
Bu bir sınıftır fakat nesne kendisi bir atom optimizörü olacaktır.

09:45.060 --> 09:50.970
Ancak bu bir sınıftır, bazı bağımsız değişkenler koymamız gerekir; Atom sınıfının argümanları

09:51.060 --> 09:55.270
ve bağımsız değişkenler sizin ve iyileştiricinizi özelleştirebilen tüm parametrelerdir.

09:55.380 --> 10:00.330
Yani, örneğin, genellikle çürüme veya diğer bazı parametreler öğrenme hızıdır.

10:00.510 --> 10:05.690
Ormeau'nun tüm parametrelerinin yanı sıra bir öğrenme oranı da belirleyeceğiz.

10:05.970 --> 10:08.650
Yani modelimizin parametrelerinin başlangıcı.

10:08.670 --> 10:12.830
Onları kendi şüphe modeliyle alabiliriz.

10:12.870 --> 10:17.530
İşte kendi sınıfımızdan kendi kendine öğretilen model oluşturduk.

10:17.580 --> 10:24.780
Böylece kendi kendine öğretilen model ve sonra modelin parametrelerine erişmek için başka bir nokta ve daha sonra

10:25.500 --> 10:28.170
parametreleri bazı parantezlerle çok basitçe ekledik.

10:28.170 --> 10:35.860
Bu sadece addon optimizer'ı sinir ağımıza bağlamak için burada oluşturduğumuz sinir ağına

10:35.880 --> 10:42.810
daha sonra bir öğrenme hızı ekleyeceğimizden bahsettik ve bunun argümanı bizim.

10:43.170 --> 10:50.540
büyük bir öğrenme hızı elde edersek öğrenmeyi çok hızlı gerçekleştiremeyecek bir değere eşit ayarlayacağız.

10:50.540 --> 10:53.910
AI AI'nin düzgün bir şekilde öğreneceği çok

10:53.910 --> 10:58.890
AI'mızın hatalarından öğrenmeyi keşfetmek için biraz zaman tanımak istiyoruz.

10:58.890 --> 11:04.320
Biraz mantıka girmek ya da bir duvara çok yaklaşmak gibi bazı hatalar

11:04.320 --> 11:05.510
yaparken cezalandırdığımızı biliyorsun.

11:05.770 --> 11:08.780
İyi öğrenmek için biraz zaman ayırmak istiyoruz.

11:08.880 --> 11:12.030
Sinir ağı doğru bir şekilde bugüne kadar bir yol istiyorum.

11:12.180 --> 11:21.010
Ve bu yüzden birkaç tane denedikten sonra biten öğrenme oranı için iyi bir değer 0'dır. 2 veya bir tane.

11:21.210 --> 11:24.540
Tamam, bir iyileştirici yaratmak için ihtiyacımız olan şey bu.

11:24.720 --> 11:28.320
Yani temel olarak Atom sınıfının bir nesnesi yaratıyorsunuz demektir.

11:28.530 --> 11:29.050
Harika.

11:29.070 --> 11:35.980
Ve ihtiyacımız olan son üç değişken, geçiş olaylarımızı oluşturan değişkenlerdir.

11:36.150 --> 11:40.130
Son hareketin son tarihi ve son sözü.

11:40.170 --> 11:45.280
Ve temelde şu anda yaratacağımız şey bu ve onları sadece başlatmamız gerekecek.

11:45.300 --> 11:50.130
Bu yüzden, kendi kendine öğretilen son tarihteki son tarihe başlayalım.

11:50.400 --> 11:56.000
Son altı çizili durum ve sonra onu nasıl başlatın.

11:56.190 --> 12:03.840
musun, son tarih, bir ortamda kodlanmış bir vektör olan 5 hakimiyetin bir vektörüdür.

12:03.840 --> 12:04.700
Hatırlıyor

12:04.950 --> 12:10.800
Ve hatırlatmak gerekirse, bu beş boyut, üç sensörün sağ ve

12:10.800 --> 12:15.180
sol yön ve eksi yönlendirme üç sinyalidir.

12:15.210 --> 12:18.350
Dolayısıyla bu vektör ve sezgisel bir konudur.

12:18.420 --> 12:21.060
Fakat meşaleden dolayı bir vektörden daha fazlası olmalı.

12:21.210 --> 12:23.640
Aslında bir meşale tensörü olmalı.

12:23.820 --> 12:29.970
Ancak sadece meşale sensörü olması gerekmiyor, aynı zamanda topluluğa tekabül eden sahte boyut

12:29.970 --> 12:33.510
olarak adlandırmayı sevdiğim bir boyut daha olması gerekiyor.

12:33.630 --> 12:39.810
Bunun nedeni, son sekiz sinir ağı girişi olacağı, ancak genel olarak yoğun

12:39.810 --> 12:46.220
akışla çalıştığı zaman benimle çalışırken giriş vektörleri kendiliğinden basit bir vektör olamazken

12:46.290 --> 12:48.040
bir meşale taşıyor.

12:48.210 --> 12:49.760
Bir yığın halinde olmalı.

12:49.830 --> 12:57.660
Ağ, yalnızca giriş gözlemlerinin yığını kabul edebilir ve bu nedenle, giriş durumu vektörleri için

12:57.870 --> 13:05.140
bir tensör yaratmakla kalmaz, aynı zamanda, partiye karşılık gelen bu sahte boyutu yaratacağız.

13:05.190 --> 13:11.490
Şimdi bunu yapalım ve bir meşale tensörü başlatarak başlayalım, böylece daha basit bir

13:11.490 --> 13:12.340
şey yoktur.

13:12.510 --> 13:21.810
Torche kütüphanemizi sonra nokta olarak alıyoruz ve sonra tensör sınıfını kullanacağız çünkü tahmin ettiğiniz

13:21.810 --> 13:27.950
gibi tensör nesne olan tensör sınıfının bir nesnesi yaratacaktır.

13:28.120 --> 13:34.660
Ve bu tensörde, tansörün boyutunu belirtecek bir argüman koymalıyız.

13:34.660 --> 13:38.720
Resmi tek bir türe sahip bir dizi gibi çekebilirsiniz.

13:38.890 --> 13:45.430
Ancak temelde şu an temsil edecek olan şey tabii ki görebileceğiniz bu giriş durumunun bir vektörüne sahip

13:46.180 --> 13:49.380
olması ve böylece mesafe gereken öğelerin sayısını belirtmektir.

13:49.570 --> 13:55.180
Elbette giriş boyutunu kullanmamız gerekir, çünkü girdi boyutu tam olarak giriş

13:55.510 --> 13:57.520
durum vektörlerimizin boyutlarının sayısıdır.

13:57.520 --> 13:59.050
Şimdi tensörler demeliyim.

13:59.170 --> 14:05.650
Tensör nesnesi oluşturmak için tensör sınıfımıza basitçe girmemiz gereken şey.

14:06.010 --> 14:07.260
Bu çok net değil.

14:07.540 --> 14:10.230
Ve daha sonra girdi büyüklüğü nicelleştirilecek.

14:11.350 --> 14:12.430
Pekâlâ, bu iyi.

14:12.430 --> 14:13.670
Yapılan ilk şey budur.

14:13.720 --> 14:17.390
Tensörü olması gerektiği gibi başlattık.

14:17.530 --> 14:23.080
olmak zorundasınız toplu iş içine koyduğumda bunu ilk kez söyleyeceğim, bunu çok iyi diyelim.

14:23.080 --> 14:30.070
Fakat sonra, sahte boyutu yaratmak için ihtiyaç duyduğumuz bir başka şeyi yapmamız gerektiğini lütfen unutmayın; ağın

14:30.070 --> 14:35.840
girdileri için bekleyeceği şey budur ve muayene için bunu yaratmaktır, ki bu arada

14:35.940 --> 14:37.800
hasarı bildiğiniz ilk motor

14:38.230 --> 14:46.050
Bunu yapmak için, daha sonra eklememiz ve sonra biraz parantez içinde sıkmanız gerekir.

14:46.050 --> 14:49.580
Bu büyük boyutun endeksini koymamız gerekiyor.

14:49.620 --> 14:55.790
Ve söylediğim gibi, bu sahte boyut son tarihin ilk animasyonu olmalı ve dizinlerden ve

14:55.790 --> 15:02.460
baytlardan beri sıfıra başladık ve bu yeni paradigma motorunun ilk satır motoru haline gelmesi için

15:02.460 --> 15:03.570
sıfır girmeliyiz.

15:03.570 --> 15:09.360
Bu yüzden partiye karşılık gelen ilk kez bir motora sahibiz ve elmas,

15:09.360 --> 15:15.960
giriş durumunun üç sinyal yönelimini ve eksi yönünü belirten beş elementi içeren sensöre

15:15.990 --> 15:16.910
yanıt vermeli.

15:17.370 --> 15:21.960
Sonra giriş durumlarımızı düzgün bir şekilde başlattık.

15:21.960 --> 15:22.850
Mükemmel.

15:23.310 --> 15:30.840
Ve sonra gitmek için iki değişken daha kolay olacak çünkü sonraki değişken son

15:31.110 --> 15:31.850
eylem.

15:32.190 --> 15:36.340
Bu, Nesnenin son eylemi için yarattığımız yeni bir Roybal.

15:36.510 --> 15:43.440
Ve bölümün ilk dersinde, eylemlerinizin 0 1 veya 2 olacağını

15:43.440 --> 15:52.470
ve daha sonra eylem döndürme vektörünü kullanacağınızı ve bu eylemlerin bu indekslerini 0'ın

15:52.470 --> 15:58.010
hatırlattığımız dönüş açısına dönüştüreceğini hatırladığımı 20 veya eksi 20.

15:58.050 --> 16:00.980
Aslında hafızamızı yenileyebiliriz.

16:01.200 --> 16:03.170
Şey, tam burada.

16:03.170 --> 16:06.260
Eylem sıfır ise döndürme eylemi.

16:06.390 --> 16:11.650
Eylem 1 ise, bu, ilk sıfır dizinine karşılık gelecektir.

16:11.700 --> 16:17.310
eksi 20 derece alacağız, bu da hareketi oynarken aracımızın dönüş açısı olacak.

16:17.310 --> 16:23.490
Bu, bu vektörlerin 20 derecelik endekslerinden birine karşılık gelecek ve eğer hareketin olması halinde

16:23.510 --> 16:24.200
Tamam.

16:24.380 --> 16:31.040
Ve bu nedenle eylem, ya 0 1 ya da 2 Well olacak basit bir sayı için

16:31.040 --> 16:31.740
eylem var.

16:31.850 --> 16:35.440
Ve bunu çok basit bir şekilde sıfıra başlatabiliriz.

16:35.660 --> 16:38.330
Herhangi bir onlar yaratmamız veya başka bir şey duymamız gerekmiyor.

16:38.360 --> 16:40.880
Sadece sıfırla başlatmalıyız.

16:41.420 --> 16:42.850
Ve sonunda.

16:43.010 --> 16:44.460
İşte son söz bu.

16:44.550 --> 16:48.840
Bu son kelimenin özü bu.

16:48.860 --> 16:49.940
Oraya gidiyoruz.

16:49.940 --> 16:56.510
Ve tekrar kelime, eksi 1 ile artı 1 arasında olduğunu hatırlattığım bir şamandıra numarası.

16:56.510 --> 16:57.790
Bu tekrar sayı.

16:57.860 --> 16:59.400
Ve eylem için olduğu gibi.

16:59.510 --> 17:02.900
Onu sıfıra başlatıp sonra da gideriz.

17:02.900 --> 17:06.330
Tebrikler işte hazırdır.

17:06.350 --> 17:08.930
Şimdi heyecanlı şeylere geçmeye hazırız.

17:08.930 --> 17:16.040
Aslında AI için her şeyin ve her oyunun hangi eylemde bulunacağına karar vermesi için

17:16.080 --> 17:23.240
en önemli şey ve işte, select eylem yöntemini oluşturarak bir sonraki öğreticide yapacağımız şey budur.

17:23.510 --> 17:27.310
O halde bunu, ustalıkla ve o zamana kadar yapalım.