WEBVTT 00:00.630 --> 00:03.850 Bonjour et bienvenue au cours sur l'intelligence artificielle. 00:03.990 --> 00:09.260 Dans le tutoriel d'aujourd'hui, nous commençons la section sur l'apprentissage cool par convolution profonde. 00:09.420 --> 00:11.010 Voyons donc de quoi il s'agit. 00:11.010 --> 00:14.040 Auparavant, nous avons parlé d'apprentissage en profondeur. 00:14.040 --> 00:21.270 Nous avons donc eu un environnement dans lequel un agent et un vecteur décrivant cet environnement ont été introduits dans un réseau 00:21.270 --> 00:26.310 de neurones et à la fin, nous avons obtenu les valeurs q comme sorties. 00:26.310 --> 00:29.970 Et bien sûr, nous avons découvert comment restreindre l’apprentissage. 00:29.970 --> 00:34.650 Nous avons découvert comment les actions sont décidées en fonction de ces valeurs qui font partie de l'action. 00:34.650 --> 00:42.380 Et nous avons parlé des politiques de sélection des actions et de différentes choses sur le fonctionnement de l'apprentissage en profondeur. 00:42.420 --> 00:51.240 Mais ici, le concept clé pour tout cela est comment pouvons-nous passer de cela de l’environnement réel et 00:51.240 --> 00:54.450 des états au réseau de neurones. 00:54.480 --> 00:56.190 Eh bien, la transition est ici. 00:56.220 --> 01:02.250 Les vecteurs d’entrée sont donc le Lehre d’entrée de notre réseau de neurones et c’est un vecteur. 01:02.250 --> 01:06.570 Donc, ce que nous examinons est OK, nous sommes donc en train de prendre de la vitesse. 01:06.600 --> 01:08.830 Ce n'est pas le terme correct nous ne regardons rien. 01:08.940 --> 01:12.330 L'agent a essentiellement cette information. 01:12.330 --> 01:18.490 Donc, l'environnement est en train d'analyser cette information en disant OK, l'agent dans lequel vous êtes actuellement est 01:18.560 --> 01:26.160 décrit par le secteur dans cet exemple simplifié décrit par ce vecteur X-1 de 1 x 2 sur 2, de sorte que 01:26.160 --> 01:31.410 vos coordonnées sont 1 2 et c'est tout votre état dans un environnement plus complexe. 01:31.410 --> 01:37.920 La déclaration et toutes les autres choses que l'agent peut observer, mais le point ici est qu'il est possédé 01:37.920 --> 01:39.040 comme un vecteur. 01:39.240 --> 01:45.750 Et le problème, c’est que cela n’arrive pas dans la vie réelle, sauf pour les systèmes GPS et d’autres choses du 01:45.780 --> 01:46.470 même genre. 01:46.530 --> 01:51.830 Mais dans la vraie vie, ce que nous utilisons la plupart du temps, nous utilisons nos sens, nous utilisons nos yeux même en GPS. 01:51.930 --> 01:53.670 Ce n'est pas construit dans notre cerveau. 01:53.670 --> 01:56.420 Cela ne nous dit pas les coordonnées à travers notre cerveau. 01:56.430 --> 02:02.880 Nous utilisons donc toujours nos yeux pour regarder le GPS et comprendre ce qui se passe là-bas. 02:02.910 --> 02:09.620 C'est donc une sorte de triche pour l'IA de pouvoir obtenir des informations similaires sur l'environnement en tant que vecteur. 02:09.620 --> 02:12.030 C'est trop simple, ce n'est pas comme ça que ça marche dans la vie réelle. 02:12.030 --> 02:17.040 En tant qu’êtres humains, nous ne fonctionnons pas ainsi. Nous voulons en définitive créer une intelligence 02:17.340 --> 02:23.310 artificielle capable de fonctionner de la même manière que les humains, c’est-à-dire qu’elle peut relever les mêmes défis que les humains. 02:23.320 --> 02:28.740 Ainsi, dans le monde humain, nous n'avons pas ce que nous n'avons pas, nous n'avons pas ces coordonnées 02:28.740 --> 02:33.870 ou d'autres types de vecteurs qui nous sont transmis qui expliquent l'état dans lequel nous nous trouvons. 02:33.870 --> 02:37.350 Nous allons donc devoir supprimer cela pour le rendre plus réaliste. 02:37.410 --> 02:42.180 Et ensuite que pouvons-nous remplacer par ce que nous voyons ou ce que nous faisons en tant qu’être humain pour obtenir des informations. 02:42.180 --> 02:46.860 Bien que la plupart du temps, nous voyons tous nos sens, mais la plupart des informations 02:46.860 --> 02:51.300 que nous obtenons sur le monde qui nous entoure nous parviennent par la vue. 02:51.510 --> 02:59.340 Et c'est pourquoi nous allons changer cette petite flèche que nous avions en un réseau de neurones convolutionnel 02:59.340 --> 03:00.090 complet. 03:00.090 --> 03:02.700 C'est donc de notre Onix. 03:02.700 --> 03:08.400 Deuxièmement, nous avons la convulsion de Larry et c'est pourquoi il est important que vous soyez assez à l'aise avec les réseaux 03:08.460 --> 03:13.290 de neurones conditionnels d'évolution et comment cela fonctionne si vous avez eu un rapport sexuel ODP et vous devriez 03:13.350 --> 03:14.910 être à l'aise avec cela. 03:14.930 --> 03:20.490 Ou vous pouvez simplement regarder le numéro deux suivant. Nous avons là de très bons tutoriels d’intuition. 03:20.670 --> 03:26.160 Nous avons donc ici l'opération de convolution qui se produit, nous allons donc examiner cela 03:26.160 --> 03:27.330 sous forme d'image. 03:27.330 --> 03:31.350 Donc, ceci est une image de l'environnement Net. 03:31.350 --> 03:33.990 Et donc l'agent regarde réellement l'environnement. 03:33.990 --> 03:39.870 Donc, dans ce cas, il n'a pas l'air de regarder comme ça. 03:39.930 --> 03:44.710 Disons qu'il joue ceci sur un ordinateur et qu'il peut voir cet environnement et donc il 03:44.760 --> 03:48.480 peut voir comme où se trouve réellement cette figure représentant un agent. 03:48.480 --> 03:53.340 Vous pouvez voir tout son contenu dans un virus ou tout ce qu'un humain verrait s'il s'agissait d'un véritable labyrinthe et s'il verrait 03:53.340 --> 03:54.270 le labyrinthe de l'intérieur. 03:54.270 --> 03:56.480 Et si l'agent devrait pouvoir faire exactement la même chose. 03:56.700 --> 04:03.000 Donc, ce qu’il dit est fait passe dans un repaire de troubles, c’est un imbécile de tirer une 04:03.030 --> 04:10.140 jambe qui s’aplatit de nouveau. Vous pouvez en apprendre davantage sur ces différentes parties du réseau de neurones de convolution dans 04:10.140 --> 04:12.680 l’annexe, puis sur des officiers aplatis. 04:12.690 --> 04:19.950 Nous avons ensuite des entrées qui entrent dans le réseau de neurones, ce qui est plus 04:19.950 --> 04:29.010 réaliste car l’agent doit utiliser leurs sites et / ou traiter les images que l’environnement lui fournit, tout comme un 04:29.400 --> 04:31.590 humain traiterait des images. 04:31.590 --> 04:37.410 Et la beauté de ceci n’est pas seulement le fait qu’elle est plus réaliste, c’est un peu comme une teinte. 04:37.410 --> 04:43.280 L'âge est en réalité le plus humain, mais cela nous permet de traiter des environnements beaucoup plus complexes. 04:43.380 --> 04:49.050 Par exemple, voici comment nous pouvons jouer à Doom ou à d’autres jeux du même 04:49.050 --> 04:55.980 genre, car au lieu d’obtenir un vecteur d’informations que quelqu'un aurait créé pour nous dans cet environnement, nous pouvons simplement 04:56.080 --> 05:02.230 connecter l'intelligence artificielle à tout environnement qui, en tant qu'être humain, a une vision. de est et. 05:02.430 --> 05:08.280 En tant qu'être humain lorsque vous jouez à ce jeu, vous pouvez voir exactement cette image et c'est exactement 05:08.760 --> 05:12.450 ce que le réseau de neurones artificiels ou l'agent verrait maintenant. 05:12.540 --> 05:17.580 Ainsi, dans cette partie du cours, lorsque vous explorerez les tournelles pratiques, l'agent verra bien cette 05:17.580 --> 05:22.890 image, il verra les pixels, il obtiendra cette image exacte avec les pixels de cette personne avec 05:22.890 --> 05:28.410 qui nous sommes passés. avec ce visage avec ce pourcentage avec tout exactement ce que nous voyons ici, 05:28.410 --> 05:30.710 c'est exactement ce que l'agent verra. 05:30.870 --> 05:37.470 Ensuite, il faudra disséquer cela en tirant sur liff engraissement, puis il ira dans un réseau neuronal. 05:37.650 --> 05:42.150 Et inutile de dire que les réseaux de neurones sont en réalité beaucoup plus complexes que cela, alors remplaçons-les par quelque chose 05:42.150 --> 05:42.780 comme ça. 05:42.780 --> 05:44.480 Ce n'est pas beaucoup plus complexe. 05:44.520 --> 05:49.350 Cela semble un peu plus complexe, mais en réalité, les réseaux de neurones vont travailler avec 05:49.380 --> 05:54.140 et créer si vous voulez être assez intéressant et être beaucoup plus complexe que cela. 05:54.150 --> 05:59.910 Mais comme vous pouvez le constater déjà ici, même si vous n’avez que cinq entrées et que deux choses deviennent beaucoup 05:59.970 --> 06:04.380 plus complexes, vous pouvez voir que nous avons beaucoup plus d’actions que l’agent peut prendre. 06:04.380 --> 06:10.850 Donc, dans le jeu de doom, tournez à gauche et à droite, regardez vers le bas pour recharger le tournage de Ron. 06:10.890 --> 06:16.290 Ou vous savez toutes ces actions différentes qui sont possibles à la première personne devraient aimer faire. 06:16.290 --> 06:19.430 Et d'ailleurs, il n'est pas nécessaire que vous le puissiez. 06:19.430 --> 06:23.190 Vous pouvez toucher cet agent à un autre type de jeu. 06:23.190 --> 06:29.940 C’est la beauté de cela, puis il réalise qu’il peut désormais exploiter n’importe quel environnement auquel vous l’attachez, car 06:29.940 --> 06:34.260 tant qu’il existe une représentation visuelle de l’environnement de cet environnement, 06:34.680 --> 06:39.940 il dispose déjà de toute l’infrastructure que toute la structure est prête à traiter. cette. 06:39.960 --> 06:43.980 C'est donc en quoi consiste l'apprentissage CULE par convolution profonde. 06:43.980 --> 06:51.120 Nous en arrivons donc à l'étape suivante en ajoutant des convolutions à Lares ou en convolution dans le 06:51.120 --> 06:58.980 cerveau de nos agents et nous le rendons encore plus complexe. Nous pouvons donc nous ennuyer de pouvoir résoudre des 06:58.980 --> 07:01.260 problèmes encore plus complexes. défis. 07:01.410 --> 07:06.720 J'espère donc que vous êtes très enthousiasmé par le fait que cela va être dans une section épique et que nous allons 07:06.720 --> 07:10.460 créer des choses incroyables et j'ai hâte de vous voir lors de ce prochain tutoriel. 07:10.480 --> 07:12.130 Et jusque-là, profitez de l'IA.