
French: 
 [LA MUSIQUE] 
 BRIAN YU: Très bien. 
 Bienvenue à tous dans une introduction à l'intelligence artificielle avec Python. 
 Je m'appelle Brian Yu. 
 Et dans cette classe, nous allons explorer certaines des idées et techniques, 
 et les algorithmes qui sont à la base de l'intelligence artificielle. 
 Aujourd'hui, l'intelligence artificielle couvre une grande variété de types de techniques. 
 Chaque fois que vous voyez un ordinateur faire quelque chose qui 
 semble être intelligent ou rationnel en quelque sorte, 
 comme reconnaître le visage de quelqu'un sur une photo, 
 ou être en mesure de jouer à un jeu mieux que les gens, 
 ou être capable de comprendre le langage humain lorsque nous parlons à nos téléphones 
 et ils comprennent ce que nous voulons dire et sont capables de nous répondre, 
 ce sont tous des exemples d'IA, ou d'intelligence artificielle. 
 Et dans cette classe, nous explorerons certaines des idées qui rendent cette IA possible. 

Spanish: 
 [MÚSICA] 
 BRIAN YU: Muy bien. 
 Bienvenidos, todos, a una Introducción a la Inteligencia Artificial con Python. 
 Me llamo Brian Yu. 
 Y en esta clase, exploraremos algunas de las ideas y técnicas, 
 y algoritmos que están en la base de la inteligencia artificial. 
 Ahora, la inteligencia artificial cubre una amplia variedad de tipos de técnicas. 
 Cada vez que ves una computadora hace algo que 
 parece ser inteligente o racional de alguna manera, 
 como reconocer la cara de alguien en una foto, 
 o poder jugar un juego mejor que la gente, 
 o poder entender el lenguaje humano cuando hablamos con nuestros teléfonos 
 y entienden lo que queremos decir y pueden respondernos, 
 Todos estos son ejemplos de inteligencia artificial o inteligencia artificial. 
 Y en esta clase exploraremos algunas de las ideas que hacen posible esa IA. 

Modern Greek (1453-): 
 [ΜΟΥΣΙΚΗ] 
 BRIAN YU: Εντάξει. 
 Καλώς ήρθατε όλοι σε μια Εισαγωγή στην Τεχνητή Νοημοσύνη με τον Python. 
 Το όνομά μου είναι Brian Yu. 
 Και σε αυτήν την τάξη, θα διερευνήσουμε μερικές από τις ιδέες και τις τεχνικές, 
 και αλγόριθμοι που αποτελούν τη βάση της τεχνητής νοημοσύνης. 
 Τώρα, η τεχνητή νοημοσύνη καλύπτει μια μεγάλη ποικιλία τύπων τεχνικών. 
 Οποτεδήποτε βλέπετε έναν υπολογιστή να κάνει κάτι τέτοιο 
 φαίνεται να είναι έξυπνος ή λογικός με κάποιο τρόπο, 
 σαν να αναγνωρίζεις το πρόσωπο κάποιου σε μια φωτογραφία, 
 ή να είσαι σε θέση να παίξεις ένα παιχνίδι καλύτερα από ό, τι οι άνθρωποι, 
 ή να καταλαβαίνουμε την ανθρώπινη γλώσσα όταν μιλάμε στα τηλέφωνά μας 
 και καταλαβαίνουν τι εννοούμε και είναι σε θέση να ανταποκριθούν σε εμάς, 
 Αυτά είναι όλα παραδείγματα τεχνητής νοημοσύνης ή τεχνητής νοημοσύνης. 
 Και σε αυτήν την τάξη θα διερευνήσουμε μερικές από τις ιδέες που καθιστούν δυνατή την τεχνητή νοημοσύνη. 

Arabic: 
 [موسيقى] 
 براين يو: حسنًا. 
 مرحبًا بكم جميعًا في مقدمة للذكاء الاصطناعي مع Python. 
 اسمي بريان يو. 
 وفي هذا الفصل ، سوف نستكشف بعض الأفكار والتقنيات ، 
 والخوارزميات التي هي أساس الذكاء الاصطناعي. 
 يغطي الذكاء الاصطناعي الآن مجموعة واسعة من أنواع التقنيات. 
 في أي وقت ترى جهاز كمبيوتر يفعل شيئا 
 يبدو أنه ذكي أو عقلاني بطريقة ما ، 
 مثل التعرف على وجه شخص ما في الصورة ، 
 أو أن تكون قادرا على لعب لعبة أفضل مما يستطيع الناس ، 
 أو القدرة على فهم اللغة البشرية عندما نتحدث إلى هواتفنا 
 ويفهمون ما نعنيه وقادرون على الرد علينا ، 
 هذه كلها أمثلة للذكاء الاصطناعي أو الذكاء الاصطناعي. 
 وفي هذا الفصل سوف نستكشف بعض الأفكار التي تجعل هذا الذكاء الاصطناعي ممكنًا. 

English: 
[MUSIC]
BRIAN YU: All right.
Welcome, everyone, to an Introduction to Artificial Intelligence with Python.
My name is Brian Yu.
And in this class, we'll explore some of the ideas, and techniques,
and algorithms that are at the foundation of artificial intelligence.
Now, artificial intelligence covers a wide variety of types of techniques.
Anytime you see a computer do something that
appears to be intelligent or rational in some way,
like recognizing someone's face in a photo,
or being able to play a game better than people can,
or being able to understand human language when we talk to our phones
and they understand what we mean and are able to respond back to us,
these are all examples of AI, or artificial intelligence.
And in this class we'll explore some of the ideas that make that AI possible.

Indonesian: 
 [MUSIK] 
 BRIAN YU: Baiklah. 
 Selamat datang, semuanya, ke Pengantar Kecerdasan Buatan dengan Python. 
 Nama saya Brian Yu. 
 Dan di kelas ini, kita akan mengeksplorasi beberapa ide, dan teknik, 
 dan algoritma yang berada di dasar kecerdasan buatan. 
 Sekarang, kecerdasan buatan mencakup berbagai jenis teknik. 
 Kapan pun Anda melihat komputer melakukan sesuatu itu 
 tampaknya cerdas atau rasional dalam beberapa hal, 
 seperti mengenali wajah seseorang di foto, 
 atau bisa bermain game lebih baik daripada yang bisa dilakukan orang, 
 atau bisa memahami bahasa manusia ketika kita berbicara dengan telepon kita 
 dan mereka mengerti apa yang kami maksud dan mampu menanggapi kembali kepada kami, 
 ini semua adalah contoh AI, atau kecerdasan buatan. 
 Dan di kelas ini kita akan mengeksplorasi beberapa ide yang memungkinkan AI itu terjadi. 

Italian: 
 [MUSICA] 
 BRIAN YU: Va bene. 
 Benvenuti a tutti a un'introduzione all'intelligenza artificiale con Python. 
 Mi chiamo Brian Yu. 
 E in questa classe, esploreremo alcune idee e tecniche, 
 e algoritmi che sono alla base dell'intelligenza artificiale. 
 Ora, l'intelligenza artificiale copre un'ampia varietà di tipi di tecniche. 
 Ogni volta che vedi un computer fare qualcosa che 
 sembra essere intelligente o razionale in qualche modo, 
 come riconoscere il volto di qualcuno in una foto, 
 o essere in grado di giocare un gioco meglio delle persone, 
 o essere in grado di comprendere il linguaggio umano quando parliamo con i nostri telefoni 
 e capiscono cosa intendiamo e sono in grado di risponderci, 
 questi sono tutti esempi di intelligenza artificiale o intelligenza artificiale. 
 E in questa classe esploreremo alcune delle idee che rendono possibile quell'intelligenza artificiale. 

Turkish: 
 [MÜZİK] 
 BRIAN YU: Tamam. 
 Herkese, Python ile Yapay Zekaya Giriş hoş geldiniz. 
 Benim adım Brian Yu. 
 Ve bu sınıfta bazı fikirleri ve teknikleri keşfedeceğiz, 
 yapay zekanın temelini oluşturan algoritmalar. 
 Şimdi, yapay zeka çok çeşitli teknikleri kapsamaktadır. 
 Bir bilgisayar gördüğünüzde, 
 bir şekilde zeki ya da rasyonel görünüyor, 
 bir fotoğraftaki birinin yüzünü tanımak gibi, 
 veya bir oyunu insanlardan daha iyi oynayabilmek, 
 veya telefonlarımızla konuşurken insan dilini anlayabilme 
 ve ne demek istediğimizi anlıyorlar ve bize geri dönüş yapabiliyorlar, 
 bunların hepsi yapay zeka veya yapay zeka örnekleridir. 
 Ve bu sınıfta, yapay zekayı mümkün kılan bazı fikirleri keşfedeceğiz. 

German: 
 [MUSIK] 
 BRIAN YU: In Ordnung. 
 Willkommen zu einer Einführung in die künstliche Intelligenz mit Python. 
 Ich heiße Brian Yu. 
 In dieser Klasse werden wir einige der Ideen und Techniken untersuchen. 
 und Algorithmen, die die Grundlage der künstlichen Intelligenz bilden. 
 Künstliche Intelligenz deckt nun eine Vielzahl von Techniken ab. 
 Immer wenn Sie einen Computer sehen, tun Sie etwas, das 
 scheint in irgendeiner Weise intelligent oder rational zu sein, 
 als würde man jemandes Gesicht auf einem Foto erkennen, 
 oder in der Lage zu sein, ein Spiel besser zu spielen als Menschen, 
 oder in der Lage zu sein, die menschliche Sprache zu verstehen, wenn wir mit unseren Telefonen sprechen 
 und sie verstehen, was wir meinen und können auf uns antworten, 
 Dies sind alles Beispiele für KI oder künstliche Intelligenz. 
 Und in dieser Klasse werden wir einige der Ideen untersuchen, die diese KI ermöglichen. 

Japanese: 
 [音楽] 
ブライアン・ユー：わかりました。 
みなさん、Pythonによる人工知能の紹介へようこそ。 
私の名前はブライアン・ユーです。 
このクラスでは、いくつかのアイデアとテクニックを探ります。 
人工知能の基礎となるアルゴリズム。 
現在、人工知能はさまざまな種類の技術をカバーしています。 
コンピュータが何かをするのを見たときはいつでも
ある意味でインテリジェントまたは合理的であるように見える
写真で誰かの顔を認識するように
人々ができるよりも上手にゲームをプレイできること、 
電話で話すときに人間の言語を理解できる
彼らは私たちの意味を理解し、私たちに返信することができます、 
これらはすべてAIまたは人工知能の例です。 
そしてこのクラスでは、そのAIを可能にするいくつかのアイデアを探ります。 

Dutch: 
 [MUZIEK] 
 BRIAN YU: Oké. 
 Welkom, iedereen, bij een inleiding tot kunstmatige intelligentie met Python. 
 Mijn naam is Brian Yu. 
 En in deze les zullen we enkele van de ideeën en technieken onderzoeken, 
 en algoritmen die aan de basis liggen van kunstmatige intelligentie. 
 Nu bestrijkt kunstmatige intelligentie een grote verscheidenheid aan soorten technieken. 
 Telkens wanneer u een computer iets ziet doen 
 op de een of andere manier intelligent of rationeel lijkt, 
 zoals het herkennen van iemands gezicht op een foto, 
 of een spel beter kunnen spelen dan mensen kunnen, 
 of menselijke taal kunnen begrijpen wanneer we met onze telefoons praten 
 en ze begrijpen wat we bedoelen en kunnen op ons reageren, 
 dit zijn allemaal voorbeelden van AI of kunstmatige intelligentie. 
 En in deze les verkennen we enkele van de ideeën die die AI mogelijk maken. 

Chinese: 
 [音樂] 
布萊恩·於：好。 
大家好，歡迎來到Python人工智能入門。 
我叫布萊恩·於。 
在本課程中，我們將探討一些思想和技巧， 
和作為人工智能基礎的算法。 
現在，人工智能涵蓋了多種類型的技術。 
每當您看到計算機執行某項操作時
在某種程度上看起來很聰明或理性， 
就像在照片中認出某人的臉一樣， 
或能夠比人們更好地玩遊戲， 
或在與手機通話時能夠聽懂人類語言
他們了解我們的意思並能夠回复我們， 
這些都是AI或人工智能的例子。 
在本課程中，我們將探討使AI成為可能的一些想法。 

Hindi: 
 [संगीत] 
 ब्रायन यू: बिलकुल ठीक। 
 पायथन के साथ आर्टिफिशियल इंटेलिजेंस के परिचय में आपका स्वागत है। 
 मेरा नाम ब्रायन यू है। 
 और इस कक्षा में, हम कुछ विचारों और तकनीकों का पता लगाएंगे, 
 और एल्गोरिदम जो कृत्रिम बुद्धिमत्ता की नींव पर हैं। 
 अब, कृत्रिम बुद्धि विभिन्न प्रकार की तकनीकों को शामिल करती है। 
 जब भी आप कंप्यूटर देखते हैं तो कुछ ऐसा करते हैं 
 किसी तरह से बुद्धिमान या तर्कसंगत प्रतीत होता है, 
 जैसे फोटो में किसी का चेहरा पहचानना, 
 या लोगों से बेहतर खेल खेलने में सक्षम होने के नाते, 
 या जब हम अपने फोन पर बात करते हैं तो मानव भाषा को समझने में सक्षम होते हैं 
 और वे समझते हैं कि हम क्या मतलब है और हमें वापस जवाब देने में सक्षम हैं, 
 ये सभी AI, या कृत्रिम बुद्धिमत्ता के उदाहरण हैं। 
 और इस कक्षा में हम कुछ ऐसे विचारों का पता लगाएंगे जो एआई को संभव बनाते हैं। 

Chinese: 
 [音乐] 
布莱恩·于：好的。 
大家好，欢迎来到Python人工智能入门。 
我叫布莱恩·于。 
在本课程中，我们将探讨一些思想和技巧， 
和作为人工智能基础的算法。 
现在，人工智能涵盖了多种类型的技术。 
每当您看到计算机执行某项操作时
在某种程度上看起来很聪明或理性， 
就像在照片中认出某人的脸一样， 
或能够比人们更好地玩游戏， 
或在与手机通话时能够听懂人类语言
他们了解我们的意思并能够回复我们， 
这些都是AI或人工智能的例子。 
在本课程中，我们将探讨使AI成为可能的一些想法。 

Portuguese: 
 [MÚSICA] 
 BRIAN YU: Tudo bem. 
 Bem-vindo, pessoal, a uma Introdução à inteligência artificial com Python. 
 Meu nome é Brian Yu. 
 E nesta aula, exploraremos algumas das idéias e técnicas, 
 e algoritmos que estão na base da inteligência artificial. 
 Agora, a inteligência artificial cobre uma ampla variedade de tipos de técnicas. 
 Sempre que você vê um computador fazer algo que 
 parece ser inteligente ou racional de alguma forma, 
 como reconhecer o rosto de alguém em uma foto, 
 ou ser capaz de jogar um jogo melhor do que as pessoas, 
 ou ser capaz de entender a linguagem humana quando falamos com nossos telefones 
 e eles entendem o que queremos dizer e são capazes de responder de volta para nós, 
 Todos esses são exemplos de IA ou inteligência artificial. 
 E nesta aula, exploraremos algumas das idéias que tornam essa IA possível. 

Russian: 
 [МУЗЫКА] 
 Брайан Ю: Хорошо. 
 Добро пожаловать всем на вступление к искусственному интеллекту с Python. 
 Меня зовут Брайан Ю. 
 И в этом классе мы рассмотрим некоторые идеи и методы, 
 и алгоритмы, лежащие в основе искусственного интеллекта. 
 В настоящее время искусственный интеллект охватывает широкий спектр видов техники. 
 Каждый раз, когда вы видите, что компьютер делает что-то 
 кажется разумным или рациональным, 
 как узнавать чье-то лицо на фотографии, 
 или возможность играть в игру лучше, чем люди, 
 или способность понимать человеческий язык, когда мы говорим с нашими телефонами 
 и они понимают, что мы имеем в виду и способны ответить нам, 
 Это все примеры ИИ или искусственного интеллекта. 
 И в этом классе мы рассмотрим некоторые идеи, которые делают этот ИИ возможным. 

Korean: 
 [음악] 
 브라이언 유 : 좋습니다. 
 모두가 파이썬으로 인공 지능을 소개합니다. 
 제 이름은 Brian Yu입니다. 
 이 수업에서는 몇 가지 아이디어와 기술을 살펴보고 
 인공 지능의 기초에있는 알고리즘. 
 이제 인공 지능은 다양한 유형의 기술을 다룹니다. 
 컴퓨터가 볼 때마다 
 어떤 식 으로든 지적이거나 합리적 인 것처럼 보입니다. 
 사진에서 누군가의 얼굴을 인식하는 것처럼 
 사람들보다 게임을 더 잘 할 수있는 
 전화기와 대화 할 때 인간의 언어를 이해할 수있는 
 그들은 우리가 무엇을 의미하는지 이해하고 우리에게 답장 할 수 있습니다. 
 이들은 모두 인공 지능 또는 인공 지능의 예입니다. 
 이 강의에서는 AI를 가능하게하는 아이디어 중 일부를 살펴 봅니다. 

Korean: 
 검색으로 대화를 시작하겠습니다. 
 문제는 AI가 있고 
 AI가 어떤 종류의 문제에 대한 해결책을 찾을 수있는 
 그 문제가 무엇이든간에. 
 A 지점에서 B 지점으로 운전 경로를 얻으려고하더라도 
 게임 방법을 알아 내려고하거나 
 예를 들어 틱택 토 게임을하는 것은 
 만들어야합니다. 
 그 후, 우리는 지식을 살펴볼 것입니다. 
 이상적으로는 AI가 정보를 알 수 있기를 원합니다. 
 그 정보를 표현할 수 있도록 
 더 중요한 것은 그 정보로부터 추론을 이끌어 낼 수 있다는 것입니다. 
 알고있는 정보를 사용하고 추가 결론을 도출합니다. 
 AI를 어떻게 프로그래밍 할 수 있는지에 대해 이야기하겠습니다. 
 그런 다음 불확실성 주제를 살펴 보겠습니다. 
 컴퓨터가 사실에 대해 확신하지 못하면 어떻게 될지에 대한 아이디어 이야기 
 어쩌면 특정 확률로 확실할까요? 
 그래서 우리는 확률의 배후에있는 아이디어들에 대해 이야기 할 것입니다 
 컴퓨터가 불확실한 사건을 처리하는 방법 
 그런 의미에서 조금 더 지능적이 되려면 
 그런 다음 최적화에 관심을 기울일 것입니다. 

German: 
 Also beginnen wir unsere Gespräche mit der Suche. 
 Das Problem ist, wir haben eine KI und wir würden 
 wie die KI, um nach Lösungen für ein Problem suchen zu können, 
 egal was das Problem sein könnte. 
 Ob es darum geht, Wegbeschreibungen von Punkt A nach Punkt B zu erhalten, 
 oder versuchen herauszufinden, wie man ein Spiel spielt, 
 Geben Sie zum Beispiel ein Tic-Tac-Toe-Spiel, um herauszufinden, welche Bewegung Sie ausführen 
 es sollte machen. 
 Danach werfen wir einen Blick auf das Wissen. 
 Idealerweise möchten wir, dass unsere KI Informationen kennt. 
 um diese Informationen darstellen zu können, 
 und was noch wichtiger ist, aus diesen Informationen Rückschlüsse ziehen zu können. 
 Um die ihm bekannten Informationen nutzen und zusätzliche Schlussfolgerungen ziehen zu können. 
 Wir werden also darüber sprechen, wie KI programmiert werden kann, um genau das zu tun. 
 Dann werden wir das Thema Unsicherheit untersuchen. 
 Apropos Ideen, was passiert, wenn ein Computer sich einer Tatsache nicht sicher ist 
 aber vielleicht ist nur mit einer gewissen wahrscheinlichkeit sicher? 
 Wir werden also über einige der Ideen sprechen, die hinter der Wahrscheinlichkeit stehen 
 und wie Computer anfangen können, mit unsicheren Ereignissen umzugehen 
 um auch in diesem Sinne ein bisschen intelligenter zu sein. 
 Danach konzentrieren wir uns auf die Optimierung. 

Hindi: 
 इसलिए हम खोज के साथ अपनी बातचीत शुरू करेंगे। 
 की समस्या, हमारे पास एआई है और हम करेंगे 
 किसी प्रकार की समस्या के समाधान की खोज करने में सक्षम होने के लिए ए.आई. 
 कोई फर्क नहीं पड़ता कि क्या समस्या हो सकती है। 
 चाहे वह बिंदु A से बिंदु B तक ड्राइविंग निर्देश प्राप्त करने की कोशिश कर रहा हो, 
 या यह जानने की कोशिश करें कि गेम कैसे खेलना है, 
 उदाहरण के लिए, एक टिक-टीएसी पैर की अंगुली खेल दे, जो पता लगाना 
 इसे बनाना चाहिए। 
 उसके बाद, हम ज्ञान पर एक नज़र डालेंगे। 
 आदर्श रूप से, हम चाहते हैं कि हमारा AI सूचनाओं को जानने में सक्षम हो, 
 उस जानकारी का प्रतिनिधित्व करने में सक्षम होने के लिए, 
 और इससे भी महत्वपूर्ण बात, उस जानकारी से निष्कर्ष निकालना। 
 इस जानकारी का उपयोग करने में सक्षम होने के लिए और अतिरिक्त निष्कर्ष निकालना। 
 तो हम बात करेंगे कि सिर्फ ऐसा करने के लिए AI को कैसे प्रोग्राम किया जा सकता है। 
 फिर हम अनिश्चितता के विषय का अन्वेषण करेंगे। 
 के विचारों के बारे में बात करना, अगर एक कंप्यूटर एक तथ्य के बारे में निश्चित नहीं है तो क्या होता है 
 लेकिन शायद एक निश्चित संभावना के साथ ही सुनिश्चित है? 
 तो हम संभावना के पीछे के कुछ विचारों के बारे में बात करेंगे 
 और कंप्यूटर अनिश्चित घटनाओं से कैसे निपटना शुरू कर सकते हैं 
 उस अर्थ में थोड़ा और अधिक बुद्धिमान होने के लिए, साथ ही साथ। 
 उसके बाद, हम अपना ध्यान अनुकूलन की ओर करेंगे। 

Japanese: 
それでは、会話から始めます。 
問題は、AIがあり、 
 AIがある種の問題の解決策を検索できるように、 
その問題が何であろうと関係ありません。 
ポイントAからポイントBへの運転ルートを取得しようとしているのか、 
ゲームのやり方を考えたり
三目並べゲームを提供する、たとえば、何の動きを理解する
それは作るべきです。 
その後、知識を見ていきます。 
理想的には、AIが情報を知ることができるようにしたい、 
その情報を表現できるように
さらに重要なことは、その情報から推論を引き出せるようにすることです。 
それが知っている情報を使用し、追加の結論を引き出すことができるようにするため。 
それを実現するためにAIをプログラミングする方法について説明します。 
次に、不確実性のトピックについて説明します。 
コンピューターが事実について確信が持てない場合に何が起こるかについてのアイデアについて話す
しかし、たぶん、特定の確率でのみ確信がありますか？ 
確率の背後にあるいくつかのアイデアについてお話します
コンピュータがどのように不確実なイベントに対処し始めることができるか
その意味でも少しインテリジェントになるために。 
その後、最適化に目を向けます。 

English: 
So we'll begin our conversations with search.
The problem of, we have an AI and we would
like the AI to be able to search for solutions to some kind of problem,
no matter what that problem might be.
Whether it's trying to get driving directions from point A to point B,
or trying to figure out how to play a game,
giving a tic-tac-toe game, for example, figuring out what move
it ought to make.
After that, we'll take a look at knowledge.
Ideally, we want our AI to be able to know information,
to be able to represent that information,
and more importantly, to be able to draw inferences from that information.
To be able to use the information it knows and draw additional conclusions.
So we'll talk about how AI can be programmed in order to do just that.
Then we'll explore the topic of uncertainty.
Talking about ideas of, what happens if a computer isn't sure about a fact
but maybe is only sure with a certain probability?
So we'll talk about some of the ideas behind probability
and how computers can begin to deal with uncertain events
in order to be a little bit more intelligent in that sense, as well.
After that, we'll turn our attention to optimization.

Chinese: 
因此，我们将从搜索开始对话。 
问题是，我们有一个AI，我们会
像AI能够搜索某种问题的解决方案， 
不管可能是什么问题。 
无论是尝试获取从A点到B点的行车路线， 
或试图弄清楚如何玩游戏， 
打个井字游戏，例如，弄清楚什么动作
它应该做出。 
之后，我们将介绍知识。 
理想情况下，我们希望我们的AI能够知道信息， 
为了能够代表这些信息， 
更重要的是，能够从该信息中得出推论。 
为了能够使用其知道的信息并得出其他结论。 
因此，我们将讨论如何对AI进行编程以实现此目的。 
然后，我们将探讨不确定性主题。 
谈论想法，如果计算机不确定某个事实怎么办
但也许只能以一定的概率确定吗？ 
因此，我们将讨论概率背后的一些想法
以及计算机如何开始处理不确定的事件
为了在这个意义上也变得更聪明。 
之后，我们将注意力转向优化。 

Italian: 
 Quindi inizieremo le nostre conversazioni con la ricerca. 
 Il problema di, abbiamo un'intelligenza artificiale e vorremmo 
 come l'intelligenza artificiale per essere in grado di cercare soluzioni a qualche tipo di problema, 
 non importa quale sia il problema. 
 Che si tratti di ottenere indicazioni stradali dal punto A al punto B, 
 o cercando di capire come giocare, 
 dando un gioco tic-tac-toe, ad esempio, per capire quale mossa 
 dovrebbe fare. 
 Dopodiché, daremo un'occhiata alla conoscenza. 
 Idealmente, vogliamo che la nostra IA sia in grado di conoscere informazioni, 
 essere in grado di rappresentare tali informazioni, 
 e ancora più importante, essere in grado di trarre inferenze da tali informazioni. 
 Essere in grado di utilizzare le informazioni che conosce e trarre conclusioni aggiuntive. 
 Quindi parleremo di come l'IA può essere programmata per fare proprio questo. 
 Quindi esploreremo il tema dell'incertezza. 
 Parlando di idee, cosa succede se un computer non è sicuro di un dato di fatto 
 ma forse è sicuro solo con una certa probabilità? 
 Quindi parleremo di alcune idee alla base della probabilità 
 e come i computer possono iniziare a gestire eventi incerti 
 per essere anche un po 'più intelligente in quel senso. 
 Successivamente, rivolgeremo la nostra attenzione all'ottimizzazione. 

French: 
 Nous allons donc commencer nos conversations avec la recherche. 
 Le problème de, nous avons une IA et nous le ferions 
 comme l'IA pour être en mesure de rechercher des solutions à une sorte de problème, 
 quel que soit ce problème. 
 Que ce soit pour essayer d'obtenir un itinéraire du point A au point B, 
 ou essayer de comprendre comment jouer à un jeu, 
 donner un jeu de tic-tac-toe, par exemple, déterminer quel mouvement 
 ça devrait faire. 
 Après cela, nous examinerons les connaissances. 
 Idéalement, nous voulons que notre IA soit capable de connaître les informations, 
 pour pouvoir représenter ces informations, 
 et plus important encore, de pouvoir tirer des conclusions de ces informations. 
 Pour pouvoir utiliser les informations qu'il connaît et tirer des conclusions supplémentaires. 
 Nous allons donc parler de la façon dont l'IA peut être programmée pour faire exactement cela. 
 Ensuite, nous explorerons le sujet de l'incertitude. 
 Parler d'idées de ce qui se passe si un ordinateur n'est pas sûr d'un fait 
 mais peut-être n'est-il sûr qu'avec une certaine probabilité? 
 Nous allons donc parler de certaines des idées derrière la probabilité 
 et comment les ordinateurs peuvent commencer à gérer des événements incertains 
 afin d'être un peu plus intelligent dans ce sens aussi. 
 Après cela, nous tournerons notre attention vers l'optimisation. 

Indonesian: 
 Jadi kami akan memulai percakapan kami dengan pencarian. 
 Masalahnya, kita punya AI dan kita akan 
 seperti AI untuk dapat mencari solusi untuk beberapa jenis masalah, 
 tidak peduli apa masalahnya. 
 Apakah itu mencoba untuk mendapatkan petunjuk arah mengemudi dari titik A ke titik B, 
 atau mencoba mencari cara untuk bermain game, 
 memberikan permainan tic-tac-toe, misalnya, mencari tahu langkah apa 
 itu harus dibuat. 
 Setelah itu, kita akan melihat pengetahuan. 
 Idealnya, kami ingin AI kami dapat mengetahui informasi, 
 untuk dapat mewakili informasi itu, 
 dan yang lebih penting, untuk dapat menarik kesimpulan dari informasi itu. 
 Untuk dapat menggunakan informasi yang diketahuinya dan menarik kesimpulan tambahan. 
 Jadi kita akan berbicara tentang bagaimana AI dapat diprogram untuk melakukan hal itu. 
 Kemudian kita akan mengeksplorasi topik ketidakpastian. 
 Berbicara tentang ide, apa yang terjadi jika komputer tidak yakin tentang suatu fakta 
 tapi mungkin hanya yakin dengan probabilitas tertentu? 
 Jadi kita akan berbicara tentang beberapa ide di balik probabilitas 
 dan bagaimana komputer dapat mulai menangani peristiwa yang tidak pasti 
 untuk menjadi sedikit lebih pintar dalam hal itu, juga. 
 Setelah itu, kami akan mengalihkan perhatian ke pengoptimalan. 

Modern Greek (1453-): 
 Έτσι θα ξεκινήσουμε τις συνομιλίες μας με αναζήτηση. 
 Το πρόβλημα, έχουμε AI και θα το κάναμε 
 όπως το AI να είναι σε θέση να αναζητήσει λύσεις σε κάποιο είδος προβλήματος, 
 ανεξάρτητα από το πρόβλημα. 
 Είτε προσπαθεί να πάρει οδηγίες οδήγησης από το σημείο Α στο σημείο Β, 
 ή προσπαθώντας να καταλάβω πώς να παίξετε ένα παιχνίδι, 
 δίνοντας ένα παιχνίδι tic-tac-toe, για παράδειγμα, καταλαβαίνοντας ποια κίνηση 
 πρέπει να φτιάξει. 
 Μετά από αυτό, θα ρίξουμε μια ματιά στη γνώση. 
 Στην ιδανική περίπτωση, θέλουμε το AI μας να μπορεί να γνωρίζει πληροφορίες, 
 για να είναι σε θέση να αντιπροσωπεύουν αυτές τις πληροφορίες, 
 και το πιο σημαντικό, για να μπορέσουμε να αντλήσουμε συμπεράσματα από αυτές τις πληροφορίες. 
 Για να είναι σε θέση να χρησιμοποιήσει τις πληροφορίες που γνωρίζει και να εξαγάγει πρόσθετα συμπεράσματα. 
 Θα μιλήσουμε λοιπόν για το πώς μπορεί να προγραμματιστεί η τεχνητή νοημοσύνη για να γίνει ακριβώς αυτό. 
 Στη συνέχεια, θα διερευνήσουμε το θέμα της αβεβαιότητας. 
 Μιλώντας για ιδέες, τι θα συμβεί εάν ένας υπολογιστής δεν είναι σίγουρος για ένα γεγονός 
 αλλά ίσως είναι σίγουρο μόνο με κάποια πιθανότητα; 
 Έτσι θα μιλήσουμε για μερικές από τις ιδέες πίσω από την πιθανότητα 
 και πώς οι υπολογιστές μπορούν να αρχίσουν να αντιμετωπίζουν αβέβαια γεγονότα 
 για να είμαι λίγο πιο έξυπνος υπό αυτή την έννοια. 
 Μετά από αυτό, θα στρέψουμε την προσοχή μας στη βελτιστοποίηση. 

Dutch: 
 Dus we beginnen onze gesprekken met zoeken. 
 Het probleem van, we hebben een AI en we zouden 
 zoals de AI om te kunnen zoeken naar oplossingen voor een probleem, 
 wat dat probleem ook moge zijn. 
 Of het nu gaat om een ​​routebeschrijving van punt A naar punt B, 
 of proberen uit te zoeken hoe je een game speelt, 
 een tic-tac-toe-spel geven, bijvoorbeeld uitzoeken welke beweging 
 het zou moeten maken. 
 Daarna gaan we kijken naar kennis. 
 Idealiter willen we dat onze AI informatie kan kennen, 
 om die informatie te kunnen weergeven, 
 en nog belangrijker, om conclusies te kunnen trekken uit die informatie. 
 Om de informatie die het kent te kunnen gebruiken en aanvullende conclusies te trekken. 
 Dus we zullen het hebben over hoe AI kan worden geprogrammeerd om precies dat te doen. 
 Vervolgens gaan we in op het onderwerp onzekerheid. 
 Praten over ideeën over wat er gebeurt als een computer niet zeker is van een feit 
 maar misschien is het alleen zeker met een bepaalde waarschijnlijkheid? 
 We zullen het dus hebben over enkele van de ideeën achter waarschijnlijkheid 
 en hoe computers kunnen omgaan met onzekere gebeurtenissen 
 om ook in die zin wat intelligenter te zijn. 
 Daarna zullen we onze aandacht richten op optimalisatie. 

Arabic: 
 لذا سنبدأ محادثاتنا بالبحث. 
 مشكلة ، لدينا الذكاء الاصطناعي ونحن 
 مثل الذكاء الاصطناعي لتكون قادرة على البحث عن حلول لنوع من المشاكل ، 
 مهما كانت المشكلة. 
 سواء كانت تحاول الحصول على اتجاهات القيادة من النقطة A إلى النقطة B ، 
 أو محاولة معرفة كيفية لعب لعبة ، 
 إعطاء لعبة تيك تاك تو ، على سبيل المثال ، معرفة أي خطوة 
 يجب أن تصنع. 
 بعد ذلك ، سنلقي نظرة على المعرفة. 
 من الناحية المثالية ، نريد أن يكون الذكاء الاصطناعي قادرًا على معرفة المعلومات ، 
 لتكون قادرة على تمثيل تلك المعلومات ، 
 والأهم من ذلك ، أن تكون قادرًا على استخلاص استنتاجات من تلك المعلومات. 
 لتكون قادرة على استخدام المعلومات التي تعرفها واستخلاص استنتاجات إضافية. 
 لذا سنتحدث عن كيفية برمجة الذكاء الاصطناعي من أجل القيام بذلك. 
 ثم سنستكشف موضوع عدم اليقين. 
 بالحديث عن أفكار ، ماذا يحدث إذا كان الكمبيوتر غير متأكد من حقيقة ما 
 ولكن ربما يكون متأكدا فقط مع احتمال معين؟ 
 لذا سنتحدث عن بعض الأفكار الكامنة وراء الاحتمال 
 وكيف يمكن لأجهزة الكمبيوتر البدء في التعامل مع الأحداث غير المؤكدة 
 لكي تكون أكثر ذكاءً بهذا المعنى أيضًا. 
 بعد ذلك ، سنوجه انتباهنا إلى التحسين. 

Russian: 
 Итак, мы начнем наши разговоры с поиска. 
 Проблема, у нас есть ИИ, и мы бы 
 как ИИ, чтобы иметь возможность искать решения какой-то проблемы, 
 неважно, что это может быть за проблема. 
 Пытается ли он получить направление движения из точки А в точку Б, 
 или пытаясь понять, как играть в игру, 
 например, играю в крестики-нолики, выясняя, какой ход 
 это надо сделать. 
 После этого мы посмотрим на знания. 
 В идеале мы хотим, чтобы наш ИИ мог знать информацию, 
 чтобы иметь возможность представлять эту информацию, 
 и что более важно, чтобы иметь возможность сделать выводы из этой информации. 
 Чтобы иметь возможность использовать информацию, которую он знает, и сделать дополнительные выводы. 
 Итак, мы поговорим о том, как можно запрограммировать ИИ, чтобы сделать именно это. 
 Тогда мы рассмотрим тему неопределенности. 
 Говоря об идеях, что происходит, если компьютер не уверен в факте 
 но может быть уверен только с определенной вероятностью? 
 Итак, мы поговорим о некоторых из идей, стоящих за вероятностью 
 и как компьютеры могут начать работать с неопределенными событиями 
 чтобы быть немного более умным в этом смысле. 
 После этого мы обратим наше внимание на оптимизацию. 

Turkish: 
 Sohbetlerimize arama ile başlayacağız. 
 Sorun, bir AI var ve biz 
 yapay zeka gibi bir tür soruna çözüm arayabilme gibi, 
 bu sorun ne olursa olsun. 
 A noktasından B noktasına arabayla yol tarifleri almaya çalışıyor olsun, 
 veya bir oyunun nasıl oynanacağını anlamaya çalışmak, 
 tic-tac-toe oyunu vermek, örneğin, hangi hamleyi bulmak 
 yapmalı. 
 Bundan sonra bilgiye bir göz atacağız. 
 İdeal olarak, yapay zekamızın bilgileri bilmesini istiyoruz, 
 bu bilgiyi temsil edebilmek, 
 ve daha da önemlisi, bu bilgilerden çıkarımlar yapabilmek. 
 Bildiği bilgileri kullanabilme ve ek sonuçlar çıkarabilme. 
 Bu yüzden AI'nin bunu yapmak için nasıl programlanabileceğinden bahsedeceğiz. 
 Sonra belirsizlik konusunu araştıracağız. 
 Fikirler hakkında konuşmak, bir bilgisayar bir gerçek hakkında emin değilse ne olur 
 ama belki belli bir olasılıktan emin olabilirsiniz? 
 Bu yüzden olasılığın arkasındaki bazı fikirler hakkında konuşacağız 
 ve bilgisayarların belirsiz olaylarla nasıl başa çıkabileceği 
 bu anlamda biraz daha zeki olabilmek için. 
 Bundan sonra dikkatimizi optimizasyona çevireceğiz. 

Portuguese: 
 Então, começaremos nossas conversas com a pesquisa. 
 O problema de, temos uma IA e gostaríamos 
 como a IA, para poder procurar soluções para algum tipo de problema, 
 não importa qual seja esse problema. 
 Quer esteja tentando obter instruções de direção do ponto A ao ponto B, 
 ou tentando descobrir como jogar um jogo, 
 dando um jogo da velha, por exemplo, descobrindo que movimento 
 deveria fazer. 
 Depois disso, daremos uma olhada no conhecimento. 
 Idealmente, queremos que nossa IA possa conhecer informações, 
 para poder representar essa informação, 
 e mais importante, ser capaz de extrair inferências dessa informação. 
 Para poder usar as informações que conhece e tirar conclusões adicionais. 
 Então, falaremos sobre como a IA pode ser programada para fazer exatamente isso. 
 Em seguida, exploraremos o tópico da incerteza. 
 Falando sobre idéias de, o que acontece se um computador não tem certeza sobre um fato 
 mas talvez só tenha certeza com uma certa probabilidade? 
 Então, falaremos sobre algumas das idéias por trás da probabilidade 
 e como os computadores podem começar a lidar com eventos incertos 
 para ser um pouco mais inteligente nesse sentido também. 
 Depois disso, voltaremos nossa atenção para a otimização. 

Chinese: 
因此，我們將從搜索開始對話。 
問題是，我們有一個AI，我們會
像AI能夠搜索某種問題的解決方案， 
不管可能是什麼問題。 
無論是嘗試獲取從A點到B點的行車路線， 
或試圖弄清楚如何玩遊戲， 
打個井字遊戲，例如，弄清楚什麼動作
它應該做出。 
之後，我們將介紹知識。 
理想情況下，我們希望我們的AI能夠知道信息， 
能夠代表這些信息， 
更重要的是，能夠從該信息中得出推論。 
為了能夠使用其知道的信息並得出其他結論。 
因此，我們將討論如何對AI進行編程以實現此目的。 
然後，我們將探討不確定性主題。 
談論想法，如果計算機不確定某個事實怎麼辦
但也許只能以一定的概率確定嗎？ 
因此，我們將討論概率背後的一些想法
以及計算機如何開始處理不確定的事件
為了在這個意義上也變得更聰明。 
之後，我們將注意力轉向優化。 

Spanish: 
 Entonces comenzaremos nuestras conversaciones con la búsqueda. 
 El problema de, tenemos una IA y lo haríamos 
 como la IA para poder buscar soluciones a algún tipo de problema, 
 no importa cuál sea ese problema. 
 Ya sea que se trate de obtener indicaciones para llegar desde el punto A al punto B, 
 o tratando de descubrir cómo jugar un juego, 
 dar un juego de tres en raya, por ejemplo, averiguar qué movimiento 
 Debería hacer. 
 Después de eso, echaremos un vistazo al conocimiento. 
 Idealmente, queremos que nuestra IA pueda conocer información, 
 para poder representar esa información, 
 y lo más importante, poder sacar inferencias de esa información. 
 Para poder utilizar la información que conoce y sacar conclusiones adicionales. 
 Hablaremos sobre cómo se puede programar la IA para hacer precisamente eso. 
 Luego exploraremos el tema de la incertidumbre. 
 Hablando de ideas sobre qué sucede si una computadora no está segura de un hecho 
 pero tal vez solo es seguro con una cierta probabilidad? 
 Entonces hablaremos sobre algunas de las ideas detrás de la probabilidad 
 y cómo las computadoras pueden comenzar a manejar eventos inciertos 
 para ser un poco más inteligente en ese sentido, también. 
 Después de eso, centraremos nuestra atención en la optimización. 

Hindi: 
 जब कंप्यूटर किसी प्रकार के लक्ष्य के लिए अनुकूलन करने की कोशिश कर रहा हो, तो समस्याएँ 
 विशेष रूप से ऐसी स्थिति में जहां हो सकता है 
 कई तरीके हो सकते हैं जो एक कंप्यूटर एक समस्या को हल कर सकते हैं, 
 लेकिन हम बेहतर तरीके या संभावित रूप से सबसे अच्छे तरीके की तलाश कर रहे हैं 
 अगर यह संभव है। 
 फिर हम मशीन लर्निंग, या अधिक सामान्यतः सीखने पर एक नज़र डालेंगे। 
 यह देखने में कि हमारे पास डेटा तक पहुंच कैसे है 
 डेटा से सीखकर हमारे कंप्यूटर को काफी बुद्धिमान बनाया जा सकता है 
 और अनुभव से सीखना, एक कार्य को बेहतर और बेहतर प्रदर्शन करने में सक्षम होना 
 डेटा तक अधिक पहुंच के आधार पर। 
 इसलिए आपका ईमेल, उदाहरण के लिए, जहां आपका ईमेल किसी तरह इनबॉक्स है 
 जानता है कि आपके कौन से ईमेल अच्छे ईमेल हैं और जो भी ईमेल स्पैम हैं। 
 ये सभी कंप्यूटर के उदाहरण हैं 
 पिछले अनुभवों और पिछले डेटा से सीखने में सक्षम। 
 हम यह भी देख लेंगे कि कंप्यूटर प्रेरणा कैसे ले सकते हैं 
 मानव बुद्धि से, मानव मस्तिष्क की संरचना को देखते हुए 
 और तंत्रिका नेटवर्क किस प्रकार के विचार के लिए एक कंप्यूटर एनालॉग हो सकते हैं। 
 और कैसे, एक कंप्यूटर की एक निश्चित प्रकार की संरचना का लाभ उठाकर 
 कार्यक्रम, हम तंत्रिका नेटवर्क लिख सकते हैं कि 
 बहुत प्रभावी ढंग से कार्य करने में सक्षम हैं। 
 और फिर अंत में, हम अपना ध्यान भाषा की ओर मोड़ेंगे। 

Chinese: 
当计算机尝试针对某种目标进行优化时出现的问题， 
特别是在可能
是计算机解决问题的多种方式， 
但我们正在寻找一种更好的方法，或者可能是最好的方法
如果有可能的话。 
然后，我们将研究机器学习或更广泛的学习。 
在查看我们何时可以访问数据
我们可以通过学习数据来将计算机编程为非常智能
并从经验中学习，能够更好地执行任务
基于对数据的更大访问。 
因此，例如您的电子邮件，您的电子邮件收件箱所在的位置
知道您的哪些电子邮件是好电子邮件，而哪些电子邮件是垃圾邮件。 
这些都是计算机正在被
能够从过去的经验和过去的数据中学习。 
我们还将看一看计算机如何汲取灵感
从人类的智慧看人脑的结构
以及神经网络如何成为此类想法的计算机模拟。 
以及如何通过利用某种类型的计算机结构
程序，我们可以编写神经网络
能够非常非常有效地执行任务。 
最后，我们将注意力转向语言。 

Turkish: 
 Bilgisayarın bir tür hedef için optimize etmeye çalıştığı sorunlar, 
 özellikle de 
 bir bilgisayarın bir sorunu çözmesinin birden çok yolu olabilir, 
 ama daha iyi bir yol veya potansiyel olarak en iyi yolu arıyoruz 
 eğer bu mümkün ise. 
 Ardından makine öğrenmesine veya daha genel olarak öğrenmeye bir göz atacağız. 
 Verilere ne zaman erişebileceğimize bakarken 
 bilgisayarlarımız verilerden öğrenerek oldukça akıllı olacak şekilde programlanabilir 
 ve deneyimden öğrenme, bir görevi daha iyi ve daha iyi yapabilme 
 verilere daha fazla erişime dayanır. 
 Yani e-postanız, örneğin, e-posta gelen kutunuzun bir şekilde 
 hangi e-postalarınızın iyi e-posta ve hangisinin e-posta spam olduğunu bilir. 
 Bunların hepsi bilgisayarların 
 Geçmiş deneyimlerden ve geçmiş verilerden öğrenebilir. 
 Bilgisayarların nasıl ilham alabileceğine de bir göz atacağız 
 İnsan beyninin yapısına bakarak insan zekasından 
 ve sinir ağlarının bu tür bir fikre nasıl bir bilgisayar analogu olabileceği. 
 Ve nasıl, belirli bir bilgisayarın yapısından yararlanarak 
 program, sinir ağları yazabiliriz 
 görevleri çok ama çok etkili bir şekilde yerine getirebilir. 
 Ve son olarak, dikkatimizi dile çevireceğiz. 

Italian: 
 Problemi di quando il computer sta cercando di ottimizzare per una sorta di obiettivo, 
 specialmente in una situazione in cui potrebbe esserci 
 essere molteplici modi in cui un computer potrebbe risolvere un problema, 
 ma stiamo cercando un modo migliore o, potenzialmente, il modo migliore 
 se è possibile. 
 Quindi daremo uno sguardo all'apprendimento automatico o all'apprendimento in generale. 
 Nel guardare come quando abbiamo accesso ai dati 
 i nostri computer possono essere programmati per essere abbastanza intelligenti imparando dai dati 
 e apprendere dall'esperienza, essere in grado di svolgere un compito sempre meglio 
 basato su un maggiore accesso ai dati. 
 Quindi la tua e-mail, ad esempio, in qualche modo la tua casella di posta 
 sa quali delle tue e-mail sono buone e-mail e qualunque e-mail sia spam. 
 Questi sono tutti esempi di computer 
 in grado di apprendere dalle esperienze passate e dai dati passati. 
 Daremo anche uno sguardo a come i computer sono in grado di trarre ispirazione 
 dall'intelligenza umana, guardando la struttura del cervello umano 
 e come le reti neurali possono essere un analogo del computer a quel tipo di idea. 
 E come, sfruttando un certo tipo di struttura di un computer 
 programma, possiamo scrivere reti neurali che 
 sono in grado di svolgere compiti molto, molto efficacemente. 
 E infine, rivolgeremo la nostra attenzione al linguaggio. 

French: 
 Problèmes lorsque l'ordinateur essaie d'optimiser pour une sorte d'objectif, 
 en particulier dans une situation où il pourrait y avoir 
 être de plusieurs façons qu'un ordinateur pourrait résoudre un problème, 
 mais nous recherchons un meilleur moyen ou, potentiellement, le meilleur moyen 
 si c'est possible. 
 Ensuite, nous examinerons l'apprentissage automatique, ou l'apprentissage plus généralement. 
 En regardant comment quand nous avons accès aux données 
 nos ordinateurs peuvent être programmés pour être assez intelligents en apprenant des données 
 et apprendre de l'expérience, être en mesure d'accomplir une tâche de mieux en mieux 
 basé sur un meilleur accès aux données. 
 Ainsi, votre e-mail, par exemple, où votre boîte de réception en quelque sorte 
 sait lesquels de vos e-mails sont de bons e-mails et quels sont les e-mails qui sont du spam. 
 Ce sont tous des exemples d'ordinateurs 
 capable d'apprendre des expériences passées et des données passées. 
 Nous verrons également comment les ordinateurs peuvent s'inspirer 
 de l'intelligence humaine, en regardant la structure du cerveau humain 
 et comment les réseaux de neurones peuvent être un ordinateur analogue à ce genre d'idée. 
 Et comment, en profitant d'un certain type de structure d'un ordinateur 
 programme, nous pouvons écrire des réseaux de neurones qui 
 sont capables d'effectuer des tâches très, très efficacement. 
 Et puis finalement, nous tournerons notre attention vers le langage. 

German: 
 Probleme, wenn der Computer versucht, für ein bestimmtes Ziel zu optimieren, 
 vor allem in einer Situation, in der es könnte 
 Es gibt mehrere Möglichkeiten, wie ein Computer ein Problem lösen kann. 
 aber wir suchen nach einem besseren oder möglicherweise dem besten Weg 
 wenn das überhaupt möglich ist. 
 Dann werfen wir einen Blick auf maschinelles Lernen oder allgemeineres Lernen. 
 Wenn wir uns ansehen, wie wir Zugriff auf Daten haben 
 Unsere Computer können so programmiert werden, dass sie sehr intelligent sind, indem sie aus Daten lernen 
 und aus Erfahrung lernen, eine Aufgabe immer besser ausführen können 
 basierend auf einem besseren Zugang zu Daten. 
 So ist Ihre E-Mail zum Beispiel irgendwie in Ihrem E-Mail-Posteingang 
 weiß, welche Ihrer E-Mails gute E-Mails sind und welche E-Mails Spam sind. 
 Dies sind alles Beispiele für Computer 
 in der Lage, aus früheren Erfahrungen und Daten zu lernen. 
 Wir werden uns auch ansehen, wie Computer sich inspirieren lassen können 
 von der menschlichen Intelligenz, Blick auf die Struktur des menschlichen Gehirns 
 und wie neuronale Netze ein Computer sein können, der dieser Art von Idee entspricht. 
 Und wie, indem man eine bestimmte Art von Struktur eines Computers ausnutzt 
 Programm können wir neuronale Netze schreiben, die 
 sind in der Lage, Aufgaben sehr, sehr effektiv auszuführen. 
 Und schließlich wenden wir uns der Sprache zu. 

Russian: 
 Проблемы, когда компьютер пытается оптимизировать для какой-то цели, 
 особенно в ситуации, когда может 
 быть несколькими способами, что компьютер может решить проблему, 
 но мы ищем лучший или, возможно, лучший путь 
 если это вообще возможно. 
 Затем мы рассмотрим машинное обучение или обучение в целом. 
 Рассматривая, как, когда у нас есть доступ к данным 
 наши компьютеры могут быть запрограммированы, чтобы быть достаточно интеллектуальными, изучая данные 
 и учиться на собственном опыте, быть способным выполнять задачу лучше и лучше 
 на основе более широкого доступа к данным. 
 Так что ваша электронная почта, например, где ваш почтовый ящик как-то 
 знает, какие из ваших писем являются хорошими письмами и какие письма являются спамом. 
 Это все примеры компьютеров 
 возможность извлечь уроки из прошлого опыта и прошлых данных. 
 Мы также посмотрим, как компьютеры могут черпать вдохновение 
 от человеческого интеллекта, глядя на структуру человеческого мозга 
 и как нейронные сети могут быть компьютерным аналогом такого рода идеи. 
 И как, используя преимущества определенного типа структуры компьютера 
 Программа, мы можем написать нейронные сети, которые 
 способны выполнять задачи очень и очень эффективно. 
 И, наконец, мы обратим наше внимание на язык. 

Portuguese: 
 Problemas de quando o computador está tentando otimizar para algum tipo de objetivo, 
 especialmente em uma situação em que possa 
 existem várias maneiras pelas quais um computador pode resolver um problema, 
 mas estamos procurando uma maneira melhor ou, potencialmente, a melhor maneira 
 se isso for possível. 
 Em seguida, examinaremos o aprendizado de máquina ou o aprendizado em geral. 
 Ao analisar como quando temos acesso aos dados 
 nossos computadores podem ser programados para serem bastante inteligentes aprendendo com dados 
 e aprendendo com a experiência, sendo capaz de executar uma tarefa cada vez melhor 
 com base em maior acesso aos dados. 
 Portanto, seu email, por exemplo, onde sua caixa de entrada de alguma forma 
 sabe quais dos seus emails são bons e os que são spam. 
 Estes são todos exemplos de computadores sendo 
 capaz de aprender com experiências passadas e dados passados. 
 Também daremos uma olhada em como os computadores conseguem se inspirar 
 da inteligência humana, olhando para a estrutura do cérebro humano 
 e como as redes neurais podem ser um computador análogo a esse tipo de idéia. 
 E como, tirando proveito de um certo tipo de estrutura de um computador 
 programa, podemos escrever redes neurais que 
 são capazes de executar tarefas de maneira muito, muito eficaz. 
 E finalmente, voltaremos nossa atenção para a linguagem. 

Dutch: 
 Problemen als de computer probeert te optimaliseren voor een bepaald doel, 
 vooral in een situatie waar dat mogelijk is 
 meerdere manieren zijn waarop een computer een probleem kan oplossen, 
 maar we zijn op zoek naar een betere manier of mogelijk de beste manier 
 als dat überhaupt mogelijk is. 
 Vervolgens kijken we naar machine learning of meer algemeen leren. 
 Als we kijken hoe we toegang hebben tot gegevens 
 onze computers kunnen worden geprogrammeerd om behoorlijk intelligent te zijn door te leren van gegevens 
 en leren uit ervaring, een taak steeds beter kunnen uitvoeren 
 gebaseerd op betere toegang tot gegevens. 
 Dus je e-mail, bijvoorbeeld, waar je e-mailinbox op de een of andere manier is 
 weet welke van uw e-mails goede e-mails zijn en welke e-mails spam zijn. 
 Dit zijn allemaal voorbeelden van computers 
 kunnen leren van ervaringen uit het verleden en gegevens uit het verleden. 
 We zullen ook kijken hoe computers inspiratie kunnen putten 
 van menselijke intelligentie, kijkend naar de structuur van het menselijk brein 
 en hoe neurale netwerken een computer kunnen zijn analoog aan dat soort idee. 
 En hoe, door te profiteren van een bepaald type structuur van een computer 
 programma kunnen we neurale netwerken schrijven 
 kunnen taken zeer, zeer effectief uitvoeren. 
 En tot slot richten we onze aandacht op taal. 

Spanish: 
 Problemas de cuando la computadora intenta optimizar para algún tipo de objetivo, 
 especialmente en una situación donde podría 
 ser múltiples formas en que una computadora podría resolver un problema, 
 pero estamos buscando una mejor manera o, potencialmente, la mejor manera 
 si eso es posible. 
 Luego echaremos un vistazo al aprendizaje automático, o al aprendizaje en general. 
 Al mirar cómo cuando tenemos acceso a los datos 
 nuestras computadoras se pueden programar para ser bastante inteligentes al aprender de los datos 
 y aprender de la experiencia, poder realizar una tarea cada vez mejor 
 basado en un mayor acceso a los datos. 
 Entonces, su correo electrónico, por ejemplo, donde su bandeja de entrada de correo electrónico de alguna manera 
 sabe cuáles de sus correos electrónicos son buenos y cuáles son spam. 
 Estos son todos ejemplos de computadoras siendo 
 capaz de aprender de experiencias pasadas y datos pasados. 
 También veremos cómo las computadoras pueden inspirarse 
 desde la inteligencia humana, mirando la estructura del cerebro humano 
 y cómo las redes neuronales pueden ser una computadora análoga a ese tipo de idea. 
 Y cómo, al aprovechar un cierto tipo de estructura de una computadora 
 programa, podemos escribir redes neuronales que 
 son capaces de realizar tareas de manera muy, muy efectiva. 
 Y finalmente, volveremos nuestra atención al lenguaje. 

Indonesian: 
 Masalah saat komputer mencoba mengoptimalkan untuk semacam tujuan, 
 terutama dalam situasi di mana mungkin ada 
 menjadi beberapa cara bahwa komputer dapat memecahkan masalah, 
 tapi kami sedang mencari cara yang lebih baik atau, berpotensi, cara terbaik 
 jika itu memungkinkan. 
 Kemudian kita akan melihat pembelajaran mesin, atau belajar secara lebih umum. 
 Dalam melihat bagaimana ketika kita memiliki akses ke data 
 komputer kita dapat diprogram menjadi cukup cerdas dengan belajar dari data 
 dan belajar dari pengalaman, mampu melakukan tugas dengan lebih baik dan lebih baik 
 berdasarkan akses yang lebih besar ke data. 
 Jadi, email Anda, misalnya, di mana email inbox Anda entah bagaimana 
 tahu surel mana dari surel Anda yang surel dan surel mana yang suram. 
 Ini semua adalah contoh dari komputer 
 dapat belajar dari pengalaman masa lalu dan data masa lalu. 
 Kami juga akan melihat bagaimana komputer dapat menarik inspirasi 
 dari kecerdasan manusia, melihat struktur otak manusia 
 dan bagaimana jaringan saraf dapat menjadi analog komputer dengan ide semacam itu. 
 Dan caranya, dengan memanfaatkan jenis struktur komputer tertentu 
 program, kita bisa menulis jaringan saraf itu 
 mampu melakukan tugas dengan sangat, sangat efektif. 
 Dan akhirnya, kita akan mengalihkan perhatian kita ke bahasa. 

English: 
Problems of when the computer is trying to optimize for some sort of goal,
especially in a situation where there might
be multiple ways that a computer might solve a problem,
but we're looking for a better way or, potentially, the best way
if that's at all possible.
Then we'll take a look at machine learning, or learning more generally.
In looking at how when we have access to data
our computers can be programmed to be quite intelligent by learning from data
and learning from experience, being able to perform a task better and better
based on greater access to data.
So your email, for example, where your email inbox somehow
knows which of your emails are good emails and whichever emails are spam.
These are all examples of computers being
able to learn from past experiences and past data.
We'll take a look, too, at how computers are able to draw inspiration
from human intelligence, looking at the structure of the human brain
and how neural networks can be a computer analog to that sort of idea.
And how, by taking advantage of a certain type of structure of a computer
program, we can write neural networks that
are able to perform tasks very, very effectively.
And then finally, we'll turn our attention to language.

Modern Greek (1453-): 
 Προβλήματα όταν ο υπολογιστής προσπαθεί να βελτιστοποιήσει για κάποιο είδος στόχου, 
 ειδικά σε μια κατάσταση όπου μπορεί 
 να είναι πολλοί τρόποι με τους οποίους ένας υπολογιστής μπορεί να λύσει ένα πρόβλημα, 
 αλλά αναζητούμε έναν καλύτερο τρόπο ή, ενδεχομένως, τον καλύτερο τρόπο 
 αν αυτό είναι δυνατόν. 
 Τότε θα ρίξουμε μια ματιά στη μηχανική εκμάθηση ή στη γενικότερη μάθηση. 
 Εξετάζοντας πώς πότε έχουμε πρόσβαση σε δεδομένα 
 οι υπολογιστές μας μπορούν να προγραμματιστούν ώστε να είναι αρκετά έξυπνοι μαθαίνοντας από τα δεδομένα 
 και να μαθαίνουμε από την εμπειρία, να είμαστε σε θέση να εκτελούμε μια εργασία όλο και καλύτερα 
 βασίζεται σε μεγαλύτερη πρόσβαση στα δεδομένα. 
 Έτσι, το email σας, για παράδειγμα, όπου τα email σας εισέρχονται κάπως 
 γνωρίζει ποια από τα email σας είναι καλά email και ποια email είναι spam. 
 Αυτά είναι όλα παραδείγματα ύπαρξης υπολογιστών 
 ικανός να μάθει από προηγούμενες εμπειρίες και προηγούμενα δεδομένα. 
 Θα ρίξουμε επίσης μια ματιά στο πώς οι υπολογιστές μπορούν να αντλήσουν έμπνευση 
 από την ανθρώπινη νοημοσύνη, κοιτάζοντας τη δομή του ανθρώπινου εγκεφάλου 
 και πώς τα νευρικά δίκτυα μπορούν να είναι αναλογικοί υπολογιστές με αυτό το είδος ιδέας. 
 Και πώς, εκμεταλλευόμενος έναν συγκεκριμένο τύπο δομής ενός υπολογιστή 
 πρόγραμμα, μπορούμε να γράψουμε νευρωνικά δίκτυα που 
 είναι σε θέση να εκτελούν εργασίες πολύ, πολύ αποτελεσματικά. 
 Και τέλος, θα στρέψουμε την προσοχή μας στη γλώσσα. 

Arabic: 
 مشاكل عندما يحاول الكمبيوتر تحسين نوع ما من الهدف ، 
 خاصة في المواقف التي قد تكون هناك 
 تكون عدة طرق يمكن للكمبيوتر من خلالها حل مشكلة ما ، 
 لكننا نبحث عن طريقة أفضل ، أو ربما أفضل طريقة 
 إذا كان ذلك ممكنًا على الإطلاق. 
 ثم سنلقي نظرة على التعلم الآلي ، أو التعلم بشكل عام. 
 في النظر في كيفية حصولنا على البيانات 
 يمكن برمجة أجهزة الكمبيوتر الخاصة بنا لتكون ذكية للغاية من خلال التعلم من البيانات 
 والتعلم من التجربة ، والقدرة على أداء مهمة أفضل وأفضل 
 بناءً على وصول أكبر إلى البيانات. 
 إذن بريدك الإلكتروني ، على سبيل المثال ، حيث صندوق البريد الإلكتروني الخاص بك بطريقة أو بأخرى 
 يعرف أي من رسائل البريد الإلكتروني الخاصة بك هي رسائل بريد إلكتروني جيدة وأي رسائل بريد إلكتروني غير مرغوب فيها. 
 هذه كلها أمثلة على أجهزة الكمبيوتر 
 قادر على التعلم من التجارب السابقة والبيانات السابقة. 
 سنلقي نظرة أيضًا على كيفية قدرة أجهزة الكمبيوتر على استلهام الأفكار 
 من الذكاء البشري ، النظر إلى بنية الدماغ البشري 
 وكيف يمكن للشبكات العصبية أن تكون تناظرية حاسوبية لهذا النوع من الأفكار. 
 وكيف ، من خلال الاستفادة من نوع معين من هيكل الكمبيوتر 
 برنامج ، يمكننا كتابة الشبكات العصبية التي 
 قادرون على أداء المهام بشكل فعال للغاية. 
 وأخيرًا ، سنوجه انتباهنا إلى اللغة. 

Japanese: 
コンピュータがある種の目的のために最適化しようとするときの問題、 
特に可能性のある状況で
コンピューターが問題を解決する複数の方法であること、 
しかし、私たちはより良い方法、または潜在的には最良の方法を探しています
それが可能な限り。 
次に、機械学習、またはより一般的な学習について見ていきます。 
データにいつアクセスできるかを見て
私たちのコンピュータは、データから学習することにより、非常にインテリジェントになるようにプログラムできます
経験から学び、より良いタスクを実行できる
より多くのデータへのアクセスに基づいています。 
たとえば、メールの受信トレイがどういうわけか
どのメールが良いメールで、どのメールがスパムであるかがわかります。 
これらはすべてコンピュータの例です
過去の経験や過去のデータから学ぶことができます。 
コンピューターがインスピレーションを引き出す方法についても見ていきます
人間の知性から、人間の脳の構造を見て
そして、ニューラルネットワークがその種のアイデアのコンピュータアナログになり得る方法。 
そして、コンピュータの特定のタイプの構造を利用することによって
プログラム、私たちはニューラルネットワークを書くことができます
タスクを非常に効果的に実行できます。 
そして最後に、言語に目を向けます。 

Korean: 
 컴퓨터가 어떤 종류의 목표를 위해 최적화하려고 할 때의 문제, 
 특히 상황에 따라 
 컴퓨터가 여러 가지 방법으로 문제를 해결할 수 있습니다. 
 그러나 우리는 더 나은 방법 또는 잠재적으로 가장 좋은 방법을 찾고 있습니다 
 그것이 가능하다면. 
 그런 다음 머신 러닝 또는보다 일반적인 학습을 살펴 보겠습니다. 
 데이터에 액세스 할 수있는 방법을 살펴보면 
 우리의 컴퓨터는 데이터를 통해 지능적으로 프로그래밍 할 수 있습니다 
 경험을 통해 배우고 더 나은 작업을 수행 할 수 있습니다. 
 데이터에 대한 더 많은 액세스를 기반으로합니다. 
 예를 들어 이메일받은 편지함과 같은 이메일 
 어떤 이메일이 좋은 이메일인지, 어느 이메일이 스팸인지 알고 있습니다. 
 이들은 모두 컴퓨터의 예입니다 
 과거 경험과 과거 데이터를 통해 배울 수 있습니다. 
 우리는 컴퓨터가 어떻게 영감을 얻을 수 있는지에 대해서도 살펴볼 것입니다. 
 인간의 지능에서 인간 두뇌의 구조를보고 
 신경망이 어떻게 그런 아이디어와 비슷한 컴퓨터가 될 수 있는지. 
 컴퓨터의 특정 유형의 구조를 활용하여 
 프로그램을 통해 신경망을 작성할 수 있습니다. 
 작업을 매우 효과적으로 수행 할 수 있습니다. 
 그리고 마지막으로 언어에 관심을 돌릴 것입니다. 

Chinese: 
當計算機嘗試針對某種目標進行優化時出現的問題， 
特別是在可能
是計算機可能解決問題的多種方式， 
但我們正在尋找一種更好的方法，或者可能是最好的方法
如果有可能的話。 
然後，我們將研究機器學習或更廣泛的學習。 
在查看我們何時可以訪問數據
我們可以通過學習數據來將計算機編程為非常智能
並從經驗中學習，能夠更好地執行任務
基於對數據的更大訪問。 
因此，例如您的電子郵件，您的電子郵件收件箱所在的位置
知道您的哪些電子郵件是好電子郵件，而哪些電子郵件是垃圾郵件。 
這些都是計算機正在被
能夠從過去的經驗和過去的數據中學習。 
我們還將看一看計算機如何汲取靈感
從人類智力出發，看人類大腦的結構
以及神經網絡如何成為此類想法的計算機模擬。 
以及如何通過利用某種類型的計算機結構
程序，我們可以編寫神經網絡
能夠非常非常有效地執行任務。 
最後，我們將注意力轉向語言。 

English: 
Not programming languages, but human languages that we speak every day.
And taking a look at the challenges that come
about as a computer tries to understand natural language
and how it is some of the natural language
processing that occurs in modern artificial intelligence
can actually work.
But today it will begin our conversation with search.
This problem of trying to figure out what
to do when we have some sort of situation that the computer is in,
some sort of environment that an agent is in, so to speak.
And we would like for that agent to be able to somehow look for a solution
to that problem.
Now, these problems can come in any number of different types of formats.
One example, for instance, might be something like this classic 15
puzzle with the sliding tiles that you might
have seen, where you're trying to slide the tiles in order to make sure
that all the numbers line up in order.
This is an example of what you might call a search problem.
The 15 puzzle begins in an initially mixed up state
and we need some way of finding moves to make in order to return
the puzzle to its solved state.
But there are similar problems that you can frame in other ways.

Japanese: 
プログラミング言語ではなく、私たちが毎日話す人間の言語。 
そして、来る挑戦を見て
コンピューターが自然言語を理解しようとするとき
そしてそれがいかに自然言語の一部であるか
現代の人工知能で発生する処理
実際に働くことができます。 
しかし、今日は検索との会話を開始します。 
何を理解しようとするこの問題
コンピューターが置かれている状況にいるときに
いわば、エージェントがいるある種の環境です。 
そして、そのエージェントが何とかして解決策を探すことができるようにしたい
その問題に。 
現在、これらの問題はさまざまな種類のフォーマットで発生します。 
たとえば、1つの例として、このクラシック15のようなものがあります。 
あなたがかもしれないスライドタイルでパズル
あなたが確認するためにタイルをスライドさせようとしているところを見ました
すべての数字が順番に並んでいること。 
これは、いわゆる検索問題の例です。 
 15パズルは、最初は混同した状態で始まります
戻るために行う動きを見つける方法が必要です
解かれた状態へのパズル。 
しかし、他の方法で組み立てることができる同様の問題があります。 

Arabic: 
 لا برمجة لغات ، بل لغات بشرية نتحدثها كل يوم. 
 وإلقاء نظرة على التحديات القادمة 
 كجهاز كمبيوتر يحاول فهم اللغة الطبيعية 
 وكيف هي بعض اللغة الطبيعية 
 المعالجة التي تحدث في الذكاء الاصطناعي الحديث 
 يمكن أن تعمل في الواقع. 
 ولكن اليوم ستبدأ محادثتنا مع البحث. 
 هذه مشكلة محاولة معرفة ما 
 عندما يكون لدينا نوع من المواقف التي يكون فيها الكمبيوتر ، 
 نوع من البيئة التي يوجد فيها الوكيل ، إذا جاز التعبير. 
 ونود أن يتمكن هذا الوكيل من البحث بطريقة ما عن حل 
 لهذه المشكلة. 
 الآن ، يمكن أن تأتي هذه المشاكل في أي عدد من أنواع التنسيقات المختلفة. 
 أحد الأمثلة ، على سبيل المثال ، قد يكون شيئًا مثل هذا 15 الكلاسيكي 
 اللغز مع البلاط المنزلق الذي قد 
 رأيت ، حيث تحاول تحريك البلاط من أجل التأكد 
 أن جميع الأرقام تصطف بالترتيب. 
 هذا مثال لما يمكن أن تسميه مشكلة بحث. 
 يبدأ اللغز الـ15 في حالة مختلطة في البداية 
 ونحتاج إلى طريقة ما لإيجاد التحركات من أجل العودة 
 اللغز إلى حالته التي تم حلها. 
 ولكن هناك مشاكل مشابهة يمكنك تأطيرها بطرق أخرى. 

French: 
 Pas des langages de programmation, mais des langages humains que nous parlons tous les jours. 
 Et jetez un oeil aux défis qui viennent 
 à peu près comme un ordinateur essaie de comprendre le langage naturel 
 et comment c'est une partie du langage naturel 
 traitement qui se produit dans l'intelligence artificielle moderne 
 peut réellement fonctionner. 
 Mais aujourd'hui, il commencera notre conversation par la recherche. 
 Ce problème d'essayer de comprendre ce 
 à faire quand nous avons une sorte de situation dans laquelle se trouve l'ordinateur, 
 une sorte d'environnement dans lequel se trouve un agent, pour ainsi dire. 
 Et nous aimerions que cet agent puisse en quelque sorte chercher une solution 
 à ce problème. 
 Désormais, ces problèmes peuvent se présenter sous différents types de formats. 
 Un exemple, par exemple, pourrait être quelque chose comme ce classique 15 
 puzzle avec les tuiles coulissantes que vous pourriez 
 ont vu, où vous essayez de faire glisser les tuiles afin de vous assurer 
 que tous les numéros s'alignent dans l'ordre. 
 Ceci est un exemple de ce que vous pourriez appeler un problème de recherche. 
 Le puzzle 15 commence dans un état initialement mélangé 
 et nous avons besoin d'un moyen de trouver des mouvements à faire pour revenir 
 le puzzle à son état résolu. 
 Mais il existe des problèmes similaires que vous pouvez définir d'autres manières. 

Modern Greek (1453-): 
 Όχι γλώσσες προγραμματισμού, αλλά ανθρώπινες γλώσσες που μιλάμε καθημερινά. 
 Και ρίξτε μια ματιά στις προκλήσεις που έρχονται 
 καθώς ένας υπολογιστής προσπαθεί να κατανοήσει τη φυσική γλώσσα 
 και πώς είναι μερικές από τις φυσικές γλώσσες 
 επεξεργασία που συμβαίνει στη σύγχρονη τεχνητή νοημοσύνη 
 μπορεί πραγματικά να λειτουργήσει. 
 Αλλά σήμερα θα ξεκινήσει τη συνομιλία μας με αναζήτηση. 
 Αυτό το πρόβλημα της προσπάθειας να καταλάβω τι 
 να κάνουμε όταν έχουμε κάποια κατάσταση στην οποία βρίσκεται ο υπολογιστής, 
 κάποιο περιβάλλον στο οποίο βρίσκεται ένας πράκτορας, για να το πούμε. 
 Και θα θέλαμε για αυτόν τον πράκτορα να μπορεί με κάποιο τρόπο να αναζητήσει λύση 
 σε αυτό το πρόβλημα. 
 Τώρα, αυτά τα προβλήματα μπορούν να έρθουν σε οποιονδήποτε αριθμό διαφορετικών τύπων μορφών. 
 Ένα παράδειγμα, για παράδειγμα, μπορεί να είναι κάτι σαν αυτό το κλασικό 15 
 παζλ με τα συρόμενα πλακίδια που μπορείς 
 έχουν δει, όπου προσπαθείτε να σύρετε τα πλακίδια για να βεβαιωθείτε 
 ότι όλοι οι αριθμοί ευθυγραμμίζονται με τη σειρά. 
 Αυτό είναι ένα παράδειγμα αυτού που μπορεί να ονομάσετε πρόβλημα αναζήτησης. 
 Το 15 παζλ ξεκινά σε μια αρχικά αναμεμιγμένη κατάσταση 
 και χρειαζόμαστε κάποιο τρόπο να βρούμε κινήσεις για να επιστρέψουμε 
 το παζλ στη λυμένη του κατάσταση. 
 Υπάρχουν όμως παρόμοια προβλήματα που μπορείτε να καλέσετε με άλλους τρόπους. 

Chinese: 
不是編程語言，而是我們每天都會說的人類語言。 
並展望未來的挑戰
關於計算機試圖理解自然語言
以及這是一些自然語言
現代人工智能中發生的處理
可以實際工作。 
但是今天，它將以搜索開始我們的對話。 
這個試圖弄清楚什麼的問題
當我們遇到某種情況時要執行的操作， 
可以說，代理所處的某種環境。 
我們希望該代理能夠以某種方式尋找解決方案
這個問題。 
現在，這些問題可能以多種不同類型的格式出現。 
例如，一個例子可能就是這種經典的15 
困惑於您可能會滑動的瓷磚
已經看到，您嘗試在哪裡滑動瓷磚以確保
所有數字按順序排列。 
這是您可能稱為搜索問題的示例。 
 15個難題從最初的混亂狀態開始
我們需要某種方法來尋找要返回的步驟
拼圖已解決。 
但是，您可以通過其他方式解決類似的問題。 

Chinese: 
不是编程语言，而是我们每天都会说的人类语言。 
并展望未来的挑战
关于计算机试图理解自然语言
以及这是一些自然语言
现代人工智能中发生的处理
可以实际工作。 
但是今天，它将以搜索开始我们的对话。 
这个试图弄清楚什么的问题
当我们遇到某种情况时要执行的操作， 
可以说，代理所处的某种环境。 
我们希望该代理能够以某种方式寻找解决方案
这个问题。 
现在，这些问题可能以多种不同类型的格式出现。 
例如，一个例子可能就是这种经典的15 
困惑于您可能会滑动的瓷砖
已经看到，您尝试在哪里滑动瓷砖以确保
所有数字按顺序排列。 
这是您可能称为搜索问题的示例。 
 15个难题从最初的混乱状态开始
我们需要某种方法来寻找要返回的步骤
难题已解决。 
但是，您可以通过其他方式解决类似的问题。 

Spanish: 
 No lenguajes de programación, sino lenguajes humanos que hablamos todos los días. 
 Y mirando los desafíos que vienen 
 sobre como una computadora trata de entender el lenguaje natural 
 y como es el lenguaje natural 
 procesamiento que ocurre en la inteligencia artificial moderna 
 en realidad puede funcionar 
 Pero hoy comenzará nuestra conversación con la búsqueda. 
 Este problema de tratar de averiguar qué 
 hacer cuando tenemos algún tipo de situación en la que se encuentra la computadora, 
 algún tipo de entorno en el que se encuentra un agente, por así decirlo. 
 Y nos gustaría que ese agente pueda buscar de alguna manera una solución 
 a ese problema 
 Ahora, estos problemas pueden venir en cualquier número de diferentes tipos de formatos. 
 Un ejemplo, por ejemplo, podría ser algo como este clásico 15 
 rompecabezas con las fichas deslizantes que podrías 
 has visto dónde intentas deslizar los mosaicos para asegurarte 
 que todos los números se alineen en orden. 
 Este es un ejemplo de lo que podría llamar un problema de búsqueda. 
 El 15 rompecabezas comienza en un estado inicialmente mezclado 
 y necesitamos alguna forma de encontrar movimientos para volver 
 El rompecabezas a su estado resuelto. 
 Pero hay problemas similares que puede enmarcar de otras maneras. 

Russian: 
 Не языки программирования, а человеческие языки, на которых мы говорим каждый день. 
 И взглянуть на проблемы, которые приходят 
 о том, как компьютер пытается понять естественный язык 
 и как это часть естественного языка 
 обработка, которая происходит в современном искусственном интеллекте 
 может на самом деле работать. 
 Но сегодня начнется наш разговор с поиска. 
 Эта проблема пытается выяснить, что 
 делать, когда у нас какая-то ситуация, в которой находится компьютер, 
 какая-то среда, в которой находится агент, так сказать. 
 И мы бы хотели, чтобы этот агент смог как-то найти решение 
 к этой проблеме. 
 Теперь эти проблемы могут прийти в любом количестве различных типов форматов. 
 Например, может быть что-то вроде этого классического 15 
 головоломка со скользящими плитками, которые вы могли бы 
 видел, где вы пытаетесь сдвинуть плитки, чтобы убедиться, 
 что все числа выстроены в порядке. 
 Это пример того, что вы можете назвать проблемой поиска. 
 Загадка 15 начинается в изначально смешанном состоянии 
 и нам нужен какой-то способ найти ходы, чтобы вернуться 
 загадка в ее решенном состоянии. 
 Но есть похожие проблемы, которые вы можете создать другими способами. 

German: 
 Keine Programmiersprachen, sondern menschliche Sprachen, die wir jeden Tag sprechen. 
 Und werfen Sie einen Blick auf die kommenden Herausforderungen 
 etwa wie ein Computer versucht, natürliche Sprache zu verstehen 
 und wie es ein Teil der natürlichen Sprache ist 
 Verarbeitung, die in der modernen künstlichen Intelligenz auftritt 
 kann tatsächlich funktionieren. 
 Aber heute beginnt unser Gespräch mit der Suche. 
 Dieses Problem, herauszufinden, was 
 zu tun, wenn wir eine Situation haben, in der sich der Computer befindet, 
 eine Art Umgebung, in der sich ein Agent sozusagen befindet. 
 Und wir möchten, dass dieser Agent irgendwie nach einer Lösung suchen kann 
 zu diesem Problem. 
 Diese Probleme können nun in einer beliebigen Anzahl verschiedener Formate auftreten. 
 Ein Beispiel könnte beispielsweise so etwas wie dieser Klassiker 15 sein 
 Puzzle mit den Schiebekacheln, die du magst 
 habe gesehen, wo du versuchst die fliesen zu schieben um sicher zu gehen 
 dass alle Zahlen in der richtigen Reihenfolge stehen. 
 Dies ist ein Beispiel für ein Suchproblem. 
 Das 15-Puzzle beginnt in einem anfänglich durcheinandergebrachten Zustand 
 und wir brauchen eine Möglichkeit, Schritte zu finden, um zurückzukehren 
 das Rätsel in seinen gelösten Zustand. 
 Es gibt jedoch ähnliche Probleme, die Sie auf andere Weise festlegen können. 

Italian: 
 Non linguaggi di programmazione, ma linguaggi umani di cui parliamo ogni giorno. 
 E dare un'occhiata alle sfide che si presentano 
 come un computer cerca di capire il linguaggio naturale 
 e come è parte del linguaggio naturale 
 elaborazione che avviene nella moderna intelligenza artificiale 
 può effettivamente funzionare. 
 Ma oggi inizierà la nostra conversazione con la ricerca. 
 Questo problema nel cercare di capire cosa 
 da fare quando abbiamo una sorta di situazione in cui si trova il computer, 
 una sorta di ambiente in cui si trova un agente, per così dire. 
 E vorremmo che quell'agente fosse in grado di cercare in qualche modo una soluzione 
 a quel problema. 
 Ora, questi problemi possono presentarsi in qualsiasi numero di diversi tipi di formati. 
 Un esempio, ad esempio, potrebbe essere qualcosa di simile a questo classico 15 
 puzzle con le tessere scorrevoli che potresti 
 ho visto, dove stai cercando di far scorrere le tessere per essere sicuro 
 che tutti i numeri siano allineati in ordine. 
 Questo è un esempio di ciò che potresti chiamare un problema di ricerca. 
 Il puzzle 15 inizia in uno stato inizialmente confuso 
 e abbiamo bisogno di un modo per trovare le mosse da fare per tornare 
 il puzzle al suo stato risolto. 
 Ma ci sono problemi simili che puoi inquadrare in altri modi. 

Turkish: 
 Programlama dilleri değil, her gün konuştuğumuz insan dilleri. 
 Ve gelen zorluklara bir göz atın 
 bilgisayar doğal dili anlamaya çalışırken 
 ve doğal dilin nasıl olduğunu 
 modern yapay zekada gerçekleşen işleme 
 aslında çalışabilir. 
 Ama bugün arama ile konuşmamıza başlayacak. 
 Bu problemi anlamaya çalışmak 
 bilgisayarın içinde bulunduğu bir tür durum olduğunda, 
 tabiri caizse, bir ajanın içinde bulunduğu bir tür ortam. 
 Ve biz bu ajanın bir şekilde bir çözüm arayabilmesini istiyoruz 
 bu soruna. 
 Şimdi, bu sorunlar çok sayıda farklı formatta gelebilir. 
 Örneğin bir örnek, bu klasik 15 gibi bir şey olabilir 
 Yapabileceğiniz sürgülü fayans ile bulmaca 
 emin olmak için karoları kaydırmaya çalıştığınız 
 tüm sayılar sırayla sıralanır. 
 Bu, arama sorunu olarak adlandırabileceğinizin bir örneğidir. 
 15 bulmaca başlangıçta karışık bir durumda başlar 
 ve geri dönmek için hamle bulmanın bir yoluna ihtiyacımız var 
 çözülmüş haline bulmaca. 
 Ancak başka şekillerde çerçeveleyebileceğiniz benzer sorunlar var. 

Portuguese: 
 Não linguagens de programação, mas linguagens humanas que falamos todos os dias. 
 E dando uma olhada nos desafios que surgem 
 sobre como um computador tenta entender a linguagem natural 
 e como é um pouco da linguagem natural 
 processamento que ocorre na inteligência artificial moderna 
 pode realmente funcionar. 
 Mas hoje ele começará nossa conversa com a pesquisa. 
 Esse problema de tentar descobrir o que 
 fazer quando tivermos algum tipo de situação em que o computador esteja, 
 algum tipo de ambiente em que um agente está, por assim dizer. 
 E gostaríamos que esse agente pudesse, de alguma forma, procurar uma solução 
 para esse problema. 
 Agora, esses problemas podem ocorrer em vários tipos diferentes de formatos. 
 Um exemplo, por exemplo, pode ser algo como este clássico 15 
 quebra-cabeça com as peças deslizantes que você pode 
 vi, onde você está tentando deslizar os ladrilhos para garantir 
 que todos os números se alinham em ordem. 
 Este é um exemplo do que você pode chamar de um problema de pesquisa. 
 O quebra-cabeça 15 começa em um estado inicialmente confuso 
 e precisamos de alguma maneira de encontrar movimentos a serem feitos para retornar 
 o quebra-cabeça ao seu estado resolvido. 
 Mas existem problemas semelhantes que você pode enquadrar de outras maneiras. 

Hindi: 
 प्रोग्रामिंग लैंग्वेज नहीं, बल्कि इंसानी भाषाएं जो हम रोज बोलते हैं। 
 और आने वाली चुनौतियों पर एक नज़र रखना 
 कंप्यूटर के रूप में प्राकृतिक भाषा को समझने की कोशिश करता है 
 और यह प्राकृतिक भाषा में से कुछ कैसे है 
 प्रसंस्करण जो आधुनिक कृत्रिम बुद्धिमत्ता में होता है 
 वास्तव में काम कर सकते हैं। 
 लेकिन आज यह हमारी खोज के साथ बातचीत शुरू करेगा। 
 यह पता लगाने की कोशिश करने की यह समस्या क्या है 
 ऐसा करने के लिए जब हमारे पास किसी प्रकार की स्थिति हो जिसमें कंप्यूटर हो, 
 किसी प्रकार का वातावरण जो एक एजेंट में है, इसलिए बोलना है। 
 और हम उस एजेंट के लिए चाहेंगे कि वह किसी समाधान के लिए सक्षम हो 
 उस समस्या के लिए। 
 अब, ये समस्याएं किसी भी प्रकार के विभिन्न स्वरूपों में आ सकती हैं। 
 उदाहरण के लिए, एक उदाहरण इस क्लासिक 15 जैसा कुछ हो सकता है 
 फिसलने वाली टाइलों के साथ पहेली जो आप कर सकते हैं 
 देखा है, जहां आप सुनिश्चित करने के लिए टाइल्स को स्लाइड करने की कोशिश कर रहे हैं 
 कि सभी संख्या क्रम में ऊपर पंक्ति। 
 यह एक उदाहरण है जिसे आप खोज समस्या कह सकते हैं। 
 15 पहेली एक प्रारंभिक रूप से मिश्रित राज्य में शुरू होती है 
 और हमें वापसी करने के लिए चालों को खोजने के कुछ तरीके चाहिए 
 अपने हल राज्य के लिए पहेली। 
 लेकिन ऐसी ही समस्याएं हैं जिन्हें आप अन्य तरीकों से फ्रेम कर सकते हैं। 

Indonesian: 
 Bukan bahasa pemrograman, tetapi bahasa manusia yang kita ucapkan setiap hari. 
 Dan melihat tantangan yang datang 
 tentang sebagai komputer mencoba memahami bahasa alami 
 dan bagaimana itu adalah beberapa bahasa alami 
 pemrosesan yang terjadi dalam kecerdasan buatan modern 
 sebenarnya bisa bekerja. 
 Tapi hari ini akan memulai percakapan kita dengan pencarian. 
 Masalah ini mencoba mencari tahu apa 
 lakukan ketika kita memiliki semacam situasi di mana komputer berada, 
 semacam lingkungan di mana agen berada, bisa dikatakan. 
 Dan kami ingin agar agen itu entah bagaimana mencari solusi 
 untuk masalah itu. 
 Sekarang, masalah ini dapat muncul dalam berbagai jenis format. 
 Salah satu contoh, misalnya, mungkin seperti klasik 15 ini 
 teka-teki dengan ubin geser yang Anda mungkin 
 telah melihat, di mana Anda mencoba untuk menggeser ubin untuk memastikan 
 bahwa semua nomor berbaris secara berurutan. 
 Ini adalah contoh dari apa yang Anda sebut masalah pencarian. 
 15 teka-teki dimulai dalam keadaan awalnya campur aduk 
 dan kita perlu beberapa cara untuk menemukan gerakan untuk kembali 
 teka-teki ke kondisi terpecahkan. 
 Tetapi ada masalah serupa yang bisa Anda bingkai dengan cara lain. 

Korean: 
 프로그래밍 언어가 아니라 매일 사용하는 인간 언어입니다. 
 그리고 다가오는 도전을 살펴보십시오 
 컴퓨터가 자연어를 이해하려고 할 때 
 자연어가 어떻게 
 현대 인공 지능에서 발생하는 처리 
 실제로 작동 할 수 있습니다. 
 그러나 오늘은 검색과 대화를 시작합니다. 
 무엇을 알아 내려고하는이 문제 
 컴퓨터가 어떤 상황에 처했을 때해야 할 일 
 요컨대, 요원이있는 환경입니다. 
 그리고 우리는 그 에이전트가 어떻게 든 해결책을 찾을 수 있기를 바랍니다. 
 그 문제에. 
 이제 이러한 문제는 다양한 유형의 형식으로 나타날 수 있습니다. 
 예를 들어, 예를 들어이 고전 15와 같은 것일 수 있습니다. 
 당신이 할 수있는 슬라이딩 타일과 퍼즐 
 당신이 확인하기 위해 타일을 슬라이드하려고하는 곳을 보았다 
 모든 숫자가 순서대로 정렬됩니다. 
 검색 문제라고 부르는 예입니다. 
 15 퍼즐은 초기 혼합 상태에서 시작 
 우리는 돌아 오기 위해 움직일 방법을 찾아야합니다. 
 해결 된 상태로 퍼즐. 
 그러나 다른 방식으로 구도를 잡을 수있는 비슷한 문제가 있습니다. 

Dutch: 
 Geen programmeertalen, maar menselijke talen die we elke dag spreken. 
 En kijken naar de uitdagingen die komen 
 ongeveer zoals een computer natuurlijke taal probeert te begrijpen 
 en hoe het een deel van de natuurlijke taal is 
 verwerking die plaatsvindt in moderne kunstmatige intelligentie 
 kan echt werken. 
 Maar vandaag begint ons gesprek met zoeken. 
 Dit probleem van proberen uit te zoeken wat 
 te doen wanneer we een situatie hebben waarin de computer zich bevindt, 
 een soort omgeving waarin een agent zich bevindt, om zo te zeggen. 
 En we willen dat die agent op de een of andere manier naar een oplossing kan zoeken 
 aan dat probleem. 
 Deze problemen kunnen nu in een aantal verschillende soorten formaten voorkomen. 
 Een voorbeeld is bijvoorbeeld zoiets als deze klassieker 15 
 puzzel met de schuivende tegels die je zou kunnen hebben 
 hebben gezien, waar je de tegels probeert te schuiven om er zeker van te zijn 
 dat alle nummers in de juiste volgorde staan. 
 Dit is een voorbeeld van wat je een zoekprobleem zou kunnen noemen. 
 De 15 puzzel begint in een aanvankelijk verwarde staat 
 en we moeten een manier vinden om bewegingen te maken om terug te keren 
 de puzzel in de opgeloste staat. 
 Maar er zijn vergelijkbare problemen die u op andere manieren kunt inlijsten. 

Russian: 
 Пытаясь найти свой путь через лабиринт, например, 
 это еще один пример проблемы поиска. 
 Вы начинаете в одном месте, у вас есть цель, к которой вы пытаетесь добраться, 
 и вам нужно выяснить правильную последовательность действий, которые предпримут вас 
 из этого начального состояния к цели. 
 И хотя это немного абстрактно, в любое время 
 мы говорим о решении лабиринта в этом классе, 
 Вы можете перевести это в нечто более реальное, 
 что-то вроде направления движения. 
 Если вы когда-нибудь задумывались, как Google Maps может выяснить, что 
 это лучший способ добраться из пункта А в пункт Б 
 и что получается сделать, в какое время, в зависимости от трафика, например. 
 Часто это какой-то алгоритм поиска. 
 У вас есть ИИ, который пытается получить из начальной позиции 
 к какой-то цели, приняв некоторую последовательность действий. 
 Итак, мы начнем наши разговоры сегодня с мышления 
 об этих типах проблем поиска и что 
 идет к решению проблемы поиска, как это для того, чтобы ИИ 
 чтобы иметь возможность найти хорошее решение. 
 Однако для этого нам понадобится 
 ввести немного терминологии, некоторые из которых 
 Я уже использовал. 
 Но в первый раз нам нужно подумать об агенте. 
 Агент - это просто некая сущность, которая воспринимает окружающую среду, 

Dutch: 
 Je weg proberen te vinden door bijvoorbeeld een doolhof 
 is een ander voorbeeld van een zoekprobleem. 
 Je begint op één plek, je hebt een doel waar je naartoe wilt, 
 en je moet de juiste volgorde van acties bedenken die je zullen ondernemen 
 van die begintoestand naar het doel. 
 En hoewel dit op elk moment een beetje abstract is 
 we praten over het oplossen van doolhoven in deze klas, 
 je kunt het vertalen naar een iets meer echte wereld, 
 zoiets als een routebeschrijving. 
 Als je je ooit afvraagt ​​hoe Google Maps kan achterhalen wat 
 is de beste manier om van A naar B te komen 
 en wat er moet gebeuren, op welk moment, bijvoorbeeld afhankelijk van het verkeer. 
 Het is vaak een soort zoekalgoritme. 
 Je hebt een AI die probeert vanuit een beginpositie te komen 
 naar een bepaald doel door een reeks acties te ondernemen. 
 Dus we beginnen onze gesprekken vandaag door na te denken 
 over dit soort zoekproblemen en wat 
 gaat in bij het oplossen van een zoekprobleem als dit om een ​​AI te maken 
 om een ​​goede oplossing te kunnen vinden. 
 Om dit te doen, hebben we echter wel nodig 
 om een ​​beetje terminologie te introduceren, waarvan sommige 
 Ik heb al gebruikt. 
 Maar de eerste keer dat we moeten nadenken, is een agent. 
 Een agent is slechts een entiteit die zijn omgeving waarneemt, 

Italian: 
 Cercare di farsi strada attraverso un labirinto, ad esempio, 
 è un altro esempio di problema di ricerca. 
 Inizi da un posto, hai qualche obiettivo su dove stai cercando di arrivare, 
 e devi capire la sequenza corretta di azioni che ti porteranno 
 da quello stato iniziale all'obiettivo. 
 E mentre questo è un po 'astratto, in qualsiasi momento 
 parliamo di risoluzione dei labirinti in questa classe, 
 puoi tradurlo in qualcosa di un po 'più reale, 
 qualcosa come indicazioni stradali. 
 Se mai ti chiedi come Google Maps è in grado di capire cosa 
 è il modo migliore per spostarti dal punto A al punto B 
 e cosa si trasforma, a che ora, a seconda del traffico, ad esempio. 
 Spesso è una sorta di algoritmo di ricerca. 
 Hai un'intelligenza artificiale che sta cercando di ottenere da una posizione iniziale 
 a una sorta di obiettivo prendendo una sequenza di azioni. 
 Quindi inizieremo le nostre conversazioni oggi pensando 
 su questi tipi di problemi di ricerca e cosa 
 cerca di risolvere un problema di ricerca come questo per un'intelligenza artificiale 
 per essere in grado di trovare una buona soluzione. 
 Per fare ciò, però, avremo bisogno 
 per introdurre un po 'di terminologia, alcune delle quali 
 L'ho già usato. 
 Ma la prima volta che dovremo pensare è un agente. 
 Un agente è solo un'entità che percepisce il suo ambiente, 

English: 
Trying to find your way through a maze, for example,
is another example of a search problem.
You begin in one place, you have some goal of where you're trying to get to,
and you need to figure out the correct sequence of actions that will take you
from that initial state to the goal.
And while this is a little bit abstract, anytime
we talk about maze solving in this class,
you can translate it to something a little more real world,
something like driving directions.
If you ever wonder how Google Maps is able to figure out what
is the best way for you to get from point A to point B
and what turns to make, at what time, depending on traffic, for example.
It's often some sort of search algorithm.
You have an AI that is trying to get from an initial position
to some sort of goal by taking some sequence of actions.
So we'll start our conversations today by thinking
about these types of search problems and what
goes in to solving a search problem like this in order for an AI
to be able to find a good solution.
In order to do so, though, we're going to need
to introduce a little bit of terminology, some of which
I've already used.
But the first time we'll need to think about is an agent.
An agent is just some entity that perceives its environment,

Korean: 
 예를 들어, 미로를 통해 길을 찾으려고 
 검색 문제의 또 다른 예입니다. 
 한 곳에서 시작하여 어디로 가려고하는지에 대한 목표가 있습니다. 
 그리고 당신은 당신을 데려 갈 올바른 일련의 행동을 알아 내야합니다. 
 초기 상태에서 목표까지 
 그리고 이것은 조금 추상적이지만 언제든지 
 이 수업에서 미로 해결에 대해 이야기합니다. 
 좀 더 실제 세계로 번역 할 수 있습니다. 
 운전 경로와 같은 
 Google지도가 어떻게 무엇을 알아낼 수 있는지 궁금하다면 
 A 지점에서 B 지점으로가는 가장 좋은 방법입니다 
 예를 들어 교통 상황에 따라 어떤 시점에 무엇을 만들지 
 종종 일종의 검색 알고리즘입니다. 
 초기 위치에서 벗어나려고하는 AI가 있습니다. 
 일련의 조치를 취함으로써 일종의 목표에 
 오늘부터 대화를 시작하겠습니다 
 이러한 유형의 검색 문제에 대해 
 AI를 위해 이와 같은 검색 문제를 해결합니다. 
 좋은 해결책을 찾을 수 있습니다. 
 그러기 위해서는 우리가 필요합니다 
 약간의 용어를 소개하기 위해 
 나는 이미 사용했다. 
 하지만 처음으로 생각해야 할 것은 요원입니다. 
 에이전트는 환경을 인식하는 일부 엔티티 일뿐입니다. 

Modern Greek (1453-): 
 Προσπαθώντας να βρείτε το δρόμο σας για ένα λαβύρινθο, για παράδειγμα, 
 είναι ένα άλλο παράδειγμα ενός προβλήματος αναζήτησης. 
 Ξεκινάτε από ένα μέρος, έχετε κάποιο στόχο από το πού προσπαθείτε να φτάσετε, 
 και πρέπει να καταλάβετε τη σωστή ακολουθία ενεργειών που θα σας οδηγήσουν 
 από αυτήν την αρχική κατάσταση στον στόχο. 
 Και ενώ αυτό είναι λίγο αφηρημένο, ανά πάσα στιγμή 
 μιλάμε για επίλυση λαβυρίνθου σε αυτήν την τάξη, 
 μπορείτε να το μεταφράσετε σε κάτι λίγο πιο πραγματικό κόσμο, 
 κάτι σαν οδηγίες οδήγησης. 
 Εάν αναρωτιέστε ποτέ πώς οι Χάρτες Google είναι σε θέση να καταλάβουν τι 
 είναι ο καλύτερος τρόπος για να φτάσετε από το σημείο Α στο σημείο Β 
 και τι γίνεται, για παράδειγμα, ανάλογα με την κίνηση, για παράδειγμα. 
 Είναι συχνά κάποιο είδος αλγορίθμου αναζήτησης. 
 Έχετε ένα AI που προσπαθεί να πάρει από μια αρχική θέση 
 σε κάποιο είδος στόχου λαμβάνοντας κάποια ακολουθία ενεργειών. 
 Έτσι, θα ξεκινήσουμε τις συζητήσεις μας σήμερα σκέφτοντας 
 σχετικά με αυτούς τους τύπους προβλημάτων αναζήτησης και τι 
 πηγαίνει στην επίλυση ενός προβλήματος αναζήτησης όπως αυτό, προκειμένου για μια AI 
 για να βρούμε μια καλή λύση. 
 Ωστόσο, για να το κάνουμε αυτό, θα χρειαζόμαστε 
 για να εισαγάγουμε λίγη ορολογία, μερικές από τις οποίες 
 Έχω ήδη χρησιμοποιήσει. 
 Αλλά την πρώτη φορά που θα πρέπει να σκεφτούμε είναι ένας πράκτορας. 
 Ένας πράκτορας είναι μόνο κάποια οντότητα που αντιλαμβάνεται το περιβάλλον της, 

German: 
 Der Versuch, sich durch ein Labyrinth zurechtzufinden, zum Beispiel 
 ist ein weiteres Beispiel für ein Suchproblem. 
 Sie beginnen an einem Ort, Sie haben ein Ziel, wohin Sie gelangen möchten, 
 und Sie müssen die richtige Abfolge von Aktionen herausfinden, die Sie ausführen werden 
 von diesem Ausgangszustand bis zum Ziel. 
 Und obwohl dies jederzeit ein bisschen abstrakt ist 
 Wir sprechen über das Lösen von Labyrinthen in dieser Klasse. 
 Sie können es in eine etwas realere Welt übersetzen, 
 so etwas wie Wegbeschreibungen. 
 Wenn Sie sich jemals fragen, wie Google Maps herausfinden kann, was 
 ist der beste Weg für Sie, um von Punkt A nach Punkt B zu gelangen 
 und was sich zu welcher Zeit dreht, zum Beispiel abhängig vom Verkehr. 
 Es ist oft eine Art Suchalgorithmus. 
 Sie haben eine KI, die versucht, von einer Ausgangsposition zu gelangen 
 zu einer Art Ziel, indem Sie eine Abfolge von Aktionen ausführen. 
 Wir beginnen unsere Gespräche heute mit Nachdenken 
 über diese Art von Suchproblemen und was 
 löst ein solches Suchproblem, um eine KI zu erhalten 
 in der Lage sein, eine gute Lösung zu finden. 
 Dazu brauchen wir allerdings 
 ein wenig Terminologie einzuführen, von denen einige 
 Ich habe schon benutzt. 
 Aber das erste Mal, dass wir darüber nachdenken müssen, ist ein Agent. 
 Ein Agent ist nur eine Entität, die seine Umgebung wahrnimmt. 

Chinese: 
例如，嘗試通過迷宮找到自己的路， 
是搜索問題的另一個示例。 
您從一個地方開始，就已經確定了要到達的目標， 
並且您需要找出正確的操作順序，這些操作將帶您
從最初的狀態到目標。 
雖然這有點抽象，但任何時候
我們在這堂課談論迷宮解決， 
您可以將其轉換為更真實的世界， 
像是行車路線
如果您想知道Google Maps如何找出什麼
是您從A點到達B點的最佳方法
例如，根據流量，在什麼時候會變成什麼。 
它通常是某種搜索算法。 
您有一個AI正在嘗試從初始位置獲得
通過採取一些行動來達到某種目標。 
所以我們今天就開始思考
關於這些類型的搜索問題以及什麼
致力於解決這樣的搜索問題以獲取AI 
才能找到一個好的解決方案。 
為了做到這一點，我們需要
介紹一些術語，其中一些
我已經用過了
但是，我們第一次需要考慮的是代理商。 
代理人只是感知其環境的某個實體， 

Indonesian: 
 Mencoba menemukan jalan Anda melalui labirin, misalnya, 
 adalah contoh lain dari masalah pencarian. 
 Anda mulai di satu tempat, Anda memiliki beberapa tujuan di mana Anda mencoba untuk mencapai, 
 dan Anda perlu mengetahui urutan tindakan yang benar yang akan membawa Anda 
 dari keadaan awal ke tujuan. 
 Dan sementara ini sedikit abstrak, kapan saja 
 kita berbicara tentang pemecahan maze di kelas ini, 
 Anda dapat menerjemahkannya ke sesuatu yang sedikit lebih nyata, 
 sesuatu seperti petunjuk arah mengemudi. 
 Jika Anda pernah bertanya-tanya bagaimana Google Maps dapat mengetahui apa 
 adalah cara terbaik untuk Anda dapatkan dari titik A ke titik B 
 dan apa yang berubah menjadi, pada jam berapa, tergantung pada lalu lintas, misalnya. 
 Ini sering semacam algoritma pencarian. 
 Anda memiliki AI yang berusaha didapat dari posisi awal 
 untuk semacam tujuan dengan mengambil beberapa tindakan. 
 Jadi kita akan memulai percakapan kita hari ini dengan berpikir 
 tentang jenis masalah pencarian ini dan apa 
 masuk untuk memecahkan masalah pencarian seperti ini untuk AI 
 untuk dapat menemukan solusi yang baik. 
 Untuk melakukannya, kita perlu 
 untuk memperkenalkan sedikit terminologi, beberapa di antaranya 
 Saya sudah menggunakannya. 
 Tapi yang pertama kali perlu kita pikirkan adalah seorang agen. 
 Agen hanyalah beberapa entitas yang memahami lingkungannya, 

Portuguese: 
 Tentando encontrar o caminho através de um labirinto, por exemplo, 
 é outro exemplo de um problema de pesquisa. 
 Você começa em um lugar, tem algum objetivo de onde está tentando chegar, 
 e você precisa descobrir a sequência correta de ações que o levará 
 desse estado inicial para a meta. 
 E enquanto isso é um pouco abstrato, a qualquer momento 
 falamos sobre a resolução de labirintos nesta aula, 
 você pode traduzi-lo para algo um pouco mais real, 
 algo como instruções de direção. 
 Se você já se perguntou como o Google Maps é capaz de descobrir o que 
 é a melhor maneira de você ir do ponto A ao ponto B 
 e o que é preciso fazer, a que horas, dependendo do tráfego, por exemplo. 
 Geralmente, é algum tipo de algoritmo de pesquisa. 
 Você tem uma IA que está tentando obter de uma posição inicial 
 para algum tipo de objetivo, executando alguma sequência de ações. 
 Então, vamos começar nossas conversas hoje pensando 
 sobre esses tipos de problemas de pesquisa e quais 
 vai para resolver um problema de pesquisa como este, a fim de uma IA 
 ser capaz de encontrar uma boa solução. 
 Para fazer isso, porém, precisaremos 
 para introduzir um pouco de terminologia, algumas das quais 
 Eu já usei. 
 Mas a primeira vez que precisamos pensar é em um agente. 
 Um agente é apenas uma entidade que percebe seu ambiente, 

Spanish: 
 Intentando encontrar el camino a través de un laberinto, por ejemplo, 
 Es otro ejemplo de un problema de búsqueda. 
 Comienzas en un lugar, tienes una meta de dónde estás tratando de llegar, 
 y necesitas descubrir la secuencia correcta de acciones que te llevarán 
 desde ese estado inicial hasta la meta. 
 Y si bien esto es un poco abstracto, en cualquier momento 
 hablamos sobre la resolución de laberintos en esta clase, 
 puedes traducirlo a algo un poco más real, 
 algo así como indicaciones de manejo. 
 Si alguna vez te preguntas cómo Google Maps es capaz de descubrir qué 
 es la mejor manera de llegar del punto A al punto B 
 y qué turnos hacer, a qué hora, dependiendo del tráfico, por ejemplo. 
 A menudo es algún tipo de algoritmo de búsqueda. 
 Tienes una IA que está tratando de llegar desde una posición inicial 
 a algún tipo de objetivo tomando alguna secuencia de acciones. 
 Entonces comenzaremos nuestras conversaciones hoy pensando 
 sobre estos tipos de problemas de búsqueda y qué 
 va a resolver un problema de búsqueda como este para una IA 
 para poder encontrar una buena solución. 
 Sin embargo, para hacerlo, vamos a necesitar 
 para introducir un poco de terminología, algunas de las cuales 
 Ya lo he usado. 
 Pero la primera vez que tendremos que pensar es en un agente. 
 Un agente es solo una entidad que percibe su entorno, 

Japanese: 
たとえば、迷路を通り抜けようとする、 
検索問題の別の例です。 
あなたは1つの場所から始めます、あなたが到達しようとしている場所のいくつかの目標があります、 
そして、あなたはあなたを連れて行く正しい行動の順序を理解する必要があります
その初期状態からゴールへ。 
これは少し抽象的ですが、いつでも
このクラスでは迷路解決について話します
もう少し現実的な世界に変換できます
運転ルートのようなもの。 
 Googleマップが何を理解できるか疑問に思ったことがあるなら
ポイントAからポイントBに行くのに最適な方法です
たとえば、交通状況に応じて、何を何に変えるかなどです。 
多くの場合、これはある種の検索アルゴリズムです。 
初期位置から取得しようとしているAIがあります
一連のアクションを実行することで、ある種の目標を達成します
ですから、今日は会話から始めます
これらのタイプの検索問題とその内容について
 AIのために、このような検索問題を解決します
良い解決策を見つけることができるように。 
ただし、これを行うには、 
用語を少し紹介します
私はすでに使用しました。 
しかし、最初に考える必要があるのはエージェントです。 
エージェントは、その環境を認識する単なるエンティティです。 

Arabic: 
 محاولة إيجاد طريقك من خلال متاهة ، على سبيل المثال ، 
 مثال آخر على مشكلة البحث. 
 تبدأ في مكان واحد ، لديك هدف حيث تحاول الوصول إليه ، 
 وتحتاج إلى معرفة التسلسل الصحيح للإجراءات التي ستأخذك 
 من تلك الحالة الأولية إلى الهدف. 
 وبينما يكون هذا مجردة قليلاً ، في أي وقت 
 نتحدث عن حل المتاهة في هذه الفئة ، 
 يمكنك ترجمتها إلى شيء أكثر واقعية قليلاً ، 
 شيء مثل اتجاهات القيادة. 
 إذا تساءلت يومًا كيف تستطيع خرائط Google معرفة ما 
 هي أفضل طريقة للانتقال من النقطة A إلى النقطة B 
 وماذا يتحول ، في أي وقت ، حسب حركة المرور ، على سبيل المثال. 
 غالبًا ما يكون نوعًا من خوارزمية البحث. 
 لديك ذكاء اصطناعي يحاول الحصول عليه من موقع مبدئي 
 إلى نوع من الهدف عن طريق اتخاذ سلسلة من الإجراءات. 
 لذا سنبدأ محادثاتنا اليوم بالتفكير 
 حول هذه الأنواع من مشاكل البحث وماذا 
 يذهب في حل مشكلة بحث مثل هذا من أجل الذكاء الاصطناعي 
 لتكون قادرة على إيجاد حل جيد. 
 للقيام بذلك ، على الرغم من ذلك ، سنحتاج 
 لإدخال القليل من المصطلحات ، بعضها 
 لقد استخدمت بالفعل. 
 لكن المرة الأولى التي سنحتاج فيها إلى التفكير هي وكيل. 
 الوكيل هو مجرد كيان يدرك بيئته ، 

Hindi: 
 उदाहरण के लिए, भूलभुलैया के माध्यम से अपना रास्ता खोजने की कोशिश करना, 
 खोज समस्या का एक और उदाहरण है। 
 आप एक जगह पर शुरू करते हैं, आपके पास कुछ लक्ष्य होता है, जहां आप पहुंचने की कोशिश कर रहे हैं, 
 और आपको उन कार्यों के सही अनुक्रम का पता लगाने की आवश्यकता है जो आपको ले जाएंगे 
 उस प्रारंभिक अवस्था से लक्ष्य तक। 
 और जबकि यह थोड़ा सार है, कभी भी 
 हम इस वर्ग में भूलभुलैया के समाधान के बारे में बात करते हैं, 
 आप इसे कुछ और वास्तविक दुनिया में अनुवाद कर सकते हैं, 
 ड्राइविंग निर्देश की तरह कुछ। 
 यदि आपको कभी आश्चर्य होता है कि Google मैप्स यह पता लगाने में सक्षम है कि क्या है 
 आपके लिए बिंदु A से बिंदु B तक जाने का सबसे अच्छा तरीका है 
 और, उदाहरण के लिए, ट्रैफ़िक के आधार पर, किस समय, क्या बनाता है। 
 यह अक्सर खोज एल्गोरिथ्म के कुछ प्रकार है। 
 आपके पास एक एआई है जो प्रारंभिक स्थिति से प्राप्त करने की कोशिश कर रहा है 
 कुछ क्रमों को अपनाकर लक्ष्य को प्राप्त करना। 
 इसलिए हम आज सोच समझ कर अपनी बातचीत शुरू करेंगे 
 इस प्रकार की खोज समस्याओं के बारे में और क्या 
 एक एअर इंडिया के लिए इस तरह एक खोज समस्या को हल करने में चला जाता है 
 एक अच्छा समाधान खोजने में सक्षम होने के लिए। 
 ऐसा करने के लिए, हालांकि, हमें जरूरत पड़ने वाली है 
 शब्दावली का थोड़ा सा परिचय, जिनमें से कुछ 
 मैंने पहले से ही उपयोग किया है। 
 लेकिन पहली बार हमें सोचने की ज़रूरत होगी कि वह एक एजेंट है। 
 एक एजेंट सिर्फ कुछ इकाई है जो अपने पर्यावरण को मानता है, 

Turkish: 
 Örneğin, bir labirentte yolunuzu bulmaya çalışmak, 
 bir arama sorununa başka bir örnektir. 
 Tek bir yerden başlıyorsunuz, nereye gitmeye çalıştığınız konusunda bir hedefiniz var, 
 ve sizi götürecek doğru eylem dizisini bulmanız gerekir 
 başlangıç ​​durumundan hedefe. 
 Ve bu biraz soyut olsa da, her zaman 
 bu sınıfta labirent çözümü hakkında konuşuyoruz, 
 onu biraz daha gerçek bir dünyaya çevirebilirsin, 
 yol tarifleri gibi bir şey. 
 Google Haritalar'ın neler yaptığını nasıl anlayabileceğini merak ediyorsanız 
 A noktasından B noktasına ulaşmanın en iyi yoludur 
 örneğin trafiğe bağlı olarak ne zaman dönecek. 
 Genellikle bir çeşit arama algoritmasıdır. 
 Başlangıç ​​pozisyonundan almaya çalışan bir yapay zekanız var 
 bir dizi eylemde bulunarak bir tür hedefe ulaşmak. 
 Bu yüzden bugün konuşmamıza düşünerek başlayacağız. 
 Bu tür arama sorunları ve ne hakkında 
 yapay zeka için böyle bir arama problemini çözmeye gider 
 iyi bir çözüm bulabilmek. 
 Bunu yapabilmek için ihtiyacımız olacak 
 biraz terminoloji getirmek, bazıları 
 Ben zaten kullandım. 
 Ama ilk düşünmemiz gereken bir ajan. 
 Bir temsilci sadece çevresini algılayan bir varlıktır, 

French: 
 Essayer de trouver votre chemin à travers un labyrinthe, par exemple, 
 est un autre exemple de problème de recherche. 
 Vous commencez au même endroit, vous avez un objectif où vous essayez d'arriver, 
 et vous devez déterminer la séquence d'actions correcte qui vous mènera 
 de cet état initial au but. 
 Et bien que ce soit un peu abstrait, à tout moment 
 nous parlons de résolution de labyrinthes dans cette classe, 
 vous pouvez le traduire dans quelque chose d'un peu plus réel, 
 quelque chose comme des itinéraires routiers. 
 Si vous vous demandez comment Google Maps est en mesure de déterminer 
 est le meilleur moyen pour vous d’aller d’un point A à un point B 
 et ce qui se passe, à quelle heure, en fonction du trafic par exemple. 
 C'est souvent une sorte d'algorithme de recherche. 
 Vous avez une IA qui essaie d'obtenir à partir d'une position initiale 
 à une sorte de but en prenant une séquence d'actions. 
 Nous allons donc commencer nos conversations aujourd'hui en pensant 
 sur ces types de problèmes de recherche et ce 
 va à résoudre un problème de recherche comme celui-ci pour une IA 
 pour pouvoir trouver une bonne solution. 
 Pour ce faire, cependant, nous allons avoir besoin 
 pour introduire un peu de terminologie, dont certaines 
 Je l'ai déjà utilisé. 
 Mais la première fois que nous devrons penser à un agent. 
 Un agent est juste une entité qui perçoit son environnement, 

Chinese: 
例如，尝试通过迷宫找到自己的路， 
是搜索问题的另一个示例。 
您从一个地方开始，就已经确定了要到达的目标， 
并且您需要找出正确的操作顺序，这些操作将带您
从最初的状态到目标。 
虽然这有点抽象，但任何时候
我们在这堂课谈论迷宫解决， 
您可以将其转换为更真实的世界， 
像是行车路线
如果您想知道Google Maps如何找出什么
是您从A点到达B点的最佳方法
例如，根据流量，在什么时候会变成什么。 
它通常是某种搜索算法。 
您有一个AI正在尝试从初始位置获得
通过采取一些行动来达到某种目标。 
所以我们今天开始思考
关于这些类型的搜索问题以及什么
致力于解决这样的搜索问题以获取AI 
才能找到一个好的解决方案。 
为了做到这一点，我们需要
介绍一些术语，其中一些
我已经用过了
但是，我们第一次需要考虑的是代理商。 
代理只是感知其环境的某个实体， 

Chinese: 
它能够以某种方式感知周围的事物， 
并以某种方式在那个环境上行动。 
因此，对于行车路线， 
您的经纪人可能是某辆汽车的代表， 
试图找出要采取的措施
到达目的地。 
如果是15个带有滑动块的拼图， 
代理商可能是AI或试图解决这个难题的人， 
试图找出要移动的瓷砖以达到该解决方案。 
接下来，我们介绍一种状态的概念。 
状态只是其环境中代理的某些配置。 
例如，在第15个难题中，任何状态都可能是这三个状态中的任何一个
例如。 
状态只是图块的某些配置。 
这些状态中的每一个都不同，并且正在发展
需要稍微不同的解决方案。 
这些动作中的每一个都需要采取不同的动作顺序
从这个初始状态到目标， 
是我们要去的地方。 
然后是初始状态。 
那是什么？ 
初始状态只是代理开始的状态。 
我们将要从这种状态开始

Hindi: 
 यह किसी भी तरह इसके आसपास की चीजों को महसूस करने में सक्षम है, 
 और किसी तरह से उस वातावरण पर कार्य करें। 
 तो ड्राइविंग निर्देश के मामले में, 
 आपका एजेंट कुछ ऐसी कार का प्रतिनिधित्व कर सकता है जो 
 यह पता लगाने की कोशिश की जा रही है कि किस क्रम में कार्रवाई की जाए 
 एक गंतव्य पर पहुंचने के लिए। 
 स्लाइडिंग टाइल्स के साथ 15 पहेली के मामले में, 
 एजेंट एआई या वह व्यक्ति हो सकता है जो उस पहेली को हल करने की कोशिश कर रहा है, 
 यह पता लगाने की कोशिश कर रहा है कि उस समाधान को प्राप्त करने के लिए किस टाइल को स्थानांतरित करना है। 
 अगला, हम एक राज्य के विचार का परिचय देते हैं। 
 एक राज्य अपने वातावरण में एजेंट के कुछ विन्यास है। 
 इसलिए 15 पहेली में, उदाहरण के लिए, कोई भी राज्य इन तीनों में से कोई भी हो सकता है 
 उदाहरण के लिए। 
 एक राज्य टाइल्स का सिर्फ कुछ विन्यास है। 
 इनमें से प्रत्येक राज्य अलग है और जा रहा है 
 एक अलग समाधान की आवश्यकता है। 
 क्रम में इनमें से हर एक में कार्यों के एक अलग क्रम की आवश्यकता होगी 
 इस प्रारंभिक अवस्था से लक्ष्य तक पहुँचने के लिए, जो 
 वह जगह है जहाँ हम पाने की कोशिश कर रहे हैं। 
 प्रारंभिक अवस्था तब। 
 वो क्या है? 
 प्रारंभिक अवस्था बस वह राज्य है जहां एजेंट शुरू होता है। 
 यह एक ऐसा राज्य है जहां से हम शुरू करने जा रहे हैं 

Modern Greek (1453-): 
 με κάποιο τρόπο μπορεί να αντιληφθεί τα πράγματα γύρω του, 
 και να δράσουμε σε αυτό το περιβάλλον με κάποιο τρόπο. 
 Έτσι, στην περίπτωση των οδηγιών οδήγησης, 
 ο πράκτορας σας μπορεί να είναι κάποια αναπαράσταση ενός αυτοκινήτου που 
 προσπαθεί να καταλάβει ποιες ενέργειες πρέπει να αναλάβει 
 για να φτάσετε σε έναν προορισμό. 
 Στην περίπτωση του 15 παζλ με τα συρόμενα πλακίδια, 
 ο πράκτορας μπορεί να είναι το AI ή το άτομο που προσπαθεί να λύσει αυτό το παζλ, 
 προσπαθώντας να καταλάβω τι πλακίδια να κινηθεί για να φτάσει σε αυτήν τη λύση. 
 Στη συνέχεια, παρουσιάζουμε την ιδέα ενός κράτους. 
 Μια κατάσταση είναι μόνο κάποια διαμόρφωση του πράκτορα στο περιβάλλον του. 
 Έτσι, στο 15 παζλ, για παράδειγμα, οποιαδήποτε κατάσταση μπορεί να είναι οποιοδήποτε από αυτά τα τρία 
 για παράδειγμα. 
 Μια κατάσταση είναι μόνο κάποια διαμόρφωση των πλακιδίων. 
 Κάθε μία από αυτές τις πολιτείες είναι διαφορετική και πηγαίνει 
 να απαιτήσει μια ελαφρώς διαφορετική λύση. 
 Θα χρειαστεί μια διαφορετική σειρά ενεργειών σε κάθε μία από αυτές με τη σειρά 
 για να φτάσετε από αυτήν την αρχική κατάσταση στον στόχο, ο οποίος 
 είναι εκεί που προσπαθούμε να πάρουμε. 
 Η αρχική κατάσταση τότε. 
 Τι ΕΙΝΑΙ ΑΥΤΟ? 
 Η αρχική κατάσταση είναι ακριβώς η κατάσταση από την οποία ξεκινά ο πράκτορας. 
 Είναι μια τέτοια κατάσταση από όπου θα ξεκινήσουμε 

French: 
 il est en quelque sorte capable de percevoir les choses qui l'entourent, 
 et agir sur cet environnement en quelque sorte. 
 Donc, dans le cas des directions routières, 
 votre agent pourrait être une représentation d'une voiture qui 
 essaie de comprendre quelles mesures prendre pour 
 arriver à destination. 
 Dans le cas du puzzle 15 avec les tuiles coulissantes, 
 l'agent peut être l'IA ou la personne qui essaie de résoudre ce casse-tête, 
 essayer de comprendre quelles tuiles déplacer pour arriver à cette solution. 
 Ensuite, nous introduisons l'idée d'un état. 
 Un état n'est qu'une configuration de l'agent dans son environnement. 
 Ainsi, dans le casse-tête 15, par exemple, tout état peut être l'un de ces trois 
 par exemple. 
 Un état n'est qu'une configuration des tuiles. 
 Chacun de ces états est différent et va 
 exiger une solution légèrement différente. 
 Une séquence d’actions différente sera nécessaire dans chacune d’entre elles afin 
 pour passer de cet état initial au but, qui 
 est où nous essayons d'obtenir. 
 L'état initial alors. 
 Qu'est-ce que c'est? 
 L'état initial est simplement l'état où l'agent commence. 
 C'est un de ces états où nous allons commencer 

Italian: 
 in qualche modo è in grado di percepire le cose che lo circondano, 
 e agire su quell'ambiente in qualche modo. 
 Quindi nel caso delle indicazioni stradali, 
 il tuo agente potrebbe essere una rappresentazione di un'auto che 
 sta cercando di capire quali azioni intraprendere in ordine 
 per arrivare a destinazione. 
 Nel caso del puzzle 15 con le tessere scorrevoli, 
 l'agente potrebbe essere l'IA o la persona che sta cercando di risolvere quel puzzle, 
 cercando di capire quali tessere spostare per arrivare a quella soluzione. 
 Successivamente, introduciamo l'idea di uno stato. 
 Uno stato è solo una configurazione dell'agente nel suo ambiente. 
 Quindi nel 15 puzzle, ad esempio, qualsiasi stato potrebbe essere uno di questi tre 
 per esempio. 
 Uno stato è solo una configurazione delle tessere. 
 Ognuno di questi stati è diverso e sta andando 
 per richiedere una soluzione leggermente diversa. 
 Una sequenza diversa di azioni sarà necessaria in ciascuna di queste in ordine 
 per passare da questo stato iniziale all'obiettivo, che 
 è dove stiamo cercando di ottenere. 
 Lo stato iniziale quindi. 
 Cos'è quello? 
 Lo stato iniziale è solo lo stato in cui inizia l'agente. 
 È uno di questi stati da cui inizieremo 

Korean: 
 어떻게 든 주변의 사물을 인식 할 수 있습니다 
 어떤 식 으로든 그 환경에 따라 행동하십시오. 
 운전 경로의 경우 
 당신의 에이전트는 자동차의 일부 표현이 될 수 있습니다 
 어떤 조치를 취해야하는지 파악하려고합니다. 
 목적지에 도착합니다. 
 슬라이딩 타일이있는 15 개의 퍼즐의 경우 
 에이전트는 AI이거나 퍼즐을 풀려고하는 사람 일 수 있습니다. 
 그 솔루션에 도달하기 위해 어떤 타일을 움직일 것인지 알아 내려고 노력했습니다. 
 다음으로 상태에 대한 아이디어를 소개합니다. 
 상태는 해당 환경에서 에이전트의 일부 구성입니다. 
 예를 들어 15 퍼즐에서 모든 상태는이 세 가지 중 하나 일 수 있습니다. 
 예를 들어. 
 상태는 타일의 일부 구성입니다. 
 이러한 각 상태는 다르며 진행되고 있습니다 
 약간 다른 솔루션이 필요합니다. 
 이들 각각의 순서에 따라 다른 순서의 작업이 필요합니다. 
 이 초기 상태에서 목표로 
 우리가 얻으려고하는 곳입니다. 
 초기 상태입니다. 
 그게 뭐야? 
 초기 상태는 에이전트가 시작된 상태입니다. 
 우리가 시작하는 그런 상태 중 하나입니다 

Japanese: 
どういうわけかその周りの物事を知覚することができ、 
そして何らかの方法でその環境に行動します。 
運転ルートの場合は
あなたのエージェントは車のいくつかの表現かもしれません
順番に実行するアクションを把握しようとしています
目的地に到着する。 
スライドタイルの15パズルの場合、 
エージェントはAIまたはそのパズルを解こうとしている人かもしれません。 
その解決策にたどり着くためにどのタイルを移動するべきかを理解しようとしています。 
次に、状態の概念を紹介します。 
状態は、その環境におけるエージェントの構成の一部にすぎません。 
たとえば、15パズルでは、どの状態もこれら3つのうちのいずれかになります。 
例えば。 
状態は、タイルの一部の構成です。 
これらの状態はそれぞれ異なり、進行中です
少し異なるソリューションが必要です。 
これらのそれぞれに異なる順序のアクションが必要です。 
この初期状態から目標に到達するには、 
取得しようとしている場所です。 
そのときの初期状態。 
それは何ですか？ 
初期状態は、エージェントが開始する状態です。 
それは私たちが始めようとしているそのような状態の1つです

Spanish: 
 de alguna manera es capaz de percibir las cosas a su alrededor, 
 y actuar en ese entorno de alguna manera. 
 Entonces, en el caso de las instrucciones de manejo, 
 su agente podría ser alguna representación de un automóvil que 
 está tratando de averiguar qué acciones tomar para 
 para llegar a un destino 
 En el caso del 15 rompecabezas con las fichas deslizantes, 
 el agente puede ser la IA o la persona que está tratando de resolver ese acertijo, 
 tratando de descubrir qué mosaicos mover para llegar a esa solución. 
 A continuación, presentamos la idea de un estado. 
 Un estado es solo una configuración del agente en su entorno. 
 Entonces, en el rompecabezas 15, por ejemplo, cualquier estado podría ser cualquiera de estos tres 
 por ejemplo. 
 Un estado es solo una configuración de los mosaicos. 
 Cada uno de estos estados es diferente y va 
 para requerir una solución ligeramente diferente. 
 Se necesitará una secuencia diferente de acciones en cada una de ellas en orden 
 para llegar de este estado inicial a la meta, que 
 es donde estamos tratando de llegar. 
 El estado inicial entonces. 
 ¿Que es eso? 
 El estado inicial es solo el estado donde comienza el agente. 
 Es uno de esos estados donde vamos a comenzar 

Turkish: 
 bir şekilde etrafındaki şeyleri algılayabiliyor, 
 ve o çevre üzerinde bir şekilde hareket edebilir. 
 Bu nedenle, yol tarifleri söz konusu olduğunda, 
 ajanınız bir arabanın 
 hangi işlemlerin sırayla yapılacağını anlamaya çalışıyor 
 hedefe varmak. 
 Kayan çinilerle yapılan 15 yapboz söz konusu olduğunda, 
 ajan AI veya bu bulmacayı çözmeye çalışan kişi olabilir, 
 bu çözüme ulaşmak için hangi karoların taşınacağını anlamaya çalışıyorum. 
 Sonra, bir devlet fikrini tanıtıyoruz. 
 Durum, aracının ortamındaki bazı yapılandırmasıdır. 
 Örneğin, 15 yapbozda, herhangi bir devlet bu üçünden herhangi biri olabilir. 
 Örneğin. 
 Bir durum, döşemelerin sadece bir konfigürasyonudur. 
 Bu eyaletlerin her biri farklı ve gidiyor 
 biraz farklı bir çözüm gerektiriyor. 
 Bunların her birinde sırayla farklı bir eylem dizisine ihtiyaç duyulacaktır. 
 bu başlangıç ​​durumundan hedefe ulaşmak için 
 almaya çalıştığımız yer. 
 İlk durum o zaman. 
 O nedir? 
 İlk durum sadece ajanın başladığı durumdur. 
 Buradan başlayacağımız böyle bir durum 

Indonesian: 
 itu entah bagaimana mampu memahami hal-hal di sekitarnya, 
 dan bertindak atas lingkungan itu dalam beberapa cara. 
 Jadi dalam hal arah mengemudi, 
 agen Anda mungkin beberapa perwakilan dari mobil itu 
 sedang mencoba untuk mencari tahu tindakan apa yang harus diambil dalam rangka 
 untuk tiba di tujuan. 
 Dalam kasus 15 puzzle dengan ubin geser, 
 agennya mungkin AI atau orang yang mencoba memecahkan teka-teki itu, 
 mencoba mencari ubin apa yang harus dipindahkan untuk mendapatkan solusi itu. 
 Selanjutnya, kami memperkenalkan ide negara. 
 Negara hanyalah beberapa konfigurasi agen di lingkungannya. 
 Jadi, dalam 15 teka-teki, misalnya, negara mana pun mungkin salah satu dari ketiganya 
 sebagai contoh. 
 Status hanyalah beberapa konfigurasi ubin. 
 Masing-masing negara bagian ini berbeda dan berjalan 
 membutuhkan solusi yang sedikit berbeda. 
 Urutan tindakan yang berbeda akan diperlukan untuk masing-masing tindakan ini 
 untuk mendapatkan dari keadaan awal ini ke tujuan, yang 
 adalah tempat kami mencoba untuk mendapatkan. 
 Keadaan awal itu. 
 Apa itu? 
 Keadaan awal hanyalah keadaan di mana agen dimulai. 
 Ini adalah salah satu kondisi di mana kita akan memulai 

Chinese: 
它能夠以某種方式感知周圍的事物， 
並以某種方式在那個環境上行動。 
因此，對於行車路線， 
您的經紀人可能是某輛汽車的代表， 
試圖找出要採取的措施
到達目的地。 
如果是15個帶有滑動塊的拼圖， 
代理商可能是AI或試圖解決這個難題的人， 
試圖找出要移動的瓷磚以達到該解決方案。 
接下來，我們介紹一種狀態的概念。 
狀態只是其環境中代理的某些配置。 
例如，在第15個難題中，任何狀態都可能是這三個狀態中的任何一個
例如。 
狀態只是圖塊的某些配置。 
這些狀態中的每一個都不同，並且正在發展
需要稍微不同的解決方案。 
這些動作中的每一個都需要採取不同的動作順序
從這個初始狀態到目標， 
是我們要去的地方。 
然後是初始狀態。 
那是什麼？ 
初始狀態只是代理開始的狀態。 
我們將要從這種狀態開始

German: 
 es ist irgendwie in der Lage, die Dinge um es herum wahrzunehmen, 
 und in irgendeiner Weise auf diese Umgebung einwirken. 
 Also im Fall der Wegbeschreibungen, 
 Ihr Agent könnte eine Darstellung eines Autos sein, das 
 versucht herauszufinden, welche Maßnahmen in der richtigen Reihenfolge zu ergreifen sind 
 an einem Ziel ankommen. 
 Im Fall des 15 Puzzles mit den Gleitplättchen, 
 Der Agent könnte die KI oder die Person sein, die versucht, dieses Rätsel zu lösen. 
 versuchen herauszufinden, welche Kacheln bewegt werden müssen, um zu dieser Lösung zu gelangen. 
 Als nächstes stellen wir die Idee eines Staates vor. 
 Ein Status ist nur eine Konfiguration des Agenten in seiner Umgebung. 
 In dem 15-Puzzle zum Beispiel könnte jeder Staat einer dieser drei sein 
 zum Beispiel. 
 Ein Zustand ist nur eine Konfiguration der Kacheln. 
 Jeder dieser Zustände ist anders und geht 
 eine etwas andere Lösung benötigen. 
 In jeder dieser Aktionen ist eine andere Reihenfolge von Aktionen erforderlich 
 von diesem Ausgangszustand zum Ziel zu gelangen, welches 
 ist, wo wir versuchen zu bekommen. 
 Der Ausgangszustand dann. 
 Was ist das? 
 Der Anfangszustand ist nur der Zustand, in dem der Agent beginnt. 
 Es ist ein solcher Zustand, von dem wir ausgehen werden 

Portuguese: 
 de alguma forma é capaz de perceber as coisas ao seu redor, 
 e agir nesse ambiente de alguma maneira. 
 Portanto, no caso das instruções de direção, 
 seu agente pode ser uma representação de um carro que 
 está tentando descobrir quais ações executar em ordem 
 para chegar a um destino. 
 No caso do quebra-cabeça 15 com as peças deslizantes, 
 o agente pode ser a IA ou a pessoa que está tentando resolver esse quebra-cabeça, 
 tentando descobrir quais peças mover para chegar a essa solução. 
 A seguir, apresentamos a ideia de um estado. 
 Um estado é apenas uma configuração do agente em seu ambiente. 
 Assim, no quebra-cabeça 15, por exemplo, qualquer estado pode ser qualquer um desses três 
 por exemplo. 
 Um estado é apenas uma configuração dos blocos. 
 Cada um desses estados é diferente e vai 
 para exigir uma solução ligeiramente diferente. 
 Uma sequência diferente de ações será necessária em cada uma delas, a fim de 
 para passar deste estado inicial para a meta, que 
 é onde estamos tentando chegar. 
 O estado inicial então. 
 O que é isso? 
 O estado inicial é apenas o estado em que o agente começa. 
 É um desses estados em que vamos começar 

Russian: 
 он каким-то образом способен воспринимать вещи вокруг него, 
 и действовать на эту среду каким-то образом. 
 Так что в случае направлений движения, 
 Ваш агент может быть каким-то представлением об автомобиле, который 
 пытается выяснить, какие действия предпринять в порядке 
 прибыть в пункт назначения. 
 В случае с загадкой 15 со скользящими плитками, 
 агент может быть ИИ или человеком, который пытается решить эту головоломку, 
 пытаясь выяснить, какие плитки перемещать, чтобы добраться до этого решения. 
 Далее мы представляем идею государства. 
 Состояние - это просто некоторая конфигурация агента в его среде. 
 Так, в загадке 15, например, любое состояние может быть любым из этих трех 
 например. 
 Состояние - это просто некоторая конфигурация тайлов. 
 Каждое из этих состояний отличается и собирается 
 требовать немного другого решения. 
 В каждом из них потребуется разная последовательность действий, чтобы 
 чтобы добраться из этого исходного состояния к цели, которая 
 это то, что мы пытаемся получить. 
 Исходное состояние тогда. 
 Что это? 
 Начальное состояние - это просто состояние, в котором начинается агент. 
 Это одно из таких состояний, с которого мы собираемся начать 

Dutch: 
 kan het op de een of andere manier de dingen eromheen waarnemen, 
 en op de een of andere manier op die omgeving reageren. 
 Dus in het geval van de routebeschrijving, 
 uw agent kan een representatie zijn van een auto die 
 probeert uit te zoeken welke acties moeten worden ondernomen 
 om op een bestemming aan te komen. 
 In het geval van de 15 puzzel met de schuivende tegels, 
 de agent kan de AI zijn of de persoon die die puzzel probeert op te lossen, 
 proberen uit te zoeken welke tegels moeten worden verplaatst om tot die oplossing te komen. 
 Vervolgens introduceren we het idee van een staat. 
 Een status is slechts een configuratie van de agent in zijn omgeving. 
 Dus in de 15-puzzel kan elke staat bijvoorbeeld een van deze drie zijn 
 bijvoorbeeld. 
 Een status is slechts een configuratie van de tegels. 
 Elk van deze staten is anders en gaat door 
 om een ​​iets andere oplossing te vragen. 
 Elk van deze acties heeft een andere volgorde nodig 
 om van deze begintoestand naar het doel te komen, dat 
 is waar we proberen te komen. 
 De begintoestand dan. 
 Wat is dat? 
 De begintoestand is slechts de toestand waar de agent begint. 
 Het is zo'n toestand waar we beginnen 

Arabic: 
 بطريقة ما قادر على إدراك الأشياء من حوله ، 
 والتصرف على تلك البيئة بطريقة ما. 
 لذا في حالة اتجاهات القيادة ، 
 وكيلك قد يكون بعض التمثيل للسيارة التي 
 تحاول معرفة الإجراءات التي يجب اتخاذها من أجل 
 للوصول إلى وجهة. 
 في حالة الألغاز الخمسة عشر مع البلاط المنزلق ، 
 قد يكون الوكيل هو الذكاء الاصطناعي أو الشخص الذي يحاول حل هذا اللغز ، 
 محاولاً معرفة البلاط الذي يجب تحريكه للوصول إلى هذا الحل. 
 بعد ذلك ، نقدم فكرة الدولة. 
 الحالة هي فقط بعض تكوينات العامل في بيئته. 
 لذا في اللغز الخمسة عشر ، على سبيل المثال ، قد تكون أي دولة واحدة من هؤلاء الثلاثة 
 فمثلا. 
 الحالة هي فقط بعض تكوين البلاط. 
 كل من هذه الدول مختلفة وهي مستمرة 
 لطلب حل مختلف قليلاً. 
 ستكون هناك حاجة إلى تسلسل مختلف من الإجراءات في كل واحد من هذه بالترتيب 
 للوصول من هذه الحالة الأولية إلى الهدف الذي 
 هو المكان الذي نحاول الوصول إليه. 
 ثم الحالة الأولية. 
 ما هذا؟ 
 الحالة الأولية هي فقط الحالة التي يبدأ فيها الوكيل. 
 إنها إحدى هذه الحالات التي سنبدأ منها 

English: 
it somehow is able to perceive the things around it,
and act on that environment in some way.
So in the case of the driving directions,
your agent might be some representation of a car that
is trying to figure out what actions to take in order
to arrive at a destination.
In the case of the 15 puzzle with the sliding tiles,
the agent might be the AI or the person that is trying to solve that puzzle,
trying to figure out what tiles to move in order to get to that solution.
Next, we introduce the idea of a state.
A state is just some configuration of the agent in its environment.
So in the 15 puzzle, for example, any state might be any one of these three
for example.
A state is just some configuration of the tiles.
Each of these states is different and is going
to require a slightly different solution.
A different sequence of actions will be needed in each one of these in order
to get from this initial state to the goal, which
is where we're trying to get.
The initial state then.
What is that?
The initial state is just the state where the agent begins.
It is one such state where we're going to start from

Russian: 
 и это будет отправной точкой для нашего алгоритма поиска, 
 так сказать. 
 Мы собираемся начать с этого начального состояния 
 а затем начать рассуждать об этом, подумать о том, какие действия мы можем применить 
 в это начальное состояние, чтобы выяснить, как добраться с самого начала 
 до конца, от исходной позиции до того, какой бы ни была наша цель. 
 И как нам пройти путь от этой начальной позиции к цели? 
 Ну, в конце концов, это с помощью действий. 
 Действия - это просто выбор, который мы можем сделать в любом данном состоянии. 
 И в AI, мы всегда будем пытаться формализовать эти идеи немного 
 точнее так, чтобы мы могли программировать их немного больше 
 математически, так сказать. 
 Так что это будет повторяющаяся тема, и мы можем более точно определить действия 
 как функция. 
 Мы собираемся эффективно определить функцию под названием действия 
 который принимает вход S, где S будет некоторое состояние, которое существует внутри 
 нашей окружающей среды, и действия S будет принимать состояние в качестве входа 
 и вернуть в качестве вывода набор всех действий, которые 
 может быть выполнен в этом состоянии. 

English: 
and this is going to be the starting point for our search algorithm,
so to speak.
We're going to begin with this initial state
and then start to reason about it, to think about what actions might we apply
to that initial state in order to figure out how to get from the beginning
to the end, from the initial position to whatever our goal happens to be.
And how do we make our way from that initial position to the goal?
Well ultimately, it's via taking actions.
Actions are just choices that we can make in any given state.
And in AI, we're always going to try to formalize these ideas a little bit
more precisely such that we could program them a little bit more
mathematically, so to speak.
So this will be a recurring theme and we can more precisely define actions
as a function.
We're going to effectively define a function called actions
that takes an input S, where S is going to be some state that exists inside
of our environment, and actions of S is going to take the state as input
and return as output the set of all actions that
can be executed in that state.

Spanish: 
 y este será el punto de partida para nuestro algoritmo de búsqueda, 
 por así decirlo. 
 Vamos a comenzar con este estado inicial 
 y luego comenzar a razonar al respecto, a pensar qué acciones podríamos aplicar 
 a ese estado inicial para descubrir cómo llegar desde el principio 
 hasta el final, desde la posición inicial hasta cualquiera que sea nuestro objetivo. 
 ¿Y cómo avanzamos desde esa posición inicial hasta la meta? 
 Bueno, en última instancia, es a través de la adopción de medidas. 
 Las acciones son solo elecciones que podemos hacer en cualquier estado. 
 Y en IA, siempre trataremos de formalizar un poco estas ideas 
 más precisamente para que podamos programarlos un poco más 
 matemáticamente, por así decirlo. 
 Este será un tema recurrente y podremos definir acciones con mayor precisión. 
 como una función. 
 Vamos a definir efectivamente una función llamada acciones 
 que toma una entrada S, donde S va a ser un estado que existe dentro 
 de nuestro entorno, y las acciones de S van a tomar el estado como entrada 
 y devolver como salida el conjunto de todas las acciones que 
 puede ejecutarse en ese estado. 

Japanese: 
これが検索アルゴリズムの開始点になります。 
いわば。 
この初期状態から始めます
そして、それについて推論し始め、どのような行動を適用するかについて考えます
最初から得る方法を理解するためにその初期状態に
終わりまで、最初の位置から、私たちの目標が何であろうとも。 
そして、その最初の位置からゴールまでどのように進むのでしょうか？ 
結局のところ、それは行動を起こすことによるものです。 
アクションは、特定の状態で実行できる選択にすぎません。 
そしてAIでは、私たちは常にこれらのアイデアを少しずつ形式化しようとします
より正確には、もう少しプログラムできるように
数学的には、いわば。 
これは繰り返し発生するテーマであり、アクションをより正確に定義できます
関数として。 
アクションと呼ばれる関数を効果的に定義します
これは入力Sを受け取ります。Sは内部に存在する状態になります。 
私たちの環境の、そしてSの行動は入力として状態を取ろうとしている
そして、すべてのアクションのセットを出力として返します
その状態で実行できます。 

Portuguese: 
 e este será o ponto de partida para o nosso algoritmo de pesquisa, 
 por assim dizer. 
 Vamos começar com esse estado inicial 
 e então comece a pensar sobre isso, a pensar em quais ações podemos aplicar 
 para esse estado inicial, a fim de descobrir como chegar desde o início 
 até o fim, desde a posição inicial até o que quer que seja nosso objetivo. 
 E como avançamos dessa posição inicial para a meta? 
 Bem, em última análise, é através de ações. 
 Ações são apenas escolhas que podemos fazer em qualquer estado. 
 E na IA, sempre tentaremos formalizar essas idéias um pouco 
 mais precisamente, para que possamos programá-los um pouco mais 
 matematicamente, por assim dizer. 
 Portanto, este será um tema recorrente e podemos definir ações com mais precisão 
 Como uma função. 
 Vamos definir efetivamente uma função chamada ações 
 que recebe uma entrada S, onde S será algum estado que existe dentro 
 do nosso ambiente, e as ações de S tomarão o estado como insumo 
 e retorne como saída o conjunto de todas as ações que 
 pode ser executado nesse estado. 

German: 
 und dies wird der Ausgangspunkt für unseren Suchalgorithmus sein, 
 sozusagen. 
 Wir werden mit diesem Ausgangszustand beginnen 
 und dann fangen Sie an, darüber nachzudenken, darüber nachzudenken, welche Maßnahmen wir anwenden könnten 
 in diesen Ausgangszustand, um herauszufinden, wie man von Anfang an kommt 
 bis zum Ende, von der Ausgangsposition bis zu dem, was unser Ziel ist. 
 Und wie kommen wir von dieser Ausgangsposition zum Ziel? 
 Nun, letztendlich geht es darum, Maßnahmen zu ergreifen. 
 Aktionen sind nur Entscheidungen, die wir in einem bestimmten Zustand treffen können. 
 Und in der KI werden wir immer versuchen, diese Ideen ein wenig zu formalisieren 
 genauer so, dass wir sie ein bisschen mehr programmieren könnten 
 mathematisch sozusagen. 
 Dies wird also ein wiederkehrendes Thema sein und wir können Aktionen genauer definieren 
 als eine Funktion. 
 Wir werden eine Funktion namens Aktionen effektiv definieren 
 das nimmt eine Eingabe S, wobei S ein Zustand sein wird, der innerhalb existiert 
 von unserer Umwelt, und Handlungen von S werden den Zustand als Input nehmen 
 und als Ausgabe die Menge aller Aktionen zurückgeben, die 
 kann in diesem Zustand ausgeführt werden. 

Italian: 
 e questo sarà il punto di partenza per il nostro algoritmo di ricerca, 
 per così dire. 
 Inizieremo con questo stato iniziale 
 e quindi iniziare a ragionare su questo, a pensare a quali azioni potremmo applicare 
 a quello stato iniziale per capire come arrivare dall'inizio 
 fino alla fine, dalla posizione iniziale a qualunque sia il nostro obiettivo. 
 E come possiamo passare da quella posizione iniziale all'obiettivo? 
 Bene, in definitiva, è attraverso l'azione. 
 Le azioni sono solo scelte che possiamo fare in ogni dato stato. 
 E in AI, cercheremo sempre di formalizzare un po 'queste idee 
 più precisamente tale da poterli programmare un po 'di più 
 matematicamente, per così dire. 
 Quindi questo sarà un tema ricorrente e possiamo definire più precisamente le azioni 
 come una funzione. 
 Definiremo efficacemente una funzione chiamata azioni 
 che accetta un input S, dove S sarà uno stato esistente all'interno 
 del nostro ambiente e le azioni di S prenderanno lo stato come input 
 e restituisce come output l'insieme di tutte le azioni che 
 può essere eseguito in quello stato. 

Turkish: 
 ve bu arama algoritmamızın başlangıç ​​noktası olacak, 
 tabiri caizse. 
 Bu başlangıç ​​durumuyla başlayacağız 
 ve sonra bu konuda akıl yürütmeye başlayabilir, hangi eylemleri uygulayabileceğimizi düşünebilir 
 Başlangıçtan nasıl başlayacağınızı anlamak için bu başlangıç ​​durumuna 
 sonuna kadar, ilk pozisyondan hedefimiz ne olursa olsun. 
 İlk pozisyondan hedefe nasıl ilerleyebiliriz? 
 Nihayetinde, harekete geçerek. 
 Eylemler, herhangi bir durumda yapabileceğimiz seçimlerdir. 
 Ve yapay zekada, her zaman bu fikirleri biraz şekillendirmeye çalışacağız 
 daha doğrusu, onları biraz daha programlayabileceğimiz şekilde 
 tabiri caizse matematiksel olarak. 
 Bu tekrar eden bir tema olacak ve eylemleri daha kesin olarak tanımlayabiliriz 
 işlev olarak. 
 Eylem adı verilen bir işlevi etkili bir şekilde tanımlayacağız 
 S girişini alır, burada S, içinde var olan bir durum olur 
 ve S'nin eylemleri devleti girdi olarak alacaktır 
 ve çıktı olarak geri dön 
 bu durumda yürütülebilir. 

Korean: 
 이것이 검색 알고리즘의 출발점이 될 것입니다. 
 말하자면. 
 이 초기 상태부터 시작하겠습니다 
 그리고 우리가 어떤 행동을 적용 할 것인지 생각하기 위해 그것에 대해 추론하기 시작합니다. 
 처음부터 얻는 방법을 파악하기 위해 초기 상태로 
 초기 위치에서 목표가 무엇이든 끝까지. 
 그리고 우리는 어떻게 그 초기 위치에서 목표로 나아가는가? 
 글쎄, 궁극적으로, 그것은 행동을 통해 이루어집니다. 
 행동은 우리가 어떤 상태에서든 선택할 수있는 선택 일뿐입니다. 
 그리고 인공 지능에서 우리는 항상이 아이디어들을 약간 공식화하려고 노력할 것입니다 
 좀 더 정확하게 프로그래밍 할 수 있도록 
 수학적으로 말하자면 말입니다. 
 그래서 이것은 되풀이되는 주제가 될 것이며 우리는 더 정확하게 행동을 정의 할 수 있습니다 
 기능으로. 
 우리는 액션이라는 함수를 효과적으로 정의 할 것입니다 
 입력 S를 취합니다. 여기서 S는 내부에 존재하는 상태가됩니다. 
 우리의 환경과 S의 행동은 상태를 입력으로 삼을 것입니다 
 모든 액션 세트를 출력으로 반환 
 그 상태에서 실행될 수 있습니다. 

Modern Greek (1453-): 
 και αυτό θα είναι το σημείο εκκίνησης του αλγορίθμου αναζήτησης, 
 να το πω έτσι. 
 Θα ξεκινήσουμε με αυτήν την αρχική κατάσταση 
 και μετά αρχίστε να το σκέφτεστε, να σκεφτείτε ποιες ενέργειες ενδέχεται να εφαρμόσουμε 
 σε αυτήν την αρχική κατάσταση για να καταλάβω πώς να φτάσετε από την αρχή 
 μέχρι το τέλος, από την αρχική θέση έως ό, τι κι αν είναι ο στόχος μας. 
 Και πώς κάνουμε το δρόμο μας από αυτήν την αρχική θέση στον στόχο; 
 Λοιπόν, τελικά, γίνεται μέσω δράσης. 
 Οι ενέργειες είναι απλώς επιλογές που μπορούμε να κάνουμε σε οποιαδήποτε δεδομένη κατάσταση. 
 Και στην τεχνητή νοημοσύνη, πάντα θα προσπαθούμε να επισημοποιήσουμε αυτές τις ιδέες λίγο 
 με μεγαλύτερη ακρίβεια έτσι ώστε να μπορούμε να τους προγραμματίσουμε λίγο περισσότερο 
 μαθηματικά, για να το πούμε. 
 Άρα αυτό θα είναι ένα επαναλαμβανόμενο θέμα και μπορούμε να ορίσουμε με μεγαλύτερη ακρίβεια τις ενέργειες 
 ως συνάρτηση. 
 Θα ορίσουμε αποτελεσματικά μια συνάρτηση που ονομάζεται ενέργειες 
 που παίρνει μια είσοδο S, όπου το S πρόκειται να είναι κάποια κατάσταση που υπάρχει μέσα 
 του περιβάλλοντός μας, και οι δράσεις του S πρόκειται να πάρουν το κράτος ως είσοδο 
 και επιστρέψτε ως έξοδο το σύνολο όλων των ενεργειών που 
 μπορεί να εκτελεστεί σε αυτήν την κατάσταση. 

French: 
 et cela va être le point de départ de notre algorithme de recherche, 
 pour ainsi dire. 
 Nous allons commencer par cet état initial 
 puis commencer à raisonner à ce sujet, à réfléchir aux actions que nous pourrions appliquer 
 à cet état initial afin de comprendre comment obtenir depuis le début 
 jusqu'à la fin, de la position initiale à notre objectif. 
 Et comment pouvons-nous passer de cette position initiale au but? 
 Eh bien, finalement, c'est en prenant des mesures. 
 Les actions ne sont que des choix que nous pouvons faire dans un état donné. 
 Et en IA, nous allons toujours essayer de formaliser un peu ces idées 
 plus précisément pour que nous puissions les programmer un peu plus 
 mathématiquement, pour ainsi dire. 
 Ce sera donc un thème récurrent et nous pourrons définir plus précisément les actions 
 en tant que fonction. 
 Nous allons définir efficacement une fonction appelée actions 
 qui prend une entrée S, où S va être un état qui existe à l'intérieur 
 de notre environnement, et les actions de S vont prendre l'état comme entrée 
 et retourner en sortie l'ensemble de toutes les actions 
 peut être exécuté dans cet état. 

Chinese: 
这将成为我们搜索算法的起点， 
可以这么说。 
我们将从这个初始状态开始
然后开始对此进行思考，考虑我们可能会采取哪些行动
到初始状态以弄清楚如何从一开始就
到最后，从最初的位置到我们目标的实现。 
我们如何从最初的位置到目标呢？ 
最终，这是通过采取行动。 
动作只是我们可以在任何给定状态下做出的选择。 
在AI中，我们总是会尝试将这些想法正式化
更准确地说，我们可以对它们进行更多编程
在数学上，可以这么说。 
因此，这将是一个反复出现的主题，我们可以更精确地定义动作
作为一个功能。 
我们将有效地定义一个称为动作的函数
接受输入S，其中S将是内部存在的某种状态
的环境，S的动作将状态作为输入
并返回所有动作的集合作为输出
可以在那种状态下执行。 

Hindi: 
 और यह हमारे खोज एल्गोरिदम के लिए प्रारंभिक बिंदु होने जा रहा है, 
 इतनी बात करने के लिए। 
 हम इस प्रारंभिक अवस्था से शुरू करने जा रहे हैं 
 और फिर इसके बारे में तर्क करना शुरू करें, यह सोचने के लिए कि हम किन कार्यों को लागू कर सकते हैं 
 शुरुआत से कैसे प्राप्त करने के लिए यह पता लगाने के लिए कि प्रारंभिक अवस्था में 
 अंत में, प्रारंभिक स्थिति से जो भी हमारा लक्ष्य होता है। 
 और हम उस प्रारंभिक स्थिति से लक्ष्य तक अपना रास्ता कैसे बनाते हैं? 
 अंत में, यह कार्रवाई करने के माध्यम से है। 
 क्रियाएँ केवल विकल्प हैं जो हम किसी भी दिए गए राज्य में बना सकते हैं। 
 और एआई में, हम हमेशा इन विचारों को थोड़ा सा औपचारिक रूप देने की कोशिश करने जा रहे हैं 
 अधिक सटीक रूप से ऐसा है कि हम उन्हें थोड़ा और अधिक प्रोग्राम कर सकते हैं 
 गणितीय, इसलिए बोलने के लिए। 
 तो यह एक आवर्ती विषय होगा और हम कार्यों को अधिक सटीक रूप से परिभाषित कर सकते हैं 
 एक समारोह के रूप में। 
 हम एक फ़ंक्शन को प्रभावी रूप से परिभाषित करने जा रहे हैं जिसे क्रिया कहा जाता है 
 यह एक इनपुट एस लेता है, जहां एस कुछ राज्य होने वाला है जो अंदर मौजूद है 
 हमारे पर्यावरण की, और एस की कार्रवाई राज्य को इनपुट के रूप में लेने जा रही है 
 और आउटपुट के रूप में सभी क्रियाओं के सेट पर वापस लौटें 
 उस राज्य में निष्पादित किया जा सकता है। 

Chinese: 
這將成為我們搜索算法的起點， 
可以這麼說。 
我們將從這個初始狀態開始
然後開始對此進行思考，考慮我們可能會採取哪些行動
到初始狀態以弄清楚如何從一開始就
到最後，從最初的位置到我們目標的實現。 
我們如何從最初的位置到目標呢？ 
最終，這是通過採取行動。 
動作只是我們可以在任何給定狀態下做出的選擇。 
在AI中，我們總是會嘗試將這些想法正式化
更準確地說，我們可以對它們進行更多編程
在數學上，可以這麼說。 
因此，這將是一個反復出現的主題，我們可以更精確地定義動作
作為一個功能。 
我們將有效地定義一個稱為動作的函數
接受輸入S，其中S將是內部存在的某種狀態
的環境，S的動作將狀態作為輸入
並返回所有動作的集合作為輸出
可以在那種狀態下執行。 

Arabic: 
 وستكون هذه نقطة البداية لخوارزمية البحث لدينا ، 
 إذا جاز التعبير. 
 سنبدأ بهذه الحالة الأولية 
 ثم البدء في التفكير في الأمر ، والتفكير في الإجراءات التي قد نطبقها 
 إلى تلك الحالة الأولية من أجل معرفة كيفية الحصول عليها من البداية 
 حتى النهاية ، من الموقع الأولي إلى أي هدف يحدث. 
 وكيف ننتقل من هذا الموقف الأولي إلى الهدف؟ 
 حسنًا ، في النهاية ، من خلال اتخاذ الإجراءات. 
 الإجراءات هي مجرد اختيارات يمكننا القيام بها في أي حالة معينة. 
 وفي الذكاء الاصطناعي ، سنحاول دائمًا إضفاء الطابع الرسمي على هذه الأفكار قليلاً 
 بشكل أكثر دقة بحيث يمكننا برمجتها أكثر قليلاً 
 رياضيا ، إذا جاز التعبير. 
 لذلك سيكون هذا موضوعًا متكررًا ويمكننا تحديد الإجراءات بدقة أكبر 
 كوظيفة. 
 سنحدد بشكل فعال وظيفة تسمى الإجراءات 
 يأخذ مدخلات S ، حيث ستكون S حالة ما موجودة في الداخل 
 من بيئتنا ، وستأخذ إجراءات S الدولة كمدخل 
 والعودة والإخراج مجموعة من جميع الإجراءات التي 
 يمكن تنفيذها في تلك الحالة. 

Dutch: 
 en dit wordt het startpunt voor ons zoekalgoritme, 
 bij wijze van spreken. 
 We beginnen met deze begintoestand 
 en dan erover te redeneren, om na te denken over welke acties we zouden kunnen toepassen 
 naar die begintoestand om erachter te komen hoe je vanaf het begin moet komen 
 tot het einde, van de uitgangspositie tot wat ons doel ook is. 
 En hoe komen we van die beginpositie naar het doel? 
 Nou, uiteindelijk is het door acties te ondernemen. 
 Acties zijn slechts keuzes die we in een bepaalde staat kunnen maken. 
 En bij AI gaan we altijd proberen deze ideeën een beetje te formaliseren 
 meer precies zodat we ze een beetje meer konden programmeren 
 wiskundig, om zo te zeggen. 
 Dit wordt dus een terugkerend thema en we kunnen acties nauwkeuriger definiëren 
 als een functie. 
 We gaan effectief een functie definiëren die acties heet 
 die een invoer S nodig heeft, waarbij S een staat zal zijn die binnenin bestaat 
 van onze omgeving, en acties van S zullen de staat als input nemen 
 en retourneer als uitvoer de set van alle acties die 
 kan in die staat worden uitgevoerd. 

Indonesian: 
 dan ini akan menjadi titik awal untuk algoritma pencarian kami, 
 boleh dikatakan. 
 Kita akan mulai dengan keadaan awal ini 
 dan kemudian mulai berpikir tentang hal itu, untuk berpikir tentang tindakan apa yang mungkin kita terapkan 
 ke kondisi awal untuk mencari tahu cara mendapatkan dari awal 
 sampai akhir, dari posisi awal hingga apa pun tujuan kita. 
 Dan bagaimana kita membuat jalan dari posisi awal ke tujuan? 
 Yah pada akhirnya, itu melalui mengambil tindakan. 
 Tindakan hanyalah pilihan yang bisa kita buat dalam kondisi apa pun. 
 Dan dalam AI, kami akan selalu mencoba memformalkan ide-ide ini sedikit 
 lebih tepatnya sehingga kita bisa memprogram mereka sedikit lebih 
 secara matematis, bisa dikatakan. 
 Jadi ini akan menjadi tema yang berulang dan kita dapat lebih tepat mendefinisikan tindakan 
 sebagai fungsi. 
 Kita akan secara efektif mendefinisikan fungsi yang disebut tindakan 
 yang membutuhkan input S, di mana S akan menjadi beberapa keadaan yang ada di dalamnya 
 lingkungan kita, dan tindakan S akan mengambil negara sebagai masukan 
 dan kembali sebagai output himpunan semua tindakan itu 
 dapat dieksekusi di negara itu. 

Chinese: 
因此，某些動作可能僅在某些狀態下有效
而不是在其他州。 
我們也將很快看到這樣的例子。 
因此，以15個拼圖為例， 
通常將是四個可能的動作
我們大部分時間都可以做。 
我們可以向右滑動圖塊，向左滑動圖塊， 
例如，向上滑動瓷磚或向下滑動瓷磚。 
這些將成為我們可以採取的行動。 
因此，我們的AI，程序需要某種編碼
狀態，通常是某種數字格式
以及這些動作的一些編碼。 
但這還需要對這些事物之間的關係進行某種編碼， 
狀態和動作如何相互關聯？ 
為了做到這一點，我們將介紹我們的AI 
過渡模型，將描述什麼狀態
我們在其他狀態下執行一些可用的操作後得到的。 
再說一遍，我們對此可以更精確一些， 
再次更正式地定義此過渡模型， 
作為一個功能。 
該函數將是一個名為result的函數， 
這次需要兩個輸入。 
輸入數字1是S，處於某種狀態。 

Hindi: 
 और इसलिए यह संभव है कि कुछ कार्रवाई केवल कुछ राज्यों में मान्य हैं 
 और अन्य राज्यों में नहीं। 
 और हम जल्द ही इसके उदाहरण भी देखेंगे। 
 तो 15 पहेली के मामले में, उदाहरण के लिए, 
 वे आम तौर पर चार संभावित कार्रवाई करने जा रहे हैं 
 कि हम ज्यादातर समय कर सकते हैं। 
 हम एक टाइल को दाईं ओर स्लाइड कर सकते हैं, एक टाइल को बाईं ओर स्लाइड कर सकते हैं, 
 उदाहरण के लिए, टाइल ऊपर स्लाइड करें, या टाइल नीचे स्लाइड करें। 
 और वे कार्य हमारे लिए उपलब्ध होने जा रहे हैं। 
 तो किसी तरह हमारे एआई, हमारे कार्यक्रम, कुछ एन्कोडिंग की जरूरत है 
 राज्य, जो अक्सर कुछ संख्यात्मक प्रारूप में होने जा रहा है, 
 और इन कार्यों के कुछ एन्कोडिंग। 
 लेकिन इसके लिए इन चीजों के बीच संबंध के कुछ एन्कोडिंग की भी आवश्यकता होती है, 
 राज्य और कार्य एक दूसरे से कैसे संबंधित हैं? 
 और ऐसा करने के लिए, हम अपने AI से परिचय करेंगे 
 एक संक्रमण मॉडल, जो किस राज्य का विवरण होगा 
 हम किसी अन्य राज्य में कुछ उपलब्ध कार्रवाई करने के बाद प्राप्त करते हैं। 
 और फिर, हम इस बारे में थोड़ा और सटीक हो सकते हैं, 
 इस संक्रमण मॉडल को थोड़ा और अधिक औपचारिक रूप से परिभाषित करें, फिर से, 
 एक समारोह के रूप में। 
 फ़ंक्शन परिणाम नामक एक फ़ंक्शन होने जा रहा है, 
 यह समय दो इनपुट लेता है। 
 इनपुट नंबर एक है, कुछ राज्य। 

Chinese: 
因此，某些动作可能仅在某些状态下有效
而不是在其他州。 
我们也将很快看到这样的例子。 
因此，以15个拼图为例， 
它们通常是四个可能的动作
我们大部分时间都可以做。 
我们可以向右滑动图块，向左滑动图块， 
例如，向上滑动瓷砖或向下滑动瓷砖。 
这些将成为我们可以采取的行动。 
因此，我们的AI，程序需要某种编码
状态，通常是某种数字格式
以及这些动作的一些编码。 
但这还需要对这些事物之间的关系进行某种编码， 
状态和动作如何相互关联？ 
为了做到这一点，我们将介绍我们的AI 
过渡模型，将描述什么状态
我们在其他状态下执行一些可用的操作后得到的。 
再说一遍，我们对此可以更精确一些， 
再次更正式地定义此过渡模型， 
作为一个功能。 
该函数将是一个名为result的函数， 
这次需要两个输入。 
输入数字1是S，处于某种状态。 

Korean: 
 따라서 일부 작업은 특정 상태에서만 유효 할 수 있습니다. 
 다른 주에서는 그렇지 않습니다. 
 그리고 우리는 곧 그 예를 보게 될 것입니다. 
 예를 들어 15 개의 퍼즐의 경우 
 그들은 일반적으로 네 가지 가능한 행동이 될 것입니다 
 우리는 대부분의 시간을 할 수 있습니다. 
 타일을 오른쪽으로 밀고 타일을 왼쪽으로 밀고 
 예를 들어, 타일을 위로 밀거나 타일을 아래로 밀기 
 그것들은 우리에게 가능한 행동이 될 것입니다. 
 어떻게 든 인공 지능 인 AI는 인코딩이 필요합니다 
 종종 어떤 숫자 형식 일 것입니다 
 그리고 이러한 행동의 일부 인코딩. 
 그러나이 둘 사이의 관계에 대한 인코딩도 필요합니다. 
 상태와 행동은 서로 어떻게 관련이 있습니까? 
 이를 위해 AI를 소개하겠습니다. 
 어떤 상태에 대한 설명이 될 전이 모델 
 우리는 다른 주에서 가능한 조치를 취한 후에 얻는다. 
 그리고 다시, 우리는 이것에 대해 조금 더 정확할 수 있습니다. 
 이 전이 모델을 좀 더 공식적으로 다시 정의하십시오. 
 기능으로. 
 이 함수는 result라는 함수가 될 것입니다. 
 이번에는 두 개의 입력이 필요합니다. 
 입력 번호 1은 S이며 일부 상태입니다. 

English: 
And so it's possible that some actions are only valid in certain states
and not in other states.
And we'll see examples of that soon, too.
So in the case of the 15 puzzle, for example,
they're generally going to be four possible actions
that we can do most of the time.
We can slide a tile to the right, slide a tile to the left,
slide a tile up, or slide a tile down, for example.
And those are going to be the actions that are available to us.
So somehow our AI, our program, needs some encoding
of the state, which is often going to be in some numerical format,
and some encoding of these actions.
But it also needs some encoding of the relationship between these things,
how do the states and actions relate to one another?
And in order to do that, we'll introduce to our AI
a transition model, which will be a description of what state
we get after we perform some available action in some other state.
And again, we can be a little bit more precise about this,
define this transition model a little bit more formally, again,
as a function.
The function is going to be a function called result,
that this time takes two inputs.
Input number one is S, some state.

Japanese: 
そのため、一部のアクションは特定の状態でのみ有効である可能性があります
他の州ではありません。 
また、その例もすぐにわかります。 
たとえば15パズルの場合、 
彼らは一般的に4つの可能なアクションになるだろう
ほとんどの時間でできることです。 
タイルを右にスライドさせ、タイルを左にスライドさせ、 
たとえば、タイルを上にスライドしたり、タイルを下にスライドしたりします。 
そして、それらは私たちが利用できるアクションになります。 
だから、どういうわけか私たちのAI、私たちのプログラムは、いくつかのエンコーディングが必要です
状態の数値です。これはしばしば数値形式になります。 
これらのアクションのいくつかのエンコーディング。 
ただし、これらの関係をエンコードする必要もあります。 
状態とアクションは互いにどのように関連していますか？ 
そのために、AIを紹介します
遷移モデル。これは、どの状態の説明になります
他の状態で使用可能なアクションを実行した後に取得します。 
繰り返しになりますが、これについてもう少し正確にすることができます。 
この遷移モデルをもう少し正式に定義します
関数として。 
関数は結果と呼ばれる関数になります、 
今回は2つの入力が必要です。 
入力番号1はS、ある状態です。 

Italian: 
 E quindi è possibile che alcune azioni siano valide solo in alcuni stati 
 e non in altri stati. 
 E presto ne vedremo esempi. 
 Quindi nel caso del puzzle 15, ad esempio, 
 saranno generalmente quattro azioni possibili 
 che possiamo fare la maggior parte del tempo. 
 Possiamo far scorrere una tessera a destra, far scorrere una tessera a sinistra, 
 far scorrere una tessera verso l'alto o far scorrere una tessera verso il basso, ad esempio. 
 E quelle saranno le azioni a nostra disposizione. 
 Quindi in qualche modo la nostra IA, il nostro programma, ha bisogno di un po 'di codifica 
 dello stato, che spesso sarà in qualche formato numerico, 
 e qualche codifica di queste azioni. 
 Ma ha anche bisogno di una codifica della relazione tra queste cose, 
 come si relazionano gli stati e le azioni l'uno con l'altro? 
 E per farlo, presenteremo la nostra IA 
 un modello di transizione, che sarà una descrizione di quale stato 
 otteniamo dopo che eseguiamo alcune azioni disponibili in qualche altro stato. 
 E ancora, possiamo essere un po 'più precisi su questo, 
 definire questo modello di transizione in modo un po 'più formale, ancora una volta, 
 come una funzione. 
 La funzione sarà una funzione chiamata risultato, 
 che questa volta richiede due input. 
 L'ingresso numero uno è S, un certo stato. 

Russian: 
 И поэтому возможно, что некоторые действия действительны только в определенных штатах 
 а не в других штатах. 
 И мы скоро увидим примеры этого. 
 Так, в случае с загадкой 15, например, 
 они, как правило, будут четыре возможных действия 
 что мы можем делать большую часть времени. 
 Мы можем сдвинуть плитку вправо, сдвинуть плитку влево, 
 например, сдвиньте плитку вверх или сдвиньте плитку вниз. 
 И это будут те действия, которые нам доступны. 
 Так что наш ИИ, наша программа нуждается в некотором кодировании 
 состояния, которое часто будет в каком-то числовом формате, 
 и некоторая кодировка этих действий. 
 Но это также требует некоторого кодирования отношений между этими вещами, 
 как соотносятся состояния и действия друг с другом? 
 И для этого мы представим наш ИИ 
 модель перехода, которая будет описанием какого состояния 
 мы получаем после того, как мы выполним некоторые доступные действия в каком-то другом состоянии. 
 И опять же, мы можем быть немного более точными в этом, 
 определить эту модель перехода немного более формально, опять же, 
 как функция. 
 Функция будет функцией с именем result, 
 что на этот раз требуется два входа. 
 Вход номер один - S, некое состояние. 

French: 
 Et il est donc possible que certaines actions ne soient valables que dans certains états 
 et pas dans d'autres états. 
 Et nous verrons bientôt des exemples de cela. 
 Ainsi, dans le cas du puzzle 15, par exemple, 
 ils vont généralement être quatre actions possibles 
 que nous pouvons faire la plupart du temps. 
 Nous pouvons faire glisser une tuile vers la droite, faire glisser une tuile vers la gauche, 
 faites glisser une tuile vers le haut ou faites glisser une tuile vers le bas, par exemple. 
 Et ce seront les actions qui s'offrent à nous. 
 Donc en quelque sorte notre IA, notre programme, a besoin d'un encodage 
 de l'État, qui va souvent être dans un certain format numérique, 
 et un certain encodage de ces actions. 
 Mais il a également besoin d'un codage de la relation entre ces choses, 
 comment les états et les actions sont-ils liés les uns aux autres? 
 Et pour ce faire, nous allons présenter notre IA 
 un modèle de transition, qui sera une description de quel état 
 nous obtenons après avoir effectué une action disponible dans un autre état. 
 Et encore une fois, nous pouvons être un peu plus précis à ce sujet, 
 définir ce modèle de transition un peu plus formellement, encore une fois, 
 en tant que fonction. 
 La fonction va être une fonction appelée résultat, 
 que cette fois prend deux entrées. 
 L'entrée numéro un est S, certains états. 

Arabic: 
 وبالتالي من الممكن أن تكون بعض الإجراءات صالحة فقط في حالات معينة 
 وليس في ولايات أخرى. 
 وسنرى أمثلة على ذلك قريبًا أيضًا. 
 لذا في حالة الألغاز الخمسة عشر ، على سبيل المثال ، 
 سيكونون عمومًا أربعة إجراءات محتملة 
 التي يمكننا القيام بها معظم الوقت. 
 يمكننا تحريك البلاط إلى اليمين ، تحريك البلاط إلى اليسار ، 
 اسحب مربعًا لأعلى ، أو اسحب مربعًا لأسفل ، على سبيل المثال. 
 وستكون هذه هي الإجراءات المتاحة لنا. 
 بطريقة ما ، يحتاج برنامج AI الخاص بنا إلى بعض التشفير 
 للدولة ، والتي غالبًا ما ستكون بصيغة عددية ، 
 وبعض ترميز هذه الإجراءات. 
 ولكنه يحتاج أيضًا إلى بعض ترميز العلاقة بين هذه الأشياء ، 
 كيف ترتبط الدول والإجراءات ببعضها البعض؟ 
 ومن أجل القيام بذلك ، سنقدم إلى الذكاء الاصطناعي لدينا 
 نموذج انتقالي ، والذي سيكون وصفا لحالة ما 
 نحصل عليه بعد إجراء بعض الإجراءات المتاحة في دولة أخرى. 
 ومرة أخرى ، يمكننا أن نكون أكثر دقة في هذا الأمر ، 
 تحديد نموذج الانتقال هذا بشكل رسمي أكثر قليلاً ، مرة أخرى ، 
 كوظيفة. 
 ستكون الوظيفة دالة تسمى النتيجة ، 
 أن هذه المرة تتطلب مدخلين. 
 الإدخال الأول هو S ، بعض الحالات. 

German: 
 Daher ist es möglich, dass einige Aktionen nur in bestimmten Zuständen gültig sind 
 und nicht in anderen Staaten. 
 Und wir werden bald auch Beispiele dafür sehen. 
 So im Fall des 15-Puzzles zum Beispiel: 
 Es werden im Allgemeinen vier mögliche Aktionen sein 
 dass wir die meiste Zeit tun können. 
 Wir können eine Kachel nach rechts schieben, eine Kachel nach links schieben, 
 Schieben Sie beispielsweise eine Kachel nach oben oder nach unten. 
 Und das werden die Aktionen sein, die uns zur Verfügung stehen. 
 Irgendwie braucht unsere KI, unser Programm, eine Kodierung 
 des Staates, der oft in einem numerischen Format sein wird, 
 und einige Codierungen dieser Aktionen. 
 Aber es braucht auch eine Kodierung der Beziehung zwischen diesen Dingen, 
 In welcher Beziehung stehen die Zustände und Handlungen zueinander? 
 Und um das zu tun, werden wir unsere KI vorstellen 
 ein Übergangsmodell, das beschreibt, welcher Zustand vorliegt 
 Wir erhalten, nachdem wir eine verfügbare Aktion in einem anderen Zustand ausgeführt haben. 
 Und wieder können wir etwas genauer darauf eingehen, 
 Definieren Sie dieses Übergangsmodell wieder etwas formeller. 
 als eine Funktion. 
 Die Funktion wird eine Funktion namens Ergebnis sein. 
 dass diesmal zwei Eingaben benötigt werden. 
 Eingang Nummer eins ist S, ein Zustand. 

Dutch: 
 En dus is het mogelijk dat sommige acties alleen geldig zijn in bepaalde staten 
 en niet in andere staten. 
 En daar zullen we binnenkort ook voorbeelden van zien. 
 Dus in het geval van bijvoorbeeld de 15 puzzel, 
 het zijn over het algemeen vier mogelijke acties 
 die we meestal kunnen doen. 
 We kunnen een tegel naar rechts schuiven, een tegel naar links schuiven, 
 schuif een tegel omhoog of schuif een tegel bijvoorbeeld naar beneden. 
 En dat zullen de acties zijn die ons ter beschikking staan. 
 Dus op de een of andere manier heeft onze AI, ons programma, wat codering nodig 
 van de staat, die vaak een numeriek formaat heeft, 
 en een codering van deze acties. 
 Maar het heeft ook een codering nodig van de relatie tussen deze dingen, 
 hoe verhouden de staten en acties zich tot elkaar? 
 En om dat te doen, introduceren we onze AI 
 een overgangsmodel, dat een beschrijving zal zijn van welke staat 
 we krijgen nadat we een beschikbare actie in een andere staat hebben uitgevoerd. 
 En nogmaals, we kunnen hier wat preciezer over zijn, 
 definieer dit overgangsmodel weer een beetje formeler, nogmaals, 
 als een functie. 
 De functie wordt een functie genaamd resultaat, 
 dat deze keer twee inputs nodig heeft. 
 Invoer nummer één is S, een staat. 

Indonesian: 
 Jadi, mungkin saja beberapa tindakan hanya valid di negara tertentu 
 dan tidak di negara bagian lain. 
 Dan kita akan segera melihat contohnya. 
 Jadi dalam kasus 15 puzzle, misalnya, 
 mereka umumnya akan menjadi empat tindakan yang mungkin 
 yang bisa kita lakukan sebagian besar waktu. 
 Kita bisa geser ubin ke kanan, geser ubin ke kiri, 
 geser ubin ke atas, atau geser ubin ke bawah, misalnya. 
 Dan itu akan menjadi tindakan yang tersedia untuk kita. 
 Jadi, entah bagaimana AI kami, program kami, perlu beberapa pengkodean 
 negara, yang sering akan berada dalam beberapa format numerik, 
 dan beberapa penyandian dari tindakan ini. 
 Tapi itu juga perlu beberapa pengkodean hubungan antara hal-hal ini, 
 bagaimana hubungan antara negara dan tindakan? 
 Dan untuk melakukan itu, kami akan memperkenalkan AI kami 
 model transisi, yang akan menjadi deskripsi keadaan apa 
 kami dapatkan setelah kami melakukan beberapa tindakan yang tersedia di beberapa negara lain. 
 Dan lagi, kita bisa sedikit lebih tepat tentang ini, 
 mendefinisikan model transisi ini sedikit lebih formal, lagi, 
 sebagai fungsi. 
 Fungsi ini akan menjadi fungsi yang disebut hasil, 
 yang kali ini membutuhkan dua input. 
 Input nomor satu adalah S, beberapa negara. 

Spanish: 
 Entonces, es posible que algunas acciones solo sean válidas en ciertos estados 
 y no en otros estados 
 Y veremos ejemplos de eso pronto también. 
 Entonces, en el caso del 15 rompecabezas, por ejemplo, 
 generalmente serán cuatro acciones posibles 
 que podemos hacer la mayor parte del tiempo 
 Podemos deslizar un mosaico hacia la derecha, deslizar un mosaico hacia la izquierda, 
 deslice un mosaico hacia arriba o deslice un mosaico hacia abajo, por ejemplo. 
 Y esas serán las acciones que están disponibles para nosotros. 
 Entonces, de alguna manera, nuestra IA, nuestro programa, necesita algo de codificación 
 del estado, que a menudo estará en algún formato numérico, 
 y alguna codificación de estas acciones. 
 Pero también necesita una codificación de la relación entre estas cosas, 
 ¿Cómo se relacionan los estados y las acciones entre sí? 
 Y para hacer eso, presentaremos nuestra IA 
 un modelo de transición, que será una descripción de qué estado 
 obtenemos después de realizar alguna acción disponible en otro estado. 
 Y de nuevo, podemos ser un poco más precisos sobre esto, 
 definir este modelo de transición un poco más formalmente, de nuevo, 
 como una función. 
 La función va a ser una función llamada resultado, 
 que esta vez toma dos entradas. 
 La entrada número uno es S, algún estado. 

Portuguese: 
 E, portanto, é possível que algumas ações sejam válidas apenas em determinados estados 
 e não em outros estados. 
 E veremos exemplos disso em breve também. 
 Então, no caso do quebra-cabeça 15, por exemplo, 
 eles geralmente serão quatro ações possíveis 
 que podemos fazer na maioria das vezes. 
 Podemos deslizar um ladrilho para a direita, deslizar um ladrilho para a esquerda, 
 deslize um bloco para cima ou deslize um bloco para baixo, por exemplo. 
 E essas serão as ações que estão disponíveis para nós. 
 Então, de alguma forma, nossa IA, nosso programa, precisa de alguma codificação 
 do estado, que geralmente está em algum formato numérico, 
 e alguma codificação dessas ações. 
 Mas também precisa de alguma codificação da relação entre essas coisas, 
 como os estados e ações se relacionam? 
 E, para fazer isso, apresentaremos nossa IA 
 um modelo de transição, que será uma descrição de qual estado 
 obtemos depois de executar alguma ação disponível em outro estado. 
 E, novamente, podemos ser um pouco mais precisos sobre isso, 
 definir esse modelo de transição um pouco mais formalmente, novamente, 
 Como uma função. 
 A função será uma função chamada resultado, 
 que desta vez requer duas entradas. 
 A entrada número um é S, algum estado. 

Modern Greek (1453-): 
 Και είναι πιθανό ορισμένες ενέργειες να ισχύουν μόνο σε ορισμένες καταστάσεις 
 και όχι σε άλλες πολιτείες. 
 Και θα δούμε παραδείγματα αυτού σύντομα. 
 Για παράδειγμα, στην περίπτωση των 15 παζλ, 
 γενικά πρόκειται να είναι τέσσερις πιθανές ενέργειες 
 ότι μπορούμε να κάνουμε τις περισσότερες φορές. 
 Μπορούμε να σύρετε ένα πλακίδιο προς τα δεξιά, να σύρετε ένα πλακίδιο προς τα αριστερά, 
 σύρετε ένα πλακίδιο προς τα πάνω, ή σύρετε ένα πλακίδιο προς τα κάτω, για παράδειγμα. 
 Και αυτές θα είναι οι ενέργειες που είναι διαθέσιμες σε εμάς. 
 Λοιπόν, κατά κάποιον τρόπο, το AI μας, το πρόγραμμά μας, χρειάζεται κάποια κωδικοποίηση 
 της πολιτείας, η οποία συχνά πρόκειται να είναι σε αριθμητική μορφή, 
 και κάποια κωδικοποίηση αυτών των ενεργειών. 
 Αλλά χρειάζεται επίσης κάποια κωδικοποίηση της σχέσης μεταξύ αυτών των πραγμάτων, 
 Πώς σχετίζονται τα κράτη και οι δράσεις μεταξύ τους; 
 Και για να το κάνουμε αυτό, θα παρουσιάσουμε στο AI μας 
 ένα μοντέλο μετάβασης, το οποίο θα είναι μια περιγραφή της κατάστασης 
 παίρνουμε αφού εκτελέσουμε κάποια διαθέσιμη ενέργεια σε κάποια άλλη κατάσταση. 
 Και πάλι, μπορούμε να είμαστε λίγο πιο ακριβείς σχετικά με αυτό, 
 ορίστε αυτό το μοντέλο μετάβασης λίγο πιο επίσημα, ξανά, 
 ως συνάρτηση. 
 Η συνάρτηση θα είναι μια συνάρτηση που ονομάζεται αποτέλεσμα, 
 ότι αυτή τη φορά παίρνει δύο εισόδους. 
 Η είσοδος νούμερο ένα είναι S, κάποια κατάσταση. 

Turkish: 
 Bu nedenle, bazı eylemlerin yalnızca belirli eyaletlerde geçerli olması mümkündür 
 ve diğer eyaletlerde değil. 
 Ve yakında bunun örneklerini de göreceğiz. 
 Örneğin, 15 yapboz söz konusu olduğunda, 
 bunlar genellikle dört olası eylem olacak 
 çoğu zaman yapabiliriz. 
 Bir kutucuğu sağa kaydırabiliriz, kutucuğu sola kaydırabiliriz, 
 döşemeyi yukarı kaydırın veya döşemeyi aşağı kaydırın. 
 Ve bunlar bizim için mevcut olan eylemler olacak. 
 Yani bir şekilde yapay zekamızın, programımızın biraz kodlamaya ihtiyacı var 
 genellikle sayısal bir biçimde olacak olan devletin 
 ve bu eylemlerin bazı kodlamaları. 
 Ama aynı zamanda bu şeyler arasındaki ilişkinin kodlanmasına ihtiyaç duyuyor, 
 Devletler ve eylemler birbirleriyle nasıl ilişkilidir? 
 Bunu yapmak için yapay zekamızı tanıtacağız 
 hangi durumun bir tanımı olacak bir geçiş modeli 
 başka bir durumda mevcut bazı eylemleri gerçekleştirdikten sonra elde ederiz. 
 Ve yine, bu konuda biraz daha kesin olabiliriz, 
 yine bu geçiş modelini biraz daha resmi olarak tanımlayın, 
 işlev olarak. 
 İşlev, sonuç adı verilen bir işlev olacak, 
 bu sefer iki girdi alır. 
 Birinci giriş S, bir durum. 

Arabic: 
 والمدخل الثاني هو A ، بعض الإجراءات. 
 وتكون نتيجة هذه الوظيفة هي 
 سيعطينا الحالة التي نحصل عليها بعد أن نقوم بالعمل A في الدولة 
 س. لذلك دعونا نلقي نظرة على مثال لنرى بدقة أكثر ما هذا في الواقع 
 يعني. 
 فيما يلي مثال لحالة من أحجية 15 ، على سبيل المثال. 
 وإليك مثال على إجراء ، تمرير مربع إلى اليمين. 
 ماذا يحدث إذا مررنا هذه كمدخلات لوظيفة النتيجة؟ 
 مرة أخرى ، تأخذ وظيفة النتيجة هذه اللوحة ، هذه الحالة ، كمدخلها الأول. 
 ويتخذ إجراء كمدخل ثان. 
 وبالطبع ، هنا ، أنا أصف الأشياء بصريًا 
 يمكنك أن ترى بصريا ما هي الدولة وما هو العمل. 
 في جهاز الكمبيوتر ، قد تمثل أحد هذه الإجراءات 
 مجرد رقم يمثل العمل. 
 أو إذا كنت معتادًا على التعدادات التي تسمح بذلك 
 لك أن تعدد احتمالات متعددة ، قد يكون شيء من هذا القبيل. 
 وقد يتم تمثيل الحالة على أنها صفيف ، أو صفيف ثنائي الأبعاد ، 
 من كل هذه الأرقام الموجودة. 
 ولكن هنا سنعرضها بصريًا فقط حتى تتمكن من رؤيتها. 
 عندما نتخذ هذه الحالة وهذا الإجراء ، نمرره إلى دالة النتيجة ، 

Hindi: 
 और इनपुट नंबर दो ए है, कुछ एक्शन। 
 और इस फ़ंक्शन परिणाम का आउटपुट है 
 यह हमें वह राज्य देने जा रहा है जो हमें राज्य में ए कार्रवाई करने के बाद मिलता है 
 एस तो आइए एक उदाहरण पर एक नज़र डालते हैं कि वास्तव में यह अधिक सटीक है 
 माध्यम। 
 उदाहरण के लिए, 15 पहेली की स्थिति का एक उदाहरण है। 
 और यहां एक कार्रवाई का एक उदाहरण है, एक टाइल को दाईं ओर स्लाइड करना। 
 यदि हम परिणाम फ़ंक्शन के इनपुट के रूप में इन्हें पास करते हैं तो क्या होगा? 
 फिर से, परिणाम फ़ंक्शन इस बोर्ड को, इस राज्य को, इसके पहले इनपुट के रूप में लेता है। 
 और यह दूसरे इनपुट के रूप में एक क्रिया करता है। 
 और निश्चित रूप से, यहां, मैं चीजों को नेत्रहीन रूप से वर्णन कर रहा हूं 
 आप देख सकते हैं कि राज्य क्या है और कार्रवाई क्या है। 
 कंप्यूटर में, आप इनमें से किसी एक क्रिया का प्रतिनिधित्व कर सकते हैं 
 जैसा कि कुछ संख्या है जो कार्रवाई का प्रतिनिधित्व करती है। 
 या अगर आप अनुमति देने वाले एनमों से परिचित हैं 
 आप कई संभावनाओं की गणना करने के लिए, यह ऐसा कुछ हो सकता है। 
 और राज्य को केवल एक सरणी या दो आयामी सरणी के रूप में दर्शाया जा सकता है, 
 ये सभी संख्याएँ मौजूद हैं। 
 लेकिन यहां हम इसे नेत्रहीन दिखाने जा रहे हैं ताकि आप इसे देख सकें। 
 जब हम इस स्थिति और इस कार्रवाई को लेते हैं, तो इसे परिणाम फ़ंक्शन में पास करें, 

Korean: 
 입력 번호 2는 A, 일부 동작입니다. 
 그리고이 함수 결과의 출력은 
 상태 A에서 조치 A를 수행 한 후 얻는 상태를 알려줍니다. 
 S. 따라서 이것이 실제로 무엇을 더 정확하게 볼 수있는 예를 살펴 보겠습니다. 
 방법. 
 예를 들어, 15 퍼즐 상태의 예가 있습니다. 
 다음은 타일을 오른쪽으로 밀는 동작의 예입니다. 
 결과를 입력으로 전달하면 어떻게됩니까? 
 다시 결과 함수는이 보드를이 상태를 첫 번째 입력으로 사용합니다. 
 그리고 두 번째 입력으로 조치를 취합니다. 
 물론 여기에 시각적으로 설명하고 있습니다. 
 상태와 동작이 무엇인지 시각적으로 볼 수 있습니다. 
 컴퓨터에서 다음 작업 중 하나를 나타낼 수 있습니다. 
 액션을 나타내는 숫자로 
 또는 허용하는 열거 형에 익숙한 경우 
 여러 가능성을 열거하면 그와 같은 것일 수 있습니다. 
 상태는 배열 또는 2 차원 배열로 표시 될 수 있습니다. 
 존재하는 모든 숫자 중 
 그러나 여기서 볼 수 있도록 시각적으로 표시하겠습니다. 
 이 상태와이 동작을 수행하면 결과 함수에 전달합니다. 

Russian: 
 И вход номер два - A, какое-то действие. 
 И результат этой функции результат 
 это даст нам состояние, которое мы получим после выполнения действия А в состоянии 
 S. Итак, давайте посмотрим на пример, чтобы увидеть более точно, что это на самом деле 
 средства. 
 Вот пример состояния головоломки 15, например. 
 И вот пример действия, сдвигающего плитку вправо. 
 Что произойдет, если мы передадим их в качестве входных данных в функцию результата? 
 Опять же, функция результата принимает эту доску, это состояние в качестве своего первого входа. 
 И он принимает действие в качестве второго входа. 
 И конечно, здесь я описываю вещи визуально так 
 что вы можете визуально увидеть, что такое состояние и что такое действие. 
 На компьютере вы можете представить одно из этих действий 
 как просто некоторое число, которое представляет действие. 
 Или, если вы знакомы с перечислениями, которые позволяют 
 Вам перечислить несколько возможностей, это может быть что-то подобное. 
 И состояние может быть просто представлено в виде массива или двухмерного массива, 
 из всех этих чисел, которые существуют. 
 Но здесь мы собираемся показать это визуально, чтобы вы могли это увидеть. 
 Когда мы берем это состояние и это действие, передаем его в функцию результата, 

German: 
 Und Eingabe Nummer zwei ist A, eine Aktion. 
 Und die Ausgabe dieses Funktionsergebnisses ist 
 Es wird uns den Zustand geben, den wir erhalten, nachdem wir Aktion A im Zustand ausgeführt haben 
 S. Schauen wir uns also ein Beispiel an, um genauer zu sehen, was dies eigentlich ist 
 meint. 
 Hier ist zum Beispiel ein Beispiel für einen Zustand des 15-Puzzles. 
 Und hier ist ein Beispiel für eine Aktion, bei der eine Kachel nach rechts geschoben wird. 
 Was passiert, wenn wir diese als Eingaben an die Ergebnisfunktion übergeben? 
 Wiederum nimmt die Ergebnisfunktion diese Karte, diesen Zustand, als ihre erste Eingabe. 
 Und es wird eine Aktion als zweite Eingabe ausgeführt. 
 Und hier beschreibe ich die Dinge natürlich visuell 
 dass Sie visuell sehen können, was der Zustand ist und was die Aktion ist. 
 In einem Computer können Sie eine dieser Aktionen darstellen 
 als nur eine Zahl, die die Aktion darstellt. 
 Oder wenn Sie mit Aufzählungen vertraut sind, die dies zulassen 
 Wenn Sie mehrere Möglichkeiten aufzählen, könnte es so etwas sein. 
 Und der Zustand kann nur als Array oder zweidimensionales Array dargestellt werden. 
 von all diesen Zahlen, die existieren. 
 Aber hier werden wir es visuell zeigen, damit Sie es sehen können. 
 Wenn wir diesen Zustand und diese Aktion annehmen, übergeben Sie ihn an die Ergebnisfunktion. 

Modern Greek (1453-): 
 Και ο αριθμός εισαγωγής δύο είναι Α, κάποια ενέργεια. 
 Και η έξοδος αυτού του αποτελέσματος λειτουργίας είναι 
 πρόκειται να μας δώσει την κατάσταση που έχουμε μετά την εκτέλεση της δράσης Α στην πολιτεία 
 S. Ας ρίξουμε μια ματιά σε ένα παράδειγμα για να δούμε με μεγαλύτερη ακρίβεια τι πραγματικά αυτό 
 που σημαίνει. 
 Ακολουθεί ένα παράδειγμα της κατάστασης των 15 παζλ, για παράδειγμα. 
 Και εδώ είναι ένα παράδειγμα δράσης, σύροντας ένα πλακίδιο προς τα δεξιά. 
 Τι συμβαίνει εάν τα περάσουμε ως εισόδους στη συνάρτηση αποτελεσμάτων; 
 Και πάλι, η συνάρτηση αποτελέσματος παίρνει αυτόν τον πίνακα, αυτήν την κατάσταση, ως την πρώτη του είσοδο. 
 Και παίρνει μια ενέργεια ως δεύτερη είσοδος. 
 Και φυσικά, εδώ, περιγράφω τα πράγματα οπτικά 
 ότι μπορείτε να δείτε οπτικά ποια είναι η κατάσταση και ποια είναι η δράση. 
 Σε έναν υπολογιστή, ενδέχεται να αντιπροσωπεύετε μία από αυτές τις ενέργειες 
 ως μόνο κάποιος αριθμός που αντιπροσωπεύει τη δράση. 
 Ή αν είστε εξοικειωμένοι με τα ποσά που το επιτρέπουν 
 να απαριθμήσετε πολλές δυνατότητες, μπορεί να είναι κάτι τέτοιο. 
 Και η κατάσταση μπορεί απλώς να αναπαρασταθεί ως πίνακας, ή δισδιάστατος πίνακας, 
 όλων αυτών των αριθμών που υπάρχουν. 
 Αλλά εδώ θα το δείξουμε οπτικά για να μπορείτε να το δείτε. 
 Όταν κάνουμε αυτήν την κατάσταση και αυτήν την ενέργεια, μεταφέρουμε τη συνάρτηση αποτελέσματος, 

Portuguese: 
 E a entrada número dois é A, alguma ação. 
 E a saída deste resultado da função é 
 isso nos dará o estado que obtemos após executarmos a ação A no estado 
 S. Então, vamos dar uma olhada em um exemplo para ver com mais precisão o que isso realmente 
 significa. 
 Aqui está um exemplo de um estado do quebra-cabeça 15, por exemplo. 
 E aqui está um exemplo de ação, deslizando um bloco para a direita. 
 O que acontece se passamos esses dados como entradas para a função resultado? 
 Mais uma vez, a função result leva essa placa, esse estado, como sua primeira entrada. 
 E executa uma ação como uma segunda entrada. 
 E é claro, aqui, eu estou descrevendo as coisas visualmente, 
 que você pode ver visualmente qual é o estado e qual é a ação. 
 Em um computador, você pode representar uma dessas ações 
 como apenas um número que representa a ação. 
 Ou se você estiver familiarizado com enums que permitem 
 Para enumerar várias possibilidades, pode ser algo assim. 
 E o estado pode ser representado apenas como uma matriz ou matriz bidimensional, 
 de todos esses números que existem. 
 Mas aqui vamos mostrá-lo visualmente, apenas para que você possa vê-lo. 
 Quando tomamos esse estado e essa ação, passamos para a função result, 

Japanese: 
そして、入力番号2はA、なんらかのアクションです。 
そして、この関数の結果の出力は
状態でアクションAを実行した後の状態を取得します
 S.では、例を見て、これが実際に何であるかをより正確に見てみましょう
手段。 
たとえば、15パズルの状態の例を次に示します。 
次に、タイルを右にスライドするアクションの例を示します。 
これらを入力として結果関数に渡すとどうなりますか？ 
この場合も、結果関数はこのボード、この状態を最初の入力として受け取ります。 
そして、2番目の入力としてアクションを実行します。 
そしてもちろん、ここでは視覚的に説明しているので
状態とアクションを視覚的に確認できます。 
コンピューターでは、これらのアクションの1つを表すことができます
アクションを表すいくつかの数字として。 
または、許可する列挙型に精通している場合
あなたは複数の可能性を列挙するために、それはそのようなものかもしれません。 
状態は、配列または2次元配列として表されるだけかもしれません。 
存在するこれらすべての数の。 
しかし、ここではそれを視覚的に表示して、あなたがそれを見ることができるようにします。 
この状態とこのアクションを実行したら、それを結果関数に渡します。 

Dutch: 
 En input nummer twee is A, wat actie. 
 En de uitvoer van dit functieresultaat is 
 het geeft ons de staat die we krijgen nadat we actie A in staat hebben uitgevoerd 
 S. Laten we dus een voorbeeld bekijken om nauwkeuriger te zien wat dit eigenlijk is 
 middelen. 
 Hier is bijvoorbeeld een voorbeeld van een staat van de 15 puzzel. 
 En hier is een voorbeeld van een actie, een tegel naar rechts schuiven. 
 Wat gebeurt er als we deze doorgeven als invoer voor de resultaatfunctie? 
 Nogmaals, de resultaatfunctie neemt dit bord, deze toestand, als eerste invoer. 
 En er is een actie voor nodig als tweede input. 
 En natuurlijk beschrijf ik de dingen hier visueel 
 dat u visueel kunt zien wat de staat is en wat de actie is. 
 Op een computer zou u een van deze acties kunnen vertegenwoordigen 
 als een nummer dat de actie vertegenwoordigt. 
 Of als u bekend bent met enums die dit toestaan 
 om meerdere mogelijkheden op te sommen, het kan zoiets zijn. 
 En de staat kan gewoon worden weergegeven als een array of tweedimensionale array, 
 van al deze nummers die bestaan. 
 Maar hier gaan we het visueel tonen, zodat u het kunt zien. 
 Wanneer we deze toestand en deze actie nemen, geven we het door aan de resultaatfunctie, 

Italian: 
 E l'ingresso numero due è A, qualche azione. 
 E l'output di questo risultato della funzione è 
 ci darà lo stato che otteniamo dopo aver eseguito l'azione A nello stato 
 S. Quindi diamo un'occhiata a un esempio per vedere più precisamente cosa questo in realtà 
 si intende. 
 Ecco un esempio di uno stato del puzzle 15, per esempio. 
 Ed ecco un esempio di azione, facendo scorrere una tessera verso destra. 
 Cosa succede se passiamo questi come input alla funzione risultato? 
 Ancora una volta, la funzione risultato prende questa scheda, questo stato, come primo input. 
 E prende un'azione come secondo input. 
 E ovviamente, qui, descrivo le cose visivamente così 
 che puoi vedere visivamente quale sia lo stato e quale sia l'azione. 
 In un computer, potresti rappresentare una di queste azioni 
 come solo un numero che rappresenta l'azione. 
 O se hai familiarità con gli enum che lo consentono 
 per elencare più possibilità, potrebbe essere qualcosa del genere. 
 E lo stato potrebbe essere semplicemente rappresentato come un array, o array bidimensionale, 
 di tutti questi numeri che esistono. 
 Ma qui lo mostreremo visivamente solo così puoi vederlo. 
 Quando prendiamo questo stato e questa azione, passiamo alla funzione risultato, 

Turkish: 
 Ve iki numaralı girdi A, bazı eylemler. 
 Ve bu fonksiyon sonucunun çıktısı 
 devlet A eylemini gerçekleştirdikten sonra alacağımız durumu bize verecek 
 S: Bunun gerçekte ne olduğunu tam olarak görmek için bir örneğe bakalım 
 anlamına geliyor. 
 Örneğin, 15 bulmacanın durumuna bir örnek. 
 Ve işte, bir kutucuğu sağa doğru kaydıran bir eylem örneği. 
 Bunları sonuç işlevine girdi olarak geçirirsek ne olur? 
 Sonuç fonksiyonu yine bu kartı, bu durumu ilk girişi olarak alır. 
 Ve ikinci bir girdi olarak bir eylem gerektirir. 
 Ve elbette, burada, şeyleri görsel olarak anlatıyorum 
 devletin ne olduğunu ve eylemin ne olduğunu görsel olarak görebilirsiniz. 
 Bir bilgisayarda, bu eylemlerden birini temsil edebilirsiniz 
 sadece eylemi temsil eden bir sayı olarak. 
 Veya izin veren numaralandırmalara aşina iseniz 
 birden fazla olasılık saymanız için böyle bir şey olabilir. 
 Ve durum sadece bir dizi veya iki boyutlu bir dizi olarak temsil edilebilir, 
 tüm bu sayıların 
 Ama burada görebilmeniz için görsel olarak göstereceğiz. 
 Bu durumu ve bu eylemi gerçekleştirdiğimizde, sonuç işlevine iletiriz, 

English: 
And input number two is A, some action.
And the output of this function result is
it is going to give us the state that we get after we perform action A in state
S. So let's take a look at an example to see more precisely what this actually
means.
Here's an example of a state of the 15 puzzle, for example.
And here's an example of an action, sliding a tile to the right.
What happens if we pass these as inputs to the result function?
Again, the result function takes this board, this state, as its first input.
And it takes an action as a second input.
And of course, here, I'm describing things visually so
that you can see visually what the state is and what the action is.
In a computer, you might represent one of these actions
as just some number that represents the action.
Or if you're familiar with enums that allow
you to enumerate multiple possibilities, it might be something like that.
And the state might just be represented as an array, or two dimensional array,
of all of these numbers that exist.
But here we're going to show it visually just so you can see it.
When we take this state and this action, pass it into the result function,

Chinese: 
输入第二个是A，执行一些操作。 
这个函数结果的输出是
它会为我们提供在状态下执行动作A后获得的状态
 S.因此，让我们看一个例子，以更精确地了解这实际上是什么
手段。 
例如，这是15个拼图的状态示例。 
这是一个向右滑动磁贴的动作示例。 
如果将这些作为输入传递给结果函数，会发生什么？ 
再次，结果函数将此板（此状态）作为其第一个输入。 
并且将动作作为第二输入。 
当然，在这里，我用视觉描述事物
您可以从视觉上看到状态是什么以及动作是什么。 
在计算机中，您可能代表以下操作之一
只是代表动作的一些数字。 
或者，如果您熟悉允许
您列举多种可能性，可能就是这样。 
状态可能只是表示为一个数组或二维数组， 
存在的所有这些数字中。 
但是在这里，我们将以视觉方式显示它，以便您可以看到它。 
当我们采用此状态和此操作时，将其传递给结果函数， 

Indonesian: 
 Dan input nomor dua adalah A, beberapa aksi. 
 Dan output dari hasil fungsi ini adalah 
 itu akan memberi kita keadaan yang kita dapatkan setelah kita melakukan tindakan A dalam keadaan 
 S. Jadi, mari kita lihat contoh untuk melihat lebih tepatnya apa ini sebenarnya 
 cara. 
 Berikut adalah contoh keadaan 15 puzzle, misalnya. 
 Dan inilah contoh tindakan, menggeser ubin ke kanan. 
 Apa yang terjadi jika kita meneruskan ini sebagai input ke fungsi hasil? 
 Sekali lagi, fungsi hasil menggunakan board ini, status ini, sebagai input pertama. 
 Dan dibutuhkan tindakan sebagai input kedua. 
 Dan tentu saja, di sini, saya menggambarkan hal-hal secara visual 
 Anda dapat melihat secara visual apa negara itu dan apa tindakannya. 
 Di komputer, Anda mungkin mewakili salah satu tindakan ini 
 karena hanya beberapa angka yang mewakili tindakan. 
 Atau jika Anda terbiasa dengan enum yang memungkinkan 
 Anda menghitung beberapa kemungkinan, mungkin seperti itu. 
 Dan negara mungkin hanya direpresentasikan sebagai array, atau array dua dimensi, 
 dari semua angka-angka ini yang ada. 
 Tapi di sini kita akan menunjukkannya secara visual supaya Anda bisa melihatnya. 
 Ketika kita mengambil status ini dan tindakan ini, meneruskannya ke fungsi hasil, 

Spanish: 
 Y la entrada número dos es A, alguna acción. 
 Y la salida del resultado de esta función es 
 nos dará el estado que tenemos después de realizar la acción A en estado 
 S. Así que echemos un vistazo a un ejemplo para ver con mayor precisión qué es esto realmente 
 medio. 
 Aquí hay un ejemplo de un estado del rompecabezas 15, por ejemplo. 
 Y aquí hay un ejemplo de una acción, deslizando un mosaico hacia la derecha. 
 ¿Qué sucede si pasamos estos como entradas a la función de resultado? 
 Nuevamente, la función de resultado toma esta placa, este estado, como su primera entrada. 
 Y toma una acción como una segunda entrada. 
 Y, por supuesto, aquí estoy describiendo las cosas visualmente 
 que puedes ver visualmente cuál es el estado y cuál es la acción. 
 En una computadora, puede representar una de estas acciones 
 como solo un número que representa la acción. 
 O si está familiarizado con las enumeraciones que permiten 
 para enumerar múltiples posibilidades, podría ser algo así. 
 Y el estado podría representarse simplemente como una matriz, o una matriz bidimensional, 
 de todos estos números que existen. 
 Pero aquí vamos a mostrarlo visualmente para que pueda verlo. 
 Cuando tomamos este estado y esta acción, lo pasamos a la función de resultado, 

Chinese: 
輸入第二個是A，執行一些操作。 
這個函數結果的輸出是
它會為我們提供在狀態下執行動作A後獲得的狀態
 S.因此，讓我們看一個例子，以更精確地了解這實際上是什麼
手段。 
例如，這是15個拼圖的狀態示例。 
這是一個向右滑動磁貼的動作示例。 
如果將這些作為輸入傳遞給結果函數，會發生什麼？ 
再次，結果函數將此板（此狀態）作為其第一個輸入。 
並且將動作作為第二輸入。 
當然，在這裡，我用視覺描述事物
您可以從視覺上看到狀態是什麼以及動作是什麼。 
在計算機中，您可能代表以下操作之一
只是代表動作的一些數字。 
或者，如果您熟悉允許
您列舉多種可能性，可能就是這樣。 
狀態可能只是表示為一個數組或二維數組， 
存在的所有這些數字中。 
但是在這裡，我們將以視覺方式顯示它，以便您可以看到它。 
當我們採用此狀態和此操作時，將其傳遞給結果函數， 

French: 
 Et l'entrée numéro deux est A, une action. 
 Et la sortie de ce résultat de fonction est 
 cela va nous donner l'état que nous obtenons après avoir effectué l'action A dans l'état 
 S. Prenons donc un exemple pour voir plus précisément ce que cela fait 
 veux dire. 
 Voici un exemple d'un état du puzzle 15, par exemple. 
 Et voici un exemple d'action, en faisant glisser une tuile vers la droite. 
 Que se passe-t-il si nous les transmettons comme entrées à la fonction de résultat? 
 Encore une fois, la fonction de résultat prend cette carte, cet état, comme sa première entrée. 
 Et il prend une action comme deuxième entrée. 
 Et bien sûr, ici, je décris les choses visuellement afin 
 que vous pouvez voir visuellement ce qu'est l'état et quelle est l'action. 
 Dans un ordinateur, vous pouvez représenter l'une de ces actions 
 comme juste un certain nombre qui représente l'action. 
 Ou si vous connaissez les énumérations qui permettent 
 vous d'énumérer plusieurs possibilités, cela pourrait être quelque chose comme ça. 
 Et l'état pourrait simplement être représenté comme un tableau, ou un tableau bidimensionnel, 
 de tous ces chiffres qui existent. 
 Mais ici, nous allons le montrer visuellement pour que vous puissiez le voir. 
 Lorsque nous prenons cet état et cette action, passez-le dans la fonction de résultat, 

Turkish: 
 çıktı yeni bir durumdur. 
 Bir kutucuğu alıp sağa kaydırdıktan sonra elde ettiğimiz durum ve bu 
 sonuç olarak elde ettiğimiz durumdur. 
 Örneğin, farklı bir eylemimiz ve farklı bir durumumuz olsaydı, 
 ve bunu sonuç işlevine aktardı, 
 hep birlikte farklı bir cevap alacağız. 
 Sonuç işlevinin dikkat etmesi gerekiyor 
 nasıl bir durum alacağınızı ve bir eylemde bulunacağınızı ve sonuçların nasıl elde edileceğini 
 Ve bu bizim geçiş modelimiz olacak 
 Durumların ve eylemlerin birbiriyle nasıl ilişkili olduğunu açıklar. 
 Bu geçiş modelini alıp daha genel olarak düşünürsek 
 ve tüm problem boyunca, bir devlet alanı dediğimiz şeyi oluşturabiliriz, 
 başlangıç ​​durumundan alabileceğimiz tüm eyaletler kümesi 
 sıfır veya bir veya iki veya daha fazlasını alarak herhangi bir işlem dizisi aracılığıyla 
 buna ek olarak, bir diyagram çizebiliriz 
 böyle bir şeye benziyor. 
 Burada her eyalet bir oyun tahtası tarafından temsil ediliyor. 
 Ve her durumu diğer her duruma bağlayan oklar var 
 bu devletten iki tane alabilir. 
 Ve devlet alanı burada gördüğünüzden çok daha büyük. 

French: 
 la sortie est un nouvel état. 
 L'état que nous obtenons après avoir pris une tuile et la faire glisser vers la droite, et cela 
 est l'état que nous obtenons en conséquence. 
 Si nous avions une action différente et un état différent, par exemple, 
 et passé cela dans la fonction de résultat, 
 nous obtiendrions une réponse complètement différente. 
 La fonction de résultat doit donc prendre soin 
 de comprendre comment prendre un état et prendre une action et obtenir quels résultats. 
 Et cela va être notre modèle de transition 
 décrit comment les états et les actions sont liés les uns aux autres. 
 Si nous prenons ce modèle de transition et y pensons plus généralement 
 et à travers tout le problème, nous pouvons former ce que nous pourrions appeler un espace d'état, 
 l'ensemble de tous les états que nous pouvons obtenir à partir de l'état initial 
 via n'importe quelle séquence d'actions, en prenant zéro ou un ou deux ou plus 
 actions en plus de cela, afin que nous puissions dessiner un diagramme 
 qui ressemble à ceci. 
 Où chaque état est représenté ici par un plateau de jeu. 
 Et il y a des flèches qui relient chaque état à chaque autre état que nous 
 peut obtenir deux de cet état. 
 Et l'espace d'état est beaucoup plus grand que ce que vous voyez ici. 

Korean: 
 출력은 새로운 상태입니다. 
 타일을 가져 와서 오른쪽으로 밀면 상태가 나타납니다. 
 결과적으로 우리가 얻는 상태입니다. 
 예를 들어 행동과 상태가 다른 경우 
 결과 함수에 전달했습니다. 
 우리는 완전히 다른 대답을 얻을 것입니다. 
 따라서 결과 함수는주의를 기울여야합니다 
 상태를 취하고 조치를 취하고 결과를 얻는 방법을 알아내는 것입니다. 
 그리고 이것은 우리의 전환 모델이 될 것입니다. 
 상태와 동작이 서로 관련되는 방식을 설명합니다. 
 이 전이 모델을 가지고 더 일반적으로 생각하면 
 전체 문제에서 상태 공간이라고하는 것을 구성 할 수 있습니다. 
 초기 상태에서 얻을 수있는 모든 상태 세트 
 0 개 또는 1 개 또는 2 개 이상의 조치를 취하여 일련의 조치를 통해 
 그 외에도 작업을 수행하여 다이어그램을 그릴 수 있습니다. 
 이런 식으로 보입니다. 
 여기서 모든 상태는 게임 보드로 표시됩니다. 
 모든 상태를 다른 모든 상태와 연결하는 화살표가 있습니다 
 그 상태에서 두 가지를 얻을 수 있습니다. 
 그리고 상태 공간은 여기 보이는 것보다 훨씬 큽니다. 

Japanese: 
出力は新しい状態です。 
タイルを取り、右にスライドさせた後の状態です。 
結果として得られる状態です。 
たとえば、異なるアクションと異なる状態があった場合、 
そしてそれを結果関数に渡しました、 
まったく別の答えが得られます。 
結果関数は注意する必要があります
どのように状態を取り、行動を起こし、どのような結果を得るかを理解することです。 
そして、これは私たちの移行モデルになります
状態とアクションが互いに関連しているということを説明します。 
この移行モデルを採用して、より一般的に考えると
問題全体で、状態空間と呼ばれるものを形成できます。 
初期状態から取得できるすべての状態のセット
一連のアクションを介して、0、1、2、またはそれ以上を取る
それに加えて、図を描くことができます
それはこのようなものです。 
ここでは、すべての状態がゲームボードによって表されます。 
そして、すべての状態を他のすべての状態に接続する矢印があります
その状態から2つを取得できます。 
そして、状態空間は、ここに表示されているものよりもはるかに大きくなっています。 

Russian: 
 на выходе новое состояние. 
 Состояние, которое мы получаем после того, как возьмем плитку и сдвинем ее вправо, и это 
 это состояние, которое мы получаем в результате. 
 Если бы у нас было другое действие и другое состояние, например, 
 и передал это в функцию результата, 
 мы бы получили совершенно другой ответ. 
 Таким образом, функция результата должна заботиться 
 выяснить, как взять государство и принять меры и получить какие результаты. 
 И это будет наша модель перехода, которая 
 описывает, как состояния и действия связаны друг с другом. 
 Если мы возьмем эту модель перехода и подумаем об этом более широко 
 и через всю проблему, мы можем сформировать то, что мы могли бы назвать пространство состояний, 
 множество всех состояний, которые мы можем получить из начального состояния 
 через любую последовательность действий, взяв ноль или один или два или более 
 действия в дополнение к этому, чтобы мы могли нарисовать диаграмму 
 это выглядит примерно так. 
 Где каждое государство представлено здесь игровой доской. 
 И есть стрелки, которые соединяют каждое состояние с каждым другим состоянием, которое мы 
 можно получить два из этого состояния. 
 И пространство состояний намного больше, чем то, что вы видите здесь. 

German: 
 Die Ausgabe ist ein neuer Zustand. 
 Der Zustand, den wir erhalten, nachdem wir eine Kachel genommen und nach rechts geschoben haben, und dies 
 ist der Zustand, den wir als Ergebnis erhalten. 
 Wenn wir zum Beispiel eine andere Aktion und einen anderen Zustand hätten, 
 und übergab das an die Ergebnisfunktion, 
 Wir würden eine ganz andere Antwort bekommen. 
 Die Ergebnisfunktion muss also vorsichtig sein 
 herauszufinden, wie man einen Staat nimmt und etwas unternimmt und welche Ergebnisse erzielt. 
 Und das wird unser Übergangsmodell sein 
 beschreibt, wie es ist, dass Zustände und Aktionen miteinander in Beziehung stehen. 
 Wenn wir dieses Übergangsmodell nehmen und allgemeiner darüber nachdenken 
 und über das gesamte Problem hinweg können wir einen sogenannten Zustandsraum bilden, 
 die Menge aller Zustände, die wir aus dem Ausgangszustand erhalten können 
 über eine beliebige Folge von Aktionen, indem Sie null oder eins oder zwei oder mehr nehmen 
 Aktionen zusätzlich, damit wir ein Diagramm zeichnen konnten 
 das sieht ungefähr so ​​aus. 
 Wo jeder Staat hier durch ein Spielbrett vertreten ist. 
 Und es gibt Pfeile, die jeden Zustand mit jedem anderen Zustand verbinden, den wir haben 
 kann zwei aus diesem Zustand bekommen. 
 Und der Staatsraum ist viel größer als das, was Sie gerade hier sehen. 

Arabic: 
 الإخراج حالة جديدة. 
 الحالة التي نحصل عليها بعد أن نأخذ قطعة من البلاط وننزلقها إلى اليمين ، وهذا 
 هي الحالة التي نحصل عليها نتيجة لذلك. 
 إذا كان لدينا إجراء مختلف وحالة مختلفة ، على سبيل المثال ، 
 ونقلها إلى دالة النتيجة ، 
 سنحصل على إجابة مختلفة تمامًا. 
 لذا تحتاج وظيفة النتيجة إلى الاهتمام 
 لمعرفة كيفية اتخاذ دولة واتخاذ إجراء والحصول على النتائج. 
 وهذا سيكون نموذجنا الانتقالي ذلك 
 يصف كيف ترتبط الدول والإجراءات ببعضها البعض. 
 إذا أخذنا هذا النموذج الانتقالي وفكرنا فيه بشكل أعم 
 وعبر المشكلة بأكملها ، يمكننا تشكيل ما يمكن أن نسميه مساحة الدولة ، 
 مجموعة كل الولايات التي يمكننا الحصول عليها من الحالة الأولية 
 عبر أي تسلسل من الإجراءات ، من خلال اتخاذ صفر أو واحد أو اثنين أو أكثر 
 الإجراءات بالإضافة إلى ذلك ، حتى نتمكن من رسم مخطط 
 يشبه شيء من هذا القبيل. 
 حيث يتم تمثيل كل ولاية هنا بلوحة ألعاب. 
 وهناك سهام تربط كل ولاية بكل دولة أخرى نحن 
 يمكن الحصول على اثنين من تلك الدولة. 
 ومساحة الدولة أكبر بكثير مما تراه هنا فقط. 

Dutch: 
 de uitvoer is een nieuwe staat. 
 De toestand die we krijgen nadat we een tegel hebben genomen en deze naar rechts schuiven, en dit 
 is de staat die we daardoor krijgen. 
 Als we bijvoorbeeld een andere actie en een andere status hadden, 
 en gaf dat door aan de resultaatfunctie, 
 zouden we helemaal een ander antwoord krijgen. 
 De resultaatfunctie moet dus oppassen 
 om erachter te komen hoe je een staat kunt nemen en een actie kunt ondernemen en welke resultaten kunt krijgen. 
 En dit wordt ons overgangsmodel 
 beschrijft hoe staten en acties met elkaar in verband staan. 
 Als we dit overgangsmodel nemen en er meer in het algemeen over nadenken 
 en over het hele probleem kunnen we vormen wat we een toestandsruimte zouden kunnen noemen, 
 de verzameling van alle toestanden die we uit de oorspronkelijke staat kunnen halen 
 via een reeks acties, door nul of een of twee of meer te nemen 
 acties naast dat, zodat we een diagram konden tekenen 
 dat ziet er ongeveer zo uit. 
 Waar elke staat hier wordt vertegenwoordigd door een spelbord. 
 En er zijn pijlen die elke staat met elke andere staat verbinden 
 kan er twee uit die staat halen. 
 En de staatsruimte is veel groter dan wat je hier alleen ziet. 

Chinese: 
输出是一个新状态。 
取砖并将其向右滑动后得到的状态， 
结果就是我们得到的状态。 
例如，如果我们有不同的操作和不同的状态， 
并将其传递给结果函数， 
我们将得到完全不同的答案。 
所以结果函数需要注意
弄清楚如何采取一种状态，采取一种行动并获得什么结果的方法。 
这将成为我们的过渡模型
描述状态和动作如何相互关联。 
如果我们采用这种过渡模型并更普遍地考虑它
在整个问题上，我们可以形成所谓的状态空间， 
我们可以从初始状态得到的所有状态的集合
通过任何动作序列，取零或一个或两个或多个
除此之外，我们可以画一个图
看起来像这样。 
这里每个状态都由游戏板表示。 
有箭头将每个州与每个其他州联系起来
可以从那个状态得到两个。 
而且状态空间比您在这里看到的要大得多。 

Chinese: 
輸出是一個新狀態。 
取磚並將其向右滑動後得到的狀態， 
結果就是我們得到的狀態。 
例如，如果我們有不同的操作和不同的狀態， 
並將其傳遞給結果函數， 
我們將得到完全不同的答案。 
所以結果函數需要注意
弄清楚如何採取一種狀態，採取一種行動並獲得什麼結果的方法。 
這將成為我們的過渡模型
描述狀態和動作如何相互關聯。 
如果我們採用這種過渡模型並更普遍地考慮它
在整個問題上，我們可以形成所謂的狀態空間， 
我們可以從初始狀態得到的所有狀態的集合
通過任何動作序列，取零或一個或兩個或多個
除此之外，我們可以畫一個圖
看起來像這樣。 
這裡每個狀態都由遊戲板表示。 
有箭頭將每個州與每個其他州聯繫起來
可以從那個狀態得到兩個。 
而且狀態空間比您在這裡看到的要大得多。 

Spanish: 
 La salida es un nuevo estado. 
 El estado que tenemos después de tomar un mosaico y deslizarlo hacia la derecha, y esto 
 es el estado que obtenemos como resultado. 
 Si tuviéramos una acción diferente y un estado diferente, por ejemplo, 
 y pasó eso a la función de resultado, 
 obtendríamos una respuesta completamente diferente. 
 Por lo tanto, la función de resultado debe cuidarse 
 de descubrir cómo tomar un estado y actuar y obtener los resultados. 
 Y este será nuestro modelo de transición que 
 describe cómo es que los estados y las acciones están relacionados entre sí. 
 Si tomamos este modelo de transición y lo pensamos de manera más general 
 y en todo el problema, podemos formar lo que podríamos llamar un espacio de estado, 
 el conjunto de todos los estados que podemos obtener del estado inicial 
 a través de cualquier secuencia de acciones, tomando cero o uno o dos o más 
 acciones además de eso, para que podamos dibujar un diagrama 
 que se parece a esto 
 Donde cada estado está representado aquí por un tablero de juego. 
 Y hay flechas que conectan cada estado con cualquier otro estado que 
 puede obtener dos de ese estado. 
 Y el espacio de estado es mucho más grande de lo que ves aquí. 

Hindi: 
 आउटपुट एक नई स्थिति है। 
 जब हम एक टाइल लेते हैं और इसे दाईं ओर स्लाइड करते हैं, और यह प्राप्त होता है 
 हम एक परिणाम के रूप में प्राप्त राज्य है। 
 यदि हमारे पास एक अलग कार्रवाई और एक अलग राज्य है, उदाहरण के लिए, 
 और परिणाम समारोह में पारित कर दिया, 
 हमें एक अलग उत्तर मिलेगा। 
 इसलिए परिणाम फ़ंक्शन को ध्यान रखने की आवश्यकता है 
 पता लगाना कि कैसे एक राज्य लेना है और एक कार्रवाई करना है और क्या परिणाम प्राप्त करना है। 
 और यह हमारा परिवर्तन मॉडल है 
 वर्णन करता है कि यह कैसे होता है कि राज्य और क्रियाएं एक-दूसरे से संबंधित हैं। 
 यदि हम इस संक्रमण मॉडल को लेते हैं और इसके बारे में अधिक सामान्यतः सोचते हैं 
 और संपूर्ण समस्या के दौरान, हम उसे बना सकते हैं जिसे हम राज्य का स्थान कह सकते हैं, 
 प्रारंभिक अवस्था से हम सभी राज्यों का सेट प्राप्त कर सकते हैं 
 शून्य या एक या दो या अधिक के द्वारा, क्रियाओं के किसी भी क्रम से 
 इसके अलावा कार्रवाई, इसलिए हम आरेख खींच सकते हैं 
 जो कुछ इस तरह दिखता है। 
 जहां हर राज्य का प्रतिनिधित्व एक खेल बोर्ड द्वारा किया जाता है। 
 और ऐसे तीर हैं जो हर राज्य को हर दूसरे राज्य से जोड़ते हैं 
 उस राज्य से दो प्राप्त कर सकते हैं। 
 और राज्य का स्थान जितना आप यहाँ देखते हैं उससे कहीं अधिक बड़ा है। 

English: 
the output is a new state.
The state we get after we take a tile and slide it to the right, and this
is the state we get as a result.
If we had a different action and a different state, for example,
and passed that into the result function,
we'd get a different answer altogether.
So the result function needs to take care
of figuring out how to take a state and take an action and get what results.
And this is going to be our transition model that
describes how it is that states and actions are related to each other.
If we take this transition model and think about it more generally
and across the entire problem, we can form what we might call a state space,
the set of all of the states we can get from the initial state
via any sequence of actions, by taking zero or one or two or more
actions in addition to that, so we could draw a diagram
that looks something like this.
Where every state is represented here by a game board.
And there are arrows that connect every state to every other state we
can get two from that state.
And the state space is much larger than what you see just here.

Modern Greek (1453-): 
 η έξοδος είναι μια νέα κατάσταση. 
 Η κατάσταση που παίρνουμε αφού πάρουμε ένα πλακάκι και το γλιστρήσουμε προς τα δεξιά, και αυτό 
 είναι η κατάσταση που έχουμε ως αποτέλεσμα. 
 Αν είχαμε μια διαφορετική δράση και μια διαφορετική κατάσταση, για παράδειγμα, 
 και το πέρασε στη συνάρτηση αποτελεσμάτων, 
 θα έχουμε μια διαφορετική απάντηση συνολικά. 
 Επομένως, η λειτουργία αποτελεσμάτων πρέπει να προσέξει 
 να καταλάβεις πώς να κάνεις μια κατάσταση και να κάνεις μια δράση και να πάρεις τι αποτελέσματα. 
 Και αυτό θα είναι το μεταβατικό μας μοντέλο 
 περιγράφει πώς είναι ότι οι καταστάσεις και οι ενέργειες σχετίζονται μεταξύ τους. 
 Εάν πάρουμε αυτό το μοντέλο μετάβασης και το σκεφτούμε γενικότερα 
 και σε ολόκληρο το πρόβλημα, μπορούμε να διαμορφώσουμε αυτό που θα μπορούσαμε να ονομάσουμε κρατικό χώρο, 
 το σύνολο όλων των καταστάσεων που μπορούμε να πάρουμε από την αρχική κατάσταση 
 μέσω οποιασδήποτε ακολουθίας ενεργειών, λαμβάνοντας μηδέν ή ένα ή δύο ή περισσότερα 
 δράσεις εκτός από αυτό, έτσι θα μπορούσαμε να σχεδιάσουμε ένα διάγραμμα 
 μοιάζει κάπως έτσι. 
 Όπου κάθε πολιτεία εκπροσωπείται εδώ από έναν πίνακα παιχνιδιών. 
 Και υπάρχουν βέλη που συνδέουν κάθε κατάσταση με κάθε άλλη κατάσταση 
 μπορεί να πάρει δύο από αυτήν την κατάσταση. 
 Και ο κρατικός χώρος είναι πολύ μεγαλύτερος από αυτό που βλέπετε εδώ. 

Portuguese: 
 a saída é um novo estado. 
 O estado que obtemos depois que pegamos um ladrilho e o deslizamos para a direita, e isso 
 é o estado que obtemos como resultado. 
 Se tivéssemos uma ação diferente e um estado diferente, por exemplo, 
 e passou isso para a função de resultado, 
 teríamos uma resposta completamente diferente. 
 Portanto, a função de resultado precisa tomar cuidado 
 de descobrir como tomar um estado, tomar uma ação e obter quais resultados. 
 E este será o nosso modelo de transição que 
 descreve como é que estados e ações estão relacionados entre si. 
 Se pegarmos esse modelo de transição e pensarmos de maneira mais geral 
 e em todo o problema, podemos formar o que poderíamos chamar de espaço de estado, 
 o conjunto de todos os estados que podemos obter do estado inicial 
 através de qualquer sequência de ações, tomando zero ou um ou dois ou mais 
 ações além disso, para que pudéssemos desenhar um diagrama 
 que se parece com isso. 
 Onde cada estado é representado aqui por um tabuleiro de jogo. 
 E há flechas que conectam todos os estados a todos os outros estados que 
 pode obter dois desse estado. 
 E o espaço do estado é muito maior do que o que você vê aqui. 

Indonesian: 
 output adalah keadaan baru. 
 Status yang kita dapatkan setelah mengambil ubin dan menggesernya ke kanan, dan ini 
 adalah keadaan yang kita dapatkan sebagai hasilnya. 
 Jika kami memiliki tindakan dan kondisi yang berbeda, misalnya, 
 dan meneruskannya ke fungsi hasil, 
 kami akan mendapatkan jawaban yang berbeda sama sekali. 
 Jadi fungsi hasil perlu diperhatikan 
 mencari tahu bagaimana mengambil negara dan mengambil tindakan dan mendapatkan hasil apa. 
 Dan ini akan menjadi model transisi kita itu 
 menjelaskan bagaimana keadaan dan tindakan saling terkait satu sama lain. 
 Jika kita mengambil model transisi ini dan memikirkannya secara lebih umum 
 dan di seluruh masalah, kita dapat membentuk apa yang kita sebut ruang negara, 
 himpunan semua negara bagian yang bisa kita dapatkan dari keadaan awal 
 melalui urutan tindakan apa pun, dengan mengambil nol atau satu atau dua atau lebih 
 tindakan selain itu, sehingga kita bisa menggambar diagram 
 yang terlihat seperti ini. 
 Di mana setiap negara diwakili di sini oleh papan permainan. 
 Dan ada panah yang menghubungkan setiap negara ke setiap negara bagian kita 
 bisa mendapatkan dua dari negara itu. 
 Dan ruang negara jauh lebih besar dari apa yang Anda lihat di sini. 

Italian: 
 l'output è un nuovo stato. 
 Lo stato che otteniamo dopo che prendiamo una tessera e la facciamo scorrere verso destra, e questo 
 è lo stato che otteniamo come risultato. 
 Se avessimo un'azione diversa e uno stato diverso, ad esempio, 
 e lo ha passato nella funzione risultato, 
 otterremmo una risposta completamente diversa. 
 Quindi la funzione risultato deve essere curata 
 di capire come prendere uno stato e agire e ottenere quali risultati. 
 E questo sarà il nostro modello di transizione 
 descrive come gli stati e le azioni siano correlati tra loro. 
 Se prendiamo questo modello di transizione e ci pensiamo più in generale 
 e attraverso l'intero problema, possiamo formare quello che potremmo chiamare uno spazio di stato, 
 l'insieme di tutti gli stati che possiamo ottenere dallo stato iniziale 
 tramite qualsiasi sequenza di azioni, prendendo zero o uno o due o più 
 azioni in aggiunta a ciò, in modo da poter disegnare un diagramma 
 sembra qualcosa del genere. 
 Dove ogni stato è rappresentato qui da un tabellone di gioco. 
 E ci sono frecce che collegano ogni stato a ogni altro stato che noi 
 può ottenere due da quello stato. 
 E lo spazio degli stati è molto più grande di quello che vedi qui. 

Modern Greek (1453-): 
 Αυτό είναι απλώς ένα δείγμα του πώς μπορεί να μοιάζει ο χώρος του κράτους. 
 Και, γενικά, σε πολλά προβλήματα αναζήτησης, 
 αν είναι αυτό το συγκεκριμένο 15 παζλ ή οδηγίες οδήγησης 
 ή κάτι άλλο, ο κρατικός χώρος θα μοιάζει με αυτό. 
 Έχουμε μεμονωμένες καταστάσεις και βέλη που τα συνδέουν. 
 Και πολλές φορές, απλώς για απλότητα, θα το κάνουμε 
 απλοποιήστε την εκπροσώπησή μας για όλο αυτό το πράγμα 
 ως γράφημα, κάποια ακολουθία κόμβων και ακμών που συνδέουν κόμβους. 
 Αλλά μπορείτε να σκεφτείτε αυτήν την πιο αφηρημένη παράσταση ως την ίδια ακριβώς ιδέα. 
 Κάθε ένας από αυτούς τους μικρούς κύκλους ή κόμβους είναι 
 πρόκειται να εκπροσωπήσουμε μια από τις πολιτείες μέσα στο πρόβλημά μας. 
 Και τα βέλη εδώ αντιπροσωπεύουν τις ενέργειες 
 που μπορούμε να πάρουμε σε οποιαδήποτε συγκεκριμένη κατάσταση, 
 για παράδειγμα, από ένα συγκεκριμένο κράτος σε ένα άλλο κράτος. 
 Εντάξει. 
 Τώρα έχουμε αυτήν την ιδέα των κόμβων που αντιπροσωπεύουν αυτές τις καταστάσεις, 
 δράσεις που μπορούν να μας μεταφέρουν από τη μια κατάσταση στην άλλη, 
 και ένα μοντέλο μετάβασης που καθορίζει τι συμβαίνει 
 αφού αναλάβουμε μια συγκεκριμένη ενέργεια. 
 Το επόμενο βήμα που πρέπει να καταλάβουμε είναι 

Russian: 
 Это всего лишь пример того, как может выглядеть пространство состояний. 
 И, в общем, через многие проблемы поиска, 
 будь то эта конкретная 15 головоломки или направления движения 
 или что-то еще, пространство состояний будет выглядеть примерно так. 
 У нас есть отдельные состояния и стрелки, которые их соединяют. 
 И часто, просто для простоты, мы будем 
 упростить наше представление всей этой вещи 
 как граф, некоторая последовательность узлов и ребер, которые соединяют узлы. 
 Но вы можете думать об этом более абстрактном представлении как о точно такой же идее. 
 Каждый из этих маленьких кругов или узлов 
 будет представлять одно из государств внутри нашей проблемы. 
 И стрелки здесь представляют действия 
 что мы можем взять в любом конкретном состоянии, 
 например, вывести нас из одного штата в другой. 
 Все в порядке. 
 Итак, теперь у нас есть идея узлов, которые представляют эти состояния, 
 действия, которые могут привести нас из одного государства в другое, 
 и модель перехода, которая определяет, что происходит 
 после того, как мы предпримем конкретное действие. 
 Таким образом, следующий шаг, который мы должны выяснить, 

Indonesian: 
 Ini hanyalah contoh dari bagaimana ruang keadaan sebenarnya terlihat. 
 Dan, secara umum, di banyak masalah pencarian, 
 apakah itu 15 teka-teki khusus atau petunjuk arah mengemudi 
 atau sesuatu yang lain, ruang negara akan terlihat seperti ini. 
 Kami memiliki masing-masing negara bagian dan panah yang menghubungkannya. 
 Dan seringkali, hanya untuk kesederhanaan, kita akan melakukannya 
 sederhanakan representasi kami dari semua ini 
 sebagai grafik, beberapa urutan node dan tepi yang menghubungkan node. 
 Tetapi Anda dapat menganggap representasi yang lebih abstrak ini sebagai ide yang persis sama. 
 Masing-masing lingkaran kecil ini, atau simpul, adalah 
 akan mewakili salah satu negara bagian di dalam masalah kita. 
 Dan panah di sini mewakili tindakan 
 yang bisa kita ambil dalam keadaan tertentu, 
 membawa kita dari satu negara bagian ke negara bagian lain, misalnya. 
 Baiklah. 
 Jadi sekarang kita memiliki gagasan node yang mewakili negara-negara ini, 
 tindakan yang dapat membawa kita dari satu negara ke negara lain, 
 dan model transisi yang menentukan apa yang terjadi 
 setelah kita mengambil tindakan tertentu. 
 Jadi langkah selanjutnya yang perlu kita pikirkan adalah 

English: 
This is just a sample of what the state space might actually look like.
And, in general, across many search problems,
whether they're this particular 15 puzzle or driving directions
or something else, the state space is going to look something like this.
We have individual states and arrows that are connecting them.
And oftentimes, just for simplicity, we'll
simplify our representation of this entire thing
as a graph, some sequence of nodes and edges that connect nodes.
But you can think of this more abstract representation as the exact same idea.
Each of these little circles, or nodes, is
going to represent one of the states inside of our problem.
And the arrows here represent the actions
that we can take in any particular state,
taking us from one particular state to another state, for example.
All right.
So now we have this idea of nodes that are representing these states,
actions that can take us from one state to another,
and a transition model that defines what happens
after we take a particular action.
So the next step we need to figure out is

Italian: 
 Questo è solo un esempio di come potrebbe effettivamente apparire lo spazio degli stati. 
 E, in generale, attraverso molti problemi di ricerca, 
 che si tratti di questo particolare 15 puzzle o di indicazioni stradali 
 o qualcos'altro, lo spazio degli stati sarà simile a questo. 
 Abbiamo singoli stati e frecce che li collegano. 
 E spesso, solo per semplicità, lo faremo 
 semplifica la nostra rappresentazione di tutto questo 
 come grafico, una sequenza di nodi e bordi che collegano i nodi. 
 Ma puoi pensare a questa rappresentazione più astratta come la stessa identica idea. 
 Ognuno di questi piccoli cerchi, o nodi, lo è 
 rappresenterà uno degli stati all'interno del nostro problema. 
 E le frecce qui rappresentano le azioni 
 che possiamo prendere in qualsiasi stato particolare, 
 portandoci da uno stato particolare a un altro stato, per esempio. 
 Tutto ok. 
 Quindi ora abbiamo questa idea di nodi che rappresentano questi stati, 
 azioni che possono portarci da uno stato all'altro, 
 e un modello di transizione che definisce cosa succede 
 dopo che intraprendiamo un'azione particolare. 
 Quindi il prossimo passo che dobbiamo capire è 

Hindi: 
 यह सिर्फ एक नमूना है कि राज्य अंतरिक्ष वास्तव में कैसा दिख सकता है। 
 और, सामान्य तौर पर, कई खोज समस्याओं के बीच, 
 चाहे वे यह विशेष रूप से 15 पहेली हों या ड्राइविंग निर्देश 
 या कुछ और, राज्य अंतरिक्ष कुछ इस तरह दिखने वाला है। 
 हमारे पास अलग-अलग राज्य और तीर हैं जो उन्हें जोड़ रहे हैं। 
 और अक्सर सादगी के लिए, हम करेंगे 
 इस पूरी चीज़ के हमारे प्रतिनिधित्व को सरल कीजिए 
 एक ग्राफ के रूप में, नोड्स और किनारों के कुछ अनुक्रम जो नोड्स को जोड़ते हैं। 
 लेकिन आप इस अधिक अमूर्त प्रतिनिधित्व के बारे में सटीक विचार के रूप में सोच सकते हैं। 
 इनमें से प्रत्येक छोटे सर्कल, या नोड्स हैं 
 हमारी समस्या के अंदर राज्यों में से एक का प्रतिनिधित्व करने के लिए जा रहा है। 
 और यहाँ के तीर क्रियाओं का प्रतिनिधित्व करते हैं 
 हम किसी भी विशेष राज्य में ले जा सकते हैं, 
 उदाहरण के लिए हमें एक विशेष राज्य से दूसरे राज्य में ले जाना। 
 ठीक है। 
 तो अब हमारे पास नोड्स का यह विचार है जो इन राज्यों का प्रतिनिधित्व कर रहा है, 
 वे कार्य जो हमें एक राज्य से दूसरे राज्य में ले जा सकते हैं, 
 और एक संक्रमण मॉडल जो परिभाषित करता है कि क्या होता है 
 हम एक विशेष कार्रवाई के बाद। 
 इसलिए अगले चरण के लिए हमें यह पता लगाना होगा 

Chinese: 
這只是狀態空間實際外觀的一個示例。 
而且，通常，在許多搜索問題中， 
他們是這15個難題還是行車路線
或其他情況，狀態空間將看起來像這樣。 
我們有連接它們的各個狀態和箭頭。 
通常，為了簡單起見，我們會
簡化我們對整個事情的表示
作為圖形，一些節點序列和連接節點的邊。 
但是您可以將這種更抽象的表示形式視為完全相同的想法。 
這些小圓圈或節點中的每一個都是
將代表我們問題內部的一種狀態。 
這裡的箭頭代表動作
我們可以處於任何特定狀態， 
例如，將我們從一個特定狀態轉移到另一狀態。 
好吧。 
現在我們有了代表這些狀態的節點的概念， 
可以將我們從一種狀態帶到另一種狀態的行動， 
以及定義發生情況的過渡模型
在採取特定措施後。 
因此，我們下一步需要弄清楚的是

French: 
 Ceci n'est qu'un échantillon de ce à quoi pourrait ressembler l'espace d'état. 
 Et, en général, à travers de nombreux problèmes de recherche, 
 qu'il s'agisse de ce puzzle particulier ou de ces itinéraires 
 ou autre chose, l'espace d'état va ressembler à ceci. 
 Nous avons des états individuels et des flèches qui les relient. 
 Et souvent, juste pour plus de simplicité, nous allons 
 simplifier notre représentation de toute cette chose 
 sous forme de graphique, une séquence de nœuds et d'arêtes qui connectent les nœuds. 
 Mais vous pouvez considérer cette représentation plus abstraite comme la même idée exacte. 
 Chacun de ces petits cercles, ou nœuds, est 
 va représenter l'un des états à l'intérieur de notre problème. 
 Et les flèches ici représentent les actions 
 que nous pouvons prendre dans un état particulier, 
 nous emmenant d'un état particulier à un autre, par exemple. 
 D'accord. 
 Alors maintenant, nous avons cette idée de nœuds qui représentent ces états, 
 des actions qui peuvent nous mener d'un état à un autre, 
 et un modèle de transition qui définit ce qui se passe 
 après avoir pris une mesure particulière. 
 Donc, la prochaine étape que nous devons comprendre est 

Chinese: 
这只是状态空间实际外观的一个示例。 
而且，通常，在许多搜索问题中， 
他们是这15个难题还是行车路线
或其他情况，状态空间将看起来像这样。 
我们有连接它们的各个状态和箭头。 
通常，为了简单起见，我们会
简化我们对整个事情的表示
作为图形，一些节点序列和连接节点的边。 
但是您可以将这种更抽象的表示形式视为完全相同的想法。 
这些小圆圈或节点中的每一个都是
将代表我们问题内部的一种状态。 
这里的箭头代表动作
我们可以处于任何特定状态
例如，将我们从一个特定状态转移到另一状态。 
好吧。 
现在我们有了代表这些状态的节点的概念， 
可以将我们从一种状态带到另一种状态的行动， 
以及定义发生情况的过渡模型
在采取特定措施后。 
因此，我们下一步需要弄清楚的是

German: 
 Dies ist nur ein Beispiel dafür, wie der Zustandsraum tatsächlich aussehen könnte. 
 Und im Allgemeinen bei vielen Suchproblemen, 
 ob es sich um diese 15 Rätsel oder Wegbeschreibungen handelt 
 oder etwas anderes, der Zustandsraum wird ungefähr so ​​aussehen. 
 Wir haben einzelne Zustände und Pfeile, die sie verbinden. 
 Und oft werden wir es der Einfachheit halber tun 
 Vereinfachen Sie unsere Darstellung dieser ganzen Sache 
 als Grafik eine Folge von Knoten und Kanten, die Knoten verbinden. 
 Sie können sich diese abstraktere Darstellung jedoch als genau dieselbe Idee vorstellen. 
 Jeder dieser kleinen Kreise oder Knoten ist 
 Ich werde einen der Zustände innerhalb unseres Problems repräsentieren. 
 Und die Pfeile hier repräsentieren die Aktionen 
 dass wir in einem bestimmten Zustand annehmen können, 
 Nehmen Sie uns zum Beispiel von einem bestimmten Staat in einen anderen. 
 Gut. 
 Jetzt haben wir also die Idee von Knoten, die diese Zustände darstellen. 
 Handlungen, die uns von einem Staat in einen anderen bringen können, 
 und ein Übergangsmodell, das definiert, was passiert 
 nachdem wir eine bestimmte Maßnahme ergriffen haben. 
 Der nächste Schritt, den wir herausfinden müssen, ist 

Arabic: 
 هذه مجرد عينة لما قد تبدو عليه مساحة الولاية. 
 وبشكل عام ، عبر العديد من مشكلات البحث ، 
 سواء كان هذا 15 لغزًا أو اتجاهات القيادة 
 أو أي شيء آخر ، ستبدو مساحة الولاية شيئًا مثل هذا. 
 لدينا دول فردية وسهام تربط بينها. 
 وفي كثير من الأحيان ، فقط من أجل البساطة ، سنقوم 
 تبسيط تمثيلنا لهذا الشيء بأكمله 
 كرسم بياني ، بعض تسلسل العقد والحواف التي تربط العقد. 
 ولكن يمكنك التفكير في هذا التمثيل المجرد باعتباره نفس الفكرة بالضبط. 
 كل من هذه الدوائر الصغيرة أو العقد 
 سوف تمثل إحدى الولايات داخل مشكلتنا. 
 وتمثل الأسهم هنا الإجراءات 
 التي يمكن أن نأخذها في أي دولة معينة ، 
 يأخذنا من دولة معينة إلى دولة أخرى ، على سبيل المثال. 
 حسنا. 
 لذا لدينا الآن فكرة العقد التي تمثل هذه الحالات ، 
 الإجراءات التي يمكن أن تأخذنا من دولة إلى أخرى ، 
 ونموذج انتقالي يحدد ما يحدث 
 بعد أن نتخذ إجراءً معينًا. 
 لذا فإن الخطوة التالية التي نحتاج إلى اكتشافها هي 

Dutch: 
 Dit is slechts een voorbeeld van hoe de toestandsruimte er eigenlijk uit zou kunnen zien. 
 En, over het algemeen, bij veel zoekproblemen, 
 of het nu gaat om deze 15 puzzel of een routebeschrijving 
 of iets anders, de staatsruimte zal er ongeveer zo uitzien. 
 We hebben individuele staten en pijlen die ze met elkaar verbinden. 
 En vaak, voor de eenvoud, zullen we dat doen 
 vereenvoudigen onze weergave van dit hele ding 
 als een grafiek, een reeks knooppunten en randen die knooppunten verbinden. 
 Maar je kunt deze meer abstracte weergave zien als exact hetzelfde idee. 
 Elk van deze kleine cirkels of knooppunten is 
 een van de staten binnen ons probleem vertegenwoordigen. 
 En de pijlen hier vertegenwoordigen de acties 
 die we in een bepaalde staat kunnen aannemen, 
 ons van de ene staat naar de andere brengen, bijvoorbeeld. 
 Okee. 
 Dus nu hebben we dit idee van knooppunten die deze toestanden vertegenwoordigen, 
 acties die ons van de ene staat naar de andere kunnen brengen, 
 en een overgangsmodel dat definieert wat er gebeurt 
 nadat we een bepaalde actie hebben ondernomen. 
 Dus de volgende stap die we moeten uitzoeken is 

Spanish: 
 Esto es solo una muestra de cómo podría verse realmente el espacio de estado. 
 Y, en general, en muchos problemas de búsqueda, 
 ya sean estos 15 rompecabezas en particular o direcciones de manejo 
 o algo más, el espacio de estado se verá así. 
 Tenemos estados individuales y flechas que los conectan. 
 Y muchas veces, solo por simplicidad, nosotros 
 simplificar nuestra representación de todo esto 
 como un gráfico, alguna secuencia de nodos y aristas que conectan los nodos. 
 Pero puede pensar en esta representación más abstracta como exactamente la misma idea. 
 Cada uno de estos pequeños círculos, o nodos, es 
 va a representar uno de los estados dentro de nuestro problema. 
 Y las flechas aquí representan las acciones. 
 que podemos tomar en cualquier estado particular, 
 llevándonos de un estado particular a otro estado, por ejemplo. 
 Todo bien. 
 Así que ahora tenemos esta idea de nodos que representan estos estados, 
 acciones que nos pueden llevar de un estado a otro, 
 y un modelo de transición que define lo que sucede 
 después de que tomemos una acción particular. 
 Entonces, el siguiente paso que debemos descubrir es 

Turkish: 
 Bu sadece devlet alanının gerçekte nasıl görünebileceğinin bir örneğidir. 
 Ve genel olarak, birçok arama probleminde, 
 ister bu 15 bulmacanın ister arabayla 
 ya da başka bir şey, devlet alanı böyle bir şeye benzeyecek. 
 Onları birbirine bağlayan tek tek durumlarımız ve oklarımız var. 
 Ve çoğu zaman, sadece basitlik için, 
 tüm bu şeyleri temsil etmemizi basitleştirin 
 grafik olarak, düğümleri birbirine bağlayan bazı düğüm ve kenar dizileri. 
 Ancak bu daha soyut temsili tamamen aynı fikir olarak düşünebilirsiniz. 
 Bu küçük dairelerin veya düğümlerin her biri 
 sorunumuzdaki devletlerden birini temsil edecek. 
 Ve buradaki oklar eylemleri temsil ediyor 
 herhangi bir özel duruma girebileceğimizi, 
 örneğin bizi belirli bir eyaletten başka bir duruma götürmek. 
 Tamam. 
 Şimdi bu devletleri temsil eden düğümler fikrimiz var, 
 bizi bir eyaletten diğerine götürebilecek eylemler, 
 ve ne olacağını tanımlayan bir geçiş modeli 
 belirli bir işlem yaptıktan sonra. 
 Yani çözmemiz gereken bir sonraki adım 

Portuguese: 
 Esta é apenas uma amostra de como o espaço de estado pode realmente parecer. 
 E, em geral, em muitos problemas de pesquisa, 
 sejam essas 15 quebra-cabeças ou instruções de direção 
 ou qualquer outra coisa, o espaço de estados ficará assim. 
 Temos estados individuais e setas que os estão conectando. 
 E muitas vezes, apenas por simplicidade, vamos 
 simplificar nossa representação dessa coisa toda 
 como um gráfico, alguma sequência de nós e arestas que conectam nós. 
 Mas você pode pensar nessa representação mais abstrata como exatamente a mesma idéia. 
 Cada um desses pequenos círculos, ou nós, é 
 vai representar um dos estados dentro do nosso problema. 
 E as setas aqui representam as ações 
 que podemos tomar em qualquer estado particular, 
 nos levando de um estado em particular para outro, por exemplo. 
 Tudo certo. 
 Agora, temos a ideia de nós que representam esses estados, 
 ações que podem nos levar de um estado para outro, 
 e um modelo de transição que define o que acontece 
 depois de tomarmos uma ação específica. 
 Portanto, o próximo passo que precisamos descobrir é 

Korean: 
 이것은 상태 공간이 실제로 어떻게 보이는지에 대한 샘플 일뿐입니다. 
 일반적으로 많은 검색 문제에서 
 그들이이 특별한 15 퍼즐이든 운전 방향이든 
 상태 공간이 이렇게 보일 것입니다. 
 우리는 그들을 연결하는 개별 상태와 화살표가 있습니다. 
 종종 간결성을 위해 종종 
 이 전체의 표현을 단순화 
 그래프로, 노드를 연결하는 노드 및 에지 시퀀스. 
 그러나이 더 추상적 인 표현을 정확히 같은 생각으로 생각할 수 있습니다. 
 이 작은 원 또는 노드는 각각 
 문제 내부의 상태 중 하나를 나타냅니다. 
 여기의 화살표는 동작을 나타냅니다 
 특정 상태에서 
 예를 들어 특정 상태에서 다른 상태로 
 괜찮아. 
 이제 우리는 이러한 상태를 나타내는 노드에 대한 아이디어를 얻었습니다. 
 한 상태에서 다른 상태로 우리를 데려 갈 수있는 행동, 
 그리고 무슨 일이 일어나는지를 정의하는 전환 모델 
 특정 조치를 취한 후 
 우리가 알아야 할 다음 단계는 

Japanese: 
これは、状態空間が実際にどのように見えるかのサンプルにすぎません。 
そして、一般的に、多くの検索問題にわたって、 
この特定の15パズルか運転ルートかどうか
または何か他のもの、状態空間はこのようなものになるでしょう。 
個々の状態とそれらを接続する矢印があります。 
多くの場合、単純にするために、 
この全体の表現を単純化する
グラフとして、ノードとノードを接続するエッジのシーケンス。 
しかし、このより抽象的な表現はまったく同じアイデアと考えることができます。 
これらの小さな円、つまりノードはそれぞれ
問題の内部の状態の1つを表すつもりです。 
そして、ここの矢印はアクションを表します
特定の状態で取ることができます
たとえば、ある特定の州から別の州に連れて行ってください。 
大丈夫。 
これで、これらの状態を表すノードの考えができました。 
ある状態から別の状態に私たちを連れて行くことができる行動、 
そして何が起こるかを定義する遷移モデル
特定のアクションを実行した後。 
だから私たちが理解する必要がある次のステップは

Italian: 
 come sappiamo quando l'IA è pronta a risolvere il problema. 
 L'intelligenza artificiale di cui ho bisogno in qualche modo per sapere quando arriva all'obiettivo, 
 che ha trovato l'obiettivo. 
 Quindi la prossima cosa che dovremo codificare nella nostra intelligenza artificiale 
 è un test obiettivo, un modo per determinare se un determinato stato è uno stato obiettivo. 
 Nel caso di qualcosa come indicazioni stradali, potrebbe essere abbastanza facile. 
 Se sei in uno stato che corrisponde a qualunque cosa 
 l'utente ha digitato la destinazione desiderata, beh, 
 allora sai che sei in uno stato obiettivo. 
 Nel 15 puzzle, potrebbe essere controllare i numeri 
 per assicurarsi che siano tutti in ordine crescente. 
 Ma l'IA ha bisogno di un modo per codificare o meno 
 ogni stato in cui si trovano è un obiettivo. 
 E alcuni problemi potrebbero avere un obiettivo, come un labirinto 
 dove hai una posizione iniziale e una posizione finale 
 e questo è l'obiettivo. 
 In altri problemi più complessi, potresti 
 immagina che ci siano più obiettivi possibili, che ci siano più modi 
 risolvere un problema. 
 E potremmo non preoccuparci di quale dei computer trova 
 purché trovi un obiettivo particolare. 
 Tuttavia, a volte a un computer non interessa solo trovare un obiettivo, 
 ma trovare bene un obiettivo o uno a basso costo. 
 Ed è per questo motivo che l'ultimo pezzo 

Portuguese: 
 como sabemos quando a IA termina de resolver o problema. 
 A IA de que preciso precisa de alguma maneira de saber quando chega à meta, 
 que encontrou o objetivo. 
 Então, a próxima coisa que precisaremos codificar em nossa inteligência artificial 
 é um teste de objetivo, alguma maneira de determinar se um determinado estado é um estado de objetivo. 
 No caso de algo como instruções de direção, pode ser bem fácil. 
 Se você estiver em um estado que corresponda a qualquer 
 o usuário digitou como destino pretendido, bem, 
 então você sabe que está em um estado de meta. 
 No quebra-cabeça 15, pode estar verificando os números 
 para garantir que todos estejam em ordem crescente. 
 Mas a IA precisa de alguma maneira de codificar se deve ou não 
 qualquer estado em que eles estejam é um objetivo. 
 E alguns problemas podem ter um objetivo, como um labirinto 
 onde você tem uma posição inicial e uma posição final 
 e esse é o objetivo. 
 Em outros problemas mais complexos, você pode 
 imagine que existem vários objetivos possíveis, que existem várias maneiras 
 para resolver um problema. 
 E talvez não nos importemos com qual deles o computador 
 desde que encontre um objetivo específico. 
 No entanto, às vezes um computador não se importa apenas em encontrar uma meta, 
 mas encontrar um objetivo bem ou com um custo baixo. 
 E é por esse motivo que a última peça 

Spanish: 
 cómo sabemos cuando la IA termina de resolver el problema. 
 La IA que necesito saber de alguna manera cuando llegue a la meta, 
 que ha encontrado el objetivo. 
 Entonces, lo siguiente que tendremos que codificar en nuestra inteligencia artificial 
 es una prueba de objetivo, alguna forma de determinar si un estado dado es un estado objetivo. 
 En el caso de algo así como indicaciones de manejo, puede ser bastante fácil. 
 Si estás en un estado que corresponde a lo que sea 
 el usuario escribió como su destino previsto, bueno, 
 entonces sabes que estás en un estado objetivo. 
 En el 15 rompecabezas, podría estar comprobando los números 
 para asegurarse de que todos estén en orden ascendente. 
 Pero la IA necesita alguna forma de codificar si 
 cualquier estado en el que se encuentren es un objetivo. 
 Y algunos problemas pueden tener un objetivo, como un laberinto 
 donde tienes una posición inicial y una posición final 
 Y ese es el objetivo. 
 En otros problemas más complejos, podría 
 imagina que hay múltiples objetivos posibles, que hay múltiples formas 
 Resolver un problema. 
 Y podría no importarnos cuál encuentra la computadora como 
 siempre que encuentre un objetivo particular. 
 Sin embargo, a veces una computadora no solo se preocupa por encontrar una meta, 
 pero encontrar un objetivo bien, o uno con un bajo costo. 
 Y es por eso que la última pieza 

Turkish: 
 AI'nın ne zaman bittiğini nasıl biliyoruz. 
 Hedefe ulaştığında bilmem gereken bir yol var, 
 hedefi bulduğunu. 
 Yani yapay zekamıza kodlamamız gereken bir sonraki şey 
 bir hedef testidir, belirli bir durumun bir hedef durum olup olmadığını belirlemenin bir yoludur. 
 Yol tarifleri gibi bir şey söz konusu olduğunda, oldukça kolay olabilir. 
 Eğer her şeye karşılık gelen bir durumdaysanız 
 kullanıcı amaçlanan varış yeri olarak yazmış, 
 o zaman bir hedef durumda olduğunuzu bilirsiniz. 
 15 yapbozda, sayıları kontrol ediyor olabilir 
 hepsinin artan düzende olduklarından emin olmak için. 
 Ancak yapay zekanın, 
 içinde bulundukları her durum bir hedeftir. 
 Ve labirent gibi bazı problemlerin tek bir hedefi olabilir 
 bir başlangıç ​​ve bir bitiş konumunuz olduğunda 
 ve amaç bu. 
 Diğer daha karmaşık problemlerde, 
 birden fazla olası hedef olduğunu, birden çok yol olduğunu hayal edin 
 bir sorunu çözmek için. 
 Ve bilgisayarın hangisini bulduğunu umursamayabiliriz 
 belirli bir hedef bulduğu sürece. 
 Ancak, bazen bir bilgisayar sadece bir hedef bulmakla ilgilenmez, 
 ancak iyi bir hedefi veya düşük maliyetli bir hedefi bulmak. 
 Ve bu nedenle son parça 

Indonesian: 
 bagaimana kita tahu kapan AI selesai menyelesaikan masalah. 
 AI saya perlu cara untuk mengetahui kapan sampai ke tujuan, 
 bahwa itu menemukan tujuannya. 
 Jadi, hal selanjutnya yang perlu kita enkode ke dalam kecerdasan buatan kita 
 adalah tes tujuan, beberapa cara untuk menentukan apakah keadaan yang diberikan adalah keadaan tujuan. 
 Dalam hal seperti petunjuk arah mengemudi, mungkin cukup mudah. 
 Jika Anda dalam keadaan yang sesuai dengan apa pun 
 pengguna mengetik sebagai tujuan yang dituju, yah, 
 maka Anda tahu Anda dalam keadaan tujuan. 
 Dalam 15 teka-teki, itu mungkin memeriksa angka 
 untuk memastikan mereka semua dalam urutan menaik. 
 Tetapi AI perlu beberapa cara untuk menyandikan apakah atau tidak 
 keadaan apa pun yang menjadi tujuan mereka. 
 Dan beberapa masalah mungkin memiliki satu tujuan, seperti labirin 
 di mana Anda memiliki satu posisi awal dan satu posisi akhir 
 dan itulah tujuannya. 
 Dalam masalah lain yang lebih kompleks, Anda mungkin 
 bayangkan bahwa ada beberapa tujuan yang mungkin, bahwa ada banyak cara 
 untuk memecahkan masalah. 
 Dan kita mungkin tidak peduli komputer mana yang ditemukan 
 selama itu memang menemukan tujuan tertentu. 
 Namun, terkadang komputer tidak hanya peduli menemukan tujuan, 
 tetapi menemukan tujuan dengan baik, atau tujuan dengan biaya rendah. 
 Dan karena alasan itulah bagian terakhir 

French: 
 comment nous savons quand l'IA a fini de résoudre le problème. 
 L'IA que j'ai besoin d'un moyen de savoir quand elle arrive au but, 
 qu'il a trouvé le but. 
 Donc, la prochaine chose que nous devons coder dans notre intelligence artificielle 
 est un test d'objectif, un moyen de déterminer si un état donné est un état d'objectif. 
 Dans le cas de quelque chose comme un itinéraire, cela pourrait être assez facile. 
 Si vous êtes dans un état qui correspond à tout 
 l'utilisateur a tapé comme destination, eh bien, 
 alors vous savez que vous êtes dans un état de but. 
 Dans le casse-tête des 15, il pourrait s'agir de vérifier les chiffres 
 pour vous assurer qu'ils sont tous dans l'ordre croissant. 
 Mais l'IA a besoin d'un moyen de coder si oui ou non 
 tout état dans lequel ils se trouvent est un objectif. 
 Et certains problèmes peuvent avoir un seul objectif, comme un labyrinthe 
 où vous avez une position initiale et une position finale 
 et c'est le but. 
 Dans d'autres problèmes plus complexes, vous pourriez 
 imaginez qu'il y a plusieurs objectifs possibles, qu'il y a plusieurs façons 
 résoudre un problème. 
 Et nous ne nous soucions peut-être pas de celui que l'ordinateur trouve 
 tant qu'il trouve un objectif particulier. 
 Cependant, parfois, un ordinateur ne se soucie pas seulement de trouver un objectif, 
 mais trouver un objectif bien, ou à faible coût. 
 Et c'est pour cette raison que la dernière pièce 

Hindi: 
 जब समस्या का समाधान किया जाता है तो हम कैसे जानते हैं। 
 एआई मुझे यह जानने के लिए किसी तरह की आवश्यकता है कि यह लक्ष्य तक कब पहुंचे, 
 यह लक्ष्य मिला है। 
 तो अगली चीज़ हमें अपनी कृत्रिम बुद्धिमत्ता में कूट-कूट कर भरने की आवश्यकता होगी 
 एक लक्ष्य परीक्षण है, यह निर्धारित करने का कोई तरीका है कि किसी दिए गए राज्य का लक्ष्य राज्य है या नहीं। 
 ड्राइविंग निर्देश जैसी किसी चीज़ के मामले में, यह बहुत आसान हो सकता है। 
 यदि आप एक ऐसी स्थिति में हैं, जो कुछ भी है 
 उपयोगकर्ता अपने इच्छित गंतव्य के रूप में टाइप किया गया, ठीक है, 
 तब आप जानते हैं कि आप एक लक्ष्य अवस्था में हैं। 
 15 पहेली में, यह संख्याओं की जाँच कर सकता है 
 यह सुनिश्चित करने के लिए कि वे सभी आरोही क्रम में हैं। 
 लेकिन एआई को सांकेतिक शब्दों में बदलना चाहिए या नहीं 
 वे जिस भी राज्य में होते हैं, वह एक लक्ष्य होता है। 
 और कुछ समस्याओं में एक लक्ष्य हो सकता है, जैसे भूलभुलैया 
 जहां आपके पास एक प्रारंभिक स्थिति और एक समाप्त होने की स्थिति है 
 और यही लक्ष्य है। 
 अन्य अधिक जटिल समस्याओं में, आप कर सकते हैं 
 कल्पना करें कि कई संभावित लक्ष्य हैं, कि कई तरीके हैं 
 समस्या का हल निकालना। 
 और हम इस बात की परवाह नहीं कर सकते हैं कि कंप्यूटर कौन सा खोजता है 
 जब तक यह एक विशेष लक्ष्य नहीं पाता है। 
 हालांकि, कभी-कभी एक कंप्यूटर एक लक्ष्य खोजने के बारे में परवाह नहीं करता है, 
 लेकिन एक लक्ष्य को अच्छी तरह से खोजना, या एक कम लागत के साथ। 
 और यह उस कारण के लिए है कि आखिरी टुकड़ा 

Japanese: 
 AIが問題の解決をいつ完了するかを知る方法。 
 AIが目標に到達したことを知るには、何らかの方法が必要です。 
目標を見つけたということです。 
人工知能にエンコードする必要がある次のこと
目標テストであり、特定の状態が目標状態であるかどうかを判断するいくつかの方法です。 
運転ルートなどの場合は、かなり簡単かもしれません。 
あなたが何にでも対応する状態にあるなら
ユーザーが目的の宛先として入力した
その後、あなたは目標状態にあることを知っています。 
 15パズルでは、それは数字をチェックしているかもしれません
それらがすべて昇順であることを確認します。 
しかし、AIはエンコードするかどうかに何らかの方法が必要です
彼らがたまたま存在するあらゆる状態が目標です。 
そして、いくつかの問題は、迷路のような1つの目標を持っているかもしれません
最初の位置と1つの終了位置があります
それが目標です。 
他のより複雑な問題では、 
複数の可能な目標があり、複数の方法があると想像してください
問題を解決します。 
そして、コンピュータがどれを見つけるかは気にしないかもしれません
特定の目標が見つかる限り。 
ただし、コンピュータが目標を見つけることだけを気にしない場合もあります。 
しかし、目標をうまく見つけるか、低コストの目標を見つけます。 
そのため、最後のピースは

Korean: 
 AI가 언제 문제를 해결했는지 알 수 있습니다. 
 AI는 언제 목표에 도달했는지 알 수있는 방법이 필요합니다. 
 목표를 찾았습니다. 
 다음으로 인공 지능으로 인코딩해야합니다 
 주어진 상태가 목표 상태인지 여부를 확인하는 방법 인 목표 테스트입니다. 
 운전 경로와 같은 경우 꽤 쉬울 수 있습니다. 
 당신이 어떤 것에 해당하는 상태에 있다면 
 사용자가 의도 한 목적지로 입력했습니다 
 당신은 당신이 목표 상태에 있다는 것을 알고 있습니다. 
 15 퍼즐에서는 숫자를 확인하고있을 수 있습니다 
 모두 오름차순으로 정렬해야합니다. 
 그러나 AI는 여부를 인코딩 할 수있는 방법이 필요합니다 
 그들이있는 상태는 목표입니다. 
 미로처럼 어떤 문제에는 하나의 목표가있을 수 있습니다 
 하나의 초기 위치와 하나의 종료 위치가있는 곳 
 그것이 목표입니다. 
 더 복잡한 다른 문제에서는 
 여러 가지 가능한 목표가 있으며 여러 가지 방법이 있다고 상상하십시오. 
 문제를 해결하기 위해. 
 그리고 우리는 컴퓨터가 어떤 것을 찾는 지 신경 쓰지 않을 것입니다 
 특정 목표를 찾는 한. 
 그러나 때로는 컴퓨터가 목표를 찾는 것만 신경 쓰지 않고 
 그러나 목표를 잘 찾거나 비용이 저렴한 목표를 찾는 것. 
 그런 이유로 마지막 조각은 

Modern Greek (1453-): 
 πώς ξέρουμε πότε γίνεται το AI λύνοντας το πρόβλημα. 
 Το AI χρειάζομαι κάποιον τρόπο για να ξέρω πότε φτάνει στο στόχο, 
 ότι βρήκε τον στόχο. 
 Έτσι, το επόμενο πράγμα που θα πρέπει να κωδικοποιήσουμε στην τεχνητή νοημοσύνη μας 
 είναι μια δοκιμή στόχου, κάποιος τρόπος για να προσδιορίσετε εάν μια δεδομένη κατάσταση είναι μια κατάσταση στόχου. 
 Στην περίπτωση κάτι όπως οδηγίες οδήγησης, μπορεί να είναι πολύ εύκολο. 
 Εάν βρίσκεστε σε κατάσταση που αντιστοιχεί σε οτιδήποτε άλλο 
 ο χρήστης πληκτρολόγησε ως τον προορισμό του, λοιπόν, 
 τότε ξέρετε ότι βρίσκεστε σε κατάσταση στόχου. 
 Στο 15 παζλ, μπορεί να ελέγχει τους αριθμούς 
 για να βεβαιωθείτε ότι είναι όλα σε αύξουσα σειρά. 
 Αλλά το AI χρειάζεται κάποιον τρόπο για να κωδικοποιήσει είτε όχι 
 κάθε κατάσταση στην οποία βρίσκονται είναι ένας στόχος. 
 Και ορισμένα προβλήματα μπορεί να έχουν έναν στόχο, όπως ένα λαβύρινθο 
 όπου έχετε μία αρχική θέση και μία τελική θέση 
 και αυτός είναι ο στόχος. 
 Σε άλλα πιο περίπλοκα προβλήματα, ίσως 
 φανταστείτε ότι υπάρχουν πολλοί πιθανοί στόχοι, ότι υπάρχουν πολλοί τρόποι 
 για να λύσει ένα πρόβλημα. 
 Και ίσως να μην με νοιάζει ποιος βρίσκει ο υπολογιστής 
 αρκεί να βρει έναν συγκεκριμένο στόχο. 
 Ωστόσο, μερικές φορές ένας υπολογιστής δεν ενδιαφέρεται μόνο για την εύρεση ενός στόχου, 
 αλλά να βρεις έναν στόχο καλά, ή έναν με χαμηλό κόστος. 
 Και γι 'αυτό το τελευταίο κομμάτι 

German: 
 Woher wissen wir, wann die KI das Problem gelöst hat? 
 Die KI, die ich irgendwie wissen muss, wenn es zum Ziel kommt, 
 dass es das Ziel gefunden hat. 
 Als nächstes müssen wir uns in unsere künstliche Intelligenz verschlüsseln 
 ist ein Zieltest, um festzustellen, ob ein bestimmter Zustand ein Zielzustand ist. 
 Bei so etwas wie Wegbeschreibungen kann es ziemlich einfach sein. 
 Wenn Sie sich in einem Zustand befinden, der dem entspricht, was auch immer 
 Der Benutzer hat als beabsichtigtes Ziel eingegeben. 
 dann weißt du, dass du in einem Zielzustand bist. 
 In dem 15-Puzzle werden möglicherweise die Zahlen überprüft 
 um sicherzustellen, dass sie alle in aufsteigender Reihenfolge sind. 
 Aber die KI braucht eine Möglichkeit, um zu kodieren, ob oder nicht 
 Jeder Zustand, in dem sie sich gerade befinden, ist ein Ziel. 
 Und einige Probleme könnten ein Ziel haben, wie ein Labyrinth 
 wo Sie eine Anfangsposition und eine Endposition haben 
 und das ist das Ziel. 
 Bei anderen komplexeren Problemen könnten Sie 
 Stellen Sie sich vor, dass es mehrere mögliche Ziele gibt, dass es mehrere Möglichkeiten gibt 
 ein Problem lösen. 
 Und es ist uns vielleicht egal, als welches der Computer findet 
 solange es ein bestimmtes Ziel findet. 
 Manchmal kümmert sich ein Computer jedoch nicht nur darum, ein Ziel zu finden. 
 aber ein Ziel gut zu finden oder eines mit geringen Kosten. 
 Und aus diesem Grund ist das letzte Stück 

Russian: 
 как мы узнаем, когда ИИ завершит решение проблемы. 
 ИИ мне нужен какой-то способ узнать, когда он достигнет цели, 
 что он нашел цель. 
 Итак, следующая вещь, которую нам нужно закодировать в нашем искусственном интеллекте 
 является тестом цели, некоторым способом определить, является ли данное состояние целевым. 
 В случае чего-то вроде направления движения, это может быть довольно легко. 
 Если вы находитесь в состоянии, которое соответствует любому 
 пользователь набрал в качестве своего предназначения, ну, 
 тогда вы знаете, что находитесь в целевом состоянии. 
 В загадке 15 это может быть проверка чисел 
 чтобы убедиться, что они все в порядке возрастания. 
 Но ИИ нужен какой-то способ кодирования, 
 любое состояние, в котором они оказались, является целью. 
 И некоторые проблемы могут иметь одну цель, как лабиринт 
 где у вас есть одна начальная позиция и одна конечная позиция 
 и это цель. 
 В других более сложных проблемах вы можете 
 представьте, что есть несколько возможных целей, что есть несколько способов 
 решить проблему. 
 И нам может быть все равно, какой компьютер найдет как 
 Пока он находит конкретную цель. 
 Однако иногда компьютер заботится не только о поиске цели, 
 но найти цель хорошо, или с низкой стоимостью. 
 И именно по этой причине последний кусок 

Chinese: 
我們如何知道AI解決問題的時間。 
我需要某種方式來知道何時達到目標的AI， 
它找到了目標。 
接下來，我們需要將其編碼為人工智能
是一種目標測試，是一種確定給定狀態是否為目標狀態的方法。 
在諸如行車路線之類的情況下，這可能很容易。 
如果您處於與任何情況相對應的狀態
用戶輸入了他們想要的目的地， 
那麼您就知道自己處於目標狀態。 
在15個難題中，它可能正在檢查數字
確保它們都按升序排列。 
但是AI需要某種方式來編碼是否
他們碰巧處於的任何狀態都是一個目標。 
有些問題可能有一個目標，例如迷宮
您有一個初始位置和一個終止位置
這就是目標。 
在其他更複雜的問題中，您可能
想像有多個可能的目標，有多種方式
解決問題。 
而且我們可能不在乎計算機會找到哪個計算機
只要找到特定目標即可。 
但是，有時計算機不僅在乎尋找目標， 
但是找到一個好目標，或者找到一個低成本的目標。 
因此，最後一塊

Chinese: 
我们如何知道AI解决问题的时间。 
我需要某种方式来知道何时达到目标的AI， 
它找到了目标。 
接下来，我们需要将其编码为人工智能
是一种目标测试，是一种确定给定状态是否为目标状态的方法。 
在诸如行车路线之类的情况下，这可能很容易。 
如果您处于与任何情况相对应的状态
用户输入了他们想要的目的地， 
那么您就知道自己处于目标状态。 
在15个难题中，它可能正在检查数字
确保它们都按升序排列。 
但是AI需要某种方式来编码是否
他们碰巧处于的任何状态都是一个目标。 
有些问题可能有一个目标，例如迷宫
您有一个初始位置和一个终止位置
这就是目标。 
在其他更复杂的问题中，您可能
想象有多个可能的目标，有多种方式
解决问题。 
而且我们可能不在乎计算机会找到哪个计算机
只要找到特定目标即可。 
但是，有时计算机不仅在乎寻找目标， 
但是找到一个好目标，或者找到一个低成本的目标。 
因此，最后一块

Arabic: 
 كيف نعرف متى ينتهي الذكاء الاصطناعي لحل المشكلة. 
 الذكاء الاصطناعي أنا بحاجة إلى طريقة لمعرفة متى تصل إلى الهدف ، 
 أنه وجد الهدف. 
 لذا فإن الشيء التالي الذي سنحتاج إليه هو التشفير في ذكائنا الاصطناعي 
 هو اختبار هدف ، بطريقة ما لتحديد ما إذا كانت حالة معينة هي حالة الهدف. 
 في حالة شيء مثل اتجاهات القيادة ، قد يكون الأمر سهلاً للغاية. 
 إذا كنت في حالة تتوافق مع أي شيء 
 أدخل المستخدم الوجهة المقصودة ، حسنًا ، 
 ثم تعلم أنك في حالة هدف. 
 في ال 15 لغز ، قد يكون التحقق من الأرقام 
 للتأكد من أنهم جميعًا في ترتيب تصاعدي. 
 لكن الذكاء الاصطناعي بحاجة إلى طريقة ما لترميز ما إذا كان أم لا 
 أي دولة تصادف وجودها هو هدف. 
 وقد يكون لبعض المشاكل هدف واحد ، مثل المتاهة 
 حيث لديك موضع مبدئي واحد وموقف نهائي واحد 
 وهذا هو الهدف. 
 في مشاكل أخرى أكثر تعقيدًا ، قد تفعل 
 تخيل أن هناك العديد من الأهداف المحتملة ، وأن هناك طرقًا متعددة 
 من أجل حل مشكلة. 
 وقد لا نهتم بالواجهة التي يجدها الكمبيوتر 
 طالما أنها تجد هدفًا معينًا. 
 ومع ذلك ، في بعض الأحيان لا يهتم الكمبيوتر فقط بإيجاد الهدف ، 
 ولكن إيجاد هدف جيد ، أو بكلفة منخفضة. 
 ولهذا السبب القطعة الأخيرة 

English: 
how we know when the AI is done solving the problem.
The AI I needs some way to know when it gets to the goal,
that it's found the goal.
So the next thing we'll need to encode into our artificial intelligence
is a goal test, some way to determine whether a given state is a goal state.
In the case of something like driving directions, it might be pretty easy.
If you're in a state that corresponds to whatever
the user typed in as their intended destination, well,
then you know you're in a goal state.
In the 15 puzzle, it might be checking the numbers
to make sure they're all in ascending order.
But the AI need some way to encode whether or not
any state they happen to be in is a goal.
And some problems might have one goal, like a maze
where you have one initial position and one ending position
and that's the goal.
In other more complex problems, you might
imagine that there are multiple possible goals, that there are multiple ways
to solve a problem.
And we might not care which one the computer finds as
long as it does find a particular goal.
However, sometimes a computer doesn't just care about finding a goal,
but finding a goal well, or one with a low cost.
And it's for that reason that the last piece

Dutch: 
 hoe we weten wanneer de AI klaar is met het oplossen van het probleem. 
 De AI die ik nodig heb, moet weten wanneer het zijn doel bereikt, 
 dat het het doel heeft gevonden. 
 Dus het volgende dat we moeten coderen in onze kunstmatige intelligentie 
 is een doeltest, een manier om te bepalen of een bepaalde staat een doeltoestand is. 
 In het geval van een routebeschrijving is het misschien vrij eenvoudig. 
 Als je in een staat bent die overeenkomt met wat dan ook 
 de gebruiker heeft getypt als hun beoogde bestemming, nou, 
 dan weet je dat je in een doelstaat bent. 
 In de 15-puzzel controleert het misschien de cijfers 
 om ervoor te zorgen dat ze allemaal in oplopende volgorde zijn. 
 Maar de AI heeft een manier nodig om al dan niet te coderen 
 elke staat waarin ze zich bevinden is een doel. 
 En sommige problemen kunnen één doel hebben, zoals een doolhof 
 waar je één beginpositie en één eindpositie hebt 
 en dat is het doel. 
 Bij andere, meer complexe problemen zou je dat kunnen 
 stel je voor dat er meerdere mogelijke doelen zijn, dat er meerdere manieren zijn 
 een probleem oplossen. 
 En het kan ons niet schelen welke de computer vindt 
 zolang het maar een bepaald doel vindt. 
 Soms geeft een computer er echter niet alleen om om een ​​doel te vinden, 
 maar een doel goed vinden, of een doel met lage kosten. 
 En daarom is het laatste stuk 

Korean: 
 이러한 검색 문제를 정의하는 데 사용하는 용어 
 경로 비용이라고합니다. 
 운전 경로의 경우, 
 내가 A 지점에서 길 찾기를 원한다고 말하면 꽤 성 가실 것입니다. 
 B를 가리킬 때 Google지도에서 제공 한 경로는 경로가 많은 긴 경로였습니다. 
 불필요하고 우회보다 오래 걸리는 우회 
 그 목적지에 도착해야 해요 
 우리가 검색 문제를 공식화 할 때 
 우리는 종종 모든 경로에 일종의 수치 비용을 줄 것이고, 어떤 숫자는 우리에게 
 이 특정 옵션을 사용하는 것이 얼마나 비쌉니다. 
 그리고 인공 지능에게 해결책을 찾는 대신 
 초기 상태에서 목표로가는 방법 
 이 경로 비용을 최소화하는 것을 찾고 싶습니다. 
 덜 비싸거나 시간이 덜 걸리거나 최소화 
 다른 숫자 값. 
 이 그래프를 다시 살펴보면이를 그래픽으로 나타낼 수 있습니다. 
 이 화살표들과 각각의 행동들이 
 한 상태에서 다른 상태로 갈 수 있고 
 그와 관련된 숫자가 있습니다. 

Italian: 
 di terminologia che utilizziamo per definire questi problemi di ricerca 
 è qualcosa chiamato costo di un percorso. 
 Potresti immaginare che nel caso di indicazioni stradali, 
 sarebbe piuttosto fastidioso se dicessi che volevo indicazioni dal punto A 
 al punto B e il percorso che mi ha fornito Google Maps è stato lungo con molti lotti 
 di deviazioni non necessarie, che hanno richiesto più tempo del dovuto 
 devo arrivare a quella destinazione. 
 Ed è per questo motivo che quando formuliamo problemi di ricerca, 
 spesso daremo ad ogni percorso una sorta di costo numerico, un numero che ci dice 
 quanto costa prendere questa particolare opzione. 
 E poi dì alla nostra IA che invece di trovare una soluzione, 
 un modo per passare dallo stato iniziale all'obiettivo, 
 vorremmo davvero trovarne uno che minimizzi questo costo del percorso, quello 
 è meno costoso o richiede meno tempo o riduce al minimo 
 qualche altro valore numerico. 
 Possiamo rappresentarlo graficamente, se diamo di nuovo un'occhiata a questo grafico. 
 E immagina che ognuna di queste frecce, ognuna di queste azioni 
 che possiamo portare da uno stato a un altro stato, 
 ha una sorta di numero associato ad esso, 

Chinese: 
用来定义这些搜索问题的术语
被称为路径成本。 
您可能会想到，在行车路线的情况下， 
如果我说我想要从A点出发的路线，那将非常烦人
到B点，Google Maps给我的路线很长，很多
不必要的弯路，花费了比原本更长的时间
必须让我到达那个目的地。 
正是由于这个原因，当我们提出搜索问题时， 
我们经常会给每条路径一些数值成本，一些数字告诉我们
采取这种特殊选择有多昂贵。 
然后告诉我们的AI，不仅仅是找到解决方案， 
从初始状态到目标的某种方式， 
我们真的很想找到一种可以最大程度地减少这种路径成本的方法， 
更便宜，或花费更少的时间，或最小化
其他一些数值。 
如果我们再次查看该图，则可以用图形表示。 
并想象每个箭头，每个动作
我们可以从一种状态转移到另一种状态， 
有一些与之相关的数字， 

Modern Greek (1453-): 
 της ορολογίας που χρησιμοποιούμε για τον καθορισμό αυτών των προβλημάτων αναζήτησης 
 είναι κάτι που ονομάζεται κόστος διαδρομής. 
 Ίσως φανταστείτε ότι στην περίπτωση οδηγιών, 
 θα ήταν πολύ ενοχλητικό αν είπα ότι ήθελα οδηγίες από το σημείο Α 
 στο σημείο Β και η διαδρομή που μου έδωσαν οι Χάρτες Google ήταν μια μεγάλη διαδρομή με πολλά 
 παράκαμψης που ήταν περιττές, που χρειάστηκαν περισσότερο χρόνο από όσο έπρεπε 
 πρέπει να φτάσω σε αυτόν τον προορισμό. 
 Και για αυτόν τον λόγο όταν διατυπώνουμε προβλήματα αναζήτησης, 
 συχνά δίνουμε σε κάθε διαδρομή κάποιο είδος αριθμητικού κόστους, κάποιος μας λέει 
 πόσο ακριβό είναι να πάρετε αυτή τη συγκεκριμένη επιλογή. 
 Και μετά πείτε μας στο AI ότι αντί να βρούμε απλώς μια λύση, 
 κάποιος τρόπος από την αρχική κατάσταση στον στόχο, 
 θα θέλαμε πραγματικά να βρούμε ένα που ελαχιστοποιεί αυτό το κόστος διαδρομής, αυτό 
 είναι λιγότερο ακριβό, ή παίρνει λιγότερο χρόνο ή ελαχιστοποιεί 
 κάποια άλλη αριθμητική τιμή. 
 Μπορούμε να το αναπαραστήσουμε γραφικά, αν ρίξουμε μια ματιά σε αυτό το γράφημα ξανά. 
 Και φανταστείτε ότι κάθε ένα από αυτά τα βέλη, κάθε μία από αυτές τις ενέργειες 
 που μπορούμε να πάρουμε από το ένα κράτος στο άλλο, 
 έχει κάποιο είδος αριθμού που σχετίζεται με αυτό, 

Dutch: 
 van terminologie die we gebruiken om deze zoekproblemen te definiëren 
 is iets dat padkosten worden genoemd. 
 Je zou je kunnen voorstellen dat in het geval van een routebeschrijving, 
 het zou behoorlijk vervelend zijn als ik zei dat ik een routebeschrijving vanaf punt A wilde 
 naar punt B, en de route die Google Maps me gaf was een lange route met veel 
 van omwegen die niet nodig waren, die langer duurden dan zou moeten 
 moet ik die bestemming bereiken. 
 En dat is om die reden dat wanneer we zoekproblemen formuleren, 
 we zullen elk pad vaak een soort numerieke kosten geven, een aantal dat ons vertelt 
 hoe duur het is om deze specifieke optie te nemen. 
 En vertel onze AI dan dat in plaats van alleen een oplossing te vinden, 
 een manier om van de begintoestand naar het doel te komen, 
 we zouden er echt een willen vinden die deze padkosten minimaliseert, dat 
 goedkoper is, of minder tijd kost, of minimaliseert 
 een andere numerieke waarde. 
 We kunnen dit grafisch weergeven als we deze grafiek opnieuw bekijken. 
 En stel je voor dat elk van deze pijlen, elk van deze acties 
 die we van de ene staat naar de andere kunnen brengen, 
 heeft een soort nummer dat eraan is gekoppeld, 

German: 
 der Terminologie, die wir verwenden, um diese Suchprobleme zu definieren 
 wird als Pfadkosten bezeichnet. 
 Sie können sich vorstellen, dass im Fall von Wegbeschreibungen, 
 Es wäre ziemlich ärgerlich, wenn ich sagen würde, ich wolle eine Wegbeschreibung von Punkt A. 
 bis Punkt B, und die Route, die mir Google Maps gab, war eine lange Route mit vielen 
 von Umwegen, die unnötig waren, die länger dauerten als es sollte 
 Ich muss an dieses Ziel gelangen. 
 Und aus diesem Grund, wenn wir Suchprobleme formulieren, 
 Wir geben jedem Pfad oft eine Art numerische Kosten, eine Zahl, die uns sagt 
 wie teuer es ist, diese spezielle Option zu wählen. 
 Und dann sagen Sie unserer KI, dass anstatt nur eine Lösung zu finden, 
 eine Möglichkeit, vom Ausgangszustand zum Ziel zu gelangen, 
 Wir möchten wirklich eine finden, die diese Pfadkosten minimiert 
 ist weniger teuer oder nimmt weniger Zeit in Anspruch oder minimiert 
 ein anderer numerischer Wert. 
 Wir können dies grafisch darstellen, wenn wir uns dieses Diagramm noch einmal ansehen. 
 Und stellen Sie sich vor, dass jeder dieser Pfeile, jede dieser Aktionen 
 dass wir von einem Staat in einen anderen Staat wechseln können, 
 hat eine Art Nummer damit verbunden, 

Arabic: 
 المصطلحات التي نستخدمها لتحديد مشاكل البحث هذه 
 هو شيء يسمى تكلفة المسار. 
 قد تتخيل أنه في حالة اتجاهات القيادة ، 
 سيكون الأمر مزعجًا جدًا إذا قلت أنني أريد اتجاهات من النقطة أ 
 إلى النقطة B ، والطريق الذي قدمته لي خرائط Google كان طريقا طويلا يحتوي على الكثير 
 من الطرق غير الضرورية التي استغرقت وقتًا أطول مما ينبغي 
 لا بد لي من الوصول إلى تلك الوجهة. 
 ولهذا السبب عندما نقوم بصياغة مشاكل البحث ، 
 غالبًا ما سنقدم لكل مسار نوعًا من التكلفة العددية ، وبعض الأرقام تخبرنا 
 كم هو مكلف لاتخاذ هذا الخيار بالذات. 
 ثم أخبر منظمة العفو الدولية أنه بدلاً من مجرد إيجاد حل ، 
 بطريقة ما للانتقال من الحالة الأولية إلى الهدف ، 
 نرغب حقًا في العثور على واحد يقلل من تكلفة هذا المسار ، وهذا 
 أقل تكلفة ، أو يستغرق وقتًا أقل ، أو يقلل 
 بعض القيمة العددية الأخرى. 
 يمكننا تمثيل هذا بيانيًا ، إذا ألقينا نظرة على هذا الرسم البياني مرة أخرى. 
 وتخيل أن كل من هذه الأسهم ، كل من هذه الأفعال 
 التي يمكن أن نأخذها من دولة إلى أخرى ، 
 له نوع من الأرقام المرتبط به ، 

Hindi: 
 शब्दावली का उपयोग हम इन खोज समस्याओं को परिभाषित करने के लिए करते हैं 
 एक पथ लागत कहा जाता है। 
 आप सोच सकते हैं कि ड्राइविंग निर्देश के मामले में, 
 यह बहुत कष्टप्रद होगा अगर मैंने कहा कि मैं बिंदु ए से निर्देश चाहता हूं 
 बी को इंगित करने के लिए, और जिस मार्ग पर Google मैप्स ने मुझे दिया था वह बहुत लंबा मार्ग था 
 जो अनावश्यक थे, उनमें से अधिक समय लगना चाहिए 
 मेरे लिए उस मंजिल पर पहुँचना है। 
 और यह इस कारण से है कि जब हम खोज समस्याएं तैयार कर रहे हैं, 
 हम अक्सर हर रास्ते को किसी न किसी प्रकार की संख्यात्मक लागत देते हैं, कुछ संख्या हमें बताती है 
 यह विशेष विकल्प लेना कितना महंगा है। 
 और फिर हमारे एआई को बताएं कि सिर्फ एक समाधान खोजने के बजाय, 
 प्रारंभिक अवस्था से लक्ष्य तक पहुंचने का कुछ तरीका, 
 हम वास्तव में इस पथ की लागत को कम करने वाले एक को ढूंढना चाहेंगे 
 कम खर्चीला है, या कम समय लेता है, या कम करता है 
 कुछ अन्य संख्यात्मक मूल्य। 
 यदि हम इस ग्राफ पर फिर से नज़र डालें तो हम इसका चित्रण कर सकते हैं। 
 और कल्पना करें कि इनमें से प्रत्येक तीर, इनमें से प्रत्येक क्रिया 
 कि हम एक राज्य से दूसरे राज्य में ले जा सकते हैं, 
 इसके साथ किसी प्रकार की संख्या जुड़ी हुई है, 

Japanese: 
これらの検索問題を定義するために使用する用語の
パスコストと呼ばれるものです。 
運転ルートの場合、 
ポイントAからのルート案内が欲しいと言ったら、それはかなり迷惑です。 
ポイントBに行くと、Googleマップがくれたルートはたくさんの長いルートでした
不必要な迂回路が必要以上に長くかかりました
私はその目的地に着く必要があります。 
そのため、検索の問題を定式化するとき、 
多くの場合、すべてのパスにある種の数値コストを与えます。 
この特定のオプションを採用するのはどれほど費用がかかりますか。 
そして、AIに、ソリューションを見つけるだけでなく、 
初期状態から目標に到達するいくつかの方法
このパスコストを最小化するものを見つけたいと思います。 
費用がかからない、または時間がかからない、または最小化
その他の数値。 
このグラフをもう一度見てみると、これをグラフィカルに表すことができます。 
そして、これらの矢印のそれぞれ、これらのアクションのそれぞれを想像してみてください
ある州から別の州へ
ある種の番号が関連付けられています

English: 
of terminology that we use to define these search problems
is something called a path cost.
You might imagine that in the case of driving directions,
it would be pretty annoying if I said I wanted directions from point A
to point B, and the route the Google Maps gave me was a long route with lots
of detours that were unnecessary, that took longer than it should
have for me to get to that destination.
And it's for that reason that when we're formulating search problems,
we'll often give every path some sort of numerical cost, some number telling us
how expensive it is to take this particular option.
And then tell our AI that instead of just finding a solution,
some way of getting from the initial state to the goal,
we'd really like to find one that minimizes this path cost, that
is less expensive, or takes less time, or minimizes
some other numerical value.
We can represent this graphically, if we take a look at this graph again.
And imagine that each of these arrows, each of these actions
that we can take from one state to another state,
has some sort of number associated with it,

French: 
 de la terminologie que nous utilisons pour définir ces problèmes de recherche 
 est ce qu'on appelle un coût de chemin. 
 Vous pourriez imaginer que dans le cas d'un itinéraire, 
 ce serait assez ennuyeux si je disais que je voulais des directions à partir du point A 
 au point B, et l'itinéraire que Google Maps m'a donné était un long parcours avec beaucoup 
 de détours inutiles, qui ont pris plus de temps que prévu 
 avoir pour moi d'arriver à cette destination. 
 Et c'est pour cette raison que lorsque nous formulons des problèmes de recherche, 
 nous allons souvent donner à chaque chemin une sorte de coût numérique, un certain nombre nous indiquant 
 combien il est coûteux de prendre cette option particulière. 
 Et puis dites à notre IA qu'au lieu de simplement trouver une solution, 
 un moyen de passer de l'état initial au but, 
 nous aimerions vraiment en trouver un qui minimise ce coût de chemin, 
 est moins cher, ou prend moins de temps, ou minimise 
 une autre valeur numérique. 
 Nous pouvons représenter cela graphiquement, si nous regardons à nouveau ce graphique. 
 Et imaginez que chacune de ces flèches, chacune de ces actions 
 que nous pouvons passer d'un état à un autre, 
 a une sorte de numéro qui lui est associé, 

Spanish: 
 de terminología que usamos para definir estos problemas de búsqueda 
 es algo llamado costo de ruta. 
 Puede imaginarse que en el caso de las indicaciones para conducir, 
 Sería bastante molesto si dijera que quería instrucciones desde el punto A 
 al punto B, y la ruta que me dio Google Maps fue una ruta larga con muchas 
 de desvíos innecesarios, que tardaron más de lo debido 
 tengo que llegar a ese destino. 
 Y es por eso que cuando formulamos problemas de búsqueda, 
 a menudo le damos a cada ruta algún tipo de costo numérico, algún número nos dice 
 qué costoso es tomar esta opción en particular. 
 Y luego dile a nuestra IA que en lugar de solo encontrar una solución, 
 alguna forma de llegar del estado inicial a la meta, 
 realmente nos gustaría encontrar uno que minimice este costo de ruta, que 
 es menos costoso, toma menos tiempo o minimiza 
 algún otro valor numérico. 
 Podemos representar esto gráficamente, si volvemos a ver este gráfico. 
 E imagina que cada una de estas flechas, cada una de estas acciones 
 que podemos llevar de un estado a otro, 
 tiene algún tipo de número asociado, 

Indonesian: 
 terminologi yang kami gunakan untuk mendefinisikan masalah pencarian ini 
 adalah sesuatu yang disebut biaya jalur. 
 Anda mungkin membayangkan bahwa dalam hal arah mengemudi, 
 akan sangat menyebalkan jika saya mengatakan saya ingin petunjuk dari titik A 
 ke titik B, dan rute yang diberikan Google Maps adalah rute panjang dengan banyak 
 jalan memutar yang tidak perlu, yang membutuhkan waktu lebih lama dari seharusnya 
 miliki bagi saya untuk sampai ke tujuan itu. 
 Dan karena alasan itulah ketika kita merumuskan masalah pencarian, 
 kami akan sering memberikan setiap jalan semacam biaya numerik, beberapa nomor memberi tahu kami 
 betapa mahalnya mengambil pilihan khusus ini. 
 Dan kemudian beri tahu AI kami bahwa alih-alih hanya menemukan solusi, 
 beberapa cara untuk mendapatkan dari keadaan awal ke tujuan, 
 kami benar-benar ingin menemukan yang meminimalkan biaya jalur ini, itu 
 lebih murah, atau memakan waktu lebih sedikit, atau meminimalkan 
 beberapa nilai numerik lainnya. 
 Kami dapat mewakili ini secara grafis, jika kita melihat grafik ini lagi. 
 Dan bayangkan masing-masing panah ini, masing-masing tindakan ini 
 yang bisa kita ambil dari satu negara ke negara lain, 
 memiliki semacam nomor yang terkait dengannya, 

Chinese: 
用來定義這些搜索問題的術語
被稱為路徑成本。 
您可能會想到，在行車路線的情況下， 
如果我說我想要從A點出發的路線，那將非常煩人
到B點，Google Maps給我的路線很長，很多
不必要的彎路，花費了比原本更長的時間
必須讓我到達那個目的地。 
正是由於這個原因，當我們提出搜索問題時， 
我們經常會給每條路徑一些數值成本，一些數字告訴我們
採取這種特殊選擇有多昂貴。 
然後告訴我們的AI，不僅僅是找到解決方案， 
從初始狀態到目標的某種方式， 
我們真的很想找到一種可以最大程度地減少這種路徑成本的方法， 
更便宜，或花費更少的時間，或最小化
其他一些數值。 
如果我們再次查看該圖，則可以用圖形表示。 
並想像每個箭頭，每個動作
我們可以從一種狀態轉移到另一種狀態， 
有一些與之相關的數字， 

Russian: 
 терминологии, которую мы используем, чтобы определить эти проблемы поиска 
 это то, что называется стоимость пути. 
 Вы можете себе представить, что в случае проезда, 
 было бы довольно неприятно, если бы я сказал, что хочу указания из пункта А 
 до точки B, и маршрут, который мне дали Карты Google, был длинным, с большим 
 из объездов, которые были ненужными, это заняло больше времени, чем следовало 
 есть для меня, чтобы добраться до этого места. 
 И именно по этой причине, когда мы формулируем проблемы поиска, 
 мы будем часто давать каждому пути какую-то числовую стоимость, какое-то число говорит нам 
 насколько дорого стоит этот конкретный вариант. 
 А потом скажите нашему ИИ, что вместо того, чтобы просто найти решение, 
 какой-то способ добраться из исходного состояния к цели, 
 мы бы очень хотели найти тот, который минимизирует эту стоимость пути, что 
 дешевле или занимает меньше времени, либо минимизирует 
 какое-то другое числовое значение. 
 Мы можем представить это графически, если мы снова посмотрим на этот график. 
 И представьте, что каждая из этих стрелок, каждое из этих действий 
 что мы можем взять из одного штата в другой штат, 
 имеет какое-то число, связанное с ним, 

Portuguese: 
 da terminologia que usamos para definir esses problemas de pesquisa 
 é algo chamado custo do caminho. 
 Você pode imaginar que, no caso de instruções de direção, 
 seria muito chato se eu dissesse que queria instruções do ponto A 
 até o ponto B, e a rota que o Google Maps me deu foi uma longa rota com muitos 
 desvios desnecessários, que levaram mais tempo do que deveriam 
 tem para eu chegar a esse destino. 
 E é por esse motivo que, quando estamos formulando problemas de pesquisa, 
 geralmente damos a cada caminho algum tipo de custo numérico, algum número nos dizendo 
 quão caro é ter essa opção em particular. 
 E diga à nossa IA que, em vez de apenas encontrar uma solução, 
 alguma maneira de passar do estado inicial para a meta, 
 nós realmente gostaríamos de encontrar um que minimize o custo desse caminho, que 
 é mais barato, leva menos tempo ou minimiza 
 algum outro valor numérico. 
 Podemos representá-lo graficamente, se dermos uma olhada nesse gráfico novamente. 
 E imagine que cada uma dessas setas, cada uma dessas ações 
 que podemos levar de um estado para outro, 
 tem algum tipo de número associado a ele, 

Turkish: 
 Bu arama sorunlarını tanımlamak için kullandığımız terminolojinin 
 yol maliyeti olarak adlandırılan bir şeydir. 
 Arabayla yol tariflerinde, 
 A noktasından yol tarifleri istediğimi söyleseydim oldukça sinir bozucu olurdu 
 B noktasına ve Google Haritalar'ın bana verdiği rota çok sayıda uzun bir rotaydı 
 gereksiz olan, olması gerekenden daha uzun süren yolların 
 o hedefe varmam için. 
 İşte bu yüzden arama problemlerini formüle ederken, 
 her yola sık sık bir çeşit sayısal maliyet veririz, bazıları bize 
 Bu özel seçeneği almanın ne kadar pahalı olduğunu. 
 Ve sonra yapay zekamıza sadece bir çözüm bulmak yerine, 
 başlangıç ​​durumundan hedefe ulaşmanın bir yolu, 
 bu yol maliyetini en aza indiren birini bulmak istiyoruz. 
 daha ucuzdur veya daha az zaman alır veya en aza indirir 
 başka bir sayısal değer. 
 Bu grafiğe tekrar bakarsak, bunu grafiksel olarak temsil edebiliriz. 
 Ve bu okların her birinin, bu eylemlerin her birinin 
 bir eyaletten diğerine götürebiliriz, 
 kendisiyle ilişkilendirilmiş bir sayı var, 

Turkish: 
 bu sayı, bu belirli eylemin yol maliyeti 
 herhangi bir eylem için maliyetlerin bir kısmı 
 örneğin, başka bir işlemin maliyetinden daha pahalı olabilir. 
 Her ne kadar bu sadece bazı problemlerde olacaktır. 
 Diğer problemlerde şemayı basitleştirebiliriz 
 ve herhangi bir eylemin maliyetinin aynı olduğunu varsayalım. 
 Ve bu muhtemelen 15 yapboz gibi bir şeyde, 
 örneğin, gerçekten fark etmiyor olsam da 
 sağa veya sola hareket. 
 Önemli olan tek şey toplam adım sayısıdır 
 ve A noktasından B noktasına gitmek zorundayım. Ve bu adımların her biri 
 eşit maliyetlidir. 
 Bunun sadece bir maliyet gibi sabit bir maliyet olduğunu varsayabiliriz. 
 Ve böylece bu artık bizim 
 bir arama sorunu olarak düşünülebilir. 
 Bir arama probleminin bir çeşit başlangıç ​​durumu, bir yerde 
 başlayabiliriz, yapabileceğimiz bir tür eylem 
 veya herhangi bir durumda gerçekleştirebileceğimiz birden fazla işlem, 
 ve bir geçiş modeli var, bir şekilde 
 bir eyaletten gidip bir işlem yaptığımızda ne olur, 
 sonuç olarak hangi devletle sonuçlanıyoruz. 

Hindi: 
 वह संख्या जहां इस विशेष कार्रवाई की पथ लागत है 
 किसी विशेष कार्रवाई के लिए कुछ लागत 
 उदाहरण के लिए, किसी अन्य कार्रवाई के लिए लागत से अधिक महंगा हो सकता है। 
 हालांकि यह केवल कुछ प्रकार की समस्याओं में ही होगा। 
 अन्य समस्याओं में हम आरेख को सरल बना सकते हैं 
 और बस मान लें कि किसी विशेष कार्रवाई की लागत समान है। 
 और यह शायद 15 पहेली की तरह कुछ में मामला है, 
 उदाहरण के लिए, जहां यह वास्तव में फर्क नहीं करता है कि मैं क्या हूं 
 दाहिना चलना या बायाँ हिलना। 
 केवल एक चीज जो मायने रखती है वह है कुल चरणों की संख्या 
 मुझे बिंदु A से बिंदु B पर और उन चरणों में से प्रत्येक को प्राप्त करना है 
 समान लागत का है। 
 हम यह मान सकते हैं कि यह कुछ स्थिर लागत है, जैसे एक। 
 और इसलिए यह अब हमारे लिए आधार बनता है 
 खोज समस्या माना जा सकता है। 
 एक खोज समस्या में कुछ प्रकार की प्रारंभिक अवस्था होती है, कुछ जगह जहां 
 हम शुरू करते हैं, किसी प्रकार की कार्रवाई जो हम कर सकते हैं 
 या कई क्रियाएं जो हम किसी भी अवस्था में कर सकते हैं, 
 और इसका एक संक्रमण मॉडल है, जिसे परिभाषित करने का कोई तरीका है 
 क्या होता है जब हम एक राज्य से जाते हैं और एक कार्रवाई करते हैं, 
 परिणामस्वरूप हम किस स्थिति में समाप्त होते हैं। 

Korean: 
 그 숫자는이 특정 행동의 경로 비용입니다. 
 특정 행동에 대한 비용의 일부 
 예를 들어, 다른 작업의 비용보다 더 비쌀 수 있습니다. 
 비록 이것은 어떤 종류의 문제에서만 일어날 수 있습니다. 
 다른 문제에서는 다이어그램을 단순화 할 수 있습니다 
 특정 행동의 비용이 같다고 가정합니다. 
 그리고 이것은 아마도 15 퍼즐과 같은 경우 일 것입니다. 
 예를 들어, 내가 있는지 여부를 실제로 변화시키지 않는 곳 
 오른쪽으로 이동하거나 왼쪽으로 이동합니다. 
 중요한 것은 총 단계 수입니다. 
 A 지점에서 B 지점으로 이동해야합니다. 
 비용은 같습니다. 
 우리는 그것이 하나의 일정한 비용이라고 가정 할 수 있습니다. 
 그리고 이것은 이제 우리가 무엇에 대한 기초를 형성합니다 
 검색 문제로 간주 될 수 있습니다. 
 검색 문제에는 일종의 초기 상태가 있습니다. 
 우리는 시작할 수있는 일종의 행동을 시작합니다 
 특정 상태에서 수행 할 수있는 여러 작업 
 트랜지션 모델을 가지고 있습니다. 
 한 주에서 출발하여 한 가지 조치를 취하면 어떻게됩니까? 
 결과적으로 우리는 어떤 상태로 끝나는가? 

Spanish: 
 ese número es el costo de la ruta de esta acción particular donde 
 algunos de los costos de cualquier acción en particular 
 podría ser más costoso que el costo de alguna otra acción, por ejemplo. 
 Aunque esto solo sucederá en algunos tipos de problemas. 
 En otros problemas podemos simplificar el diagrama 
 y simplemente asuma que el costo de cualquier acción en particular es el mismo. 
 Y este es probablemente el caso en algo así como el 15 rompecabezas, 
 por ejemplo, donde realmente no importa si soy 
 moviéndose a la derecha o moviéndose a la izquierda. 
 Lo único que importa es la cantidad total de pasos 
 que tengo que tomar para llegar del punto A al punto B. Y cada uno de esos pasos 
 Es de igual costo. 
 Podemos suponer que es un costo constante, como uno. 
 Y esto ahora forma la base de lo que 
 podría considerarse un problema de búsqueda. 
 Un problema de búsqueda tiene algún tipo de estado inicial, algún lugar donde 
 comenzamos, algún tipo de acción que podemos tomar 
 o múltiples acciones que podemos tomar en cualquier estado dado, 
 y tiene un modelo de transición, alguna forma de definir 
 qué sucede cuando pasamos de un estado y tomamos una acción, 
 en qué estado terminamos como resultado. 

Chinese: 
该数字是此特定操作的路径成本，其中
任何特定行动的一些费用
例如，它可能比其他操作的成本还要昂贵。 
尽管这只会在某些类型的问题中发生。 
在其他问题上，我们可以简化图
并假设任何特定操作的成本是相同的。 
这可能是15难题之类的情况， 
例如，无论我是否
向右移动或向左移动。 
唯一重要的是步骤总数
我必须要从A点到达B点的每一步。 
成本相等。 
我们可以假设它是一个不变的成本，就像一个。 
因此，这现在构成了我们的基础
可能会认为是搜索问题。 
搜索问题具有某种初始状态，在某些地方
我们开始，可以采取某种行动
或我们可以在任何给定状态下执行的多项操作， 
它有一个过渡模型，以某种方式定义
当我们从一种状态采取一种行动时会发生什么， 
结果是什么状态。 

Portuguese: 
 sendo esse número o custo do caminho dessa ação específica em que 
 alguns dos custos de qualquer ação específica 
 pode ser mais caro que o custo de alguma outra ação, por exemplo. 
 Embora isso só ocorra em alguns tipos de problemas. 
 Em outros problemas, podemos simplificar o diagrama 
 e suponha que o custo de qualquer ação específica seja o mesmo. 
 E este é provavelmente o caso em algo como o quebra-cabeça 15, 
 por exemplo, onde realmente não faz diferença se eu estou 
 movendo para a direita ou movendo para a esquerda. 
 A única coisa que importa é o número total de etapas 
 que tenho que tomar para ir do ponto A ao ponto B. E cada uma dessas etapas 
 é de igual custo. 
 Podemos apenas assumir que é um custo constante, como um. 
 E então isso agora forma a base para o que nós 
 pode considerar um problema de pesquisa. 
 Um problema de pesquisa tem algum tipo de estado inicial, algum lugar onde 
 começamos, algum tipo de ação que podemos tomar 
 ou várias ações que podemos executar em qualquer estado, 
 e tem um modelo de transição, alguma maneira de definir 
 o que acontece quando vamos de um estado e tomamos uma ação, 
 em que estado terminamos como resultado. 

German: 
 Diese Zahl ist der Pfadaufwand für diese bestimmte Aktion, bei der 
 einige der Kosten für eine bestimmte Aktion 
 Dies könnte beispielsweise teurer sein als die Kosten für eine andere Aktion. 
 Obwohl dies nur bei einigen Problemen passieren wird. 
 Bei anderen Problemen können wir das Diagramm vereinfachen 
 und nehmen Sie einfach an, dass die Kosten einer bestimmten Aktion gleich sind. 
 Und dies ist wahrscheinlich bei so etwas wie dem 15-Puzzle der Fall, 
 Zum Beispiel, wo es keinen Unterschied macht, ob ich es bin 
 nach rechts oder links bewegen. 
 Das einzige, was zählt, ist die Gesamtzahl der Schritte 
 das muss ich machen, um von Punkt A nach Punkt B zu gelangen. Und jeder dieser Schritte 
 ist von gleichen Kosten. 
 Wir können einfach davon ausgehen, dass es sich um konstante Kosten handelt. 
 Und so bildet dies nun die Grundlage für das, was wir 
 könnte als Suchproblem angesehen werden. 
 Ein Suchproblem hat einen Anfangszustand, einen Ort, an dem 
 Wir beginnen, eine Art von Aktion, die wir ergreifen können 
 oder mehrere Aktionen, die wir in einem bestimmten Zustand ausführen können, 
 und es hat ein Übergangsmodell, eine Art zu definieren 
 Was passiert, wenn wir aus einem Staat herausgehen und eine Aktion ausführen? 
 Welchen Zustand haben wir als Ergebnis? 

Dutch: 
 dat aantal is de padkosten van deze specifieke actie waar 
 een deel van de kosten voor een bepaalde actie 
 kan bijvoorbeeld duurder zijn dan de kosten voor een andere actie. 
 Hoewel dit alleen bij sommige soorten problemen zal gebeuren. 
 Bij andere problemen kunnen we het diagram vereenvoudigen 
 en neem aan dat de kosten van een bepaalde actie hetzelfde zijn. 
 En dit is waarschijnlijk het geval in zoiets als de 15 puzzel, 
 waar het bijvoorbeeld niet echt uitmaakt of ik 
 naar rechts of naar links. 
 Het enige dat telt is het totale aantal stappen 
 die ik moet nemen om van punt A naar punt B te komen. En elk van die stappen 
 is van gelijke kosten. 
 We kunnen aannemen dat het een constante prijs is, zoals een. 
 En dus vormt dit nu de basis voor wat we 
 kan worden beschouwd als een zoekprobleem. 
 Een zoekprobleem heeft een beginstatus, ergens waar 
 we beginnen, een soort van actie die we kunnen ondernemen 
 of meerdere acties die we in een bepaalde staat kunnen ondernemen, 
 en het heeft een overgangsmodel, een of andere manier om te definiëren 
 wat gebeurt er als we uit één staat gaan en één actie ondernemen, 
 in welke staat komen we terecht. 

Chinese: 
該數字是此特定操作的路徑成本，其中
任何特定行動的一些費用
例如，它可能比其他操作的成本還要昂貴。 
儘管這只會在某些類型的問題中發生。 
在其他問題上，我們可以簡化圖
並假設任何特定操作的成本是相同的。 
這可能是15難題之類的情況， 
例如，無論我是否
向右移動或向左移動。 
唯一重要的是步驟總數
我必須要從A點到達B點的每一步。 
成本相等。 
我們可以假設它是一個不變的成本，就像一個。 
因此，這現在構成了我們的基礎
可能會認為是搜索問題。 
搜索問題具有某種初始狀態，在某些地方
我們開始，可以採取某種行動
或我們可以在任何給定狀態下執行的多項操作， 
它有一個過渡模型，以某種方式定義
當我們從一種狀態採取一種行動時會發生什麼， 
結果是什麼狀態。 

Russian: 
 это число является стоимостью пути этого конкретного действия, где 
 некоторые из затрат на какое-либо конкретное действие 
 например, может быть дороже, чем стоимость какого-либо другого действия. 
 Хотя это произойдет только при некоторых проблемах. 
 В других задачах мы можем упростить диаграмму 
 и просто предположим, что стоимость любого конкретного действия одинакова. 
 И это, вероятно, имеет место в чем-то вроде загадки 15, 
 например, где это действительно не имеет значения, являюсь ли я 
 двигаться вправо или влево. 
 Единственное, что имеет значение, это общее количество шагов 
 что я должен предпринять, чтобы добраться из пункта А в пункт Б. И каждый из этих шагов 
 имеет равную стоимость. 
 Мы можем просто предположить, что это какая-то постоянная стоимость, например. 
 И вот теперь это составляет основу для того, что мы 
 может считаться проблемой поиска. 
 Задача поиска имеет какое-то начальное состояние, где-то 
 мы начинаем, какое-то действие, которое мы можем предпринять 
 или несколько действий, которые мы можем предпринять в любом данном состоянии, 
 и у него есть модель перехода, какой-то способ определения 
 что происходит, когда мы выходим из одного штата и предпринимаем одно действие, 
 в каком состоянии мы окажемся в результате. 

English: 
that number being the path cost of this particular action where
some of the costs for any particular action
might be more expensive than the cost for some other action, for example.
Although this will only happen in some sorts of problems.
In other problems we can simplify the diagram
and just assume that the cost of any particular action is the same.
And this is probably the case in something like the 15 puzzle,
for example, where it doesn't really make a difference whether I'm
moving right or moving left.
The only thing that matters is the total number of steps
that I have to take to get from point A to point B. And each of those steps
is of equal cost.
We can just assume it's a some constant cost, like one.
And so this now forms the basis for what we
might consider to be a search problem.
A search problem has some sort of initial state, some place where
we begin, some sort of action that we can take
or multiple actions that we can take in any given state,
and it has a transition model, some way of defining
what happens when we go from one state and take one action,
what state do we end up with as a result.

Italian: 
 quel numero è il costo del percorso di questa particolare azione in cui 
 alcuni dei costi per qualsiasi azione particolare 
 potrebbe essere più costoso del costo di qualche altra azione, ad esempio. 
 Anche se questo accadrà solo in alcuni tipi di problemi. 
 In altri problemi possiamo semplificare il diagramma 
 e supponiamo che il costo di ogni azione particolare sia lo stesso. 
 E questo è probabilmente il caso di qualcosa come il 15 puzzle, 
 per esempio, dove non fa davvero la differenza se lo sono 
 muovendosi a destra o muovendosi a sinistra. 
 L'unica cosa che conta è il numero totale di passaggi 
 che devo prendere per passare dal punto A al punto B. E ciascuno di questi passaggi 
 è di pari costo. 
 Possiamo solo supporre che sia un costo costante, come uno. 
 E così questo ora costituisce la base per ciò che noi 
 potrebbe considerare un problema di ricerca. 
 Un problema di ricerca ha una sorta di stato iniziale, un posto dove 
 iniziamo, una sorta di azione che possiamo intraprendere 
 o più azioni che possiamo intraprendere in un determinato stato, 
 e ha un modello di transizione, un modo per definire 
 cosa succede quando passiamo da uno stato e facciamo un'azione, 
 con quale stato finiamo di conseguenza. 

Arabic: 
 هذا الرقم هو تكلفة مسار هذا الإجراء بالذات 
 بعض التكاليف لأي إجراء معين 
 قد يكون أكثر تكلفة من تكلفة إجراء آخر ، على سبيل المثال. 
 على الرغم من أن هذا لن يحدث إلا في بعض أنواع المشاكل. 
 في مشاكل أخرى يمكننا تبسيط الرسم التخطيطي 
 وافترض فقط أن تكلفة أي إجراء معين هي نفسها. 
 وربما هذا هو الحال في شيء مثل اللغز 15 ، 
 على سبيل المثال ، حيث لا يوجد فرق حقًا سواء أنا 
 تتحرك يمينا أو تتحرك يسارا. 
 الشيء الوحيد المهم هو العدد الإجمالي للخطوات 
 التي يجب أن آخذها للانتقال من النقطة A إلى النقطة B. وكل خطوة من تلك الخطوات 
 بتكلفة متساوية. 
 يمكننا فقط أن نفترض أنها تكلفة ثابتة ، مثل واحدة. 
 وهذا يشكل الآن الأساس لما نحن عليه 
 قد تعتبر مشكلة بحث. 
 مشكلة البحث لديها نوع من الحالة الأولية ، مكان ما 
 نبدأ ، نوع من الإجراءات التي يمكننا اتخاذها 
 أو إجراءات متعددة يمكننا اتخاذها في أي حالة معينة ، 
 ولها نموذج انتقالي ، بطريقة ما في التعريف 
 ماذا يحدث عندما ننتقل من دولة واحدة ونتخذ إجراءً واحدًا ، 
 ما هي الحالة التي ننتهي بها نتيجة لذلك. 

French: 
 ce nombre étant le coût du chemin de cette action particulière où 
 certains coûts pour une action particulière 
 pourrait être plus cher que le coût d'une autre action, par exemple. 
 Bien que cela ne se produise que dans certaines sortes de problèmes. 
 Dans d'autres problèmes, nous pouvons simplifier le diagramme 
 et supposons simplement que le coût d'une action particulière est le même. 
 Et c'est probablement le cas dans quelque chose comme le puzzle 15, 
 par exemple, où cela ne fait pas vraiment de différence si je suis 
 se déplaçant à droite ou à gauche. 
 La seule chose qui compte, c'est le nombre total d'étapes 
 que je dois prendre pour aller du point A au point B. Et chacune de ces étapes 
 est de même coût. 
 Nous pouvons simplement supposer que c'est un coût constant, comme celui-ci. 
 Et donc cela forme maintenant la base de ce que nous 
 pourrait être considéré comme un problème de recherche. 
 Un problème de recherche a une sorte d'état initial, un endroit où 
 nous commençons, une sorte d'action que nous pouvons prendre 
 ou de multiples actions que nous pouvons entreprendre dans un état donné, 
 et il a un modèle de transition, une façon de définir 
 ce qui se passe quand on passe d'un état à une action, 
 dans quel état nous retrouvons-nous en conséquence. 

Indonesian: 
 angka itu menjadi biaya jalur tindakan khusus ini di mana 
 beberapa biaya untuk tindakan tertentu 
 mungkin lebih mahal daripada biaya untuk beberapa tindakan lain, misalnya. 
 Meskipun ini hanya akan terjadi dalam beberapa macam masalah. 
 Dalam masalah lain kita dapat menyederhanakan diagram 
 dan anggap saja biaya tindakan tertentu adalah sama. 
 Dan ini mungkin terjadi pada sesuatu seperti 15 puzzle, 
 misalnya, di mana tidak benar-benar membuat perbedaan apakah saya 
 bergerak ke kanan atau ke kiri. 
 Satu-satunya hal yang penting adalah jumlah langkah total 
 yang harus saya ambil untuk mendapatkan dari titik A ke titik B. Dan masing-masing langkah itu 
 adalah dengan biaya yang sama. 
 Kami hanya dapat berasumsi bahwa itu adalah biaya konstan, seperti biaya satu. 
 Dan jadi ini sekarang menjadi dasar untuk apa yang kita 
 mungkin dianggap sebagai masalah pencarian. 
 Masalah pencarian memiliki semacam keadaan awal, tempat di mana 
 kita mulai, semacam tindakan yang bisa kita ambil 
 atau beberapa tindakan yang bisa kita ambil dalam kondisi tertentu, 
 dan memiliki model transisi, beberapa cara mendefinisikan 
 apa yang terjadi ketika kita pergi dari satu negara dan mengambil satu tindakan, 
 apa yang kita hasilkan sebagai hasilnya. 

Modern Greek (1453-): 
 ο αριθμός αυτός είναι το κόστος διαδρομής αυτής της συγκεκριμένης δράσης όπου 
 μέρος του κόστους για οποιαδήποτε συγκεκριμένη ενέργεια 
 μπορεί να είναι πιο ακριβό από το κόστος για κάποια άλλη ενέργεια, για παράδειγμα. 
 Αν και αυτό θα συμβεί μόνο σε ορισμένα είδη προβλημάτων. 
 Σε άλλα προβλήματα μπορούμε να απλοποιήσουμε το διάγραμμα 
 και απλά υποθέστε ότι το κόστος οποιασδήποτε συγκεκριμένης ενέργειας είναι το ίδιο. 
 Και αυτό πιθανότατα συμβαίνει σε κάτι σαν το 15 παζλ, 
 για παράδειγμα, όπου δεν κάνει πραγματικά τη διαφορά αν είμαι 
 κινείται δεξιά ή κινείται αριστερά. 
 Το μόνο που έχει σημασία είναι ο συνολικός αριθμός βημάτων 
 που πρέπει να κάνω για να φτάσω από το σημείο Α στο σημείο Β. Και κάθε ένα από αυτά τα βήματα 
 έχει το ίδιο κόστος. 
 Μπορούμε απλά να υποθέσουμε ότι είναι ένα σταθερό κόστος, όπως ένα. 
 Και έτσι αυτό αποτελεί τώρα τη βάση για αυτό που εμείς 
 μπορεί να θεωρηθεί πρόβλημα αναζήτησης. 
 Ένα πρόβλημα αναζήτησης έχει κάποιο είδος αρχικής κατάστασης, κάποιο μέρος όπου 
 ξεκινάμε, κάποιο είδος δράσης που μπορούμε να κάνουμε 
 ή πολλαπλές ενέργειες που μπορούμε να κάνουμε σε οποιαδήποτε δεδομένη κατάσταση, 
 και έχει ένα μοντέλο μετάβασης, κάποιον τρόπο καθορισμού 
 τι συμβαίνει όταν πηγαίνουμε από ένα κράτος και κάνουμε μία δράση, 
 με ποια κατάσταση καταλήγουμε ως αποτέλεσμα. 

Japanese: 
その数は、この特定のアクションのパスコストです。 
特定のアクションの費用の一部
たとえば、他のアクションのコストよりも高くなる可能性があります。 
ただし、これはある種の問題でのみ発生します。 
他の問題では、図を簡略化できます
特定のアクションのコストは同じであると仮定します。 
これはおそらく15パズルのような場合です
たとえば、私がそうであるかどうかは、実際には違いがありません
右または左に移動します。 
重要なのはステップの総数だけです
ポイントAからポイントBに到達するために必要なこと
同等の費用です。 
それは、1つのように、一定のコストであると考えることができます。 
そしてこれが今、私たちが
検索の問題であると考えられるかもしれません。 
検索問題には、ある種の初期状態があります。 
私たちは始めます、私たちが取ることができるある種の行動
または任意の状態で実行できる複数のアクション、 
そしてそれは遷移モデル、定義するいくつかの方法を持っています
 1つの状態から1つのアクションを実行するとどうなるか
結果としてどのような状態になるか

Chinese: 
除此之外，我們需要一些目標測試來了解是否
我們已經達到了目標。 
然後我們需要一個路徑成本函數來告訴我們任何特定的路徑， 
通過執行一些操作序列，這條路徑的成本是多少。 
就金錢或時間而言，其成本是多少？ 
或其他一些我們正試圖最大程度地減少其使用量的資源。 
最終的目標是找到一個解決方案，在這種情況下， 
只是將我們從初始狀態帶走的一系列動作
達到目標狀態。 
而且，理想情況下，我們不僅要找到任何解決方案，而且要找到最佳解決方案， 
在所有路徑中路徑成本最低的解決方案
可能的解決方案。 
在某些情況下，可能會有多個最佳解決方案， 
但是最佳解決方案只是意味著
在找到該解決方案方面，我們絕不可能做得更好。 
因此，現在我們定義了問題。 
現在我們需要開始弄清楚如何
就是我們要解決這種搜索問題。 
為了做到這一點，您可能會想像
我們的計算機將需要代表一大堆數據

Korean: 
 그 외에도, 우리는 여부를 알기 위해 목표 테스트가 필요합니다 
 목표에 도달했습니다. 
 그런 다음 특정 경로를 알려주는 경로 비용 함수가 필요합니다. 
 일련의 작업을 수행함으로써 그 경로는 얼마나 비쌉니다. 
 돈이나 시간면에서 비용은 얼마입니까? 
 또는 사용을 최소화하려는 다른 리소스. 
 궁극적으로 목표는이 경우 솔루션을 찾는 솔루션을 찾는 것입니다. 
 초기 상태에서 우리를 데려 갈 일련의 행동입니다 
 목표 상태로. 
 이상적으로는 모든 솔루션뿐만 아니라 최적의 솔루션을 찾고 싶습니다. 
 가장 저렴한 경로 비용을 가진 솔루션입니다. 
 가능한 해결책 중 하나. 
 경우에 따라 최적의 솔루션이 여러 개있을 수 있습니다. 
 그러나 최적의 솔루션은 
 그 해결책을 찾는면에서 우리가 더 잘할 수있는 방법은 아닙니다. 
 이제 문제를 정의했습니다. 
 그리고 지금 우리는 방법을 알아 내기 시작해야합니다 
 우리는 이런 종류의 검색 문제를 해결할 것입니다. 
 그렇게하려면 아마 상상할 것입니다 
 우리 컴퓨터는 많은 양의 데이터를 표현해야합니다 

Indonesian: 
 Selain itu, kita perlu beberapa tes tujuan untuk mengetahui apakah atau tidak 
 kami telah mencapai tujuan. 
 Dan kemudian kita membutuhkan fungsi biaya jalur yang memberitahu kita untuk jalur tertentu, 
 dengan mengikuti beberapa urutan tindakan, seberapa mahal jalur itu. 
 Berapa biayanya dalam hal uang, atau waktu, 
 atau sumber daya lain yang kami coba untuk meminimalkan penggunaan kami. 
 Tujuannya, pada akhirnya, adalah untuk menemukan solusi, di mana solusi dalam hal ini 
 hanyalah beberapa urutan tindakan yang akan membawa kita dari keadaan awal 
 ke negara tujuan. 
 Dan, idealnya, kami ingin menemukan bukan sembarang solusi, tetapi solusi optimal, 
 yang merupakan solusi yang memiliki biaya jalur terendah di antara semua 
 dari solusi yang mungkin. 
 Dan dalam beberapa kasus, mungkin ada beberapa solusi optimal, 
 tetapi solusi optimal hanya berarti ada 
 tidak mungkin kita bisa melakukan yang lebih baik dalam hal menemukan solusi itu. 
 Jadi sekarang kita telah mendefinisikan masalahnya. 
 Dan sekarang kita harus mulai mencari tahu caranya 
 itu adalah bahwa kita akan menyelesaikan masalah pencarian semacam ini. 
 Dan untuk melakukannya, Anda mungkin akan membayangkan 
 bahwa komputer kita perlu mewakili sejumlah besar data 

Hindi: 
 उसके अलावा, हमें यह जानने के लिए कुछ लक्ष्य परीक्षण की आवश्यकता है कि क्या 
 हम एक लक्ष्य तक पहुँच चुके हैं। 
 और फिर हमें एक पथ लागत फ़ंक्शन की आवश्यकता है जो हमें किसी विशेष पथ के लिए कहता है, 
 कार्यों के कुछ अनुक्रम का पालन करके, यह पथ कितना महंगा है। 
 पैसे, या समय, के संदर्भ में इसकी लागत क्या है 
 या कुछ अन्य संसाधन जो हम अपने उपयोग को कम करने की कोशिश कर रहे हैं। 
 लक्ष्य, आखिरकार, एक समाधान ढूंढना है, जहां इस मामले में एक समाधान है 
 क्रियाओं का कुछ क्रम है जो हमें प्रारंभिक अवस्था से ले जाएगा 
 लक्ष्य राज्य के लिए। 
 और, आदर्श रूप से, हम न केवल कोई समाधान ढूंढना चाहेंगे, बल्कि इष्टतम समाधान, 
 जो एक ऐसा उपाय है जिसमें सभी के बीच सबसे कम पथ लागत है 
 संभावित समाधान के। 
 और कुछ मामलों में, कई इष्टतम समाधान हो सकते हैं, 
 लेकिन एक इष्टतम समाधान का मतलब है कि वहाँ 
 कोई रास्ता नहीं है कि हम उस समाधान को खोजने के मामले में बेहतर कर सकते थे। 
 इसलिए अब हमने समस्या को परिभाषित किया है। 
 और अब हमें यह पता लगाने की आवश्यकता है कि कैसे 
 यह है कि हम इस तरह की खोज समस्या को हल करने जा रहे हैं। 
 और ऐसा करने के लिए, आप शायद कल्पना करेंगे 
 हमारे कंप्यूटर को डेटा के एक पूरे समूह का प्रतिनिधित्व करने की आवश्यकता है 

Modern Greek (1453-): 
 Εκτός από αυτό, χρειαζόμαστε κάποια δοκιμή στόχου για να μάθουμε εάν ή όχι 
 πετύχαμε έναν στόχο. 
 Και μετά χρειαζόμαστε μια συνάρτηση κόστους διαδρομής που μας λέει για οποιαδήποτε συγκεκριμένη διαδρομή, 
 ακολουθώντας κάποια ακολουθία ενεργειών, πόσο ακριβό είναι αυτό το μονοπάτι. 
 Ποιο είναι το κόστος του σε σχέση με χρήματα, ή χρόνο, 
 ή κάποιον άλλο πόρο που προσπαθούμε να ελαχιστοποιήσουμε τη χρήση μας. 
 Ο στόχος, τελικά, είναι να βρούμε μια λύση, όπου μια λύση σε αυτήν την περίπτωση 
 είναι απλώς μια σειρά ενεργειών που θα μας πάρουν από την αρχική κατάσταση 
 στην κατάσταση στόχου. 
 Και, ιδανικά, δεν θα θέλαμε να βρούμε καμία λύση, αλλά τη βέλτιστη λύση, 
 που είναι μια λύση που έχει το χαμηλότερο κόστος διαδρομής μεταξύ όλων 
 των πιθανών λύσεων. 
 Και σε ορισμένες περιπτώσεις, μπορεί να υπάρχουν πολλές βέλτιστες λύσεις, 
 αλλά μια βέλτιστη λύση σημαίνει ότι εκεί 
 δεν είναι κανένας τρόπος που θα μπορούσαμε να έχουμε κάνει καλύτερα όσον αφορά την εξεύρεση αυτής της λύσης. 
 Τώρα λοιπόν ορίσαμε το πρόβλημα. 
 Και τώρα πρέπει να αρχίσουμε να καταλαβαίνουμε πώς 
 είναι ότι θα λύσουμε ένα τέτοιο πρόβλημα αναζήτησης. 
 Και για να το κάνετε αυτό, πιθανότατα θα φανταστείτε 
 ότι ο υπολογιστής μας θα πρέπει να αντιπροσωπεύει ένα σωρό δεδομένα 

English: 
In addition to that, we need some goal test to know whether or not
we've reached a goal.
And then we need a path cost function that tells us for any particular path,
by following some sequence of actions, how expensive is that path.
What is its cost in terms of money, or time,
or some other resource that we are trying to minimize our usage of.
The goal, ultimately, is to find a solution, where a solution in this case
is just some sequence of actions that will take us from the initial state
to the goal state.
And, ideally, we'd like to find not just any solution, but the optimal solution,
which is a solution that has the lowest path cost among all
of the possible solutions.
And in some cases, there might be multiple optimal solutions,
but an optimal solution just means that there
is no way that we could have done better in terms of finding that solution.
So now we've defined the problem.
And now we need to begin to figure out how
it is that we're going to solve this kind of search problem.
And in order to do so, you'll probably imagine
that our computer is going to need to represent a whole bunch of data

Turkish: 
 Buna ek olarak, olup olmadığını bilmek için bazı hedef testlerine ihtiyacımız var 
 bir hedefe ulaştık. 
 Ve sonra bize belirli bir yolu söyleyen bir yol maliyet fonksiyonuna ihtiyacımız var, 
 bazı eylemleri izleyerek, bu yolun ne kadar pahalı olduğunu. 
 Para veya zaman açısından maliyeti nedir, 
 veya kullanımını en aza indirmeye çalıştığımız başka bir kaynak. 
 Amaç, sonuçta, bir çözüm bulmaktır, bu durumda bir çözüm 
 bizi başlangıç ​​durumundan alacak bazı eylemler dizisi 
 hedef durumuna. 
 Ve ideal olarak, sadece herhangi bir çözüm değil, aynı zamanda en uygun çözümü bulmak istiyoruz, 
 Bu, herkes arasında en düşük yol maliyetine sahip bir çözümdür 
 olası çözümlerin. 
 Ve bazı durumlarda, birden fazla optimal çözüm olabilir, 
 ancak en uygun çözüm sadece 
 bu çözümü bulma konusunda daha iyisini yapmamızın bir yolu yok. 
 Şimdi sorunu tanımladık. 
 Ve şimdi nasıl olduğunu anlamaya başlamamız gerekiyor 
 bu tür bir arama problemini çözeceğiz. 
 Bunu yapmak için muhtemelen 
 bilgisayarımızın bir sürü veriyi temsil etmesi gerekeceğini 

Italian: 
 Inoltre, abbiamo bisogno di un test obiettivo per sapere se 
 abbiamo raggiunto un obiettivo. 
 E quindi abbiamo bisogno di una funzione di costo del percorso che ci dice per ogni percorso particolare, 
 seguendo una sequenza di azioni, quanto è costoso quel percorso. 
 Qual è il suo costo in termini di denaro o tempo, 
 o qualche altra risorsa di cui stiamo cercando di ridurre al minimo l'utilizzo. 
 L'obiettivo, in definitiva, è trovare una soluzione, in cui una soluzione in questo caso 
 è solo una sequenza di azioni che ci porterà dallo stato iniziale 
 allo stato obiettivo. 
 E, idealmente, vorremmo trovare non solo una soluzione, ma la soluzione ottimale, 
 che è una soluzione che ha il costo di percorso più basso tra tutti 
 delle possibili soluzioni. 
 E in alcuni casi, potrebbero esserci più soluzioni ottimali, 
 ma una soluzione ottimale significa solo che lì 
 non è possibile che avremmo potuto fare di meglio in termini di ricerca di tale soluzione. 
 Quindi ora abbiamo definito il problema. 
 E ora dobbiamo iniziare a capire come 
 è che risolveremo questo tipo di problema di ricerca. 
 E per farlo, probabilmente ti immaginerai 
 che il nostro computer dovrà rappresentare un mucchio di dati 

Russian: 
 В дополнение к этому нам нужен некоторый тест цели, чтобы знать, действительно ли 
 мы достигли цели. 
 И тогда нам нужна функция стоимости пути, которая говорит нам для любого конкретного пути, 
 следуя некоторой последовательности действий, насколько дорог этот путь. 
 Какова его стоимость с точки зрения денег или времени, 
 или какой-либо другой ресурс, который мы пытаемся минимизировать наше использование. 
 Цель, в конечном счете, состоит в том, чтобы найти решение, где решение в этом случае 
 это просто некоторая последовательность действий, которая выведет нас из исходного состояния 
 до состояния цели. 
 И, в идеале, мы хотели бы найти не просто решение, а оптимальное решение, 
 это решение, которое имеет самую низкую стоимость пути среди всех 
 из возможных решений. 
 И в некоторых случаях может быть несколько оптимальных решений, 
 но оптимальное решение просто означает, что там 
 мы никак не могли бы добиться большего в плане поиска этого решения. 
 Итак, теперь мы определили проблему. 
 И теперь мы должны начать выяснять, как 
 это то, что мы собираемся решить эту проблему поиска. 
 И для этого вы, вероятно, представите 
 что наш компьютер должен представлять целую кучу данных 

German: 
 Darüber hinaus benötigen wir einen Zieltest, um zu wissen, ob oder nicht 
 Wir haben ein Ziel erreicht. 
 Und dann brauchen wir eine Pfadkostenfunktion, die uns für einen bestimmten Pfad sagt, 
 Wie teuer ist dieser Pfad, wenn Sie einer Abfolge von Aktionen folgen? 
 Was kostet es Geld oder Zeit? 
 oder eine andere Ressource, deren Nutzung wir minimieren möchten. 
 Das Ziel ist letztendlich, eine Lösung zu finden, wo in diesem Fall eine Lösung 
 ist nur eine Folge von Aktionen, die uns vom Ausgangszustand abbringen 
 zum Zielzustand. 
 Und im Idealfall möchten wir nicht irgendeine Lösung finden, sondern die optimale Lösung. 
 Dies ist eine Lösung mit den niedrigsten Pfadkosten unter allen 
 der möglichen Lösungen. 
 In einigen Fällen kann es mehrere optimale Lösungen geben. 
 aber eine optimale Lösung bedeutet nur, dass dort 
 Es gibt keine Möglichkeit, diese Lösung besser zu finden. 
 Jetzt haben wir das Problem definiert. 
 Und jetzt müssen wir herausfinden, wie 
 Es ist so, dass wir diese Art von Suchproblem lösen werden. 
 Und dazu werden Sie sich wahrscheinlich vorstellen 
 dass unser Computer eine ganze Reihe von Daten darstellen muss 

Arabic: 
 بالإضافة إلى ذلك ، نحتاج إلى اختبار الهدف لمعرفة ما إذا كان أم لا 
 لقد وصلنا إلى هدف. 
 ثم نحتاج إلى دالة تكلفة المسار التي تخبرنا عن أي مسار معين ، 
 باتباع سلسلة من الإجراءات ، ما مدى تكلفة هذا المسار. 
 ما هي تكلفته من حيث المال ، أو الوقت ، 
 أو بعض الموارد الأخرى التي نحاول تقليل استخدامنا لها. 
 الهدف ، في نهاية المطاف ، هو إيجاد حل ، حيث الحل في هذه الحالة 
 هو مجرد سلسلة من الإجراءات التي ستأخذنا من الحالة الأولية 
 إلى حالة الهدف. 
 ومن الناحية المثالية ، نود أن نجد ليس فقط أي حل ، ولكن الحل الأمثل ، 
 وهو حل بأقل تكلفة للمسار بين الجميع 
 الحلول الممكنة. 
 وفي بعض الحالات ، قد يكون هناك العديد من الحلول المثلى ، 
 لكن الحل الأمثل يعني أن هناك 
 لا يمكننا القيام بعمل أفضل من حيث إيجاد هذا الحل. 
 حتى الآن حددنا المشكلة. 
 والآن نحتاج أن نبدأ في معرفة كيف 
 هو أننا سنحل هذا النوع من مشاكل البحث. 
 ومن أجل القيام بذلك ، ربما تتخيل 
 التي سيحتاجها جهاز الكمبيوتر الخاص بنا لتمثيل مجموعة كاملة من البيانات 

Spanish: 
 Además de eso, necesitamos alguna prueba de objetivos para saber si 
 Hemos alcanzado una meta. 
 Y luego necesitamos una función de costo de ruta que nos indique para cualquier ruta en particular, 
 siguiendo alguna secuencia de acciones, cuán costoso es ese camino. 
 ¿Cuál es su costo en términos de dinero o tiempo? 
 o algún otro recurso que estamos tratando de minimizar nuestro uso. 
 El objetivo, en última instancia, es encontrar una solución, donde una solución en este caso 
 es solo una secuencia de acciones que nos llevarán desde el estado inicial 
 al estado objetivo. 
 E idealmente, nos gustaría encontrar no solo cualquier solución, sino la solución óptima, 
 que es una solución que tiene el costo de ruta más bajo entre todos 
 de las posibles soluciones. 
 Y en algunos casos, puede haber múltiples soluciones óptimas, 
 pero una solución óptima solo significa que hay 
 de ninguna manera podríamos haberlo hecho mejor en términos de encontrar esa solución. 
 Entonces ahora hemos definido el problema. 
 Y ahora tenemos que comenzar a descubrir cómo 
 es que vamos a resolver este tipo de problema de búsqueda. 
 Y para hacerlo, probablemente te imagines 
 que nuestra computadora va a necesitar representar una gran cantidad de datos 

Portuguese: 
 Além disso, precisamos de algum teste de objetivo para saber se 
 atingimos uma meta. 
 E então precisamos de uma função de custo de caminho que nos informe sobre qualquer caminho em particular, 
 seguindo alguma sequência de ações, qual é o custo desse caminho. 
 Qual é o seu custo em termos de dinheiro ou tempo, 
 ou algum outro recurso que estamos tentando minimizar o uso. 
 O objetivo, em última análise, é encontrar uma solução, onde uma solução neste caso 
 é apenas uma sequência de ações que nos levará do estado inicial 
 para o estado do objetivo. 
 E, idealmente, gostaríamos de encontrar não apenas qualquer solução, mas a solução ideal, 
 que é uma solução que tem o menor custo de caminho entre todos 
 das possíveis soluções. 
 E, em alguns casos, pode haver várias soluções ideais, 
 mas uma solução ideal significa apenas que existe 
 não é possível ter feito melhor em termos de encontrar essa solução. 
 Então agora definimos o problema. 
 E agora precisamos começar a descobrir como 
 é que vamos resolver esse tipo de problema de pesquisa. 
 E para fazer isso, você provavelmente imaginará 
 que nosso computador precisará representar um monte de dados 

Japanese: 
それに加えて、私たちはいくつかの目標テストが必要かどうかを知る必要があります
目標を達成しました。 
次に、特定のパスを示すパスコスト関数が必要です。 
いくつかの一連のアクションをたどることにより、そのパスはどれほど高価なものになります。 
お金、または時間の面でそのコストはどれくらいですか、 
または私たちが使用を最小限にしようとしている他のリソース。 
最終的な目標は、この場合の解決策である解決策を見つけることです。 
初期状態から私たちを連れていく一連のアクションです
目標状態に。 
そして理想的には、あらゆる解決策だけでなく、最適な解決策も見つけたいと思います。 
これは、すべての中でパスコストが最も低いソリューションです。 
可能なソリューションの。 
そして、いくつかのケースでは、複数の最適解があるかもしれません、 
しかし、最適なソリューションとは、 
その解決策を見つけるという点で、私たちがもっと上手くできるはずはありません。 
これで問題を定義しました。 
そして今、私たちは方法を理解し始める必要があります
この種の検索問題を解決するということです。 
そうするために、あなたはおそらく想像するでしょう
私たちのコンピューターは大量のデータを表す必要があることを

Chinese: 
除此之外，我们需要一些目标测试来了解是否
我们已经达到了目标。 
然后我们需要一个路径成本函数来告诉我们任何特定的路径， 
通过执行一些操作序列，这条路径的成本是多少。 
就金钱或时间而言，其成本是多少？ 
或其他一些我们正试图最大程度地减少使用量的资源。 
最终的目标是找到一个解决方案，在这种情况下， 
只是将我们从初始状态带走的一系列动作
达到目标状态。 
而且，理想情况下，我们不仅要找到任何解决方案，而且要找到最佳解决方案， 
这是所有路径中路径成本最低的解决方案
可能的解决方案。 
在某些情况下，可能会有多个最佳解决方案， 
但是最佳解决方案只是意味着
在找到该解决方案方面，我们绝不可能做得更好。 
因此，现在我们定义了问题。 
现在我们需要开始弄清楚如何
就是我们要解决这种搜索问题。 
为了做到这一点，您可能会想像
我们的计算机将需要代表一大堆数据

Dutch: 
 Daarnaast hebben we een doeltest nodig om te weten of het wel of niet werkt 
 we hebben een doel bereikt. 
 En dan hebben we een padkostenfunctie nodig die ons vertelt voor een bepaald pad, 
 door een reeks handelingen te volgen, hoe duur is dat pad. 
 Wat zijn de kosten in termen van geld of tijd, 
 of een andere bron die we proberen ons gebruik te minimaliseren. 
 Het doel is uiteindelijk om een ​​oplossing te vinden, in dit geval een oplossing 
 is slechts een reeks handelingen die ons uit de begintoestand halen 
 naar de doelstaat. 
 En idealiter willen we niet zomaar een oplossing vinden, maar de optimale oplossing, 
 wat een oplossing is met de laagste padkosten van allemaal 
 van de mogelijke oplossingen. 
 En in sommige gevallen zijn er meerdere optimale oplossingen, 
 maar een optimale oplossing betekent gewoon dat er 
 is het niet mogelijk dat we het beter hadden kunnen doen om die oplossing te vinden. 
 Dus nu hebben we het probleem gedefinieerd. 
 En nu moeten we beginnen uit te zoeken hoe 
 het is dat we dit soort zoekprobleem gaan oplossen. 
 En om dat te doen, zult u zich waarschijnlijk voorstellen 
 dat onze computer een heleboel gegevens moet vertegenwoordigen 

French: 
 En plus de cela, nous avons besoin d'un test d'objectif pour savoir si oui ou non 
 nous avons atteint un objectif. 
 Et puis nous avons besoin d'une fonction de coût de chemin qui nous indique pour tout chemin particulier, 
 en suivant une séquence d'actions, combien coûte ce chemin. 
 Quel est son coût en termes d'argent ou de temps, 
 ou une autre ressource que nous essayons de minimiser notre utilisation. 
 Le but, en fin de compte, est de trouver une solution, où une solution dans ce cas 
 est juste une séquence d'actions qui nous mènera de l'état initial 
 à l'état de l'objectif. 
 Et, idéalement, nous aimerions trouver non seulement une solution, mais la solution optimale, 
 qui est une solution qui a le coût de trajet le plus bas parmi tous 
 des solutions possibles. 
 Et dans certains cas, il peut y avoir plusieurs solutions optimales, 
 mais une solution optimale signifie simplement qu'il 
 n’aurait pas pu faire mieux pour trouver cette solution. 
 Alors maintenant, nous avons défini le problème. 
 Et maintenant, nous devons commencer à comprendre comment 
 c'est que nous allons résoudre ce genre de problème de recherche. 
 Et pour ce faire, vous imaginerez probablement 
 que notre ordinateur va devoir représenter tout un tas de données 

Chinese: 
关于这个特殊的问题。 
我们需要表示有关问题所在的数据。 
我们可能需要同时考虑多个不同的选择。 
通常，当我们尝试打包一大堆相关数据时
一个状态，我们将使用数据结构
我们将要称为节点。 
节点是一种将要运行的数据结构
跟踪各种不同的值， 
特别是在搜索问题中， 
它将特别跟踪这四个值。 
每个节点都将跟踪一个状态，即我们当前处于的状态。 
而且每个节点还将跟踪父节点。 
父母是我们之前的国家或节点
为了达到当前状态而使用的
这将是有意义的，因为最终， 
一旦我们到达目标节点，一旦到达终点， 
我们想知道我们为了达到该目标所采取的行动顺序。 
我们会通过看这些父母的方式知道这一点
跟踪导致我们达到目标的原因以及导致我们达到该状态的原因， 
是什么导致我们进入了之前的国家，依此类推， 
回溯到开始的方式，以便我们

Japanese: 
この特定の問題について。 
問題のどこにいるかに関するデータを表す必要があります。 
また、複数の異なるオプションを同時に検討する必要があるかもしれません。 
そして多くの場合、関連するデータの束全体をパッケージ化しようとしています
一緒に状態にするには、データ構造を使用して行います
ノードと呼びます。 
ノードとは、現在進行中のデータ構造です
さまざまな異なる値を追跡し、 
特に検索の問題の場合は
特にこれらの4つの値を追跡します。 
すべてのノードは、現在の状態を追跡します。 
また、すべてのノードは親を追跡します。 
私たちの前の状態である親、またはノード
この現在の状態に到達するために使用した。 
そして、これは関連性のあるものになるでしょう
ゴールノードに到達すると、最後に到達すると、 
その目標に到達するために使用した一連のアクションを知りたいのです。 
そして、私たちがそれを知る方法は、これらの親を見ることです
何が私たちを目標に導いたか、何が私たちをその状態に導いたかを追跡するために、 
その前の状態に私たちを導いたものなど
最初に戻ることで、 

English: 
about this particular problem.
We need to represent data about where we are in the problem.
And we might need to be considering multiple different options at once.
And oftentimes when we're trying to package a whole bunch of data related
to a state together, we'll do so using a data structure
that we're going to call a node.
A node is a data structure that is just going
to keep track of a variety of different values,
and specifically in the case of a search problem,
it's going to keep track of these four values in particular.
Every node is going to keep track of a state, the state we're currently on.
And every node is also going to keep track of a parent.
A parent being the state before us, or the node
that we used in order to get to this current state.
And this is going to be relevant because eventually,
once we reach the goal node, once we get to the end,
we want to know what sequence of actions we used in order to get to that goal.
And the way we'll know that is by looking at these parents
to keep track of what led us to the goal, and what led us to that state,
and what led us to the state before that, so on and so forth,
backtracking our way to the beginning so that we

Russian: 
 об этой конкретной проблеме. 
 Нам нужно представить данные о том, где мы находимся в проблеме. 
 И нам, возможно, придется рассмотреть несколько различных вариантов одновременно. 
 И часто, когда мы пытаемся упаковать целую кучу данных, связанных с 
 в состояние вместе, мы сделаем это с помощью структуры данных 
 что мы будем называть узел. 
 Узел - это структура данных, которая только собирается 
 отслеживать множество различных значений, 
 и особенно в случае проблемы поиска, 
 в частности, он будет отслеживать эти четыре значения. 
 Каждый узел будет отслеживать состояние, состояние, в котором мы сейчас находимся. 
 И каждый узел также будет отслеживать родителя. 
 Родитель, являющийся состоянием перед нами, или узел 
 что мы использовали для того, чтобы добраться до этого текущего состояния. 
 И это будет актуально, потому что в конце концов, 
 как только мы достигаем узла цели, как только мы доберемся до конца, 
 мы хотим знать, какую последовательность действий мы использовали для достижения этой цели. 
 И то, как мы узнаем это, посмотрев на этих родителей 
 чтобы отслеживать, что привело нас к цели, и что привело нас к этому состоянию, 
 и что привело нас к государству до этого, и так далее, 
 возвращаясь к началу, чтобы мы 

Chinese: 
關於這個特殊的問題。 
我們需要表示有關問題所在的數據。 
我們可能需要同時考慮多個不同的選擇。 
通常，當我們嘗試打包一大堆相關數據時
一個狀態，我們將使用數據結構
我們將要稱為節點。 
節點是一種將要運行的數據結構
跟踪各種不同的值， 
特別是在搜索問題中， 
它將特別跟踪這四個值。 
每個節點都將跟踪一個狀態，即我們當前處於的狀態。 
而且每個節點還將跟踪父節點。 
父母是我們之前的國家或節點
為了達到當前狀態而使用的
這將是有意義的，因為最終， 
一旦我們到達目標節點，一旦到達終點， 
我們想知道我們為了達到該目標所採取的行動順序。 
我們會通過看這些父母的方式知道這一點
跟踪導致我們達到目標的原因以及導致我們達到該狀態的原因， 
是什麼導致我們進入了之前的國家，依此類推， 
回溯到開始的方式，以便我們

Italian: 
 su questo problema particolare. 
 Dobbiamo rappresentare i dati su dove ci troviamo nel problema. 
 E potremmo dover considerare più opzioni diverse contemporaneamente. 
 E spesso quando stiamo cercando di impacchettare un sacco di dati relativi 
 allo stato insieme, lo faremo utilizzando una struttura di dati 
 che chiameremo un nodo. 
 Un nodo è una struttura di dati che sta funzionando 
 per tenere traccia di una varietà di valori diversi, 
 e in particolare nel caso di un problema di ricerca, 
 terrà traccia di questi quattro valori in particolare. 
 Ogni nodo terrà traccia di uno stato, lo stato in cui ci troviamo attualmente. 
 E ogni nodo terrà anche traccia di un genitore. 
 Un genitore è lo stato davanti a noi o il nodo 
 che abbiamo usato per arrivare a questo stato attuale. 
 E questo sarà rilevante perché alla fine, 
 una volta raggiunto il nodo obiettivo, una volta arrivato alla fine, 
 vogliamo sapere quale sequenza di azioni abbiamo usato per raggiungere questo obiettivo. 
 E il modo in cui lo sapremo è guardando questi genitori 
 per tenere traccia di ciò che ci ha portato all'obiettivo e di ciò che ci ha portato a quello stato, 
 e cosa ci ha portato allo stato prima di allora, così via e così via, 
 torniamo indietro fino all'inizio, così che noi 

German: 
 über dieses spezielle Problem. 
 Wir müssen Daten darüber darstellen, wo wir uns im Problem befinden. 
 Und wir müssen möglicherweise mehrere verschiedene Optionen gleichzeitig in Betracht ziehen. 
 Und oft, wenn wir versuchen, eine ganze Reihe von Daten zu verpacken 
 In einem Zustand zusammen verwenden wir dazu eine Datenstruktur 
 dass wir einen Knoten aufrufen. 
 Ein Knoten ist eine Datenstruktur, die gerade läuft 
 eine Vielzahl unterschiedlicher Werte im Auge zu behalten, 
 und speziell im Fall eines Suchproblems, 
 Es wird insbesondere diese vier Werte verfolgen. 
 Jeder Knoten wird einen Status verfolgen, den Status, in dem wir uns gerade befinden. 
 Und jeder Knoten wird auch einen Elternteil im Auge behalten. 
 Ein Elternteil ist der Zustand vor uns oder der Knoten 
 die wir verwendet haben, um zu diesem aktuellen Zustand zu gelangen. 
 Und das wird relevant sein, weil schließlich 
 Sobald wir den Zielknoten erreicht haben, sobald wir das Ende erreicht haben, 
 Wir wollen wissen, welche Abfolge von Aktionen wir verwendet haben, um dieses Ziel zu erreichen. 
 Und wir werden das wissen, wenn wir uns diese Eltern ansehen 
 um zu verfolgen, was uns zum Ziel geführt hat und was uns zu diesem Zustand geführt hat, 
 und was uns vorher zum Staat geführt hat, so weiter und so fort, 
 Rückweg zum Anfang, damit wir 

French: 
 à propos de ce problème particulier. 
 Nous devons représenter des données sur où nous en sommes dans le problème. 
 Et nous devrons peut-être envisager plusieurs options différentes à la fois. 
 Et souvent, lorsque nous essayons de regrouper tout un tas de données liées 
 à un état ensemble, nous le ferons en utilisant une structure de données 
 que nous allons appeler un nœud. 
 Un nœud est une structure de données qui va juste 
 pour garder une trace d'une variété de valeurs différentes, 
 et plus précisément en cas de problème de recherche, 
 il va garder une trace de ces quatre valeurs en particulier. 
 Chaque nœud va suivre un état, l'état dans lequel nous sommes actuellement. 
 Et chaque nœud va également garder une trace d'un parent. 
 Un parent étant l'état devant nous, ou le nœud 
 que nous avons utilisé pour arriver à cet état actuel. 
 Et cela va être pertinent parce que finalement, 
 une fois que nous atteignons le nœud objectif, une fois que nous arrivons à la fin, 
 nous voulons savoir quelle séquence d'actions nous avons utilisée pour atteindre cet objectif. 
 Et la façon dont nous le saurons en regardant ces parents 
 pour garder une trace de ce qui nous a conduit à l'objectif, et ce qui nous a conduit à cet état, 
 et ce qui nous a amenés à l'état avant cela, etc., 
 revenir en arrière au début afin que nous 

Arabic: 
 حول هذه المشكلة بالذات. 
 نحن بحاجة إلى تمثيل البيانات حول مكان وجودنا في المشكلة. 
 وقد نحتاج إلى التفكير في عدة خيارات مختلفة في وقت واحد. 
 وفي كثير من الأحيان عندما نحاول تجميع مجموعة كاملة من البيانات ذات الصلة 
 إلى حالة معًا ، سنفعل ذلك باستخدام بنية بيانات 
 أننا سوف نسمي عقدة. 
 العقدة هي بنية بيانات تسير فقط 
 لتتبع مجموعة متنوعة من القيم المختلفة ، 
 وبالتحديد في حالة وجود مشكلة في البحث ، 
 سوف تتبع هذه القيم الأربع على وجه الخصوص. 
 ستقوم كل عقدة بتتبع حالة ، الحالة التي نحن عليها حاليًا. 
 وستتتبع كل عقدة أحد الوالدين. 
 الوالد هو الدولة التي أمامنا أو العقدة 
 التي استخدمناها للوصول إلى هذه الحالة الحالية. 
 وهذا سيكون ذا صلة لأنه في النهاية ، 
 بمجرد أن نصل إلى عقدة الهدف ، بمجرد أن نصل إلى النهاية ، 
 نريد أن نعرف تسلسل الإجراءات التي استخدمناها للوصول إلى هذا الهدف. 
 والطريقة التي سنعرف بها ذلك هي بالنظر إلى هؤلاء الآباء 
 لتتبع ما قادنا إلى الهدف ، وما قادنا إلى تلك الدولة ، 
 وما قادنا إلى الدولة قبل ذلك ، وهكذا دواليك ، 
 التراجع طريقنا إلى البداية حتى نتمكن 

Portuguese: 
 sobre esse problema em particular. 
 Precisamos representar dados sobre onde estamos no problema. 
 E podemos precisar considerar várias opções diferentes ao mesmo tempo. 
 E, muitas vezes, quando estamos tentando empacotar um monte de dados relacionados 
 para um estado juntos, faremos isso usando uma estrutura de dados 
 que vamos chamar de nó. 
 Um nó é uma estrutura de dados que está apenas indo 
 para acompanhar uma variedade de valores diferentes, 
 e, especificamente, no caso de um problema de pesquisa, 
 vai acompanhar esses quatro valores em particular. 
 Cada nó acompanhará um estado, o estado em que estamos atualmente. 
 E todos os nós também acompanharão um pai. 
 Um pai é o estado diante de nós ou o nó 
 que usamos para chegar a esse estado atual. 
 E isso será relevante porque, eventualmente, 
 quando atingimos o nó da meta, quando chegamos ao fim, 
 queremos saber qual sequência de ações que usamos para alcançar esse objetivo. 
 E a maneira como saberemos isso é olhando para esses pais 
 para acompanhar o que nos levou à meta e o que nos levou a esse estado, 
 e o que nos levou ao estado antes disso, e assim por diante, 
 voltando atrás até o começo para que 

Hindi: 
 इस विशेष समस्या के बारे में। 
 हमें उस समस्या के बारे में डेटा दिखाने की आवश्यकता है जहां हम हैं। 
 और हमें एक साथ कई विभिन्न विकल्पों पर विचार करने की आवश्यकता हो सकती है। 
 और अक्सर जब हम संबंधित डेटा का एक पूरा गुच्छा पैकेज करने की कोशिश कर रहे होते हैं 
 एक राज्य में एक साथ, हम एक डेटा संरचना का उपयोग करेंगे 
 हम एक नोड कॉल करने जा रहे हैं। 
 एक नोड एक डेटा संरचना है जो बस जा रहा है 
 विभिन्न मूल्यों की एक किस्म का ट्रैक रखने के लिए, 
 और विशेष रूप से एक खोज समस्या के मामले में, 
 यह विशेष रूप से इन चार मूल्यों का ट्रैक रखने जा रहा है। 
 प्रत्येक नोड एक राज्य का ट्रैक रखने जा रहा है, जिस राज्य पर हम वर्तमान में हैं। 
 और हर नोड माता-पिता का ध्यान रखने वाला है। 
 एक अभिभावक हमारे सामने राज्य है, या नोड है 
 हम इस वर्तमान स्थिति को प्राप्त करने के लिए उपयोग करते हैं। 
 और यह प्रासंगिक होने जा रहा है क्योंकि अंततः, 
 एक बार जब हम लक्ष्य नोड तक पहुँच जाते हैं, एक बार हम अंत तक पहुँच जाते हैं, 
 हम जानना चाहते हैं कि उस लक्ष्य को पाने के लिए हमने किन क्रियाओं का उपयोग किया। 
 और जिस तरह से हम जानते हैं कि इन माता-पिता को देखकर होगा 
 हमें उस लक्ष्य तक ले जाने के लिए, और हमें उस स्थिति तक ले जाने के लिए, 
 और इससे पहले कि हम आगे बढ़े, और आगे 
 शुरुआत के लिए हमारे रास्ते को पीछे कर रहे हैं ताकि हम 

Indonesian: 
 tentang masalah khusus ini. 
 Kita perlu merepresentasikan data tentang di mana kita berada dalam masalah. 
 Dan kita mungkin perlu mempertimbangkan beberapa opsi berbeda sekaligus. 
 Dan seringkali ketika kita mencoba untuk mengemas sejumlah besar data terkait 
 ke keadaan bersama, kami akan melakukannya menggunakan struktur data 
 bahwa kita akan memanggil sebuah simpul. 
 Node adalah struktur data yang sedang berjalan 
 untuk melacak berbagai nilai yang berbeda, 
 dan khususnya dalam kasus masalah pencarian, 
 itu akan melacak empat nilai ini pada khususnya. 
 Setiap node akan melacak keadaan, keadaan kita saat ini. 
 Dan setiap node juga akan melacak orangtua. 
 Orang tua adalah keadaan sebelum kita, atau simpul 
 yang kami gunakan untuk sampai ke kondisi saat ini. 
 Dan ini akan menjadi relevan karena pada akhirnya, 
 begitu kita mencapai simpul tujuan, begitu kita sampai pada akhir, 
 kami ingin tahu urutan tindakan apa yang kami gunakan untuk mencapai tujuan itu. 
 Dan cara kita akan tahu itu adalah dengan melihat orang tua ini 
 untuk melacak apa yang menuntun kami ke tujuan, dan apa yang menuntun kami ke keadaan itu, 
 dan apa yang menuntun kami ke negara sebelum itu, seterusnya dan seterusnya, 
 Mundur jalan kita ke awal sehingga kita 

Korean: 
 이 특정 문제에 대해. 
 문제가있는 위치에 대한 데이터를 나타내야합니다. 
 그리고 한 번에 여러 가지 옵션을 고려해야 할 수도 있습니다. 
 그리고 종종 우리가 관련된 모든 데이터를 패키징하려고 할 때 
 데이터 구조를 사용하여 
 노드를 호출 할 것입니다. 
 노드는 가고있는 데이터 구조입니다 
 다양한 값을 추적하기 위해 
 특히 검색 문제의 경우 
 특히이 네 가지 값을 추적 할 것입니다. 
 모든 노드는 현재 상태 인 상태를 추적합니다. 
 또한 모든 노드는 부모를 추적합니다. 
 부모는 우리 앞에있는 상태이거나 노드 
 이 현재 상태에 도달하기 위해 사용했습니다. 
 그리고 이것은 결국 관련성이 있습니다. 
 목표 노드에 도달하면 끝까지 도달하면 
 우리는 그 목표를 달성하기 위해 어떤 행동 순서를 사용했는지 알고 싶습니다. 
 우리가 알게 될 방식은이 부모들을보고 
 우리를 목표로 이끈 이유와 그 상태로 이끈 이유를 추적하기 위해 
 그리고 그 이전의 상태로 우리를 이끌었던 것은 
 처음으로 돌아가는 길을 추적 해 

Spanish: 
 sobre este problema en particular 
 Necesitamos representar datos sobre dónde estamos en el problema. 
 Y es posible que debamos considerar múltiples opciones diferentes a la vez. 
 Y muchas veces cuando intentamos empaquetar un montón de datos relacionados 
 a un estado juntos, lo haremos utilizando una estructura de datos 
 que vamos a llamar un nodo 
 Un nodo es una estructura de datos que simplemente va 
 para realizar un seguimiento de una variedad de valores diferentes, 
 y específicamente en el caso de un problema de búsqueda, 
 hará un seguimiento de estos cuatro valores en particular. 
 Cada nodo hará un seguimiento de un estado, el estado en el que estamos actualmente. 
 Y cada nodo también hará un seguimiento de un padre. 
 Un padre es el estado ante nosotros, o el nodo 
 que usamos para llegar a este estado actual. 
 Y esto va a ser relevante porque eventualmente, 
 una vez que lleguemos al nodo objetivo, una vez que lleguemos al final, 
 queremos saber qué secuencia de acciones usamos para llegar a ese objetivo. 
 Y la forma en que lo sabremos es mirando a estos padres 
 para hacer un seguimiento de lo que nos llevó a la meta y lo que nos llevó a ese estado, 
 y lo que nos llevó al estado anterior a eso, y así sucesivamente, 
 retrocediendo hacia el principio para que podamos 

Turkish: 
 bu özel sorun hakkında. 
 Sorunun neresinde olduğumuza ilişkin verileri temsil etmemiz gerekiyor. 
 Ve aynı anda birden fazla farklı seçeneği düşünmemiz gerekebilir. 
 Ve çoğu zaman ilgili tüm verileri paketlemeye çalıştığımızda 
 birlikte bir devlete, bunu bir veri yapısı kullanarak yapacağız 
 bir düğüm diyeceğiz. 
 Düğüm, henüz devam eden bir veri yapısıdır. 
 çeşitli farklı değerleri takip etmek, 
 ve özellikle bir arama sorunu olması durumunda, 
 özellikle bu dört değeri takip edecektir. 
 Her düğüm bir durumu, şu anda bulunduğumuz durumu takip edecektir. 
 Ve her düğüm bir ebeveyni de takip edecek. 
 Ebeveyn bizden önceki durum veya düğüm 
 mevcut duruma ulaşmak için kullandık. 
 Ve bu alakalı olacak çünkü sonunda, 
 hedef düğüme ulaştığımızda, sona ulaştığımızda, 
 bu hedefe ulaşmak için hangi eylem dizisini kullandığımızı bilmek istiyoruz. 
 Ve bunu bilme şeklimiz bu ebeveynlere bakmak 
 bizi hedefe götüren şeyi ve bizi bu duruma götüren şeyi takip etmek için, 
 ve bizi bundan önce devlete götüren şey, böyle devam etti, 
 başlangıca giden yolu geri takip ederek 

Dutch: 
 over dit specifieke probleem. 
 We moeten gegevens weergeven over waar we ons in het probleem bevinden. 
 En misschien moeten we meerdere verschillende opties tegelijk overwegen. 
 En vaak wanneer we proberen een hele reeks gegevens gerelateerd te verpakken 
 naar een staat samen, doen we dit met behulp van een gegevensstructuur 
 dat we een knooppunt gaan noemen. 
 Een knooppunt is een gegevensstructuur die net bezig is 
 om verschillende waarden bij te houden, 
 en specifiek in het geval van een zoekprobleem, 
 het gaat met name deze vier waarden bijhouden. 
 Elk knooppunt gaat een staat bijhouden, de staat waarin we ons momenteel bevinden. 
 En elk knooppunt gaat ook een ouder volgen. 
 Een ouder is de staat voor ons, of het knooppunt 
 die we hebben gebruikt om in deze huidige staat te komen. 
 En dit wordt relevant, want uiteindelijk, 
 zodra we het doelknooppunt hebben bereikt, zodra we het einde hebben bereikt, 
 we willen weten welke volgorde van acties we hebben gebruikt om dat doel te bereiken. 
 En de manier waarop we dat zullen weten, is door naar deze ouders te kijken 
 om bij te houden wat ons naar het doel heeft geleid en wat ons naar die staat heeft geleid, 
 en wat ons daarvoor naar de staat heeft geleid, enzovoort, enzovoort 
 onze weg terug naar het begin, zodat we 

Modern Greek (1453-): 
 σχετικά με αυτό το συγκεκριμένο πρόβλημα. 
 Πρέπει να παρουσιάσουμε δεδομένα σχετικά με το πού βρισκόμαστε στο πρόβλημα. 
 Και ίσως χρειαστεί να εξετάσουμε πολλές διαφορετικές επιλογές ταυτόχρονα. 
 Και πολλές φορές όταν προσπαθούμε να συσκευάσουμε ένα σωρό δεδομένα που σχετίζονται 
 σε μια κατάσταση μαζί, θα το κάνουμε χρησιμοποιώντας μια δομή δεδομένων 
 ότι θα καλέσουμε έναν κόμβο. 
 Ένας κόμβος είναι μια δομή δεδομένων που μόλις πηγαίνει 
 να παρακολουθείτε μια ποικιλία διαφορετικών τιμών, 
 και συγκεκριμένα στην περίπτωση ενός προβλήματος αναζήτησης, 
 πρόκειται να παρακολουθεί αυτές τις τέσσερις τιμές ειδικότερα. 
 Κάθε κόμβος θα παρακολουθεί μια κατάσταση, την κατάσταση στην οποία βρισκόμαστε. 
 Και κάθε κόμβος θα παρακολουθεί επίσης έναν γονέα. 
 Ένας γονέας είναι η κατάσταση πριν από εμάς ή ο κόμβος 
 που χρησιμοποιήσαμε για να φτάσουμε σε αυτήν την τρέχουσα κατάσταση. 
 Και αυτό θα είναι σχετικό γιατί τελικά, 
 μόλις φτάσουμε στον κόμβο του στόχου, μόλις φτάσουμε στο τέλος, 
 θέλουμε να μάθουμε ποια ακολουθία ενεργειών χρησιμοποιήσαμε για να φτάσουμε σε αυτόν τον στόχο. 
 Και ο τρόπος που θα ξέρουμε ότι είναι κοιτάζοντας αυτούς τους γονείς 
 να παρακολουθούμε τι μας οδήγησε στο στόχο και τι μας οδήγησε σε αυτήν την κατάσταση, 
 και τι μας οδήγησε στο κράτος πριν από αυτό, ούτω καθεξής και ούτω καθεξής, 
 οπισθοδρόμηση στην αρχή έτσι ώστε εμείς 

Portuguese: 
 conhecer toda a sequência de ações que precisávamos para 
 para chegar do começo ao fim. 
 O nó também acompanhará as ações que realizamos para obter 
 do pai para o estado atual. 
 E o nó também acompanhará o custo do caminho. 
 Em outras palavras, ele acompanhará o número que 
 representa quanto tempo levou para chegar do estado inicial ao estado 
 em que atualmente estamos. 
 E veremos por que isso é relevante quando começamos a falar sobre alguns 
 das otimizações que podemos fazer em termos desses problemas de pesquisa mais 
 geralmente. 
 Então essa é a estrutura de dados que vamos 
 usar para resolver o problema. 
 E agora vamos falar sobre a abordagem, como poderíamos 
 realmente começar a resolver o problema? 
 Bem, como você pode imaginar, o que vamos fazer 
 é que vamos começar em um estado particular 
 e vamos explorar a partir daí. 
 A intuição é que, a partir de um determinado estado, 
 temos várias opções que poderíamos usar, 
 e vamos explorar essas opções. 
 E assim que explorarmos essas opções, descobriremos que mais opções do que isso 
 vão se tornar disponíveis. 
 E vamos considerar todas as opções disponíveis 

Russian: 
 знать всю последовательность действий, которая нам нужна для того, чтобы 
 чтобы добраться от начала до конца. 
 Узел также будет отслеживать, какое действие мы предприняли, чтобы получить 
 от родителя до текущего состояния. 
 И узел также собирается отслеживать стоимость пути. 
 Другими словами, он будет отслеживать число, которое 
 представляет, сколько времени потребовалось, чтобы перейти из исходного состояния в состояние 
 что мы сейчас находимся в. 
 И мы увидим, почему это актуально, когда мы начнем говорить о некоторых 
 оптимизаций, которые мы можем сделать с точки зрения этих проблем поиска более 
 в общем. 
 Так что это структура данных, которую мы собираемся 
 использовать для решения проблемы. 
 А теперь давайте поговорим о подходе, как мы можем 
 на самом деле начать решать проблему? 
 Ну, как вы можете себе представить, что мы будем делать 
 мы собираемся начать в одном конкретном состоянии 
 и мы просто собираемся исследовать оттуда. 
 Интуиция такова, что из данного состояния, 
 у нас есть несколько вариантов, которые мы могли бы взять, 
 и мы собираемся изучить эти варианты. 
 И как только мы исследуем эти варианты, мы обнаружим, что больше вариантов, чем это 
 собираются сделать себя доступными. 
 И мы собираемся рассмотреть все доступные варианты 

German: 
 kennen die gesamte Abfolge der Aktionen, die wir in der richtigen Reihenfolge benötigen 
 vom Anfang bis zum Ende zu bekommen. 
 Der Knoten wird auch verfolgen, welche Maßnahmen wir ergriffen haben, um zu erhalten 
 vom übergeordneten zum aktuellen Zustand. 
 Und der Knoten wird auch die Pfadkosten verfolgen. 
 Mit anderen Worten, es wird die Nummer verfolgen, die 
 gibt an, wie lange es gedauert hat, vom Ausgangszustand in den Zustand zu gelangen 
 dass wir gerade dabei sind. 
 Und wir werden sehen, warum dies relevant ist, wenn wir anfangen, über einige zu sprechen 
 der Optimierungen, die wir in Bezug auf diese Suchprobleme mehr vornehmen können 
 allgemein. 
 Das ist also die Datenstruktur, die wir verwenden 
 zu verwenden, um das Problem zu lösen. 
 Und jetzt sprechen wir über den Ansatz, wie könnten wir 
 tatsächlich anfangen, das Problem zu lösen? 
 Nun, wie Sie sich vorstellen können, was wir tun werden 
 Beginnen wir in einem bestimmten Zustand? 
 und wir werden nur von dort aus erkunden. 
 Die Intuition ist die aus einem gegebenen Zustand, 
 Wir haben mehrere Möglichkeiten, die wir wählen könnten. 
 und wir werden diese Optionen untersuchen. 
 Und sobald wir diese Optionen untersucht haben, werden wir feststellen, dass es mehr Optionen gibt 
 werden sich zur Verfügung stellen. 
 Und wir werden alle verfügbaren Optionen prüfen 

Korean: 
 순서대로 필요한 전체 작업 순서를 알고 
 처음부터 끝까지. 
 노드는 또한 우리가 취한 조치를 추적 할 것입니다 
 부모에서 현재 상태로. 
 또한 노드는 경로 비용을 추적합니다. 
 다시 말해, 숫자를 추적 할 것입니다. 
 초기 상태에서 상태로 이동하는 데 걸린 시간을 나타냅니다. 
 우리는 현재에 있습니다. 
 그리고 우리는 일부에 대해 이야기하기 시작할 때 이것이 왜 중요한지 볼 것입니다 
 이러한 검색 문제와 관련하여 더 많은 최적화를 할 수 있습니다 
 일반적으로. 
 이것이 우리가 가고있는 데이터 구조입니다 
 문제를 해결하기 위해 사용합니다. 
 이제 접근 방식에 대해 이야기하겠습니다. 
 실제로 문제를 해결하기 시작합니까? 
 글쎄, 당신이 상상할 수 있듯이, 우리가 할 일 
 우리는 하나의 특정 상태에서 시작합니다 
 그리고 우리는 그곳에서 탐험 할 것입니다. 
 직관은 주어진 상태에서 
 여러 가지 옵션을 선택할 수 있습니다 
 우리는 그 옵션들을 탐구 할 것입니다. 
 옵션을 살펴보면 그보다 더 많은 옵션을 찾을 수 있습니다 
 스스로를 이용할 수있게하려고합니다. 
 그리고 우리는 사용 가능한 모든 옵션을 고려할 것입니다 

English: 
know the entire sequence of actions we needed in order
to get from the beginning to the end.
The node is also going to keep track of what action we took in order to get
from the parent to the current state.
And the node is also going to keep track of a path cost.
In other words, it's going to keep track of the number that
represents how long it took to get from the initial state to the state
that we currently happen to be at.
And we'll see why this is relevant as we start to talk about some
of the optimizations that we can make in terms of these search problems more
generally.
So this is the data structure that we're going
to use in order to solve the problem.
And now let's talk about the approach, how might we
actually begin to solve the problem?
Well, as you might imagine, what we're going to do
is we're going to start at one particular state
and we're just going to explore from there.
The intuition is that from a given state,
we have multiple options that we could take,
and we're going to explore those options.
And once we explore those options, we'll find that more options than that
are going to make themselves available.
And we're going to consider all of the available options

Modern Greek (1453-): 
 γνωρίστε ολόκληρη τη σειρά των ενεργειών που χρειαζόμασταν 
 να πάρει από την αρχή έως το τέλος. 
 Ο κόμβος θα παρακολουθεί επίσης ποια ενέργεια κάναμε για να πάρουμε 
 από τον γονέα στην τρέχουσα κατάσταση. 
 Και ο κόμβος θα παρακολουθεί επίσης το κόστος διαδρομής. 
 Με άλλα λόγια, θα παρακολουθεί τον αριθμό που 
 αντιπροσωπεύει το χρονικό διάστημα που χρειάστηκε για να φτάσετε από την αρχική κατάσταση στο κράτος 
 που τυχαίνει να είμαστε. 
 Και θα δούμε γιατί αυτό είναι σημαντικό καθώς αρχίζουμε να μιλάμε για μερικά 
 από τις βελτιστοποιήσεις που μπορούμε να κάνουμε όσον αφορά αυτά τα προβλήματα αναζήτησης περισσότερο 
 γενικά. 
 Αυτή είναι η δομή δεδομένων που πηγαίνουμε 
 για χρήση για την επίλυση του προβλήματος. 
 Και τώρα ας μιλήσουμε για την προσέγγιση, πώς μπορούμε εμείς 
 στην πραγματικότητα αρχίζουν να λύνουν το πρόβλημα; 
 Λοιπόν, όπως μπορείτε να φανταστείτε, τι πρόκειται να κάνουμε 
 πρόκειται να ξεκινήσουμε από μια συγκεκριμένη κατάσταση 
 και απλώς θα εξερευνήσουμε από εκεί. 
 Η διαίσθηση είναι ότι από μια δεδομένη κατάσταση, 
 έχουμε πολλές επιλογές που θα μπορούσαμε να πάρουμε, 
 και θα εξερευνήσουμε αυτές τις επιλογές. 
 Και μόλις διερευνήσουμε αυτές τις επιλογές, θα βρούμε περισσότερες επιλογές από αυτές 
 πρόκειται να διατεθούν. 
 Και θα εξετάσουμε όλες τις διαθέσιμες επιλογές 

Turkish: 
 sırayla ihtiyacımız olan tüm eylem sırasını bilme 
 başından sonuna kadar. 
 Düğüm aynı zamanda almak için ne yaptığımızı da takip edecek 
 ana öğeden geçerli duruma. 
 Ve düğüm de bir yol maliyetini takip edecek. 
 Başka bir deyişle, 
 başlangıç ​​durumundan devlete geçmenin ne kadar sürdüğünü temsil eder 
 şu anda olduğumuz için. 
 Bazıları hakkında konuşmaya başladığımızda bunun neden önemli olduğunu göreceğiz 
 Bu arama sorunları açısından yapabileceğimiz optimizasyonların 
 genellikle. 
 Yani bu veri yapısı 
 sorunu çözmek için kullanın. 
 Ve şimdi yaklaşım hakkında konuşalım, nasıl olabiliriz 
 aslında sorunu çözmeye başlar? 
 Tahmin edebileceğiniz gibi, ne yapacağız 
 belirli bir eyaletten mi başlayacağız 
 ve biz sadece oradan keşfedeceğiz. 
 Sezgi, belirli bir devletten, 
 alabileceğimiz birden fazla seçeneğimiz var, 
 ve biz bu seçenekleri araştıracağız. 
 Ve bu seçenekleri araştırdığımızda, bundan daha fazla seçenek bulacağız 
 kendilerini ulaşılabilir kılacaklar. 
 Ve mevcut tüm seçenekleri dikkate alacağız 

Spanish: 
 saber toda la secuencia de acciones que necesitábamos para 
 para llegar desde el principio hasta el final. 
 El nodo también hará un seguimiento de qué acción tomamos para obtener 
 del padre al estado actual. 
 Y el nodo también hará un seguimiento del costo de la ruta. 
 En otras palabras, hará un seguimiento del número que 
 representa cuánto tiempo se tardó en llegar del estado inicial al estado 
 que actualmente estamos en. 
 Y veremos por qué esto es relevante cuando empecemos a hablar sobre algunos 
 de las optimizaciones que podemos hacer en términos de estos problemas de búsqueda más 
 generalmente. 
 Entonces esta es la estructura de datos a la que vamos 
 para usar con el fin de resolver el problema. 
 Y ahora hablemos sobre el enfoque, ¿cómo podríamos 
 en realidad comenzar a resolver el problema? 
 Bueno, como te puedes imaginar, lo que vamos a hacer 
 vamos a comenzar en un estado en particular 
 y solo vamos a explorar desde allí. 
 La intuición es que desde un estado dado, 
 tenemos múltiples opciones que podríamos tomar, 
 y vamos a explorar esas opciones. 
 Y una vez que exploremos esas opciones, encontraremos más opciones que eso 
 van a estar disponibles. 
 Y vamos a considerar todas las opciones disponibles 

French: 
 connaître toute la séquence d'actions dont nous avions besoin pour 
 pour aller du début à la fin. 
 Le nœud va également garder une trace des actions que nous avons prises afin d'obtenir 
 du parent à l'état actuel. 
 Et le nœud va également suivre le coût d'un chemin. 
 En d'autres termes, il va garder une trace du nombre 
 représente le temps qu'il a fallu pour passer de l'état initial à l'état 
 où nous nous trouvons actuellement. 
 Et nous verrons pourquoi cela est pertinent que nous commençons à parler de certains 
 des optimisations que nous pouvons faire en termes de ces problèmes de recherche plus 
 généralement. 
 Voici donc la structure de données que nous allons 
 à utiliser afin de résoudre le problème. 
 Et maintenant, parlons de l'approche, comment pourrions-nous 
 réellement commencer à résoudre le problème? 
 Eh bien, comme vous pouvez l'imaginer, ce que nous allons faire 
 est que nous allons commencer à un état particulier 
 et nous allons simplement explorer à partir de là. 
 L'intuition est qu'à partir d'un état donné, 
 nous avons plusieurs options que nous pourrions prendre, 
 et nous allons explorer ces options. 
 Et une fois que nous aurons exploré ces options, nous trouverons plus d'options que cela 
 vont se rendre disponibles. 
 Et nous allons considérer toutes les options disponibles 

Chinese: 
知道我们需要采取的整个行动顺序
从头到尾
该节点还将跟踪我们采取了哪些措施才能获得
从父级到当前状态。 
节点还将跟踪路径成本。 
换句话说，它将跟踪该数字
表示从初始状态到状态所花费的时间
目前正好在。 
当我们开始讨论一些问题时，我们将了解为什么这很重要
我们可以针对这些搜索问题进行更多的优化
通常。 
这就是我们要使用的数据结构
以解决问题。 
现在让我们谈谈这种方法，我们如何
真正开始解决问题？ 
嗯，正如您可能想像的那样，我们将要做的是
是我们要从一个特定状态开始
我们将从那里开始探索。 
直觉是从给定状态开始
我们有多种选择， 
我们将探索这些选项。 
探索这些选项后，我们会发现更多的选择
将使自己有空。 
我们将考虑所有可用选项

Arabic: 
 معرفة التسلسل الكامل للإجراءات التي كنا بحاجة إليها من أجل 
 للانتقال من البداية إلى النهاية. 
 ستقوم العقدة أيضًا بتتبع الإجراء الذي اتخذناه من أجل الحصول عليه 
 من الوالد إلى الحالة الحالية. 
 وستقوم العقدة أيضًا بتتبع تكلفة المسار. 
 وبعبارة أخرى ، ستقوم بتتبع الرقم الذي 
 يمثل الوقت الذي استغرقه الانتقال من الحالة الأولية إلى الحالة 
 التي تصادف وجودنا فيها حاليًا. 
 وسنرى سبب أهمية ذلك عندما نبدأ في الحديث عن البعض 
 التحسينات التي يمكننا إجراؤها من حيث مشاكل البحث هذه أكثر 
 عموما. 
 إذن هذا هو هيكل البيانات الذي سنقوم به 
 لاستخدامها من أجل حل المشكلة. 
 والآن دعونا نتحدث عن النهج ، كيف يمكننا 
 تبدأ فعلا في حل المشكلة؟ 
 حسنًا ، كما قد تتخيل ، ما الذي سنفعله 
 هو أننا سنبدأ في حالة معينة 
 وسنقوم فقط بالاستكشاف من هناك. 
 الحدس هو أنه من دولة معينة ، 
 لدينا العديد من الخيارات التي يمكننا اتخاذها ، 
 وسنستكشف هذه الخيارات. 
 وبمجرد استكشاف هذه الخيارات ، سنجد أن هذه الخيارات أكثر من ذلك 
 سيجعلون أنفسهم متاحين. 
 وسننظر في جميع الخيارات المتاحة 

Italian: 
 conoscere l'intera sequenza di azioni di cui avevamo bisogno in ordine 
 per arrivare dall'inizio alla fine. 
 Il nodo terrà inoltre traccia delle azioni intraprese per ottenere 
 dal genitore allo stato corrente. 
 E anche il nodo terrà traccia del costo di un percorso. 
 In altre parole, terrà traccia del numero che 
 rappresenta il tempo impiegato per passare dallo stato iniziale allo stato 
 in cui ci troviamo attualmente. 
 E vedremo perché questo è rilevante quando iniziamo a parlare di alcuni 
 delle ottimizzazioni che possiamo apportare in termini di questi problemi di ricerca di più 
 generalmente. 
 Quindi questa è la struttura dei dati che stiamo andando 
 da utilizzare per risolvere il problema. 
 E ora parliamo dell'approccio, come potremmo 
 effettivamente iniziare a risolvere il problema? 
 Bene, come puoi immaginare, cosa faremo 
 stiamo per iniziare in uno stato particolare 
 e esploreremo da lì. 
 L'intuizione è che da un determinato stato, 
 abbiamo più opzioni che potremmo prendere, 
 e esploreremo quelle opzioni. 
 E una volta esplorate queste opzioni, troveremo più opzioni di così 
 si renderanno disponibili. 
 E prenderemo in considerazione tutte le opzioni disponibili 

Dutch: 
 de hele reeks acties kennen die we nodig hadden om te kunnen bestellen 
 om van het begin tot het einde te komen. 
 Het knooppunt gaat ook bijhouden welke actie we hebben ondernomen om te krijgen 
 van de ouder naar de huidige staat. 
 En het knooppunt gaat ook de padkosten bijhouden. 
 Met andere woorden, het gaat het aantal bijhouden dat 
 geeft aan hoe lang het duurde om van de oorspronkelijke staat naar de staat te gaan 
 waar we ons momenteel bevinden. 
 En we zullen zien waarom dit relevant is als we over sommigen beginnen te praten 
 van de optimalisaties die we kunnen maken in termen van deze zoekproblemen meer 
 over het algemeen. 
 Dit is dus de gegevensstructuur die we gebruiken 
 te gebruiken om het probleem op te lossen. 
 En laten we nu praten over de aanpak, hoe kunnen we 
 het probleem eigenlijk beginnen op te lossen? 
 Zoals je je misschien kunt voorstellen, wat we gaan doen 
 is dat we beginnen bij een bepaalde staat 
 en we gaan van daaruit verkennen. 
 De intuïtie is dat vanuit een bepaalde staat, 
 we hebben meerdere opties die we kunnen nemen, 
 en we gaan die opties onderzoeken. 
 En zodra we die opties hebben onderzocht, zullen we ontdekken dat er meer opties zijn dan dat 
 gaan zichzelf beschikbaar stellen. 
 En we gaan alle beschikbare opties bekijken 

Hindi: 
 हमें जिन क्रियाओं की आवश्यकता है, उनके पूरे क्रम को जानें 
 शुरू से अंत तक पाने के लिए। 
 नोड इस बात पर भी नज़र रखने वाला है कि हमने क्या कार्रवाई की है 
 माता-पिता से वर्तमान स्थिति तक। 
 और नोड भी एक पथ लागत का ट्रैक रखने जा रहा है। 
 दूसरे शब्दों में, यह संख्या का ट्रैक रखने वाला है 
 यह दर्शाता है कि प्रारंभिक अवस्था से राज्य तक पहुंचने में कितना समय लगा 
 कि वर्तमान में हम पर होते हैं। 
 और हम देखेंगे कि क्यों यह प्रासंगिक है क्योंकि हम कुछ के बारे में बात करना शुरू करते हैं 
 इन खोज समस्याओं के संदर्भ में हम जो अनुकूलन कर सकते हैं, वे अधिक हैं 
 आम तौर पर। 
 तो यह डेटा संरचना है जो हम जा रहे हैं 
 समस्या को हल करने के लिए उपयोग करने के लिए। 
 और अब हम दृष्टिकोण के बारे में बात करते हैं कि हम कैसे हो सकते हैं 
 वास्तव में समस्या को हल करना शुरू करते हैं? 
 ठीक है, जैसा कि आप सोच सकते हैं, हम क्या करने जा रहे हैं 
 हम एक विशेष राज्य में शुरू करने जा रहे हैं 
 और हम बस वहां से तलाशने जा रहे हैं। 
 अंतर्ज्ञान यह है कि किसी दिए गए राज्य से, 
 हमारे पास कई विकल्प हैं जिन्हें हम ले सकते हैं, 
 और हम उन विकल्पों का पता लगाने जा रहे हैं। 
 और एक बार जब हम उन विकल्पों का पता लगा लेते हैं, तो हम उससे अधिक विकल्प पाएंगे 
 खुद को उपलब्ध कराने जा रहे हैं। 
 और हम सभी उपलब्ध विकल्पों पर विचार करने जा रहे हैं 

Japanese: 
順番に必要な一連のアクション全体を把握する
最初から最後まで行きます。 
ノードはまた、取得するために実行したアクションを追跡します
親から現在の状態へ。 
また、ノードはパスコストも追跡します。 
言い換えれば、それはその数を追跡するつもりです
初期状態から状態になるまでにかかった時間を表します
私たちがたまたまいるところです。 
そして、いくつかについて話し始めると、これがなぜ関連するのかがわかります
これらの検索問題に関してより多くの最適化を行うことができます
一般的に。 
これが、これから行うデータ構造です。 
問題を解決するために使用する。 
では、アプローチについてお話ししましょう。 
実際に問題を解決し始めますか？ 
さて、ご想像のとおり、これから行うこと
特定の状態から始めますか
そこから探索します。 
直感は、特定の状態から、 
私たちが取ることができる複数のオプションがあります、 
これらのオプションを探っていきます。 
これらのオプションを検討すると、それよりも多くのオプションが見つかります
利用できるようにします。 
そして、利用可能なすべてのオプションを検討します

Indonesian: 
 tahu seluruh urutan tindakan yang kami butuhkan secara berurutan 
 untuk mendapatkan dari awal hingga akhir. 
 Node juga akan melacak tindakan apa yang kami ambil untuk mendapatkan 
 dari induk ke kondisi saat ini. 
 Dan node juga akan melacak biaya jalur. 
 Dengan kata lain, itu akan melacak nomor itu 
 menunjukkan berapa lama waktu yang dibutuhkan untuk beralih dari kondisi awal ke kondisi sebelumnya 
 bahwa saat ini kami berada di. 
 Dan kita akan melihat mengapa ini relevan ketika kita mulai berbicara tentang beberapa hal 
 dari optimasi yang dapat kita lakukan dalam hal masalah pencarian ini lebih lanjut 
 umumnya. 
 Jadi ini adalah struktur data yang akan kita tuju 
 untuk digunakan untuk menyelesaikan masalah. 
 Dan sekarang mari kita bicara tentang pendekatannya, bagaimana mungkin kita 
 sebenarnya mulai memecahkan masalah? 
 Seperti yang Anda bayangkan, apa yang akan kita lakukan 
 adalah kita akan mulai pada satu negara tertentu 
 dan kami hanya akan menjelajah dari sana. 
 Intuisi adalah bahwa dari keadaan tertentu, 
 kami memiliki beberapa opsi yang bisa kami ambil, 
 dan kita akan mengeksplorasi opsi itu. 
 Dan setelah kami menjelajahi opsi-opsi itu, kami akan menemukan lebih banyak opsi dari itu 
 akan membuat diri mereka tersedia. 
 Dan kita akan mempertimbangkan semua opsi yang tersedia 

Chinese: 
知道我們需要採取的整個行動順序
從頭到尾
該節點還將跟踪我們採取了哪些措施才能獲得
從父級到當前狀態。 
節點還將跟踪路徑成本。 
換句話說，它將跟踪該數字
表示從初始狀態到狀態所花費的時間
目前正好在。 
當我們開始討論一些問題時，我們將了解為什麼這很重要
我們可以針對這些搜索問題進行更多的優化
通常。 
這就是我們要使用的數據結構
以解決問題。 
現在讓我們談談這種方法，我們如何
真正開始解決問題？ 
嗯，正如您可能想像的那樣，我們將要做的是
是我們要從一個特定狀態開始
我們將從那裡開始探索。 
直覺是從給定狀態開始
我們有多種選擇， 
我們將探索這些選項。 
探索這些選項後，我們會發現更多的選擇
將使自己有空。 
我們將考慮所有可用選項

Portuguese: 
 para ser armazenado dentro de uma única estrutura de dados que chamaremos de fronteira. 
 A fronteira vai representar todas as coisas 
 que poderíamos explorar a seguir, que ainda não exploramos ou visitamos. 
 Então, em nossa abordagem, começaremos esta pesquisa 
 algoritmo iniciando com uma fronteira que contém apenas um estado. 
 A fronteira conterá o estado inicial porque no início, 
 esse é o único estado que conhecemos. 
 Esse é o único estado que existe. 
 E então nosso algoritmo de busca seguirá efetivamente um loop. 
 Vamos repetir algum processo de novo e de novo e de novo. 
 A primeira coisa que faremos é se a fronteira estiver vazia, 
 então não há solução. 
 E podemos relatar que não há como chegar ao objetivo. 
 E isso é certamente possível. 
 Existem certos tipos de problemas que uma IA pode 
 tente explorar e perceber que não há como resolver esse problema. 
 E essa é uma informação útil para os humanos conhecerem também. 
 Portanto, se a fronteira estiver vazia, isso significa que não há mais nada a explorar, 
 e ainda não encontramos uma solução, portanto não há solução. 
 Não há mais nada a explorar. 

Russian: 
 храниться внутри одной структуры данных, которую мы будем называть границей. 
 Граница будет представлять все вещи 
 что мы могли бы исследовать дальше, что мы еще не исследовали или не посетили. 
 Таким образом, в нашем подходе мы собираемся начать этот поиск 
 алгоритм, начиная с границы, которая содержит только одно состояние. 
 Граница будет содержать начальное состояние, потому что в начале, 
 это единственное государство, о котором мы знаем. 
 Это единственное государство, которое существует. 
 И тогда наш алгоритм поиска будет фактически следовать циклу. 
 Мы собираемся повторить какой-то процесс снова и снова и снова. 
 Первое, что мы собираемся сделать, это если граница пуста, 
 тогда нет решения. 
 И мы можем сообщить, что нет пути к цели. 
 И это, конечно, возможно. 
 Существуют определенные типы проблем, которые AI может 
 попытаться исследовать и понять, что нет способа решить эту проблему. 
 И это полезная информация для людей. 
 Так что, если когда-нибудь граница будет пустой, это значит, что больше нечего исследовать, 
 и мы еще не нашли решение, поэтому нет решения. 
 Там нет ничего, чтобы исследовать. 

Dutch: 
 worden opgeslagen in een enkele gegevensstructuur die we de grens zullen noemen. 
 De grens gaat alle dingen vertegenwoordigen 
 die we hierna zouden kunnen verkennen, die we nog niet hebben verkend of bezocht. 
 Dus in onze aanpak beginnen we met deze zoektocht 
 algoritme door te beginnen met een grens die slechts één staat bevat. 
 De grens zal de begintoestand bevatten omdat in het begin, 
 dat is de enige staat die we kennen. 
 Dat is de enige staat die bestaat. 
 En dan gaat ons zoekalgoritme effectief een lus volgen. 
 We gaan een proces keer op keer en keer op keer herhalen. 
 Het eerste wat we gaan doen is als de grens leeg is, 
 dan is er geen oplossing. 
 En we kunnen melden dat er geen manier is om het doel te bereiken. 
 En dat is zeker mogelijk. 
 Er zijn bepaalde soorten problemen die een AI zou kunnen veroorzaken 
 probeer te ontdekken en te beseffen dat er geen manier is om dat probleem op te lossen. 
 En dat is ook nuttige informatie voor mensen om te weten. 
 Dus als de grens ooit leeg is, betekent dat dat er niets meer te ontdekken valt, 
 en we hebben nog geen oplossing gevonden, dus er is geen oplossing. 
 Er valt niets meer te ontdekken. 

French: 
 à stocker à l'intérieur d'une structure de données unique que nous appellerons la frontière. 
 La frontière va représenter toutes les choses 
 que nous pourrions explorer ensuite, que nous n'avons pas encore exploré ou visité. 
 Donc, dans notre approche, nous allons commencer cette recherche 
 algorithme en commençant par une frontière qui ne contient qu'un seul état. 
 La frontière va contenir l'état initial car au début, 
 c'est le seul état que nous connaissons. 
 C'est le seul état qui existe. 
 Et puis notre algorithme de recherche va effectivement suivre une boucle. 
 Nous allons répéter un certain processus encore et encore et encore. 
 La première chose que nous allons faire est que si la frontière est vide, 
 alors il n'y a pas de solution. 
 Et nous pouvons signaler qu'il n'y a aucun moyen d'atteindre l'objectif. 
 Et c'est certainement possible. 
 Il existe certains types de problèmes qu'une IA pourrait 
 essayez d'explorer et de réaliser qu'il n'y a aucun moyen de résoudre ce problème. 
 Et ce sont des informations utiles que les humains doivent également connaître. 
 Donc, si jamais la frontière est vide, cela signifie qu'il n'y a plus rien à explorer, 
 et nous n'avons pas encore trouvé de solution donc il n'y a pas de solution. 
 Il n'y a plus rien à explorer. 

Chinese: 
被存儲在一個稱為邊界的單一數據結構中。 
前沿將代表所有事物
我們可以繼續探索，尚未探索或造訪的地方。 
因此，在我們的方法中，我們將開始搜索
通過僅包含一個狀態的邊界開始的算法。 
邊界將包含初始狀態，因為在開始時， 
那是我們所知道的唯一狀態。 
那是唯一存在的狀態。 
然後我們的搜索算法將有效地遵循一個循環。 
我們將一次又一次地重複某些過程。 
我們要做的第一件事是如果邊界為空， 
那就沒有辦法了
而且我們可以報告說沒有辦法達到目標。 
這當然是可能的。 
人工智能可能存在某些類型的問題
嘗試探索並意識到沒有辦法解決該問題。 
這也是人類了解的有用信息。 
因此，如果邊界是空的，則意味著沒有什麼可探索的， 
而且我們還沒有找到解決方案，所以沒有解決方案。 
沒有什麼可探索的。 

Modern Greek (1453-): 
 για να αποθηκευτεί μέσα σε μια μόνο δομή δεδομένων που θα ονομάσουμε τα σύνορα. 
 Τα σύνορα θα αντιπροσωπεύουν όλα τα πράγματα 
 που θα μπορούσαμε να εξερευνήσουμε στη συνέχεια, που δεν έχουμε ακόμα εξερευνήσει ή επισκεφτεί. 
 Έτσι, στην προσέγγισή μας, θα ξεκινήσουμε αυτήν την αναζήτηση 
 αλγόριθμος ξεκινώντας με ένα σύνορο που περιέχει μόνο μία κατάσταση. 
 Τα σύνορα θα περιέχουν την αρχική κατάσταση γιατί στην αρχή, 
 αυτή είναι η μόνη κατάσταση για την οποία γνωρίζουμε. 
 Αυτή είναι η μόνη κατάσταση που υπάρχει. 
 Και τότε ο αλγόριθμος αναζήτησης θα ακολουθήσει ουσιαστικά έναν βρόχο. 
 Θα επαναλάβουμε κάποια διαδικασία ξανά και ξανά και ξανά. 
 Το πρώτο πράγμα που θα κάνουμε είναι αν τα σύνορα είναι άδεια, 
 τότε δεν υπάρχει λύση. 
 Και μπορούμε να αναφέρουμε ότι δεν υπάρχει τρόπος να φτάσουμε στον στόχο. 
 Και αυτό είναι σίγουρα δυνατό. 
 Υπάρχουν ορισμένοι τύποι προβλημάτων που μπορεί να προκαλέσει μια AI 
 προσπαθήστε να εξερευνήσετε και να συνειδητοποιήσετε ότι δεν υπάρχει τρόπος να λύσετε αυτό το πρόβλημα. 
 Και αυτές είναι χρήσιμες πληροφορίες που πρέπει να γνωρίζουν και οι άνθρωποι. 
 Επομένως, αν ποτέ τα σύνορα είναι άδειο, αυτό σημαίνει ότι δεν υπάρχει τίποτα να το εξερευνήσετε, 
 και δεν έχουμε βρει ακόμα λύση, οπότε δεν υπάρχει λύση. 
 Δεν έχει μείνει τίποτα να εξερευνήσετε. 

Arabic: 
 ليتم تخزينها داخل بنية بيانات واحدة نسميها الحدود. 
 سوف تمثل الحدود كل الأشياء 
 التي يمكننا استكشافها بعد ذلك ، والتي لم نستكشفها أو نزورها بعد. 
 لذلك في نهجنا ، سنبدأ هذا البحث 
 الخوارزمية بالبدء بحدود تحتوي على حالة واحدة فقط. 
 ستحتوي الحدود على الحالة الأولية لأنه في البداية ، 
 هذه هي الدولة الوحيدة التي نعرف عنها. 
 هذه هي الدولة الوحيدة الموجودة. 
 ومن ثم ستتبع خوارزمية البحث لدينا بشكل فعال حلقة. 
 سنكرر بعض العمليات مرارًا وتكرارًا. 
 أول شيء سنفعله هو إذا كانت الحدود فارغة ، 
 ثم لا يوجد حل. 
 ويمكننا أن نذكر أنه لا توجد طريقة للوصول إلى الهدف. 
 وهذا أمر ممكن بالتأكيد. 
 هناك أنواع معينة من المشاكل التي قد يتعرض لها الذكاء الاصطناعي 
 حاول أن تستكشف وتدرك أنه لا توجد طريقة لحل هذه المشكلة. 
 وهذه معلومات مفيدة ليعرفها البشر أيضًا. 
 لذا ، إذا كانت الحدود فارغة ، فهذا يعني أنه لم يتبق شيء لاستكشافه ، 
 ولم نجد حتى الآن حلاً لذلك لا يوجد حل. 
 لم يبق شيء لاستكشافه. 

Italian: 
 per essere archiviato all'interno di una singola struttura di dati che chiameremo frontiera. 
 La frontiera rappresenterà tutte le cose 
 che potremmo esplorare dopo, che non abbiamo ancora esplorato o visitato. 
 Quindi nel nostro approccio, inizieremo questa ricerca 
 algoritmo iniziando con una frontiera che contiene solo uno stato. 
 La frontiera conterrà lo stato iniziale perché all'inizio, 
 questo è l'unico stato che conosciamo. 
 Questo è l'unico stato che esiste. 
 E poi il nostro algoritmo di ricerca seguirà effettivamente un ciclo. 
 Ripeteremo qualche processo ancora e ancora e ancora. 
 La prima cosa che faremo è se la frontiera è vuota, 
 quindi non c'è soluzione. 
 E possiamo segnalare che non c'è modo di raggiungere l'obiettivo. 
 E questo è certamente possibile. 
 Esistono alcuni tipi di problemi che un'intelligenza artificiale potrebbe 
 prova a esplorare e rendi conto che non c'è modo di risolvere quel problema. 
 E queste sono informazioni utili che anche gli umani possono sapere. 
 Quindi se mai la frontiera è vuota, significa che non c'è più niente da esplorare, 
 e non abbiamo ancora trovato una soluzione, quindi non esiste una soluzione. 
 Non c'è più niente da esplorare. 

Chinese: 
被存储在一个称为边界的单一数据结构中。 
前沿将代表所有事物
我们可以继续探索，尚未探索或造访的地方。 
因此，在我们的方法中，我们将开始搜索
通过仅包含一个状态的边界开始的算法。 
边界将包含初始状态，因为在开始时， 
那是我们所知道的唯一状态。 
那是唯一存在的状态。 
然后我们的搜索算法将有效地遵循一个循环。 
我们将一次又一次地重复某些过程。 
我们要做的第一件事是如果边界为空， 
那就没有办法了
而且我们可以报告说没有办法达到目标。 
这当然是可能的。 
人工智能可能存在某些类型的问题
尝试探索并意识到没有办法解决该问题。 
这也是人类了解的有用信息。 
因此，如果边界是空的，则意味着没有什么可探索的， 
而且我们还没有找到解决方案，所以没有解决方案。 
没有什么可探索的。 

Indonesian: 
 untuk disimpan di dalam struktur data tunggal yang akan kita sebut perbatasan. 
 Perbatasan akan mewakili semua hal 
 yang bisa kita jelajahi selanjutnya, yang belum kita eksplorasi atau kunjungi. 
 Jadi dalam pendekatan kami, kami akan memulai pencarian ini 
 algoritma dengan memulai dengan perbatasan yang hanya berisi satu negara. 
 Perbatasan akan berisi keadaan awal karena pada awalnya, 
 itulah satu-satunya kondisi yang kita ketahui. 
 Itulah satu-satunya keadaan yang ada. 
 Dan kemudian algoritma pencarian kami akan mengikuti loop secara efektif. 
 Kami akan mengulangi beberapa proses lagi dan lagi dan lagi. 
 Hal pertama yang akan kita lakukan adalah jika perbatasan kosong, 
 maka tidak ada solusi. 
 Dan kita dapat melaporkan bahwa tidak ada cara untuk mencapai tujuan. 
 Dan itu tentu saja mungkin. 
 Ada beberapa jenis masalah yang mungkin dialami AI 
 coba jelajahi dan sadari bahwa tidak ada cara untuk menyelesaikan masalah itu. 
 Dan itu informasi yang berguna bagi manusia untuk mengetahui juga. 
 Jadi jika perbatasan itu kosong, itu berarti tidak ada yang tersisa untuk dijelajahi, 
 dan kami belum menemukan solusi sehingga tidak ada solusi. 
 Tidak ada yang tersisa untuk dijelajahi. 

Turkish: 
 sınır olarak adlandıracağımız tek bir veri yapısının içinde saklanacak. 
 Sınır her şeyi temsil edecek 
 daha sonra keşfedebileceğimizi, henüz keşfetmediğimizi veya ziyaret etmediğimizi 
 Bu yüzden yaklaşımımızda bu aramaya başlayacağız 
 sadece bir durum içeren bir sınır ile başlayarak algoritma. 
 Sınır başlangıç ​​durumunu içerecek çünkü başlangıçta, 
 bildiğimiz tek durum bu. 
 Var olan tek durum budur. 
 Ve sonra arama algoritmamız etkili bir şekilde bir döngüyü takip edecek. 
 Bazı işlemleri tekrar tekrar tekrarlayacağız. 
 İlk yapacağımız şey sınır boşsa, 
 o zaman çözüm yok. 
 Ve hedefe ulaşmanın bir yolu olmadığını bildirebiliriz. 
 Ve bu kesinlikle mümkün. 
 Bir yapay zekanın karşılaşabileceği belirli sorunlar vardır 
 araştırmaya ve bu sorunu çözmenin bir yolu olmadığını anlamaya çalışın. 
 Bu da insanların bilmesi için faydalı bilgiler. 
 Yani sınır hiç boş değilse, keşfedilecek hiçbir şey kalmaz, 
 ve henüz bir çözüm bulamadık, dolayısıyla çözüm yok. 
 Keşfedilecek bir şey kalmadı. 

Japanese: 
フロンティアと呼ばれる単一のデータ構造内に格納されます。 
フロンティアは、すべてのものを表すつもりです
次に探求できること、まだ探検したり訪問したりしていないこと。 
私たちのアプローチでは、この検索を開始します
 1つの状態のみを含むフロンティアから開始するアルゴリズム。 
フロンティアには初期状態が含まれます。 
それが私たちが知っている唯一の州です。 
それが存在する唯一の状態です。 
そして、私たちの検索アルゴリズムは実質的にループに従います。 
いくつかのプロセスを何度も繰り返します。 
まず最初に、フロンティアが空の場合、 
その後、解決策はありません。 
そして、目標を達成する方法がないことを報告できます。 
そして、それは確かに可能です。 
 AIが引き起こす可能性のある特定のタイプの問題があります。 
その問題を解決する方法がないことを探求し、認識しようとします。 
そして、それは人間が知るのにも役立つ情報です。 
ですから、辺境が空なら、それは探求するものが何も残っていないことを意味し、 
まだ解決策が見つからないため、解決策はありません。 
探求するものは何も残っていません。 

Korean: 
 프론티어라고하는 단일 데이터 구조 안에 저장됩니다. 
 프론티어는 모든 것을 대표 할 것입니다 
 우리는 다음에 탐험 할 수 있었고 아직 탐험하거나 방문하지 않았습니다. 
 우리의 접근 방식에서, 우리는이 검색을 시작할 것입니다 
 하나의 상태 만 포함하는 프론티어로 시작하여 알고리즘. 
 처음에는 프론티어에 초기 상태가 포함됩니다. 
 그것이 우리가 아는 유일한 상태입니다. 
 그것이 존재하는 유일한 상태입니다. 
 그리고 검색 알고리즘은 효과적으로 루프를 따라갑니다. 
 우리는 몇 가지 과정을 반복해서 반복 할 것입니다. 
 가장 먼저 할 일은 프론티어가 비어있는 경우입니다. 
 그런 다음 해결책이 없습니다. 
 그리고 목표를 달성 할 방법이 없다고보고 할 수 있습니다. 
 그리고 그것은 확실히 가능합니다. 
 AI가 발생할 수있는 특정 유형의 문제가 있습니다 
 그 문제를 해결할 방법이 없다는 것을 탐구하고 깨달으십시오. 
 그리고 그것은 또한 사람들이 알고있는 유용한 정보입니다. 
 따라서 프론티어가 비어 있으면 탐색 할 항목이 없습니다. 
 아직 해결책을 찾지 못해 해결책이 없습니다. 
 더 이상 탐험 할 것이 없습니다. 

Spanish: 
 para ser almacenado dentro de una única estructura de datos que llamaremos frontera. 
 La frontera va a representar todas las cosas. 
 que podríamos explorar a continuación, que aún no hemos explorado ni visitado. 
 Entonces, en nuestro enfoque, vamos a comenzar esta búsqueda 
 algoritmo comenzando con una frontera que solo contiene un estado. 
 La frontera va a contener el estado inicial porque al principio, 
 ese es el único estado que conocemos. 
 Ese es el único estado que existe. 
 Y luego nuestro algoritmo de búsqueda efectivamente seguirá un ciclo. 
 Vamos a repetir algún proceso una y otra y otra vez. 
 Lo primero que vamos a hacer es si la frontera está vacía, 
 entonces no hay solución. 
 Y podemos informar que no hay forma de llegar a la meta. 
 Y eso es ciertamente posible. 
 Hay ciertos tipos de problemas que una IA podría 
 trate de explorar y darse cuenta de que no hay forma de resolver ese problema. 
 Y esa es información útil para que los humanos también la conozcan. 
 Entonces, si alguna vez la frontera está vacía, eso significa que no queda nada por explorar, 
 y aún no hemos encontrado una solución, así que no hay solución. 
 No queda nada por explorar. 

German: 
 in einer einzigen Datenstruktur gespeichert werden, die wir als Grenze bezeichnen. 
 Die Grenze wird alle Dinge repräsentieren 
 dass wir als nächstes erforschen könnten, dass wir noch nicht erforscht oder besucht haben. 
 In unserem Ansatz werden wir also mit dieser Suche beginnen 
 Algorithmus, indem Sie mit einer Grenze beginnen, die nur einen Zustand enthält. 
 Die Grenze wird den Ausgangszustand enthalten, weil am Anfang, 
 Das ist der einzige Staat, den wir kennen. 
 Das ist der einzige Staat, der existiert. 
 Und dann folgt unser Suchalgorithmus effektiv einer Schleife. 
 Wir werden einen Vorgang immer wieder wiederholen. 
 Das erste, was wir tun werden, ist, wenn die Grenze leer ist. 
 dann gibt es keine lösung. 
 Und wir können berichten, dass es keinen Weg gibt, zum Ziel zu gelangen. 
 Und das ist sicherlich möglich. 
 Es gibt bestimmte Arten von Problemen, die eine KI haben könnte 
 Versuchen Sie zu erforschen und zu erkennen, dass es keine Möglichkeit gibt, dieses Problem zu lösen. 
 Und das sind auch nützliche Informationen für den Menschen. 
 Wenn also jemals die Grenze leer ist, bedeutet dies, dass nichts mehr zu erkunden ist. 
 und wir haben noch keine Lösung gefunden, daher gibt es keine Lösung. 
 Es gibt nichts mehr zu entdecken. 

Hindi: 
 एक एकल डेटा संरचना के अंदर संग्रहीत किया जाना है जिसे हम सीमांत कहेंगे। 
 सीमांत सभी चीजों का प्रतिनिधित्व करने वाला है 
 कि हम अगले का पता लगा सकते हैं, कि हमने अभी तक खोज या दौरा नहीं किया है। 
 इसलिए हमारे दृष्टिकोण में, हम इस खोज को शुरू करने जा रहे हैं 
 एक सीमा के साथ शुरू करके एल्गोरिथ्म जिसमें सिर्फ एक राज्य होता है। 
 सीमांत में प्रारंभिक अवस्था समाहित होने वाली है क्योंकि शुरुआत में, 
 हम एकमात्र ऐसे राज्य हैं जिनके बारे में हम जानते हैं। 
 वह एकमात्र राज्य है जो मौजूद है। 
 और फिर हमारी खोज एल्गोरिदम प्रभावी रूप से एक लूप का पालन करने जा रही है। 
 हम कुछ प्रक्रिया बार-बार दोहरा रहे हैं। 
 पहली चीज जो हम करने जा रहे हैं, वह यह है कि सीमांत खाली है, 
 तो कोई उपाय नहीं है। 
 और हम रिपोर्ट कर सकते हैं कि लक्ष्य तक पहुंचने का कोई रास्ता नहीं है। 
 और यह निश्चित रूप से संभव है। 
 कुछ प्रकार की समस्याएं हैं जो एक एआई हो सकती है 
 यह पता लगाने का प्रयास करें कि उस समस्या को हल करने का कोई तरीका नहीं है। 
 और यह मनुष्य के लिए उपयोगी जानकारी है, साथ ही साथ। 
 इसलिए अगर कभी सीमांत खाली है, तो इसका मतलब है कि वहाँ कुछ भी नहीं बचा है, 
 और हमें अभी तक कोई समाधान नहीं मिला है इसलिए कोई समाधान नहीं है। 
 तलाशने के लिए कुछ नहीं बचा है। 

English: 
to be stored inside of a single data structure that we'll call the frontier.
The frontier is going to represent all of the things
that we could explore next, that we haven't yet explored or visited.
So in our approach, we're going to begin this search
algorithm by starting with a frontier that just contains one state.
The frontier is going to contain the initial state because at the beginning,
that's the only state we know about.
That is the only state that exists.
And then our search algorithm is effectively going to follow a loop.
We're going to repeat some process again and again and again.
The first thing we're going to do is if the frontier is empty,
then there's no solution.
And we can report that there is no way to get to the goal.
And that's certainly possible.
There are certain types of problems that an AI might
try to explore and realize that there is no way to solve that problem.
And that's useful information for humans to know, as well.
So if ever the frontier is empty, that means there's nothing left to explore,
and we haven't yet found a solution so there is no solution.
There's nothing left to explore.

Indonesian: 
 Kalau tidak, yang akan kita lakukan adalah kita akan menghapus simpul dari perbatasan. 
 Jadi sekarang di awal, perbatasan 
 hanya berisi satu simpul yang mewakili keadaan awal. 
 Namun seiring waktu, perbatasan mungkin tumbuh. 
 Mungkin berisi beberapa negara. 
 Dan jadi di sini kita hanya akan menghapus satu node dari perbatasan itu. 
 Jika simpul itu menjadi tujuan, maka kami menemukan solusi. 
 Jadi kami menghapus simpul dari perbatasan dan bertanya pada diri sendiri, apakah ini tujuannya? 
 Dan kami melakukannya dengan menerapkan tes tujuan yang telah kami bicarakan sebelumnya, 
 menanyakan apakah kita ada di tempat tujuan atau menanyakan apakah semua angka 15 
 puzzle terjadi agar. 
 Jadi jika simpul berisi tujuan, kami menemukan solusinya. 
 Bagus. 
 Dilakukan. 
 Dan jika tidak, apa yang perlu kita lakukan adalah kita perlu memperluas node. 
 Dan ini adalah istilah dalam kecerdasan buatan. 
 Mengembangkan simpul hanya berarti melihat semua tetangga dari simpul itu. 
 Dengan kata lain, pertimbangkan semua tindakan yang mungkin 
 yang bisa saya ambil dari keadaan yang mewakili simpul ini 
 dan node apa yang bisa saya dapatkan dari sana. 
 Kita akan mengambil semua simpul itu, simpul berikutnya 

Turkish: 
 Aksi takdirde, bir düğümü sınırdan kaldıracağız. 
 Yani şimdi başlangıçta sınır 
 sadece başlangıç ​​durumunu temsil eden bir düğüm içerir. 
 Fakat zamanla sınır büyüyebilir. 
 Birden çok durum içerebilir. 
 Ve işte o sınırdan tek bir düğümü kaldıracağız. 
 Bu düğüm bir hedef olursa, bir çözüm bulduk. 
 Bu yüzden bir düğümü sınırdan kaldırıp kendimize soruyoruz, amaç bu mu? 
 Bunu daha önce bahsettiğimiz hedef testini uygulayarak yapıyoruz, 
 Hedefe gidip gitmediğimizi sormak veya 15'in tüm sayılarının 
 bulmaca sırayla olur. 
 Düğüm hedefi içeriyorsa, bir çözüm bulduk. 
 Harika. 
 Yapılmıştı. 
 Aksi takdirde, yapmamız gereken düğümü genişletmemiz gerekecek. 
 Ve bu yapay zekada bir terim. 
 Düğümü genişletmek, o düğümün tüm komşularına bakmak anlamına gelir. 
 Başka bir deyişle, olası tüm eylemleri düşünün 
 devletin bu düğümü temsil ettiği gibi alabileceğimi 
 ve oradan hangi düğümlere gidebilirim. 
 Tüm bu düğümleri, sonraki düğümleri alacağız 

Dutch: 
 Wat we anders doen, is dat we een knooppunt van de grens verwijderen. 
 Dus nu aan het begin, de grens 
 bevat slechts één knooppunt dat de begintoestand vertegenwoordigt. 
 Maar na verloop van tijd kan de grens groeien. 
 Het kan meerdere staten bevatten. 
 En dus gaan we hier gewoon één knooppunt van die grens verwijderen. 
 Als dat knooppunt een doel is, hebben we een oplossing gevonden. 
 Dus we verwijderen een knooppunt van de grens en vragen ons af: is dit het doel? 
 En dat doen we door de doeltest toe te passen waar we het eerder over hadden, 
 vragen of we op de bestemming zijn of vragen of alle nummers van de 15 
 puzzel is in orde. 
 Dus als het knooppunt het doel bevat, hebben we een oplossing gevonden. 
 Super goed. 
 Werden gedaan. 
 En anders moeten we het knooppunt uitbreiden. 
 En dit is een term in kunstmatige intelligentie. 
 Het knooppunt uitbreiden betekent alleen maar kijken naar alle buren van dat knooppunt. 
 Met andere woorden, overweeg alle mogelijke acties 
 die ik kon afleiden uit de toestand die dit knooppunt representeert 
 en welke knooppunten kan ik vanaf daar bereiken. 
 We nemen al die knooppunten, de volgende knooppunten 

Portuguese: 
 Caso contrário, o que faremos é remover um nó da fronteira. 
 Então, agora, no começo, a fronteira 
 contém apenas um nó que representa o estado inicial. 
 Mas com o tempo, a fronteira pode crescer. 
 Pode conter vários estados. 
 E aqui vamos remover um único nó dessa fronteira. 
 Se esse nó for um objetivo, encontramos uma solução. 
 Então, removemos um nó da fronteira e nos perguntamos: esse é o objetivo? 
 E fazemos isso aplicando o teste de meta sobre o qual falamos anteriormente, 
 perguntando se estamos no destino ou perguntando se todos os números dos 15 
 o quebra-cabeça está em ordem. 
 Portanto, se o nó contiver a meta, encontramos uma solução. 
 Ótimo. 
 Foram realizadas. 
 Caso contrário, o que precisamos fazer é expandir o nó. 
 E este é um termo em inteligência artificial. 
 Expandir o nó significa apenas olhar para todos os vizinhos desse nó. 
 Em outras palavras, considere todas as ações possíveis 
 que eu poderia deduzir do estado em que este nó representa 
 e quais nós eu poderia obter a partir daí. 
 Nós vamos pegar todos esses nós, os próximos nós 

German: 
 Andernfalls entfernen wir einen Knoten von der Grenze. 
 Also gerade jetzt am Anfang die Grenze 
 enthält nur einen Knoten, der den Anfangszustand darstellt. 
 Aber mit der Zeit könnte die Grenze wachsen. 
 Es kann mehrere Zustände enthalten. 
 Und so werden wir hier nur einen einzelnen Knoten von dieser Grenze entfernen. 
 Wenn dieser Knoten zufällig ein Ziel ist, haben wir eine Lösung gefunden. 
 Also entfernen wir einen Knoten von der Grenze und fragen uns, ist das das Ziel? 
 Und wir tun dies, indem wir den Zieltest anwenden, über den wir zuvor gesprochen haben. 
 Fragen, ob wir am Ziel sind oder ob alle Nummern der 15 
 Rätsel zufällig in Ordnung sein. 
 Wenn der Knoten das Ziel enthält, haben wir eine Lösung gefunden. 
 Großartig. 
 Wir sind fertig. 
 Ansonsten müssen wir den Knoten erweitern. 
 Und das ist ein Begriff in der künstlichen Intelligenz. 
 Um den Knoten zu erweitern, müssen Sie nur alle Nachbarn dieses Knotens betrachten. 
 Mit anderen Worten, berücksichtigen Sie alle möglichen Aktionen 
 dass ich aus dem Zustand nehmen könnte, den dieser Knoten darstellt 
 und zu welchen Knoten könnte ich von dort aus gelangen. 
 Wir werden alle diese Knoten nehmen, die nächsten Knoten 

Japanese: 
それ以外の場合は、フロンティアからノードを削除します。 
さて、今の初め、フロンティア
初期状態を表すノードが1つだけ含まれています。 
しかし、時間の経過とともに、フロンティアは成長する可能性があります。 
複数の状態が含まれる場合があります。 
そして、ここでは、そのフロンティアから1つのノードを削除します。 
そのノードがたまたま目標である場合、私たちは解決策を見つけました。 
そこで、フロンティアからノードを削除し、自問自答します。これが目標ですか？ 
先ほどお話しした目標テストを適用して、 
私たちが目的地にいるのか、15のすべての番号が
パズルがたまたまあります。 
したがって、ノードに目標が含まれている場合は、解決策を見つけました。 
すごい。 
終わったね。 
それ以外の場合は、ノードを展開する必要があります。 
そして、これは人工知能の用語です。 
ノードを展開するとは、そのノードのすべての隣接ノードを調べることを意味します。 
つまり、可能なすべてのアクションを検討します
このノードが表すものとしての状態から取ることができること
そこからどのノードにアクセスできますか。 
これらすべてのノード、次のノードを取得します

Arabic: 
 وإلا ما سنقوم به هو إزالة العقدة من الحدود. 
 حتى الآن في البداية ، الحدود 
 يحتوي فقط على عقدة واحدة تمثل الحالة الأولية. 
 ولكن بمرور الوقت ، قد تنمو الحدود. 
 قد يحتوي على حالات متعددة. 
 وهكذا سنقوم فقط بإزالة عقدة واحدة من تلك الحدود. 
 إذا كانت هذه العقدة هدفًا ، فقد وجدنا حلًا. 
 لذا نزيل عقدة من الحدود ونسأل أنفسنا ، هل هذا هو الهدف؟ 
 ونفعل ذلك من خلال تطبيق اختبار الهدف الذي تحدثنا عنه سابقًا ، 
 يسأل عما إذا كنا في الوجهة أو يسأل عما إذا كانت جميع أرقام الـ 15 
 يحدث لغز في النظام. 
 لذلك إذا كانت العقدة تحتوي على الهدف ، وجدنا حلًا. 
 عظيم. 
 لقد انتهينا. 
 وإلا ، ما سنحتاج إلى فعله هو أننا سنحتاج إلى توسيع العقدة. 
 وهذا مصطلح في الذكاء الاصطناعي. 
 إن توسيع العقدة يعني فقط النظر إلى كل جيران تلك العقدة. 
 وبعبارة أخرى ، ضع في اعتبارك جميع الإجراءات الممكنة 
 التي يمكنني أخذها من الحالة التي تمثلها هذه العقدة 
 وما العقد التي يمكنني الوصول إليها من هناك. 
 سنأخذ كل تلك العقد ، العقد التالية 

Chinese: 
否則，我們將要做的是從邊界中刪除一個節點。 
所以現在開始，前沿
僅包含一個代表初始狀態的節點。 
但是隨著時間的流逝，邊界可能會增長。 
它可能包含多個狀態。 
因此，這裡我們僅要從該邊界中刪除單個節點。 
如果該節點恰好是目標，那麼我們找到了解決方案。 
因此，我們從邊界刪除一個節點並問自己，這是目標嗎？ 
我們通過應用我們之前討論的目標測試來做到這一點， 
詢問我們是否在目的地或詢問15個號碼中的所有號碼
難題碰巧是有秩序的。 
因此，如果節點包含目標，則我們找到了解決方案。 
大。 
大功告成
否則，我們需要做的就是擴展節點。 
這是人工智能中的一個術語。 
擴展節點僅意味著查看該節點的所有鄰居。 
換句話說，請考慮所有可能的措施
我可以從該節點代表的狀態
以及我可以從那裡到達哪些節點。 
我們將採用所有這些節點，下一個節點

Hindi: 
 नहीं तो हम क्या करेंगे हम सीमा से एक नोड निकाल देंगे। 
 तो अभी शुरुआत में, सीमावर्ती 
 बस प्रारंभिक अवस्था का प्रतिनिधित्व करने वाला एक नोड होता है। 
 लेकिन समय के साथ, सीमा बढ़ सकती है। 
 इसमें कई राज्य शामिल हो सकते हैं। 
 और इसलिए यहाँ हम उस सीमा से एक नोड को निकालने जा रहे हैं। 
 यदि वह नोड एक लक्ष्य के रूप में होता है, तो हमें एक समाधान मिला। 
 तो हम सीमा से एक नोड निकालते हैं और खुद से पूछते हैं कि क्या यह लक्ष्य है? 
 और हम उस लक्ष्य परीक्षण को लागू करके करते हैं जो हमने पहले के बारे में बात की थी, 
 पूछ रहे हैं कि क्या हम गंतव्य पर हैं या पूछ रहे हैं कि सभी संख्याएँ 15 हैं 
 पहेली क्रम में होना है। 
 इसलिए यदि नोड में लक्ष्य शामिल है, तो हमें एक समाधान मिला। 
 महान। 
 हमारा काम हो गया। 
 और अन्यथा, हमें जो करने की आवश्यकता होगी वह है हमें नोड का विस्तार करना होगा। 
 और यह कृत्रिम बुद्धि में एक शब्द है। 
 नोड का विस्तार करने के लिए बस उस नोड के सभी पड़ोसियों को देखने का मतलब है। 
 दूसरे शब्दों में, सभी संभावित कार्यों पर विचार करें 
 मैं इस स्थिति का प्रतिनिधित्व करने के रूप में इस स्थिति से ले सकता हूं 
 और मैं वहाँ से क्या नोड्स प्राप्त कर सकता था। 
 हम उन सभी नोड्स को लेने जा रहे हैं, अगले नोड्स 

Modern Greek (1453-): 
 Διαφορετικά, αυτό που θα κάνουμε είναι να αφαιρέσουμε έναν κόμβο από τα σύνορα. 
 Λοιπόν τώρα στην αρχή, τα σύνορα 
 περιέχει μόνο έναν κόμβο που αντιπροσωπεύει την αρχική κατάσταση. 
 Αλλά με την πάροδο του χρόνου, τα σύνορα μπορεί να αυξηθούν. 
 Μπορεί να περιέχει πολλές καταστάσεις. 
 Και εδώ θα αφαιρέσουμε έναν μόνο κόμβο από αυτά τα σύνορα. 
 Εάν αυτός ο κόμβος είναι στόχος, τότε βρήκαμε μια λύση. 
 Αφαιρούμε λοιπόν έναν κόμβο από τα σύνορα και αναρωτιόμαστε, αυτός είναι ο στόχος; 
 Και το κάνουμε αυτό εφαρμόζοντας τη δοκιμή στόχου για την οποία μιλήσαμε νωρίτερα, 
 ρωτώντας αν είμαστε στον προορισμό ή ρωτώντας αν όλοι οι αριθμοί των 15 
 παζλ τυχαίνει να είναι σε τάξη. 
 Έτσι, εάν ο κόμβος περιέχει τον στόχο, βρήκαμε μια λύση. 
 Εξαιρετική. 
 Τελειώσαμε. 
 Και διαφορετικά, αυτό που πρέπει να κάνουμε είναι να χρειαστεί να επεκτείνουμε τον κόμβο. 
 Και αυτός είναι ένας όρος στην τεχνητή νοημοσύνη. 
 Η επέκταση του κόμβου σημαίνει απλώς να κοιτάξετε όλους τους γείτονες αυτού του κόμβου. 
 Με άλλα λόγια, σκεφτείτε όλες τις πιθανές ενέργειες 
 που θα μπορούσα να πάρω από την πολιτεία ότι αυτός ο κόμβος ως αντιπροσωπευτικός 
 και σε ποιους κόμβους θα μπορούσα να φτάσω από εκεί. 
 Θα πάρουμε όλους αυτούς τους κόμβους, τους επόμενους κόμβους 

Russian: 
 В противном случае мы будем удалять узел с границы. 
 Так что прямо сейчас в начале, граница 
 просто содержит один узел, представляющий начальное состояние. 
 Но со временем граница может расти. 
 Может содержать несколько состояний. 
 И поэтому здесь мы просто собираемся удалить один узел с этой границы. 
 Если этот узел оказался целью, то мы нашли решение. 
 Таким образом, мы удаляем узел с границы и спрашиваем себя, это цель? 
 И мы делаем это, применяя целевой тест, о котором мы говорили ранее, 
 спрашивая, если мы находимся в пункте назначения или спрашивая, все ли числа 15 
 головоломка бывает в порядке. 
 Итак, если узел содержит цель, мы нашли решение. 
 Отлично. 
 Были сделаны. 
 И в противном случае нам нужно будет расширить узел. 
 И это термин в искусственном интеллекте. 
 Развернуть узел - значит посмотреть на всех соседей этого узла. 
 Другими словами, рассмотрите все возможные действия 
 что я мог бы взять из состояния, что этот узел представляет 
 и к каким узлам я могу добраться оттуда. 
 Мы собираемся взять все эти узлы, следующие узлы 

Italian: 
 Altrimenti ciò che faremo è rimuovere un nodo dalla frontiera. 
 Quindi proprio ora all'inizio, la frontiera 
 contiene solo un nodo che rappresenta lo stato iniziale. 
 Ma nel tempo, la frontiera potrebbe crescere. 
 Potrebbe contenere più stati. 
 E quindi qui rimuoveremo un singolo nodo da quella frontiera. 
 Se quel nodo sembra essere un obiettivo, allora abbiamo trovato una soluzione. 
 Quindi rimuoviamo un nodo dalla frontiera e ci chiediamo, è questo l'obiettivo? 
 E lo facciamo applicando il test obiettivo di cui abbiamo parlato in precedenza, 
 chiedendo se siamo a destinazione o chiedendo se tutti i numeri dei 15 
 il puzzle sembra essere in ordine. 
 Quindi se il nodo contiene l'obiettivo, abbiamo trovato una soluzione. 
 Grande. 
 Sono stati fatti. 
 E altrimenti, ciò che dovremo fare è espandere il nodo. 
 E questo è un termine nell'intelligenza artificiale. 
 Espandere il nodo significa solo guardare tutti i vicini di quel nodo. 
 In altre parole, considera tutte le azioni possibili 
 che potrei prendere dallo stato che questo nodo rappresenta 
 e quali nodi potrei ottenere da lì. 
 Prenderemo tutti quei nodi, i nodi successivi 

Korean: 
 그렇지 않으면 우리가 할 일은 프론티어에서 노드를 제거하는 것입니다. 
 바로 지금 시작에, 국경 
 초기 상태를 나타내는 하나의 노드 만 포함합니다. 
 그러나 시간이 지남에 따라 국경이 커질 수 있습니다. 
 여러 상태가 포함될 수 있습니다. 
 그리고 여기서 우리는 그 프론티어에서 단일 노드를 제거 할 것입니다. 
 해당 노드가 목표가되면 해결책을 찾았습니다. 
 그래서 우리는 국경에서 노드를 제거하고 스스로에게 묻습니다. 이것이 목표입니까? 
 앞서 언급 한 목표 테스트를 적용하여 
 우리가 목적지에 있는지 묻거나 15의 모든 숫자가 있는지 묻습니다 
 퍼즐은 순서대로 발생합니다. 
 따라서 노드에 목표가 포함되어 있으면 해결책을 찾았습니다. 
 큰. 
 끝났습니다. 
 그렇지 않으면 우리가해야 할 일은 노드를 확장해야한다는 것입니다. 
 그리고 이것은 인공 지능의 용어입니다. 
 노드를 확장한다는 것은 해당 노드의 모든 이웃을 보는 것을 의미합니다. 
 다시 말해, 가능한 모든 행동을 고려하십시오 
 이 노드가 나타내는 상태에서 
 거기에서 어떤 노드로 갈 수 있습니까? 
 우리는 그 모든 노드, 다음 노드를 가져갈 것입니다 

Spanish: 
 De lo contrario, lo que haremos es eliminar un nodo de la frontera. 
 Así que ahora, al principio, la frontera 
 solo contiene un nodo que representa el estado inicial. 
 Pero con el tiempo, la frontera podría crecer. 
 Puede contener múltiples estados. 
 Entonces, aquí solo vamos a eliminar un solo nodo de esa frontera. 
 Si ese nodo resulta ser un objetivo, entonces encontramos una solución. 
 Entonces eliminamos un nodo de la frontera y nos preguntamos, ¿es este el objetivo? 
 Y lo hacemos aplicando la prueba de objetivos de la que hablamos anteriormente, 
 preguntando si estamos en el destino o preguntando si todos los números de los 15 
 el rompecabezas está en orden. 
 Entonces, si el nodo contiene el objetivo, encontramos una solución. 
 Excelente. 
 Ya hemos terminado 
 Y de lo contrario, lo que tendremos que hacer es expandir el nodo. 
 Y este es un término en inteligencia artificial. 
 Expandir el nodo solo significa mirar a todos los vecinos de ese nodo. 
 En otras palabras, considere todas las acciones posibles. 
 que podría tomar del estado en que este nodo representa 
 y a qué nodos podría llegar desde allí. 
 Vamos a tomar todos esos nodos, los siguientes nodos 

Chinese: 
否则，我们将要做的是从边界中删除一个节点。 
所以现在开始，前沿
仅包含一个代表初始状态的节点。 
但是随着时间的流逝，边界可能会增长。 
它可能包含多个状态。 
因此，这里我们仅要从该边界中删除单个节点。 
如果该节点恰好是目标，那么我们找到了解决方案。 
因此，我们从边界删除一个节点并问自己，这是目标吗？ 
我们通过应用我们之前讨论的目标测试来做到这一点， 
询问我们是否在目的地或询问15个号码中的所有号码
难题碰巧是有秩序的。 
因此，如果节点包含目标，则我们找到了解决方案。 
大。 
大功告成
否则，我们需要做的就是扩展节点。 
这是人工智能中的一个术语。 
扩展节点仅意味着查看该节点的所有邻居。 
换句话说，请考虑所有可能的措施
我可以从该节点代表的状态
我可以从那里到达哪些节点。 
我们将采用所有这些节点，下一个节点

English: 
Otherwise what we'll do is we'll remove a node from the frontier.
So right now at the beginning, the frontier
just contains one node representing the initial state.
But over time, the frontier might grow.
It might contain multiple states.
And so here we're just going to remove a single node from that frontier.
If that node happens to be a goal, then we found a solution.
So we remove a node from the frontier and ask ourselves, is this the goal?
And we do that by applying the goal test that we talked about earlier,
asking if we're at the destination or asking if all the numbers of the 15
puzzle happen to be in order.
So if the node contains the goal, we found a solution.
Great.
We're done.
And otherwise, what we'll need to do is we'll need to expand the node.
And this is a term in artificial intelligence.
To expand the node just means to look at all of the neighbors of that node.
In other words, consider all of the possible actions
that I could take from the state that this node as representing
and what nodes could I get to from there.
We're going to take all of those nodes, the next nodes

French: 
 Sinon, nous allons supprimer un nœud de la frontière. 
 Donc maintenant, au début, la frontière 
 contient juste un nœud représentant l'état initial. 
 Mais avec le temps, la frontière pourrait s'étendre. 
 Il peut contenir plusieurs états. 
 Et donc ici, nous allons simplement supprimer un seul nœud de cette frontière. 
 Si ce nœud se trouve être un objectif, nous avons trouvé une solution. 
 Nous enlevons donc un nœud de la frontière et nous nous demandons: est-ce le but? 
 Et nous le faisons en appliquant le test d'objectif dont nous avons parlé plus tôt, 
 demandant si nous sommes à destination ou si tous les numéros des 15 
 puzzle se trouve être en ordre. 
 Donc, si le nœud contient l'objectif, nous avons trouvé une solution. 
 Génial. 
 Avaient fini. 
 Et sinon, ce que nous devrons faire, c'est que nous devrons étendre le nœud. 
 Et c'est un terme en intelligence artificielle. 
 Développer le nœud signifie simplement regarder tous les voisins de ce nœud. 
 En d'autres termes, considérez toutes les actions possibles 
 que je pourrais prendre de l'état que ce nœud comme représentant 
 et quels nœuds pourrais-je atteindre à partir de là. 
 Nous allons prendre tous ces nœuds, les nœuds suivants 

Portuguese: 
 que eu posso encontrar a partir desta versão atual, 
 e adicione-os à fronteira. 
 E então repetiremos esse processo. 
 Então, em um nível muito alto, a idéia é começar com uma fronteira que 
 contém o estado inicial. 
 E estamos constantemente removendo um nó da fronteira, 
 olhando para onde podemos chegar em seguida e adicionando esses nós à fronteira, 
 repetindo esse processo repetidamente até removermos 
 um nó da fronteira e contém uma meta, o que significa que resolvemos 
 o problema. 
 Ou nos deparamos com uma situação em que a fronteira está vazia, momento em que 
 ficamos sem solução. 
 Então, vamos tentar usar o pseudocódigo, 
 coloque-o em prática examinando um exemplo de um problema de pesquisa de amostra. 
 Então, aqui eu tenho um exemplo de gráfico. 
 A está conectado a B através desta ação, B está conectado ao nó C e D, C 
 está conectado a D, E está conectado a F. E o que eu gostaria de fazer 
 é fazer com que minha IA encontre um caminho de A a E. Queremos chegar desse estado inicial 
 para esse estado de objetivo. 
 Então, como vamos fazer isso? 
 Bem, vamos começar com a fronteira que 
 contém o estado inicial. 

Turkish: 
 baktığım şu anki olandan alabileceğim, 
 ve onları sınıra ekleyin. 
 Ve sonra bu işlemi tekrarlayacağız. 
 Çok yüksek bir seviyede, fikir şu ki bir sınırla başlıyoruz 
 başlangıç ​​durumunu içerir. 
 Ve sürekli olarak bir düğümü sınırdan çıkarıyoruz, 
 bir sonraki noktaya nereye gidebileceğimize bakıp bu düğümleri sınıra ekleyerek 
 kaldırılana kadar bu işlemi tekrar tekrar 
 sınırdan bir düğüm ve bir hedef içeriyor, yani çözdük 
 sorun. 
 Veya sınırın boş olduğu, hangi noktada 
 çözümümüz kalmadı. 
 Şimdi yalancı kodu almaya çalışalım, 
 örnek bir arama problemi örneğine bakarak uygulamaya koyun. 
 İşte tam bir örnek grafiğim var. 
 A bu eylem ile B'ye bağlanır, B düğüm C ve D, C'ye bağlanır 
 D'ye bağlı, E F'ye bağlı. Ve ne yapmak istiyorum 
 yapay zekamın A'dan E'ye bir yol bulmasını istiyoruz. Bu başlangıç ​​durumundan almak istiyoruz 
 bu hedef duruma. 
 Peki bunu nasıl yapacağız? 
 Şey, şu sınırla başlayacağız 
 başlangıç ​​durumunu içerir. 

Chinese: 
我可以從當前的目標中獲得幫助
並將它們添加到邊界。 
然後，我們將重複此過程。 
因此，從高層次來看，我們的想法是
包含初始狀態。 
而且我們一直在從邊界中刪除一個節點， 
看我們可以到達下一個地方，並將這些節點添加到邊界， 
一遍又一遍地重複此過程，直到我們刪除
來自邊界的節點，它包含一個目標，這意味著我們已經解決了
問題。 
否則我們會遇到邊界為空的情況
我們沒有解決辦法。 
因此，讓我們實際嘗試採用偽代碼， 
通過查看示例搜索問題的示例將其付諸實踐。 
所以在這裡，我有一個示例圖。 
 A通過此操作連接到B，B連接到節點C和D，C 
連接到D，E連接到F。我想做的是
是讓我的AI找到一條從A到E的道路。 
達到這個目標狀態。 
那麼我們該怎麼做呢？ 
好吧，我們將從邊界開始
包含初始狀態。 

Spanish: 
 a la que puedo llegar desde este actual que estoy viendo, 
 y agregarlos a la frontera. 
 Y luego repetiremos este proceso. 
 Entonces, a un nivel muy alto, la idea es comenzar con una frontera que 
 contiene el estado inicial 
 Y constantemente estamos eliminando un nodo de la frontera, 
 mirando a dónde podemos llegar a continuación y agregando esos nodos a la frontera, 
 repitiendo este proceso una y otra vez hasta que eliminemos 
 un nodo de la frontera y contiene un objetivo, lo que significa que hemos resuelto 
 el problema. 
 O nos encontramos con una situación en la que la frontera está vacía, en cuyo punto 
 nos quedamos sin solución. 
 Así que intentemos tomar el pseudocódigo, 
 póngalo en práctica mirando un ejemplo de un problema de búsqueda de muestra. 
 Así que aquí tengo un gráfico de muestra. 
 A está conectado a B a través de esta acción, B está conectado al nodo C y D, C 
 está conectado a D, E está conectado a F. Y lo que me gustaría hacer 
 es hacer que mi IA encuentre un camino de A a E. Queremos llegar desde este estado inicial 
 a este estado objetivo. 
 Entonces, ¿cómo vamos a hacer eso? 
 Bueno, vamos a comenzar con la frontera que 
 contiene el estado inicial 

Chinese: 
我可以从当前的目标中获得帮助
并将它们添加到边界。 
然后，我们将重复此过程。 
因此，从高层次来看，我们的想法是
包含初始状态。 
而且我们一直在从边界中删除一个节点， 
看我们可以到达下一个地方，并将这些节点添加到边界， 
一遍又一遍地重复此过程，直到我们删除
来自边界的节点，它包含一个目标，这意味着我们已经解决了
问题。 
否则我们会遇到边界为空的情况
我们没有解决办法。 
因此，让我们实际尝试采用伪代码， 
通过查看示例搜索问题的示例将其付诸实践。 
所以在这里，我有一个示例图。 
 A通过此操作连接到B，B连接到节点C和D，C 
连接到D，E连接到F。我想做的是
是让我的AI找到一条从A到E的道路。 
达到这个目标状态。 
那么我们该怎么做呢？ 
好吧，我们将从边界开始
包含初始状态。 

English: 
that I can get to from this current one I'm looking at,
and add those to the frontier.
And then we'll repeat this process.
So at a very high level, the idea is we start with a frontier that
contains the initial state.
And we're constantly removing a node from the frontier,
looking at where we can get to next, and adding those nodes to the frontier,
repeating this process over and over until either we remove
a node from the frontier and it contains a goal, meaning we've solved
the problem.
Or we run into a situation where the frontier is empty, at which point
we're left with no solution.
So let's actually try and take the pseudocode,
put it into practice by taking a look at an example of a sample search problem.
So right here I have a sample graph.
A is connected to B via this action, B is connected to node C and D, C
is connected to D, E is connected to F. And what I'd like to do
is have my AI find a path from A to E. We want to get from this initial state
to this goal state.
So how are we going to do that?
Well, we're going to start with the frontier that
contains the initial state.

German: 
 dass ich von diesem aktuellen, zu dem ich schaue, gelangen kann, 
 und fügen Sie diese der Grenze hinzu. 
 Und dann wiederholen wir diesen Vorgang. 
 Auf sehr hohem Niveau beginnen wir also mit einer Grenze, die 
 enthält den Ausgangszustand. 
 Und wir entfernen ständig einen Knoten von der Grenze, 
 Schauen Sie sich an, wo wir als nächstes hinkommen können, und fügen Sie diese Knoten zur Grenze hinzu. 
 Wiederholen Sie diesen Vorgang immer wieder, bis wir ihn entfernen 
 ein Knoten von der Grenze und es enthält ein Ziel, was bedeutet, wir haben gelöst 
 das Problem. 
 Oder wir stoßen auf eine Situation, in der die Grenze zu diesem Zeitpunkt leer ist 
 Wir haben keine Lösung mehr. 
 Versuchen wir also tatsächlich, den Pseudocode zu verwenden. 
 Setzen Sie es in die Praxis um, indem Sie sich ein Beispiel für ein Beispielsuchproblem ansehen. 
 Also hier habe ich ein Beispieldiagramm. 
 A ist über diese Aktion mit B verbunden, B ist mit Knoten C und D, C verbunden 
 ist mit D verbunden, E ist mit F verbunden. Und was ich gerne tun würde 
 Lassen Sie meine KI einen Pfad von A nach E finden. Wir möchten aus diesem Ausgangszustand herauskommen 
 zu diesem Zielzustand. 
 Wie machen wir das? 
 Nun, wir werden mit der Grenze beginnen, die 
 enthält den Ausgangszustand. 

Korean: 
 내가보고있는이 현재로부터 얻을 수있는 
 그것들을 프론티어에 추가하십시오. 
 그런 다음이 과정을 반복하겠습니다. 
 매우 높은 수준에서 아이디어는 우리가 
 초기 상태를 포함합니다. 
 그리고 우리는 항상 프론티어에서 노드를 제거하고 있습니다. 
 다음에 갈 수있는 곳을 찾고 그 노드를 프론티어에 추가하면 
 우리가 제거 할 때 까지이 과정을 계속 반복 
 프론티어의 노드이며 목표가 포함되어 있습니다. 
 문제. 
 또는 우리는 국경이 비어있는 상황에 처하게됩니다. 
 우리는 해결책이 없습니다. 
 실제로 의사 코드를 사용해 보도록하겠습니다. 
 샘플 검색 문제의 예를 살펴보면서 실제로 적용하십시오. 
 여기 샘플 그래프가 있습니다. 
 A는이 조치를 통해 B에 연결되고 B는 노드 C에 연결되고 D, C 
 D와 연결되어 있고, E와 F 연결되어 있습니다. 
 내 AI가 A에서 E로가는 길을 찾도록하는 것입니다. 우리는이 초기 상태에서 벗어나고 싶습니다 
 이 목표 상태로. 
 어떻게 그렇게할까요? 
 글쎄요, 우리는 프론티어부터 시작하겠습니다. 
 초기 상태를 포함합니다. 

Indonesian: 
 yang bisa saya dapatkan dari yang saat ini saya lihat, 
 dan menambahkannya ke perbatasan. 
 Dan kemudian kita akan mengulangi proses ini. 
 Jadi pada level yang sangat tinggi, idenya adalah kita mulai dengan perbatasan itu 
 berisi keadaan awal. 
 Dan kami terus-menerus menghapus simpul dari perbatasan, 
 melihat di mana kita bisa sampai ke selanjutnya, dan menambahkan node tersebut ke perbatasan, 
 ulangi proses ini berulang-ulang sampai kami menghapusnya 
 simpul dari perbatasan dan berisi tujuan, artinya kami telah menyelesaikannya 
 masalah. 
 Atau kita mengalami situasi di mana perbatasan kosong, pada titik mana 
 kami pergi tanpa solusi. 
 Jadi mari kita benar-benar mencoba dan mengambil kodesemu, 
 mempraktikkannya dengan melihat contoh masalah pencarian sampel. 
 Jadi di sini saya punya grafik sampel. 
 A terhubung ke B melalui tindakan ini, B terhubung ke simpul C dan D, C 
 terhubung ke D, E terhubung ke F. Dan apa yang ingin saya lakukan 
 adalah minta AI saya menemukan jalur dari A ke E. Kami ingin mendapatkan dari keadaan awal ini 
 ke negara tujuan ini. 
 Jadi bagaimana kita akan melakukannya? 
 Baiklah, kita akan mulai dengan perbatasan itu 
 berisi keadaan awal. 

Modern Greek (1453-): 
 που μπορώ να φτάσω από αυτό το τρέχον που βλέπω, 
 και προσθέστε αυτά στα σύνορα. 
 Και μετά θα επαναλάβουμε αυτήν τη διαδικασία. 
 Έτσι, σε πολύ υψηλό επίπεδο, η ιδέα είναι να ξεκινήσουμε με ένα σύνορο αυτό 
 περιέχει την αρχική κατάσταση. 
 Και αφαιρούμε συνεχώς έναν κόμβο από τα σύνορα, 
 κοιτάζοντας πού μπορούμε να φτάσουμε στο επόμενο, και προσθέτοντας αυτούς τους κόμβους στα σύνορα, 
 επαναλαμβάνοντας αυτήν τη διαδικασία ξανά και ξανά μέχρι να καταργήσουμε 
 ένας κόμβος από τα σύνορα και περιέχει έναν στόχο, που σημαίνει ότι έχουμε λύσει 
 το πρόβλημα. 
 Ή συναντάμε μια κατάσταση όπου τα σύνορα είναι άδεια, σε αυτό το σημείο 
 δεν έχουμε καμία λύση. 
 Ας προσπαθήσουμε λοιπόν να πάρουμε τον ψευδοκώδικα, 
 εφαρμόστε το ρίχνοντας μια ματιά σε ένα παράδειγμα ενός δείγματος προβλήματος αναζήτησης. 
 Λοιπόν εδώ έχω ένα δείγμα γραφήματος. 
 Το A συνδέεται στο B μέσω αυτής της ενέργειας, το B συνδέεται στον κόμβο C και D, C 
 είναι συνδεδεμένο με το D, το Ε είναι συνδεδεμένο με το F. Και αυτό που θα ήθελα να κάνω 
 είναι να βρω το AI μου ένα μονοπάτι από το Α στο Ε. Θέλουμε να πάρουμε από αυτήν την αρχική κατάσταση 
 σε αυτήν την κατάσταση στόχου. 
 Λοιπόν, πώς θα το κάνουμε αυτό; 
 Λοιπόν, θα ξεκινήσουμε με τα σύνορα 
 περιέχει την αρχική κατάσταση. 

French: 
 que je peux obtenir à partir de celui que je regarde actuellement, 
 et les ajouter à la frontière. 
 Et puis nous répéterons ce processus. 
 Donc, à un niveau très élevé, l'idée est de commencer avec une frontière qui 
 contient l'état initial. 
 Et nous supprimons constamment un nœud de la frontière, 
 regarder où nous pouvons aller ensuite, et ajouter ces nœuds à la frontière, 
 répéter ce processus encore et encore jusqu'à ce que nous supprimions 
 un nœud de la frontière et il contient un objectif, ce qui signifie que nous avons résolu 
 le problème. 
 Ou nous nous retrouvons dans une situation où la frontière est vide, à quel point 
 nous nous retrouvons sans solution. 
 Essayons donc de prendre le pseudocode, 
 mettez-le en pratique en examinant un exemple de problème de recherche d'échantillons. 
 Donc, ici, j'ai un exemple de graphique. 
 A est connecté à B via cette action, B est connecté aux nœuds C et D, C 
 est connecté à D, E est connecté à F. Et ce que je voudrais faire 
 est d'avoir mon IA trouver un chemin de A à E. Nous voulons sortir de cet état initial 
 à cet état objectif. 
 Alors, comment allons-nous faire cela? 
 Eh bien, nous allons commencer par la frontière 
 contient l'état initial. 

Russian: 
 что я могу получить от этого текущего я смотрю, 
 и добавить их к границе. 
 И тогда мы повторим этот процесс. 
 Итак, на очень высоком уровне, идея в том, что мы начинаем с границы, которая 
 содержит начальное состояние. 
 И мы постоянно удаляем узел с границы, 
 глядя на то, где мы можем добраться до следующего, и добавляя эти узлы к границе, 
 повторяя этот процесс снова и снова, пока мы не удалим 
 узел от границы, и он содержит цель, то есть мы решили 
 проблема. 
 Или мы сталкиваемся с ситуацией, когда граница пуста, и в этот момент 
 мы остались без решения. 
 Итак, давайте попробуем взять псевдокод, 
 применить это на практике, взглянув на пример типовой проблемы поиска. 
 Так что здесь у меня есть пример графика. 
 A подключается к B через это действие, B подключается к узлу C и D, C 
 подключен к D, E подключен к F. И что я хотел бы сделать 
 пусть мой ИИ найдет путь от А до Е. Мы хотим выйти из этого начального состояния 
 до этой цели государство. 
 Итак, как мы будем это делать? 
 Ну, мы собираемся начать с границы, которая 
 содержит начальное состояние. 

Italian: 
 che posso ottenere da questo attuale che sto guardando, 
 e aggiungili alla frontiera. 
 E poi ripeteremo questo processo. 
 Quindi a un livello molto alto, l'idea è di iniziare con una frontiera che 
 contiene lo stato iniziale. 
 E rimuoviamo costantemente un nodo dalla frontiera, 
 guardando dove possiamo arrivare al prossimo, e aggiungendo quei nodi alla frontiera, 
 ripetendo ripetutamente questo processo fino a quando non lo rimuoviamo 
 un nodo dalla frontiera e contiene un obiettivo, nel senso che abbiamo risolto 
 il problema. 
 Oppure ci imbattiamo in una situazione in cui la frontiera è vuota, a quel punto 
 non abbiamo soluzione. 
 Quindi proviamo a prendere lo pseudocodice, 
 metterlo in pratica dando un'occhiata ad un esempio di un problema di ricerca di esempio. 
 Quindi qui ho un grafico di esempio. 
 A è collegato a B tramite questa azione, B è collegato ai nodi C e D, C 
 è collegato a D, E è collegato a F. E cosa mi piacerebbe fare 
 è che la mia IA trovi un percorso da A ad E. Vogliamo ottenere da questo stato iniziale 
 a questo stato obiettivo. 
 Quindi come lo faremo? 
 Bene, inizieremo con quella frontiera 
 contiene lo stato iniziale. 

Dutch: 
 die ik kan bereiken via deze huidige waar ik naar kijk, 
 en voeg die toe aan de grens. 
 En dan herhalen we dit proces. 
 Dus op een zeer hoog niveau is het idee dat we beginnen met een grens die 
 bevat de begintoestand. 
 En we verwijderen constant een knooppunt van de grens, 
 kijken naar waar we kunnen komen en die knooppunten aan de grens toevoegen, 
 dit proces steeds opnieuw herhalend totdat we het verwijderen 
 een knooppunt vanaf de grens en het bevat een doel, wat betekent dat we het hebben opgelost 
 het probleem. 
 Of we komen een situatie tegen waarin de grens leeg is, op welk punt 
 we hebben geen oplossing meer. 
 Dus laten we proberen de pseudocode te nemen, 
 breng het in de praktijk door te kijken naar een voorbeeld van een voorbeeldzoekprobleem. 
 Dus hier heb ik een voorbeeldgrafiek. 
 A is via deze actie verbonden met B, B is verbonden met knooppunt C en D, C 
 is verbonden met D, E is verbonden met F. En wat ik zou willen doen 
 is dat mijn AI een pad vindt van A naar E. We willen uit deze begintoestand komen 
 aan deze doelstaat. 
 Dus hoe gaan we dat doen? 
 Wel, we beginnen met de grens die 
 bevat de begintoestand. 

Japanese: 
私が見ているこの現在のものから私が得ることができること、 
それらをフロンティアに追加します。 
そして、このプロセスを繰り返します。 
つまり、非常に高いレベルでは、フロンティアから始めるという考えです。 
初期状態が含まれています。 
そして、常にフロンティアからノードを削除しています。 
次に到達できる場所を見て、それらのノードをフロンティアに追加します。 
どちらかが削除されるまでこのプロセスを繰り返します
フロンティアからのノードであり、ゴールを含みます。 
問題。 
または、フロンティアが空である状況に遭遇します。その時点で
解決策はありません。 
では、実際に擬似コードを試してみましょう。 
サンプルの検索問題の例を見て、それを実践に移してください。 
ここにサンプルグラフがあります。 
 Aはこのアクションを介してBに接続され、BはノードCおよびD、Cに接続されます
 Dに接続され、EがFに接続されます。そして、私がしたいこと
 AIからAからEへのパスを見つけます。この初期状態から取得したい
この目標状態に。 
それでは、どうすればよいでしょうか。 
さて、私たちはそのフロンティアから始めます
初期状態が含まれています。 

Hindi: 
 मैं इस वर्तमान से प्राप्त कर सकता हूं जिसे मैं देख रहा हूं, 
 और उन सीमांत में जोड़ें। 
 और फिर हम इस प्रक्रिया को दोहराएंगे। 
 इसलिए बहुत उच्च स्तर पर, विचार हम एक सीमा के साथ शुरू करते हैं 
 प्रारंभिक अवस्था होती है। 
 और हम लगातार सीमा से एक नोड निकाल रहे हैं, 
 यह देखते हुए कि हम आगे कहां जा सकते हैं, और उन नोड्स को सीमांत में जोड़ते हैं, 
 इस प्रक्रिया को बार-बार दोहराने से या तो हम दूर करते हैं 
 सीमा से एक नोड और इसमें एक लक्ष्य होता है, जिसका अर्थ है कि हमने हल कर लिया है 
 समस्या। 
 या हम एक ऐसी स्थिति में भाग लेते हैं, जहां सीमांत खाली है, जिस बिंदु पर 
 हम कोई समाधान नहीं छोड़ रहे हैं। 
 तो चलो वास्तव में कोशिश करते हैं और pseudocode लेते हैं, 
 एक नमूना खोज समस्या के उदाहरण पर एक नज़र डालकर इसे अभ्यास में लाएं। 
 तो यहीं मेरे पास एक नमूना ग्राफ है। 
 A इस क्रिया से B से जुड़ा है, B नोड C और D, C से जुड़ा है 
 D से जुड़ा है, E, F से जुड़ा है और मैं क्या करना चाहूंगा 
 क्या मेरे एआई को ए से ई तक का रास्ता मिल गया है। हम इस प्रारंभिक अवस्था से प्राप्त करना चाहते हैं 
 इस लक्ष्य की स्थिति के लिए। 
 तो हम ऐसा कैसे करने जा रहे हैं? 
 खैर, हम फ्रंटियर के साथ शुरुआत करने जा रहे हैं 
 प्रारंभिक अवस्था होती है। 

Arabic: 
 التي يمكنني الوصول إليها من هذا التيار الذي أنظر إليه ، 
 وإضافة تلك إلى الحدود. 
 ثم سنكرر هذه العملية. 
 إذن ، على مستوى عالٍ جدًا ، الفكرة هي أننا نبدأ بحدود ذلك 
 يحتوي على الحالة الأولية. 
 ونزيل باستمرار عقدة من الحدود ، 
 بالنظر إلى المكان الذي يمكننا الوصول إليه بعد ذلك ، وإضافة تلك العقد إلى الحدود ، 
 تكرار هذه العملية مرارًا وتكرارًا حتى نزيلها 
 عقدة من الحدود وتحتوي على هدف ، وهذا يعني أننا قد حللناها 
 المشكلة. 
 أو نواجه حالة حيث تكون الحدود فارغة ، وعند هذه النقطة 
 لم يتبق لنا حل. 
 لذلك دعونا نحاول في الواقع ونأخذ الرمز الزائف ، 
 وضعها موضع التنفيذ من خلال إلقاء نظرة على مثال لمشكلة بحث عينة. 
 حتى هنا لدي رسم بياني عينة. 
 يتم توصيل A بـ B عبر هذا الإجراء ، ويتم توصيل B بالعقدة C و D و C 
 متصل بـ D ، E متصل بـ F. وما أود القيام به 
 هو أن تجد الذكاء الاصطناعي الخاص بي مسارًا من A إلى E. نريد الوصول من هذه الحالة الأولية 
 لهذه الحالة الهدف. 
 إذا كيف سنفعل ذلك؟ 
 حسنًا ، سنبدأ بحدود ذلك 
 يحتوي على الحالة الأولية. 

Chinese: 
这将代表我们的前沿。 
因此，我们的边界最初将仅包含A，即初始状态
我们要开始的地方。 
现在，我们将重复此过程。 
如果边界为空，则无解。 
这不是问题，因为边界不为空。 
因此，我们将从边界中删除一个节点作为下一个要考虑的节点。 
边界中只有一个节点。 
因此，我们将继续将其从边界中删除。 
但是现在A，这是初始节点，这是我们当前正在考虑的节点。 
我们继续下一步。 
我们问自己，这个节点是目标吗？ 
不，这不对。 
 A不是目标。 
 E是目标。 
因此，我们不返回解决方案。 
因此，我们转到最后一步，展开节点
并将结果节点添加到边界。 
这意味着什么？ 
好吧，这意味着取这个状态A并考虑到下一步。 
而在A之后，我们只能到达下一个
 B.这就是我们扩展A所得到的。我们找到B。 
然后我们将B添加到边界。 
现在B处于边界，我们再次重复该过程。 
我们说，好的。 
边界不为空。 

Korean: 
 이것은 우리의 국경을 대표 할 것입니다. 
 처음에는 프론티어에 초기 상태 인 A 만 포함됩니다. 
 우리가 시작할 곳. 
 이제이 과정을 반복하겠습니다. 
 프론티어가 비어 있으면 솔루션이 없습니다. 
 프론티어가 비어 있지 않기 때문에 문제가되지 않습니다. 
 따라서 다음에 고려해야 할 노드로 프론티어에서 노드를 제거합니다. 
 프론티어에는 하나의 노드 만 있습니다. 
 계속해서 프론티어에서 제거하겠습니다. 
 그러나 이제이 초기 노드 인 A는 현재 고려중인 노드입니다. 
 다음 단계를 따릅니다. 
 우리는 스스로에게 묻습니다.이 노드가 목표입니까? 
 아뇨. 
 A는 목표가 아닙니다. 
 E는 목표입니다. 
 따라서 솔루션을 반환하지 않습니다. 
 대신이 마지막 단계로 이동하여 노드를 확장하십시오. 
 결과 노드를 프론티어에 추가합니다. 
 그게 무슨 뜻이야? 
 음, 그것은이 상태 A를 취하고 다음에 갈 수있는 곳을 고려한다는 의미입니다. 
 그리고 우리가 다음에 갈 수있는 것은 
 B. 그것이 우리가 A를 확장 할 때 얻는 것입니다. 우리는 B를 찾습니다. 
 그리고 우리는 국경에 B를 추가합니다. 
 이제 B가 최전선에 서서 프로세스를 다시 반복합니다. 
 우리는 말합니다. 
 프론티어가 비어 있지 않습니다. 

Italian: 
 Questo rappresenterà la nostra frontiera. 
 Quindi la nostra frontiera, inizialmente, conterrà solo A, quello stato iniziale 
 da dove inizieremo. 
 E ora ripeteremo questo processo. 
 Se la frontiera è vuota, nessuna soluzione. 
 Questo non è un problema perché la frontiera non è vuota. 
 Quindi rimuoveremo un nodo dalla frontiera come quello da considerare dopo. 
 C'è un solo nodo nella frontiera. 
 Quindi andremo avanti e lo rimuoveremo dalla frontiera. 
 Ma ora A, questo nodo iniziale, questo è il nodo che stiamo attualmente considerando. 
 Seguiamo il prossimo passo. 
 Ci chiediamo, questo nodo è l'obiettivo? 
 No non lo è. 
 A non è l'obiettivo. 
 E è l'obiettivo. 
 Quindi non restituiamo la soluzione. 
 Quindi, invece, andiamo a quest'ultimo passaggio, espandendo il nodo 
 e aggiungi i nodi risultanti alla frontiera. 
 Cosa significa? 
 Bene, significa prendere questo stato A e considerare dove potremmo arrivare al prossimo. 
 E dopo A quello che potremmo arrivare al prossimo è solo 
 B. Ecco cosa otteniamo quando espandiamo A. Troviamo B. 
 E aggiungiamo B alla frontiera. 
 E ora B è in frontiera e ripetiamo nuovamente il processo. 
 Diciamo, va bene. 
 La frontiera non è vuota. 

Spanish: 
 Esto va a representar nuestra frontera. 
 Entonces, nuestra frontera, inicialmente, solo contendrá A, ese estado inicial 
 donde vamos a comenzar 
 Y ahora repetiremos este proceso. 
 Si la frontera está vacía, no hay solución. 
 Eso no es un problema porque la frontera no está vacía. 
 Así que eliminaremos un nodo de la frontera como el que debemos considerar a continuación. 
 Solo hay un nodo en la frontera. 
 Así que seguiremos adelante y lo eliminaremos de la frontera. 
 Pero ahora A, este nodo inicial, este es el nodo que estamos considerando actualmente. 
 Seguimos el siguiente paso. 
 Nos preguntamos, ¿es este nodo el objetivo? 
 No, no es. 
 A no es el objetivo. 
 E es el objetivo. 
 Entonces no devolvemos la solución. 
 Entonces, en su lugar, vamos a este último paso, expandimos el nodo 
 y agregue los nodos resultantes a la frontera. 
 Qué significa eso? 
 Bueno, significa tomar este estado A y considerar dónde podríamos llegar a continuación. 
 Y después de A lo que podríamos llegar a continuación es solo 
 B. Entonces, eso es lo que obtenemos cuando expandimos A. Encontramos B. 
 Y agregamos B a la frontera. 
 Y ahora B está en la frontera y repetimos el proceso nuevamente. 
 Decimos, está bien. 
 La frontera no está vacía. 

Modern Greek (1453-): 
 Αυτό θα αντιπροσωπεύει τα σύνορά μας. 
 Έτσι, τα σύνορά μας, αρχικά, θα περιέχουν μόνο το Α, την αρχική κατάσταση 
 από πού θα ξεκινήσουμε. 
 Και τώρα θα επαναλάβουμε αυτήν τη διαδικασία. 
 Εάν τα σύνορα είναι άδεια, δεν υπάρχει λύση. 
 Αυτό δεν είναι πρόβλημα επειδή τα σύνορα δεν είναι κενά. 
 Επομένως, θα αφαιρέσουμε έναν κόμβο από τα σύνορα ως αυτόν που θα εξετάσουμε στη συνέχεια. 
 Υπάρχει μόνο ένας κόμβος στα σύνορα. 
 Έτσι θα προχωρήσουμε και θα το αφαιρέσουμε από τα σύνορα. 
 Αλλά τώρα Α, αυτός ο αρχικός κόμβος, αυτός είναι ο κόμβος που εξετάζουμε αυτήν τη στιγμή. 
 Ακολουθούμε το επόμενο βήμα. 
 Αναρωτιόμαστε, είναι αυτός ο κόμβος ο στόχος; 
 Οχι δεν είναι. 
 Το Α δεν είναι ο στόχος. 
 Το Ε είναι ο στόχος. 
 Δεν επιστρέφουμε λοιπόν τη λύση. 
 Αντ 'αυτού, πηγαίνουμε σε αυτό το τελευταίο βήμα, επεκτείνουμε τον κόμβο 
 και προσθέστε τους προκύπτοντες κόμβους στα σύνορα. 
 Τι σημαίνει αυτό? 
 Λοιπόν, σημαίνει να πάρετε αυτήν την κατάσταση Α και να σκεφτείτε πού θα μπορούσαμε να φτάσουμε στη συνέχεια. 
 Και μετά το Α αυτό που μπορούμε να φτάσουμε στη συνέχεια είναι μόνο 
 Β. Αυτό λοιπόν παίρνουμε όταν επεκτείνουμε A. Βρίσκουμε το Β. 
 Και προσθέτουμε το B στα σύνορα. 
 Και τώρα ο Β βρίσκεται στα σύνορα και επαναλαμβάνουμε τη διαδικασία ξανά. 
 Λέμε, εντάξει. 
 Τα σύνορα δεν είναι άδεια. 

Japanese: 
これは私たちのフロンティアを表すことになるでしょう。 
したがって、最初はフロンティアにAのみが含まれ、その初期状態は
どこから始めるか。 
そして、このプロセスを繰り返します。 
フロンティアが空の場合、解決策はありません。 
フロンティアが空ではないので、それは問題ではありません。 
したがって、次に検討するノードとして、フロンティアからノードを削除します。 
フロンティアにはノードが1つだけあります。 
先に進み、フロンティアから削除します。 
しかし今、A、この最初のノード、これは現在検討しているノードです。 
次のステップに従います。 
このノードが目的ですか？ 
いいえ、ちがいます。 
 Aは目標ではありません。 
 Eが目標です。 
したがって、ソリューションは返却しません。 
代わりに、この最後のステップに進み、ノードを展開します
結果のノードをフロンティアに追加します。 
どういう意味ですか？ 
まあ、それはこの状態Aをとり、次にどこに行くことができるかを考えることを意味します。 
そして、Aの後に次に取得できるのは
 B.したがって、Aを展開するとそれが得られます。Bが見つかります。 
そして、フロンティアにBを追加します。 
そして今、Bはフロンティアにあり、我々はプロセスを再び繰り返します。 
大丈夫です
フロンティアは空ではありません。 

French: 
 Cela va représenter notre frontière. 
 Donc, notre frontière, initialement, ne contiendra que A, cet état initial 
 où nous allons commencer. 
 Et maintenant, nous allons répéter ce processus. 
 Si la frontière est vide, pas de solution. 
 Ce n'est pas un problème car la frontière n'est pas vide. 
 Nous allons donc supprimer un nœud de la frontière comme celui à considérer ensuite. 
 Il n'y a qu'un seul nœud à la frontière. 
 Nous allons donc aller de l'avant et le retirer de la frontière. 
 Mais maintenant A, ce nœud initial, c'est le nœud que nous considérons actuellement. 
 Nous suivons l'étape suivante. 
 Nous nous demandons, ce nœud est-il le but? 
 Non ce n'est pas. 
 A n'est pas le but. 
 E est le but. 
 Nous ne renvoyons donc pas la solution. 
 Donc, à la place, nous allons à cette dernière étape, développons le nœud 
 et ajouter les nœuds résultants à la frontière. 
 Qu'est-ce que ça veut dire? 
 Eh bien, cela signifie prendre cet état A et considérer où nous pourrions aller ensuite. 
 Et après A, ce à quoi nous pourrions arriver ensuite est seulement 
 C'est donc ce que nous obtenons lorsque nous développons A. Nous trouvons B. 
 Et nous ajoutons B à la frontière. 
 Et maintenant, B est à la frontière et nous répétons le processus à nouveau. 
 Nous disons, très bien. 
 La frontière n'est pas vide. 

Dutch: 
 Dit gaat onze grens vertegenwoordigen. 
 Dus onze grens zal aanvankelijk alleen A bevatten, die begintoestand 
 waar we beginnen. 
 En nu herhalen we dit proces. 
 Als de grens leeg is, is er geen oplossing. 
 Dat is geen probleem, want de grens is niet leeg. 
 Dus we zullen een knooppunt van de grens verwijderen als het volgende om te overwegen. 
 Er is maar één knooppunt in de grens. 
 Dus we gaan door en verwijderen het van de grens. 
 Maar nu A, dit eerste knooppunt, is dit het knooppunt dat we momenteel overwegen. 
 We volgen de volgende stap. 
 We vragen ons af: is dit knooppunt het doel? 
 Nee dat is het niet. 
 A is niet het doel. 
 E is het doel. 
 We geven de oplossing dus niet terug. 
 Dus in plaats daarvan gaan we naar deze laatste stap, vouw het knooppunt uit 
 en voeg de resulterende knooppunten toe aan de grens. 
 Wat betekent dat? 
 Nou, het betekent dat we deze staat A moeten nemen en moeten bedenken waar we heen kunnen. 
 En na A is wat we hierna kunnen bereiken alleen 
 B. Dus dat is wat we krijgen als we uitbreiden A. We vinden B. 
 En we voegen B toe aan de grens. 
 En nu is B in de grens en herhalen we het proces opnieuw. 
 We zeggen, oké. 
 De grens is niet leeg. 

Russian: 
 Это будет представлять нашу границу. 
 Таким образом, наша граница изначально будет содержать А, это начальное состояние 
 где мы собираемся начать. 
 А теперь мы повторим этот процесс. 
 Если граница пуста, решения нет. 
 Это не проблема, потому что граница не пуста. 
 Таким образом, мы удалим узел с границы в качестве следующего. 
 На границе только один узел. 
 Так что мы пойдем дальше и уберем его от границы. 
 Но теперь А, этот начальный узел, это тот узел, который мы сейчас рассматриваем. 
 Мы следуем за следующим шагом. 
 Мы спрашиваем себя, является ли этот узел целью? 
 Нет, это не так. 
 А это не цель. 
 Е это цель. 
 Поэтому мы не возвращаем решение. 
 Итак, вместо этого мы перейдем к этому последнему шагу, разверните узел 
 и добавить результирующие узлы к границе. 
 Что это обозначает? 
 Ну, это означает, что возьмите это состояние А и подумайте, куда мы можем добраться до следующего. 
 И после того, что мы могли бы добраться до следующего только 
 Б. Вот что мы получаем, когда расширяемся. А. Находим Б. 
 И мы добавляем B к границе. 
 И теперь B находится на границе, и мы повторяем процесс снова. 
 Мы говорим, все в порядке. 
 Граница не пуста. 

Hindi: 
 यह हमारे सीमांत का प्रतिनिधित्व करने वाला है। 
 तो हमारा सीमांत, प्रारंभ में, केवल A, उस प्रारंभिक अवस्था को समाहित करेगा 
 हम कहाँ शुरू करने जा रहे हैं। 
 और अब हम इस प्रक्रिया को दोहराएंगे। 
 यदि सीमांत खाली है, तो कोई समाधान नहीं। 
 यह कोई समस्या नहीं है क्योंकि सीमा खाली नहीं है। 
 तो हम आगे के विचार के रूप में सीमा से एक नोड निकाल देंगे। 
 सीमांत में केवल एक नोड है। 
 इसलिए हम आगे बढ़ेंगे और इसे सीमा से हटाएंगे। 
 लेकिन अब ए, यह प्रारंभिक नोड, यह वह नोड है जिसे हम वर्तमान में विचार कर रहे हैं। 
 हम अगले चरण का पालन करते हैं। 
 हम खुद से पूछते हैं कि क्या यह लक्ष्य लक्ष्य है? 
 नहीं यह नहीं। 
 A लक्ष्य नहीं है। 
 ई लक्ष्य है। 
 इसलिए हम समाधान नहीं लौटाते हैं। 
 इसलिए इसके बजाय, हम इस अंतिम चरण पर जाते हैं, नोड का विस्तार करते हैं 
 और परिणामी नोड्स को फ्रंटियर में जोड़ें। 
 इसका क्या मतलब है? 
 खैर, इसका मतलब यह है कि इस राज्य को लें और विचार करें कि हम आगे कहां पहुंच सकते हैं। 
 और A के बाद हमें जो मिल सकता है वह केवल है 
 बी। इसलिए जब हम ए का विस्तार करते हैं, तो हम बी पाते हैं। 
 और हम बी को फ्रंटियर में जोड़ते हैं। 
 और अब बी फ्रंटियर में है और हम प्रक्रिया को फिर से दोहराते हैं। 
 हम कहते हैं, बिलकुल ठीक। 
 सीमांत खाली नहीं है। 

Chinese: 
這將代表我們的前沿。 
因此，我們的邊界最初將僅包含A，即初始狀態
我們要開始的地方。 
現在，我們將重複此過程。 
如果邊界為空，則無解。 
這不是問題，因為邊界不為空。 
因此，我們將從邊界中刪除一個節點作為下一個要考慮的節點。 
邊界中只有一個節點。 
因此，我們將繼續將其從邊界中刪除。 
但是現在A，這是初始節點，這是我們當前正在考慮的節點。 
我們繼續下一步。 
我們問自己，這個節點是目標嗎？ 
不，這不對。 
 A不是目標。 
 E是目標。 
因此，我們不返回解決方案。 
因此，我們轉到最後一步，展開節點
並將結果節點添加到邊界。 
這意味著什麼？ 
好吧，這意味著取這個狀態A並考慮到下一步。 
而在A之後，我們只能到達下一個
 B.這就是我們擴展A所得到的。我們找到B。 
然後我們將B添加到邊界。 
現在B處於邊界，我們再次重複該過程。 
我們說，好的。 
邊界不為空。 

Turkish: 
 Bu bizim sınırımızı temsil edecek. 
 Yani sınırımız başlangıçta sadece A'yı içerecek, bu ilk durum 
 buradan başlayacağız. 
 Ve şimdi bu işlemi tekrarlayacağız. 
 Sınır boşsa, çözüm yok. 
 Bu bir sorun değil çünkü sınır boş değil. 
 Bu yüzden bir sonraki noktayı bir düğüm olarak sınırdan kaldıracağız. 
 Sınırda sadece bir düğüm var. 
 Bu yüzden devam edip sınırdan çıkaracağız. 
 Ama şimdi A, bu ilk düğüm, şu anda düşündüğümüz düğüm. 
 Bir sonraki adımı takip ediyoruz. 
 Kendimize soruyoruz, bu düğüm hedef mi? 
 Hayır değil. 
 A hedef değildir. 
 Amaç E'dir. 
 Bu yüzden çözümü iade etmiyoruz. 
 Bunun yerine, bu son adıma geçiyoruz, düğümü genişletiyoruz 
 ve ortaya çıkan düğümleri sınıra ekleyin. 
 Bu ne anlama geliyor? 
 Bu, A durumunu almak ve bir sonraki noktaya nereye gidebileceğimizi düşünmek anlamına gelir. 
 Ve A'dan sonra bir sonraki adımımız 
 B. Böylece A'yı genişlettiğimizde elde ederiz. 
 Ve sınıra B ekliyoruz. 
 Ve şimdi B sınırda ve süreci tekrarlıyoruz. 
 Biz diyoruz, tamam. 
 Sınır boş değil. 

Portuguese: 
 Isso vai representar nossa fronteira. 
 Portanto, nossa fronteira, inicialmente, conterá apenas A, esse estado inicial 
 onde vamos começar. 
 E agora vamos repetir esse processo. 
 Se a fronteira estiver vazia, não há solução. 
 Isso não é um problema, porque a fronteira não está vazia. 
 Portanto, removeremos um nó da fronteira como aquele a ser considerado a seguir. 
 Existe apenas um nó na fronteira. 
 Então, vamos em frente e removê-lo da fronteira. 
 Mas agora A, este nó inicial, este é o nó que estamos considerando atualmente. 
 Seguimos o próximo passo. 
 Nós nos perguntamos: esse nó é o objetivo? 
 Não, não é. 
 A não é o objetivo. 
 E é o objetivo. 
 Portanto, não devolvemos a solução. 
 Então, em vez disso, vamos para esta última etapa, expanda o nó 
 e adicione os nós resultantes à fronteira. 
 O que isso significa? 
 Bem, significa pegar esse estado A e considerar onde poderíamos chegar a seguir. 
 E depois de A, o que poderíamos chegar a seguir é apenas 
 B. Então é isso que obtemos quando expandimos A. Encontramos B. 
 E adicionamos B à fronteira. 
 E agora B está na fronteira e repetimos o processo novamente. 
 Nós dizemos, tudo bem. 
 A fronteira não está vazia. 

German: 
 Dies wird unsere Grenze darstellen. 
 Unsere Grenze wird also zunächst nur A enthalten, diesen Ausgangszustand 
 wo wir anfangen werden 
 Und jetzt wiederholen wir diesen Vorgang. 
 Wenn die Grenze leer ist, keine Lösung. 
 Das ist kein Problem, denn die Grenze ist nicht leer. 
 Also werden wir einen Knoten von der Grenze entfernen, der als nächstes betrachtet werden soll. 
 Es gibt nur einen Knoten an der Grenze. 
 Also werden wir weitermachen und es von der Grenze entfernen. 
 Aber jetzt A, dieser Anfangsknoten, ist dies der Knoten, den wir derzeit in Betracht ziehen. 
 Wir folgen dem nächsten Schritt. 
 Wir fragen uns, ist dieser Knoten das Ziel? 
 Nein, ist es nicht. 
 A ist nicht das Ziel. 
 E ist das Ziel. 
 Wir geben die Lösung also nicht zurück. 
 Also gehen wir stattdessen zu diesem letzten Schritt und erweitern den Knoten 
 und fügen Sie die resultierenden Knoten zur Grenze hinzu. 
 Was bedeutet das? 
 Nun, es bedeutet, nehmen Sie diesen Zustand A und überlegen Sie, wohin wir als nächstes gelangen könnten. 
 Und nach A können wir nur noch weiter kommen 
 B. Das bekommen wir also, wenn wir A erweitern. Wir finden B. 
 Und wir fügen der Grenze B hinzu. 
 Und jetzt ist B an der Grenze und wir wiederholen den Vorgang erneut. 
 Wir sagen, alles klar. 
 Die Grenze ist nicht leer. 

Indonesian: 
 Ini akan mewakili perbatasan kita. 
 Jadi perbatasan kita, pada awalnya, hanya akan mengandung A, keadaan awal itu 
 di mana kita akan mulai. 
 Dan sekarang kita akan mengulangi proses ini. 
 Jika perbatasan kosong, tidak ada solusi. 
 Itu bukan masalah karena perbatasan tidak kosong. 
 Jadi kami akan menghapus simpul dari perbatasan sebagai yang akan dipertimbangkan berikutnya. 
 Hanya ada satu simpul di perbatasan. 
 Jadi kita akan pergi dan menghapusnya dari perbatasan. 
 Tapi sekarang A, simpul awal ini, inilah simpul yang saat ini kami pertimbangkan. 
 Kami ikuti langkah selanjutnya. 
 Kami bertanya pada diri sendiri, apakah simpul ini tujuannya? 
 Tidak, tidak. 
 A bukan tujuannya. 
 E adalah tujuannya. 
 Jadi kami tidak mengembalikan solusinya. 
 Jadi sebagai gantinya, kita pergi ke langkah terakhir ini, perluas node 
 dan tambahkan node yang dihasilkan ke perbatasan. 
 Apa artinya? 
 Nah, itu berarti ambil negara A ini dan pertimbangkan di mana kita bisa sampai ke depan. 
 Dan setelah A apa yang bisa kita dapatkan selanjutnya hanya 
 B. Jadi itulah yang kita dapatkan ketika kita mengembangkan A. Kita menemukan B. 
 Dan kami menambahkan B ke perbatasan. 
 Dan sekarang B ada di perbatasan dan kami ulangi prosesnya lagi. 
 Kami katakan, baiklah. 
 Perbatasan tidak kosong. 

Arabic: 
 هذا سيمثل حدودنا. 
 لذا فإن حدودنا ، في البداية ، سوف تحتوي فقط على A ، تلك الحالة الأولية 
 حيث سنبدأ. 
 والآن سنكرر هذه العملية. 
 إذا كانت الحدود فارغة ، فلا يوجد حل. 
 هذه ليست مشكلة لأن الحدود ليست فارغة. 
 لذلك سنقوم بإزالة عقدة من الحدود مثل تلك التي يجب التفكير فيها بعد ذلك. 
 هناك عقدة واحدة فقط في الحدود. 
 لذا سنمضي قدماً ونزيله من الحدود. 
 ولكن الآن A ، هذه العقدة الأولية ، هذه هي العقدة التي نفكر فيها حاليًا. 
 نتبع الخطوة التالية. 
 نسأل أنفسنا ، هل هذه العقدة هي الهدف؟ 
 لا ليس كذلك. 
 A ليس الهدف. 
 E هو الهدف. 
 لذلك لا نعيد الحل. 
 لذا ، بدلاً من ذلك ، ننتقل إلى هذه الخطوة الأخيرة ، ونوسع العقدة 
 وإضافة العقد الناتجة إلى الحدود. 
 ماذا يعني ذالك؟ 
 حسنًا ، هذا يعني أن تأخذ هذه الحالة أ ونظر في المكان الذي يمكننا الوصول إليه بعد ذلك. 
 وبعد A يمكننا الوصول إلى التالي فقط 
 ب. هذا ما نحصل عليه عندما نوسع أ. 
 ونضيف B إلى الحدود. 
 والآن B في الحدود ونكرر العملية مرة أخرى. 
 نقول ، حسنًا. 
 الحدود ليست فارغة. 

English: 
This is going to represent our frontier.
So our frontier, initially, will just contain A, that initial state
where we're going to begin.
And now we'll repeat this process.
If the frontier is empty, no solution.
That's not a problem because the frontier is not empty.
So we'll remove a node from the frontier as the one to consider next.
There is only one node in the frontier.
So we'll go ahead and remove it from the frontier.
But now A, this initial node, this is the node we're currently considering.
We follow the next step.
We ask ourselves, is this node the goal?
No, it's not.
A is not the goal.
E is the goal.
So we don't return the solution.
So instead, we go to this last step, expand the node
and add the resulting nodes to the frontier.
What does that mean?
Well, it means take this state A and consider where we could get to next.
And after A what we could get to next is only
B. So that's what we get when we expand A. We find B.
And we add B to the frontier.
And now B is in the frontier and we repeat the process again.
We say, all right.
The frontier is not empty.

Modern Greek (1453-): 
 Ας αφαιρέσουμε λοιπόν το Β από τα σύνορα. 
 Το Β είναι τώρα ο κόμβος που εξετάζουμε. 
 Αναρωτιόμαστε, είναι ο Β ο στόχος; 
 Οχι δεν είναι. 
 Προχωράμε λοιπόν και επεκτείνουμε το Β και προσθέτουμε τους κόμβους που προκύπτουν στα σύνορα. 
 Τι συμβαίνει όταν επεκτείνουμε το Β; 
 Με άλλα λόγια, σε ποιους κόμβους μπορούμε να φτάσουμε από το B; 
 Λοιπόν, μπορούμε να φτάσουμε στους C και D. Έτσι θα προχωρήσουμε 
 και προσθέστε C και D από τα σύνορα. 
 Και τώρα έχουμε δύο κόμβους στα σύνορα, C και D. 
 Και επαναλαμβάνουμε τη διαδικασία ξανά. 
 Αφαιρούμε έναν κόμβο από τα σύνορα, για τώρα θα το κάνουμε 
 κάντε αυθαίρετα απλά επιλέγοντας C. 
 Θα δούμε γιατί αργότερα πώς να επιλέξετε ποιος κόμβος θα καταργήσετε από τα σύνορα 
 είναι στην πραγματικότητα ένα πολύ σημαντικό μέρος του αλγορίθμου. 
 Αλλά προς το παρόν θα αφαιρέσω αυθαίρετα τον C, λέγοντας ότι δεν είναι ο στόχος, 
 οπότε θα προσθέσουμε το E, το επόμενο στα σύνορα. 
 Ας πούμε ότι αφαιρώ το Ε από τα σύνορα. 
 Και τώρα κοιτάω την κατάσταση Ε. Είναι αυτή η κατάσταση στόχου; 
 Είναι επειδή προσπαθώ να βρω ένα μονοπάτι από το Α στο Ε. 
 Έτσι θα επέστρεφα το γκολ. 
 Και αυτή, τώρα, θα ήταν η λύση, που είμαι τώρα 
 μπόρεσα να επιστρέψω τη λύση και βρήκα ένα μονοπάτι από το Α στο Ε. 

Indonesian: 
 Jadi mari kita hapus B dari perbatasan. 
 B sekarang adalah simpul yang sedang kami pertimbangkan. 
 Kami bertanya pada diri sendiri, apakah B tujuannya? 
 Tidak, tidak. 
 Jadi kita lanjutkan dan perluas B dan tambahkan node yang dihasilkan ke perbatasan. 
 Apa yang terjadi ketika kami memperluas B? 
 Dengan kata lain, simpul apa yang bisa kita dapatkan dari B? 
 Nah, kita bisa sampai ke C dan D. Jadi kita akan pergi ke depan 
 dan tambahkan C dan D dari perbatasan. 
 Dan sekarang kami memiliki dua node di perbatasan, C dan D. 
 Dan kami mengulangi prosesnya lagi. 
 Kami menghapus simpul dari perbatasan, untuk saat ini kami akan 
 melakukannya secara sewenang-wenang hanya dengan memilih C. 
 Kita akan melihat mengapa nanti bagaimana memilih simpul mana yang Anda hapus dari perbatasan 
 sebenarnya merupakan bagian penting dari algoritma. 
 Tapi untuk sekarang saya akan secara sewenang-wenang menghapus C, mengatakan itu bukan tujuannya, 
 jadi kami akan menambahkan E, yang berikutnya ke perbatasan. 
 Lalu katakanlah saya menghapus E dari perbatasan. 
 Dan sekarang saya sedang melihat keadaan E. Apakah itu keadaan tujuan? 
 Itu karena saya mencoba mencari jalan dari A ke E. 
 Jadi saya akan mengembalikan tujuannya. 
 Dan itu, sekarang, akan menjadi solusi, bahwa saya sekarang 
 dapat mengembalikan solusi dan saya menemukan jalur dari A ke E. 

Turkish: 
 Öyleyse B'yi sınırdan kaldıralım. 
 B şimdi düşündüğümüz düğüm. 
 Kendimize soruyoruz, B hedefi mi? 
 Hayır değil. 
 Bu yüzden devam edip B'yi genişletip ortaya çıkan düğümlerini sınıra ekliyoruz. 
 B'yi genişlettiğimizde ne olur? 
 Başka bir deyişle, B'den hangi düğümlere ulaşabiliriz? 
 C ve D'ye gidebiliriz, böylece devam edeceğiz 
 ve sınırdan C ve D ekleyin. 
 Ve şimdi sınırda iki düğüm var, C ve D. 
 Ve süreci tekrarlıyoruz. 
 Bir düğümü sınırdan kaldırıyoruz, şimdilik 
 bunu sadece C seçerek keyfi olarak yapın. 
 Neden daha sonra sınırdan hangi düğümü kaldırdığınızı nasıl seçeceğinizi göreceğiz 
 aslında algoritmanın oldukça önemli bir parçasıdır. 
 Ama şimdilik keyfi olarak C'yi kaldıracağım, hedef olmadığını söylüyorum, 
 öyleyse sınıra bir sonraki E'yi ekleyeceğiz. 
 O zaman Diyelim ki E'yi sınırdan kaldırdım. 
 Şimdi E eyaletine bakıyorum. Bu bir hedef devlet mi? 
 Çünkü A'dan E'ye bir yol bulmaya çalışıyorum. 
 Böylece hedefi geri verirdim. 
 Ve bu, şimdi, çözüm olacağım, şimdi 
 Çözeltiyi geri verebilir ve A'dan E'ye bir yol buldum. 

Chinese: 
因此，让我们从边界删除B。 
 B现在是我们正在考虑的节点。 
我们问自己，B是目标吗？ 
不，这不对。 
因此，我们继续展开B并将其结果节点添加到边界。 
当我们扩展B时会发生什么？ 
换句话说，我们可以从B到达哪些节点？ 
好吧，我们可以到达C和D。所以我们继续
并从边界添加C和D。 
现在我们在边界中有两个节点C和D。 
我们再次重复该过程。 
我们从边界移除一个节点，现在我们将
只需选择C即可任意操作。 
我们将在后面看到为什么要如何选择要从边界中删除的节点
实际上是算法的重要组成部分。 
但是现在我将任意删除C，说这不是目标， 
因此我们将E，下一个添加到边界。 
然后，假设我从边界删除了E。 
现在我正在查看状态E。这是目标状态吗？ 
这是因为我正在尝试寻找从A到E的路径。 
所以我会返回目标。 
现在，这就是我现在的解决方案
能够返回解决方案，我找到了从A到E的路径。 

Portuguese: 
 Então, vamos remover B da fronteira. 
 B é agora o nó que estamos considerando. 
 Nós nos perguntamos: B é o objetivo? 
 Não, não é. 
 Então, expandimos B e adicionamos os nós resultantes à fronteira. 
 O que acontece quando expandimos B? 
 Em outras palavras, quais nós podemos acessar de B? 
 Bem, podemos chegar a C e D. Então, vamos em frente 
 e adicione C e D da fronteira. 
 E agora temos dois nós na fronteira, C e D. 
 E repetimos o processo novamente. 
 Removemos um nó da fronteira, por enquanto vamos 
 faça-o arbitrariamente apenas escolhendo C. 
 Veremos por que mais tarde como escolher qual nó você remove da fronteira 
 é realmente uma parte muito importante do algoritmo. 
 Mas, por enquanto, removo arbitrariamente C, digo que não é o objetivo, 
 então adicionaremos E, o próximo à fronteira. 
 Então, digamos que eu remova E da fronteira. 
 E agora estou olhando para o estado E. Esse é um estado objetivo? 
 É porque estou tentando encontrar um caminho de A a E. 
 Então eu retornaria a meta. 
 E essa, agora, seria a solução, que eu estou agora 
 capaz de retornar a solução e eu encontrei um caminho de A a E. 

Japanese: 
それでは、フロンティアからBを削除しましょう。 
 Bは、現在検討しているノードです。 
私たちは自問します、Bが目標ですか？ 
いいえ、ちがいます。 
それでは、先に進んでBを展開し、その結果のノードをフロンティアに追加します。 
 Bを展開するとどうなりますか？ 
つまり、Bからどのノードにアクセスできるのでしょうか。 
さて、CとDに行くことができます。それでは、先に進みます
フロンティアからCとDを追加します。 
そして今、フロンティアにCとDの2つのノードがあります。 
そして、我々は再びプロセスを繰り返します。 
フロンティアからノードを削除します。ここでは、 
 Cを選択するだけで任意に設定できます。 
フロンティアから削除するノードを選択する方法については後で説明します
実際には、アルゴリズムの非常に重要な部分です。 
しかし今のところ、私はCを任意に削除します。それは目標ではないと言ってください。 
フロンティアの次のEを追加します。 
次に、フロンティアからEを削除するとします。 
そして今、私は現在州Eを見ています。それは目標州ですか？ 
 AからEまでの経路を探しているからです。 
だから私は目標を返します。 
そして、それが今、解決策になるでしょう。 
解を返すことができ、AからEへのパスを見つけました。 

Dutch: 
 Laten we dus B van de grens verwijderen. 
 B is nu het knooppunt dat we overwegen. 
 We vragen ons af: is B het doel? 
 Nee dat is het niet. 
 Dus we gaan door en breiden B uit en voegen de resulterende knooppunten toe aan de grens. 
 Wat gebeurt er als we B uitbreiden? 
 Met andere woorden, welke knooppunten kunnen we van B bereiken? 
 We kunnen naar C en D gaan. Dus we gaan door 
 en voeg C en D toe vanaf de grens. 
 En nu hebben we twee knooppunten in de grens, C en D. 
 En we herhalen het proces opnieuw. 
 We verwijderen een knooppunt van de grens, voor nu zullen we het doen 
 doe dit willekeurig door gewoon C. te kiezen 
 We zullen later zien waarom het kiezen van welk knooppunt u van de grens verwijdert 
 is eigenlijk een vrij belangrijk onderdeel van het algoritme. 
 Maar voorlopig verwijder ik willekeurig C, zeg dat dit niet het doel is, 
 dus we voegen E toe, de volgende aan de grens. 
 Laten we dan zeggen dat ik E van de grens verwijder. 
 En nu kijk ik momenteel naar staat E. Is dat een doelstaat? 
 Het is omdat ik een pad probeer te vinden van A naar E. 
 Dus ik zou het doel teruggeven. 
 En dat zou nu de oplossing zijn, dat ik nu ben 
 in staat om de oplossing terug te geven en ik vond een pad van A naar E. 

Russian: 
 Итак, давайте удалим B из границы. 
 B теперь узел, который мы рассматриваем. 
 Мы спрашиваем себя, является ли цель B? 
 Нет, это не так. 
 Итак, мы идем дальше и расширяем B и добавляем его результирующие узлы к границе. 
 Что происходит, когда мы расширяем B? 
 Другими словами, к каким узлам мы можем добраться из B? 
 Ну, мы можем добраться до C и D. Итак, мы продолжим 
 и добавить C и D от границы. 
 И теперь у нас есть два узла на границе, C и D. 
 И мы повторяем процесс снова. 
 Мы удаляем узел с границы, а пока 
 сделать это произвольно, просто выбрав C. 
 Позже мы увидим, почему, как выбрать, какой узел вы удаляете от границы 
 на самом деле довольно важная часть алгоритма. 
 Но сейчас я произвольно удалю С, скажем, это не цель, 
 поэтому мы добавим E, следующий к границе. 
 Тогда, скажем, я убираю Е с границы. 
 И сейчас я смотрю на состояние Е. Это целевое состояние? 
 Это потому, что я пытаюсь найти путь от А до Е. 
 Так что я бы вернул цель. 
 И это, теперь, было бы решением, что я сейчас 
 смог вернуть решение и я нашел путь от А до Е. 

English: 
So let's remove B from the frontier.
B is now the node that we're considering.
We ask ourselves, is B the goal?
No, it's not.
So we go ahead and expand B and add its resulting nodes to the frontier.
What happens when we expand B?
In other words, what nodes can we get to from B?
Well, we can get to C and D. So we'll go ahead
and add C and D from the frontier.
And now we have two nodes in the frontier, C and D.
And we repeat the process again.
We remove a node from the frontier, for now we'll
do so arbitrarily just by picking C.
We'll see why later how choosing which node you remove from the frontier
is actually quite an important part of the algorithm.
But for now I'll arbitrarily remove C, say it's not the goal,
so we'll add E, the next one to the frontier.
Then let's say I remove E from the frontier.
And now I'm currently looking at state E. Is that a goal state?
It is because I'm trying to find a path from A to E.
So I would return the goal.
And that, now, would be the solution, that I'm now
able to return the solution and I found a path from A to E.

German: 
 Entfernen wir also B von der Grenze. 
 B ist jetzt der Knoten, den wir betrachten. 
 Wir fragen uns, ist B das Ziel? 
 Nein, ist es nicht. 
 Also erweitern wir B und fügen die resultierenden Knoten zur Grenze hinzu. 
 Was passiert, wenn wir B erweitern? 
 Mit anderen Worten, zu welchen Knoten können wir von B aus gelangen? 
 Nun, wir können zu C und D kommen. Also werden wir weitermachen 
 und fügen Sie C und D von der Grenze hinzu. 
 Und jetzt haben wir zwei Knoten an der Grenze, C und D. 
 Und wir wiederholen den Vorgang noch einmal. 
 Wir entfernen einen Knoten von der Grenze, jetzt werden wir 
 tun Sie dies willkürlich, indem Sie einfach C auswählen. 
 Wir werden später sehen, warum Sie auswählen, welchen Knoten Sie von der Grenze entfernen 
 ist eigentlich ein ziemlich wichtiger Teil des Algorithmus. 
 Aber jetzt werde ich willkürlich C entfernen, sagen, es ist nicht das Ziel, 
 Also werden wir E hinzufügen, das nächste an der Grenze. 
 Dann nehmen wir an, ich entferne E von der Grenze. 
 Und jetzt schaue ich auf Zustand E. Ist das ein Zielzustand? 
 Es ist, weil ich versuche, einen Weg von A nach E zu finden. 
 Also würde ich das Ziel zurückgeben. 
 Und das wäre jetzt die Lösung, die ich jetzt bin 
 Ich konnte die Lösung zurückgeben und fand einen Weg von A nach E. 

Spanish: 
 Entonces, eliminemos B de la frontera. 
 B es ahora el nodo que estamos considerando. 
 Nos preguntamos, ¿es B el objetivo? 
 No, no es. 
 Así que seguimos adelante y expandimos B y agregamos sus nodos resultantes a la frontera. 
 ¿Qué sucede cuando expandimos B? 
 En otras palabras, ¿a qué nodos podemos llegar desde B? 
 Bueno, podemos llegar a C y D. Así que seguiremos adelante 
 y agregue C y D desde la frontera. 
 Y ahora tenemos dos nodos en la frontera, C y D. 
 Y repetimos el proceso nuevamente. 
 Eliminamos un nodo de la frontera, por ahora vamos a 
 hazlo arbitrariamente simplemente eligiendo C. 
 Más adelante veremos por qué elegir qué nodo eliminar de la frontera 
 En realidad es una parte bastante importante del algoritmo. 
 Pero por ahora eliminaré arbitrariamente C, digamos que no es el objetivo, 
 entonces agregaremos E, el siguiente a la frontera. 
 Entonces digamos que elimino E de la frontera. 
 Y ahora estoy viendo el estado E. ¿Es ese un estado objetivo? 
 Es porque estoy tratando de encontrar un camino de A a E. 
 Entonces devolvería el gol. 
 Y esa, ahora, sería la solución, que ahora estoy 
 capaz de devolver la solución y encontré un camino de A a E. 

Arabic: 
 لذا دعنا نزيل B من الحدود. 
 B هي العقدة التي نفكر فيها الآن. 
 نسأل أنفسنا ، هل B هو الهدف؟ 
 لا ليس كذلك. 
 لذا ، نمضي قدمًا ونوسع B ونضيف العقد الناتجة إلى الحدود. 
 ماذا يحدث عندما نقوم بتوسيع B؟ 
 وبعبارة أخرى ، ما هي العقد التي يمكننا الوصول إليها من B؟ 
 حسنًا ، يمكننا الوصول إلى C و D. لذا سنمضي قدمًا 
 وإضافة C و D من الحدود. 
 والآن لدينا عقدتان في الحدود ، C و D. 
 ونكرر العملية مرة أخرى. 
 نزيل عقدة من الحدود ، سنقوم الآن 
 قم بذلك بشكل تعسفي بمجرد اختيار C. 
 سنرى لماذا لاحقًا كيفية اختيار العقدة التي تزيلها من الحدود 
 هو في الواقع جزء مهم من الخوارزمية. 
 ولكن في الوقت الحالي ، سأزيل C بشكل تعسفي ، وأقول أنه ليس الهدف ، 
 لذا سنضيف E ، الحرف التالي إلى الحدود. 
 ثم دعنا نقول أنا إزالة E من الحدود. 
 والآن أنا أنظر الآن إلى الحالة E. هل هذه حالة هدف؟ 
 هذا لأنني أحاول العثور على مسار من أ إلى هـ. 
 لذا سأعيد الهدف. 
 وهذا ، الآن ، سيكون الحل الذي أنا عليه الآن 
 قادرًا على إرجاع الحل ووجدت مسارًا من أ إلى هـ. 

Chinese: 
因此，讓我們從邊界刪除B。 
 B現在是我們正在考慮的節點。 
我們問自己，B是目標嗎？ 
不，這不對。 
因此，我們繼續展開B並將其結果節點添加到邊界。 
當我們擴展B時會發生什麼？ 
換句話說，我們可以從B到達哪些節點？ 
好吧，我們可以到達C和D。所以我們繼續
並從邊界添加C和D。 
現在我們在邊界中有兩個節點C和D。 
我們再次重複該過程。 
我們從邊界移除一個節點，現在我們將
只需選擇C即可任意操作。 
我們將在後面看到為什麼要如何選擇要從邊界中刪除的節點
實際上是算法的重要組成部分。 
但是現在我將任意刪除C，說這不是目標， 
因此我們將E，下一個添加到邊界。 
然後，假設我從邊界刪除了E。 
現在我正在查看狀態E。這是目標狀態嗎？ 
這是因為我正在嘗試尋找從A到E的路徑。 
所以我會返回目標。 
現在，這就是我現在的解決方案
能夠返回解決方案，我找到了從A到E的路徑。 

Korean: 
 따라서 프론티어에서 B를 제거합시다. 
 B는 이제 우리가 고려하고있는 노드입니다. 
 우리는 스스로에게 묻습니다. B가 목표입니까? 
 아뇨. 
 계속해서 B를 확장하고 결과 노드를 프론티어에 추가합니다. 
 B를 확장하면 어떻게됩니까? 
 다시 말해, B로부터 어떤 노드를 얻을 수 있습니까? 
 우리는 C와 D에 도달 할 수 있습니다. 
 프론티어에서 C와 D를 추가합니다. 
 이제 프론티어에는 C와 D의 두 노드가 있습니다. 
 그리고 우리는 과정을 다시 반복합니다. 
 우리는 프론티어에서 노드를 제거합니다. 
 C를 선택하여 임의로 할 수 있습니다. 
 나중에 왜 프론티어에서 어떤 노드를 제거할지 선택하는 이유를 알 수 있습니다 
 실제로 알고리즘의 중요한 부분입니다. 
 하지만 지금은 임의로 C를 제거하고 목표가 아니라고 말합니다. 
 우리는 프론티어에 다음 E를 추가 할 것입니다. 
 그런 다음 프론티어에서 E를 제거한다고 가정 해 봅시다. 
 저는 현재 상태 E를보고 있습니다. 목표 상태입니까? 
 A에서 E 로의 경로를 찾으려고하기 때문입니다. 
 그래서 나는 목표를 돌려 주겠다. 
 그리고 지금은 해결책이 될 것입니다. 
 솔루션을 반환 할 수 있었고 A에서 E 로의 경로를 찾았습니다. 

French: 
 Supprimons donc B de la frontière. 
 B est maintenant le nœud que nous considérons. 
 Nous nous demandons, est-ce que B est le but? 
 Non ce n'est pas. 
 Nous allons donc de l'avant et développons B et ajoutons ses nœuds résultants à la frontière. 
 Que se passe-t-il lorsque nous développons B? 
 En d'autres termes, à quels nœuds pouvons-nous accéder depuis B? 
 Eh bien, nous pouvons arriver à C et D. Nous allons donc aller de l'avant 
 et ajoutez C et D de la frontière. 
 Et maintenant, nous avons deux nœuds à la frontière, C et D. 
 Et nous répétons le processus à nouveau. 
 Nous supprimons un nœud de la frontière, pour l'instant nous allons 
 faites-le arbitrairement simplement en choisissant C. 
 Nous verrons pourquoi plus tard comment choisir le nœud que vous supprimez de la frontière 
 est en fait une partie assez importante de l'algorithme. 
 Mais pour l'instant je vais supprimer arbitrairement C, disons que ce n'est pas le but, 
 nous allons donc ajouter E, le prochain à la frontière. 
 Supposons alors que je retire E de la frontière. 
 Et maintenant je regarde actuellement l'état E. Est-ce un état objectif? 
 C'est parce que j'essaie de trouver un chemin de A à E. 
 Je retournerais donc le but. 
 Et cela, maintenant, serait la solution, que je suis maintenant 
 capable de retourner la solution et j'ai trouvé un chemin de A à E. 

Italian: 
 Quindi rimuoviamo B dalla frontiera. 
 B è ora il nodo che stiamo prendendo in considerazione. 
 Ci chiediamo, B è l'obiettivo? 
 No non lo è. 
 Quindi andiamo avanti ed espandiamo B e aggiungiamo i suoi nodi risultanti alla frontiera. 
 Cosa succede quando espandiamo B? 
 In altre parole, quali nodi possiamo ottenere da B? 
 Bene, possiamo arrivare a C e D. Quindi andremo avanti 
 e aggiungi C e D dalla frontiera. 
 E ora abbiamo due nodi nella frontiera, C e D. 
 E ripetiamo di nuovo il processo. 
 Rimuoviamo un nodo dalla frontiera, per ora lo faremo 
 fallo arbitrariamente semplicemente selezionando C. 
 Vedremo perché in seguito come scegliere quale nodo rimuovere dalla frontiera 
 è in realtà una parte abbastanza importante dell'algoritmo. 
 Ma per ora rimuoverò arbitrariamente C, diciamo che non è l'obiettivo, 
 quindi aggiungeremo E, il prossimo alla frontiera. 
 Quindi diciamo che rimuovo E dalla frontiera. 
 E ora sto guardando lo stato E. È uno stato obiettivo? 
 È perché sto cercando di trovare un percorso dalla A alla E. 
 Quindi vorrei restituire l'obiettivo. 
 E quella, ora, sarebbe la soluzione, che io sono ora 
 in grado di restituire la soluzione e ho trovato un percorso da A a E. 

Hindi: 
 तो चलिए बी को फ्रंटियर से हटाते हैं। 
 B अब वह नोड है जिस पर हम विचार कर रहे हैं। 
 हम खुद से पूछते हैं, क्या बी गोल है? 
 नहीं यह नहीं। 
 तो हम आगे बढ़ते हैं और बी का विस्तार करते हैं और इसके परिणामस्वरूप नोड्स को फ्रंटियर में जोड़ते हैं। 
 जब हम B का विस्तार करते हैं तो क्या होता है? 
 दूसरे शब्दों में, हम B से कौन से नोड प्राप्त कर सकते हैं? 
 ठीक है, हम C और D. तक पहुँच सकते हैं इसलिए हम आगे बढ़ेंगे 
 और सी और डी को सीमांत से जोड़ें। 
 और अब फ्रंटियर, सी और डी में हमारे दो नोड हैं। 
 और हम प्रक्रिया को फिर से दोहराते हैं। 
 हम सीमा से एक नोड निकालते हैं, अभी के लिए 
 मनमाने ढंग से सिर्फ सी उठाकर करो। 
 हम देखेंगे कि बाद में आप फ्रंटियर से किस नोड को चुनते हैं 
 वास्तव में एल्गोरिथ्म का एक महत्वपूर्ण हिस्सा है। 
 लेकिन अब मैं मनमाने ढंग से C को हटा दूंगा, कहते हैं कि यह लक्ष्य नहीं है, 
 तो हम E, फ्रंटियर के अगले एक जोड़ देंगे। 
 फिर कहते हैं कि मैं सी को सीमा से हटाता हूं। 
 और अब मैं वर्तमान में ई। राज्य देख रहा हूं। क्या यह एक लक्ष्य राज्य है? 
 ऐसा इसलिए है क्योंकि मैं A से E तक का मार्ग खोजने का प्रयास कर रहा हूं। 
 इसलिए मैं लक्ष्य वापस करूंगा। 
 और वह, अब, समाधान होगा, कि मैं अभी हूं 
 समाधान वापस करने में सक्षम और मुझे A से E तक का मार्ग मिला। 

Portuguese: 
 Portanto, essa é a ideia geral, a abordagem geral desse algoritmo de pesquisa, 
 seguir estas etapas constantemente removendo nós da fronteira 
 até encontrarmos uma solução. 
 Portanto, a próxima pergunta que você pode razoavelmente fazer 
 é, o que poderia dar errado aqui? 
 Quais são os possíveis problemas com uma abordagem como essa? 
 E aqui está um exemplo de um problema que pode surgir com esse tipo de abordagem. 
 Imagine esse mesmo gráfico, o mesmo de antes, com uma alteração. 
 A mudança é agora, em vez de apenas uma seta de A para B, 
 também temos uma seta de B a A, o que significa que podemos ir nas duas direções. 
 E isso é verdade em algo como o quebra-cabeça 15 
 onde quando deslizo um ladrilho para a direita, 
 deslize um ladrilho para a esquerda para voltar à posição original. 
 Eu poderia ir e voltar entre A e B. 
 E é isso que essas setas duplas simbolizam, a ideia de que de um estado 
 Eu posso ir para outro e depois posso voltar. 
 E isso é verdade em muitos problemas de pesquisa. 
 O que acontecerá se eu tentar aplicar a mesma abordagem agora? 
 Bem, vou começar com A, como antes. 
 E vou remover A da fronteira. 
 E então vou considerar de onde posso chegar a A. E depois de A, o único lugar 

Indonesian: 
 Jadi ini adalah ide umum, pendekatan umum dari algoritma pencarian ini, 
 untuk mengikuti langkah-langkah ini secara konstan menghapus node dari perbatasan 
 sampai kami dapat menemukan solusi. 
 Jadi pertanyaan selanjutnya yang mungkin Anda tanyakan secara wajar 
 Apa yang salah di sini? 
 Apa potensi masalah dengan pendekatan seperti ini? 
 Dan inilah salah satu contoh masalah yang bisa muncul dari pendekatan semacam ini. 
 Bayangkan grafik yang sama ini, sama seperti sebelumnya, dengan satu perubahan. 
 Perubahannya adalah, sekarang, bukan hanya panah dari A ke B, 
 kami juga memiliki panah dari B ke A, yang berarti kami bisa menuju ke dua arah. 
 Dan ini benar dalam sesuatu seperti 15 puzzle 
 dimana ketika saya menggeser ubin ke kanan, saya 
 kemudian dapat menggeser ubin ke kiri untuk kembali ke posisi semula. 
 Saya bisa bolak-balik antara A dan B. 
 Dan itulah yang disimbolkan dengan panah ganda ini, gagasan yang berasal dari satu negara 
 Saya bisa mendapatkan yang lain dan kemudian saya bisa kembali. 
 Dan itu benar dalam banyak masalah pencarian. 
 Apa yang akan terjadi jika saya mencoba menerapkan pendekatan yang sama sekarang? 
 Baiklah, saya akan mulai dengan A, sama seperti sebelumnya. 
 Dan saya akan menghapus A dari perbatasan. 
 Dan kemudian saya akan mempertimbangkan di mana saya bisa mendapatkan dari A. Dan setelah A, satu-satunya tempat 

Italian: 
 Quindi questa è l'idea generale, l'approccio generale di questo algoritmo di ricerca, 
 seguire questi passaggi rimuovendo costantemente i nodi dalla frontiera 
 fino a quando non saremo in grado di trovare una soluzione. 
 Quindi la prossima domanda che potresti ragionevolmente porre 
 è, cosa potrebbe andare storto qui? 
 Quali sono i potenziali problemi con un approccio come questo? 
 Ed ecco un esempio di un problema che potrebbe derivare da questo tipo di approccio. 
 Immagina questo stesso grafico, lo stesso di prima, con una modifica. 
 Il cambiamento è, ora, anziché solo una freccia da A a B, 
 abbiamo anche una freccia da B ad A, il che significa che possiamo andare in entrambe le direzioni. 
 E questo è vero in qualcosa come il 15 puzzle 
 dove quando faccio scorrere una tessera verso destra, io 
 potrebbe quindi far scorrere una tessera a sinistra per tornare alla posizione originale. 
 Potrei andare avanti e indietro tra A e B. 
 Ed è quello che simboleggiano queste doppie frecce, l'idea che da uno stato 
 Posso arrivare a un altro e poi posso tornare. 
 E questo è vero in molti problemi di ricerca. 
 Cosa succederà se provo ad applicare lo stesso approccio adesso? 
 Bene, inizierò con A, come prima. 
 E toglierò A dalla frontiera. 
 E poi prenderò in considerazione da dove posso arrivare da A. E dopo A, l'unico posto 

English: 
So this is the general idea, the general approach of this search algorithm,
to follow these steps constantly removing nodes from the frontier
until we're able to find a solution.
So the next question you might reasonably ask
is, what could go wrong here?
What are the potential problems with an approach like this?
And here's one example of a problem that could arise from this sort of approach.
Imagine this same graph, same as before, with one change.
The change being, now, instead of just an arrow from A to B,
we also have an arrow from B to A, meaning we can go in both directions.
And this is true in something like the 15 puzzle
where when I slide a tile to the right, I
could then slide a tile to the left to get back to the original position.
I could go back and forth between A and B.
And that's what these double arrows symbolize, the idea that from one state
I can get to another and then I can get back.
And that's true in many search problems.
What's going to happen if I try to apply the same approach now?
Well, I'll begin with A, same as before.
And I'll remove A from the frontier.
And then I'll consider where I can get to from A. And after A, the only place

Chinese: 
这就是这种搜索算法的总体思路，总体思路， 
遵循这些步骤不断从边界删除节点
直到我们找到解决方案为止。 
因此，您可能会合理地问下一个问题
是，这里可能出什么问题？ 
这样的方法潜在的问题是什么？ 
这是这种方法可能引起的问题的一个示例。 
想象一下与以前相同的同一图表，但有一个变化。 
现在的变化是，不仅仅是从A到B的箭头， 
我们还有一个从B到A的箭头，这意味着我们可以双向行驶。 
这是正确的，例如15难题
当我向右滑动图块时
然后可以向左滑动图块以返回到原始位置。 
我可以在A和B之间来回走动。 
这就是这些双箭头所代表的意思
我可以去另一个，然后我可以回来。 
在许多搜索问题中都是如此。 
如果我现在尝试应用相同的方法，将会发生什么？ 
好吧，我将像以前一样以A开头。 
我将从边界删除A。 
然后我会考虑从A到哪里。然后A之后，唯一的地方

Turkish: 
 Bu genel fikir, bu arama algoritmasının genel yaklaşımı, 
 düğümleri sürekli olarak sınırdan kaldırarak bu adımları takip etmek 
 bir çözüm bulana kadar. 
 Yani bir sonraki soru makul olarak sorabilirsiniz 
 burada yanlış giden ne olabilir? 
 Böyle bir yaklaşımla potansiyel problemler nelerdir? 
 Ve işte bu tür bir yaklaşımdan kaynaklanabilecek bir sorun örneği. 
 Bu grafiği, eskisi gibi, bir değişiklikle düşünün. 
 Değişiklik, şimdi, A'dan B'ye sadece bir ok yerine, 
 Ayrıca B'den A'ya bir okumuz var, yani her iki yönde de gidebiliriz. 
 Ve bu 15 yapboz gibi bir şey için de geçerli 
 bir taşı sağa kaydırdığımda 
 daha sonra orijinal konumuna geri dönmek için bir kutucuğu sola kaydırabilirsiniz. 
 A ve B arasında gidip gelebilirim. 
 Ve bu çift okların sembolize ettiği şey, bir durumdan 
 Bir başkasına gidebilirim ve sonra geri dönebilirim. 
 Ve bu birçok arama probleminde doğrudur. 
 Şimdi aynı yaklaşımı uygulamaya çalışırsam ne olur? 
 A ile başlayacağım, eskisi gibi. 
 Ve A'yı sınırdan çıkaracağım. 
 Ve sonra A'dan nerelere gidebileceğimi düşüneceğim. Ve A'dan sonra tek yer 

Hindi: 
 तो यह सामान्य विचार है, इस खोज एल्गोरिदम का सामान्य दृष्टिकोण, 
 लगातार सीमा से नोड्स को हटाने के लिए इन चरणों का पालन करें 
 जब तक हम एक समाधान खोजने में सक्षम हैं। 
 तो अगला सवाल आप यथोचित पूछ सकते हैं 
 यहाँ क्या गलत हो सकता है? 
 इस तरह के दृष्टिकोण के साथ संभावित समस्याएं क्या हैं? 
 और यहाँ एक समस्या का एक उदाहरण है जो इस तरह के दृष्टिकोण से उत्पन्न हो सकता है। 
 इस एक ही ग्राफ की कल्पना करें, पहले की तरह, एक बदलाव के साथ। 
 परिवर्तन, अब, ए से बी तक केवल एक तीर के बजाय, 
 हमारे पास B से A तक एक तीर भी है, जिसका अर्थ है कि हम दोनों दिशाओं में जा सकते हैं। 
 और यह 15 पहेली की तरह कुछ में सच है 
 जब मैं दाईं ओर एक टाइल स्लाइड करता हूं, तो मैं 
 फिर मूल स्थिति पर वापस जाने के लिए एक टाइल को बाईं ओर स्लाइड कर सकते हैं। 
 मैं A और B के बीच आगे और पीछे जा सकता था। 
 और यही इन दो तीरों का प्रतीक है, यह विचार कि एक राज्य से 
 मैं दूसरे से मिल सकता हूं और फिर वापस आ सकता हूं। 
 और यह कई खोज समस्याओं में सच है। 
 यदि मैं अब उसी दृष्टिकोण को लागू करने का प्रयास करूं तो क्या होने वाला है? 
 खैर, मैं ए के साथ शुरू करूँगा, पहले की तरह। 
 और मैं ए को सीमांत से हटा दूंगा। 
 और फिर मैं इस पर विचार करूंगा कि मैं ए और ए के बाद कहां से प्राप्त कर सकता हूं, एकमात्र स्थान 

Arabic: 
 هذه هي الفكرة العامة ، المنهج العام لخوارزمية البحث هذه ، 
 لمتابعة هذه الخطوات باستمرار إزالة العقد من الحدود 
 حتى نتمكن من إيجاد حل. 
 لذا فإن السؤال التالي الذي قد تطرحه بشكل معقول 
 هو ، ما الذي يمكن أن يحدث خطأ هنا؟ 
 ما هي المشاكل المحتملة مع نهج مثل هذا؟ 
 وإليك مثال لمشكلة يمكن أن تنشأ من هذا النوع من النهج. 
 تخيل هذا الرسم البياني نفسه ، كما كان من قبل ، بتغيير واحد. 
 التغيير ، الآن ، بدلاً من مجرد سهم من أ إلى ب ، 
 لدينا أيضًا سهم من B إلى A ، مما يعني أنه يمكننا الذهاب في كلا الاتجاهين. 
 وهذا صحيح في شيء مثل اللغز الخمسة عشر 
 حيث عندما أقوم بتمرير البلاط إلى اليمين ، أنا 
 يمكن بعد ذلك تمرير مربع إلى اليسار للعودة إلى الموضع الأصلي. 
 يمكنني الذهاب ذهابا وإيابا بين أ و ب. 
 وهذا ما ترمز إليه هذه الأسهم المزدوجة ، الفكرة من دولة واحدة 
 يمكنني الوصول إلى آخر ثم يمكنني العودة. 
 وهذا صحيح في العديد من مشاكل البحث. 
 ماذا سيحدث إذا حاولت تطبيق نفس النهج الآن؟ 
 حسنًا ، سأبدأ بـ A ، كما كان من قبل. 
 وسأزيل A من الحدود. 
 ثم سأفكر في المكان الذي يمكنني الوصول إليه من A. وبعد A ، المكان الوحيد 

French: 
 Voilà donc l'idée générale, l'approche générale de cet algorithme de recherche, 
 suivre ces étapes en supprimant constamment des nœuds de la frontière 
 jusqu'à ce que nous puissions trouver une solution. 
 Donc, la prochaine question que vous pourriez raisonnablement poser 
 est, ce qui pourrait mal se passer ici? 
 Quels sont les problèmes potentiels avec une telle approche? 
 Et voici un exemple d'un problème qui pourrait résulter de ce type d'approche. 
 Imaginez ce même graphique, comme précédemment, avec un seul changement. 
 Le changement étant, maintenant, au lieu d'une simple flèche de A à B, 
 nous avons également une flèche de B vers A, ce qui signifie que nous pouvons aller dans les deux sens. 
 Et cela est vrai dans quelque chose comme le puzzle 15 
 où quand je fais glisser une tuile vers la droite, je 
 pourrait alors faire glisser une tuile vers la gauche pour revenir à sa position d'origine. 
 Je pouvais aller et venir entre A et B. 
 Et c'est ce que ces doubles flèches symbolisent, l'idée qu'à partir d'un état 
 Je peux passer à un autre et ensuite je peux revenir. 
 Et cela est vrai dans de nombreux problèmes de recherche. 
 Que va-t-il se passer si j'essaie d'appliquer la même approche maintenant? 
 Eh bien, je vais commencer par A, comme avant. 
 Et je vais retirer A de la frontière. 
 Et puis je vais considérer où je peux aller de A. Et après A, le seul endroit 

Chinese: 
這就是這種搜索算法的總體思路，總體思路， 
遵循這些步驟不斷從邊界刪除節點
直到我們找到解決方案為止。 
因此，您可能會合理地問下一個問題
是，這裡可能出什麼問題？ 
這樣的方法潛在的問題是什麼？ 
這是這種方法可能引起的問題的一個示例。 
想像一下與以前相同的同一圖表，但有一個變化。 
現在的變化是，不僅僅是從A到B的箭頭， 
我們還有一個從B到A的箭頭，這意味著我們可以雙向行駛。 
這是正確的，例如15難題
當我向右滑動瓷磚時， 
然後可以向左滑動圖塊以返回到原始位置。 
我可以在A和B之間來回走動。 
這就是這些雙箭頭所代表的意思
我可以去另一個，然後我可以回到。 
在許多搜索問題中都是如此。 
如果我現在嘗試應用相同的方法，將會發生什麼？ 
好吧，我將像以前一樣以A開頭。 
我將從邊界刪除A。 
然後我會考慮從A到哪裡。然後A之後，唯一的地方

Spanish: 
 Esta es la idea general, el enfoque general de este algoritmo de búsqueda, 
 seguir estos pasos constantemente eliminando nodos de la frontera 
 hasta que podamos encontrar una solución. 
 Entonces, la siguiente pregunta que podrías hacer razonablemente 
 es decir, ¿qué podría salir mal aquí? 
 ¿Cuáles son los posibles problemas con un enfoque como este? 
 Y aquí hay un ejemplo de un problema que podría surgir de este tipo de enfoque. 
 Imagine este mismo gráfico, igual que antes, con un cambio. 
 El cambio es, ahora, en lugar de solo una flecha de A a B, 
 También tenemos una flecha de B a A, lo que significa que podemos ir en ambas direcciones. 
 Y esto es cierto en algo así como el 15 rompecabezas 
 donde cuando deslizo un mosaico hacia la derecha, yo 
 podría deslizar un mosaico hacia la izquierda para volver a la posición original. 
 Podría ir y venir entre A y B. 
 Y eso es lo que simbolizan estas flechas dobles, la idea de que desde un estado 
 Puedo llegar a otro y luego puedo volver. 
 Y eso es cierto en muchos problemas de búsqueda. 
 ¿Qué va a pasar si trato de aplicar el mismo enfoque ahora? 
 Bueno, comenzaré con A, igual que antes. 
 Y eliminaré A de la frontera. 
 Y luego consideraré a dónde puedo llegar desde A. Y después de A, el único lugar 

Korean: 
 이것이 검색 알고리즘의 일반적인 접근 방식입니다. 
 프런티어에서 노드를 지속적으로 제거하는이 단계를 수행합니다. 
 솔루션을 찾을 수있을 때까지 
 따라서 다음 질문은 합리적으로 물어볼 수 있습니다 
 여기서 무엇이 잘못 될 수 있습니까? 
 이와 같은 접근 방식의 잠재적 문제는 무엇입니까? 
 그리고 이런 종류의 접근 방식에서 발생할 수있는 문제의 한 예가 있습니다. 
 한 번의 변경으로 이전과 같은 동일한 그래프를 상상해보십시오. 
 변화는 이제 A에서 B 로의 화살표 대신에 
 우리는 또한 B에서 A 로의 화살표를 가지고 있으며, 이는 우리가 양방향으로 갈 수 있음을 의미합니다. 
 그리고 이것은 15 퍼즐과 같은 것이 사실입니다 
 타일을 오른쪽으로 밀면 
 타일을 왼쪽으로 밀어 원래 위치로 되돌릴 수 있습니다. 
 A와 B 사이를 오갈 수있었습니다. 
 이것이 이중 화살표가 상징하는 것입니다. 
 다른 곳으로 갈 수 있고 다시 돌아올 수 있습니다. 
 그리고 그것은 많은 검색 문제에서 사실입니다. 
 지금 동일한 접근법을 적용하려고하면 어떻게됩니까? 
 글쎄, 전과 마찬가지로 A로 시작할 것입니다. 
 그리고 프론티어에서 A를 제거합니다. 
 그런 다음 A에서 어디로 갈 수 있는지 살펴 보겠습니다. A 다음에는 유일한 장소 

Japanese: 
これが一般的な考え方であり、この検索アルゴリズムの一般的なアプローチです。 
これらのステップに従って、常にフロンティアからノードを削除します
解決策が見つかるまで。 
だからあなたが合理的に尋ねるかもしれない次の質問
ここで何がうまくいかないのですか？ 
このようなアプローチの潜在的な問題は何ですか？ 
次に、このようなアプローチから発生する可能性のある問題の一例を示します。 
以前と同じ、1つの変更を加えたこの同じグラフを想像してみてください。 
 AからBへの矢印だけではなく、 
 BからAへの矢印もあります。つまり、両方向に移動できます。 
そしてこれは15パズルのようなものに当てはまります
タイルを右にスライドすると、 
次に、タイルを左にスライドして元の位置に戻します。 
 AとBの間を行き来することができました。 
そして、それがこれらの二重矢印が象徴するものです、ある状態から
私は別の場所に行き、それから戻ることができます。 
そして、それは多くの検索問題に当てはまります。 
今、同じアプローチを適用しようとするとどうなりますか？ 
さて、前と同じように、Aから始めます。 
そして、フロンティアからAを削除します。 
次に、Aからどこに到達できるかを検討します。Aの後は、唯一の場所です。 

Modern Greek (1453-): 
 Αυτή είναι λοιπόν η γενική ιδέα, η γενική προσέγγιση αυτού του αλγορίθμου αναζήτησης, 
 για να ακολουθήσετε αυτά τα βήματα αφαιρώντας συνεχώς κόμβους από τα σύνορα 
 μέχρι να μπορέσουμε να βρούμε μια λύση. 
 Έτσι, η επόμενη ερώτηση που μπορείτε λογικά να κάνετε 
 είναι, τι θα μπορούσε να πάει στραβά εδώ; 
 Ποια είναι τα πιθανά προβλήματα με μια τέτοια προσέγγιση; 
 Και εδώ είναι ένα παράδειγμα προβλήματος που θα μπορούσε να προκύψει από αυτό το είδος προσέγγισης. 
 Φανταστείτε αυτό το ίδιο γράφημα, όπως και πριν, με μία αλλαγή. 
 Η αλλαγή είναι, τώρα, αντί απλώς ένα βέλος από το Α στο Β, 
 έχουμε επίσης ένα βέλος από το Β στο Α, που σημαίνει ότι μπορούμε να πάμε και προς τις δύο κατευθύνσεις. 
 Και αυτό ισχύει σε κάτι σαν το 15 παζλ 
 όπου όταν γλιστράω ένα πλακίδιο προς τα δεξιά, εγώ 
 θα μπορούσε στη συνέχεια να σύρετε ένα πλακίδιο προς τα αριστερά για να επιστρέψετε στην αρχική του θέση. 
 Θα μπορούσα να πάω μπρος-πίσω μεταξύ Α και Β. 
 Και αυτό συμβολίζουν αυτά τα διπλά βέλη, η ιδέα ότι από μία κατάσταση 
 Μπορώ να φτάσω σε άλλο και μετά να γυρίσω πίσω. 
 Και αυτό ισχύει σε πολλά προβλήματα αναζήτησης. 
 Τι θα συμβεί αν προσπαθήσω να εφαρμόσω την ίδια προσέγγιση τώρα; 
 Λοιπόν, θα ξεκινήσω με το Α, όπως και πριν. 
 Και θα αφαιρέσω τον Α από τα σύνορα. 
 Και μετά θα σκεφτώ πού μπορώ να φτάσω από τον Α. Και μετά το Α, το μόνο μέρος 

Dutch: 
 Dit is dus het algemene idee, de algemene benadering van dit zoekalgoritme, 
 om deze stappen te volgen door voortdurend knooppunten van de grens te verwijderen 
 totdat we een oplossing kunnen vinden. 
 Dus de volgende vraag die je redelijkerwijs zou kunnen stellen 
 is, wat kan hier fout gaan? 
 Wat zijn de mogelijke problemen bij een dergelijke aanpak? 
 En hier is een voorbeeld van een probleem dat zou kunnen ontstaan ​​door een dergelijke aanpak. 
 Stel je dezelfde grafiek voor, hetzelfde als voorheen, met één wijziging. 
 De verandering is nu, in plaats van alleen een pijl van A naar B, 
 we hebben ook een pijl van B naar A, wat betekent dat we in beide richtingen kunnen gaan. 
 En dit geldt voor zoiets als de 15 puzzel 
 waar wanneer ik een tegel naar rechts schuif, ik 
 kan dan een tegel naar links schuiven om terug te keren naar de oorspronkelijke positie. 
 Ik kan heen en weer gaan tussen A en B. 
 En dat is wat deze dubbele pijlen symboliseren, het idee dat vanuit één staat 
 Ik kan bij een ander komen en dan kan ik terugkomen. 
 En dat geldt voor veel zoekproblemen. 
 Wat gaat er gebeuren als ik nu dezelfde aanpak probeer toe te passen? 
 Nou, ik begin met A, hetzelfde als voorheen. 
 En ik verwijder A van de grens. 
 En dan zal ik overwegen waar ik van A kan komen. En na A, de enige plaats 

Russian: 
 Так что это общая идея, общий подход этого алгоритма поиска, 
 следовать этим шагам, постоянно удаляя узлы с границы 
 пока мы не сможем найти решение. 
 Итак, следующий вопрос, который вы могли бы разумно задать 
 что здесь может пойти не так? 
 Каковы потенциальные проблемы с таким подходом? 
 И вот один пример проблемы, которая может возникнуть из-за такого подхода. 
 Представьте себе тот же график, такой же, как и раньше, с одним изменением. 
 Изменение теперь вместо стрелки от А до В, 
 у нас также есть стрелка от B до A, означая, что мы можем идти в обоих направлениях. 
 И это правда в чем-то вроде головоломки 15 
 где, когда я сдвигаю плитку вправо, я 
 затем можно сдвинуть плитку влево, чтобы вернуться в исходное положение. 
 Я мог бы идти вперед и назад между А и Б. 
 И это то, что символизируют эти двойные стрелки, идея, что из одного государства 
 Я могу добраться до другого, а затем я могу вернуться. 
 И это верно во многих поисковых задачах. 
 Что произойдет, если я попытаюсь применить тот же подход сейчас? 
 Ну, я начну с А, как и раньше. 
 И я удалю А с границы. 
 А потом я подумаю, куда можно добраться от А. А после А, единственное место 

German: 
 Das ist also die allgemeine Idee, der allgemeine Ansatz dieses Suchalgorithmus, 
 Befolgen Sie diese Schritte, um ständig Knoten von der Grenze zu entfernen 
 bis wir eine Lösung finden können. 
 Also die nächste Frage, die Sie vernünftigerweise stellen könnten 
 ist, was könnte hier schief gehen? 
 Was sind die potenziellen Probleme bei einem solchen Ansatz? 
 Und hier ist ein Beispiel für ein Problem, das sich aus dieser Art von Ansatz ergeben könnte. 
 Stellen Sie sich dasselbe Diagramm wie zuvor mit einer Änderung vor. 
 Die Änderung ist jetzt statt nur eines Pfeils von A nach B, 
 Wir haben auch einen Pfeil von B nach A, was bedeutet, dass wir in beide Richtungen gehen können. 
 Und das trifft auf so etwas wie das 15-Puzzle zu 
 wo, wenn ich eine Fliese nach rechts schiebe, ich 
 könnte dann eine Kachel nach links schieben, um zur ursprünglichen Position zurückzukehren. 
 Ich könnte zwischen A und B hin und her gehen. 
 Und genau das symbolisieren diese Doppelpfeile, die Idee, dass aus einem Zustand 
 Ich kann zu einem anderen gelangen und dann zurück. 
 Und das gilt für viele Suchprobleme. 
 Was passiert, wenn ich jetzt versuche, denselben Ansatz anzuwenden? 
 Nun, ich werde mit A beginnen, genau wie zuvor. 
 Und ich werde A von der Grenze entfernen. 
 Und dann werde ich überlegen, wo ich von A aus hinkomme. Und nach A der einzige Ort 

Turkish: 
 B seçimini alabilirim, böylece B sınıra girer. 
 O zaman diyeceğim, tamam. 
 B'ye bir bakalım. Sınırda kalan tek şey bu. 
 B'den nereden bulabilirim? 
 Sadece C ve D olmadan önce, ama şimdi bu ters ok yüzünden, 
 A veya C veya D'ye gidebilirim. Yani her üç A, C ve D. 
 şimdi sınıra gidin. 
 Bunlar B'den ulaşabileceğim yerler. Ve şimdi birini sınırdan kaldırıyorum, 
 ve bilirsiniz, belki şanssızım ve belki de A'yı seçerim. 
 Ve şimdi tekrar A'ya bakıyorum. 
 Ve A'dan nerelere gidebileceğimi düşünüyorum ve A'dan B'ye gidebilirim. 
 Ve şimdi sorunu görmeye başlıyoruz, eğer dikkatli olmazsam, 
 A'dan B'ye ve sonra tekrar A'ya ve sonra tekrar B'ye gidiyorum. 
 Ve bu sonsuz döngüye girebilirdim, asla 
 herhangi bir ilerleme kaydetme çünkü sürekli iki kişi arasında gidip geliyorum 
 daha önce gördüğümü belirtir. 
 Peki bunun çözümü nedir? 
 Bu sorunla başa çıkmak için bir yol bulmamız gerekiyor. 
 Ve bu problemle başa çıkma şeklimiz 
 bir şekilde zaten araştırdıklarımızı takip etmektir. 
 Ve eğer mantığı halihazırda araştırmış olsaydık, 
 ona geri dönmek için bir sebep yok. 

Italian: 
 Posso scegliere B, quindi B va in frontiera. 
 Allora dirò, va bene. 
 Diamo un'occhiata a B. Questa è l'unica cosa rimasta sulla frontiera. 
 Dove posso arrivare da B? 
 Prima era solo C e D, ma ora a causa di quella freccia inversa, 
 Posso arrivare ad A o C o D. Quindi tutti e tre A, C e D. Tutti quelli 
 ora vai in frontiera. 
 Sono luoghi in cui posso arrivare da B. E ora ne rimuovo uno dalla frontiera, 
 e, sai, forse sono sfortunato e forse scelgo A. 
 E ora sto guardando di nuovo A. 
 E considero da dove posso arrivare da A. E da A, bene posso arrivare a B. 
 E ora iniziamo a vedere il problema, che se non sto attento, 
 Vado da A a B e poi di nuovo ad A e poi di nuovo a B. 
 E potrei andare in questo ciclo infinito dove mai 
 fare progressi perché vado costantemente avanti e indietro tra due 
 afferma che ho già visto. 
 Qual è la soluzione a questo? 
 Abbiamo bisogno di un modo per affrontare questo problema. 
 E il modo in cui possiamo affrontare questo problema 
 è in qualche modo tenere traccia di ciò che abbiamo già esplorato. 
 E la logica sarà, beh, se abbiamo già esplorato lo stato, 
 non c'è motivo di tornarci. 

Hindi: 
 मुझे पसंद बी मिल सकती है इसलिए बी फ्रंटियर में जाता है। 
 फिर मैं कहूंगा, ठीक है। 
 चलो बी पर एक नज़र डालते हैं। यह सीमांत में केवल एक चीज है। 
 म B कहां से लाऊं? 
 पहले यह सिर्फ C और D था, लेकिन अब उस उल्टे तीर के कारण, 
 मुझे ए या सी या डी मिल सकता है। इसलिए तीनों ए, सी और डी। उन सभी को 
 अब सीमांत में जाएं। 
 वे वे स्थान हैं जो मैं बी से प्राप्त कर सकता हूं और अब मैं सीमा से एक को हटा देता हूं, 
 और, आप जानते हैं, शायद मैं बदकिस्मत हूं और शायद मैं ए को चुनता हूं। 
 और अब मैं फिर से ए को देख रहा हूं। 
 और मुझे लगता है कि मैं ए और ए से कहां तक ​​पहुंच सकता हूं, खैर मैं बी से मिल सकता हूं। 
 और अब हम समस्या को देखना शुरू करते हैं, कि अगर मैं सावधान नहीं हूँ, 
 मैं ए से बी तक जाता हूं और फिर ए से वापस और फिर बी से वापस आता हूं। 
 और मैं इस अनंत पाश में जा सकता हूं जहां मैं कभी नहीं था 
 कोई प्रगति करें क्योंकि मैं लगातार केवल दो के बीच आगे और पीछे जा रहा हूं 
 बताती है कि मैंने पहले ही देख लिया है। 
 तो इसका समाधान क्या है? 
 हमें इस समस्या से निपटने के लिए किसी तरह की जरूरत है। 
 और जिस तरह से हम इस समस्या से निपट सकते हैं 
 किसी भी तरह से हम पहले से ही पता लगाया है का ट्रैक रखने के द्वारा है। 
 अगर हम पहले ही राज्य का पता लगा लें, तो तर्क अच्छा होगा, 
 इसके वापस जाने का कोई कारण नहीं है। 

Spanish: 
 Puedo elegir B ​​para que B entre en la frontera. 
 Entonces diré, está bien. 
 Echemos un vistazo a B. Eso es lo único que queda en la frontera. 
 ¿A dónde puedo llegar desde B? 
 Antes solo eran C y D, pero ahora debido a esa flecha inversa, 
 Puedo llegar a A o C o D. Así que los tres A, C y D. Todos esos 
 ahora ve a la frontera. 
 Son lugares a los que puedo llegar desde B. Y ahora quito uno de la frontera, 
 y, sabes, tal vez tengo mala suerte y tal vez elijo A. 
 Y ahora estoy mirando A de nuevo. 
 Y considero a dónde puedo llegar desde A. Y desde A, bueno, puedo llegar a B. 
 Y ahora comenzamos a ver el problema, que si no tengo cuidado, 
 Voy de A a B y luego vuelvo a A y luego a B nuevamente. 
 Y podría ir en este bucle infinito donde nunca 
 progresar porque constantemente estoy yendo y viniendo entre dos 
 afirma que ya he visto. 
 Entonces, ¿cuál es la solución a esto? 
 Necesitamos alguna forma de lidiar con este problema. 
 Y la forma en que podemos lidiar con este problema 
 es de alguna manera hacer un seguimiento de lo que ya hemos explorado. 
 Y la lógica será, bueno, si ya hemos explorado el estado, 
 No hay razón para volver a ello. 

French: 
 Je peux avoir le choix B pour que B entre dans la frontière. 
 Alors je vais dire, très bien. 
 Jetons un coup d'œil à B. C'est la seule chose qui reste à la frontière. 
 Où puis-je me rendre de B? 
 Avant c'était juste C et D, mais maintenant à cause de cette flèche inversée, 
 Je peux accéder à A ou C ou D. Donc, les trois A, C et D. Tous ces 
 allez maintenant à la frontière. 
 Ce sont des endroits où je peux me rendre de B. Et maintenant j'en retire un de la frontière, 
 et, vous savez, peut-être que je n'ai pas de chance et que je choisis A. 
 Et maintenant je regarde à nouveau A. 
 Et je considère où puis-je me rendre de A. Et de A, eh bien je peux me rendre à B. 
 Et maintenant, nous commençons à voir le problème, que si je ne fais pas attention, 
 Je passe de A à B, puis je reviens à A, puis à nouveau à B. 
 Et je pourrais aller dans cette boucle infinie où je n'ai jamais 
 faire des progrès parce que je vais constamment en arrière entre deux 
 déclare que j'ai déjà vu. 
 Alors, quelle est la solution à cela? 
 Nous avons besoin d'un moyen de résoudre ce problème. 
 Et la façon dont nous pouvons résoudre ce problème 
 est en quelque sorte garder une trace de ce que nous avons déjà exploré. 
 Et la logique va être, eh bien, si nous avons déjà exploré l'état, 
 il n'y a aucune raison d'y revenir. 

Korean: 
 B를 선택하여 B가 국경으로 들어갑니다. 
 그럼 말 할게요 
 B를 보자. 그것은 프론티어에 남아있는 유일한 것입니다. 
 B에서 어디로 갈 수 있습니까? 
 C와 D 였지만 지금은 반대 화살표 때문에 
 A 또는 C 또는 D에 갈 수 있습니다. 따라서 A, C 및 D 3 개 모두 
 이제 국경으로 들어갑니다. 
 그것들은 내가 B에서 갈 수있는 곳입니다. 그리고 이제는 국경에서 하나를 제거합니다. 
 아시다시피, 내가 운이 좋지 않을 수도 있고 A를 선택할 수도 있습니다. 
 그리고 지금 A를 다시보고 있습니다. 
 저는 A에서 어디로 갈 수 있는지 고려합니다. A에서 B로 갈 수 있습니다. 
 이제 우리는 문제를보기 시작합니다.주의하지 않으면 
 A에서 B로 갔다가 다시 A로 갔다가 다시 B로갑니다. 
 그리고 나는 결코이 무한 루프에 갈 수 없었습니다. 
 나는 끊임없이 두 사람 사이를왔다 갔다하고 있기 때문에 어떤 진전을 
 내가 이미 본 상태입니다. 
 그래서 이것에 대한 해결책은 무엇입니까? 
 이 문제를 해결할 방법이 필요합니다. 
 이 문제를 처리 할 수있는 방법 
 어떻게 든 우리가 이미 탐색 한 것을 추적합니다. 
 우리가 이미 상태를 탐색했다면 논리는 
 다시 갈 이유가 없습니다. 

Russian: 
 Я могу получить выбор B, так что B переходит на границу. 
 Тогда я скажу, хорошо. 
 Давайте посмотрим на B. Это единственное, что осталось на границе. 
 Где я могу получить от B? 
 Раньше это были только C и D, но теперь из-за этой обратной стрелки, 
 Я могу добраться до A или C или D. Так что все три A, C и D. Все те 
 теперь иди в границу. 
 Это места, куда я могу добраться из B. И теперь я убираю одно из границы, 
 и, вы знаете, может быть, мне не повезло, и, возможно, я выбираю А. 
 И теперь я снова смотрю на А. 
 И я думаю, где я могу получить от А. И от А, ну, я могу добраться до Б. 
 И теперь мы начинаем видеть проблему, что если я не буду осторожен, 
 Я иду от А до Б, а затем обратно к А, а затем снова к В. 
 И я мог бы пойти в этом бесконечном цикле, где я никогда 
 добиться какого-либо прогресса, потому что я постоянно просто возвращаться между двумя 
 утверждает, что я уже видел. 
 Так каково решение этого? 
 Нам нужен какой-то способ справиться с этой проблемой. 
 И то, как мы можем справиться с этой проблемой 
 каким-то образом отслеживая то, что мы уже исследовали. 
 И логика будет, ну, если мы уже исследовали состояние, 
 нет причин возвращаться к этому. 

Chinese: 
我可以获得选择B，因此B进入了边界。 
那我说，好的。 
让我们看一下B。这是边界中唯一剩下的东西。 
从B到哪里去？ 
以前只有C和D，但现在由于有反向箭头， 
我可以去A或C或D。所以所有三个A，C和D。所有这些
现在进入边境。 
这些是我可以从B到达的地方。现在，我从边境撤走了一个， 
而且，也许我很不幸，也许我选择了A。 
现在我又在看A。 
我考虑从A到哪里。从A到B。 
现在我们开始看到问题，如果我不小心， 
我从A转到B，然后回到A，再回到B。 
我可能会陷入这个无限循环中
取得任何进展，因为我一直在两个之间来回走动
指出我已经见过。 
那么解决方案是什么？ 
我们需要某种方式来解决这个问题。 
以及我们解决这个问题的方式
通过某种方式跟踪我们已经探索的内容。 
逻辑将是，如果我们已经探索了状态， 
没有理由回到它。 

German: 
 Ich kann Wahl B bekommen, also geht B in die Grenze. 
 Dann werde ich sagen, alles klar. 
 Werfen wir einen Blick auf B. Das ist das einzige, was an der Grenze noch übrig ist. 
 Wo komme ich von B her? 
 Früher war es nur C und D, aber jetzt wegen dieses umgekehrten Pfeils, 
 Ich kann zu A oder C oder D kommen. Also alle drei A, C und D. Alle diese 
 Jetzt geh in die Grenze. 
 Es sind Orte, die ich von B aus erreichen kann. Und jetzt entferne ich einen von der Grenze. 
 und vielleicht habe ich Pech und wähle vielleicht A. 
 Und jetzt schaue ich wieder auf A. 
 Und ich überlege, wo ich von A her komme. Und von A aus kann ich nach B kommen. 
 Und jetzt sehen wir das Problem, dass, wenn ich nicht aufpasse, 
 Ich gehe von A nach B und dann zurück nach A und dann wieder nach B. 
 Und ich könnte in diese Endlosschleife gehen, wo ich nie bin 
 mache irgendwelche Fortschritte, weil ich ständig zwischen zwei hin und her gehe 
 gibt an, dass ich schon gesehen habe. 
 Was ist die Lösung dafür? 
 Wir brauchen einen Weg, um mit diesem Problem umzugehen. 
 Und wie wir mit diesem Problem umgehen können 
 ist, indem wir irgendwie verfolgen, was wir bereits erforscht haben. 
 Und die Logik wird sein, wenn wir den Staat bereits erforscht haben, 
 Es gibt keinen Grund, darauf zurückzukommen. 

Indonesian: 
 Saya bisa mendapatkan pilihan B sehingga B masuk ke perbatasan. 
 Lalu aku akan berkata, baiklah. 
 Mari kita lihat B. Itulah satu-satunya yang tersisa di perbatasan. 
 Di mana saya bisa mendapatkan dari B? 
 Sebelumnya hanya C dan D, tapi sekarang karena panah terbalik itu, 
 Saya dapat mencapai A atau C atau D. Jadi ketiga A, C, dan D. Semua itu 
 sekarang masuk ke perbatasan. 
 Itu adalah tempat yang bisa saya dapatkan dari B. Dan sekarang saya menghapus satu dari perbatasan, 
 dan, Anda tahu, mungkin saya kurang beruntung dan mungkin saya memilih A. 
 Dan sekarang saya melihat A lagi. 
 Dan saya mempertimbangkan di mana saya bisa mendapatkan dari A. Dan dari A, saya bisa sampai ke B. 
 Dan sekarang kita mulai melihat masalahnya, bahwa jika saya tidak hati-hati, 
 Saya beralih dari A ke B dan kemudian kembali ke A lalu ke B lagi. 
 Dan saya bisa pergi dalam lingkaran tanpa batas ini di mana saya tidak pernah 
 membuat kemajuan karena saya terus-menerus hanya bolak-balik antara dua 
 menyatakan bahwa saya sudah melihat. 
 Jadi apa solusinya? 
 Kami membutuhkan beberapa cara untuk mengatasi masalah ini. 
 Dan cara kita mengatasi masalah ini 
 entah bagaimana melacak apa yang sudah kita eksplorasi. 
 Dan logikanya akan, yah, jika kita sudah menjelajahi negara, 
 tidak ada alasan untuk kembali ke sana. 

Chinese: 
我可以獲得選擇B，因此B進入了邊界。 
那我說，好的。 
讓我們看一下B。這是邊界中唯一剩下的東西。 
從B到哪裡去？ 
以前只有C和D，但現在由於有反向箭頭， 
我可以去A或C或D。所以所有三個A，C和D。所有這些
現在進入邊境。 
這些是我可以從B到達的地方。現在，我從邊境撤走了一個， 
而且，也許我很不幸，也許我選擇了A。 
現在我又在看A。 
我考慮從A到哪裡。從A到B。 
現在我們開始看到問題，如果我不小心， 
我從A轉到B，然後回到A，再回到B。 
我可能會陷入這個無限循環中
取得任何進展，因為我一直在兩個之間來回走動
指出我已經見過。 
那麼解決方案是什麼？ 
我們需要某種方式來解決這個問題。 
以及我們處理這個問題的方式
通過某種方式跟踪我們已經探索的內容。 
邏輯將是，如果我們已經探索了狀態， 
沒有理由回到它。 

Portuguese: 
 Eu posso ter a opção B, então B entra na fronteira. 
 Então eu direi, tudo bem. 
 Vamos dar uma olhada em B. Essa é a única coisa que resta na fronteira. 
 Onde posso chegar de B? 
 Antes eram apenas C e D, mas agora por causa dessa seta reversa, 
 Eu posso chegar a A ou C ou D. Então, todos os três A, C e D. Todos esses 
 agora entre na fronteira. 
 São lugares em que posso chegar do B. E agora removo um da fronteira, 
 e, sabe, talvez eu tenha azar e talvez eu escolha A. 
 E agora estou olhando para A novamente. 
 E considero onde posso chegar de A. E de A, bem, posso chegar a B. 
 E agora começamos a ver o problema, que se eu não tomar cuidado, 
 Eu vou de A para B e depois volto para A e depois para B novamente. 
 E eu poderia estar nesse loop infinito onde nunca 
 fazer qualquer progresso, porque eu estou constantemente indo e voltando entre dois 
 afirma que eu já vi. 
 Então, qual é a solução para isso? 
 Precisamos de alguma maneira de lidar com esse problema. 
 E a maneira como podemos lidar com esse problema 
 é, de alguma forma, acompanhar o que já exploramos. 
 E a lógica será, bem, se já exploramos o estado, 
 não há razão para voltar a isso. 

Japanese: 
私は選択肢Bを取得できるので、Bはフロンティアに入ります。 
それなら、大丈夫です。 
 Bを見てみましょう。これがフロンティアに残った唯一のものです。 
 Bからはどこに行くことができますか？ 
以前はCとDだけでしたが、今はその逆矢印のため、 
 A、C、またはDに行くことができます。A、C、Dの3つすべてです。 
今フロンティアに入ります。 
彼らは私がBから得ることができる場所です。そして今、私はフロンティアから1つを削除します、 
たぶん私は運が悪いのでAを選ぶかもしれません。 
そして今、私は再びAを見ています。 
そして、Aからどこに行くことができるかを考えます。Aからは、Bに行くことができます。 
そして今、私たちは問題を見始めます。私が注意しなければ、 
私はAからBに行き、次にAに戻り、次に再びBに行きます。 
そして、私はこの無限ループに入る可能性があります
私は常に2つの間を行き来しているので、進歩します
私はすでに見たと述べています。 
これに対する解決策は何ですか？ 
この問題に対処する方法が必要です。 
そして、この問題に対処する方法
どういうわけか、私たちがすでに探求したことを追跡しています。 
そして、ロジックは、まあ、すでに状態を調べたなら、 
それに戻る理由はありません。 

Dutch: 
 Ik kan keuze B krijgen, dus B gaat de grens op. 
 Dan zeg ik, oké. 
 Laten we eens kijken naar B. Dat is het enige dat nog over is aan de grens. 
 Waar kom ik uit B? 
 Vroeger was het gewoon C en D, maar nu vanwege die omgekeerde pijl, 
 Ik kan naar A of C of D. Dus alle drie A, C en D. Al die 
 ga nu de grens op. 
 Het zijn plaatsen die ik kan bereiken vanuit B. En nu verwijder ik er een van de grens, 
 en, weet je, misschien heb ik pech en misschien kies ik A. 
 En nu kijk ik weer naar A. 
 En ik bedenk waar ik kan komen van A. En van A, nou, ik kan naar B. 
 En nu beginnen we het probleem te zien, dat als ik niet oppast, 
 Ik ga van A naar B en dan terug naar A en dan weer naar B. 
 En ik zou in deze oneindige lus kunnen gaan waar ik nooit ben 
 enige vooruitgang boeken omdat ik constant heen en weer ga tussen twee 
 stelt dat ik al heb gezien. 
 Dus wat is de oplossing hiervoor? 
 We hebben een manier nodig om dit probleem aan te pakken. 
 En de manier waarop we met dit probleem kunnen omgaan 
 houdt op de een of andere manier bij wat we al hebben onderzocht. 
 En de logica zal zijn, als we de staat al hebben verkend, 
 er is geen reden om erop terug te gaan. 

Modern Greek (1453-): 
 Μπορώ να βρω την επιλογή Β, έτσι ο Β μπαίνει στα σύνορα. 
 Τότε θα πω, εντάξει. 
 Ας ρίξουμε μια ματιά στο Β. Αυτό είναι το μόνο πράγμα που μένει στα σύνορα. 
 Πού μπορώ να φτάσω από το B; 
 Πριν ήταν μόνο C και D, αλλά τώρα εξαιτίας αυτού του αντίστροφου βέλους, 
 Μπορώ να φτάσω στο A ή το C ή το D. Έτσι και τα τρία A, C και D. Όλα αυτά 
 τώρα πηγαίνετε στα σύνορα. 
 Είναι μέρη που μπορώ να φτάσω από το B. Και τώρα αφαιρώ ένα από τα σύνορα, 
 και, ξέρετε, ίσως είμαι άτυχος και ίσως διαλέξω τον Α. 
 Και τώρα κοιτάζω ξανά το Α. 
 Και σκέφτομαι πού μπορώ να φτάσω από τον Α. Και από το Α, λοιπόν μπορώ να φτάσω στο Β. 
 Και τώρα αρχίζουμε να βλέπουμε το πρόβλημα, ότι αν δεν είμαι προσεκτικός, 
 Πηγαίνω από το Α στο Β και μετά στο Α και μετά στο Β ξανά. 
 Και θα μπορούσα να πηγαίνω σε αυτόν τον άπειρο βρόχο όπου ποτέ 
 κάνε οποιαδήποτε πρόοδο γιατί συνεχώς απλά πηγαίνω μεταξύ δύο 
 δηλώνει ότι έχω ήδη δει. 
 Ποια είναι λοιπόν η λύση σε αυτό; 
 Χρειαζόμαστε κάποιον τρόπο για να αντιμετωπίσουμε αυτό το πρόβλημα. 
 Και ο τρόπος με τον οποίο μπορούμε να αντιμετωπίσουμε αυτό το πρόβλημα 
 παρακολουθεί με κάποιον τρόπο αυτό που έχουμε ήδη διερευνήσει. 
 Και η λογική θα είναι, καλά, αν έχουμε ήδη εξερευνήσει την κατάσταση, 
 δεν υπάρχει λόγος να επιστρέψουμε σε αυτό. 

Arabic: 
 يمكنني الحصول على الخيار "ب" بحيث ينتقل "ب" إلى الحدود. 
 ثم سأقول ، حسنًا. 
 دعونا نلقي نظرة على B. هذا هو الشيء الوحيد المتبقي في الحدود. 
 أين يمكنني الوصول من B؟ 
 قبل أن تكون C و D فقط ، ولكن الآن بسبب هذا السهم العكسي ، 
 يمكنني الوصول إلى A أو C أو D. لذا فكل الثلاثة أ ، ج ، د 
 اذهب الآن إلى الحدود. 
 إنها أماكن يمكنني الوصول إليها من B. والآن أقوم بإزالة واحدة من الحدود ، 
 وكما تعلم ، ربما أنا غير محظوظ وربما أختار أ. 
 والآن أنظر إلى A مرة أخرى. 
 وأنا أعتبر من أين يمكنني الوصول من A. ومن A ، حسنًا يمكنني الوصول إلى B. 
 والآن نبدأ في رؤية المشكلة ، أنه إذا لم أكن حذراً ، 
 أذهب من أ إلى ب ثم أعود إلى أ ثم إلى ب مرة أخرى. 
 ويمكنني الذهاب في هذه الحلقة اللانهائية حيث لم أكن أبدا 
 احرز أي تقدم لأنني أتنقل ذهابًا وإيابًا بين اثنين 
 تنص على أنني قد رأيت بالفعل. 
 إذن ما هو الحل لهذا؟ 
 نحن بحاجة إلى طريقة للتعامل مع هذه المشكلة. 
 والطريقة التي يمكننا بها التعامل مع هذه المشكلة 
 بطريقة ما تتبع ما استكشفناه بالفعل. 
 والمنطق سيكون ، حسنًا ، إذا سبق لنا استكشاف الحالة ، 
 لا يوجد سبب للعودة إليها. 

English: 
I can get choice B so B goes into the frontier.
Then I'll say, all right.
Let's take a look at B. That's the only thing left in the frontier.
Where can I get to from B?
Before it was just C and D, but now because of that reverse arrow,
I can get to A or C or D. So all three A, C, and D. All of those
now go into the frontier.
They are places I can get to from B. And now I remove one from the frontier,
and, you know, maybe I'm unlucky and maybe I pick A.
And now I'm looking at A again.
And I consider where can I get to from A. And from A, well I can get to B.
And now we start to see the problem, that if I'm not careful,
I go from A to B and then back to A and then to B again.
And I could be going in this infinite loop where I never
make any progress because I'm constantly just going back and forth between two
states that I've already seen.
So what is the solution to this?
We need some way to deal with this problem.
And the way that we can deal with this problem
is by somehow keeping track of what we've already explored.
And the logic is going to be, well, if we've already explored the state,
there's no reason to go back to it.

Hindi: 
 एक बार जब हम एक राज्य का पता लगा लेते हैं, तो उसके पास वापस न जाएं, 
 इसे सीमा में जोड़ने से परेशान न हों। 
 कोई जरूरत नहीं है। 
 तो यहाँ हमारे संशोधित दृष्टिकोण होने जा रहा है, 
 इस तरह की खोज समस्या से निपटने का एक बेहतर तरीका है। 
 और यह बहुत कुछ संशोधनों के साथ समान दिखने वाला है। 
 हम एक ऐसी सीमा के साथ शुरू करेंगे जिसमें प्रारंभिक अवस्था होती है। 
 पहले की तरह। 
 लेकिन अब हम एक और डेटा संरचना के साथ शुरुआत करेंगे, 
 जो केवल नोड्स का एक सेट होगा जो हमने पहले ही खोजा है। 
 तो हमने कौन से राज्य खोजे हैं? 
 शुरू में, यह खाली है। 
 हमारे पास एक खाली अन्वेषण सेट है। 
 और अब हम दोहराते हैं। 
 यदि सीमांत खाली है, तो कोई समाधान नहीं। 
 पहले की तरह। 
 हम सीमा से एक नोड को हटाते हैं, हम जांचते हैं 
 यह देखने के लिए कि क्या यह एक लक्ष्य स्थिति है, समाधान वापस करें। 
 इसमें से कोई भी अब तक अलग नहीं है। 
 लेकिन अब, हम क्या करने जा रहे हैं, हम जा रहे हैं 
 नोड को एक्सप्लोर स्थिति में जोड़ने के लिए। 
 तो अगर ऐसा होता है कि हम सीमा से एक नोड हटाते हैं 
 और यह लक्ष्य नहीं है, हम इसे अन्वेषण सेट में जोड़ देंगे 
 ताकि हम जान सकें कि हमने पहले ही इसे खोज लिया है। 
 अगर यह बाद में आने के लिए होता है, तो हमें इसे फिर से वापस जाने की आवश्यकता नहीं है। 

Italian: 
 Una volta esplorato uno stato, non tornarci indietro, 
 non preoccuparti di aggiungerlo alla frontiera. 
 Non è necessario. 
 Quindi ecco il nostro approccio rivisto, 
 un modo migliore per affrontare questo tipo di problema di ricerca. 
 E sembrerà molto simile solo con un paio di modifiche. 
 Inizieremo con una frontiera che contiene lo stato iniziale. 
 Come prima. 
 Ma ora inizieremo con un'altra struttura di dati, 
 che sarebbe solo un insieme di nodi che abbiamo già esplorato. 
 Quindi quali sono gli stati che abbiamo esplorato? 
 Inizialmente, è vuoto. 
 Abbiamo un set esplorato vuoto. 
 E ora ripetiamo. 
 Se la frontiera è vuota, nessuna soluzione. 
 Come prima. 
 Rimuoviamo un nodo dalla frontiera, controlliamo 
 per vedere se si tratta di uno stato obiettivo, restituire la soluzione. 
 Niente di tutto questo è diverso finora. 
 Ma ora, quello che faremo è andare 
 per aggiungere il nodo allo stato esplorato. 
 Quindi, se succede che rimuoviamo un nodo dalla frontiera 
 e non è l'obiettivo, lo aggiungeremo al set esplorato 
 in modo che sappiamo di averlo già esplorato. 
 Non abbiamo bisogno di tornarci di nuovo se succede più tardi. 

Spanish: 
 Una vez que hayamos explorado un estado, no vuelvas a él, 
 no te molestes en agregarlo a la frontera. 
 No hay necesidad de hacerlo. 
 Así que aquí va a ser nuestro enfoque revisado, 
 Una mejor manera de abordar este tipo de problema de búsqueda. 
 Y se verá muy similar solo con un par de modificaciones. 
 Comenzaremos con una frontera que contiene el estado inicial. 
 Igual que antes. 
 Pero ahora comenzaremos con otra estructura de datos, 
 que solo sería un conjunto de nodos que ya hemos explorado. 
 Entonces, ¿cuáles son los estados que hemos explorado? 
 Inicialmente, está vacío. 
 Tenemos un conjunto explorado vacío. 
 Y ahora repetimos. 
 Si la frontera está vacía, no hay solución. 
 Igual que antes. 
 Eliminamos un nodo de la frontera, verificamos 
 para ver si es un estado objetivo, devuelva la solución. 
 Nada de esto es diferente hasta ahora. 
 Pero ahora, lo que vamos a hacer es que vamos 
 para agregar el nodo al estado explorado. 
 Entonces, si sucede que eliminamos un nodo de la frontera 
 y no es el objetivo, lo agregaremos al conjunto explorado 
 para que sepamos que ya lo hemos explorado. 
 No es necesario que volvamos a ello nuevamente si sucede más tarde. 

Chinese: 
探索狀態後，請勿返回狀態， 
不要費心將其添加到邊界。 
沒必要
所以這將是我們的修訂方法， 
解決此類搜索問題的更好方法。 
只需進行一些修改，它將看起來非常相似。 
我們將從包含初始狀態的邊界開始。 
和之前一樣。 
但是現在我們從另一個數據結構開始， 
這只是我們已經探討過的一組節點。 
那麼，我們探索了哪些狀態？ 
最初，它是空的。 
我們有一個空的探索集。 
現在我們重複一遍。 
如果邊界為空，則無解。 
和之前一樣。 
我們從邊界刪除一個節點，我們檢查
要查看它是否為目標狀態，請返回解決方案。 
到目前為止，這沒有什麼不同。 
但是現在，我們要做的是
將節點添加到探索狀態。 
因此，如果碰巧是我們從邊界刪除節點的情況
這不是目標，我們將其添加到探索的集合中
以便我們知道我們已經進行了探索。 
如果稍後碰巧出現，我們無需再次返回。 

Japanese: 
いったん状態を調べたら、その状態に戻らないでください。 
フロンティアに追加する気にしないでください。 
する必要はありません。 
これが私たちの修正したアプローチです
この種の検索問題にアプローチするためのより良い方法。 
そして、それはいくつかの変更を加えただけで非常によく似たものになるでしょう。 
最初の状態を含むフロンティアから始めます。 
以前と同じです。 
しかし、ここでは別のデータ構造から始めます。 
これは、すでに調査したノードのセットです。 
では、私たちが調査した州は何ですか？ 
最初は空です。 
空の探索セットがあります。 
そして今、繰り返します。 
フロンティアが空の場合、解決策はありません。 
以前と同じです。 
フロンティアからノードを削除し、チェックします
それが目標状態かどうかを確認するには、ソリューションを返します。 
これまでのところ違いはありません。 
しかし、今、私たちがやろうとしていることは、 
ノードを探索状態に追加します。 
ですから、フロンティアからノードを削除する場合は
目標ではありません。探索セットに追加します
すでに調査したことを確認します。 
後で発生する場合は、再度このページに戻る必要はありません。 

Russian: 
 Как только мы изучим состояние, не возвращайтесь к нему, 
 не беспокойтесь о добавлении его к границе. 
 Там нет необходимости. 
 Итак, здесь будет наш пересмотренный подход, 
 лучший способ подойти к такой проблеме поиска. 
 И это будет выглядеть очень похоже только с парой модификаций. 
 Мы начнем с границы, которая содержит начальное состояние. 
 Так же, как и раньше. 
 Но теперь мы начнем с другой структуры данных, 
 который будет просто набором узлов, которые мы уже исследовали. 
 Итак, какие государства мы исследовали? 
 Изначально он пуст. 
 У нас есть пустой исследованный набор. 
 А теперь повторим. 
 Если граница пуста, решения нет. 
 Так же, как и раньше. 
 Убираем узел с границы, проверяем 
 чтобы увидеть, если это состояние цели, верните решение. 
 Ничто из этого не отличается до сих пор. 
 Но теперь мы собираемся сделать 
 добавить узел в исследуемое состояние. 
 Так что, если это произойдет, мы удалим узел с границы 
 и это не цель, мы добавим ее в исследуемый набор 
 так что мы знаем, что мы уже исследовали это. 
 Нам не нужно возвращаться к этому снова, если это случится позже. 

English: 
Once we've explored a state, don't go back to it,
don't bother adding it to the frontier.
There's no need to.
So here is going to be our revised approach,
a better way to approach this sort of search problem.
And it's going to look very similar just with a couple of modifications.
We'll start with a frontier that contains the initial state.
Same as before.
But now we'll start with another data structure,
which would just be a set of nodes that we've already explored.
So what are the states we've explored?
Initially, it's empty.
We have an empty explored set.
And now we repeat.
If the frontier is empty, no solution.
Same as before.
We remove a node from the frontier, we check
to see if it's a goal state, return the solution.
None of this is any different so far.
But now, what we're going to do is we're going
to add the node to the explored state.
So if it happens to be the case that we remove a node from the frontier
and it's not the goal, we'll add it to the explored set
so that we know we've already explored it.
We don't need to go back to it again if it happens to come up later.

Chinese: 
探索状态后，请勿返回状态， 
不要费心将其添加到边界。 
没必要
所以这将是我们的修订方法， 
解决此类搜索问题的更好方法。 
只需进行一些修改，它将看起来非常相似。 
我们将从包含初始状态的边界开始。 
和之前一样。 
但是现在我们将从另一个数据结构开始， 
这只是我们已经探讨过的一组节点。 
那么，我们探索了哪些状态？ 
最初，它是空的。 
我们有一个空的探索集。 
现在我们重复一遍。 
如果边界为空，则无解。 
和之前一样。 
我们从边界删除一个节点，我们检查
要查看它是否为目标状态，请返回解决方案。 
到目前为止，这没有什么不同。 
但是现在，我们要做的是
将节点添加到探索状态。 
因此，如果碰巧是我们从边界删除节点的情况
这不是目标，我们将其添加到探索的集合中
以便我们知道我们已经进行了探索。 
如果稍后碰巧出现，我们无需再次返回。 

Modern Greek (1453-): 
 Μόλις εξερευνήσουμε μια κατάσταση, μην επιστρέψετε σε αυτό, 
 μην ενοχλείτε να το προσθέσετε στα σύνορα. 
 Δεν χρειάζεται. 
 Οπότε εδώ θα είναι η αναθεωρημένη προσέγγισή μας, 
 έναν καλύτερο τρόπο προσέγγισης αυτού του είδους του προβλήματος αναζήτησης. 
 Και θα μοιάζει πολύ με μερικές τροποποιήσεις. 
 Θα ξεκινήσουμε με ένα σύνορο που περιέχει την αρχική κατάσταση. 
 Το ίδιο όπως πριν. 
 Αλλά τώρα θα ξεκινήσουμε με μια άλλη δομή δεδομένων, 
 που θα ήταν απλώς ένα σύνολο κόμβων που έχουμε ήδη διερευνήσει. 
 Ποιες είναι λοιπόν οι πολιτείες που έχουμε εξερευνήσει; 
 Αρχικά, είναι άδειο. 
 Έχουμε ένα άδειο σετ εξερεύνησης. 
 Και τώρα επαναλαμβάνουμε. 
 Εάν τα σύνορα είναι άδεια, δεν υπάρχει λύση. 
 Το ίδιο όπως πριν. 
 Αφαιρούμε έναν κόμβο από τα σύνορα, ελέγχουμε 
 για να δείτε αν είναι μια κατάσταση στόχου, επιστρέψτε τη λύση. 
 Κανένα από αυτά δεν είναι διαφορετικό μέχρι τώρα. 
 Αλλά τώρα, αυτό που πρόκειται να κάνουμε είναι να πάμε 
 για να προσθέσετε τον κόμβο στην εξερευνημένη κατάσταση. 
 Αν λοιπόν συμβαίνει να αφαιρούμε έναν κόμβο από τα σύνορα 
 και δεν είναι ο στόχος, θα το προσθέσουμε στο εξερευνημένο σύνολο 
 ώστε να γνωρίζουμε ότι το έχουμε ήδη διερευνήσει. 
 Δεν χρειάζεται να επιστρέψουμε ξανά σε αυτό εάν συμβεί αργότερα. 

Arabic: 
 بمجرد استكشاف الدولة ، لا تعود إليها ، 
 لا تهتم بإضافته إلى الحدود. 
 ليس هناك حاجة لذلك. 
 لذلك هنا سيكون نهجنا المنقح ، 
 طريقة أفضل للتعامل مع هذا النوع من مشكلة البحث. 
 وستبدو متشابهة جدًا مع بعض التعديلات. 
 سنبدأ بحد يحتوي على الحالة الأولية. 
 نفسه كما كان من قبل. 
 ولكن الآن سنبدأ ببنية بيانات أخرى ، 
 والتي ستكون مجرد مجموعة من العقد التي اكتشفناها بالفعل. 
 إذن ما هي الدول التي استكشفناها؟ 
 في البداية ، إنها فارغة. 
 لدينا مجموعة استكشاف فارغة. 
 والآن نكرر. 
 إذا كانت الحدود فارغة ، فلا يوجد حل. 
 نفسه كما كان من قبل. 
 نقوم بإزالة عقدة من الحدود ، نتحقق 
 لترى ما إذا كانت حالة هدف ، أعد الحل. 
 لا شيء من هذا مختلف حتى الآن. 
 ولكن الآن ، ما سنفعله هو أننا ذاهبون 
 لإضافة العقدة إلى الحالة المستكشفة. 
 لذا إذا حدث أن نزيل عقدة من الحدود 
 وهو ليس الهدف ، سنضيفه إلى المجموعة المستكشفة 
 حتى نعلم أننا قد اكتشفنا ذلك بالفعل. 
 لسنا بحاجة إلى الرجوع إليها مرة أخرى إذا حدث ذلك في وقت لاحق. 

Portuguese: 
 Depois de explorar um estado, não volte a ele, 
 não se preocupe em adicioná-lo à fronteira. 
 Não há necessidade. 
 Então, aqui vai ser a nossa abordagem revisada, 
 uma maneira melhor de abordar esse tipo de problema de pesquisa. 
 E será muito parecido apenas com algumas modificações. 
 Começaremos com uma fronteira que contém o estado inicial. 
 O mesmo de antes. 
 Mas agora vamos começar com outra estrutura de dados, 
 que seria apenas um conjunto de nós que já exploramos. 
 Então, quais são os estados que exploramos? 
 Inicialmente, está vazio. 
 Temos um conjunto vazio explorado. 
 E agora repetimos. 
 Se a fronteira estiver vazia, não há solução. 
 O mesmo de antes. 
 Removemos um nó da fronteira, verificamos 
 para ver se é um estado de objetivo, retorne a solução. 
 Até agora, nada disso é diferente. 
 Mas agora, o que vamos fazer é que vamos 
 para adicionar o nó ao estado explorado. 
 Portanto, se acontecer de removermos um nó da fronteira 
 e não é o objetivo, vamos adicioná-lo ao conjunto explorado 
 para que saibamos que já o exploramos. 
 Não precisamos voltar a fazê-lo novamente se acontecer mais tarde. 

French: 
 Une fois que nous avons exploré un état, n'y retournons pas, 
 ne vous embêtez pas à l'ajouter à la frontière. 
 Ce n'est pas nécessaire. 
 Voici donc notre approche révisée, 
 une meilleure façon d'aborder ce type de problème de recherche. 
 Et ça va ressembler très juste avec quelques modifications. 
 Nous allons commencer par une frontière qui contient l'état initial. 
 Pareil qu'avant. 
 Mais maintenant, nous allons commencer avec une autre structure de données, 
 qui ne serait qu'un ensemble de nœuds que nous avons déjà exploré. 
 Quels sont donc les états que nous avons explorés? 
 Au départ, c'est vide. 
 Nous avons un ensemble exploré vide. 
 Et maintenant, nous répétons. 
 Si la frontière est vide, pas de solution. 
 Pareil qu'avant. 
 On retire un nœud de la frontière, on vérifie 
 pour voir s'il s'agit d'un état d'objectif, renvoyez la solution. 
 Jusqu'à présent, rien de tout cela n'est différent. 
 Mais maintenant, ce que nous allons faire, c'est 
 pour ajouter le nœud à l'état exploré. 
 Donc, s'il se trouve que nous supprimons un nœud de la frontière 
 et ce n'est pas le but, on va l'ajouter à l'ensemble exploré 
 afin que nous sachions que nous l'avons déjà exploré. 
 Nous n'avons pas besoin d'y revenir si cela se produit plus tard. 

Dutch: 
 Als we eenmaal een staat hebben verkend, ga er dan niet meer naar terug, 
 doe geen moeite om het aan de grens toe te voegen. 
 Dat is niet nodig. 
 Dit is dus onze herziene aanpak, 
 een betere manier om dit soort zoekproblemen op te lossen. 
 En het zal er erg op lijken, alleen met een paar aanpassingen. 
 We beginnen met een grens die de begintoestand bevat. 
 Hetzelfde als voorheen. 
 Maar nu beginnen we met een andere datastructuur, 
 wat gewoon een verzameling knooppunten zou zijn die we al hebben verkend. 
 Dus wat zijn de staten die we hebben verkend? 
 Aanvankelijk is het leeg. 
 We hebben een lege verkende set. 
 En nu herhalen we. 
 Als de grens leeg is, is er geen oplossing. 
 Hetzelfde als voorheen. 
 We verwijderen een knooppunt van de grens, we controleren 
 om te zien of het een doelstatus is, retourneer de oplossing. 
 Niets van dit alles is tot nu toe anders. 
 Maar wat we nu gaan doen, is gaan 
 om het knooppunt toe te voegen aan de verkende staat. 
 Dus als het zo is, verwijderen we een knooppunt van de grens 
 en het is niet het doel, we voegen het toe aan de verkende set 
 zodat we weten dat we het al hebben verkend. 
 We hoeven er niet meer naar terug te gaan als het later gebeurt. 

German: 
 Wenn wir einen Staat erst einmal erkundet haben, kehren Sie nicht mehr dorthin zurück. 
 Mach dir nicht die Mühe, es der Grenze hinzuzufügen. 
 Das ist nicht nötig. 
 Hier wird also unser überarbeiteter Ansatz sein: 
 ein besserer Weg, um diese Art von Suchproblem anzugehen. 
 Und es wird nur mit ein paar Modifikationen sehr ähnlich aussehen. 
 Wir beginnen mit einer Grenze, die den Ausgangszustand enthält. 
 Das Gleiche wie vorher. 
 Aber jetzt beginnen wir mit einer anderen Datenstruktur: 
 Das wäre nur eine Reihe von Knoten, die wir bereits untersucht haben. 
 Welche Staaten haben wir erforscht? 
 Anfangs ist es leer. 
 Wir haben ein leeres erkundetes Set. 
 Und jetzt wiederholen wir. 
 Wenn die Grenze leer ist, keine Lösung. 
 Das Gleiche wie vorher. 
 Wir entfernen einen Knoten von der Grenze, wir überprüfen 
 Geben Sie die Lösung zurück, um festzustellen, ob es sich um einen Zielstatus handelt. 
 Nichts davon ist bisher anders. 
 Aber jetzt werden wir gehen 
 um den Knoten zum erkundeten Zustand hinzuzufügen. 
 Wenn es also so ist, dass wir einen Knoten von der Grenze entfernen 
 und es ist nicht das Ziel, wir werden es dem erkundeten Set hinzufügen 
 damit wir wissen, dass wir es bereits erforscht haben. 
 Wir müssen nicht noch einmal darauf zurückkommen, wenn es später auftaucht. 

Turkish: 
 Bir eyaleti keşfettikten sonra, ona geri dönme, 
 sınıra eklemeyi zahmet etmeyin. 
 Buna gerek yok. 
 İşte burada gözden geçirilmiş yaklaşımımız olacak, 
 bu tür bir arama problemine yaklaşmanın daha iyi bir yolu. 
 Ve sadece birkaç değişiklikle çok benzer görünecek. 
 İlk durumu içeren bir sınırla başlayacağız. 
 Öncekinin aynısı. 
 Ama şimdi başka bir veri yapısıyla başlayacağız, 
 bu, daha önce araştırdığımız bir dizi düğüm olurdu. 
 Peki araştırdığımız durumlar neler? 
 Başlangıçta boş. 
 Boş bir keşif setimiz var. 
 Ve şimdi tekrarlıyoruz. 
 Sınır boşsa, çözüm yok. 
 Öncekinin aynısı. 
 Bir düğümü sınırdan kaldırıyoruz, kontrol ediyoruz 
 Hedef durum olup olmadığını görmek için çözümü iade edin. 
 Bunların hiçbiri şu ana kadar farklı değil. 
 Ama şimdi, yapacağımız şey 
 düğümü keşfedilen duruma eklemek için. 
 Yani eğer bir düğümü sınırdan kaldırırsak, 
 ve amaç bu değil, keşfedilen sete ekleyeceğiz 
 böylece daha önce keşfettiğimizi biliyoruz. 
 Daha sonra ortaya çıkması durumunda tekrar geri dönmemize gerek yok. 

Korean: 
 상태를 탐색 한 후에는 다시 돌아 가지 마십시오. 
 프론티어에 추가하지 않아도됩니다. 
 필요가 없습니다. 
 여기에 우리의 수정 된 접근 방식이 있습니다. 
 이런 종류의 검색 문제에 접근하는 더 좋은 방법. 
 그리고 몇 가지 수정만으로도 매우 비슷하게 보일 것입니다. 
 초기 상태를 포함하는 프론티어로 시작하겠습니다. 
 이전과 동일합니다. 
 이제 다른 데이터 구조부터 시작하겠습니다. 
 우리가 이미 살펴본 노드 집합 일뿐입니다. 
 우리가 조사한 상태는 무엇입니까? 
 처음에는 비어 있습니다. 
 빈 탐색 세트가 있습니다. 
 그리고 지금 우리는 반복합니다. 
 프론티어가 비어 있으면 솔루션이 없습니다. 
 이전과 동일합니다. 
 우리는 국경에서 노드를 제거하고 확인합니다. 
 목표 상태인지 확인하려면 솔루션을 반환하십시오. 
 지금까지 다른 점은 없습니다. 
 하지만 이제 우리가 할 일은 
 탐색 상태에 노드를 추가합니다. 
 따라서 프론티어에서 노드를 제거하는 경우 
 목표가 아닙니다. 탐색 한 세트에 추가하겠습니다. 
 이미 탐색했음을 알 수 있습니다. 
 나중에 다시 발생하면 다시 되돌릴 필요가 없습니다. 

Indonesian: 
 Setelah kami menjelajahi suatu negara, jangan kembali ke sana, 
 jangan repot-repot menambahkannya ke perbatasan. 
 Tidak perlu. 
 Jadi di sini akan menjadi pendekatan revisi kami, 
 cara yang lebih baik untuk mendekati masalah pencarian semacam ini. 
 Dan itu akan terlihat sangat mirip hanya dengan beberapa modifikasi. 
 Kami akan mulai dengan perbatasan yang berisi keadaan awal. 
 Sama seperti sebelumnya. 
 Tapi sekarang kita akan mulai dengan struktur data lain, 
 yang hanya akan menjadi satu set node yang sudah kita jelajahi. 
 Jadi, apa saja keadaan yang telah kita jelajahi? 
 Awalnya, ini kosong. 
 Kami memiliki set yang dieksplorasi kosong. 
 Dan sekarang kita ulangi. 
 Jika perbatasan kosong, tidak ada solusi. 
 Sama seperti sebelumnya. 
 Kami menghapus simpul dari perbatasan, kami memeriksa 
 untuk melihat apakah itu keadaan tujuan, kembalikan solusinya. 
 Sejauh ini tidak ada yang berbeda. 
 Tapi sekarang, apa yang akan kita lakukan adalah kita pergi 
 untuk menambahkan node ke status yang dieksplorasi. 
 Jadi jika kebetulan kita menghapus sebuah simpul dari perbatasan 
 dan itu bukan tujuannya, kami akan menambahkannya ke set yang dieksplorasi 
 jadi kita tahu kita sudah menjelajahinya. 
 Kita tidak perlu kembali ke sana lagi jika itu terjadi nanti. 

Spanish: 
 Y luego el paso final, expandimos el nodo 
 y agregamos los nodos resultantes a la frontera. 
 Pero antes de que siempre agreguemos los nodos resultantes a la frontera, 
 esta vez seremos más inteligentes al respecto. 
 Solo vamos a agregar los nodos a la frontera 
 si no están ya en la frontera y si 
 no están ya en el conjunto explorado. 
 Así que revisaremos tanto la frontera como el conjunto explorado, 
 asegúrese de que el nodo no esté en uno de esos dos, 
 y mientras no sea así, seguiremos adelante y agregaremos a la frontera 
 pero no de otra manera 
 Y para que el enfoque revisado sea 
 ¿Qué va a ayudar a asegurarse de que no lo hacemos 
 ir y venir entre dos nodos. 
 Ahora, el único punto que he pasado por alto aquí 
 hasta ahora es este paso aquí, eliminando un nodo de la frontera. 
 Antes de elegir arbitrariamente, simplemente eliminemos un nodo y listo. 
 Pero resulta que en realidad es bastante importante. 
 cómo decidimos estructurar nuestra frontera, cómo los agregamos, 
 y cómo eliminamos nuestros nodos. 
 La frontera es una estructura de datos. 
 Y tenemos que elegir en qué orden 
 vamos a eliminar elementos? 

Modern Greek (1453-): 
 Και μετά το τελευταίο βήμα, επεκτείνουμε τον κόμβο 
 και προσθέτουμε τους προκύπτοντες κόμβους στα σύνορα. 
 Αλλά πριν προσθέτουμε πάντα τους κόμβους που προκύπτουν στα σύνορα, 
 θα είμαστε λίγο πιο έξυπνοι για αυτό τη φορά. 
 Θα προσθέσουμε μόνο τους κόμβους στα σύνορα 
 αν δεν είναι ήδη στα σύνορα και εάν 
 δεν είστε ήδη στο εξερευνημένο σετ. 
 Έτσι θα ελέγξουμε τόσο τα σύνορα όσο και το εξερευνημένο σετ, 
 βεβαιωθείτε ότι ο κόμβος δεν βρίσκεται ήδη σε ένα από αυτά τα δύο, 
 και όσο δεν είναι, τότε θα προχωρήσουμε και θα προσθέσουμε στα σύνορα 
 αλλά όχι διαφορετικά. 
 Και έτσι η αναθεωρημένη προσέγγιση είναι τελικά 
 τι θα σας βοηθήσει να βεβαιωθείτε ότι δεν το κάνουμε 
 πηγαίνετε πίσω μεταξύ δύο κόμβων. 
 Τώρα το ένα σημείο που έχω κάνει λάμψη εδώ 
 Μέχρι στιγμής είναι αυτό το βήμα εδώ, αφαιρώντας έναν κόμβο από τα σύνορα. 
 Πριν απλώς επέλεξα αυθαίρετα, όπως ας αφαιρέσουμε έναν κόμβο και αυτό είναι. 
 Αλλά αποδεικνύεται ότι είναι πραγματικά πολύ σημαντικό 
 πώς αποφασίζουμε να δομήσουμε τα σύνορά μας, πώς τα προσθέτουμε, 
 και πώς αφαιρούμε τους κόμβους μας. 
 Τα σύνορα είναι μια δομή δεδομένων. 
 Και πρέπει να επιλέξουμε με ποια σειρά 
 πρόκειται να αφαιρέσουμε στοιχεία; 

Turkish: 
 Ve son adım olarak düğümü genişletiyoruz 
 ve ortaya çıkan düğümleri sınıra ekliyoruz. 
 Fakat ortaya çıkan düğümleri her zaman sınıra eklemeden önce, 
 bu sefer biraz daha zeki olacağız. 
 Düğümleri sadece sınıra ekleyeceğiz 
 eğer zaten sınırda değilse ve 
 henüz keşfedilmiş kümede değil. 
 Bu yüzden hem sınırı hem de keşfedilen seti kontrol edeceğiz, 
 düğümün zaten bu ikisinden birinde olmadığından emin olun, 
 ve olmadığı sürece, devam edip sınıra ekleyeceğiz 
 ama başka türlü değil. 
 Ve böylece gözden geçirilmiş yaklaşım nihayetinde 
 ne yapmamıza yardımcı olacak 
 iki düğüm arasında ileri geri gidin. 
 Şimdi burada biraz parladığım bir nokta 
 Şimdiye kadar bu adım, bir düğümü sınırdan kaldırarak. 
 Sadece keyfi olarak seçmeden önce, bir düğümü kaldıralım gibi. 
 Ama aslında oldukça önemli 
 sınırımızı nasıl yapılandırmaya karar veririz, onları nasıl ekleriz, 
 ve düğümlerimizi nasıl kaldırdığımızı. 
 Sınır bir veri yapısıdır. 
 Ve hangi sırayla bir seçim yapmamız gerekiyor 
 elemanları kaldıracak mıyız? 

French: 
 Et puis la dernière étape, nous développons le nœud 
 et nous ajoutons les nœuds résultants à la frontière. 
 Mais avant de toujours ajouter les nœuds résultants à la frontière, 
 nous allons être un peu plus intelligents à ce sujet cette fois. 
 Nous allons seulement ajouter les nœuds à la frontière 
 s'ils ne sont pas déjà à la frontière et s'ils 
 ne sont pas déjà dans l'ensemble exploré. 
 Nous allons donc vérifier à la fois la frontière et l'ensemble exploré, 
 assurez-vous que le nœud n'est pas déjà dans l'un de ces deux, 
 et tant que ce n'est pas le cas, nous allons continuer et ajouter à la frontière 
 mais pas autrement. 
 Et pour que cette approche révisée soit finalement 
 qu'est-ce qui va aider à nous assurer que nous ne le faisons pas 
 aller et venir entre deux nœuds. 
 Maintenant, le seul point que j'ai en quelque sorte passé sous silence ici 
 jusqu'ici est cette étape ici, retirer un nœud de la frontière. 
 Avant de choisir arbitrairement, disons simplement supprimer un nœud et c'est tout. 
 Mais il s'avère que c'est en fait assez important 
 comment nous décidons de structurer notre frontière, comment nous les ajoutons, 
 et comment nous supprimons nos nœuds. 
 La frontière est une structure de données. 
 Et nous devons faire un choix dans quel ordre 
 allons-nous supprimer des éléments? 

Italian: 
 E poi il passaggio finale, espandiamo il nodo 
 e aggiungiamo i nodi risultanti alla frontiera. 
 Ma prima di aggiungere sempre sempre i nodi risultanti alla frontiera, 
 questa volta saremo un po 'più furbi. 
 Aggiungeremo solo i nodi alla frontiera 
 se non sono già alla frontiera e se lo sono 
 non sono già nel set esplorato. 
 Quindi controlleremo sia la frontiera che il set esplorato, 
 assicurati che il nodo non sia già in una di quelle due, 
 e finché non lo è, andremo avanti e aggiungeremo alla frontiera 
 ma non diversamente. 
 E quindi l'approccio rivisto è in definitiva 
 cosa ci aiuterà a fare in modo che non lo facciamo 
 andare avanti e indietro tra due nodi. 
 Ora l'unico punto che ho in qualche modo sorpreso qui 
 finora è questo passaggio qui, rimuovendo un nodo dalla frontiera. 
 Prima ho appena scelto arbitrariamente, come rimuovere un nodo e basta. 
 Ma in realtà è abbastanza importante 
 come decidiamo di strutturare la nostra frontiera, come le aggiungiamo, 
 e come rimuoviamo i nostri nodi. 
 La frontiera è una struttura di dati. 
 E dobbiamo fare una scelta in quale ordine 
 rimuoveremo gli elementi? 

Dutch: 
 En dan de laatste stap, we breiden het knooppunt uit 
 en we voegen de resulterende knooppunten toe aan de grens. 
 Maar voordat we de resulterende knooppunten gewoon altijd aan de grens hebben toegevoegd, 
 we gaan er deze keer een beetje slimmer over zijn. 
 We gaan alleen de knooppunten aan de grens toevoegen 
 als ze nog niet in de grens zijn en als ze dat wel zijn 
 bevinden zich nog niet in de verkende set. 
 Dus we zullen zowel de grens als de onderzochte set bekijken, 
 zorg ervoor dat het knooppunt niet al in een van die twee zit, 
 en zolang dat niet zo is, gaan we door en voegen we de grens toe 
 maar niet anders. 
 En zo is die herziene aanpak uiteindelijk ook 
 wat ervoor zorgt dat we dat niet doen 
 ga heen en weer tussen twee knooppunten. 
 Nu het enige punt dat ik hier een beetje heb verdoezeld 
 tot dusver is deze stap hier, het verwijderen van een knooppunt van de grens. 
 Voordat ik gewoon willekeurig koos, zoals laten we gewoon een knooppunt verwijderen en dat is alles. 
 Maar het blijkt eigenlijk best belangrijk 
 hoe we besluiten onze grens te structureren, hoe we ze toevoegen, 
 en hoe we onze knooppunten verwijderen. 
 De grens is een datastructuur. 
 En we moeten een keuze maken in welke volgorde 
 gaan we elementen verwijderen? 

English: 
And then the final step, we expand the node
and we add the resulting nodes to the frontier.
But before we just always added the resulting nodes to the frontier,
we're going to be a little cleverer about it this time.
We're only going to add the nodes to the frontier
if they aren't already in the frontier and if they
aren't already in the explored set.
So we'll check both the frontier and the explored set,
make sure that the node isn't already in one of those two,
and so long as it isn't, then we'll go ahead and add to the frontier
but not otherwise.
And so that revised approach is ultimately
what's going to help make sure that we don't
go back and forth between two nodes.
Now the one point that I've kind of glossed over here
so far is this step here, removing a node from the frontier.
Before I just chose arbitrarily, like let's just remove a node and that's it.
But it turns out it's actually quite important
how we decide to structure our frontier, how we add them,
and how we remove our nodes.
The frontier is a data structure.
And we need to make a choice about in what order
are we going to be removing elements?

Arabic: 
 ثم الخطوة الأخيرة ، نقوم بتوسيع العقدة 
 ونضيف العقد الناتجة إلى الحدود. 
 ولكن قبل أن نضيف دائمًا العقد الناتجة إلى الحدود ، 
 سنكون أكثر ذكاءً في هذا الوقت. 
 سنقوم فقط بإضافة العقد إلى الحدود 
 إذا لم يكونوا بالفعل في الحدود وإذا كانوا 
 ليست بالفعل في المجموعة المستكشفة. 
 لذلك سوف نتحقق من كل من الحدود والمجموعة المستكشفة ، 
 تأكد من أن العقدة ليست بالفعل في واحدة من هذين ، 
 وطالما لم يكن كذلك ، فسنمضي قدمًا ونضيف إلى الحدود 
 ولكن ليس بخلاف ذلك. 
 وبالتالي فإن هذا النهج المنقح هو في نهاية المطاف 
 ما سيساعد على التأكد من أننا لا نفعل ذلك 
 ذهابا وإيابا بين عقدتين. 
 الآن النقطة الوحيدة التي قمت بإزالتها هنا 
 حتى الآن هذه الخطوة هنا ، إزالة عقدة من الحدود. 
 قبل أن أختار بشكل تعسفي ، على سبيل المثال لنزيل العقدة وهذا كل شيء. 
 لكن تبين أنه في الواقع مهم للغاية 
 كيف نقرر هيكلة حدودنا ، وكيف نضيفها ، 
 وكيف نزيل العقد. 
 الحدود هي بنية بيانات. 
 ونحن بحاجة إلى اتخاذ قرار بشأن أي ترتيب 
 هل سنقوم بإزالة العناصر؟ 

German: 
 Und dann, im letzten Schritt, erweitern wir den Knoten 
 und wir fügen die resultierenden Knoten der Grenze hinzu. 
 Aber bevor wir einfach immer die resultierenden Knoten zur Grenze hinzugefügt haben, 
 Wir werden diesmal etwas schlauer sein. 
 Wir werden nur die Knoten zur Grenze hinzufügen 
 wenn sie nicht schon an der Grenze sind und wenn sie 
 sind noch nicht im erkundeten Set. 
 Also werden wir sowohl die Grenze als auch das erkundete Set überprüfen. 
 Stellen Sie sicher, dass sich der Knoten nicht bereits in einem dieser beiden Knoten befindet. 
 und solange es nicht so ist, werden wir weitermachen und die Grenze erweitern 
 aber nicht anders. 
 Und so ist dieser überarbeitete Ansatz letztendlich 
 Was wird dazu beitragen, dass wir es nicht tun? 
 zwischen zwei Knoten hin und her gehen. 
 Nun der eine Punkt, den ich hier irgendwie beschönigt habe 
 Bisher ist dieser Schritt hier, einen Knoten von der Grenze zu entfernen. 
 Bevor ich mich willkürlich entschieden habe, entfernen wir einfach einen Knoten und das wars. 
 Aber es stellt sich heraus, dass es eigentlich ziemlich wichtig ist 
 wie wir uns entscheiden, unsere Grenze zu strukturieren, wie wir sie hinzufügen, 
 und wie wir unsere Knoten entfernen. 
 Die Grenze ist eine Datenstruktur. 
 Und wir müssen eine Wahl treffen, in welcher Reihenfolge 
 werden wir Elemente entfernen? 

Hindi: 
 और फिर अंतिम चरण, हम नोड का विस्तार करते हैं 
 और हम परिणामी नोड्स को फ्रंटियर में जोड़ते हैं। 
 लेकिन इससे पहले कि हम हमेशा सामने वाले को परिणामस्वरूप नोड्स जोड़ते, 
 हम इस बार इसके बारे में थोड़ा चतुर होने जा रहे हैं। 
 हम केवल फ्रंटियर में नोड्स जोड़ने जा रहे हैं 
 अगर वे पहले से ही सीमा में नहीं हैं और यदि वे 
 पहले से ही पता लगाया सेट में नहीं हैं। 
 तो हम सीमा और अन्वेषण सेट दोनों की जाँच करेंगे, 
 सुनिश्चित करें कि नोड पहले से ही उन दो में से एक में नहीं है, 
 और जब तक यह नहीं होता है, तब तक हम आगे बढ़ेंगे और सीमा को जोड़ेंगे 
 लेकिन अन्यथा नहीं। 
 और इसलिए कि संशोधित दृष्टिकोण अंततः है 
 यह सुनिश्चित करने में मदद करने के लिए कि हम क्या नहीं करते हैं 
 दो नोड्स के बीच आगे और पीछे जाएं। 
 अब एक बात जो मैंने यहाँ पर देखी है 
 अब तक यह कदम यहाँ है, सीमा से एक नोड को हटा रहा है। 
 इससे पहले कि मैं बस मनमाने ढंग से चुना, जैसे चलो बस एक नोड को हटा दें और यह बात है। 
 लेकिन यह पता चला है कि यह वास्तव में काफी महत्वपूर्ण है 
 हम अपनी सीमा को कैसे तय करते हैं, हम उन्हें कैसे जोड़ते हैं, 
 और हम अपने नोड्स को कैसे हटाते हैं। 
 सीमांत एक डेटा संरचना है। 
 और हमें किस क्रम में चुनाव करना है 
 क्या हम तत्वों को हटाने जा रहे हैं? 

Portuguese: 
 E então a etapa final, expandimos o nó 
 e adicionamos os nós resultantes à fronteira. 
 Mas antes de adicionarmos sempre os nós resultantes à fronteira, 
 desta vez seremos um pouco mais espertos. 
 Nós apenas vamos adicionar os nós à fronteira 
 se eles ainda não estão na fronteira e se eles 
 ainda não estão no conjunto explorado. 
 Então, vamos verificar a fronteira e o conjunto explorado, 
 verifique se o nó já não está em um desses dois, 
 e enquanto não for, então vamos em frente e adicionamos à fronteira 
 mas não de outra forma. 
 E, portanto, essa abordagem revisada é finalmente 
 o que ajudará a garantir que não 
 ir e voltar entre dois nós. 
 Agora, o único ponto que eu meio que encarei aqui 
 até agora é esta etapa aqui, removendo um nó da fronteira. 
 Antes de eu escolher arbitrariamente, vamos remover um nó e é isso. 
 Mas acontece que é realmente muito importante 
 como decidimos estruturar nossa fronteira, como as adicionamos, 
 e como removemos nossos nós. 
 A fronteira é uma estrutura de dados. 
 E precisamos fazer uma escolha sobre em que ordem 
 vamos remover elementos? 

Japanese: 
そして最後のステップとして、ノードを展開します
結果のノードをフロンティアに追加します。 
しかし、結果のノードを常にフロンティアに追加する前に、 
今回は少し賢くします。 
ノードをフロンティアに追加するだけです
彼らがまだフロンティアにいない場合、そして彼らが
まだ探索セットに含まれていません。 
フロンティアと探索セットの両方をチェックします
ノードがこれら2つのうちの1つに含まれていないことを確認します。 
そうでない限り、先に進んでフロンティアに追加します
しかし、そうでなければ。 
そしてその改訂されたアプローチは最終的に
私たちがしないことを確認するのに役立つことは何ですか
 2つのノード間を行き来します。 
さてここでちょっとツヤツヤしたポイント
これまでのところ、このステップでは、フロンティアからノードを削除しています。 
任意に選択する前に、ノードを削除してみましょう。 
しかし、それは実際には非常に重要であることがわかりました
フロンティアをどのように構成するか、どのように追加するか、 
ノードを削除する方法。 
フロンティアはデータ構造です。 
そして、私たちはどの順番で選択する必要があります
要素を削除しますか？ 

Korean: 
 마지막 단계에서 노드를 확장합니다 
 결과 노드를 프론티어에 추가합니다. 
 그러나 결과 노드를 항상 프론티어에 추가하기 전에 
 우리는 이번에 그것에 대해 조금 영리 할 것입니다. 
 우리는 프론티어에만 노드를 추가 할 것입니다 
 그들이 아직 국경에 있지 않은 경우 
 아직 탐색 세트에 없습니다. 
 그래서 우리는 프론티어와 탐험 된 세트를 모두 확인하고 
 노드가 이미이 두 가지 중 하나에 있지 않은지 확인하십시오. 
 그렇지 않은 한 계속해서 프론티어에 추가하겠습니다 
 그러나 그렇지 않다. 
 따라서 수정 된 접근 방식은 궁극적으로 
 우리가하지 않도록하는 데 도움이 될 것 
 두 노드 사이에서 앞뒤로 이동하십시오. 
 이제 제가 여기 광택을 낸 점은 
 지금까지이 단계는 프론티어에서 노드를 제거합니다. 
 방금 노드를 제거하고 바로 그 노드와 같이 임의로 선택하기 전에. 
 그러나 그것은 실제로 매우 중요합니다 
 우리가 어떻게 프론티어를 구성하기로 결정했는지, 어떻게 추가하는지, 
 노드를 제거하는 방법. 
 프론티어는 데이터 구조입니다. 
 그리고 우리는 어떤 순서로 선택해야합니다 
 요소를 제거 할 예정입니까? 

Russian: 
 И затем последний шаг, мы расширяем узел 
 и мы добавляем результирующие узлы к границе. 
 Но прежде чем мы просто всегда добавляли результирующие узлы к границе, 
 на этот раз мы будем немного умнее. 
 Мы только собираемся добавить узлы к границе 
 если они еще не на границе, и если они 
 еще не в изученном наборе. 
 Итак, мы проверим и границу и исследуемый набор, 
 убедитесь, что узел не находится ни в одном из этих двух, 
 и до тех пор, пока это не так, тогда мы пойдем дальше и добавим к границе 
 но не иначе. 
 И так, что пересмотренный подход в конечном итоге 
 что поможет убедиться, что мы не 
 идти вперед и назад между двумя узлами. 
 Теперь один момент, который я тут как бы затушевал 
 пока этот шаг здесь, удаление узла от границы. 
 Прежде чем я выбрал произвольно, например, давайте просто удалим узел и все. 
 Но оказывается, что это на самом деле очень важно 
 как мы решаем структурировать нашу границу, как мы их добавляем, 
 и как мы удаляем наши узлы. 
 Граница - это структура данных. 
 И нам нужно сделать выбор в том, в каком порядке 
 мы собираемся удалять элементы? 

Chinese: 
然后最后一步，我们扩展节点
然后将结果节点添加到边界。 
但是在我们总是将结果节点添加到边界之前， 
这次我们会对此更加谨慎。 
我们只将节点添加到边界
如果他们还没有进入边境，如果他们
尚未纳入探索范围。 
因此，我们将同时检查边界和探索集， 
确保该节点不在这两个节点之一中， 
只要不是，那我们就继续前进，加入前沿
但不是这样。 
因此，修改后的方法最终是
什么将有助于确保我们不
在两个节点之间来回移动。 
现在我在这里掩饰了一点
到目前为止，这里是从边界移除节点的步骤。 
在我随意选择之前，就像我们只删除一个节点就是这样。 
但事实证明，这实际上非常重要
我们如何决定构建边界，如何添加边界， 
以及我们如何删除节点。 
边界是数据结构。 
我们需要选择以什么顺序
我们将要删除元素吗？ 

Indonesian: 
 Dan kemudian langkah terakhir, kita perluas node 
 dan kami menambahkan node yang dihasilkan ke perbatasan. 
 Tapi sebelumnya kita selalu menambahkan node yang dihasilkan ke perbatasan, 
 kita akan menjadi sedikit lebih pintar tentang ini kali ini. 
 Kami hanya akan menambahkan node ke perbatasan 
 jika mereka belum berada di perbatasan dan jika mereka 
 belum ada dalam set yang dieksplorasi. 
 Jadi kita akan memeriksa batas dan set yang dieksplorasi, 
 pastikan bahwa node belum ada di salah satu dari dua, 
 dan selama tidak, maka kita akan melanjutkan dan menambah perbatasan 
 tetapi tidak sebaliknya. 
 Dan sehingga pendekatan yang direvisi pada akhirnya 
 apa yang akan membantu memastikan bahwa kita tidak melakukannya 
 bolak-balik antara dua node. 
 Sekarang satu hal yang saya agak jelas di sini 
 sejauh ini adalah langkah ini di sini, menghapus simpul dari perbatasan. 
 Sebelum saya hanya memilih secara sewenang-wenang, seperti mari kita hapus simpul dan hanya itu. 
 Tapi ternyata itu sebenarnya cukup penting 
 bagaimana kita memutuskan untuk menyusun perbatasan kita, bagaimana kita menambahkannya, 
 dan bagaimana kami menghapus node kami. 
 Perbatasan adalah struktur data. 
 Dan kita perlu membuat keputusan tentang dalam urutan apa 
 apakah kita akan menghapus elemen? 

Chinese: 
最後一步，我們擴展節點
然後將結果節點添加到邊界。 
但是在我們總是將結果節點添加到邊界之前， 
這次我們會對此更加謹慎。 
我們只將節點添加到邊界
如果他們還沒有進入邊境，如果他們
尚未納入探索範圍。 
因此，我們將同時檢查邊界和探索集， 
確保該節點不在這兩個節點之一中， 
只要不是，那我們就繼續前進，加入前沿
但不是這樣。 
因此，修訂的方法最終是
什麼將有助於確保我們不
在兩個節點之間來回移動。 
現在我在這裡掩飾了一點
到目前為止，這裡是從邊界移除節點的步驟。 
在我隨意選擇之前，就像我們只刪除一個節點就是這樣。 
但事實證明，這實際上非常重要
我們如何決定構建邊界，如何添加邊界， 
以及我們如何刪除節點。 
邊界是數據結構。 
我們需要選擇以什麼順序
我們將要刪除元素嗎？ 

Japanese: 
要素を追加および削除するための最も単純なデータ構造の1つ
スタックと呼ばれるものです。 
スタックは、後入れ先出しのデータ型であるデータ構造です。 
それは私がフロンティアに追加する最後のものを意味します
私がフロンティアから削除する最初のものです。 
スタックに入れる最新のもの、この場合はフロンティア、 
私が探索するノードになります。 
このスタックベースのアプローチを適用するとどうなるか見てみましょう
この問題のようなものに、AからEへのパスを見つけます。 
何が起こるだろう？ 
さて、再びAから始めましょう。そして、大丈夫です。 
まず、Aを見てみましょう。 
そして、今度は、探索されたセットにAを追加しました。 
 Aは今調べたもので、このデータ構造があります。 
それは追跡しています。 
次に、AからBに到達できると言います。 
 Bから何ができますか？ 
 Bからは、Bを探索してCとDの両方に到達できます。 
 Cを追加し、次にDを追加しました。ノードを探索すると、 

Chinese: 
也是添加和删除元素的最简单的数据结构之一
是称为堆栈的东西。 
堆栈是一种数据结构，是一种后进先出的数据类型。 
这意味着我要添加到边境的最后一件事
这将是我从边界移除的第一件事。 
因此，最近的事情要进入堆栈，或者在这种情况下成为前沿， 
将成为我探索的节点。 
因此，让我们看看如果我应用这种基于堆栈的方法会发生什么
解决类似问题的方法，找到从A到E的路径。 
会发生什么事？ 
好了，我们再次从A开始。然后说，好吧。 
让我们继续来看A。 
然后，注意这次，我们已经将A添加到了探索的集合中。 
 A是我们现在探索的东西，我们有这个数据结构
一直在跟踪。 
然后，我们说可以从A到达B。好吧。 
从B可以做什么？ 
从B出发，我们可以探索B并到达C和D。 
因此，我们先添加了C，然后添加了D。所以现在，当我们探索一个节点时， 

Portuguese: 
 E uma das estruturas de dados mais simples para adicionar e remover elementos 
 é algo chamado pilha. 
 E uma pilha é uma estrutura de dados que é o último a entrar, primeiro a sair. 
 O que significa a última coisa que adiciono à fronteira 
 será a primeira coisa que removo da fronteira. 
 Portanto, a coisa mais recente a ser inserida na pilha ou a fronteira nesse caso, 
 será o nó que eu explorarei. 
 Então, vamos ver o que acontece se eu aplicar essa abordagem baseada em pilha 
 para algo como esse problema, encontrando um caminho de A a E. 
 O que vai acontecer? 
 Bem, novamente começaremos com A. E diremos, tudo bem. 
 Vamos em frente e olhe para A primeiro. 
 E então, observe que desta vez, adicionamos A ao conjunto explorado. 
 A é algo que agora exploramos, temos essa estrutura de dados 
 isso é acompanhar. 
 Dizemos então de A que podemos chegar a B. E tudo bem. 
 De B, o que podemos fazer? 
 Bem de B, podemos explorar B e chegar a C e D. 
 Então adicionamos C e depois D. Então agora, quando exploramos um nó, 

Modern Greek (1453-): 
 Και μία από τις απλούστερες δομές δεδομένων για προσθήκη και αφαίρεση στοιχείων 
 είναι κάτι που ονομάζεται στοίβα. 
 Και μια στοίβα είναι μια δομή δεδομένων που είναι ο τελευταίος, πρώτος τύπος δεδομένων. 
 Αυτό σημαίνει ότι το τελευταίο πράγμα που προσθέτω στα σύνορα 
 θα είναι το πρώτο πράγμα που θα αφαιρέσω από τα σύνορα. 
 Έτσι, το πιο πρόσφατο πράγμα που πρέπει να πάρετε στη στοίβα, ή στα σύνορα σε αυτήν την περίπτωση, 
 πρόκειται να είναι ο κόμβος που εξερευνούμαι. 
 Ας δούμε λοιπόν τι θα συμβεί εάν εφαρμόσω αυτήν την προσέγγιση που βασίζεται σε στοίβα 
 σε κάτι σαν αυτό το πρόβλημα, βρίσκοντας ένα μονοπάτι από το Α στο Ε. 
 Τι πρόκειται να συμβεί? 
 Λοιπόν, πάλι θα ξεκινήσουμε με τον Α. Και θα πούμε, εντάξει. 
 Ας προχωρήσουμε και να δούμε το Α πρώτα. 
 Και τότε, παρατηρήστε αυτήν τη φορά, προσθέσαμε το A στο εξερευνημένο σετ. 
 Α είναι κάτι που έχουμε διερευνήσει τώρα, έχουμε αυτήν τη δομή δεδομένων 
 αυτό παρακολουθεί. 
 Στη συνέχεια λέμε από το Α μπορούμε να φτάσουμε στο Β. Και εντάξει. 
 Από το B τι μπορούμε να κάνουμε; 
 Λοιπόν από το B, μπορούμε να εξερευνήσουμε το B και να φτάσουμε και στους C και D. 
 Προσθέσαμε λοιπόν το C και μετά το D. Έτσι λοιπόν όταν εξερευνούμε έναν κόμβο, 

Hindi: 
 और तत्वों को जोड़ने और हटाने के लिए सबसे सरल डेटा संरचनाओं में से एक 
 एक स्टैक कहा जाता है। 
 और एक स्टैक एक डेटा संरचना है जो डेटा प्रकार में एक अंतिम है, पहले बाहर है। 
 जिसका मतलब है कि आखिरी चीज जो मैं सीमांत में जोड़ता हूं 
 पहली बात है कि मैं सीमा से हटा जा रहा हूँ। 
 तो इस मामले में स्टैक, या फ्रंटियर में जाने के लिए सबसे हाल की बात, 
 नोड है कि मैं का पता लगाने जा रहा है। 
 तो आइए देखें कि क्या होता है यदि मैं इस स्टैक आधारित दृष्टिकोण को लागू करता हूं 
 कुछ इस तरह की समस्या से, ए से ई तक का रास्ता खोजना। 
 क्या होने जा रहा है? 
 खैर, फिर से हम ए के साथ शुरू करेंगे और हम कहेंगे, ठीक है। 
 चलो आगे बढ़ते हैं और पहले ए को देखते हैं। 
 और फिर, इस बार ध्यान दें, हमने ए को खोजे गए सेट में जोड़ा है। 
 ए कुछ ऐसा है जिसे हमने अब खोजा है, हमारे पास यह डेटा संरचना है 
 वह नज़र रख रहा है। 
 हम तो कहते हैं कि A से हम B. और सब ठीक हो सकते हैं। 
 B से हम क्या कर सकते हैं? 
 खैर बी से, हम बी का पता लगा सकते हैं और सी और डी दोनों को प्राप्त कर सकते हैं। 
 इसलिए हमने C और उसके बाद D. को जोड़ा। अब जब हम एक नोड का पता लगाते हैं, 

Spanish: 
 Y una de las estructuras de datos más simples para agregar y eliminar elementos. 
 es algo llamado una pila. 
 Y una pila es una estructura de datos que es un tipo de datos último en entrar, primero en salir. 
 Lo que significa lo último que agrego a la frontera 
 será lo primero que elimine de la frontera. 
 Entonces, lo más reciente para ir a la pila, o la frontera en este caso, 
 va a ser el nodo que exploro. 
 Entonces, veamos qué sucede si aplico este enfoque basado en la pila 
 a algo como este problema, encontrar una ruta de A a E. 
 ¿Qué va a pasar? 
 Bueno, nuevamente comenzaremos con A. Y diremos, está bien. 
 Avancemos y miremos A primero. 
 Y luego, note esta vez, hemos agregado A al conjunto explorado. 
 A es algo que ahora hemos explorado, tenemos esta estructura de datos 
 Eso es seguir la pista. 
 Luego decimos que desde A podemos llegar a B. Y está bien. 
 De B, ¿qué podemos hacer? 
 Bueno, desde B, podemos explorar B y llegar a C y D. 
 Entonces agregamos C y luego D. Entonces, cuando exploramos un nodo, 

German: 
 Und eine der einfachsten Datenstrukturen zum Hinzufügen und Entfernen von Elementen 
 ist so etwas wie ein Stapel. 
 Und ein Stack ist eine Datenstruktur, bei der es sich um einen Last-In- und First-Out-Datentyp handelt. 
 Was bedeutet, das Letzte, was ich zur Grenze hinzufüge 
 wird das erste sein, was ich von der Grenze entferne. 
 Also das Neueste, was in den Stapel geht, oder in diesem Fall die Grenze, 
 wird der Knoten sein, den ich erforsche. 
 Mal sehen, was passiert, wenn ich diesen stapelbasierten Ansatz anwende 
 zu so etwas wie diesem Problem, einen Weg von A nach E zu finden. 
 Was wird passieren? 
 Nun, wir fangen wieder mit A an. Und wir werden sagen, alles klar. 
 Schauen wir uns zuerst A an. 
 Beachten Sie diesmal, dass wir dem erkundeten Set A hinzugefügt haben. 
 A ist etwas, das wir jetzt untersucht haben, wir haben diese Datenstruktur 
 das hält den Überblick. 
 Wir sagen dann von A, dass wir zu B kommen können. Und alles klar. 
 Was können wir von B aus tun? 
 Nun, von B aus können wir B erkunden und sowohl nach C als auch nach D gelangen. 
 Also haben wir C und dann D hinzugefügt. Wenn wir nun einen Knoten untersuchen, 

Korean: 
 요소를 추가하고 제거하기위한 가장 간단한 데이터 구조 중 하나 
 스택이라고합니다. 
 그리고 스택은 최후의 선입 데이터 타입 인 데이터 구조입니다. 
 내가 프론티어에 마지막으로 추가 한 것을 의미합니다 
 내가 최전선에서 제거하는 첫 번째가 될 것입니다. 
 가장 최근에 스택에 넣거나이 경우에는 
 내가 탐색하는 노드가 될 것입니다. 
 이 스택 기반 접근 방식을 적용하면 어떻게되는지 봅시다 
 이 문제와 같은 것으로 A에서 E 로의 경로를 찾으십시오. 
 무슨 일이야? 
 다시 우리는 A로 시작할 것입니다. 그리고 우리는 말할 것입니다. 
 계속해서 A를 봅시다. 
 그리고 이번에는 탐색 세트에 A를 추가했습니다. 
 A는 지금 우리가 탐구 한 것입니다. 우리는이 데이터 구조를 가지고 있습니다. 
 추적하고 있습니다. 
 그런 다음 A에서 B로 갈 수 있다고 말합니다. 
 B에서 우리는 무엇을 할 수 있습니까? 
 B에서 B를 탐색하고 C와 D에 모두 도달 할 수 있습니다. 
 C와 D를 추가했습니다. 이제 노드를 탐색 할 때 

Chinese: 
也是添加和刪除元素的最簡單的數據結構之一
是稱為堆棧的東西。 
堆棧是一種數據結構，是一種後進先出的數據類型。 
這意味著我要添加到邊境的最後一件事
這將是我從邊界移除的第一件事。 
因此，最近的事情要進入堆棧，或者在這種情況下成為前沿， 
將成為我探索的節點。 
因此，讓我們看看如果我應用這種基於堆棧的方法會發生什麼
解決類似問題的方法，找到從A到E的路徑。 
會發生什麼事？ 
好了，我們再次從A開始。然後說，好吧。 
讓我們繼續來看A。 
然後，注意這次，我們已經將A添加到了探索的集合中。 
 A是我們現在探索的東西，我們有這個數據結構
一直在跟踪。 
然後，我們說可以從A到達B。好吧。 
從B可以做什麼？ 
從B出發，我們可以探索B並到達C和D。 
因此，我們先添加了C，然後添加了D。所以現在，當我們探索一個節點時， 

Dutch: 
 En een van de eenvoudigste datastructuren voor het toevoegen en verwijderen van elementen 
 is iets dat een stapel wordt genoemd. 
 En een stapel is een datastructuur die een laatste in, eerst uit gegevenstype is. 
 Dat betekent het laatste dat ik aan de grens toevoeg 
 wordt het eerste dat ik van de grens verwijder. 
 Dus het meest recente om in de stapel te gaan, of in dit geval de grens, 
 wordt het knooppunt dat ik verken. 
 Laten we dus eens kijken wat er gebeurt als ik deze op stack gebaseerde benadering toepas 
 voor zoiets als dit probleem, het vinden van een pad van A naar E. 
 Wat gaat er gebeuren? 
 We beginnen opnieuw met A. En we zullen zeggen, oké. 
 Laten we doorgaan en eerst naar A kijken. 
 En let dan op, deze keer hebben we A toegevoegd aan de verkende set. 
 A is iets dat we nu hebben onderzocht, we hebben deze gegevensstructuur 
 dat houdt bij. 
 We zeggen dan van A dat we bij B kunnen komen. 
 Wat kunnen we vanuit B doen? 
 Welnu, vanuit B kunnen we B verkennen en naar zowel C als D gaan. 
 Dus we hebben C en vervolgens D toegevoegd. Dus als we nu een knooppunt verkennen, 

Italian: 
 E una delle strutture dati più semplici per l'aggiunta e la rimozione di elementi 
 è qualcosa chiamato stack. 
 E uno stack è una struttura di dati che è un tipo di dati last in, first out. 
 Il che significa l'ultima cosa che aggiungo alla frontiera 
 sarà la prima cosa che rimuoverò dalla frontiera. 
 Quindi la cosa più recente da mettere in pila, o la frontiera in questo caso, 
 sarà il nodo che esploro. 
 Quindi vediamo cosa succede se applico questo approccio basato sullo stack 
 a qualcosa di simile a questo problema, trovando un percorso da A a E. 
 Che cosa accadrà? 
 Bene, di nuovo inizieremo con A. E diremo, va bene. 
 Andiamo avanti e guardiamo A per primo. 
 E poi, nota questa volta, abbiamo aggiunto A al set esplorato. 
 A è qualcosa che ora abbiamo esplorato, abbiamo questa struttura di dati 
 questo sta tenendo traccia. 
 Quindi diciamo da A che possiamo arrivare a B. E va bene. 
 Da B cosa possiamo fare? 
 Bene da B, possiamo esplorare B e arrivare sia a C che a D. 
 Quindi abbiamo aggiunto C e poi D. Quindi ora quando esploriamo un nodo, 

Arabic: 
 وواحد من أبسط هياكل البيانات لإضافة العناصر وإزالتها 
 هو شيء يسمى المكدس. 
 والمكدس هو بنية بيانات هي نوع البيانات الأخير في نوع البيانات. 
 وهو ما يعني آخر شيء أضيفه إلى الحدود 
 سيكون أول شيء أقوم بإزالته من الحدود. 
 لذا فإن أحدث شيء يمكن الدخول إليه في المكدس ، أو الحدود في هذه الحالة ، 
 ستكون العقدة التي أستكشفها. 
 لذلك دعونا نرى ما يحدث إذا قمت بتطبيق هذا النهج القائم على المكدس 
 إلى شيء مثل هذه المشكلة ، إيجاد مسار من A إلى E. 
 ماذا سيحدث؟ 
 حسنًا ، مرة أخرى سنبدأ بـ A. وسنقول ، حسنًا. 
 دعنا نمضي قدمًا ونلقي نظرة على A أولاً. 
 ثم لاحظ هذه المرة أننا أضفنا A إلى المجموعة المستكشفة. 
 A هو شيء اكتشفناه الآن ، لدينا هيكل البيانات هذا 
 هذا يتتبع. 
 ثم نقول من A يمكننا الوصول إلى B. وكل الحق. 
 من ب ماذا نفعل؟ 
 حسنًا من B ، يمكننا استكشاف B والوصول إلى كل من C و D. 
 لذا أضفنا C ثم D. ثم الآن عندما نستكشف عقدة ، 

Indonesian: 
 Dan salah satu struktur data paling sederhana untuk menambah dan menghapus elemen 
 adalah sesuatu yang disebut tumpukan. 
 Dan stack adalah struktur data yang terakhir, tipe data pertama keluar. 
 Yang berarti hal terakhir yang saya tambahkan ke perbatasan 
 akan menjadi hal pertama yang saya hapus dari perbatasan. 
 Jadi hal terbaru untuk masuk ke stack, atau perbatasan dalam kasus ini, 
 akan menjadi simpul yang saya jelajahi. 
 Jadi mari kita lihat apa yang terjadi jika saya menerapkan pendekatan berbasis tumpukan ini 
 untuk sesuatu seperti masalah ini, menemukan jalan dari A ke E. 
 Apa yang akan terjadi? 
 Sekali lagi kita akan mulai dengan A. Dan kita akan berkata, baiklah. 
 Ayo maju dan lihat A dulu. 
 Dan kemudian, perhatikan kali ini, kami telah menambahkan A ke set yang dieksplorasi. 
 A adalah sesuatu yang sekarang telah kami eksplorasi, kami memiliki struktur data ini 
 itu melacak. 
 Kami kemudian berkata dari A kita bisa sampai ke B. Dan baiklah. 
 Dari B apa yang bisa kita lakukan? 
 Nah dari B, kita bisa menjelajahi B dan sampai ke C dan D. 
 Jadi kami menambahkan C dan kemudian D. Jadi sekarang ketika kami menjelajahi sebuah node, 

Russian: 
 И одна из самых простых структур данных для добавления и удаления элементов 
 это то, что называется стеком. 
 А стек - это структура данных, которая является типом данных «последний пришел - первый вышел». 
 Что означает последнее, что я добавляю к границе 
 будет первым, что я уберу с границы. 
 Так что самое последнее, что нужно сделать в стеке, или граница в этом случае, 
 будет тем узлом, который я исследую. 
 Итак, давайте посмотрим, что произойдет, если я применю этот подход на основе стека 
 что-то вроде этой проблемы, найти путь от А до Е. 
 Что должно случиться? 
 Ну, опять мы начнем с А. И мы скажем, хорошо. 
 Давайте пойдем дальше и посмотрим на первый. 
 И затем, обратите внимание, на этот раз мы добавили A в исследуемый набор. 
 А это то, что мы сейчас исследовали, у нас есть эта структура данных 
 это отслеживает. 
 Затем мы говорим из А мы можем добраться до Б. И все в порядке. 
 Из Б что мы можем сделать? 
 Из B мы можем исследовать B и добраться до C и D. 
 Итак, мы добавили C, а затем D. Итак, теперь, когда мы исследуем узел, 

Turkish: 
 Ve eleman eklemek ve çıkarmak için en basit veri yapılarından biri 
 yığın adı verilen bir şeydir. 
 Ve yığın, son giren ilk çıkar veri türü olan bir veri yapısıdır. 
 Bu, sınıra eklediğim son şey anlamına geliyor 
 sınırdan çıkardığım ilk şey olacak. 
 Bu nedenle, yığına veya bu durumda sınıra giden en son şey, 
 keşfettiğim düğüm olacak. 
 Öyleyse, bu yığın tabanlı yaklaşımı uygularsam ne olacağını görelim 
 A'dan E'ye bir yol bularak bu sorun gibi bir şeye. 
 Ne olacak? 
 Yine, A ile başlayacağız. Ve diyelim ki, tamam. 
 Haydi önce A'ya bakalım. 
 Ve sonra, bu sefer, keşfedilen sete A ekledik. 
 A şimdi araştırdığımız bir şey, bu veri yapısına sahibiz 
 bu takip ediyor. 
 Sonra A'dan B'ye gidebiliriz deriz. 
 B'den ne yapabiliriz? 
 B'den B'yi keşfedebilir ve hem C hem de D'ye ulaşabiliriz. 
 Bu yüzden C'yi ve ardından D'yi ekledik. Şimdi bir düğümü keşfettiğimizde, 

French: 
 Et l'une des structures de données les plus simples pour ajouter et supprimer des éléments 
 est ce qu'on appelle une pile. 
 Et une pile est une structure de données qui est un type de données dernier entré, premier sorti. 
 Ce qui signifie la dernière chose que j'ajoute à la frontière 
 va être la première chose que je retire de la frontière. 
 Donc, la chose la plus récente pour entrer dans la pile, ou la frontière dans ce cas, 
 va être le nœud que j'explore. 
 Voyons donc ce qui se passe si j'applique cette approche basée sur la pile 
 à quelque chose comme ce problème, trouver un chemin de A à E. 
 Qu'est-ce qui va se passer? 
 Eh bien, encore une fois, nous commencerons par A. Et nous dirons, très bien. 
 Allons de l'avant et regardons d'abord A. 
 Et puis, remarquez cette fois, nous avons ajouté A à l'ensemble exploré. 
 A est quelque chose que nous avons maintenant exploré, nous avons cette structure de données 
 c'est garder une trace. 
 Nous disons ensuite de A que nous pouvons arriver à B. Et bien. 
 De B ​​que pouvons-nous faire? 
 Eh bien depuis B, nous pouvons explorer B et arriver à la fois à C et D. 
 Nous avons donc ajouté C puis D. Alors maintenant, lorsque nous explorons un nœud, 

English: 
And one of the simplest data structures for adding and removing elements
is something called a stack.
And a stack is a data structure that is a last in, first out data type.
Which means the last thing that I add to the frontier
is going to be the first thing that I remove from the frontier.
So the most recent thing to go into the stack, or the frontier in this case,
is going to be the node that I explore.
So let's see what happens if I apply this stack based approach
to something like this problem, finding a path from A to E.
What's going to happen?
Well, again we'll start with A. And we'll say, all right.
Let's go ahead and look at A first.
And then, notice this time, we've added A to the explored set.
A is something we've now explored, we have this data structure
that's keeping track.
We then say from A we can get to B. And all right.
From B what can we do?
Well from B, we can explore B and get to both C and D.
So we added C and then D. So now when we explore a node,

English: 
we're going to treat the frontier as a stack, last in, first out.
D was the last one to come in so we'll go ahead and explore that next.
And say, all right, where can we get to from D?
Well we can get to F. And so, all right.
We'll put F into the frontier.
And now because the frontier is a stack, F
is the most recent thing that's gone in the stack.
So F is what we'll explore next.
We'll explore F and say, all right.
Where can we get you from F?
Well, we can't get anywhere so nothing gets added to the frontier.
So now what was the new most recent thing added to the frontier?
Well it's not C, the only thing left in the frontier.
We'll explore that from which we can say, all right, from C we can get to E.
So E goes into the frontier.
And then we say, all right.
Let's look at E and E is now the solution.
And now we've solved the problem.
So when we treat the frontier like a stack,
a last in, first out data structure, that's the result we get.
We go from A to B to D to F, and then we sort of backed up and went down
to C and then E. And it's important to get a visual sense for how
this algorithm is working.
We went very deep in this search tree, so

Korean: 
 우리는 프론티어를 스택으로 취급 할 것입니다. 
 D는 마지막에 올랐으므로 다음에 살펴 보겠습니다. 
 그리고 D에서 어디로 갈 수 있습니까? 
 우리는 F에 도착할 수 있습니다. 
 F를 프론티어에 넣습니다. 
 이제 프론티어가 스택이므로 F 
 스택에 들어간 가장 최근의 것입니다. 
 F는 다음에 살펴볼 내용입니다. 
 우리는 F를 탐구하고 말할 것입니다. 
 F에서 어디로 갈 수 있습니까? 
 글쎄, 우리는 아무데도 갈 수 없으므로 국경에 아무것도 추가되지 않습니다. 
 이제 가장 최근에 추가 된 것이 무엇입니까? 
 글쎄, 그것은 C가 아니며, 국경에 남은 유일한 것입니다. 
 우리는 C에서 E로 갈 수있는 것을 말할 것입니다. 
 그래서 E는 국경으로 들어갑니다. 
 그리고 우리는 말합니다. 
 E를 보자. 이제 E가 해결책이다. 
 이제 우리는 문제를 해결했습니다. 
 따라서 프론티어를 스택처럼 취급 할 때 
 최후의 첫 번째 데이터 구조는 우리가 얻은 결과입니다. 
 우리는 A에서 B로, D에서 F로 가서 백업하고 내려갔습니다. 
 C와 E로 
 이 알고리즘은 작동합니다. 
 우리는이 검색 트리에 매우 깊이 들어가서 

Indonesian: 
 kita akan memperlakukan perbatasan sebagai tumpukan, lalu masuk, keluar pertama. 
 D adalah yang terakhir masuk jadi kami akan pergi ke depan dan menjelajahinya selanjutnya. 
 Dan katakan, baiklah, di mana kita bisa sampai dari D? 
 Kita bisa sampai di F. Jadi, baiklah. 
 Kami akan menempatkan F ke perbatasan. 
 Dan sekarang karena perbatasannya adalah tumpukan, F 
 adalah hal terbaru yang hilang di tumpukan. 
 Jadi F adalah apa yang akan kita jelajahi selanjutnya. 
 Kami akan menjelajahi F dan berkata, baiklah. 
 Di mana kami bisa mendapatkan Anda dari F? 
 Yah, kita tidak bisa ke mana-mana sehingga tidak ada yang ditambahkan ke perbatasan. 
 Jadi sekarang apa yang baru ditambahkan ke perbatasan? 
 Yah itu bukan C, satu-satunya yang tersisa di perbatasan. 
 Kita akan mengeksplorasi apa yang bisa kita katakan, baiklah, dari C kita bisa sampai ke E. 
 Jadi E masuk ke perbatasan. 
 Dan kemudian kita berkata, baiklah. 
 Mari kita lihat E dan E sekarang solusinya. 
 Dan sekarang kita telah memecahkan masalahnya. 
 Jadi ketika kita memperlakukan perbatasan seperti tumpukan, 
 yang terakhir, struktur data pertama, itulah hasil yang kami dapatkan. 
 Kami beralih dari A ke B ke D ke F, dan kemudian kami mundur dan turun 
 ke C dan kemudian E. Dan penting untuk mendapatkan pengertian visual tentang caranya 
 algoritma ini berfungsi. 
 Kami pergi sangat jauh di pohon pencarian ini, jadi 

French: 
 nous allons traiter la frontière comme une pile, dernier entré, premier sorti. 
 D a été le dernier à venir, alors nous allons continuer et l'explorer ensuite. 
 Et dites, bien, où pouvons-nous aller de D? 
 Eh bien, nous pouvons arriver à F. Et donc, très bien. 
 Nous allons mettre F à la frontière. 
 Et maintenant parce que la frontière est une pile, F 
 est la chose la plus récente qui soit partie de la pile. 
 Donc F est ce que nous allons explorer ensuite. 
 Nous allons explorer F et dire, très bien. 
 Où pouvons-nous vous obtenir de F? 
 Eh bien, nous ne pouvons aller nulle part, donc rien n'est ajouté à la frontière. 
 Alors maintenant, quelle a été la nouvelle chose la plus récente ajoutée à la frontière? 
 Eh bien, ce n'est pas C, la seule chose qui reste à la frontière. 
 Nous allons explorer ce à partir duquel nous pouvons dire, très bien, de C, nous pouvons arriver à E. 
 Alors E entre dans la frontière. 
 Et puis nous disons, très bien. 
 Regardons E et E est maintenant la solution. 
 Et maintenant, nous avons résolu le problème. 
 Donc, quand nous traitons la frontière comme une pile, 
 une structure de données dernier entré, premier sorti, c'est le résultat que nous obtenons. 
 Nous allons de A à B à D à F, puis nous avons en quelque sorte reculé et sommes descendus 
 à C, puis E. Et il est important d'avoir une idée visuelle de la façon dont 
 cet algorithme fonctionne. 
 Nous sommes allés très loin dans cet arbre de recherche, donc 

Chinese: 
我们将把前沿视为堆栈，后进先出。 
 D是最后一个进入的人，因此我们将继续研究下一个。 
再说，好吧，从D到哪里去？ 
好吧，我们可以到达F。所以，好的。 
我们将F放入边界。 
现在因为边界是堆栈，所以F 
是堆栈中最新的东西。 
 F是我们接下来要探讨的。 
我们将探索F并说好。 
我们从哪里可以找到F？ 
好吧，我们无处可去，所以什么都没有添加到边境。 
那么，最新添加到边界的是什么？ 
好吧，这不是C，这是边界上唯一剩下的东西。 
我们将探索可以说的，好吧，从C到E。 
因此E进入了边境。 
然后我们说，好的。 
让我们看一下E，现在E是解决方案。 
现在我们已经解决了问题。 
因此，当我们将边界视为堆栈时， 
后进先出的数据结构，这就是我们得到的结果。 
我们从A到B再到D再到F，然后我们有点后退
首先是C，然后是E。 
该算法有效。 
我们深入这棵搜索树，所以

Spanish: 
 vamos a tratar la frontera como una pila, último en entrar, primero en salir. 
 D fue el último en entrar, así que seguiremos adelante y exploraremos eso a continuación. 
 Y digamos, de acuerdo, ¿a dónde podemos llegar desde D? 
 Bueno, podemos llegar a F. Y entonces, está bien. 
 Pondremos a F en la frontera. 
 Y ahora porque la frontera es una pila, F 
 es lo más reciente que se ha ido en la pila. 
 Entonces F es lo que exploraremos a continuación. 
 Exploraremos F y diremos, de acuerdo. 
 ¿Dónde podemos conseguirte de F? 
 Bueno, no podemos llegar a ninguna parte, por lo que no se agrega nada a la frontera. 
 Entonces, ¿qué fue lo nuevo más reciente agregado a la frontera? 
 Bueno, no es C, lo único que queda en la frontera. 
 Exploraremos aquello de lo que podemos decir, de acuerdo, desde C podemos llegar a E. 
 Entonces E entra en la frontera. 
 Y luego decimos, está bien. 
 Veamos E y E es ahora la solución. 
 Y ahora hemos resuelto el problema. 
 Entonces, cuando tratamos la frontera como una pila, 
 una estructura de datos de último en entrar, primero en salir, ese es el resultado que obtenemos. 
 Pasamos de A a B a D a F, y luego retrocedimos y bajamos 
 a C y luego a E. Y es importante tener una idea visual de cómo 
 Este algoritmo está funcionando. 
 Nos adentramos mucho en este árbol de búsqueda, así que 

Modern Greek (1453-): 
 θα αντιμετωπίσουμε τα σύνορα ως στοίβα, τελευταίο, πρώτο. 
 Ο Δ ήταν ο τελευταίος που μπήκε, οπότε θα προχωρήσουμε και θα το εξερευνήσουμε στη συνέχεια. 
 Και πείτε, εντάξει, από πού μπορούμε να φτάσουμε από το D; 
 Λοιπόν μπορούμε να φτάσουμε στον F. Και έτσι, εντάξει. 
 Θα βάλουμε το F στα σύνορα. 
 Και τώρα επειδή τα σύνορα είναι στοίβα, F 
 είναι το πιο πρόσφατο πράγμα που έχει χαθεί στη στοίβα. 
 Έτσι το F είναι αυτό που θα εξερευνήσουμε στη συνέχεια. 
 Θα εξερευνήσουμε το F και θα πούμε, εντάξει. 
 Πού μπορούμε να σας πάρουμε από το F; 
 Λοιπόν, δεν μπορούμε να φτάσουμε πουθενά, οπότε τίποτα δεν προστίθεται στα σύνορα. 
 Λοιπόν, ποιο ήταν το νέο πιο πρόσφατο πράγμα που προστέθηκε στα σύνορα; 
 Λοιπόν δεν είναι το C, το μόνο πράγμα που μένει στα σύνορα. 
 Θα εξερευνήσουμε αυτό από το οποίο μπορούμε να πούμε, εντάξει, από το C μπορούμε να φτάσουμε στο E. 
 Έτσι, ο Ε μπαίνει στα σύνορα. 
 Και μετά λέμε, εντάξει. 
 Ας δούμε το Ε και το Ε είναι τώρα η λύση. 
 Και τώρα λύσαμε το πρόβλημα. 
 Όταν αντιμετωπίζουμε τα σύνορα σαν στοίβα, 
 μια τελευταία στη δομή δεδομένων πρώτης εξόδου, αυτό είναι το αποτέλεσμα που έχουμε. 
 Πηγαίνουμε από το Α στο Β στο Δ σε F, και στη συνέχεια κάναμε αντίγραφα ασφαλείας και κατεβήκαμε 
 στον Γ και στη συνέχεια στον Ε. Και είναι σημαντικό να έχουμε μια οπτική αίσθηση για το πώς 
 αυτός ο αλγόριθμος λειτουργεί. 
 Πήγαμε πολύ βαθιά σε αυτό το δέντρο αναζήτησης, έτσι 

Arabic: 
 سنتعامل مع الحدود ككومة ، أخيرًا ، أولاً يخرج. 
 كان D آخر من يأتي لذلك سنمضي قدمًا ونستكشف ذلك بعد ذلك. 
 وقل ، حسنًا ، إلى أين يمكننا الوصول من D؟ 
 حسنًا ، يمكننا الوصول إلى F. وهكذا ، حسنًا. 
 سنضع F في الحدود. 
 والآن لأن الحدود عبارة عن كومة ، F 
 هو أحدث شيء تم وضعه في المكدس. 
 إذن F هو ما سنستكشفه بعد ذلك. 
 سنستكشف F ونقول ، حسنًا. 
 من أين نأخذك من واو؟ 
 حسنًا ، لا يمكننا الوصول إلى أي مكان حتى لا تتم إضافة أي شيء إلى الحدود. 
 إذن ، ما هو آخر شيء تم إضافته إلى الحدود؟ 
 حسنًا ، ليس C ، الشيء الوحيد المتبقي في الحدود. 
 سنستكشف ذلك الذي يمكن أن نقول منه ، حسنًا ، من C يمكننا الوصول إلى E. 
 إذاً E تذهب إلى الحدود. 
 ثم نقول ، حسنًا. 
 دعونا ننظر إلى E و E هو الحل الآن. 
 والآن قمنا بحل المشكلة. 
 لذلك عندما نتعامل مع الحدود ككومة ، 
 أخيرًا ، أول هيكل للبيانات ، هذه هي النتيجة التي نحصل عليها. 
 ننتقل من A إلى B إلى D إلى F ، ثم نقوم بنسخ احتياطي ونزول 
 إلى C ثم E. ومن المهم أن يكون لديك إحساس بصري بكيفية ذلك 
 هذه الخوارزمية تعمل. 
 لقد تعمقنا في شجرة البحث هذه 

Chinese: 
我們將把前沿視為堆棧，後進先出。 
 D是最後一個進入的人，因此我們將繼續研究下一個。 
再說，好吧，從D到哪裡去？ 
好吧，我們可以到達F。所以，好的。 
我們將F放入邊界。 
現在因為邊界是堆棧，所以F 
是堆棧中最新的東西。 
 F是我們接下來要探討的。 
我們將探索F並說好。 
我們從哪裡可以找到F？ 
好吧，我們無處可去，所以什麼都沒有添加到邊境。 
那麼，最新添加到邊界的是什麼？ 
好吧，這不是C，這是邊界上唯一剩下的東西。 
我們將探索可以說的，好吧，從C到E。 
因此E進入了邊境。 
然後我們說，好的。 
讓我們看一下E，現在E是解決方案。 
現在我們已經解決了問題。 
因此，當我們將邊界視為堆棧時， 
後進先出的數據結構，這就是我們得到的結果。 
我們從A到B再到D再到F，然後我們有點後退
首先是C，然後是E。 
此算法有效。 
我們深入這棵搜索樹，所以

Dutch: 
 we gaan de grens behandelen als een stapel, last in, first out. 
 D was de laatste die binnenkwam, dus we gaan door en gaan dat vervolgens onderzoeken. 
 En zeg, oké, waar kunnen we komen van D? 
 We kunnen bij F. komen. 
 We zullen F naar de grens brengen. 
 En nu omdat de grens een stapel is, F 
 is het meest recente dat in de stapel is verdwenen. 
 Dus F is wat we hierna zullen onderzoeken. 
 We verkennen F en zeggen, oké. 
 Waar kunnen we je vandaan halen F? 
 We kunnen nergens komen, dus er wordt niets aan de grens toegevoegd. 
 Dus wat was nu het nieuwe, meest recente ding dat aan de grens werd toegevoegd? 
 Nou, het is niet C, het enige dat nog over is aan de grens. 
 We zullen dat verkennen waarvan we kunnen zeggen, in orde, van C kunnen we naar E. komen. 
 Dus E gaat de grens op. 
 En dan zeggen we, oké. 
 Laten we eens kijken naar E en E is nu de oplossing. 
 En nu hebben we het probleem opgelost. 
 Dus als we de grens als een stapel behandelen, 
 een last in, first out datastructuur, dat is het resultaat dat we krijgen. 
 We gaan van A naar B naar D naar F, en toen maakten we een back-up en gingen naar beneden 
 naar C en dan E. En het is belangrijk om een ​​visueel idee te krijgen van hoe 
 dit algoritme werkt. 
 We gingen heel diep in deze zoekboom, dus 

Italian: 
 tratteremo la frontiera come una pila, ultima entrata, prima uscita. 
 D è stato l'ultimo a entrare, quindi andremo avanti ed esploreremo quello successivo. 
 E dire, va bene, da dove possiamo arrivare da D? 
 Bene, possiamo arrivare a F. E così, va bene. 
 Metteremo F alla frontiera. 
 E ora perché la frontiera è una pila, F 
 è la cosa più recente che è andata in pila. 
 Quindi F è ciò che esploreremo dopo. 
 Esploreremo F e diremo, va bene. 
 Dove possiamo prenderti da F? 
 Bene, non possiamo arrivare da nessuna parte, quindi nulla viene aggiunto alla frontiera. 
 Allora, qual è stata la nuova cosa più recente aggiunta alla frontiera? 
 Beh, non è C, l'unica cosa rimasta sulla frontiera. 
 Esploreremo ciò da cui possiamo dire, va bene, da C possiamo arrivare a E. 
 Quindi E va alla frontiera. 
 E poi diciamo, va bene. 
 Diamo un'occhiata a E ed E ora è la soluzione. 
 E ora abbiamo risolto il problema. 
 Quindi quando trattiamo la frontiera come una pila, 
 una struttura dati last in, first out, questo è il risultato che otteniamo. 
 Andiamo da A a B a D a F, quindi eseguiamo il backup e scendiamo 
 a C e poi a E. Ed è importante avere un senso visivo di come 
 questo algoritmo sta funzionando. 
 Siamo andati molto in profondità in questo albero di ricerca, quindi 

Turkish: 
 sınıra bir yığın olarak bakacağız, son giren ilk çıkar. 
 D en son gelen oldu, bu yüzden devam edip bir sonraki keşfe çıkacağız. 
 Ve söyle, tamam, D'den nerelere ulaşabiliriz? 
 F'ye gidebiliriz. Pekâlâ. 
 F'yi sınıra koyacağız. 
 Ve şimdi sınır bir yığın olduğu için, F 
 yığındaki en son şeydir. 
 Yani F, daha sonra keşfedeceğimiz şey. 
 F'yi keşfedip diyecekiz, tamam. 
 Sizi F'den nereden alabiliriz? 
 Hiçbir yere varamayız, böylece sınıra hiçbir şey eklenmez. 
 Peki şimdi sınıra eklenen en yeni şey neydi? 
 Sınırda kalan tek şey C değil. 
 Söyleyebileceğimiz şeyi keşfedeceğiz, tamam, C'den E'ye gidebiliriz. 
 Böylece E sınıra girer. 
 Ve sonra diyoruz ki, tamam. 
 E'ye bakalım ve E şimdi çözüm. 
 Ve şimdi sorunu çözdük. 
 Bu yüzden sınıra bir yığın gibi davrandığımızda, 
 Son giren ilk çıkar veri yapısı, elde ettiğimiz sonuç budur. 
 A'dan B'ye D'den F'ye gidiyoruz ve sonra bir şekilde yedekledik ve aşağı indik 
 C'ye ve ardından E'ye 
 bu algoritma çalışıyor. 
 Bu arama ağacında çok derinlere intik. 

Portuguese: 
 vamos tratar a fronteira como uma pilha, a última a entrar, a primeira a sair. 
 D foi o último a entrar, então vamos em frente e exploraremos a seguir. 
 E diga, tudo bem, de onde podemos chegar a partir de D? 
 Bem, podemos chegar ao F. E então, tudo bem. 
 Vamos colocar F na fronteira. 
 E agora, porque a fronteira é uma pilha, F 
 é a coisa mais recente que está na pilha. 
 Então F é o que exploraremos a seguir. 
 Vamos explorar F e dizer, tudo bem. 
 De onde podemos tirá-lo do F? 
 Bem, não podemos chegar a lugar nenhum, então nada é adicionado à fronteira. 
 Então agora, qual foi a novidade mais recente adicionada à fronteira? 
 Bem, não é C, a única coisa que resta na fronteira. 
 Vamos explorar o que podemos dizer, tudo bem, de C podemos chegar a E. 
 Então E entra na fronteira. 
 E então dizemos, tudo bem. 
 Vejamos E e E agora é a solução. 
 E agora resolvemos o problema. 
 Então, quando tratamos a fronteira como uma pilha, 
 uma última estrutura de dados, primeiro a sair, é o resultado que obtemos. 
 Nós vamos de A para B para D para F, e então meio que recuamos e descemos 
 para C e depois E. E é importante ter uma noção visual de como 
 esse algoritmo está funcionando. 
 Fomos muito fundo nessa árvore de pesquisa, então 

Hindi: 
 हम फ्रंटियर को एक स्टैक के रूप में मानने जा रहे हैं, आखिरी में, पहले बाहर। 
 D अंतिम बार था, इसलिए हम आगे बढ़ेंगे और उसके बाद पता लगाएंगे। 
 और कहते हैं, सब ठीक है, हम डी से कहां मिल सकते हैं? 
 ठीक है, हम एफ और इसलिए, सब ठीक कर सकते हैं। 
 हम F को फ्रंटियर में रखेंगे। 
 और अब क्योंकि सीमांत एक ढेर है, एफ 
 सबसे हाल की बात यह है कि स्टैक में चला गया है। 
 तो F वह है जो हम आगे देखेंगे। 
 हम F का अन्वेषण करेंगे और कहेंगे, ठीक है। 
 हम आपको F से कहाँ प्राप्त कर सकते हैं? 
 ठीक है, हम कहीं भी नहीं जा सकते हैं इसलिए सीमा में कुछ भी नहीं जोड़ा जाता है। 
 तो अब फ्रंटियर में नई सबसे नई चीज क्या जोड़ी गई? 
 खैर यह सी नहीं है, केवल सीमांत में छोड़ दिया गया है। 
 हम वह खोज करेंगे जिसमें से हम कह सकते हैं, ठीक है, C से हम E को प्राप्त कर सकते हैं। 
 तो ई सीमा में चला जाता है। 
 और फिर हम कहते हैं, ठीक है। 
 आइए अब ई देखें और ई अब समाधान है। 
 और अब हमने समस्या हल कर दी है। 
 इसलिए जब हम सीमांत को एक स्टैक की तरह मानते हैं, 
 डेटा संरचना के अंतिम चरण में, यही परिणाम हमें मिलता है। 
 हम ए से बी से डी से एफ तक जाते हैं, और फिर हम बैकअप लेते हैं और नीचे जाते हैं 
 सी और फिर ई। और यह कैसे के लिए एक दृश्य भावना प्राप्त करने के लिए महत्वपूर्ण है 
 यह एल्गोरिथ्म काम कर रहा है। 
 हम इस खोज के पेड़ में बहुत गहरे गए, इसलिए 

German: 
 Wir werden die Grenze als Stapel behandeln, last in, first out. 
 D war der letzte, der hereinkam, also werden wir das als nächstes untersuchen. 
 Und sagen wir mal, wo können wir von D her kommen? 
 Nun, wir können zu F. kommen. Also gut. 
 Wir werden F an die Grenze setzen. 
 Und jetzt, weil die Grenze ein Stapel ist, F. 
 ist die neueste Sache, die im Stapel gegangen ist. 
 Also ist F das, was wir als nächstes untersuchen werden. 
 Wir werden F erkunden und sagen, alles klar. 
 Wo können wir Sie von F bekommen? 
 Nun, wir können nirgendwo hinkommen, also wird der Grenze nichts hinzugefügt. 
 Also, was war das Neueste, was der Grenze hinzugefügt wurde? 
 Nun, es ist nicht C, das einzige, was noch an der Grenze ist. 
 Wir werden das untersuchen, von dem wir sagen können, dass wir von C nach E gelangen können. 
 Also geht E in die Grenze. 
 Und dann sagen wir, alles klar. 
 Schauen wir uns E an und E ist jetzt die Lösung. 
 Und jetzt haben wir das Problem gelöst. 
 Wenn wir also die Grenze wie einen Stapel behandeln, 
 Eine Last-In-First-Out-Datenstruktur, das ist das Ergebnis, das wir erhalten. 
 Wir gehen von A nach B nach D nach F, und dann haben wir uns zurückgezogen und sind runtergegangen 
 zu C und dann zu E. Und es ist wichtig, ein visuelles Gefühl dafür zu bekommen, wie 
 Dieser Algorithmus funktioniert. 
 Wir sind also sehr tief in diesen Suchbaum gegangen 

Russian: 
 мы будем рассматривать границу как стек, последний вошел, первый вышел. 
 D был последним, чтобы войти, поэтому мы пойдем дальше и исследуем это дальше. 
 И скажи, хорошо, куда мы можем добраться от D? 
 Ну, мы можем добраться до Ф. И так, все в порядке. 
 Мы поместим F в границу. 
 И теперь, потому что граница представляет собой стек, F 
 это самая последняя вещь, которая ушла в стек. 
 Итак, F - это то, что мы рассмотрим дальше. 
 Мы исследуем F и скажем, все в порядке. 
 Где мы можем получить вас от F? 
 Ну, мы никуда не можем добраться, поэтому ничего не добавляется к границе. 
 Так что же нового было добавлено к границе? 
 Ну, это не С, единственное, что осталось на границе. 
 Мы исследуем то, из чего мы можем сказать, хорошо, из C мы можем добраться до E. 
 Таким образом, E переходит в границу. 
 И тогда мы говорим, все в порядке. 
 Давайте посмотрим на E и E теперь решение. 
 И теперь мы решили проблему. 
 Поэтому, когда мы относимся к границе как к стеку, 
 структура данных «последний вошел - первый вышел» - вот результат, который мы получаем. 
 Мы идем от А к В к D к F, а затем мы как бы отступаем и спускаемся 
 до C, а затем E. И важно получить визуальное представление о том, как 
 этот алгоритм работает. 
 Мы углубились в это дерево поиска, поэтому 

Japanese: 
フロンティアをスタックとして扱い、後入れ先出しにします。 
 Dが最後に来たので、次に進みましょう。 
そして、いいでしょう、Dからどこに行けますか？ 
さて、Fに到達できます。これで、大丈夫です。 
 Fをフロンティアに入れます。 
そして今、フロンティアはスタックなので、F 
スタックでなくなった最新のものです。 
したがって、Fは次に検討するものです。 
 Fを探索して、大丈夫です。 
 Fからどこへ行けますか？ 
まあ、どこにも行けないので、フロンティアに何も追加されません。 
それでは、フロンティアに追加された最新の最新のものは何ですか？ 
さて、フロンティアに残された唯一のものはCではありません。 
私たちは、CからEに到達できると言うことができることを探ります。 
 Eがフロンティアに入ります。 
そして、私たちは言う、大丈夫です。 
 Eを見てみましょう。Eが解決策です。 
そして今、私たちは問題を解決しました。 
フロンティアをスタックのように扱うと
後入れ先出しのデータ構造です。これが結果です。 
 AからBへ、DからFへと進み、バックアップとダウンを行いました。 
 Cに、次にEに。そしてどのように視覚的な感覚を得ることが重要です
このアルゴリズムは機能しています。 
この検索ツリーを非常に深く調べたので、 

Arabic: 
 للتحدث ، على طول الطريق حتى القاع حيث وصلنا إلى طريق مسدود. 
 ثم قمنا بعمل نسخة احتياطية واستكشفنا بشكل فعال هذا الطريق الآخر 
 لم نجربها من قبل. 
 وهذا يتعمق في فكرة شجرة البحث ، 
 بهذه الطريقة تنتهي الخوارزمية إلى العمل عند استخدام مكدس ، 
 التي نسميها هذا الإصدار من البحث عن عمق الخوارزمية أولاً. 
 أول عمق البحث هو خوارزمية البحث 
 حيث نستكشف دائمًا أعمق العقدة في الحدود. 
 نحن نستمر في التعمق أكثر في شجرة البحث. 
 ثم إذا وصلنا إلى طريق مسدود ، فإننا نتراجع ونحاول شيئًا آخر بدلاً من ذلك. 
 ولكن البحث الأول المتعمق ليس سوى أحد خيارات البحث الممكنة 
 التي يمكننا استخدامها. 
 اتضح أن هناك خوارزمية أخرى تسمى 
 اتساع نطاق البحث الأول ، الذي يتصرف بشكل مشابه جدًا للعمق 
 البحث الأول بفارق واحد. 
 بدلاً من استكشاف أعمق العقدة في شجرة البحث دائمًا 
 عمق البحث الأول ، اتساع البحث الأول 
 ستستكشف دائمًا العقدة الضحلة في الحدود. 
 فماذا يعني ذلك؟ 
 حسنًا ، هذا يعني أنه بدلاً من استخدام مكدس ، وهو 

Portuguese: 
 para falar, até o fundo, onde chegamos a um beco sem saída. 
 E então efetivamente fizemos backup e exploramos essa outra rota 
 que não tentamos antes. 
 E isso está indo muito fundo na ideia da árvore de pesquisa, 
 dessa forma, o algoritmo acaba funcionando quando usamos uma pilha, 
 que chamamos esta versão da profundidade do algoritmo de primeira pesquisa. 
 A primeira pesquisa de profundidade é o algoritmo de pesquisa 
 onde sempre exploramos o nó mais profundo da fronteira. 
 Continuamos indo cada vez mais fundo na nossa árvore de pesquisa. 
 E então, se atingirmos um beco sem saída, voltaremos e tentaremos outra coisa. 
 Mas a pesquisa em profundidade é apenas uma das opções de pesquisa possíveis 
 que poderíamos usar. 
 Acontece que existe outro algoritmo chamado 
 primeira pesquisa de largura, que se comporta de maneira muito semelhante à profundidade 
 primeira pesquisa com uma diferença. 
 Em vez de sempre explorar o nó mais profundo da árvore de pesquisa, o caminho 
 a profundidade da primeira pesquisa, a amplitude da primeira pesquisa 
 sempre explorará o nó mais raso da fronteira. 
 Então, o que isso significa? 
 Bem, isso significa que, em vez de usar uma pilha, que 

Indonesian: 
 untuk berbicara, sampai ke bagian bawah di mana kita menemui jalan buntu. 
 Dan kemudian kami secara efektif mendukung dan menjelajahi rute lain ini 
 yang tidak kami coba sebelumnya. 
 Dan ini berjalan sangat jauh dalam ide pohon pencarian, 
 dengan cara ini algoritma akhirnya bekerja ketika kita menggunakan tumpukan, 
 yang kami sebut versi pencarian algoritma depth first. 
 Kedalaman pencarian pertama adalah algoritma pencarian 
 tempat kami selalu menjelajahi simpul terdalam di perbatasan. 
 Kami terus berjalan semakin dalam melalui pohon pencarian kami. 
 Dan kemudian jika kita menemui jalan buntu, kita mundur dan kita mencoba sesuatu yang lain sebagai gantinya. 
 Tetapi pencarian mendalam pertama adalah salah satu opsi pencarian yang mungkin 
 yang bisa kita gunakan. 
 Ternyata ada algoritma lain yang disebut 
 pencarian pertama luasnya, yang berperilaku sangat mirip dengan kedalaman 
 pencarian pertama dengan satu perbedaan. 
 Alih-alih selalu menjelajahi simpul terdalam di pohon pencarian jalan 
 pencarian mendalam pertama tidak, pencarian pertama luasnya 
 akan selalu menjelajahi simpul yang paling dangkal di perbatasan. 
 Jadi apa artinya itu? 
 Yah, itu berarti bahwa alih-alih menggunakan tumpukan, yang 

Chinese: 
可以说，一直到我们跌入谷底为止。 
然后我们有效地备份并探索了另一条路线
我们以前没有尝试过。 
这在搜索树的想法中非常深入， 
这样，当我们使用堆栈时，算法最终会起作用， 
我们称此版本的算法深度优先搜索。 
深度优先搜索是搜索算法
我们一直在探索边界最深的节点。 
我们会不断深入搜索树。 
然后，如果我们走到了尽头，我们会备份并尝试其他方法。 
但是深度优先搜索只是可能的搜索选项之一
我们可以使用的。 
事实证明，还有另一种算法
广度优先搜索，其行为与深度非常相似
第一次搜索有一个区别。 
而不是总是以这种方式探索搜索树中最深的节点
深度优先搜索，宽度优先搜索
总是要探索边界最浅的节点。 
那是什么意思呢？ 
好吧，这意味着与其使用堆栈， 

Korean: 
 우리가 막 다른 골목에 닿을 때까지 
 그런 다음이 다른 경로를 효과적으로 백업하고 탐색했습니다. 
 우리는 전에 시도하지 않았다. 
 그리고 이것은 검색 트리 아이디어에 매우 깊이 들어가고 있습니다. 
 이런 식으로 스택을 사용할 때 알고리즘이 작동하게됩니다. 
 이 버전의 알고리즘 깊이 우선 검색이라고합니다. 
 깊이 첫 검색은 검색 알고리즘입니다 
 여기서 우리는 항상 최전선에서 가장 깊은 노드를 탐색합니다. 
 우리는 검색 트리를 통해 점점 더 깊어지고 있습니다. 
 그리고 우리가 막 다른 골목에 도달하면, 우리는 백업을하고 다른 것을 시도합니다. 
 그러나 깊이 우선 검색은 가능한 검색 옵션 중 하나 일뿐입니다. 
 우리가 사용할 수 있습니다. 
 다른 알고리즘이 있다는 것이 밝혀졌습니다. 
 깊이와 매우 유사하게 동작하는 너비의 첫 번째 검색 
 한 가지 차이점으로 첫 번째 검색. 
 항상 검색 트리에서 가장 깊은 노드를 탐색하는 대신 
 첫 검색 깊이, 너비 첫 검색 
 항상 프론티어에서 가장 얕은 노드를 탐색합니다. 
 이것이 무엇을 의미합니까? 
 글쎄, 그것은 스택을 사용하는 대신에 

German: 
 um zu sprechen, bis zum Grund, wo wir in eine Sackgasse geraten sind. 
 Und dann haben wir diese andere Route effektiv gesichert und erkundet 
 das haben wir vorher nicht versucht. 
 Und das geht sehr tief in die Idee des Suchbaums ein. 
 Auf diese Weise funktioniert der Algorithmus, wenn wir einen Stapel verwenden. 
 dass wir diese Version der Algorithmus-Tiefensuche zuerst nennen. 
 Die Tiefensuche ist der Suchalgorithmus 
 wo wir immer den tiefsten Knotenpunkt an der Grenze erkunden. 
 Wir gehen immer tiefer durch unseren Suchbaum. 
 Und wenn wir dann in eine Sackgasse geraten, ziehen wir uns zurück und versuchen stattdessen etwas anderes. 
 Die Tiefensuche ist jedoch nur eine der möglichen Suchoptionen 
 das könnten wir gebrauchen. 
 Es stellt sich heraus, dass es einen anderen Algorithmus gibt 
 Breite erste Suche, die sich sehr ähnlich wie Tiefe verhält 
 erste Suche mit einem Unterschied. 
 Anstatt immer den tiefsten Knoten im Suchbaum zu erkunden 
 Die Tiefensuche macht die Breitensuche 
 wird immer den flachsten Knoten in der Grenze erkunden. 
 Was bedeutet das? 
 Nun, es bedeutet, dass anstelle eines Stapels, der 

Italian: 
 per parlare, fino al fondo dove abbiamo raggiunto un vicolo cieco. 
 E poi abbiamo effettivamente eseguito il backup ed esplorato questa altra strada 
 che non abbiamo mai provato prima. 
 Ed è questo andare molto in profondità nell'idea dell'albero di ricerca, 
 in questo modo l'algoritmo finisce per funzionare quando utilizziamo uno stack, 
 che chiamiamo questa versione della profondità della ricerca dell'algoritmo prima. 
 La prima ricerca della profondità è l'algoritmo di ricerca 
 dove esploriamo sempre il nodo più profondo della frontiera. 
 Continuiamo sempre più a fondo nel nostro albero di ricerca. 
 E poi se raggiungiamo un vicolo cieco, facciamo un backup e proviamo invece qualcos'altro. 
 Ma la prima ricerca approfondita è solo una delle possibili opzioni di ricerca 
 che potremmo usare. 
 Si scopre che esiste un altro algoritmo chiamato 
 larghezza prima ricerca, che si comporta in modo molto simile alla profondità 
 prima ricerca con una differenza. 
 Invece di esplorare sempre il nodo più profondo nella struttura di ricerca 
 la prima ricerca approfondita fa, ampia prima ricerca 
 esplorerà sempre il nodo più superficiale della frontiera. 
 Che cosa vuol dire? 
 Bene, significa che invece di usare uno stack, che 

Modern Greek (1453-): 
 για να μιλήσουμε, μέχρι το κάτω μέρος όπου φτάσαμε σε αδιέξοδο. 
 Και μετά δημιουργήσαμε αντίγραφα ασφαλείας και εξερευνήσαμε αυτήν την άλλη διαδρομή 
 που δεν δοκιμάσαμε πριν. 
 Και αυτό πηγαίνει πολύ βαθιά στην ιδέα του δέντρου αναζήτησης, 
 με αυτόν τον τρόπο ο αλγόριθμος καταλήγει να λειτουργεί όταν χρησιμοποιούμε μια στοίβα, 
 που ονομάζουμε αυτήν την έκδοση του αλγόριθμου βάθος πρώτη αναζήτηση. 
 Η πρώτη αναζήτηση βάθους είναι ο αλγόριθμος αναζήτησης 
 όπου εξερευνούμε πάντα τον βαθύτερο κόμβο στα σύνορα. 
 Συνεχίζουμε όλο και πιο βαθιά μέσα από το δέντρο αναζήτησης. 
 Και μετά, αν φτάσουμε σε αδιέξοδο, δημιουργούμε αντίγραφα ασφαλείας και δοκιμάζουμε κάτι άλλο. 
 Αλλά η πρώτη αναζήτηση βάθους είναι μόνο μία από τις πιθανές επιλογές αναζήτησης 
 που θα μπορούσαμε να χρησιμοποιήσουμε. 
 Αποδεικνύεται ότι υπάρχει ένας άλλος αλγόριθμος που ονομάζεται 
 Πρώτη αναζήτηση εύρους, η οποία συμπεριφέρεται παρόμοια με το βάθος 
 πρώτη αναζήτηση με μία διαφορά. 
 Αντί να εξερευνάτε πάντα τον βαθύτερο κόμβο στο δέντρο αναζήτησης με τον τρόπο 
 το βάθος της πρώτης αναζήτησης, το εύρος της πρώτης αναζήτησης 
 θα εξερευνά πάντα τον πιο ρηχό κόμβο στα σύνορα. 
 Τι σημαίνει αυτό; 
 Λοιπόν, αυτό σημαίνει ότι αντί να χρησιμοποιήσετε μια στοίβα, η οποία 

Spanish: 
 para hablar, todo el camino hasta el fondo donde llegamos a un callejón sin salida. 
 Y luego respaldamos y exploramos efectivamente esta otra ruta 
 que no probamos antes 
 Y esto es muy profundo en la idea del árbol de búsqueda, 
 de esta manera el algoritmo termina funcionando cuando usamos una pila, 
 que llamamos a esta versión del algoritmo primera búsqueda en profundidad. 
 La primera búsqueda de profundidad es el algoritmo de búsqueda 
 donde siempre exploramos el nodo más profundo en la frontera. 
 Seguimos avanzando cada vez más a través de nuestro árbol de búsqueda. 
 Y luego, si llegamos a un callejón sin salida, retrocedemos e intentamos algo más en su lugar. 
 Pero la búsqueda en profundidad es solo una de las posibles opciones de búsqueda 
 que podríamos usar 
 Resulta que hay otro algoritmo llamado 
 amplitud primera búsqueda, que se comporta de manera muy similar a la profundidad 
 primera búsqueda con una diferencia. 
 En lugar de explorar siempre el nodo más profundo del árbol de búsqueda de la manera 
 la profundidad de la primera búsqueda, amplitud de la primera búsqueda 
 siempre va a explorar el nodo más superficial en la frontera. 
 ¿Entonces que significa eso? 
 Bueno, significa que en lugar de usar una pila, que 

Hindi: 
 बोलने के लिए, नीचे तक सभी तरह जहां हम एक मृत अंत मारा। 
 और फिर हमने प्रभावी रूप से इस दूसरे मार्ग की खोज की 
 हमने पहले प्रयास नहीं किया था। 
 और यह खोज पेड़ के विचार में बहुत गहरी है, 
 जब हम एक स्टैक का उपयोग करते हैं तो एल्गोरिथ्म काम करना समाप्त कर देता है, 
 हम एल्गोरिथ्म की इस संस्करण को पहली खोज कहते हैं। 
 गहराई पहली खोज खोज एल्गोरिथ्म है 
 जहां हम हमेशा सीमांत क्षेत्र के सबसे गहरे नोड का पता लगाते हैं। 
 हम अपने खोज के पेड़ के माध्यम से और अधिक गहराई तक जा रहे हैं। 
 और फिर अगर हम एक मृत अंत मारा, हम वापस ऊपर और हम बजाय कुछ और की कोशिश करो। 
 लेकिन गहराई से पहली खोज संभव खोज विकल्पों में से एक है 
 हम उपयोग कर सकते हैं। 
 यह पता चला है कि एक और एल्गोरिथ्म कहा जाता है 
 चौड़ाई पहली खोज, जो गहराई के समान व्यवहार करती है 
 पहले एक अंतर से खोजें। 
 इसके बजाय हमेशा सर्च ट्री में सबसे गहरे नोड की खोज करें 
 गहराई पहले खोज करता है, चौड़ाई पहली खोज 
 हमेशा सीमा में उथले नोड का पता लगाने के लिए जा रहा है। 
 तो उसका क्या मतलब हुआ? 
 खैर, इसका मतलब है कि एक स्टैक का उपयोग करने के बजाय, जो 

Turkish: 
 konuşmak için, sonuna kadar çıkmaza girene kadar. 
 Ve sonra bu diğer rotayı etkili bir şekilde yedekledik ve araştırdık 
 daha önce denemedik. 
 Ve bu arama ağacı fikrinde çok derinlere gidiyor, 
 bu şekilde bir yığın kullandığımızda algoritma çalışmaya başlar, 
 algoritma derinliğinin bu versiyonunu ilk arama olarak adlandırıyoruz. 
 Derinlik ilk arama, arama algoritmasıdır 
 her zaman sınırdaki en derin düğümü keşfediyoruz. 
 Arama ağacımızda daha da derinlere inmeye devam ediyoruz. 
 Ve sonra bir çıkmaza çarparsak, yedekleriz ve onun yerine başka bir şey deneriz. 
 Ancak önce derinlemesine arama, olası arama seçeneklerinden sadece biridir 
 kullanabiliriz. 
 Görünen o ki başka bir algoritma var 
 derinliğe çok benzer davranan ilk genişlik araması 
 bir farkla ilk arama. 
 Arama ağacındaki en derin düğümü her zaman keşfetmek yerine 
 ilk arama derinliği yapar, ilk arama derinliği 
 her zaman sınırdaki en sığ düğümü keşfedecek. 
 Peki bunun anlamı nedir? 
 Yani, bir yığın kullanmak yerine 

Chinese: 
可以說，一直到我們跌入谷底為止。 
然後我們有效地備份並探索了另一條路線
我們以前沒有嘗試過。 
這在搜索樹的想法中非常深入， 
這樣，當我們使用堆棧時，算法最終會起作用， 
我們稱此版本的算法深度優先搜索。 
深度優先搜索是搜索算法
我們一直在探索邊界最深的節點。 
我們會不斷深入搜索樹。 
然後，如果我們走到了盡頭，我們會備份並嘗試其他方法。 
但是深度優先搜索只是可能的搜索選項之一
我們可以使用的。 
事實證明，還有另一種算法
廣度優先搜索，其行為與深度非常相似
第一次搜索有一個區別。 
而不是總是以這種方式探索搜索樹中最深的節點
深度優先搜索，寬度優先搜索
總是要探索邊界最淺的節點。 
那是什麼意思呢？ 
好吧，這意味著與其使用堆棧， 

Russian: 
 говорить, вплоть до дна, где мы зашли в тупик. 
 И тогда мы эффективно сделали резервную копию и изучили этот другой маршрут 
 что мы не пробовали раньше. 
 И это идет очень глубоко в идее дерева поиска, 
 Таким образом, алгоритм работает, когда мы используем стек, 
 что мы называем эту версию алгоритма глубины первого поиска. 
 Глубина первого поиска - это алгоритм поиска 
 где мы всегда исследуем самый глубокий узел на границе. 
 Мы продолжаем идти глубже и глубже через наше дерево поиска. 
 А потом, если мы зашли в тупик, мы отступим и попробуем что-то другое. 
 Но поиск в глубину только один из возможных вариантов поиска 
 что мы могли бы использовать. 
 Оказывается, есть еще один алгоритм под названием 
 поиск в ширину, который ведет себя очень похоже на глубину 
 Первый поиск с одним отличием. 
 Вместо того, чтобы всегда исследовать самый глубокий узел в дереве поиска путь 
 первый поиск по глубине, первый поиск по ширине 
 всегда собирается исследовать самый мелкий узел на границе. 
 Так что это значит? 
 Ну, это означает, что вместо использования стека, который 

French: 
 pour parler, jusqu'au fond où nous avons atteint une impasse. 
 Et puis nous avons efficacement sauvegardé et exploré cette autre voie 
 que nous n'avons pas essayé auparavant. 
 Et cela va très loin dans l'idée de l'arbre de recherche, 
 de cette façon, l'algorithme finit par fonctionner lorsque nous utilisons une pile, 
 que nous appelons cette version de la première recherche de profondeur d'algorithme. 
 La première recherche de profondeur est l'algorithme de recherche 
 où nous explorons toujours le nœud le plus profond de la frontière. 
 Nous continuons à approfondir notre arbre de recherche. 
 Et puis, si nous tombons dans une impasse, nous reculons et nous essayons autre chose à la place. 
 Mais la recherche en profondeur d'abord n'est qu'une des options de recherche possibles 
 que nous pourrions utiliser. 
 Il s'avère qu'il existe un autre algorithme appelé 
 largeur première recherche, qui se comporte de manière très similaire à la profondeur 
 première recherche avec une différence. 
 Au lieu d'explorer toujours le nœud le plus profond de l'arbre de recherche 
 la profondeur de la première recherche, la largeur de la première recherche 
 va toujours explorer le nœud le moins profond de la frontière. 
 Alors qu'est-ce que cela signifie? 
 Eh bien, cela signifie qu'au lieu d'utiliser une pile, qui 

Dutch: 
 om te spreken, helemaal tot aan de bodem waar we een doodlopende weg bereikten. 
 En toen hebben we effectief een back-up gemaakt en deze andere route verkend 
 die we niet eerder hebben geprobeerd. 
 En dit gaat heel diep in het idee van de zoekboom, 
 op deze manier werkt het algoritme als we een stapel gebruiken, 
 die we deze versie van de algoritmediepte eerste zoekopdracht noemen. 
 Diepte eerste zoekopdracht is het zoekalgoritme 
 waar we altijd het diepste knooppunt in de grens verkennen. 
 We gaan steeds dieper door onze zoekboom. 
 En als we dan een doodlopende weg raken, maken we een back-up en proberen we in plaats daarvan iets anders. 
 Maar diepgaande eerste zoekopdracht is slechts een van de mogelijke zoekopties 
 die we kunnen gebruiken. 
 Het blijkt dat er een ander algoritme wordt genoemd 
 breedte eerste zoekopdracht, die zich zeer vergelijkbaar gedraagt ​​als diepte 
 eerste zoekopdracht met één verschil. 
 In plaats van altijd het diepste knooppunt in de zoekboom te verkennen 
 de diepte eerste zoekopdracht doet, breedte eerste zoekopdracht 
 gaat altijd het ondiepste knooppunt in de grens verkennen. 
 Dus wat betekent dat? 
 Nou, het betekent dat in plaats van een stapel te gebruiken, die 

Japanese: 
話すために、私たちが行き止まりにぶつかる底までずっと。 
そして、効果的にバックアップし、この別のルートを調査しました
以前試したことがないこと。 
これは、検索ツリーのアイデアの非常に深いところにあります。 
このようにして、スタックを使用したときにアルゴリズムが機能します。 
このバージョンのアルゴリズムの深さ優先検索と呼びます。 
深さ優先検索は検索アルゴリズムです
ここでは常にフロンティアの最も深いノードを探索します。 
検索ツリーは、どんどん深くなっていきます。 
そして、行き止まりにぶつかった場合は、バックアップして、代わりに別のことを試みます。 
しかし、深さ優先検索は可能な検索オプションの1つにすぎません
使用できます。 
と呼ばれる別のアルゴリズムがあることがわかります
幅優先検索、深さと非常によく似た動作
最初の違いは1つです。 
常に検索ツリーの最も深いノードを探索する代わりに
深さ優先検索、幅優先検索
常にフロンティアの浅いノードを探索します。 
それはどういう意味ですか？ 
まあ、それはスタックを使用する代わりに、 

English: 
to speak, all the way until the bottom where we hit a dead end.
And then we effectively backed up and explored this other route
that we didn't try before.
And it's this going very deep in the search tree idea,
this way the algorithm ends up working when we use a stack,
that we call this version of the algorithm depth first search.
Depth first search is the search algorithm
where we always explore the deepest node in the frontier.
We keep going deeper and deeper through our search tree.
And then if we hit a dead end, we back up and we try something else instead.
But depth first search is just one of the possible search options
that we could use.
It turns out that there is another algorithm called
breadth first search, which behaves very similarly to depth
first search with one difference.
Instead of always exploring the deepest node in the search tree the way
the depth first search does, breadth first search
is always going to explore the shallowest node in the frontier.
So what does that mean?
Well, it means that instead of using a stack, which

Spanish: 
 primera búsqueda en profundidad, o DFS, utilizada donde se agregó el elemento más reciente 
 a la frontera es la que exploraremos a continuación, en amplitud primera búsqueda, o BFS, 
 en su lugar usará una cola donde una cola es un primero en entrar, primero en salir 
 tipo, donde lo primero que agregamos a la frontera es el primero 
 exploraremos 
 Y efectivamente forman una línea o una cola, 
 donde cuanto antes llegues a la frontera, antes te explorarán. 
 Entonces, ¿qué significaría eso para el mismo problema exacto para encontrar una ruta desde A 
 a E? 
 Bueno, comenzamos con A, igual que antes. 
 Luego continuaremos y exploraremos A, y diremos, ¿a dónde podemos llegar desde A? 
 Bueno, desde A podemos llegar a B. Igual que antes. 
 De B, igual que antes. 
 Podemos llegar a C y D para que C y D se agreguen a la frontera. 
 Esta vez, sin embargo, agregamos C a la frontera 
 antes de D, entonces exploraremos C primero. 
 Entonces C es explorado. 
 Y desde C, ¿a dónde podemos llegar? 
 Bueno, podemos llegar a E. 
 Entonces E se agrega a la frontera. 
 Pero debido a que D fue explorado antes de E, veremos D a continuación. 

Chinese: 
深度優先搜索或DFS，用於添加最新項目的位置
我們將在廣度優先搜索或BFS中探索的前沿。 
而是使用隊列為先進先出數據的隊列
類型，我們添加到邊界的第一件事就是第一件事
我們將探索。 
他們有效地排成一線或一個隊列， 
您越早到達邊境，就越早被探索。 
那麼對於從A找到路徑的同樣確切的問題意味著什麼呢？ 
到E？ 
好吧，我們從A開始，和以前一樣。 
然後，我們將繼續探索A，然後說，從A到哪裡去？ 
好了，從A到B。和以前一樣。 
從B開始，和以前一樣。 
我們可以到達C和D，因此C和D被添加到邊界。 
不過這一次，我們在邊界添加了C 
在D之前，因此我們將首先探討C。 
因此，C得到了探索。 
從C到哪裡去？ 
好吧，我們可以去E。 
因此，E被添加到邊界。 
但是由於D是在E之前進行探索的，因此我們接下來將介紹D。 

Modern Greek (1453-): 
 Πρώτη αναζήτηση βάθους, ή DFS, χρησιμοποιείται όπου προστέθηκε το πιο πρόσφατο στοιχείο 
 στα σύνορα είναι αυτό που θα εξερευνήσουμε στη συνέχεια, στην πρώτη αναζήτηση, ή BFS, 
 Αντ 'αυτού θα χρησιμοποιήσει μια ουρά όπου μια ουρά είναι τα δεδομένα πρώτης εισόδου 
 πληκτρολογήστε, όπου το πρώτο πράγμα που προσθέτουμε στα σύνορα είναι το πρώτο 
 θα εξερευνήσουμε. 
 Και σχηματίζουν αποτελεσματικά μια γραμμή ή μια ουρά, 
 όπου όσο νωρίτερα φτάνετε στα σύνορα, τόσο νωρίτερα θα εξερευνήσετε. 
 Λοιπόν, τι θα σήμαινε για το ίδιο ακριβώς πρόβλημα με την εύρεση μιας διαδρομής από τον Α 
 δάχτυλο του ποδιού? 
 Ξεκινάμε με το Α, όπως και πριν. 
 Τότε θα προχωρήσουμε και θα εξερευνήσουμε τον Α, και θα πούμε, πού μπορούμε να φτάσουμε από τον Α; 
 Λοιπόν, από το Α μπορούμε να φτάσουμε στο B. Όπως και πριν. 
 Από το Β, όπως και πριν. 
 Μπορούμε να φτάσουμε στα C και D, ώστε οι C και D να προστεθούν στα σύνορα. 
 Αυτή τη φορά, ωστόσο, προσθέσαμε το C στα σύνορα 
 πριν από το D, θα εξερευνήσουμε πρώτα το C. 
 Έτσι ο Γ εξερευνά. 
 Και από το Γ, πού μπορούμε να φτάσουμε; 
 Λοιπόν, μπορούμε να φτάσουμε στο E. 
 Έτσι, ο Ε προστίθεται στα σύνορα. 
 Αλλά επειδή το D εξερευνήθηκε πριν από το E, θα δούμε το D στη συνέχεια. 

Indonesian: 
 pencarian mendalam pertama, atau DFS, digunakan di mana item terbaru ditambahkan 
 ke perbatasan adalah yang akan kita jelajahi berikutnya, dalam pencarian pertama luasnya, atau BFS, 
 sebagai gantinya akan menggunakan antrian di mana antrian adalah data masuk pertama keluar pertama 
 ketik, di mana hal pertama yang kita tambahkan ke perbatasan adalah yang pertama 
 kita akan jelajahi. 
 Dan mereka secara efektif membentuk garis atau antrian, 
 di mana semakin awal Anda tiba di perbatasan, semakin awal Anda dieksplorasi. 
 Jadi apa artinya untuk masalah yang persis sama menemukan jalan dari A. 
 ke E? 
 Kita mulai dengan A, sama seperti sebelumnya. 
 Lalu kita akan pergi ke depan dan telah menjelajahi A, dan berkata, di mana kita bisa sampai dari A? 
 Nah, dari A kita bisa sampai ke B. Sama seperti sebelumnya. 
 Dari B, sama seperti sebelumnya. 
 Kita bisa mendapatkan C dan D sehingga C dan D ditambahkan ke perbatasan. 
 Namun, kali ini, kami menambahkan C ke perbatasan 
 sebelum D jadi kita akan menjelajahi C dulu. 
 Jadi C dieksplorasi. 
 Dan dari C, kemana kita bisa pergi? 
 Kita bisa sampai ke E. 
 Jadi E ditambahkan ke perbatasan. 
 Tetapi karena D dieksplorasi sebelum E, kita akan melihat D selanjutnya. 

Turkish: 
 derinlik ilk araması veya en son öğenin eklendiği yerde kullanılan DFS 
 sınırda bir sonraki araştırmamızda, en önce ilk aramada veya BFS'de, 
 bunun yerine bir sıranın ilk giren ilk çıkar verisi olduğu bir kuyruk kullanacaktır 
 sınıra ilk eklediğimiz şey ilk 
 keşfedeceğiz. 
 Ve etkili bir şekilde bir çizgi veya kuyruk oluştururlar, 
 sınırlara ne kadar erken ulaşırsanız o kadar erken keşfedilirsiniz. 
 Peki bu aynı problem için A'dan bir yol bulmak ne anlama gelir? 
 ayak parmağı? 
 A ile başlıyoruz, eskisi gibi. 
 Sonra devam edip A'yı keşfedeceğiz ve deriz ki, A'dan nerelere gidebiliriz? 
 A'dan B'ye gidebiliriz. Daha önce olduğu gibi. 
 B'den öncekiyle aynı. 
 C ve D'ye gidebiliriz, böylece C ve D sınıra eklenir. 
 Bu sefer yine de sınıra C ekledik 
 D'den önce bu yüzden önce C'yi keşfedeceğiz. 
 Böylece C keşfediliyor. 
 Ve C'den nereye gidebiliriz? 
 E'ye gidebiliriz. 
 Böylece E sınıra eklenir. 
 Ancak D, E'den önce araştırıldığından, bir sonraki D'ye bakacağız. 

Chinese: 
深度优先搜索或DFS，用于添加最新项目的位置
我们将在广度优先搜索或BFS中探索的前沿。 
而是使用队列为先进先出数据的队列
类型，我们添加到边界的第一件事就是第一件事
我们将探索。 
他们有效地排成一线或一个队列， 
您越早到达边境，就越早被探索。 
那么对于从A找到路径的同样确切的问题意味着什么呢？ 
到E？ 
好吧，和以前一样，我们从A开始。 
然后，我们将继续探索A，然后说，从A到哪里去？ 
好了，从A到B。和以前一样。 
从B开始，和以前一样。 
我们可以到达C和D，因此C和D被添加到边界。 
不过这一次，我们在边界添加了C 
在D之前，因此我们将首先探讨C。 
因此，C得到了探索。 
从C到哪里去？ 
好吧，我们可以去E。 
因此，E被添加到边界。 
但是由于D是在E之前进行探索的，因此我们接下来将介绍D。 

Japanese: 
最新の項目が追加された場所で使用される深さ優先検索、つまりDFS 
フロンティアまでは、次に探索するもので、幅優先探索、つまりBFSです。 
代わりに、キューが先入れ先出しデータであるキューを使用します
タイプ、フロンティアに追加する最初のものが最初のものです
探索します。 
そして、彼らは実質的に列または列を形成し、 
フロンティアに早く到着するほど、探索が早くなります。 
それで、Aからのパスを検索する同じ正確な問題にとって、それはどういう意味ですか
 Eに？ 
さて、前と同じように、Aから始めます。 
次に、先に進んでAを探索し、Aからどこに到達できるかを言います。 
さて、AからBに到達できます。以前と同じです。 
 Bから、以前と同じです。 
 CとDに到達できるので、CとDがフロンティアに追加されます。 
今回はCをフロンティアに追加しました
 Dの前にあるので、Cを最初に探索します。 
それでCは探検されます。 
そして、Cから、どこに行くことができますか？ 
ええと、私たちはEに行くことができます。 
したがって、Eはフロンティアに追加されます。 
しかし、DはEの前に探索されたので、次にDを見ていきます。 

Arabic: 
 عمق البحث الأول ، أو DFS ، حيث يتم استخدام أحدث عنصر تمت إضافته 
 إلى الحدود هو الذي سنستكشفه بعد ذلك ، في البحث الأول الواسع ، أو BFS ، 
 بدلاً من ذلك ، سيتم استخدام قائمة انتظار حيث تكون قائمة الانتظار بيانات أول من يدخل أولاً 
 نوع ، حيث أول شيء نضيفه إلى الحدود هو الأول 
 سنستكشف. 
 وتشكل بشكل فعال خطًا أو طابورًا ، 
 حيث تصل مبكرًا إلى الحدود ، يتم استكشافك مبكرًا. 
 فماذا يعني ذلك لنفس المشكلة بالضبط في إيجاد مسار من A 
 إصبع قدم؟ 
 حسنًا ، نبدأ بـ A ، كما كان من قبل. 
 ثم سنمضي قدماً واستكشفنا A ، ونقول ، أين يمكننا الوصول من A؟ 
 حسنًا ، من A يمكننا الوصول إلى B. نفس الشيء من قبل. 
 من B ، كما كان من قبل. 
 يمكننا الوصول إلى C و D بحيث تتم إضافة C و D إلى الحدود. 
 هذه المرة ، مع ذلك ، أضفنا C إلى الحدود 
 قبل D لذا سنستكشف C أولاً. 
 حتى يتم استكشاف C. 
 ومن C ، أين يمكننا الوصول؟ 
 حسنًا ، يمكننا الوصول إلى E. 
 لذا تتم إضافة E إلى الحدود. 
 ولكن نظرًا لاستكشاف D قبل E ، سنلقي نظرة على D بعد ذلك. 

French: 
 profondeur première recherche, ou DFS, utilisé là où l'élément le plus récent a été ajouté 
 à la frontière est celle que nous explorerons ensuite, en première recherche étendue, ou BFS, 
 utilisera à la place une file d'attente où une file d'attente est une donnée premier entré, premier sorti 
 type, où la toute première chose que nous ajoutons à la frontière est la première 
 nous allons explorer. 
 Et ils forment effectivement une ligne ou une file d'attente, 
 où plus tôt vous arrivez à la frontière, plus tôt vous êtes exploré. 
 Alors qu'est-ce que cela signifierait pour le même problème exact de trouver un chemin à partir de A 
 doigt de pied? 
 Eh bien, nous commençons par A, comme avant. 
 Ensuite, nous irons de l'avant et aurons exploré A, et nous dirons où aller de A? 
 Eh bien, de A, nous pouvons arriver à B. Comme avant. 
 De B, comme avant. 
 Nous pouvons arriver à C et D pour que C et D s'ajoutent à la frontière. 
 Cette fois, cependant, nous avons ajouté C à la frontière 
 avant D, nous allons donc explorer C en premier. 
 Donc C est exploré. 
 Et de C, où peut-on arriver? 
 Eh bien, nous pouvons arriver à E. 
 Donc E s'ajoute à la frontière. 
 Mais parce que D a été exploré avant E, nous allons voir D ensuite. 

Dutch: 
 diepte eerste zoekopdracht, of DFS, gebruikt waar het meest recente item is toegevoegd 
 naar de grens is degene die we hierna zullen onderzoeken, in de breedte eerst zoeken, of BFS, 
 zal in plaats daarvan een wachtrij gebruiken waarbij een wachtrij een first in, first out data is 
 type, waarbij het allereerste dat we aan de grens toevoegen het eerste is 
 we zullen verkennen. 
 En ze vormen in feite een lijn of een wachtrij, 
 waar hoe eerder u aan de grens arriveert, hoe eerder u wordt verkend. 
 Dus wat zou dat betekenen voor hetzelfde exacte probleem om een ​​pad van A te vinden 
 teen? 
 We beginnen met A, hetzelfde als voorheen. 
 Dan gaan we door en hebben we A verkend en gezegd: waar kunnen we komen van A? 
 Wel, van A kunnen we naar B komen. Hetzelfde als voorheen. 
 Van B, hetzelfde als voorheen. 
 We kunnen C en D bereiken, dus C en D worden aan de grens toegevoegd. 
 Deze keer hebben we echter C aan de grens toegevoegd 
 vóór D, dus we zullen eerst C verkennen. 
 Dus C wordt verkend. 
 En van C, waar kunnen we komen? 
 We kunnen bij E. komen. 
 Dus E wordt aan de grens toegevoegd. 
 Maar omdat D voor E werd verkend, zullen we hierna naar D kijken. 

Hindi: 
 गहराई पहले खोज, या DFS, का उपयोग किया गया जहां सबसे हाल ही में आइटम जोड़ा गया 
 सीमांत वह है जिसे हम आगे का पता लगाएंगे, पहली खोज में, या BFS, 
 इसके बजाय एक कतार का उपयोग करेंगे जहां एक कतार पहली बार पहली बार डेटा बाहर है 
 टाइप करें, जहां सबसे पहली चीज हम सीमांत में जोड़ते हैं वह पहली है 
 हम तलाश करेंगे। 
 और वे प्रभावी रूप से एक पंक्ति या कतार बनाते हैं, 
 जहाँ आप पहले सीमांत में पहुँचते हैं, वहाँ पहले आप का पता लगाया जाता है। 
 तो उसी सटीक समस्या के लिए ए से रास्ता खोजने का क्या मतलब होगा 
 पैर की अंगुली? 
 वैसे हम A से शुरू करते हैं, पहले की तरह। 
 फिर हम आगे बढ़ेंगे और ए की खोज की होगी, और कहेंगे कि हम ए से कहां मिल सकते हैं? 
 खैर, A से हम पहले की ही तरह B. Same ले सकते हैं। 
 B से, पहले जैसा। 
 हम C और D से मिल सकते हैं इसलिए C और D फ्रंटियर में जुड़ सकते हैं। 
 इस बार, हालांकि, हमने सी को फ्रंटियर में जोड़ा 
 D से पहले हम C का अन्वेषण करेंगे। 
 तो C का पता लगाया जाता है। 
 और C से, हम कहाँ तक पहुँच सकते हैं? 
 खैर, हम ई से मिल सकते हैं। 
 तो E सीमा में जुड़ जाता है। 
 लेकिन क्योंकि E से पहले D की खोज की गई थी, हम D को आगे देखेंगे। 

Korean: 
 가장 최근 항목이 추가 된 곳에서 사용되는 DFS (depth first search) 
 프론티어는 다음에 살펴볼 첫 번째 검색 또는 BFS에서 
 대신 대기열이 선입 선출 데이터 인 대기열을 대신 사용합니다. 
 가장 먼저 프론티어에 추가하는 것이 첫 번째입니다. 
 우리는 탐구 할 것입니다. 
 그들은 효과적으로 줄이나 줄을 만들고 
 더 일찍 국경에 도착하면 더 빨리 탐험합니다. 
 A에서 경로를 찾는 것과 똑같은 문제가 무엇을 의미합니까? 
 E에게? 
 우리는 이전과 마찬가지로 A로 시작합니다. 
 그런 다음 A를 살펴보고 A에서 어디로 갈 수 있습니까? 
 글쎄요, A에서 B로 갈 수 있습니다. 이전과 같습니다. 
 B에서, 이전과 동일합니다. 
 우리는 C와 D에 도달 할 수 있으므로 C와 D는 국경에 추가됩니다. 
 이번에는 C를 프론티어에 추가했습니다. 
 D보다 먼저 C를 먼저 살펴 보겠습니다. 
 그래서 C가 탐구됩니다. 
 그리고 C에서 우리는 어디로 갈 수 있습니까? 
 음, 우리는 E에 갈 수 있습니다. 
 따라서 E는 국경에 추가됩니다. 
 그러나 D가 E보다 먼저 탐색되었으므로 다음에 D를 살펴 보겠습니다. 

English: 
depth first search, or DFS, used where the most recent item added
to the frontier is the one we'll explore next, in breadth first search, or BFS,
will instead use a queue where a queue is a first in, first out data
type, where the very first thing we add to the frontier is the first one
we'll explore.
And they effectively form a line or a queue,
where the earlier you arrive in the frontier, the earlier you get explored.
So what would that mean for the same exact problem finding a path from A
to E?
Well we start with A, same as before.
Then we'll go ahead and have explored A, and say, where can we get to from A?
Well, from A we can get to B. Same as before.
From B, same as before.
We can get to C and D so C and D get added to the frontier.
This time, though, we added C to the frontier
before D so we'll explore C first.
So C gets explored.
And from C, where can we get to?
Well, we can get to E.
So E gets added to the frontier.
But because D was explored before E, we'll look at D next.

Portuguese: 
 profundidade primeira pesquisa, ou DFS, usado onde o item mais recente foi adicionado 
 até a fronteira é o que exploraremos a seguir, na primeira pesquisa de largura, ou BFS, 
 em vez disso, usará uma fila em que uma fila é o primeiro a entrar, primeiro a sair 
 tipo, onde a primeira coisa que adicionamos à fronteira é a primeira 
 nós vamos explorar. 
 E eles formam efetivamente uma linha ou fila, 
 onde quanto mais cedo você chega na fronteira, mais cedo você é explorado. 
 Então, o que isso significaria para o mesmo problema exato em encontrar um caminho de A 
 dedo do pé? 
 Bem, começamos com A, como antes. 
 Então, vamos em frente e exploramos A, e dizemos, para onde podemos chegar de A? 
 Bem, de A, podemos chegar a B. O mesmo de antes. 
 De B, o mesmo de antes. 
 Podemos chegar a C e D para que C e D sejam adicionados à fronteira. 
 Desta vez, porém, adicionamos C à fronteira 
 antes de D, então exploraremos C primeiro. 
 Então C é explorado. 
 E de C, onde podemos chegar? 
 Bem, podemos chegar a E. 
 Então, E é adicionado à fronteira. 
 Mas como D foi explorado antes de E, veremos D a seguir. 

Russian: 
 поиск в глубину, или DFS, используется там, где добавлен самый последний элемент 
 к границе - это та, которую мы исследуем дальше, в поиске в ширину, или BFS, 
 вместо этого будет использовать очередь, в которой данные являются первыми входящими, первыми выходящими 
 типа, где самое первое, что мы добавляем к границе, это первое 
 мы будем исследовать. 
 И они эффективно образуют линию или очередь, 
 где чем раньше вы попадете на границу, тем раньше вас исследуют. 
 Итак, что бы это значило для той же самой проблемы с поиском пути из 
 палец? 
 Ну, мы начнем с А, как и раньше. 
 Тогда мы пойдем дальше и исследуем A, и скажем, куда мы можем добраться от A? 
 Ну, из А мы можем добраться до Б. То же, что и раньше. 
 От Б, так же, как и раньше. 
 Мы можем добраться до C и D, чтобы C и D были добавлены к границе. 
 На этот раз, однако, мы добавили C к границе 
 до D, поэтому мы сначала исследуем C. 
 Так что C исследуется. 
 А из C, где мы можем добраться? 
 Ну, мы можем добраться до Е. 
 Таким образом, E добавляется к границе. 
 Но поскольку D был исследован до E, мы посмотрим на D дальше. 

Italian: 
 approfondimento prima ricerca, o DFS, utilizzato dove è stato aggiunto l'elemento più recente 
 alla frontiera è quello che esploreremo dopo, in ampie prime ricerche, o BFS, 
 utilizzerà invece una coda in cui una coda è un dato first in, first out 
 tipo, dove la prima cosa che aggiungiamo alla frontiera è la prima 
 esploreremo. 
 E formano effettivamente una linea o una coda, 
 dove prima arrivi in ​​frontiera, prima sarai esplorato. 
 Quindi cosa significherebbe per lo stesso esatto problema trovare un percorso da A 
 dito del piede? 
 Bene, iniziamo con A, come prima. 
 Quindi andremo avanti e abbiamo esplorato A, e diciamo, da dove possiamo arrivare da A? 
 Bene, da A possiamo arrivare a B. Come prima. 
 Da B, come prima. 
 Possiamo arrivare a C e D, quindi C e D vengono aggiunti alla frontiera. 
 Questa volta, tuttavia, abbiamo aggiunto C alla frontiera 
 prima di D quindi esploreremo prima C. 
 Quindi C viene esplorato. 
 E da C, dove possiamo arrivare? 
 Bene, possiamo arrivare a E. 
 Quindi E viene aggiunto alla frontiera. 
 Ma poiché D è stato esplorato prima di E, vedremo D in seguito. 

German: 
 Die Tiefensuche (DFS) wird dort verwendet, wo das zuletzt hinzugefügte Element hinzugefügt wurde 
 an die Grenze ist diejenige, die wir als nächstes untersuchen werden, in der breiten ersten Suche oder BFS, 
 verwendet stattdessen eine Warteschlange, in der eine Warteschlange First-In- und First-Out-Daten sind 
 Typ, wobei das allererste, was wir der Grenze hinzufügen, das erste ist 
 wir werden erkunden. 
 Und sie bilden effektiv eine Linie oder eine Warteschlange, 
 Wo je früher Sie an der Grenze ankommen, desto früher werden Sie erkundet. 
 Was würde das für das gleiche Problem bedeuten, einen Weg von A zu finden? 
 zu E? 
 Nun, wir beginnen mit A, genau wie zuvor. 
 Dann werden wir A erkunden und sagen, wo können wir von A aus hinkommen? 
 Nun, von A aus können wir nach B gelangen. Wie zuvor. 
 Von B wie zuvor. 
 Wir können nach C und D gelangen, damit C und D zur Grenze hinzugefügt werden. 
 Diesmal haben wir jedoch C zur Grenze hinzugefügt 
 vor D, also werden wir zuerst C erkunden. 
 Also wird C erforscht. 
 Und von C, wo können wir hinkommen? 
 Nun, wir können zu E. kommen. 
 Also wird E zur Grenze hinzugefügt. 
 Aber weil D vor E erforscht wurde, schauen wir uns als nächstes D an. 

English: 
So we'll explore D and say, where can we get to from D?
We can get to F. And only then will we say, all right.
Now we can get to E. And so what breadth first search, or BFS,
did is we started here, we looked at both C and D,
and then we looked at E. Effectively we're
looking at things one away from the initial state,
then two away from the initial state.
And only then, things that are three away from the initial state.
Unlike depth first search, which just went as deep as possible
into the search tree until it hit a dead end and then,
ultimately, had to back up.
So these now are two different search algorithms
that we could apply in order to try and solve a problem.
And let's take a look at how these would actually
work in practice with something like maze solving, for example.
So here's an example of a maze.
These empty cells represent places where our agent can move.
These darkened gray cells and represent walls
that the agent can't pass through.
And, ultimately, our agent, our AI, is going
to try to find a way to get from position A

Spanish: 
 Así que exploraremos D y diremos, ¿a dónde podemos llegar desde D? 
 Podemos llegar a F. Y solo entonces diremos, está bien. 
 Ahora podemos llegar a E. Y entonces, ¿qué amplitud busca primero, o BFS, 
 si empezamos aquí, miramos tanto C como D, 
 y luego miramos a E. Efectivamente estamos 
 mirando cosas que están lejos del estado inicial, 
 luego dos lejos del estado inicial. 
 Y solo entonces, las cosas que están a tres del estado inicial. 
 A diferencia de la primera búsqueda en profundidad, que fue lo más profunda posible 
 en el árbol de búsqueda hasta que tocó un callejón sin salida y luego, 
 finalmente, tuve que retroceder. 
 Estos son ahora dos algoritmos de búsqueda diferentes. 
 que podríamos aplicar para intentar resolver un problema. 
 Y echemos un vistazo a cómo estos realmente 
 trabajar en la práctica con algo como resolver laberintos, por ejemplo. 
 Así que aquí hay un ejemplo de un laberinto. 
 Estas celdas vacías representan lugares donde nuestro agente puede moverse. 
 Estas celdas grises oscurecidas y representan paredes 
 que el agente no puede pasar. 
 Y, en última instancia, nuestro agente, nuestra IA, se va 
 para tratar de encontrar una manera de llegar desde la posición A 

Japanese: 
それでは、Dを探索して、Dからどこに到達できるかを説明します。 
私たちはFに行くことができます。 
これで、Eに到達できます。つまり、最初の検索、つまりBFSの幅は、 
ここから始めました。CとDの両方を見ました。 
 Eを見ました。事実上、 
初期状態から離れて物事を見て、 
その後、初期状態から2つ離れます。 
そしてそれからはじめて、初期状態から3つ離れたところ。 
できるだけ深く行った深さ優先検索とは異なり
行き止まりに達するまで検索ツリーに移動し、 
最終的には、バックアップする必要がありました。 
したがって、これらは現在2つの異なる検索アルゴリズムです
問題を試して解決するために適用できます。 
そして、これらが実際にどのようになるかを見てみましょう
たとえば、迷路の解答のようなものを実際に使用します。 
これが迷路の例です。 
これらの空のセルは、エージェントが移動できる場所を表しています。 
これらの暗い灰色のセルは壁を表しています
エージェントが通過できないこと。 
そして最終的には、私たちのエージェントであるAIが
位置Aから取得する方法を見つけることを試みる

German: 
 Also werden wir D erkunden und sagen, wo können wir von D her kommen? 
 Wir können zu F. kommen. Und erst dann werden wir sagen, alles klar. 
 Jetzt können wir zu E gelangen. Und was für eine Breite die erste Suche oder BFS? 
 haben wir hier angefangen, wir haben uns sowohl C als auch D angesehen, 
 und dann haben wir uns E angesehen 
 Dinge betrachten, die vom Ausgangszustand entfernt sind, 
 dann zwei vom Ausgangszustand entfernt. 
 Und nur dann Dinge, die drei vom Ausgangszustand entfernt sind. 
 Im Gegensatz zur Tiefensuche, die so tief wie möglich ging 
 in den Suchbaum, bis er eine Sackgasse erreicht und dann, 
 musste letztendlich sichern. 
 Das sind also zwei verschiedene Suchalgorithmen 
 dass wir uns bewerben könnten, um zu versuchen, ein Problem zu lösen. 
 Und schauen wir uns an, wie diese tatsächlich aussehen würden 
 Arbeiten Sie in der Praxis beispielsweise mit Labyrinthlösungen. 
 Hier ist ein Beispiel für ein Labyrinth. 
 Diese leeren Zellen stellen Orte dar, an denen sich unser Agent bewegen kann. 
 Diese verdunkelten grauen Zellen repräsentieren Wände 
 dass der Agent nicht passieren kann. 
 Und letztendlich geht unser Agent, unsere KI 
 um zu versuchen, einen Weg zu finden, um von Position A zu gelangen 

Chinese: 
因此，我們將探索D並說，從D可以到達哪裡？ 
我們可以到達F。然後我們才說，好的。 
現在我們可以到達E了。那麼，什麼廣度優先搜索或BFS， 
確實是我們從這裡開始的，我們同時看了C和D， 
然後我們看了看E。實際上，我們是
看著遠離初始狀態的事物， 
然後從初始狀態離開兩個。 
只有到那時，與初始狀態相差三倍的事物。 
與深度優先搜索不同，後者會盡可能深入
進入搜索樹直到它陷入死胡同，然後， 
最終，不得不備份。 
所以這些現在是兩種不同的搜索算法
我們可以申請以嘗試解決問題。 
讓我們來看看這些實際上如何
在實踐中使用諸如迷宮解決之類的方法。 
這是一個迷宮的例子。 
這些空單元代表我們的代理可以移動的地方。 
這些變暗的灰色單元格代表牆壁
代理無法通過。 
最終，我們的代理商，即我們的人工智能
試圖找到一種方法來擺脫位置A 

Russian: 
 Итак, мы исследуем D и скажем, куда мы можем добраться от D? 
 Мы можем добраться до Ф. И только тогда мы скажем, все в порядке. 
 Теперь мы можем добраться до E. И так, что в ширину первого поиска, или BFS, 
 сделал, мы начали здесь, мы смотрели на C и D, 
 а потом мы посмотрели на E. Эффективно мы 
 глядя на вещи один от первоначального состояния, 
 затем двое от исходного состояния. 
 И только тогда, вещи, которые находятся в трех от первоначального состояния. 
 В отличие от глубокого поиска, который прошел как можно глубже 
 в дерево поиска, пока оно не зашло в тупик, а затем, 
 в конечном итоге пришлось отступить. 
 Так что теперь это два разных алгоритма поиска 
 что мы могли бы подать заявку, чтобы попытаться решить проблему. 
 И давайте посмотрим, как это на самом деле 
 например, работать с чем-то вроде решения лабиринта. 
 Итак, вот пример лабиринта. 
 Эти пустые ячейки представляют места, где наш агент может двигаться. 
 Эти затемненные серые клетки и представляют собой стены 
 что агент не может пройти. 
 И, в конечном счете, наш агент, наш ИИ, собирается 
 попытаться найти способ выйти из положения А 

Indonesian: 
 Jadi kita akan mengeksplorasi D dan berkata, di mana kita bisa sampai dari D? 
 Kita bisa sampai ke F. Dan baru setelah itu kita akan berkata, baiklah. 
 Sekarang kita bisa sampai ke E. Dan jadi apa pencarian pertama, atau BFS, 
 Apakah kita mulai di sini, kita melihat C dan D, 
 dan kemudian kita melihat E. Secara efektif kita 
 melihat sesuatu yang jauh dari keadaan awal, 
 lalu dua dari kondisi awal. 
 Dan hanya pada saat itu, hal-hal yang tiga jauh dari keadaan awal. 
 Tidak seperti pencarian pertama yang mendalam, yang hanya berjalan sedalam mungkin 
 ke pohon pencarian sampai menemui jalan buntu dan kemudian, 
 akhirnya, harus mundur. 
 Jadi ini sekarang adalah dua algoritma pencarian yang berbeda 
 yang bisa kita terapkan untuk mencoba dan memecahkan masalah. 
 Dan mari kita lihat bagaimana ini sebenarnya 
 bekerja dalam praktik dengan sesuatu seperti pemecahan maze, misalnya. 
 Jadi inilah contoh labirin. 
 Sel-sel kosong ini mewakili tempat di mana agen kami dapat bergerak. 
 Sel-sel abu-abu gelap dan mewakili dinding 
 bahwa agen tidak dapat melewati. 
 Dan, akhirnya, agen kami, AI kami, akan pergi 
 untuk mencoba menemukan cara untuk mendapatkan dari posisi A 

Chinese: 
因此，我们将探索D并说，从D可以到达哪里？ 
我们可以到达F。然后我们才说，好的。 
现在我们可以到达E了。那么，什么广度优先搜索或BFS， 
确实是我们从这里开始的，我们同时看了C和D， 
然后我们看了看E。实际上，我们是
看着远离初始状态的事物， 
然后从初始状态离开两个。 
只有到那时，与初始状态相差三倍的事物。 
与深度优先搜索不同，后者会尽可能深入
进入搜索树直到它陷入死胡同，然后， 
最终，不得不备份。 
所以这些现在是两种不同的搜索算法
我们可以申请以尝试解决问题。 
让我们看一下这些将如何
在实践中使用诸如迷宫解决之类的方法。 
这是一个迷宫的例子。 
这些空单元代表我们的代理可以移动的地方。 
这些变暗的灰色单元格代表墙壁
代理无法通过。 
最终，我们的代理商，即我们的人工智能
试图找到一种方法来摆脱位置A 

Portuguese: 
 Então, vamos explorar D e dizer: de onde podemos chegar a partir de D? 
 Podemos chegar a F. E só então vamos dizer, tudo bem. 
 Agora podemos chegar ao E. E qual a primeira pesquisa de largura, ou BFS, 
 fizemos é que começamos aqui, analisamos C e D, 
 e então olhamos para E. Efetivamente estamos 
 olhando para coisas distantes do estado inicial, 
 então dois longe do estado inicial. 
 E só então, coisas que estão a três distância do estado inicial. 
 Diferentemente da primeira pesquisa de profundidade, que foi o mais profunda possível 
 na árvore de pesquisa até atingir um beco sem saída e, em seguida, 
 em última análise, teve que fazer backup. 
 Agora, esses são agora dois algoritmos de pesquisa diferentes 
 que poderíamos aplicar para tentar resolver um problema. 
 E vamos dar uma olhada em como eles realmente 
 trabalhe na prática com algo como resolver labirintos, por exemplo. 
 Então, aqui está um exemplo de labirinto. 
 Essas células vazias representam lugares onde nosso agente pode se mover. 
 Essas células cinzentas escuras e representam paredes 
 que o agente não pode passar. 
 E, finalmente, nosso agente, nossa IA, vai 
 para tentar encontrar uma maneira de sair da posição A 

Korean: 
 D를 탐색하고 D에서 어디로 갈 수 있을까요? 
 우리는 F에 갈 수 있습니다. 그리고 나서야 우리는 말할 것입니다. 
 이제 우리는 E에 접근 할 수 있습니다. 
 우리는 여기서 시작했고 C와 D를 모두 보았습니다. 
 우리는 E를 보았습니다. 효과적으로 우리는 
 초기 상태에서 멀리 떨어져있는 것을보고 
 그런 다음 초기 상태에서 두 개 떨어져 있습니다. 
 그리고 나서야 초기 상태에서 세 가지 떨어진 것들이 있습니다. 
 가능한 한 깊게 진행된 깊이 우선 검색과 달리 
 검색 트리가 막 다른 골목에 도달 할 때까지 
 궁극적으로 백업이 필요했습니다. 
 이것들은 이제 두 가지 다른 검색 알고리즘입니다 
 문제를 해결하기 위해 신청할 수 있습니다. 
 이것들이 실제로 어떻게 작동하는지 봅시다 
 예를 들어, 미로 해결과 같은 것으로 실제로 작업하십시오. 
 여기 미로의 예가 있습니다. 
 이 빈 셀은 에이전트가 이동할 수있는 장소를 나타냅니다. 
 이 어두운 회색 세포는 벽을 나타냅니다 
 에이전트가 통과 할 수 없습니다. 
 그리고 궁극적으로 에이전트 인 AI가 
 위치 A에서 벗어날 수있는 방법을 찾으려고 

Italian: 
 Quindi esploreremo D e diremo, dove possiamo arrivare da D? 
 Possiamo arrivare a F. E solo allora diremo, va bene. 
 Ora possiamo arrivare a E. E quindi quale ampiezza prima ricerca, o BFS, 
 fatto è che abbiamo iniziato qui, abbiamo guardato sia C che D, 
 e poi abbiamo guardato E. In effetti siamo 
 guardando le cose a una distanza dallo stato iniziale, 
 poi a due di distanza dallo stato iniziale. 
 E solo allora cose a tre di distanza dallo stato iniziale. 
 A differenza della prima ricerca approfondita, che è andata il più in profondità possibile 
 nell'albero di ricerca fino a quando non raggiunge un vicolo cieco e quindi, 
 alla fine, ha dovuto eseguire il backup. 
 Quindi questi ora sono due diversi algoritmi di ricerca 
 che potremmo applicare per provare a risolvere un problema. 
 E diamo un'occhiata a come questi effettivamente 
 lavora in pratica con qualcosa come risolvere il labirinto, per esempio. 
 Quindi, ecco un esempio di labirinto. 
 Queste celle vuote rappresentano i luoghi in cui il nostro agente può spostarsi. 
 Queste celle grigie scure rappresentano pareti 
 che l'agente non può attraversare. 
 E, alla fine, il nostro agente, la nostra IA, sta andando 
 per cercare di trovare un modo per arrivare dalla posizione A 

Hindi: 
 तो हम D का अन्वेषण करेंगे और कहेंगे कि, हम D से कहाँ प्राप्त कर सकते हैं? 
 हम एफ को प्राप्त कर सकते हैं और केवल तभी हम कहेंगे, ठीक है। 
 अब हम ई। से प्राप्त कर सकते हैं और इसलिए क्या पहली खोज, या BFS, 
 क्या हमने यहाँ शुरू किया, हमने C और D दोनों को देखा, 
 और फिर हमने ई को देखा। प्रभावी रूप से हम हैं 
 प्रारंभिक अवस्था से दूर चीजों को देखते हुए, 
 फिर प्रारंभिक अवस्था से दो दूर। 
 और केवल तब, जो चीजें प्रारंभिक अवस्था से तीन दूर हैं। 
 गहराई पहले खोज के विपरीत, जो बस जितना संभव हो उतना गहरा गया 
 खोज वृक्ष में जब तक यह एक मृत अंत मारा और तब, 
 आखिरकार, वापस लौटना पड़ा। 
 तो ये अब दो अलग-अलग खोज एल्गोरिदम हैं 
 कि हम एक समस्या को हल करने के लिए आवेदन कर सकते हैं। 
 और आइए नज़र डालते हैं कि ये वास्तव में कैसे होंगे 
 उदाहरण के लिए भूलभुलैया सुलझाने जैसी किसी चीज़ के साथ अभ्यास करें। 
 तो यहाँ एक भूलभुलैया का एक उदाहरण है। 
 ये खाली कोशिकाएँ उन स्थानों का प्रतिनिधित्व करती हैं जहाँ हमारा एजेंट घूम सकता है। 
 ये गहरे भूरे रंग की कोशिकाओं और दीवारों का प्रतिनिधित्व करते हैं 
 वह एजेंट नहीं गुजर सकता। 
 और, आखिरकार, हमारे एजेंट, हमारे एआई, जा रहे हैं 
 स्थिति A से प्राप्त करने का तरीका खोजने का प्रयास करें 

French: 
 Nous allons donc explorer D et dire, où pouvons-nous aller de D? 
 Nous pouvons arriver à F. Et alors seulement nous dirons, très bien. 
 Maintenant, nous pouvons arriver à E. Et donc quelle largeur première recherche, ou BFS, 
 nous avons commencé ici, nous avons regardé à la fois C et D, 
 puis nous avons regardé E. Effectivement, nous sommes 
 regarder les choses à l'écart de l'état initial, 
 puis deux loin de l'état initial. 
 Et seulement alors, des choses qui sont à trois de l'état initial. 
 Contrairement à la première recherche en profondeur, qui est allée aussi loin que possible 
 dans l'arbre de recherche jusqu'à ce qu'il atteigne une impasse, puis, 
 finalement, a dû sauvegarder. 
 Ce sont donc maintenant deux algorithmes de recherche différents 
 que nous pourrions appliquer pour essayer de résoudre un problème. 
 Et regardons comment ceux-ci seraient réellement 
 travailler en pratique avec quelque chose comme la résolution de labyrinthes, par exemple. 
 Voici donc un exemple de labyrinthe. 
 Ces cellules vides représentent des endroits où notre agent peut se déplacer. 
 Ces cellules gris foncé et représentent des murs 
 que l'agent ne peut pas passer. 
 Et, finalement, notre agent, notre IA, va 
 pour essayer de trouver un moyen de quitter la position A 

Dutch: 
 Dus we zullen D verkennen en zeggen, waar kunnen we van D komen? 
 We kunnen bij F. komen. Alleen dan zullen we zeggen, oké. 
 Nu kunnen we bij E. komen. En dus welke breedte eerst zoeken, of BFS, 
 we zijn hier begonnen, we hebben gekeken naar zowel C als D, 
 en toen keken we naar E. In feite zijn we 
 kijken naar dingen op een afstand van de oorspronkelijke staat, 
 dan twee verwijderd van de begintoestand. 
 En alleen dan, dingen die drie verwijderd zijn van de oorspronkelijke staat. 
 In tegenstelling tot diepte eerst zoeken, die zo diep mogelijk ging 
 in de zoekboom totdat het een doodlopende weg bereikte en dan, 
 moest uiteindelijk een back-up maken. 
 Dit zijn dus nu twee verschillende zoekalgoritmen 
 die we kunnen toepassen om te proberen een probleem op te lossen. 
 En laten we eens kijken hoe deze eigenlijk zouden zijn 
 werk in de praktijk met bijvoorbeeld het oplossen van doolhoven. 
 Dus hier is een voorbeeld van een doolhof. 
 Deze lege cellen vertegenwoordigen plaatsen waar onze agent zich kan verplaatsen. 
 Deze donkere grijze cellen vertegenwoordigen muren 
 waar de agent niet doorheen kan. 
 En uiteindelijk gaat onze agent, onze AI 
 om een ​​manier te vinden om van positie A af te komen 

Arabic: 
 لذا سنستكشف D ونقول ، أين يمكننا الوصول من D؟ 
 يمكننا الوصول إلى F. وعندها فقط سنقول ، حسنًا. 
 الآن يمكننا الوصول إلى E. وهكذا أي بحث أول اتساع ، أو BFS ، 
 فعلنا هنا بدأنا ، نظرنا إلى كل من C و D ، 
 ثم نظرنا إلى E. بشكل فعال نحن 
 بالنظر إلى الأشياء بعيدًا عن الحالة الأولية ، 
 ثم يبعدان عن الحالة الأولية. 
 وعندها فقط ، الأشياء البعيدة عن الحالة الأولية. 
 على عكس البحث الأول عن العمق ، والذي كان أعمق ما يمكن 
 في شجرة البحث حتى تصل إلى طريق مسدود ومن ثم ، 
 في نهاية المطاف ، كان عليها عمل نسخة احتياطية. 
 إذن فهذه الآن خوارزميتان مختلفتان للبحث 
 التي يمكننا تطبيقها من أجل محاولة حل مشكلة. 
 ودعنا نلقي نظرة على كيفية فعل ذلك 
 العمل عمليًا مع شيء مثل حل المتاهة ، على سبيل المثال. 
 إذن هذا مثال على متاهة. 
 تمثل هذه الخلايا الفارغة الأماكن التي يمكن أن يتحرك فيها وكيلنا. 
 هذه الخلايا الرمادية الداكنة وتمثل الجدران 
 التي لا يستطيع الوكيل المرور بها. 
 وفي النهاية ، فإن وكيلنا ، الذكاء الاصطناعي لدينا ، ذاهب 
 لمحاولة إيجاد طريقة للخروج من الموضع أ 

Turkish: 
 D'yi keşfedeceğiz ve D'den nerelere gidebiliriz diyelim? 
 F'ye gidebiliriz ve ancak o zaman söyleyeceğiz, tamam. 
 Şimdi E'ye ulaşabiliriz. Ve böylece ilk geniş arama, ya da BFS, 
 burada mı başladık, hem C hem de D'ye baktık, 
 ve sonra E'ye baktık. Etkili bir şekilde 
 başlangıçtaki durumdan bir tanesine bakmak, 
 sonra ilk durumdan iki uzakta. 
 Ve ancak o zaman, başlangıç ​​durumundan üç uzakta olan şeyler. 
 Derinlikten farklı olarak, mümkün olduğunca derine inen ilk arama 
 çıkmazlığa çarpana kadar arama ağacına girip, 
 nihayetinde yedeklemek zorunda kaldı. 
 Şimdi bunlar iki farklı arama algoritması 
 bir sorunu çözmeye çalışmak için başvurabiliriz. 
 Ve bunların gerçekte nasıl olacağını inceleyelim 
 Örneğin, labirent çözme gibi bir şeyle pratikte çalışın. 
 İşte bir labirent örneği. 
 Bu boş hücreler ajanımızın hareket edebileceği yerleri temsil eder. 
 Bu kararmış gri hücreler ve duvarları temsil eder 
 ajan geçemez. 
 Ve sonuçta, ajanımız, yapay zekamız, 
 A konumundan almak için bir yol bulmaya çalışmak 

Modern Greek (1453-): 
 Έτσι θα εξερευνήσουμε το D και θα πούμε, από πού μπορούμε να φτάσουμε από το D; 
 Μπορούμε να φτάσουμε στον F. Και μόνο τότε θα πούμε, εντάξει. 
 Τώρα μπορούμε να φτάσουμε στο Ε. Και λοιπόν, ποια είναι η πρώτη αναζήτηση, ή BFS, 
 το κάναμε είναι ότι ξεκινήσαμε εδώ, κοιτάξαμε τόσο το C όσο και το D, 
 και μετά κοιτάξαμε τον Ε. Αποτελεσματικά είμαστε 
 κοιτάζοντας τα πράγματα μακριά από την αρχική κατάσταση, 
 μετά δύο μακριά από την αρχική κατάσταση. 
 Και μόνο τότε, πράγματα που απέχουν τρία από την αρχική κατάσταση. 
 Σε αντίθεση με την πρώτη αναζήτηση βάθους, η οποία μόλις πήγε όσο το δυνατόν πιο βαθιά 
 στο δέντρο αναζήτησης μέχρι να φτάσει σε αδιέξοδο και μετά, 
 τελικά, έπρεπε να δημιουργήσω αντίγραφα ασφαλείας. 
 Αυτά είναι λοιπόν δύο διαφορετικοί αλγόριθμοι αναζήτησης 
 που θα μπορούσαμε να εφαρμόσουμε για να προσπαθήσουμε να λύσουμε ένα πρόβλημα. 
 Και ας ρίξουμε μια ματιά στο πώς θα ήταν πραγματικά αυτά 
 Εργαστείτε στην πράξη με κάτι όπως η επίλυση λαβυρίνθου, για παράδειγμα. 
 Ακολουθεί ένα παράδειγμα λαβυρίνθου. 
 Αυτά τα κενά κελιά αντιπροσωπεύουν μέρη όπου ο πράκτορας μας μπορεί να μετακινηθεί. 
 Αυτά τα σκούρα γκρι κελιά και αντιπροσωπεύουν τοίχους 
 ότι ο πράκτορας δεν μπορεί να περάσει. 
 Και, τελικά, ο πράκτορας μας, η AI μας, πηγαίνει 
 να προσπαθήσουμε να βρούμε έναν τρόπο να πάμε από τη θέση Α 

Indonesian: 
 ke posisi B melalui beberapa urutan tindakan, di mana tindakan tersebut dibiarkan, 
 kanan, atas, dan bawah. 
 Apa yang akan dilakukan pencarian mendalam pertama dalam kasus ini? 
 Baik pencarian pertama mendalam hanya akan mengikuti satu jalur. 
 Jika mencapai garpu di jalan di mana ia memiliki beberapa opsi berbeda, 
 pencarian mendalam pertama hanya, dalam hal ini, akan memilih satu. 
 Tidak ada preferensi nyata. 
 Tapi itu akan terus mengikuti sampai mencapai jalan buntu. 
 Dan ketika itu menemui jalan buntu, pencarian mendalam pertama 
 secara efektif kembali ke titik keputusan terakhir 
 dan mencoba jalur lain. 
 Sepenuhnya melelahkan seluruh jalan ini dan kapan 
 ia menyadari bahwa, tujuannya tidak ada di sini, 
 lalu mengalihkan perhatiannya ke jalan ini. 
 Ini masuk sedalam mungkin. 
 Ketika menyentuh jalan buntu, ia mundur dan kemudian mencoba jalan lain ini, 
 terus berjalan sedalam mungkin di satu jalur tertentu, 
 dan ketika menyadari bahwa itu jalan buntu, maka itu akan kembali. 
 Dan akhirnya menemukan jalannya ke tujuan. 
 Dan mungkin Anda beruntung dan mungkin Anda membuat pilihan yang berbeda sebelumnya, 
 tetapi pada akhirnya ini adalah bagaimana pencarian pertama akan bekerja. 
 Itu akan terus mengikuti sampai menyentuh jalan buntu. 

Hindi: 
 कुछ क्रियाओं के माध्यम से बी को स्थान देना, जहाँ उन कार्यों को छोड़ दिया जाता है, 
 सही, ऊपर, और नीचे। 
 इस मामले में गहराई से पहली खोज क्या करेंगे? 
 अच्छी तरह से गहराई पहली खोज सिर्फ एक पथ का अनुसरण करेगी। 
 यदि यह सड़क में एक कांटा तक पहुँचता है जहाँ इसके पास कई अलग-अलग विकल्प हैं, 
 गहराई पहली खोज सिर्फ इस मामले में है, एक को चुनने के लिए जा रहा है। 
 कोई वास्तविक प्राथमिकता नहीं है। 
 लेकिन यह एक का पालन करने जा रहा है जब तक यह एक मृत अंत हिट नहीं होता है। 
 और जब यह एक मृत अंत से टकराता है, तो गहराई से पहले खोज 
 प्रभावी रूप से अंतिम निर्णय बिंदु पर वापस जाता है 
 और दूसरे रास्ते की कोशिश करता है। 
 पूरी तरह से इस पूरे रास्ते और जब थकाऊ 
 यह पता चलता है कि, ठीक है, लक्ष्य यहाँ नहीं है, 
 तब यह इस पथ पर अपना ध्यान केंद्रित करता है। 
 यह जितना संभव हो उतना गहरा होता है। 
 जब यह एक मृत अंत से टकराता है, तो यह वापस आ जाता है और फिर इस दूसरे रास्ते की कोशिश करता है, 
 एक विशेष पथ के नीचे जितना संभव हो उतना गहरा चलता रहता है, 
 और जब यह पता चलता है कि यह एक मृत अंत है, तो यह वापस आ जाएगा। 
 और फिर अंत में लक्ष्य के लिए अपना रास्ता खोजें। 
 और शायद आप भाग्यशाली हो गए और शायद आपने पहले एक अलग विकल्प बनाया, 
 लेकिन आखिरकार यह पहली खोज कितनी गहराई तक काम करने वाली है। 
 यह एक मृत अंत तक हिट होने तक कायम रखने वाला है। 

Turkish: 
 B'yi bu eylemlerin bırakıldığı bazı eylem dizileri aracılığıyla konumlandırmak, 
 sağ, yukarı ve aşağı. 
 Bu durumda derinlik ilk araması ne yapacak? 
 Peki derinlik ilk arama sadece bir yol izleyecektir. 
 Yolda, birden fazla farklı seçeneğin bulunduğu bir çatala ulaşırsa, 
 derinlik ilk arama sadece, bu durumda, birini seçecek. 
 Gerçek bir tercih yok. 
 Ama çıkmaz bir noktaya gelene kadar onu takip etmeye devam edecek. 
 Ve çıkmaz bir yere çarptığında, önce derinlik arayışı 
 etkili bir şekilde son karar noktasına geri döner 
 ve diğer yolu dener. 
 Tüm yol boyunca ve ne zaman tamamen yorucu 
 o, amacın burada olmadığını fark eder, 
 sonra dikkatini bu yola çevirir. 
 Mümkün olduğunca derine iner. 
 Çıkmazlığa çarptığında, yedeklenir ve sonra bu diğer yolu dener, 
 belirli bir yolda olabildiğince derine inmeye devam ediyor, 
 ve bunun çıkmaz bir nokta olduğunu fark ettiğinde, o zaman yedeklenir. 
 Ve nihayetinde hedefe giden yolu bulun. 
 Ve belki şanslısın ve belki daha önce farklı bir seçim yaptın, 
 ama sonuçta derinlik ilk aramanın işleyiş şekli budur. 
 Çıkmazlığa ulaşana kadar takip etmeye devam edecek. 

Japanese: 
一連のアクションを介してBを配置します。これらのアクションはそのままです。 
右、上、下。 
この場合、深さ優先検索は何をしますか？ 
さて、深さ優先検索は1つのパスをたどります。 
複数の異なるオプションがある道路の分岐点に到達した場合、 
深さ優先検索は、この場合は1つを選択するだけです。 
本当の好みはありません。 
しかし、行き止まりにぶつかるまで、それは続くでしょう。 
そしてそれが行き止まりにぶつかったとき、深さ優先探索
事実上、最後の決定ポイントに戻ります
他のパスを試します。 
この経路全体を完全に使い尽くす
わかりました、目標はここにありません。 
次に、このパスに注意を向けます。 
それは可能な限り深くなります。 
行き止まりに達すると、バックアップしてから、この別のパスを試します。 
ある特定の経路を可能な限り下っていきます
そして、それが行き止まりであることに気づいたとき、それはバックアップします。 
そして、最終的に目標への道を見つけます。 
そして、あなたは運が良かったかもしれませんし、以前に別の選択をしたかもしれません
しかし最終的には、これが深さ優先検索が機能する方法です。 
それが行き止まりにぶつかるまで、それは続くでしょう。 

English: 
to position B via some sequence of actions, where those actions are left,
right, up, and down.
What will depth first search do in this case?
Well depth first search will just follow one path.
If it reaches a fork in the road where it has multiple different options,
depth first search is just, in this case, going to choose one.
There isn't a real preference.
But it's going to keep following one until it hits a dead end.
And when it hits a dead end, depth first search
effectively goes back to the last decision point
and tries the other path.
Fully exhausting this entire path and when
it realizes that, OK, the goal is not here,
then it turns its attention to this path.
It goes as deep as possible.
When it hits a dead end, it backs up and then tries this other path,
keeps going as deep as possible down one particular path,
and when it realizes that that's a dead end, then it'll back up.
And then ultimately find its way to the goal.
And maybe you got lucky and maybe you made a different choice earlier on,
but ultimately this is how depth first search is going to work.
It's going to keep following until it hits a dead end.

German: 
 um B über eine Abfolge von Aktionen zu positionieren, wo diese Aktionen übrig bleiben, 
 richtig, rauf und runter. 
 Was macht die Tiefensuche in diesem Fall? 
 Die erste Suche in der Tiefe folgt nur einem Pfad. 
 Wenn es eine Weggabelung erreicht, an der es mehrere verschiedene Optionen gibt, 
 Bei der Tiefensuche wird in diesem Fall nur eine ausgewählt. 
 Es gibt keine wirkliche Präferenz. 
 Aber es wird so lange folgen, bis es in eine Sackgasse gerät. 
 Und wenn es in eine Sackgasse gerät, suchen Sie zuerst in der Tiefe 
 geht effektiv auf den letzten Entscheidungspunkt zurück 
 und versucht den anderen Weg. 
 Diesen ganzen Weg voll ausschöpfen und wann 
 es erkennt, dass, OK, das Ziel nicht hier ist, 
 dann richtet es seine Aufmerksamkeit auf diesen Weg. 
 Es geht so tief wie möglich. 
 Wenn es in eine Sackgasse gerät, sichert es sich und versucht dann diesen anderen Weg. 
 geht so tief wie möglich einen bestimmten Weg entlang, 
 und wenn es erkennt, dass das eine Sackgasse ist, wird es sichern. 
 Und dann letztendlich den Weg zum Ziel finden. 
 Und vielleicht hast du Glück gehabt und vielleicht hast du früher eine andere Wahl getroffen, 
 Aber letztendlich wird die Tiefensuche auf diese Weise funktionieren. 
 Es wird weiter folgen, bis es eine Sackgasse erreicht. 

Portuguese: 
 para posicionar B através de uma sequência de ações, onde essas ações são deixadas, 
 direita, para cima e para baixo. 
 O que a pesquisa em profundidade fará neste caso? 
 Bem, a primeira pesquisa em profundidade seguirá apenas um caminho. 
 Se atingir uma bifurcação na estrada, onde há várias opções diferentes, 
 a primeira pesquisa de profundidade é apenas, neste caso, indo escolher uma. 
 Não há uma preferência real. 
 Mas continuará seguindo um até atingir um beco sem saída. 
 E quando chega a um beco sem saída, busca primeiro a profundidade 
 efetivamente remonta ao último ponto de decisão 
 e tenta o outro caminho. 
 Esgotar completamente todo esse caminho e quando 
 percebe que, ok, o objetivo não está aqui, 
 então ele volta sua atenção para esse caminho. 
 É o mais profundo possível. 
 Quando atinge um beco sem saída, ele faz o backup e tenta esse outro caminho, 
 continua indo o mais fundo possível por um caminho específico, 
 e quando perceber que esse é um beco sem saída, ele voltará. 
 E, finalmente, encontre o caminho para a meta. 
 E talvez você tenha tido sorte e talvez tenha feito uma escolha diferente no início, 
 mas, finalmente, é assim que a primeira pesquisa de profundidade vai funcionar. 
 Vai continuar seguindo até chegar a um beco sem saída. 

Russian: 
 в положение B с помощью некоторой последовательности действий, где эти действия оставлены, 
 вправо, вверх и вниз. 
 Что будет делать поиск в глубину в этом случае? 
 Ну а поиск в глубину будет идти только по одному пути. 
 Если он достигает развилки на дороге, где у него есть несколько различных вариантов, 
 Поиск в глубину только в этом случае собирается выбрать один. 
 Нет реальных предпочтений. 
 Но он будет продолжать следовать за тем, пока не окажется в тупике. 
 И когда он попадает в тупик, поиск в глубину 
 эффективно возвращается к последней точке принятия решения 
 и пробует другой путь. 
 Полностью изнурительный весь этот путь и когда 
 он понимает, что цель не здесь, 
 затем он обращает свое внимание на этот путь. 
 Это идет как можно глубже. 
 Когда он попадает в тупик, он выполняет резервное копирование, а затем пытается этот другой путь, 
 продолжает идти как можно глубже по одному конкретному пути, 
 и когда он поймет, что это тупик, тогда он отступит. 
 И тогда в конечном итоге найти свой путь к цели. 
 И, может быть, вам повезло, и, возможно, вы сделали другой выбор раньше, 
 но в конечном итоге именно так и будет работать поиск в глубину. 
 Он будет продолжать следовать, пока не окажется в тупике. 

French: 
 pour positionner B via une séquence d'actions, où ces actions sont laissées, 
 à droite, en haut et en bas. 
 Que fera la recherche en profondeur en premier dans ce cas? 
 Eh bien, la première recherche approfondie ne suivra qu'un chemin. 
 S'il atteint un embranchement sur la route où il a plusieurs options différentes, 
 profondeur première recherche est juste, dans ce cas, va en choisir un. 
 Il n'y a pas vraiment de préférence. 
 Mais il va continuer à en suivre un jusqu'à ce qu'il atteigne une impasse. 
 Et quand il aboutit à une impasse, la première recherche en profondeur 
 remonte effectivement au dernier point de décision 
 et essaie l'autre chemin. 
 Épuisant complètement tout ce chemin et quand 
 il se rend compte que, OK, le but n'est pas là, 
 puis il tourne son attention vers ce chemin. 
 Cela va aussi loin que possible. 
 Quand il frappe une impasse, il sauvegarde puis essaie cet autre chemin, 
 continue d'aller aussi loin que possible sur un chemin particulier, 
 et quand il se rend compte que c'est une impasse, alors il va sauvegarder. 
 Et puis finalement trouver son chemin vers le but. 
 Et peut-être que vous avez eu de la chance et peut-être avez-vous fait un choix différent plus tôt, 
 mais en fin de compte, c'est ainsi que la recherche en profondeur va fonctionner. 
 Il va continuer à suivre jusqu'à ce qu'il atteigne une impasse. 

Korean: 
 일련의 작업을 통해 B를 배치하고 해당 작업이 남아있는 경우 
 오른쪽 위, 아래로. 
 이 경우 심도 우선 검색은 무엇을합니까? 
 깊이 우선 검색은 한 경로 만 따릅니다. 
 여러 옵션이있는 도로에서 분기점에 도달하면 
 이 경우 깊이 첫 번째 검색은 하나를 선택하는 것입니다. 
 실제 환경 설정은 없습니다. 
 그러나 막 다른 길에 닿을 때까지 계속 따라갈 것입니다. 
 그리고 막 다른 골목에 도달했을 때, 깊이 우선 검색 
 효과적으로 마지막 결정 지점으로 돌아갑니다 
 다른 길을 시도합니다. 
 이 전체 경로를 완전히 소진하고 언제 
 목표는 여기에 없습니다. 
 그런 다음이 경로에주의를 돌립니다. 
 가능한 한 깊이갑니다. 
 막 다른 골목에 도달하면 백업 된 다음 다른 경로를 시도합니다. 
 특정 경로를 따라 가능한 한 깊게 계속 진행합니다. 
 그것이 막 다른 골목임을 깨달았을 때 다시 백업 될 것입니다. 
 그리고 궁극적으로 목표를 향한 길을 찾습니다. 
 운이 좋았을 수도 있고 이전에 다른 선택을했을 수도 있습니다. 
 그러나 궁극적으로 이것은 첫 번째 깊이 검색이 작동하는 방식입니다. 
 막 다른 길에 닿을 때까지 계속 따라갈 것입니다. 

Dutch: 
 naar positie B via een reeks acties, waar die acties overblijven, 
 rechts, omhoog en omlaag. 
 Wat zal in dit geval de eerste zoekdiepte doen? 
 De eerste zoekactie in de diepte zal slechts één pad volgen. 
 Als het een splitsing in de weg bereikt waar het meerdere verschillende opties heeft, 
 diepte eerste zoekopdracht is, in dit geval, er een kiezen. 
 Er is geen echte voorkeur. 
 Maar het blijft er een volgen totdat het een doodlopende weg raakt. 
 En als het een doodlopende weg raakt, zoek dan eerst naar diepte 
 gaat in feite terug naar het laatste beslissingspunt 
 en probeert het andere pad. 
 Dit hele pad volledig uitputten en wanneer 
 het beseft dat, oké, het doel niet hier is, 
 dan richt het zijn aandacht op dit pad. 
 Het gaat zo diep mogelijk. 
 Wanneer het een doodlopende weg raakt, maakt het een back-up en probeert het vervolgens dit andere pad, 
 blijft zo diep mogelijk een bepaald pad volgen, 
 en wanneer het beseft dat dat een doodlopende weg is, zal het een back-up maken. 
 En dan uiteindelijk zijn weg naar het doel vinden. 
 En misschien heb je geluk gehad en misschien heb je eerder een andere keuze gemaakt, 
 maar uiteindelijk is dit hoe diepte eerste zoekopdracht gaat werken. 
 Het blijft volgen totdat het een doodlopende weg raakt. 

Arabic: 
 لوضع B عبر بعض تسلسل الإجراءات ، حيث يتم ترك هذه الإجراءات ، 
 الحق ، صعودا وهبوطا. 
 ماذا سيفعل البحث الأول في هذه الحالة؟ 
 حسنًا ، سيتبع البحث الأول بعمق واحد مسار واحد. 
 إذا وصلت إلى مفترق طرق حيث لديها العديد من الخيارات المختلفة ، 
 عمق البحث الأول هو فقط ، في هذه الحالة ، سيختار واحدًا. 
 ليس هناك تفضيل حقيقي. 
 لكنها ستستمر في متابعة واحدة حتى تصل إلى طريق مسدود. 
 وعندما يصل إلى طريق مسدود ، قم بالبحث أولاً بعمق 
 يعود بشكل فعال إلى آخر نقطة قرار 
 ويحاول المسار الآخر. 
 استنفاد هذا المسار بالكامل ومتى 
 تدرك أن الهدف ليس هنا 
 ثم تلفت انتباهها إلى هذا المسار. 
 يذهب عميقا قدر الإمكان. 
 عندما يصل إلى طريق مسدود ، فإنه يتراجع ثم يحاول هذا المسار الآخر ، 
 يستمر في التعمق قدر الإمكان في مسار معين ، 
 وعندما يدرك أن هذا طريق مسدود ، فسوف يعود. 
 ثم يجد طريقه في النهاية إلى الهدف. 
 وربما كنت محظوظًا وربما اتخذت خيارًا مختلفًا في وقت سابق ، 
 ولكن في النهاية هذه هي الطريقة التي سيعمل بها البحث الأول. 
 سوف تستمر في المتابعة حتى تصل إلى طريق مسدود. 

Chinese: 
通过一些动作序列将位置B保留在其中， 
对，上下。 
在这种情况下，深度优先搜索会做什么？ 
深度优先搜索将仅遵循一条路径。 
如果到达道路上有多个不同选项的岔路口， 
在这种情况下，深度优先搜索只是选择一个。 
没有真正的偏爱。 
但是它将一直跟踪直到死角。 
当遇到死胡同时，深度优先搜索
有效地回到最后一个决策点
然后尝试另一条路。 
完全耗尽整个路径，以及何时
它意识到，好吧，目标不在这里， 
然后将注意力转向这条道路。 
它越深越好。 
遇到死胡同时，它会备份，然后尝试另一条路径， 
沿着一条特定的道路尽可能地深入， 
当它意识到那是一个死胡同时，它就会备份。 
然后最终找到通往目标的途径。 
也许您很幸运，也许您之前做了其他选择， 
但最终，这就是深度优先搜索将如何工作的方式。 
它会一直追随直到死胡同。 

Chinese: 
通過一些動作序列將位置B保留在其中， 
對，上下。 
在這種情況下，深度優先搜索會做什麼？ 
深度優先搜索將僅遵循一條路徑。 
如果到達道路上有多個不同選項的岔路口， 
在這種情況下，深度優先搜索只是選擇一個。 
沒有真正的偏愛。 
但是它將一直跟踪直到死角。 
當遇到死胡同時，深度優先搜索
有效地回到最後一個決策點
然後嘗試另一條路。 
完全耗盡整個路徑，以及何時
它意識到，好吧，目標不在這裡， 
然後將注意力轉向這條道路。 
它越深越好。 
遇到死胡同時，它會備份，然後嘗試另一條路徑， 
沿著一條特定的道路盡可能地深入， 
當它意識到那是一個死胡同時，它就會備份。 
然後最終找到通往目標的途徑。 
也許您很幸運，也許您之前做了其他選擇， 
但最終，這就是深度優先搜索將如何工作的方式。 
它會一直追隨直到死胡同。 

Italian: 
 posizionare B tramite una sequenza di azioni, in cui tali azioni sono lasciate, 
 a destra, su e giù. 
 Cosa farà la prima ricerca approfondita in questo caso? 
 Bene, la prima ricerca approfondita seguirà solo un percorso. 
 Se raggiunge un bivio sulla strada dove ha più opzioni diverse, 
 la prima ricerca approfondita è solo, in questo caso, la scelta. 
 Non c'è una vera preferenza. 
 Ma continuerà a seguirne uno fino a quando non raggiunge un vicolo cieco. 
 E quando raggiunge un vicolo cieco, approfondisci prima ricerca 
 risale efficacemente all'ultimo punto decisionale 
 e prova l'altro percorso. 
 Esaurendo completamente l'intero percorso e quando 
 si rende conto che, OK, l'obiettivo non è qui, 
 quindi rivolge la sua attenzione a questo percorso. 
 Va il più in profondità possibile. 
 Quando raggiunge un vicolo cieco, esegue il backup e quindi prova questo altro percorso, 
 continua ad andare il più in profondità possibile lungo un particolare percorso, 
 e quando si rende conto che è un vicolo cieco, allora eseguirà il backup. 
 E poi alla fine trova la sua strada verso l'obiettivo. 
 E forse sei stato fortunato e forse hai fatto una scelta diversa prima, 
 ma alla fine è così che funzionerà la prima ricerca approfondita. 
 Continuerà a seguire fino a quando non raggiunge un vicolo cieco. 

Modern Greek (1453-): 
 στη θέση Β μέσω ορισμένης ακολουθίας ενεργειών, όπου απομένουν αυτές οι ενέργειες, 
 δεξιά, πάνω και κάτω. 
 Τι θα κάνει η πρώτη αναζήτηση σε βάθος σε αυτήν την περίπτωση; 
 Η πρώτη αναζήτηση σε βάθος θα ακολουθήσει μόνο ένα μονοπάτι. 
 Εάν φτάσει σε ένα πιρούνι στο δρόμο όπου έχει πολλές διαφορετικές επιλογές, 
 Η πρώτη αναζήτηση βάθους είναι ακριβώς, σε αυτήν την περίπτωση, θα επιλέξει μία. 
 Δεν υπάρχει πραγματική προτίμηση. 
 Αλλά θα συνεχίσει να ακολουθεί μέχρι να φτάσει σε αδιέξοδο. 
 Και όταν φτάσει σε αδιέξοδο, βάλετε την πρώτη αναζήτηση 
 ουσιαστικά επιστρέφει στο τελευταίο σημείο απόφασης 
 και δοκιμάζει το άλλο μονοπάτι. 
 Πλήρης εξάντληση ολόκληρου του μονοπατιού και πότε 
 συνειδητοποιεί ότι, ΟΚ, ο στόχος δεν είναι εδώ, 
 τότε στρέφει την προσοχή του σε αυτό το μονοπάτι. 
 Πηγαίνει όσο το δυνατόν πιο βαθιά. 
 Όταν φτάσει σε αδιέξοδο, δημιουργεί αντίγραφα ασφαλείας και μετά δοκιμάζει αυτό το άλλο μονοπάτι, 
 συνεχίζει όσο πιο βαθιά γίνεται σε ένα συγκεκριμένο μονοπάτι, 
 και όταν συνειδητοποιήσει ότι αυτό είναι αδιέξοδο, τότε θα δημιουργήσει αντίγραφα ασφαλείας. 
 Και, στη συνέχεια, βρείτε τον δρόμο προς τον στόχο. 
 Και ίσως ήσασταν τυχεροί και ίσως κάνατε μια διαφορετική επιλογή νωρίτερα, 
 αλλά τελικά αυτό είναι το βάθος της πρώτης αναζήτησης. 
 Θα συνεχίσει να ακολουθεί μέχρι να φτάσει σε αδιέξοδο. 

Spanish: 
 para posicionar B a través de alguna secuencia de acciones, donde se dejan esas acciones, 
 derecha, arriba y abajo. 
 ¿Qué hará la primera búsqueda en profundidad en este caso? 
 La primera búsqueda en profundidad solo seguirá un camino. 
 Si llega a una bifurcación en el camino donde tiene múltiples opciones diferentes, 
 la primera búsqueda en profundidad es solo, en este caso, elegir una. 
 No hay una preferencia real. 
 Pero seguirá siguiendo uno hasta que llegue a un callejón sin salida. 
 Y cuando llega a un callejón sin salida, primero busca en profundidad 
 efectivamente vuelve al último punto de decisión 
 e intenta el otro camino. 
 Agotando completamente todo este camino y cuando 
 se da cuenta de que, OK, el objetivo no está aquí, 
 entonces dirige su atención a este camino. 
 Es lo más profundo posible. 
 Cuando llega a un callejón sin salida, retrocede y luego intenta este otro camino, 
 sigue yendo lo más profundo posible por un camino en particular, 
 y cuando se da cuenta de que es un callejón sin salida, entonces retrocederá. 
 Y luego finalmente encuentra su camino hacia la meta. 
 Y tal vez tuviste suerte y tal vez hiciste una elección diferente anteriormente, 
 pero en última instancia, así es como va a funcionar la primera búsqueda en profundidad. 
 Seguirá siguiéndolo hasta que llegue a un callejón sin salida. 

Turkish: 
 Ve çıkmaz bir yere çarptığında, yedeklenir ve farklı bir çözüm arar. 
 Ve böylece makul bir şekilde sorabileceğiniz bir şey 
 , bu algoritma her zaman işe yarayacak mı? 
 Başlangıçtaki durumdan hedefe ulaşmak için her zaman bir yol bulacak mı? 
 Ve labirentimiz olduğu sürece 
 sonludur, 
 seyahat edebiliriz, sonra evet. 
 Derinlik ilk arama bir çözüm bulacaktır çünkü sonunda 
 sadece her şeyi keşfedecek. 
 Labirent sonsuz olursa ve sonsuz bir durum alanı varsa, 
 bazı problem türlerinde var, o zaman biraz farklı bir hikaye. 
 Ancak labirentimizde son derece fazla kare olduğu sürece, 
 bir çözüm bulacağız. 
 Yine de, sormak istediğimiz bir sonraki soru 
 iyi bir çözüm olacak mı? 
 Bulabileceğimiz en uygun çözüm mü? 
 Ve cevabın mutlaka olması gerekmez. 
 Ve bunun bir örneğine bakalım. 
 Örneğin, bu labirentte yine A'dan B'ye doğru yolumuzu bulmaya çalışıyoruz. 
 Burada çok sayıda olası çözüm olduğunu fark ettiniz. 
 Bu şekilde gidebiliriz ya da sırayla yükselebiliriz 
 Şimdi şanslıysak, 

Chinese: 
当遇到死胡同时，它会备份并寻找其他解决方案。 
因此，您可能会合理地问一件事
是，此算法是否始终有效？ 
它会真正找到从初始状态到目标的方法吗？ 
事实证明，只要我们迷宫
是有限的，只要它们是
我们可以旅行，然后是。 
深度优先搜索将找到解决方案，因为最终
只会探索一切。 
如果迷宫碰巧是无限的，并且存在无限的状态空间， 
确实存在某些类型的问题，那么情况就略有不同。 
但是只要我们的迷宫有有限的正方形， 
我们将找到解决方案。 
不过，我们要问的下一个问题
是，这将是一个好的解决方案吗？ 
是我们可以找到的最佳解决方案吗？ 
而且答案不一定是。 
让我们看一个例子。 
例如，在这个迷宫中，我们再次试图找到从A到B的方式。 
您会注意到这里有多种可能的解决方案。 
我们可以这样走，也可以按顺序走
从A到B。现在如果我们很幸运， 

Indonesian: 
 Dan ketika itu menemui jalan buntu, ia mundur dan mencari solusi yang berbeda. 
 Dan satu hal yang mungkin Anda tanyakan secara wajar 
 Apakah algoritma ini selalu berfungsi? 
 Apakah selalu benar-benar menemukan cara untuk mendapatkan dari keadaan awal ke tujuan? 
 Dan ternyata itu selama labirin kita 
 terbatas, selama mereka masih banyak ruang di mana 
 kita bisa bepergian, lalu ya. 
 Tingkatan pencarian pertama akan menemukan solusi karena pada akhirnya itu 
 hanya akan mengeksplorasi segalanya. 
 Jika labirin kebetulan tak terbatas dan ada ruang keadaan tak terbatas, yang 
 memang ada dalam jenis masalah tertentu, maka ceritanya sedikit berbeda. 
 Tapi selama labirin kita memiliki banyak kotak, 
 kita akan menemukan solusinya. 
 Namun, pertanyaan selanjutnya yang ingin kami tanyakan 
 apakah ini akan menjadi solusi yang baik? 
 Apakah ini solusi optimal yang bisa kita temukan? 
 Dan jawabannya belum tentu ada. 
 Dan mari kita lihat contohnya. 
 Dalam labirin ini, misalnya, kami kembali mencoba menemukan jalan dari A ke B. 
 Dan Anda perhatikan di sini ada beberapa solusi yang mungkin. 
 Kita bisa pergi ke sini, atau kita bisa naik berurutan 
 untuk berjalan dari A ke B. Sekarang jika kita beruntung, 

Modern Greek (1453-): 
 Και όταν φτάσει σε αδιέξοδο, δημιουργεί αντίγραφα ασφαλείας και αναζητά μια διαφορετική λύση. 
 Και λοιπόν ένα πράγμα που μπορείτε λογικά να ρωτήσετε 
 είναι, αυτός ο αλγόριθμος θα λειτουργεί πάντα; 
 Θα βρει πάντα έναν τρόπο να φτάσει από την αρχική κατάσταση στον στόχο; 
 Και αποδεικνύεται ότι όσο ο λαβύρινθος μας 
 είναι πεπερασμένο, αρκεί να είναι πολλοί χώροι όπου 
 μπορούμε να ταξιδέψουμε, τότε ναι. 
 Η πρώτη αναζήτηση βάθους πρόκειται να βρει μια λύση γιατί τελικά είναι 
 θα εξερευνήσουν τα πάντα. 
 Εάν ο λαβύρινθος τυχαίνει να είναι άπειρος και υπάρχει ένας χώρος απεριόριστης κατάστασης, ο οποίος 
 υπάρχει σε συγκεκριμένους τύπους προβλημάτων, τότε είναι μια ελαφρώς διαφορετική ιστορία. 
 Αλλά όσο ο λαβύρινθος μας έχει πολλά τετράγωνα, 
 θα βρούμε μια λύση. 
 Η επόμενη ερώτηση, ωστόσο, που θέλουμε να θέσουμε 
 είναι, πρόκειται να είναι μια καλή λύση; 
 Είναι η βέλτιστη λύση που μπορούμε να βρούμε; 
 Και η απάντηση δεν υπάρχει απαραίτητα. 
 Ας ρίξουμε μια ματιά σε ένα παράδειγμα αυτού. 
 Σε αυτόν τον λαβύρινθο, για παράδειγμα, προσπαθούμε ξανά να βρούμε το δρόμο μας από το Α στο Β. 
 Και παρατηρείτε ότι υπάρχουν πολλές πιθανές λύσεις. 
 Θα μπορούσαμε να πάμε με αυτόν τον τρόπο, ή θα μπορούσαμε να ανεβούμε στη σειρά 
 να προχωρήσουμε από το Α στο Β. Τώρα αν είμαστε τυχεροί, 

Hindi: 
 और जब यह एक मृत अंत से टकराता है, तो यह पीछे हट जाता है और एक अलग समाधान की तलाश करता है। 
 और इसलिए एक बात आप यथोचित पूछ सकते हैं 
 क्या, यह एल्गोरिथम हमेशा काम करने वाला है? 
 क्या यह वास्तव में प्रारंभिक अवस्था से लक्ष्य तक पहुंचने का रास्ता खोजेगा? 
 और यह पता चला है कि जब तक हमारी भूलभुलैया है 
 परिमित है, जब तक कि वे बारीक रूप से कई स्थानों पर हैं 
 हम यात्रा कर सकते हैं, फिर हाँ। 
 गहराई पहली खोज एक समाधान खोजने जा रही है क्योंकि अंततः यह 
 बस सब कुछ का पता लगाने जाएगा। 
 यदि भूलभुलैया अनंत होती है और एक अनंत स्थिति होती है, जो 
 कुछ प्रकार की समस्याओं में मौजूद है, तो यह एक अलग कहानी है। 
 लेकिन जब तक हमारे भूलभुलैया में बहुत से वर्ग हैं, 
 हम एक समाधान खोजने जा रहे हैं। 
 अगला सवाल, हालांकि, हम पूछना चाहते हैं 
 है, यह एक अच्छा समाधान होने जा रहा है? 
 क्या यह इष्टतम समाधान है जिसे हम पा सकते हैं? 
 और वहां का जवाब जरूरी नहीं है। 
 और चलिए एक उदाहरण देखते हैं। 
 इस भूलभुलैया में, उदाहरण के लिए, हम फिर से ए से बी तक अपना रास्ता खोजने की कोशिश कर रहे हैं। 
 और आप यहाँ नोटिस करते हैं कि कई संभावित समाधान हैं। 
 हम इस तरह से जा सकते हैं, या हम क्रम में ऊपर जा सकते हैं 
 यदि हम भाग्यशाली हैं तो A से B तक अपना रास्ता बनाने के लिए, 

Arabic: 
 وعندما يصل إلى طريق مسدود ، فإنه يتراجع ويبحث عن حل مختلف. 
 لذلك قد تسأل شيئًا معقولًا 
 هل ستعمل هذه الخوارزمية دائمًا؟ 
 هل سيجد دائمًا طريقة للانتقال من الحالة الأولية إلى الهدف؟ 
 وتبين أنه طالما متاهاتنا 
 غير محدودة ، طالما أنها مساحات كثيرة بلا حدود حيث 
 يمكننا السفر ، ثم نعم. 
 البحث الأول العمق سيجد حلاً لأنه في النهاية 
 سوف يكتشف كل شيء. 
 إذا تصادف أن تكون المتاهة لانهائية وهناك مساحة دولة لانهائية ، وهو 
 موجودة في أنواع معينة من المشاكل ، فهي قصة مختلفة قليلاً. 
 ولكن طالما أن متاهتنا تحتوي على العديد من المربعات 
 سنجد حلاً. 
 السؤال التالي ، مع ذلك ، الذي نريد طرحه 
 هل سيكون حلاً جيدًا؟ 
 هل هو الحل الأمثل الذي يمكننا العثور عليه؟ 
 والجواب ليس بالضرورة. 
 ودعنا نلقي نظرة على مثال على ذلك. 
 في هذه المتاهة ، على سبيل المثال ، نحاول مرة أخرى أن نجد طريقنا من أ إلى ب. 
 ولاحظت هنا أن هناك العديد من الحلول الممكنة. 
 يمكننا أن نذهب بهذه الطريقة ، أو يمكننا أن نرتفع بالترتيب 
 لشق طريقنا من A إلى B. الآن إذا كنا محظوظين ، 

Spanish: 
 Y cuando llega a un callejón sin salida, retrocede y busca una solución diferente. 
 Y entonces, una cosa que razonablemente podrías preguntar 
 es decir, ¿este algoritmo siempre va a funcionar? 
 ¿Siempre encontrará una manera de llegar del estado inicial a la meta? 
 Y resulta que mientras nuestro laberinto 
 es finito, siempre y cuando sean esos espacios finitos donde 
 podemos viajar, entonces sí. 
 La primera búsqueda en profundidad va a encontrar una solución porque eventualmente 
 simplemente explorará todo. 
 Si el laberinto es infinito y hay un espacio de estado infinito, que 
 existe en ciertos tipos de problemas, entonces es una historia ligeramente diferente. 
 Pero mientras nuestro laberinto tenga finitamente muchos cuadrados, 
 Vamos a encontrar una solución. 
 Sin embargo, la siguiente pregunta que queremos hacer 
 es, ¿será una buena solución? 
 ¿Es la solución óptima que podemos encontrar? 
 Y la respuesta allí no es necesariamente. 
 Y echemos un vistazo a un ejemplo de eso. 
 En este laberinto, por ejemplo, nuevamente estamos tratando de encontrar nuestro camino de A a B. 
 Y se da cuenta de que aquí hay múltiples soluciones posibles. 
 Podríamos ir por este camino, o podríamos subir en orden 
 para pasar de A a B. Ahora, si tenemos suerte, 

Chinese: 
當遇到死胡同時，它會備份並尋找其他解決方案。 
因此，您可能會合理地問一件事
是，此算法是否始終有效？ 
它會真正找到從初始狀態到目標的方法嗎？ 
事實證明，只要我們迷宮
是有限的，只要它們是
我們可以旅行，然後是。 
深度優先搜索將找到解決方案，因為最終
只會探索一切。 
如果迷宮碰巧是無限的，並且存在無限的狀態空間， 
確實存在某些類型的問題，那麼情況就略有不同。 
但是只要我們的迷宮有有限的正方形， 
我們將找到解決方案。 
不過，我們要問的下一個問題
是，這將是一個好的解決方案嗎？ 
是我們可以找到的最佳解決方案嗎？ 
而且答案不一定是。 
讓我們看一個例子。 
例如，在這個迷宮中，我們再次試圖找到從A到B的方式。 
您會注意到這裡有多種可能的解決方案。 
我們可以這樣走，也可以按順序走
從A到B。現在如果我們很幸運， 

Russian: 
 И когда он попадает в тупик, он резервируется и ищет другое решение. 
 И вот одна вещь, которую вы могли бы разумно спросить 
 есть, этот алгоритм всегда будет работать? 
 Всегда ли найдется способ добраться из исходного состояния к цели? 
 И получается, что пока наш лабиринт 
 конечно, если они, что конечное число пространств, где 
 мы можем путешествовать, тогда да. 
 Поиск в глубину сначала найдет решение, потому что в конечном итоге 
 буду просто исследовать все. 
 Если лабиринт оказывается бесконечным и существует бесконечное пространство состояний, которое 
 существует в определенных типах проблем, тогда это немного другая история. 
 Но пока в нашем лабиринте конечное число квадратов, 
 мы собираемся найти решение. 
 Следующий вопрос, который мы хотим задать 
 это будет хорошее решение? 
 Это оптимальное решение, которое мы можем найти? 
 И ответ там не обязательно. 
 И давайте посмотрим на пример этого. 
 В этом лабиринте, например, мы снова пытаемся найти путь от А до Б. 
 И вы заметите, здесь есть несколько возможных решений. 
 Мы могли бы пойти по этому пути, или мы могли бы пойти в порядок 
 чтобы пройти путь от А до Б. Теперь, если нам повезет, 

Korean: 
 또한 막 다른 골목에 도달하면 백업되어 다른 솔루션을 찾습니다. 
 그리고 합리적으로 물어볼 수있는 한 가지는 
 이 알고리즘은 항상 작동합니까? 
 실제로 항상 초기 상태에서 목표에 이르는 방법을 찾을 수 있습니까? 
 그리고 우리의 미로가있는 한 
 그들이 아주 많은 공간 인 한, 유한합니다. 
 우리는 여행 할 수 있습니다. 
 깊이 첫 번째 검색은 결국 솔루션을 찾을 것입니다. 
 모든 것을 탐구 할 것입니다. 
 미로가 무한대이고 무한 상태 공간이 있다면, 
 특정 유형의 문제에는 존재하지만 약간 다른 이야기입니다. 
 그러나 우리의 미로에 무한히 많은 사각형이 있다면 
 우리는 해결책을 찾을 것입니다. 
 그러나 우리가 묻고 싶은 다음 질문은 
 좋은 해결책이 될 것입니까? 
 우리가 찾을 수있는 최적의 솔루션입니까? 
 대답이 반드시있는 것은 아닙니다. 
 그 예를 살펴 보겠습니다. 
 예를 들어,이 미로에서는 A에서 B로가는 길을 다시 찾고 있습니다. 
 그리고 여기에는 여러 가지 가능한 솔루션이 있습니다. 
 우리는 이런 식으로 가거나 순서대로 올라갈 수 있습니다. 
 운이 좋으면 A부터 B까지 

German: 
 Und wenn es in eine Sackgasse gerät, sichert es sich und sucht nach einer anderen Lösung. 
 Und so könnte man eine Sache vernünftigerweise fragen 
 Wird dieser Algorithmus immer funktionieren? 
 Wird es tatsächlich immer einen Weg finden, vom Ausgangszustand zum Ziel zu gelangen? 
 Und es stellt sich heraus, dass solange unser Labyrinth 
 ist endlich, solange es so viele Räume gibt, in denen 
 wir können reisen, dann ja. 
 Tiefe erste Suche wird eine Lösung finden, weil schließlich 
 werde einfach alles erkunden. 
 Wenn das Labyrinth unendlich ist und es einen unendlichen Zustandsraum gibt, welcher 
 gibt es bei bestimmten Arten von Problemen, dann ist es eine etwas andere Geschichte. 
 Aber solange unser Labyrinth endlich viele Quadrate hat, 
 Wir werden eine Lösung finden. 
 Die nächste Frage, die wir stellen möchten 
 ist, wird es eine gute Lösung sein? 
 Ist es die optimale Lösung, die wir finden können? 
 Und die Antwort gibt es nicht unbedingt. 
 Schauen wir uns ein Beispiel dafür an. 
 In diesem Labyrinth versuchen wir zum Beispiel erneut, den Weg von A nach B zu finden. 
 Und Sie bemerken hier, dass es mehrere mögliche Lösungen gibt. 
 Wir könnten diesen Weg gehen, oder wir könnten in Ordnung gehen 
 um unseren Weg von A nach B zu machen. Wenn wir Glück haben, 

Dutch: 
 En als het een doodlopende weg raakt, maakt het een back-up en zoekt het naar een andere oplossing. 
 En dus één ding dat je redelijkerwijs zou kunnen vragen 
 gaat dit algoritme altijd werken? 
 Zal het altijd een manier vinden om van de oorspronkelijke staat naar het doel te komen? 
 En het blijkt dat zolang ons doolhof 
 is eindig, zolang het maar eindig veel ruimtes zijn waar 
 we kunnen reizen, dan ja. 
 Diepte eerst zoeken gaat een oplossing vinden, want uiteindelijk 
 zal gewoon alles verkennen. 
 Als het doolhof oneindig is en er is een oneindige toestandsruimte, welke 
 bestaat bij bepaalde soorten problemen, dan is het een iets ander verhaal. 
 Maar zolang ons doolhof eindig veel vierkanten heeft, 
 we gaan een oplossing vinden. 
 Maar de volgende vraag die we willen stellen 
 is het een goede oplossing? 
 Is het de optimale oplossing die we kunnen vinden? 
 En het antwoord is er niet per se. 
 En laten we een voorbeeld hiervan bekijken. 
 In dit doolhof proberen we bijvoorbeeld weer onze weg te vinden van A naar B. 
 En je merkt hier dat er meerdere mogelijke oplossingen zijn. 
 We kunnen deze kant opgaan, of we kunnen omhoog gaan in volgorde 
 om van A naar B te komen. Als we geluk hebben, 

Italian: 
 E quando raggiunge un vicolo cieco, esegue il backup e cerca una soluzione diversa. 
 E quindi una cosa che potresti ragionevolmente chiedere 
 è, questo algoritmo funzionerà sempre? 
 Troverà sempre un modo per passare dallo stato iniziale all'obiettivo? 
 E si scopre che fintanto che il nostro labirinto 
 è finito, purché siano quei tanti spazi dove 
 possiamo viaggiare, quindi sì. 
 La prima ricerca di profondità troverà una soluzione perché alla fine essa 
 esplorerò semplicemente tutto. 
 Se il labirinto sembra essere infinito e c'è uno spazio infinito, quale 
 esiste in alcuni tipi di problemi, quindi è una storia leggermente diversa. 
 Ma finché il nostro labirinto ha finitamente molti quadrati, 
 troveremo una soluzione. 
 La prossima domanda, tuttavia, che vogliamo porre 
 è, sarà una buona soluzione? 
 È la soluzione ottimale che possiamo trovare? 
 E la risposta non c'è necessariamente. 
 E diamo un'occhiata a un esempio di ciò. 
 In questo labirinto, per esempio, stiamo di nuovo cercando di trovare la nostra strada dalla A alla B. 
 E noti che ci sono più soluzioni possibili. 
 Potremmo andare da questa parte, oppure potremmo salire in ordine 
 per passare da A a B. Ora se siamo fortunati, 

Japanese: 
そして、行き止まりに達すると、バックアップして別のソリューションを探します。 
そして、あなたが合理的に尋ねることがあるかもしれない一つのこと
つまり、このアルゴリズムは常に機能しますか？ 
それは常に初期状態から目標に到達する方法を常に実際に見つけますか？ 
そして、私たちの迷路が
それらが有限で多くのスペースである限り、 
私たちは旅行することができ、そうです。 
深さ優先検索は、最終的には
すべてを探索します。 
迷路が無限であり、無限の状態空間がある場合、 
特定の種類の問題に存在する場合、それは少し異なる話です。 
しかし、私たちの迷路が有限の数の正方形を持っている限り、 
解決策を見つけます。 
ただし、次の質問は
それは良い解決策になるでしょうか？ 
私たちが見つけることができる最適なソリューションですか？ 
そして、答えは必ずしもありません。 
そしてその例を見てみましょう。 
たとえばこの迷路では、AからBへの道を再び見つけようとしています。 
そして、あなたはここで複数の可能な解決策があることに気づきます。 
私たちはこの方法で行くか、または順番に上がることができます
 AからBに進みます。運が良ければ、 

Portuguese: 
 E quando atinge um beco sem saída, ele faz o backup e procura uma solução diferente. 
 E então, uma coisa que você pode razoavelmente perguntar 
 é, esse algoritmo sempre funciona? 
 Será que sempre encontrará realmente uma maneira de passar do estado inicial para a meta? 
 E acontece que, enquanto o nosso labirinto 
 é finito, desde que sejam finitos espaços onde 
 nós podemos viajar, então sim. 
 A primeira pesquisa profunda vai encontrar uma solução porque, eventualmente, 
 vai apenas explorar tudo. 
 Se o labirinto for infinito e houver um espaço de estados infinito, que 
 existe em certos tipos de problemas, então é uma história um pouco diferente. 
 Mas enquanto nosso labirinto tiver muitos quadrados, 
 nós vamos encontrar uma solução. 
 A próxima pergunta, no entanto, que queremos fazer 
 será, será uma boa solução? 
 É a solução ideal que podemos encontrar? 
 E a resposta não é necessariamente. 
 E vamos dar uma olhada em um exemplo disso. 
 Neste labirinto, por exemplo, estamos novamente tentando encontrar o caminho de A a B. 
 E você percebe aqui que existem várias soluções possíveis. 
 Poderíamos ir por esse caminho ou subir em ordem 
 para ir de A a B. Agora, se tivermos sorte, 

English: 
And when it hits a dead end, it backs up and looks for a different solution.
And so one thing you might reasonably ask
is, is this algorithm always going to work?
Will it always actually find a way to get from the initial state to the goal?
And it turns out that as long as our maze
is finite, as long as they're that finitely many spaces where
we can travel, then yes.
Depth first search is going to find a solution because eventually it
will just explore everything.
If the maze happens to be infinite and there's an infinite state space, which
does exist in certain types of problems, then it's a slightly different story.
But as long as our maze has finitely many squares,
we're going to find a solution.
The next question, though, that we want to ask
is, is it going to be a good solution?
Is it the optimal solution that we can find?
And the answer there is not necessarily.
And let's take a look at an example of that.
In this maze, for example, we're again trying to find our way from A to B.
And you notice here there are multiple possible solutions.
We could go this way, or we could go up in order
to make our way from A to B. Now if we're lucky,

French: 
 Et quand il aboutit à une impasse, il recule et cherche une solution différente. 
 Et donc une chose que vous pourriez raisonnablement demander 
 est, cet algorithme va-t-il toujours fonctionner? 
 Sera-t-il toujours réellement capable de passer de l'état initial au but? 
 Et il s'avère que tant que notre labyrinthe 
 est fini, tant qu'ils sont autant d'espaces où 
 on peut voyager, alors oui. 
 La première recherche en profondeur va trouver une solution car finalement elle 
 va juste tout explorer. 
 Si le labyrinthe se trouve être infini et qu'il y a un espace d'état infini, qui 
 existe dans certains types de problèmes, alors c'est une histoire légèrement différente. 
 Mais tant que notre labyrinthe a un nombre fini de carrés, 
 nous allons trouver une solution. 
 La prochaine question, cependant, que nous voulons poser 
 est-ce que ça va être une bonne solution? 
 Est-ce la solution optimale que nous pouvons trouver? 
 Et la réponse n'y est pas nécessairement. 
 Et regardons un exemple de cela. 
 Dans ce labyrinthe, par exemple, nous essayons à nouveau de trouver notre chemin de A à B. 
 Et vous remarquez ici qu'il existe plusieurs solutions possibles. 
 Nous pourrions aller de cette façon, ou nous pourrions monter dans l'ordre 
 pour passer de A à B. Maintenant, si nous avons de la chance, 

Japanese: 
深さ優先検索はこの方法を選択してBに到達します。しかし、理由はありません。 
必然的に、なぜ深さ優先検索が選択するのか
上がるか右に行くか
どちらも任意の決定ポイントのようなものです。 
フロンティアに追加されます。 
そして、結局のところ、運が悪ければ、深さ優先検索
最初にこのパスを探索することを選択するかもしれません
この時点でのランダムな選択。 
探検し、探検し、探検し、最終的には
実際にそこにいるとき、目標、この特定のパスを見つける
より良い道でした。 
より少ないステップを使用するより最適なソリューションがあり、 
ステップ数に基づいてソリューションのコストを測定していると仮定します
私たちが取る必要があること。 
したがって、深さ優先検索は、運が悪いと、最終的には
より良いソリューションが利用可能な場合に最適なソリューションを見つけることができません。 
つまり、DFSの場合は、深さ優先で検索します。 
 BFS、または幅優先検索はどのように比較されますか？ 
この特定の状況ではどのように機能しますか？ 
まあアルゴリズムは視覚的に非常に異なって見えるでしょう
 BFSの探索方法の観点から。 
 BFSはより浅いノードを最初に確認するため、 

Indonesian: 
 pencarian pertama mendalam akan memilih cara ini dan sampai ke B. Tapi tidak ada alasan, 
 tentu saja, mengapa pencarian pertama yang mendalam akan memilih 
 antara naik atau pergi ke kanan. 
 Ini semacam titik keputusan yang sewenang-wenang karena keduanya 
 akan ditambahkan ke perbatasan. 
 Dan akhirnya, jika kita beruntung, cari terlebih dahulu 
 mungkin memilih untuk menjelajahi jalur ini terlebih dahulu karena itu adil 
 pilihan acak pada saat ini. 
 Itu akan mengeksplorasi, mengeksplorasi, mengeksplorasi, dan pada akhirnya akan 
 temukan tujuan, jalan khusus ini, ketika dalam kenyataannya ada 
 adalah jalan yang lebih baik. 
 Ada solusi yang lebih optimal yang menggunakan langkah lebih sedikit, 
 dengan asumsi kita sedang mengukur biaya solusi berdasarkan jumlah langkah 
 yang perlu kita ambil. 
 Jadi pencarian mendalam pertama, jika kita beruntung, mungkin berakhir 
 tidak menemukan solusi terbaik ketika solusi yang lebih baik tersedia. 
 Jadi kalau itu DFS, cari dulu kedalamannya. 
 Bagaimana BFS, atau luasnya pencarian pertama, membandingkan? 
 Bagaimana cara kerjanya dalam situasi khusus ini? 
 Algoritma akan terlihat sangat berbeda secara visual 
 dalam hal bagaimana BFS mengeksplorasi. 
 Karena BFS melihat node dangkal terlebih dahulu, 

Hindi: 
 गहराई से पहली खोज इस तरीके को चुनेगी और बी को मिलेगा लेकिन इसका कोई कारण नहीं है, 
 जरूरी है, पहले खोज में गहराई क्यों चुने 
 ऊपर जाने या दाईं ओर जाने के बीच। 
 यह एक मनमाना निर्णय बिंदु है क्योंकि दोनों 
 फ्रंटियर में जुड़ने जा रहे हैं। 
 और आखिरकार, अगर हम अशुभ हो जाते हैं, तो गहराई पहले खोजें 
 हो सकता है कि पहले इस रास्ते का पता लगाएं क्योंकि यह सिर्फ है 
 इस बिंदु पर एक यादृच्छिक विकल्प। 
 यह खोज, अन्वेषण, अन्वेषण और अंतत: यह होगा 
 लक्ष्य प्राप्त करें, यह विशेष पथ, जब वहाँ वास्तविकता में 
 बेहतर रास्ता था। 
 एक अधिक इष्टतम समाधान था जो कम चरणों का उपयोग करता था, 
 यह मानते हुए कि हम चरणों की संख्या के आधार पर समाधान की लागत को माप रहे हैं 
 हमें लेने की जरूरत है। 
 इतनी गहराई से पहले खोज, अगर हम अशुभ हैं, समाप्त हो सकता है 
 बेहतर समाधान उपलब्ध होने पर सबसे अच्छा समाधान नहीं मिल रहा है। 
 तो अगर यह डीएफएस है, तो पहले खोज को गहराई दें। 
 BFS, या चौड़ाई पहले कैसे खोजती है, तुलना करती है? 
 यह इस विशेष स्थिति में कैसे काम करेगा? 
 वैसे एल्गोरिथ्म बहुत अलग दिखने वाला है 
 कैसे BFS की पड़ताल करता है। 
 क्योंकि BFS पहले उथले नोड्स को देखता है, 

Dutch: 
 diepte eerste zoekactie zal op deze manier kiezen en naar B komen. Maar er is geen reden, 
 noodzakelijkerwijs, waarom diepte eerste zoekopdracht zou kiezen 
 tussen omhoog gaan of naar rechts gaan. 
 Het is een soort willekeurig beslissingspunt omdat beide 
 worden toegevoegd aan de grens. 
 En uiteindelijk, als we pech hebben, moet u eerst diepgaand zoeken 
 kan ervoor kiezen om dit pad eerst te verkennen omdat het gewoon is 
 een willekeurige keuze op dit punt. 
 Het zal verkennen, verkennen, verkennen en het zal uiteindelijk ook gebeuren 
 vind het doel, dit specifieke pad, wanneer in werkelijkheid daar 
 was een beter pad. 
 Er was een meer optimale oplossing die minder stappen gebruikte, 
 ervan uitgaande dat we de kosten van een oplossing meten op basis van het aantal stappen 
 die we moeten nemen. 
 Dus diepgaande eerste zoekopdracht, als we pech hebben, kan eindigen 
 niet de beste oplossing vinden als er een betere oplossing beschikbaar is. 
 Dus als dat DFS is, zoek dan eerst naar diepte. 
 Hoe verhoudt BFS, of breedte eerst zoeken, zich? 
 Hoe zou het in deze specifieke situatie werken? 
 Nou, het algoritme zal er visueel heel anders uitzien 
 in termen van hoe BFS verkent. 
 Omdat BFS eerst naar ondiepere knooppunten kijkt, 

Korean: 
 깊이 우선 검색은이 방법을 선택하고 B로 이동합니다. 그러나 이유는 없습니다. 
 왜 깊이 첫 번째 검색을 선택해야합니까? 
 올라가거나 오른쪽으로 갈 때 
 그것은 임의의 결정 지점의 일종입니다. 
 프론티어에 추가 될 예정입니다. 
 그리고 궁극적으로, 운이 좋지 않으면 깊이있는 첫 검색 
 이 경로를 먼저 탐색하도록 선택할 수 있습니다. 
 이 시점에서 무작위 선택. 
 탐구하고 탐구하고 탐구하며 결국에는 
 실제로있을 때 목표,이 특정 경로를 찾으십시오. 
 더 나은 길이었다. 
 더 적은 단계를 사용하는 더 최적의 솔루션이있었습니다. 
 단계 수에 따라 솔루션 비용을 측정한다고 가정합니다. 
 우리가 가져 가야합니다 
 깊이있는 첫 번째 검색은 운이 좋지 않으면 끝날 수 있습니다. 
 더 나은 솔루션을 사용할 수있을 때 최상의 솔루션을 찾지 못합니다. 
 그것이 DFS라면, 깊이 우선 검색. 
 BFS 또는 광범위한 최초 검색은 어떻게 비교됩니까? 
 이 특정 상황에서 어떻게 작동합니까? 
 알고리즘은 시각적으로 매우 다르게 보일 것입니다 
 BFS가 어떻게 탐색하는지에 대한 
 BFS는 가장 얕은 노드를 먼저 살펴보기 때문에 

Russian: 
 поиск в глубину выберет этот путь и доберется до B. Но нет никаких причин, 
 обязательно, почему глубину первого поиска выбрал бы 
 между подъемом или движением вправо. 
 Это своего рода произвольная точка принятия решения, потому что оба 
 собираются быть добавлены к границе. 
 И в конечном итоге, если нам не повезет, поиск в глубину 
 может выбрать сначала исследовать этот путь, потому что это просто 
 случайный выбор в этой точке. 
 Он будет исследовать, исследовать, исследовать, и это в конечном итоге 
 найти цель, этот конкретный путь, когда в действительности существует 
 был лучший путь. 
 Было более оптимальное решение, которое использовало меньше шагов, 
 при условии, что мы измеряем стоимость решения на основе количества шагов 
 что нам нужно взять. 
 Так что поиск в глубину, если нам не повезет, может закончиться 
 не найти лучшего решения, когда лучшее решение доступно. 
 Так что, если это DFS, сначала ищите глубину. 
 Как сравнивается BFS или поиск в ширину? 
 Как это будет работать в этой конкретной ситуации? 
 Ну, алгоритм будет выглядеть совсем иначе визуально 
 с точки зрения того, как BFS исследует. 
 Поскольку BFS сначала смотрит на более мелкие узлы, 

Arabic: 
 في العمق ، سيختار البحث الأول بهذه الطريقة للوصول إلى B. ولكن لا يوجد سبب ، 
 بالضرورة ، لماذا سيختار البحث الأول العمق 
 بين الصعود أو الذهاب إلى اليمين. 
 إنها نوع من نقطة القرار التعسفي لأن كليهما 
 ستضاف إلى الحدود. 
 وفي النهاية ، إذا حصلنا على سوء الحظ ، فقم بالبحث أولاً بعمق 
 قد تختار استكشاف هذا المسار أولاً لأنه فقط 
 اختيار عشوائي في هذه المرحلة. 
 سوف يستكشف ويستكشف ويستكشف في النهاية 
 تجد الهدف ، هذا المسار بالتحديد ، عندما تكون هناك 
 كان مسارًا أفضل. 
 كان هناك حل مثالي استخدم خطوات أقل ، 
 بافتراض أننا نقوم بقياس تكلفة الحل بناءً على عدد الخطوات 
 التي يجب أن نتخذها. 
 لذا ، فإن البحث الأول المتعمق ، إذا كنا غير محظوظين ، قد ينتهي به المطاف 
 عدم إيجاد أفضل حل عند توفر حل أفضل. 
 حتى إذا كان هذا DFS ، البحث في العمق الأول. 
 كيف يقارن BFS ، أو البحث الأول اتساع ،؟ 
 كيف ستعمل في هذه الحالة بالذات؟ 
 حسنًا ، ستبدو الخوارزمية مختلفة تمامًا من الناحية البصرية 
 من حيث كيفية استكشاف BFS. 
 لأن BFS ينظر إلى العقد الضحلة أولاً ، 

Italian: 
 la prima ricerca approfondita sceglierà in questo modo e raggiungerà B. Ma non c'è motivo, 
 necessariamente, perché la prima ricerca approfondita sceglierebbe 
 tra salire o andare a destra. 
 È una sorta di punto di decisione arbitrario perché entrambi 
 verranno aggiunti alla frontiera. 
 E alla fine, se siamo sfortunati, approfondiamo la prima ricerca 
 potrebbe scegliere di esplorare prima questo percorso perché è giusto 
 una scelta casuale a questo punto. 
 Esplorerà, esplorerà, esplorerà e alla fine lo farà 
 trova l'obiettivo, questo particolare percorso, quando in realtà lì 
 era un percorso migliore. 
 C'era una soluzione più ottimale che utilizzava meno passaggi, 
 supponendo che stiamo misurando il costo di una soluzione in base al numero di passaggi 
 che dobbiamo prendere. 
 Quindi la prima ricerca approfondita, se siamo sfortunati, potrebbe finire 
 non trovare la soluzione migliore quando è disponibile una soluzione migliore. 
 Quindi, se questo è DFS, approfondisci prima ricerca. 
 Come si confronta BFS o ampiezza della prima ricerca? 
 Come funzionerebbe in questa situazione particolare? 
 Bene, l'algoritmo avrà un aspetto molto diverso visivamente 
 in termini di esplorazione di BFS. 
 Poiché BFS esamina prima i nodi meno profondi, 

German: 
 Die erste Tiefensuche wählt diesen Weg und gelangt zu B. Aber es gibt keinen Grund, 
 unbedingt, warum Tiefe erste Suche wählen würde 
 zwischen nach oben oder nach rechts gehen. 
 Es ist eine Art willkürlicher Entscheidungspunkt, weil beides 
 werden der Grenze hinzugefügt. 
 Und letztendlich, wenn wir Pech haben, suchen Sie zuerst tief 
 Vielleicht möchten Sie diesen Pfad zuerst erkunden, weil er gerecht ist 
 eine zufällige Wahl an dieser Stelle. 
 Es wird erforschen, erforschen, erforschen, und es wird schließlich 
 Finden Sie das Ziel, diesen bestimmten Weg, wenn Sie tatsächlich dort sind 
 war ein besserer Weg. 
 Es gab eine optimalere Lösung, die weniger Schritte benötigte. 
 Angenommen, wir messen die Kosten einer Lösung anhand der Anzahl der Schritte 
 das müssen wir nehmen. 
 Wenn wir also Pech haben, könnte die Tiefensuche enden 
 nicht die beste Lösung finden, wenn eine bessere Lösung verfügbar ist. 
 Wenn das also DFS ist, suchen Sie zuerst in der Tiefe. 
 Wie vergleicht sich BFS oder die Breitensuche? 
 Wie würde es in dieser besonderen Situation funktionieren? 
 Nun, der Algorithmus wird optisch ganz anders aussehen 
 in Bezug darauf, wie BFS erforscht. 
 Da BFS zuerst flachere Knoten betrachtet, 

Spanish: 
 la primera búsqueda en profundidad elegirá de esta manera y llegará a B. Pero no hay razón, 
 necesariamente, ¿por qué elegir primero la profundidad? 
 entre subir o ir a la derecha. 
 Es una especie de punto de decisión arbitrario porque ambos 
 se van a agregar a la frontera. 
 Y en última instancia, si tenemos mala suerte, primero buscamos en profundidad 
 podría elegir explorar este camino primero porque es solo 
 Una elección aleatoria en este momento. 
 Explorará, explorará, explorará y eventualmente 
 encontrar el objetivo, este camino en particular, cuando en realidad existe 
 Fue un camino mejor. 
 Había una solución más óptima que usaba menos pasos, 
 asumiendo que estamos midiendo el costo de una solución en función del número de pasos 
 que tenemos que tomar 
 Entonces, la primera búsqueda profunda, si no tenemos suerte, podría terminar 
 no encuentra la mejor solución cuando hay una mejor solución disponible. 
 Entonces, si eso es DFS, primero busca en profundidad. 
 ¿Cómo se compara BFS, o amplitud de primera búsqueda? 
 ¿Cómo funcionaría en esta situación particular? 
 Bueno, el algoritmo se verá muy diferente visualmente 
 en términos de cómo BFS explora. 
 Debido a que BFS examina primero los nodos menos profundos, 

Chinese: 
深度優先搜索將選擇這種方式並到達B。但是沒有理由， 
必然，為什麼深度優先搜索會選擇
在向上或向右移動之間。 
這是一個任意決定點，因為兩者
將被添加到邊境。 
最後，如果不幸，我們將進行深度優先搜索
可能會選擇先探索這條路，因為它只是
此時是一個隨機選擇。 
它將探索，探索，探索，最終
找到目標，這個特定的路徑，實際上在那裡
是一條更好的道路。 
有一個更優化的解決方案，它使用更少的步驟， 
假設我們要根據步驟數來衡量解決方案的成本
我們需要採取的。 
因此，如果我們不走運，深度優先搜索可能會結束
當有更好的解決方案時，找不到最佳解決方案。 
因此，如果是DFS，請先進行深度搜索。 
 BFS或廣度優先搜索如何比較？ 
在這種特殊情況下如何運作？ 
好吧，算法在視覺上看起來會非常不同
關於BFS的探索方式。 
由於BFS首先查看較淺的節點， 

English: 
depth first search will choose this way and get to B. But there's no reason,
necessarily, why depth first search would choose
between going up or going to the right.
It's sort of an arbitrary decision point because both
are going to be added to the frontier.
And ultimately, if we get unlucky, depth first search
might choose to explore this path first because it's just
a random choice at this point.
It will explore, explore, explore, and it'll eventually
find the goal, this particular path, when in actuality there
was a better path.
There was a more optimal solution that used fewer steps,
assuming we're measuring the cost of a solution based on the number of steps
that we need to take.
So depth first search, if we're unlucky, might end up
not finding the best solution when a better solution is available.
So if that's DFS, depth first search.
How does BFS, or breadth first search, compare?
How would it work in this particular situation?
Well the algorithm is going to look very different visually
in terms of how BFS explores.
Because BFS looks at shallower nodes first,

Turkish: 
 derinlik önce arama bu yolu seçer ve B'ye ulaşır. Ama bir sebep yok, 
 mutlaka, derinlik ilk aramanın neden tercih edeceği 
 yukarı gitmekle sağa gitmek arasında. 
 Bu biraz keyfi bir karar noktası çünkü her ikisi de 
 sınıra eklenecek. 
 Ve sonuçta, eğer şanssız kalırsak, önce derinlik arayışı 
 önce bu yolu keşfetmeyi seçebilir çünkü 
 bu noktada rastgele bir seçim. 
 Keşfedecek, keşfedecek, keşfedecek ve sonunda 
 gerçekte oradayken hedefi, bu yolu bul 
 daha iyi bir yoldu. 
 Daha az adım kullanan daha uygun bir çözüm vardı, 
 bir çözümün maliyetini adım sayısına göre ölçtüğümüzü varsayarsak 
 almamız lazım. 
 Bu yüzden önce derinlemesine arama, eğer şanssızsak, sonuçta ortaya çıkabilir 
 daha iyi bir çözüm olduğunda en iyi çözümü bulamamak. 
 Yani bu DFS ise, önce derinliği arayın. 
 BFS veya ilk genişlik nasıl arama yapar? 
 Bu özel durumda nasıl çalışır? 
 Algoritma görsel olarak çok farklı görünecek 
 BFS'nin nasıl keşfettiği konusunda. 
 BFS önce daha sığ düğümlere baktığından, 

French: 
 la première recherche approfondie va choisir cette façon et arriver à B. Mais il n'y a aucune raison, 
 nécessairement, pourquoi la première recherche en profondeur choisirait 
 entre monter ou aller à droite. 
 C'est en quelque sorte un point de décision arbitraire parce que les deux 
 vont être ajoutés à la frontière. 
 Et finalement, si nous avons de la malchance, première recherche approfondie 
 pourrait choisir d'explorer ce chemin d'abord parce qu'il est juste 
 un choix aléatoire à ce stade. 
 Il explorera, explorera, explorera et finira par 
 trouver le but, ce chemin particulier, alors qu'en réalité il 
 était un meilleur chemin. 
 Il y avait une solution plus optimale qui utilisait moins d'étapes, 
 en supposant que nous mesurons le coût d'une solution en fonction du nombre d'étapes 
 que nous devons prendre. 
 Donc, la première recherche approfondie, si nous n'avons pas de chance, pourrait finir 
 ne pas trouver la meilleure solution lorsqu'une meilleure solution est disponible. 
 Donc, si c'est DFS, approfondissez d'abord la recherche. 
 Comment se compare BFS, ou l'ampleur de la première recherche? 
 Comment cela fonctionnerait-il dans cette situation particulière? 
 Eh bien, l'algorithme va être très différent visuellement 
 en termes de la façon dont BFS explore. 
 Parce que BFS regarde d'abord les nœuds moins profonds, 

Modern Greek (1453-): 
 Η πρώτη αναζήτηση βάθους θα επιλέξει αυτόν τον τρόπο και θα φτάσει στο Β. Αλλά δεν υπάρχει λόγος, 
 απαραίτητα, γιατί θα επέλεγε η πρώτη αναζήτηση βάθους 
 μεταξύ ανεβαίνοντας ή πηγαίνοντας προς τα δεξιά. 
 Είναι ένα είδος αυθαίρετης απόφασης γιατί και τα δύο 
 πρόκειται να προστεθούν στα σύνορα. 
 Και τελικά, εάν έχουμε άτυχη, πρώτη αναζήτηση βάθους 
 μπορεί να επιλέξει να εξερευνήσει πρώτα αυτό το μονοπάτι γιατί είναι απλά 
 μια τυχαία επιλογή σε αυτό το σημείο. 
 Θα εξερευνήσει, θα εξερευνήσει, θα εξερευνήσει και τελικά 
 βρείτε τον στόχο, αυτό το συγκεκριμένο μονοπάτι, όταν στην πραγματικότητα εκεί 
 ήταν ένα καλύτερο μονοπάτι. 
 Υπήρχε μια πιο βέλτιστη λύση που χρησιμοποίησε λιγότερα βήματα, 
 υποθέτοντας ότι μετράμε το κόστος μιας λύσης με βάση τον αριθμό των βημάτων 
 που πρέπει να πάρουμε. 
 Έτσι, η πρώτη αναζήτηση βάθους, αν είμαστε άτυχοι, μπορεί να καταλήξει 
 δεν βρίσκω την καλύτερη λύση όταν υπάρχει καλύτερη λύση. 
 Οπότε αν αυτό είναι DFS, βάλετε την πρώτη αναζήτηση. 
 Πώς συγκρίνεται το BFS ή το πρώτο εύρος αναζήτησης; 
 Πώς θα λειτουργούσε σε αυτή τη συγκεκριμένη κατάσταση; 
 Λοιπόν, ο αλγόριθμος θα φαίνεται πολύ διαφορετικός οπτικά 
 όσον αφορά τον τρόπο εξερεύνησης του BFS. 
 Επειδή το BFS εξετάζει πρώτα τους ρηχότερους κόμβους, 

Portuguese: 
 a primeira pesquisa em profundidade escolherá esse caminho e chegará a B. Mas não há razão, 
 necessariamente, por que a primeira pesquisa profunda escolheria 
 entre subir ou ir para a direita. 
 É uma decisão arbitrária, porque ambos 
 serão adicionados à fronteira. 
 E, finalmente, se tivermos azar, busque em profundidade a primeira 
 pode optar por explorar esse caminho primeiro, porque é apenas 
 uma escolha aleatória neste momento. 
 Ele irá explorar, explorar, explorar e, eventualmente, 
 encontre a meta, esse caminho em particular, quando na realidade existe 
 foi um caminho melhor. 
 Havia uma solução mais ideal que usava menos etapas, 
 supondo que estamos medindo o custo de uma solução com base no número de etapas 
 que precisamos tomar. 
 Portanto, a primeira pesquisa aprofundada, se não tivermos sorte, pode acabar 
 não encontrar a melhor solução quando uma solução melhor estiver disponível. 
 Portanto, se for o DFS, pesquise primeiro em profundidade. 
 Como o BFS, ou a primeira pesquisa de largura, compara? 
 Como isso funcionaria nessa situação específica? 
 Bem, o algoritmo vai parecer muito diferente visualmente 
 em termos de como o BFS explora. 
 Como o BFS observa primeiro os nós mais rasos, 

Chinese: 
深度优先搜索将选择这种方式并到达B。但是没有理由， 
必然，为什么深度优先搜索会选择
在向上或向右移动之间。 
这是一个任意决定点，因为两者
将被添加到边境。 
最后，如果不幸，我们将进行深度优先搜索
可能会选择先探索这条路，因为它只是
此时是一个随机选择。 
它将探索，探索，探索，最终
找到目标，这个特定的路径，实际上在那里
是一条更好的道路。 
有一个更优化的解决方案，它使用更少的步骤， 
假设我们要根据步骤数来衡量解决方案的成本
我们需要采取的。 
因此，如果我们不走运，深度优先搜索可能会结束
当有更好的解决方案时，找不到最佳解决方案。 
因此，如果是DFS，请先进行深度搜索。 
 BFS或广度优先搜索如何比较？ 
在这种特殊情况下如何运作？ 
好吧，算法在视觉上看起来会非常不同
关于BFS的探索方式。 
由于BFS首先查看较浅的节点， 

Chinese: 
這個想法將是BFS首先會查看所有
與初始狀態相距一個。 
例如，看這裡，看這裡。 
僅在緊鄰此初始狀態的兩個節點處。 
然後它將探索相距兩個的節點， 
例如，查看狀態和那個狀態。 
然後，它將探索處於該狀態和該狀態的三個相距不遠的節點。 
深度優先搜索只是選擇了一條路徑並一直沿用， 
另一方面，廣度優先搜索是
選擇探索所有可能的路徑
同時在它們之間反彈， 
每個人看起來越來越深，但是
一定要探索較淺的那些
更接近初始狀態。 
因此，我們將繼續遵循這種模式，看待四分之遙的事情， 
看著五點以外的東西， 
在六點之外的事情上，直到最終我們達到目標。 
在這種情況下，確實我們必須探索一些狀態
最終沒有帶我們到任何地方。 
但是，我們找到目標的路徑是最佳路徑。 
這是我們達到目標的最短途徑。 

Russian: 
 идея будет BFS будет сначала смотреть на все узлы, которые 
 один от первоначального состояния. 
 Посмотрите здесь и посмотрите здесь, например. 
 Просто на двух узлах, которые находятся непосредственно рядом с этим начальным состоянием. 
 Затем он будет исследовать два узла, 
 глядя на состояние и это состояние, например. 
 Затем он исследует три узла, это состояние и это состояние. 
 В то время как первый глубинный поиск просто выбрал один путь и продолжал следовать по нему, 
 поиск в ширину с другой стороны, это 
 выбирая возможность исследовать все возможные пути 
 вроде как, подпрыгивая между ними, 
 смотря глубже и глубже на каждого, но делая 
 Обязательно исследуйте мелкие или те, которые 
 ближе к исходному состоянию ранее. 
 Таким образом, мы будем продолжать следовать этой схеме, глядя на вещи, которые находятся на расстоянии четырех, 
 глядя на вещи, которые пять, глядя 
 на шесть вещей, пока в конце концов мы не доберемся до цели. 
 И в этом случае это правда, что мы должны были исследовать некоторые государства, которые 
 в конечном счете, никуда нас не привело. 
 Но путь, который мы нашли к цели, был оптимальным. 
 Это самый короткий путь, которым мы могли бы достичь цели. 

English: 
the idea is going to be BFS will first look at all of the nodes that
are one away from the initial state.
Look here and look here, for example.
Just at the two nodes that are immediately next to this initial state.
Then it will explore nodes that are two away,
looking at the state and that state, for example.
Then it will explore nodes that are three away, this state and that state.
Whereas depth first search just picked one path and kept following it,
breadth first search on the other hand, is
taking the option of exploring all of the possible paths
kind of at the same time, bouncing back between them,
looking deeper and deeper at each one, but making
sure to explore the shallower ones or the ones that are
closer to the initial state earlier.
So we'll keep following this pattern, looking at things that are four away,
looking at things that are five away, looking
at things that are six away, until eventually we make our way to the goal.
And in this case, it's true we had to explore some states that
ultimately didn't lead us anywhere.
But the path that we found to the goal was the optimal path.
This is the shortest way that we could get to the goal.

Dutch: 
 het idee wordt dat BFS eerst naar alle knooppunten kijkt 
 zijn er één verwijderd van de begintoestand. 
 Kijk hier en kijk hier bijvoorbeeld. 
 Alleen op de twee knooppunten die zich direct naast deze begintoestand bevinden. 
 Dan zal het knooppunten verkennen die twee verwijderd zijn, 
 kijken naar de staat en die staat bijvoorbeeld. 
 Vervolgens zal het knooppunten verkennen die drie verwijderd zijn, deze staat en die staat. 
 Terwijl de eerste zoekdiepte slechts één pad koos en het bleef volgen, 
 breedte eerste zoekopdracht daarentegen is 
 de mogelijkheid nemen om alle mogelijke paden te verkennen 
 min of meer tegelijkertijd, terug stuiterend tussen hen, 
 dieper en dieper kijken, maar maken 
 zeker om de ondiepere of degenen die dat zijn te verkennen 
 dichter bij de oorspronkelijke staat eerder. 
 Dus we blijven dit patroon volgen en kijken naar dingen die vier verwijderd zijn, 
 kijken naar dingen die vijf weg zijn, kijken 
 bij dingen die zes verwijderd zijn, totdat we uiteindelijk onze weg naar het doel vinden. 
 En in dit geval is het waar dat we sommige staten moesten onderzoeken 
 heeft ons uiteindelijk nergens heen geleid. 
 Maar het pad dat we naar het doel vonden, was het optimale pad. 
 Dit is de kortste manier om het doel te bereiken. 

French: 
 l'idée va être BFS examinera d'abord tous les nœuds 
 sont à l'écart de l'état initial. 
 Regardez ici et regardez ici, par exemple. 
 Juste aux deux nœuds qui sont juste à côté de cet état initial. 
 Ensuite, il explorera les nœuds qui se trouvent à deux, 
 en regardant l'état et cet état, par exemple. 
 Ensuite, il explorera les nœuds qui sont à trois, cet état et cet état. 
 Alors que la première recherche approfondie a simplement choisi un chemin et l'a suivi, 
 l'ampleur de la première recherche, d'autre part, est 
 prendre la possibilité d'explorer tous les chemins possibles 
 sorte de rebondir entre eux, 
 regarder de plus en plus profondément à chacun, mais en faisant 
 sûr d'explorer les moins profonds ou ceux qui sont 
 plus proche de l'état initial plus tôt. 
 Nous allons donc continuer à suivre ce modèle, en regardant les choses qui sont à quatre, 
 regarder des choses qui sont à cinq, regarder 
 à des choses qui sont à six, jusqu'à ce que finalement nous fassions notre chemin vers le but. 
 Et dans ce cas, il est vrai que nous avons dû explorer certains états qui 
 finalement ne nous a menés nulle part. 
 Mais le chemin que nous avons trouvé vers le but était le chemin optimal. 
 C'est le chemin le plus court que nous puissions atteindre l'objectif. 

Arabic: 
 الفكرة ستكون BFS ستنظر أولاً إلى جميع العقد التي 
 على بعد واحد من الحالة الأولية. 
 انظر هنا وانظر هنا ، على سبيل المثال. 
 فقط عند العقدتين اللتين تقعان مباشرة بجوار هذه الحالة الأولية. 
 ثم سوف يستكشف العقد التي تقع على بعد اثنين ، 
 النظر إلى الدولة وتلك الدولة ، على سبيل المثال. 
 ثم ستستكشف العقد الموجودة على بعد ثلاثة ، هذه الحالة وهذه الدولة. 
 في حين أن البحث عن العمق اختار مسارًا واحدًا واستمر في متابعته ، 
 اتساع أول بحث من ناحية أخرى ، هو 
 مع خيار استكشاف جميع المسارات الممكنة 
 نوعًا ما في نفس الوقت ، يرتد بينهما ، 
 تبدو أعمق وأعمق في كل واحد ، ولكن صنع 
 تأكد من استكشاف الضحلة أو تلك التي 
 أقرب إلى الحالة الأولية في وقت سابق. 
 لذلك سنستمر في اتباع هذا النمط ، وننظر إلى الأشياء التي تبعد أربعة ، 
 النظر إلى الأشياء التي تقع على بعد خمسة ، تبحث 
 في الأشياء التي تبعد ستة ، حتى نصل في النهاية إلى طريقنا نحو الهدف. 
 وفي هذه الحالة ، كان علينا أن نستكشف بعض الحالات 
 في النهاية لم يقودنا إلى أي مكان. 
 لكن المسار الذي وجدناه نحو الهدف كان المسار الأمثل. 
 هذه هي أقصر الطرق التي يمكننا من خلالها الوصول إلى الهدف. 

Indonesian: 
 idenya akan menjadi BFS pertama-tama akan melihat semua node itu 
 satu lagi dari keadaan awal. 
 Lihat di sini dan lihat di sini, misalnya. 
 Hanya pada dua node yang berada tepat di sebelah kondisi awal ini. 
 Maka akan mengeksplorasi node yang berjarak dua, 
 melihat negara bagian dan negara bagian itu, misalnya. 
 Kemudian akan mengeksplorasi node yang berjarak tiga, negara ini dan negara itu. 
 Sedangkan pencarian mendalam pertama hanya memilih satu jalur dan terus mengikutinya, 
 pencarian pertama luasnya di sisi lain, adalah 
 mengambil opsi untuk menjelajahi semua jalur yang mungkin 
 jenis pada saat yang sama, bangkit kembali di antara mereka, 
 melihat lebih dalam dan lebih dalam pada masing-masing, tetapi membuat 
 Pastikan untuk menjelajahi yang dangkal atau yang 
 lebih dekat ke keadaan awal tadi. 
 Jadi kita akan terus mengikuti pola ini, melihat hal-hal yang berjarak empat, 
 melihat hal-hal yang berjarak lima, melihat 
 pada hal-hal yang enam jauhnya, sampai akhirnya kita membuat jalan ke tujuan. 
 Dan dalam hal ini, memang benar kami harus menjelajahi beberapa negara bagian itu 
 akhirnya tidak membawa kita ke mana pun. 
 Tetapi jalur yang kami temukan ke sasaran adalah jalur yang optimal. 
 Ini adalah cara terpendek yang bisa kita dapatkan untuk mencapai tujuan. 

Spanish: 
 la idea será que BFS primero examinará todos los nodos que 
 están uno lejos del estado inicial. 
 Mira aquí y mira aquí, por ejemplo. 
 Justo en los dos nodos que están inmediatamente al lado de este estado inicial. 
 Luego explorará nodos que están a dos de distancia, 
 mirando el estado y ese estado, por ejemplo. 
 Luego explorará nodos que están a tres de distancia, este estado y ese estado. 
 Mientras que la primera búsqueda en profundidad simplemente escogió un camino y siguió siguiéndolo, 
 amplitud primera búsqueda por otro lado, es 
 tomando la opción de explorar todos los caminos posibles 
 al mismo tiempo, rebotando entre ellos, 
 mirando cada vez más profundo a cada uno, pero haciendo 
 asegúrese de explorar los menos profundos o los que son 
 más cerca del estado inicial anterior. 
 Así que seguiremos este patrón, mirando las cosas que están a cuatro, 
 mirando cosas que están a cinco de distancia, mirando 
 en cosas que están a seis de distancia, hasta que finalmente lleguemos a la meta. 
 Y en este caso, es cierto que tuvimos que explorar algunos estados que 
 finalmente no nos llevó a ninguna parte. 
 Pero el camino que encontramos hacia la meta fue el camino óptimo. 
 Este es el camino más corto que podríamos llegar a la meta. 

Turkish: 
 fikir BFS olacak ilk önce tüm düğümlere bakacak 
 başlangıç ​​durumundan bir tanesidir. 
 Buraya bak ve buraya bak, örneğin. 
 Bu ilk durumun hemen yanındaki iki düğümde. 
 Sonra iki uzakta olan düğümleri keşfedecek, 
 örneğin devlete ve o devlete bakmak. 
 Sonra üç uzakta olan düğümleri, bu durumu ve bu durumu keşfedecek. 
 Derinlik ilk araştırması sadece bir yol seçti ve onu takip etmeye devam ederken, 
 genişlik ilk arama ise 
 olası tüm yolları keşfetme seçeneğini kullanmak 
 aynı zamanda, aralarında geri dönerek, 
 her birine daha derin ve daha derin bakmak, ama 
 daha sığ olanları veya 
 başlangıçtaki durumuna daha yakın. 
 Yani bu modeli takip etmeye devam edeceğiz, dört olan şeylere bakalım, 
 beş olan şeylere bakmak, bakmak 
 eninde sonunda hedefe ulaşana kadar. 
 Ve bu durumda, bazı devletleri keşfetmek zorunda olduğumuz doğrudur. 
 sonuçta bizi hiçbir yere götürmedi. 
 Ama hedefe ulaştığımız yol en uygun yoldu. 
 Hedefe ulaşmanın en kısa yolu budur. 

Italian: 
 l'idea sarà BFS prima esaminerà tutti i nodi che 
 sono lontani dallo stato iniziale. 
 Guarda qui e guarda qui, per esempio. 
 Proprio ai due nodi che si trovano immediatamente accanto a questo stato iniziale. 
 Quindi esplorerà nodi distanti due, 
 guardando lo stato e quello stato, per esempio. 
 Quindi esplorerà nodi distanti tre, questo stato e quello stato. 
 Considerando che la prima ricerca approfondita ha appena selezionato un percorso e continuato a seguirlo, 
 larghezza prima ricerca d'altra parte, è 
 prendendo la possibilità di esplorare tutti i possibili percorsi 
 un po 'allo stesso tempo, rimbalzando tra loro, 
 guardando sempre più a fondo, ma facendo 
 sicuro di esplorare quelli meno profondi o quelli che lo sono 
 più vicino allo stato iniziale prima. 
 Quindi continueremo a seguire questo schema, guardando le cose che sono a quattro di distanza, 
 guardando le cose che sono a cinque di distanza, guardando 
 a cose che sono a sei di distanza, fino a quando alla fine non raggiungiamo l'obiettivo. 
 E in questo caso, è vero che abbiamo dovuto esplorare alcuni stati che 
 alla fine non ci ha portato da nessuna parte. 
 Ma il percorso che abbiamo trovato per raggiungere l'obiettivo era il percorso ottimale. 
 Questo è il modo più breve per raggiungere l'obiettivo. 

Korean: 
 아이디어는 BFS가 먼저 모든 노드를 살펴볼 것입니다. 
 초기 상태에서 하나 떨어져 있습니다. 
 예를 들어 여기를보고 여기를보십시오. 
 이 초기 상태 바로 옆에있는 두 노드에서만. 
 그런 다음 두 거리에있는 노드를 탐색합니다. 
 예를 들어, 주와 그 주를 봅니다. 
 그런 다음이 상태와 해당 상태의 세 노드에 대해 탐색합니다. 
 깊이 첫 검색은 하나의 경로를 선택하고 계속 따라 갔지만 
 반면에 너비 우선 검색은 
 가능한 모든 경로를 탐색하는 옵션을 선택 
 동시에 그들 사이에 수신 거부, 
 각각 더 깊고 깊게 보지만 
 더 얕은 쪽이나 
 초기 상태에 더 가깝습니다. 
 그래서 우리는이 패턴을 계속 따라 가면서 4 가지 거리에있는 것을보고 
 멀리 떨어져있는 것을보고 
 결국 우리는 목표에 도달 할 때까지 6 개 떨어진 곳에 있습니다. 
 그리고이 경우에, 우리가 
 궁극적으로 우리를 어디로 인도하지 않았습니다. 
 그러나 목표에 도달 한 경로는 최적의 경로였습니다. 
 이것이 우리가 목표에 도달 할 수있는 가장 짧은 방법입니다. 

Modern Greek (1453-): 
 η ιδέα θα είναι BFS θα εξετάσει πρώτα όλους τους κόμβους που 
 είναι ένα μακριά από την αρχική κατάσταση. 
 Κοιτάξτε εδώ και κοιτάξτε εδώ, για παράδειγμα. 
 Ακριβώς στους δύο κόμβους που βρίσκονται ακριβώς δίπλα σε αυτήν την αρχική κατάσταση. 
 Τότε θα εξερευνήσει κόμβους που απέχουν δύο, 
 Κοιτάζοντας για παράδειγμα την πολιτεία και αυτήν την πολιτεία. 
 Τότε θα εξερευνήσει κόμβους που απέχουν τρία, αυτήν την κατάσταση και αυτήν την κατάσταση. 
 Ενώ η πρώτη αναζήτηση βάθους μόλις διάλεξε ένα μονοπάτι και συνέχισε να την ακολουθεί, 
 Πρώτη αναζήτηση από την άλλη πλευρά, είναι 
 επιλέγοντας την εξερεύνηση όλων των πιθανών διαδρομών 
 ταυτόχρονα, αναπηδώντας ανάμεσά τους, 
 κοιτάζω βαθύτερα και βαθύτερα σε κάθε ένα, αλλά κάνει 
 σίγουρα θα εξερευνήσετε τα πιο ρηχά ή αυτά που είναι 
 πιο κοντά στην αρχική κατάσταση νωρίτερα. 
 Έτσι θα συνεχίσουμε να ακολουθούμε αυτό το μοτίβο, κοιτάζοντας πράγματα που απέχουν τέσσερα, 
 κοιτάζοντας πράγματα που απέχουν πέντε, κοιτάζοντας 
 σε πράγματα που απέχουν έξι, μέχρι τελικά να φτάσουμε στον στόχο. 
 Και σε αυτήν την περίπτωση, είναι αλήθεια ότι έπρεπε να εξερευνήσουμε ορισμένες καταστάσεις που 
 τελικά δεν μας οδήγησε πουθενά. 
 Αλλά το μονοπάτι που βρήκαμε στο στόχο ήταν το βέλτιστο μονοπάτι. 
 Αυτός είναι ο πιο σύντομος τρόπος που θα μπορούσαμε να φτάσουμε στο στόχο. 

Chinese: 
这个想法将是BFS首先会查看所有
与初始状态相距一个。 
例如，看这里，看这里。 
仅在紧邻此初始状态的两个节点处。 
然后它将探索两个相距遥远的节点， 
例如，查看状态和那个状态。 
然后，它将探索处于该状态和该状态的三个相距不远的节点。 
深度优先搜索只是选择了一条路径并一直沿用， 
另一方面，广度优先搜索是
选择探索所有可能的路径
同时在它们之间反弹， 
每个人看起来越来越深，但是
一定要探索较浅的那些
更接近初始状态。 
因此，我们将继续遵循这种模式，看待四分之遥的事情， 
看着五点以外的东西， 
在六点之外的事情上，直到最终我们达到目标。 
在这种情况下，确实我们必须探索一些状态
最终没有带我们到任何地方。 
但是，我们找到目标的路径是最佳路径。 
这是我们达到目标的最短途径。 

Hindi: 
 विचार यह है कि BFS पहले सभी नोड्स को देखेगा 
 प्रारंभिक अवस्था से एक दूर हैं। 
 उदाहरण के लिए यहां देखें और यहां देखें। 
 बस दो नोड्स पर जो इस प्रारंभिक स्थिति के बगल में हैं। 
 फिर यह उन नोडों का पता लगाएगा जो दो दूर हैं, 
 उदाहरण के लिए राज्य और उस राज्य को देखना। 
 फिर यह उन नोडों का पता लगाएगा जो तीन दूर हैं, यह राज्य और वह राज्य। 
 जबकि गहराई से पहले खोज ने सिर्फ एक रास्ता चुना और उसका अनुसरण किया, 
 चौड़ाई दूसरी ओर पहली खोज, है 
 सभी संभावित रास्तों की खोज का विकल्प लेना 
 एक ही समय में, उनके बीच वापस उछलते हुए, 
 हर एक पर गहरी और गहरी लग रही है, लेकिन बना रही है 
 shallower वाले या जो हैं, उनका पता लगाना सुनिश्चित करें 
 पहले प्रारंभिक अवस्था के करीब। 
 तो हम इस पैटर्न का अनुसरण करते रहेंगे, जो चार दूर हैं, उन्हें देखते हुए, 
 पांच दूर की चीजें देख रहे हैं, देख रहे हैं 
 उन चीजों पर जो छह दूर हैं, आखिरकार हम लक्ष्य के लिए अपना रास्ता बनाते हैं। 
 और इस मामले में, यह सच है कि हमें कुछ राज्यों का पता लगाना था 
 अंततः हमें कहीं भी नहीं ले गया। 
 लेकिन लक्ष्य के लिए हमें जो रास्ता मिला वह सबसे इष्टतम रास्ता था। 
 यह सबसे छोटा तरीका है जिससे हम लक्ष्य तक पहुंच सकते हैं। 

German: 
 Die Idee wird sein, dass BFS zuerst alle Knoten betrachtet, die 
 sind eins vom Ausgangszustand entfernt. 
 Schauen Sie hier und schauen Sie zum Beispiel hier. 
 Nur an den beiden Knoten, die sich unmittelbar neben diesem Ausgangszustand befinden. 
 Dann werden Knoten untersucht, die zwei entfernt sind. 
 zum Beispiel den Staat und diesen Staat betrachten. 
 Dann werden drei entfernte Knoten untersucht, dieser und jener Zustand. 
 Während die Tiefensuche nur einen Pfad auswählte und ihm weiter folgte, 
 Breite erste Suche ist dagegen 
 Sie können alle möglichen Pfade erkunden 
 irgendwie zur gleichen Zeit, zwischen ihnen zurück zu springen, 
 jeden tiefer und tiefer anschauen, aber machen 
 sicher, die flacheren oder diejenigen zu erkunden, die sind 
 früher näher am Ausgangszustand. 
 Also werden wir diesem Muster weiter folgen und uns Dinge ansehen, die vier entfernt sind. 
 Dinge betrachten, die fünf entfernt sind, schauen 
 bei Dingen, die sechs entfernt sind, bis wir uns schließlich auf den Weg zum Ziel machen. 
 Und in diesem Fall war es wahr, dass wir einige Zustände untersuchen mussten, die 
 hat uns letztendlich nirgendwohin geführt. 
 Aber der Weg, den wir zum Ziel gefunden haben, war der optimale Weg. 
 Dies ist der kürzeste Weg, um zum Ziel zu gelangen. 

Portuguese: 
 a idéia será que o BFS examinará primeiro todos os nós que 
 estão distantes do estado inicial. 
 Olhe aqui e olhe aqui, por exemplo. 
 Apenas nos dois nós que estão imediatamente próximos a esse estado inicial. 
 Em seguida, ele explorará nós que estão a dois metros de distância, 
 olhando para o estado e esse estado, por exemplo. 
 Em seguida, ele explorará nós que estão a três quilômetros de distância, esse estado e esse estado. 
 Enquanto a pesquisa de profundidade primeiro escolheu apenas um caminho e continuou seguindo-o, 
 primeira pesquisa de largura, por outro lado, é 
 tomando a opção de explorar todos os caminhos possíveis 
 ao mesmo tempo, saltando de volta entre eles, 
 olhando cada vez mais fundo, mas fazendo 
 certifique-se de explorar os mais rasos ou os que são 
 mais perto do estado inicial anteriormente. 
 Então, continuaremos seguindo esse padrão, observando coisas que estão a quatro quilômetros de distância, 
 olhando para coisas que estão a cinco minutos, olhando 
 em coisas que ficam a seis minutos de distância, até que finalmente cheguemos ao objetivo. 
 E, neste caso, é verdade que tivemos que explorar alguns estados que 
 em última análise, não nos levou a lugar algum. 
 Mas o caminho que encontramos para o objetivo era o caminho ideal. 
 Esta é a maneira mais curta em que podemos chegar à meta. 

Japanese: 
アイデアは、BFSが最初にすべてのノードを調べることになります。 
初期状態から1つ離れています。 
たとえば、ここを見て、ここを見てください。 
この初期状態のすぐ隣にある2つのノードだけで。 
次に、2つ離れたノードを探索します。 
たとえば、状態とその状態を調べます。 
次に、この状態とその状態の3つ離れたノードを探索します。 
深さ優先検索は1つのパスを選択し、それに従い続けましたが、 
一方、幅優先検索は、 
すべての可能なパスを探索するオプションを取る
同時に、それらの間で跳ね返り、 
それぞれをより深く見ていますが、 
より浅いものや
以前の初期状態により近い。 
したがって、このパターンを続けて、4つの距離にあるものに注目します。 
 5つ離れているものを見て、見て
 6か所離れた場所で、最終的に目標に到達するまで。 
この場合、いくつかの州を調査する必要があったのは事実です
最終的に私たちをどこにも導いてくれませんでした。 
しかし、私たちが見つけた目標への道は最適な道でした。 
これは、目標に到達するための最短の方法です。 

Korean: 
 그러면 더 큰 미로에서는 어떻게 될까요? 
 자 이런 식으로 봅시다 
 광범위한 첫 번째 검색이 어떻게 작동하는지 
 음, 첫 번째 탐색은 다시 한 번 
 결정 지점을받을 때까지 상태를 계속 유지하십시오. 
 왼쪽이나 오른쪽으로 갈 수 있습니다. 
 DFS가 방금 하나를 골라 계속 따라 갔지만 
 반면에 BFS는 막 다른 골목에 도달 할 때까지 두 가지를 모두 탐색 할 것입니다. 
 이 노드를 본 다음이 노드를 보면 
 이 노드와 그 노드 등을 살펴 보겠습니다. 
 왼쪽에서 오른쪽으로 하나를 선택하지 않고 여기에서 결정 지점에 도달하면 
 그 길을 탐험하면, 그들 사이를 번갈아 가며 다시 탐험 할 겁니다. 
 더 깊고 깊어지면서 
 여기를 탐색 한 다음 여기와 여기를 탐색 한 다음 계속 진행합니다. 
 여기를 탐색하고 천천히 나아갑니다. 시각적으로 볼 수 있습니다. 
 더 자세한 내용을 참조하십시오. 
 이 결정 지점에 도달하면 
 궁극적으로 우리가 끝날 때까지 위아래로 탐색 
 목표를 향해 나아가십시오. 
 그리고 주목할 것은 폭 넓은 검색입니다 

Turkish: 
 Peki, daha büyük bir labirentte ne olabilir? 
 Peki böyle bir şeye bakalım 
 ve ilk araştırmanın nasıl davranacağını. 
 İlk genişlik arama, yine, sadece 
 bir karar puanı alana kadar devletleri takip etmeye devam edin. 
 Sola veya sağa gidebilir. 
 Ve DFS sadece birini seçip takip etmeye devam ederken 
 Öte yandan, BFS bir çıkma noktasına kadar, her ikisini de keşfedecek. 
 Diyelim ki bu düğüme bakın, sonra bu düğüme, 
 ve ben bu düğüme, sonra o düğüme bakacağım, vb. 
 Ve burada bir karar noktasına çarptığında, bir veya iki sağ seçmek yerine 
 ve bu yolu keşfederseniz, aralarındaki dönüşümleri tekrar keşfedecek, 
 daha derine iniyor. 
 Burada, sonra belki burada ve burada keşfedecek ve sonra devam edeceksiniz. 
 Burada keşfedin ve yavaşça yolumuza devam edin, görsel olarak yapabilirsiniz 
 daha fazla ve daha fazla bakın. 
 Bu karar noktasına geldiğimizde, 
 nihayetinde biz 
 hedefe doğru yol al. 
 Ve fark edeceğiniz şey, evet, ilk genişlik arama 

Russian: 
 Итак, что же может произойти в большом лабиринте? 
 Ну, давайте посмотрим на что-то вроде этого 
 и как будет вести себя первый поиск. 
 Ну а в ширину первый поиск, опять же, будет просто 
 продолжайте следить за состояниями, пока не получите точку принятия решения. 
 Это могло пойти или налево или направо. 
 И в то время как DFS просто выбрал один и продолжал следовать 
 что пока он не зашел в тупик, BFS, с другой стороны, будет исследовать оба. 
 Он скажет, посмотрите на этот узел, затем этот узел, 
 и я посмотрю на этот узел, затем на этот узел, и так далее, и тому подобное. 
 И когда он достигает точки принятия решения здесь, а не выбрать один слева или два справа 
 и исследовать этот путь, он снова исследует чередование между ними, 
 идти все глубже и глубже. 
 Будем исследовать здесь, а потом, может быть, здесь и здесь, а затем продолжать идти. 
 Исследуйте здесь и медленно пробирайтесь, вы можете визуально 
 смотреть дальше и дальше. 
 Как только мы доберемся до этой точки принятия решения, мы 
 исследовать как вверх, так и вниз, пока, в конце концов, мы 
 пробиться к цели. 
 И что вы заметите, да, поиск в ширину 

Portuguese: 
 E então, o que poderia acontecer em um labirinto maior? 
 Bem, vamos dar uma olhada em algo assim 
 e como a primeira pesquisa de largura se comportará. 
 Bem, a primeira pesquisa de largura, novamente, apenas 
 continue seguindo os estados até receber um ponto de decisão. 
 Poderia ir para a esquerda ou direita. 
 E enquanto o DFS apenas escolheu um e continuou seguindo 
 que até atingir um beco sem saída, o BFS, por outro lado, explorará os dois. 
 Dirá, olhe para este nó, então este nó, 
 e examinarei este nó, depois aquele nó, e assim por diante. 
 E quando ele atinge um ponto de decisão aqui, em vez de escolher um à esquerda ou dois à direita 
 e explorar esse caminho, ele voltará a explorar as duas alternâncias entre eles, 
 indo cada vez mais fundo. 
 Irá explorar aqui, e então talvez aqui e aqui, e depois continuar. 
 Explore aqui e lentamente faça o nosso caminho, você pode visualmente 
 veja mais e mais. 
 Quando chegarmos a esse ponto de decisão, vamos 
 explorar tanto para cima quanto para baixo até que, finalmente, 
 faça o nosso caminho para a meta. 
 E o que você notará é, sim, a primeira pesquisa de abrangência 

Spanish: 
 Y entonces, ¿qué podría pasar en un laberinto más grande? 
 Bueno, echemos un vistazo a algo como esto 
 y cómo se va a comportar la primera búsqueda de amplitud. 
 Bueno, la primera búsqueda de amplitud, nuevamente, solo 
 siga los estados hasta que reciba un punto de decisión. 
 Podría ir hacia la izquierda o hacia la derecha. 
 Y mientras DFS simplemente escogió uno y siguió siguiendo 
 que hasta que llegue a un punto muerto, BFS, por otro lado, explorará ambos. 
 Dirá, mira este nodo, luego este nodo, 
 y miraré este nodo, luego ese nodo, y así sucesivamente. 
 Y cuando llega a un punto de decisión aquí, en lugar de elegir uno a la izquierda o dos a la derecha 
 y explorar ese camino, explorará nuevamente ambos alternando entre ellos, 
 yendo más y más profundo. 
 Exploraremos aquí, y luego quizás aquí y aquí, y luego seguiremos. 
 Explore aquí y avance lentamente, puede visualmente 
 ver más y más lejos. 
 Una vez que lleguemos a este punto de decisión, lo haremos 
 explorar hacia arriba y hacia abajo hasta que, en última instancia, 
 llegar a la meta. 
 Y lo que notará es, sí, amplitud de la primera búsqueda 

Modern Greek (1453-): 
 Και λοιπόν, τι θα μπορούσε να συμβεί τότε σε έναν μεγαλύτερο λαβύρινθο; 
 Λοιπόν ας ρίξουμε μια ματιά σε κάτι τέτοιο 
 και πώς θα συμπεριφέρεται η πρώτη αναζήτηση. 
 Λοιπόν, η πρώτη αναζήτηση του εύρους, πάλι, θα είναι ακριβώς 
 συνεχίστε να ακολουθείτε τις πολιτείες έως ότου λάβει ένα σημείο απόφασης. 
 Θα μπορούσε να πάει αριστερά ή δεξιά. 
 Και ενώ το DFS μόλις διάλεξε ένα και συνέχισε να ακολουθεί 
 ότι μέχρι να φτάσει σε αδιέξοδο, η BFS από την άλλη πλευρά, θα εξερευνήσει και τα δύο. 
 Θα πει, κοίτα αυτόν τον κόμβο, μετά αυτόν τον κόμβο, 
 και θα κοιτάξω αυτόν τον κόμβο, μετά αυτόν τον κόμβο, ούτω καθεξής και ούτω καθεξής. 
 Και όταν χτυπά ένα σημείο απόφασης εδώ, αντί να διαλέξετε ένα αριστερό ή δύο δεξιά 
 και να εξερευνήσουμε αυτό το μονοπάτι, θα εξερευνήσει και πάλι τα δύο εναλλάσσοντας μεταξύ τους, 
 πηγαίνει βαθύτερα και βαθύτερα. 
 Θα εξερευνήσω εδώ, και ίσως ίσως εδώ και εδώ, και στη συνέχεια συνεχίζουμε. 
 Εξερευνήστε εδώ και αργά κάντε τον τρόπο μας, μπορείτε οπτικά 
 δείτε όλο και πιο μακριά. 
 Μόλις φτάσουμε σε αυτό το σημείο απόφασης, θα το κάνουμε 
 εξερευνήστε τόσο πάνω όσο και κάτω μέχρι, τελικά, εμείς 
 προχωρήσουμε προς τον στόχο. 
 Και αυτό που θα παρατηρήσετε είναι, ναι, η πρώτη αναζήτηση 

German: 
 Und was könnte dann in einem größeren Labyrinth passieren? 
 Schauen wir uns so etwas an 
 und wie breit sich die erste Suche verhalten wird. 
 Nun, die erste Breitensuche wird wieder gerecht 
 Folgen Sie den Zuständen, bis Sie einen Entscheidungspunkt erhalten. 
 Es könnte entweder nach links oder rechts gehen. 
 Und während DFS nur einen auswählte und weiter folgte 
 dass BFS auf der anderen Seite beide erforschen wird, bis es eine Sackgasse erreicht. 
 Es wird sagen, schauen Sie sich diesen Knoten an, dann diesen Knoten, 
 und ich werde diesen Knoten betrachten, dann diesen Knoten, so weiter und so fort. 
 Und wenn es hier einen Entscheidungspunkt trifft, anstatt einen links oder zwei rechts zu wählen 
 und diesen Weg erkunden, wird es wieder beide abwechselnd zwischen ihnen erforschen, 
 tiefer und tiefer gehen. 
 Werde hier erkunden und dann vielleicht hier und hier und dann weitermachen. 
 Entdecken Sie hier und machen Sie sich langsam auf den Weg, Sie können visuell 
 siehe immer weiter draußen. 
 Sobald wir diesen Entscheidungspunkt erreicht haben, werden wir 
 erforschen Sie sowohl auf als auch ab, bis wir letztendlich 
 Machen Sie sich auf den Weg zum Ziel. 
 Und was Sie bemerken werden, ist ja, breite erste Suche 

Hindi: 
 और इसलिए, एक बड़े चक्रव्यूह में क्या हो सकता है? 
 खैर आइये एक नजर डालते हैं ऐसी ही कुछ बातों पर 
 और कैसे चौड़ाई पहली खोज व्यवहार करने के लिए जा रहा है। 
 खैर, चौड़ाई पहले खोज, फिर से, बस 
 निर्णय बिंदु प्राप्त होने तक राज्यों का अनुसरण करते रहें। 
 यह या तो बाएं या दाएं जा सकता था। 
 और जबकि DFS ने सिर्फ एक को चुना और उसका पालन किया 
 जब तक कि यह एक मृत अंत नहीं हो जाता, दूसरी ओर BFS दोनों का पता लगाएगा। 
 यह कहेगा, इस नोड को देखो, फिर यह नोड, 
 और मैं इस नोड को देखूंगा, फिर वह नोड, इत्यादि। 
 और जब यह एक निर्णय बिंदु पर हिट करता है, तो एक बाएं या दो दाएं लेने के बजाय 
 और उस रास्ते का पता लगाएं, यह फिर से उन दोनों के बीच बारी-बारी से तलाश करेगा, 
 गहरा और गहरा जा रहा है। 
 यहाँ खोज करेंगे, और फिर शायद यहाँ और यहाँ, और फिर चलते रहेंगे। 
 यहां अन्वेषण करें और धीरे-धीरे अपना रास्ता बनाएं, आप नेत्रहीन हो सकते हैं 
 आगे और आगे देखें। 
 एक बार जब हम इस निर्णय बिंदु पर पहुँचते हैं, तो हम 
 ऊपर और नीचे दोनों का अन्वेषण करें, आखिरकार, हम 
 लक्ष्य के लिए हमारा रास्ता बनाओ। 
 और आप जो देखेंगे वह है, हाँ, चौड़ाई पहले खोज 

Japanese: 
では、大きな迷路の中で何が起こるでしょうか？ 
さて、このようなものを見てみましょう
幅優先検索がどのように動作するか。 
まあ、幅の最初の検索は、再び、ちょうど
ディシジョンポイントを受け取るまで、状態を追跡し続けます。 
それは左か右に行くことができます。 
そして、DFSはちょうど1つを選び、フォローし続けましたが
一方、BFSは行き止まりに到達するまで、両方を探索します。 
このノードを見て、次にこのノードを見て、 
このノード、次にそのノードなどを順に見ていきます。 
ここで決定点に達したとき、左または右に1つ選択するのではなく
その経路を探索すると、再び両方を交互に探索し、 
より深く行く。 
ここを探検し、多分こことここを探検し、そして続けます。 
ここを探索し、ゆっくりと道を進んでください。視覚的に
もっともっと見る。 
この決定ポイントに到達したら、 
最終的には、 
目標に向かって進みます。 
そして、あなたが気づくのは、はい、幅優先検索です

French: 
 Et alors, que pourrait-il se passer ensuite dans un labyrinthe plus grand? 
 Eh bien, jetons un oeil à quelque chose comme ça 
 et comment l'ampleur de la première recherche va se comporter. 
 Eh bien, la première recherche étendue, encore une fois, 
 continuez à suivre les états jusqu'à ce qu'il reçoive un point de décision. 
 Cela pourrait aller à gauche ou à droite. 
 Et tandis que DFS vient d'en choisir un et de continuer à le suivre 
 que jusqu'à ce qu'il atteigne une impasse, BFS d'autre part, explorera les deux. 
 Ça va dire, regardez ce nœud, puis ce nœud, 
 et je vais regarder ce nœud, puis ce nœud, et ainsi de suite. 
 Et quand il atteint un point de décision ici, plutôt que d'en choisir un à gauche ou deux à droite 
 et d'explorer ce chemin, il explorera à nouveau les deux en alternance entre eux, 
 aller de plus en plus profondément. 
 Je vais explorer ici, puis peut-être ici et ici, puis continuer. 
 Explorez ici et avancez lentement, vous pouvez visuellement 
 voir de plus en plus loin. 
 Une fois que nous arriverons à ce point de décision, nous 
 explorer à la fois de haut en bas jusqu'à ce que, finalement, nous 
 faire notre chemin vers le but. 
 Et ce que vous remarquerez est, oui, une première recherche étendue 

Chinese: 
那麼，在更大的迷宮中會發生什麼呢？ 
好吧，讓我們來看看這樣的事情
以及廣度優先搜索的行為方式。 
好吧，再次進行廣度優先搜索
繼續跟踪狀態，直到收到決策點。 
它可以向左或向右移動。 
而DFS只是選擇了一個並一直關注
另一方面，直到BFS陷入僵局為止，兩者都會進行探索。 
會說，先看這個節點，然後看這個節點， 
我先看這個節點，然後看那個節點，依此類推。 
當它到達決策點時，而不是向左或向右選擇兩個
並探索那條路，它將再次探索兩者之間的交替， 
越來越深。 
將在這裡探索，然後可能在這里和這裡探索，然後繼續前進。 
在這裡探索並慢慢走我們的路，您可以直觀
看到越來越遠。 
一旦到達這個決策點，我們將
上下探索，直到最終，我們
邁向目標。 
您會注意到，是的，廣度優先搜索

Dutch: 
 En wat kan er dan gebeuren in een groter doolhof? 
 Laten we zoiets bekijken 
 en hoe de eerste zoekactie zich zal gedragen. 
 Welnu, de eerste zoekactie in de breedte zal opnieuw gewoon zijn 
 blijf de staten volgen totdat het een beslissingspunt ontvangt. 
 Het kan naar links of naar rechts gaan. 
 En terwijl DFS er net een koos en bleef volgen 
 dat BFS daarentegen, totdat het een doodlopende weg zou bereiken, beide zal verkennen. 
 Het zal zeggen, kijk naar dit knooppunt, dan dit knooppunt, 
 en ik zal naar dit knooppunt kijken, dan naar dat knooppunt, enzovoort, enzovoort. 
 En wanneer het hier een beslissingspunt raakt, in plaats van één links of twee rechts te kiezen 
 en dat pad verkennen, zal het opnieuw beide afwisselend verkennen, 
 dieper en dieper gaan. 
 Zal hier verkennen, en dan misschien hier en hier, en dan doorgaan. 
 Verken hier en maak langzaam onze weg, je kunt visueel 
 zie verder en verder naar buiten. 
 Zodra we dit beslissingspunt hebben bereikt, zullen we 
 verken zowel omhoog als omlaag totdat we uiteindelijk 
 op weg naar het doel. 
 En wat je opvalt is, ja, eerste zoektocht in de breedte 

Italian: 
 E quindi, cosa potrebbe succedere in un labirinto più grande? 
 Bene diamo un'occhiata a qualcosa del genere 
 e come si comporterà l'ampiezza della prima ricerca. 
 Bene, l'ampiezza della prima ricerca, di nuovo, sarà semplicemente 
 continua a seguire gli stati fino a quando non riceve un punto di decisione. 
 Potrebbe andare a sinistra oa destra. 
 E mentre DFS ne ha appena scelto uno e ha continuato a seguirlo 
 che fino a quando non raggiungerà un vicolo cieco, BFS d'altra parte, esplorerà entrambi. 
 Dirà, guarda questo nodo, quindi questo nodo, 
 e guarderò questo nodo, poi quel nodo, così via e così via. 
 E quando colpisce un punto di decisione qui, piuttosto che scegliere uno a sinistra o due a destra 
 ed esplorare quel percorso, esplorerà di nuovo entrambi alternando tra loro, 
 andare sempre più in profondità. 
 Esplorerò qui, e poi forse qui e qui, e poi continueremo. 
 Esplora qui e lentamente fai la nostra strada, puoi visualmente 
 vedere sempre di più. 
 Una volta arrivati ​​a questo punto decisionale, lo faremo 
 esplorare sia su che giù fino a quando, alla fine, noi 
 raggiungiamo l'obiettivo. 
 E quello che noterai è, sì, l'ampia prima ricerca 

Arabic: 
 إذن ، ما الذي يمكن أن يحدث بعد ذلك في متاهة أكبر؟ 
 حسنا دعونا نلقي نظرة على شيء مثل هذا 
 وكيف سيكون سلوك البحث الأول اتساعًا. 
 حسنًا ، سيكون البحث الأول موسعًا مرة أخرى 
 استمر في متابعة الولايات حتى تتلقى نقطة قرار. 
 يمكن أن تذهب إما إلى اليسار أو اليمين. 
 وبينما اختار DFS مجرد واحد واستمر في المتابعة 
 أنه حتى تصل إلى طريق مسدود ، فإن BFS من ناحية أخرى ، سوف تستكشف كليهما. 
 ستقول ، انظر إلى هذه العقدة ، ثم هذه العقدة ، 
 وسألقي نظرة على هذه العقدة ، ثم تلك العقدة ، وهكذا دواليك. 
 وعندما يصل إلى نقطة قرار هنا ، بدلاً من اختيار واحد يسار أو يمين 
 واستكشاف هذا المسار ، سوف يستكشف مرة أخرى كلاهما بالتناوب بينهما ، 
 أعمق وأعمق. 
 سوف نستكشف هنا ، ثم ربما هنا وهنا ، ثم نستمر. 
 استكشف هنا وشق طريقنا ببطء ، يمكنك بصريًا 
 انظر أبعد وأبعد. 
 بمجرد أن نصل إلى نقطة القرار هذه ، سنقوم بذلك 
 استكشاف كل من أعلى وأسفل حتى ، في النهاية ، نحن 
 طريقنا إلى الهدف. 
 وما ستلاحظه هو ، نعم ، أول بحث موسع 

English: 
And so, what might happen then in a larger maze?
Well let's take a look at something like this
and how breadth first search is going to behave.
Well, breadth first search, again, will just
keep following the states until it receives a decision point.
It could go either left or right.
And while DFS just picked one and kept following
that until it hit a dead end, BFS on the other hand, will explore both.
It'll say, look at this node, then this node,
and I'll look at this node, then that node, so on and so forth.
And when it hits a decision point here, rather than pick one left or two right
and explore that path, it will again explore both alternating between them,
going deeper and deeper.
Will explore here, and then maybe here and here, and then keep going.
Explore here and slowly make our way, you can visually
see further and further out.
Once we get to this decision point, we'll
explore both up and down until, ultimately, we
make our way to the goal.
And what you'll notice is, yes, breadth first search

Chinese: 
那么，在更大的迷宫中会发生什么呢？ 
好吧，让我们来看看这样的事情
以及广度优先搜索的行为方式。 
好吧，再次进行广度优先搜索
继续跟踪状态，直到收到决策点。 
它可以向左或向右移动。 
而DFS只是选择了一个并一直关注
另一方面，直到BFS陷入僵局为止，两者都会进行探索。 
会说，先看这个节点，然后看这个节点， 
我先看这个节点，然后看那个节点，依此类推。 
当它到达决策点时，而不是向左或向右选择两个
并探索那条路，它将再次探索两者之间的交替， 
越来越深。 
将在这里探索，然后可能在这里和这里探索，然后继续前进。 
在这里探索并慢慢走我们的路，您可以在视觉上
看到越来越远。 
一旦到达这个决策点，我们将
上下探索，直到最终，我们
迈向目标。 
您会注意到，是的，广度优先搜索

Indonesian: 
 Jadi, apa yang mungkin terjadi kemudian di labirin yang lebih besar? 
 Mari kita lihat sesuatu seperti ini 
 dan bagaimana luasnya pencarian pertama akan berperilaku. 
 Baiklah, luasnya pencarian pertama, sekali lagi, akan adil 
 terus mengikuti negara sampai menerima titik keputusan. 
 Bisa ke kiri atau kanan. 
 Dan sementara DFS hanya memilih satu dan terus mengikuti 
 bahwa sampai menemui jalan buntu, BFS di sisi lain, akan mengeksplorasi keduanya. 
 Ia akan mengatakan, lihat simpul ini, lalu simpul ini, 
 dan saya akan melihat simpul ini, lalu simpul itu, seterusnya dan seterusnya. 
 Dan ketika mencapai titik keputusan di sini, daripada memilih satu kiri atau dua kanan 
 dan menjelajahi jalan itu, itu akan kembali mengeksplorasi keduanya secara bergantian, 
 pergi lebih dalam dan lebih dalam. 
 Akan menjelajah di sini, dan kemudian mungkin di sini dan di sini, dan kemudian terus berjalan. 
 Jelajahi di sini dan perlahan-lahan buat jalan kami, Anda bisa secara visual 
 melihat lebih jauh dan lebih jauh. 
 Begitu kita sampai pada titik keputusan ini, kita akan 
 jelajahi baik ke atas dan ke bawah sampai, akhirnya, kita 
 berjalan menuju tujuan. 
 Dan yang akan Anda perhatikan adalah, ya, pencarian pertama yang luas 

Italian: 
 abbiamo trovato la nostra strada da A a B seguendo questo particolare percorso. 
 Ma per farlo era necessario esplorare molti stati. 
 E così vediamo alcuni scambi qui tra DFS e BFS. 
 Che in DFS potrebbero esserci alcuni casi in cui vi sono alcuni risparmi di memoria, 
 rispetto ad un primo approccio ampio dove 
 L'ampiezza della prima ricerca, in questo caso, ha dovuto esplorare molti stati. 
 Ma forse non sarà sempre così. 
 Quindi ora rivolgiamo la nostra attenzione a un po 'di codice. 
 E guarda il codice che potremmo effettivamente 
 scrivere al fine di implementare qualcosa come profondità prima ricerca o larghezza 
 per la ricerca nel contesto della risoluzione di un labirinto, per esempio. 
 Quindi vado avanti e vado nel mio terminale. 
 E quello che ho qui all'interno di maze.pi è un'implementazione 
 di questa stessa idea di risoluzione del labirinto. 
 Ho definito una classe chiamata nodo che in questo caso 
 sta tenendo traccia dello stato, il genitore, in altre parole 
 lo stato prima dello stato e l'azione. 
 In questo caso, non stiamo tenendo traccia del costo del percorso 
 perché possiamo calcolare il costo del percorso alla fine 

Dutch: 
 hebben onze weg van A naar B gevonden door dit specifieke pad te volgen. 
 Maar daarvoor moesten veel staten worden verkend. 
 En dus zien we hier wat handel tussen DFS en BFS. 
 Dat er in DFS in sommige gevallen geheugenbesparing kan zijn, 
 in vergelijking met een eerste breedteaanpak waar 
 eerste zoekactie op de breedte moest in dit geval veel staten verkennen. 
 Maar misschien is dat niet altijd het geval. 
 Dus laten we nu onze aandacht richten op een code. 
 En kijk naar de code die we eigenlijk zouden kunnen 
 schrijf om zoiets als diepte eerst zoeken of breedte te implementeren 
 voor het zoeken in het kader van bijvoorbeeld het oplossen van een doolhof. 
 Dus ik ga door en ga naar mijn terminal. 
 En wat ik hier binnenin doolhof.pi heb, is een implementatie 
 van hetzelfde idee van het oplossen van doolhoven. 
 Ik heb in dit geval een klasse met de naam knooppunt gedefinieerd 
 houdt met andere woorden de staat, de ouder bij 
 de staat voor de staat, en de actie. 
 In dit geval houden we de padkosten niet bij 
 omdat we aan het einde de kosten van het pad kunnen berekenen 

German: 
 haben unseren Weg von A nach B gefunden, indem wir diesem bestimmten Weg gefolgt sind. 
 Dafür mussten jedoch viele Staaten erkundet werden. 
 Und so sehen wir hier einen gewissen Handel zwischen DFS und BFS. 
 Dass es in der DFS einige Fälle geben kann, in denen Speicher gespart wird, 
 im Vergleich zu einem breiten ersten Ansatz, bei dem 
 Breite erste Suche musste in diesem Fall viele Staaten erkunden. 
 Aber vielleicht ist das nicht immer der Fall. 
 Wenden wir uns nun einem Code zu. 
 Und schauen Sie sich den Code an, den wir tatsächlich könnten 
 Schreiben Sie, um so etwas wie Tiefensuche oder Breite zu implementieren 
 zum Beispiel für die Suche im Zusammenhang mit der Lösung eines Labyrinths. 
 Also gehe ich voran und gehe in mein Terminal. 
 Und was ich hier in maze.pi habe, ist eine Implementierung 
 von der gleichen Idee der Labyrinthlösung. 
 Ich habe eine Klasse namens Node definiert, die in diesem Fall 
 verfolgt mit anderen Worten den Staat, den Elternteil 
 der Staat vor dem Staat und die Aktion. 
 In diesem Fall verfolgen wir die Pfadkosten nicht 
 weil wir am Ende die Kosten des Pfades berechnen können 

Arabic: 
 وجدت طريقنا من أ إلى ب باتباع هذا المسار بالذات. 
 لكنها كانت بحاجة إلى استكشاف الكثير من الدول من أجل القيام بذلك. 
 وهكذا نرى بعض التجارة هنا بين DFS و BFS. 
 أنه في DFS قد تكون هناك بعض الحالات التي يوجد فيها بعض وفورات في الذاكرة ، 
 بالمقارنة مع المقاربة الأولى للعرض 
 كان على البحث الأول الواسع ، في هذه الحالة ، استكشاف الكثير من الحالات. 
 ولكن ربما لن يكون هذا هو الحال دائمًا. 
 لذلك الآن دعونا نحول انتباهنا بالفعل إلى بعض التعليمات البرمجية. 
 وإلقاء نظرة على الرمز الذي يمكننا فعله 
 الكتابة من أجل تنفيذ شيء مثل البحث الأول أو العرض 
 للبحث في سياق حل متاهة ، على سبيل المثال. 
 لذلك سأذهب إلى المحطة النهائية. 
 وما لدي هنا داخل maze.pi هو تنفيذ 
 من نفس فكرة حل المتاهة. 
 لقد حددت فئة تسمى العقدة التي في هذه الحالة 
 بعبارة أخرى ، تتبع الدولة ، الأب 
 الدولة قبل الدولة ، والعمل. 
 في هذه الحالة ، لا نتتبع تكلفة المسار 
 لأنه يمكننا حساب تكلفة المسار في النهاية 

Japanese: 
この特定のパスをたどることによって、AからBへの道を見つけました。 
しかし、そのためには多くの州を調査する必要がありました。 
ここで、DFSとBFSの間でいくつかの取引が見られます。 
 DFSでは、メモリが節約される場合があります。 
幅の最初のアプローチと比較して
この場合、幅優先検索では多くの州を探索する必要がありました。 
しかし、常にそうなるとは限りません。 
それでは、実際にいくつかのコードに注意を向けましょう。 
そして、私たちが実際にできるコードを見てください
深さ優先検索や幅のようなものを実装するために書く
たとえば、迷路を解くコンテキストでの検索用です。 
だから私は先に行き、私のターミナルに入ります。 
そして、maze.piの内部にあるのは実装です
迷路を解くというこの同じ考えの。 
この場合、nodeというクラスを定義しました
つまり、親、つまり状態を追跡している
状態の前の状態とアクション。 
この場合、パスコストを追跡していません
最後にパスのコストを計算できるので

Hindi: 
 इस विशेष मार्ग का अनुसरण करके A से B तक हमारा मार्ग खोजा। 
 लेकिन ऐसा करने के लिए बहुत सारे राज्यों का पता लगाने की जरूरत थी। 
 और इसलिए हम यहां डीएफएस और बीएफएस के बीच कुछ व्यापार देखते हैं। 
 कि डीएफएस में कुछ मामले हो सकते हैं जहां कुछ मेमोरी सेविंग है, 
 एक चौड़ाई पहले दृष्टिकोण की तुलना में जहां 
 इस मामले में, पहले खोज ने कई राज्यों का पता लगाया था। 
 लेकिन शायद ऐसा हमेशा नहीं होगा। 
 तो अब चलो वास्तव में हमारा ध्यान कुछ कोड की ओर जाता है। 
 और उस कोड को देखें जो हम वास्तव में कर सकते थे 
 गहराई से पहले खोज या चौड़ाई जैसी किसी चीज़ को लागू करने के लिए लिखें 
 उदाहरण के लिए भूलभुलैया को सुलझाने के संदर्भ में खोज के लिए। 
 इसलिए मैं आगे जाकर अपने टर्मिनल में जाऊंगा। 
 और मेरे पास यहां maze.pi के अंदर क्या है, एक कार्यान्वयन है 
 भूलभुलैया को सुलझाने के इसी विचार के। 
 मैंने नोड नामक एक वर्ग को इस मामले में परिभाषित किया है 
 राज्य, माता-पिता, दूसरे शब्दों में ट्रैक कर रहा है 
 राज्य से पहले राज्य, और कार्रवाई। 
 इस मामले में, हम पथ लागत का ट्रैक नहीं रख रहे हैं 
 क्योंकि हम अंत में पथ की लागत की गणना कर सकते हैं 

Indonesian: 
 menemukan jalan kami dari A ke B dengan mengikuti jalur khusus ini. 
 Tetapi perlu mengeksplorasi banyak negara untuk melakukannya. 
 Jadi kami melihat beberapa perdagangan di sini antara DFS dan BFS. 
 Bahwa dalam DFS mungkin ada beberapa kasus di mana ada beberapa penghematan memori, 
 dibandingkan dengan luasnya pendekatan pertama dimana 
 Luasnya pencarian pertama, dalam hal ini, harus menjelajahi banyak negara. 
 Tapi mungkin itu tidak selalu menjadi masalah. 
 Jadi sekarang mari kita benar-benar mengalihkan perhatian kita ke beberapa kode. 
 Dan lihat kode yang sebenarnya kita bisa 
 menulis untuk mengimplementasikan sesuatu seperti pencarian pertama mendalam atau luasnya 
 untuk pencarian dalam konteks pemecahan labirin, misalnya. 
 Jadi saya akan pergi ke depan dan pergi ke terminal saya. 
 Dan apa yang saya miliki di sini di dalam maze.pi adalah implementasi 
 ide yang sama tentang pemecahan maze ini. 
 Saya telah mendefinisikan sebuah kelas yang disebut simpul yang dalam hal ini 
 adalah melacak negara, orang tua, dengan kata lain 
 negara sebelum negara, dan tindakan. 
 Dalam hal ini, kami tidak melacak biaya jalur 
 karena kita dapat menghitung biaya jalan pada akhirnya 

Turkish: 
 bu yolu izleyerek A'dan B'ye doğru yolumuzu buldu. 
 Ancak bunu yapabilmek için birçok eyalet araştırması gerekiyordu. 
 Ve burada DFS ve BFS arasında bir miktar ticaret görüyoruz. 
 DFS'de bazı bellek tasarruflarının olduğu bazı durumlar olabilir, 
 genişlik ilk yaklaşımı ile karşılaştırıldığında 
 ilk genişlik arama, bu durumda, bir çok devlet keşfetmek zorunda kaldı. 
 Ama belki de her zaman böyle olmaz. 
 Şimdi dikkatimizi bir koda çevirelim. 
 Ve aslında yapabileceğimiz koda bak 
 önce derinlik araması veya genişlik gibi bir şeyi uygulamak için yaz 
 örneğin, bir labirenti çözme bağlamında arama yapmak için. 
 Bu yüzden devam edip terminalime gireceğim. 
 Ve burada labirent.pi içinde ne var bir uygulama 
 aynı labirent çözme fikrinin 
 Bu durumda düğüm adı verilen bir sınıf tanımladım 
 devleti, ebeveyni, yani 
 devletten önceki devlet ve eylem. 
 Bu durumda, yol maliyetini takip etmiyoruz 
 çünkü sonunda yolun maliyetini hesaplayabiliriz 

Chinese: 
确实遵循这条路径找到了从A到B的道路。 
但是它需要探索许多州才能做到这一点。 
因此，我们看到了DFS和BFS之间的一些交易。 
在DFS中，某些情况下可能会节省一些内存， 
与广度优先方法相比
在这种情况下，广度优先搜索必须探索许多州。 
但也许并非总是如此。 
因此，现在让我们实际上将注意力转向一些代码。 
看看我们实际上可以编写的代码
为了实现诸如深度优先搜索或广度之类的功能而编写
例如，在解决迷宫方面进行搜索。 
因此，我将继续进入终端。 
我在maze.pi里面拥有的是一个实现
解决迷宫的相同想法。 
我定义了一个叫做node的类
换句话说，是在跟踪状态，即父级
状态之前的状态，以及动作。 
在这种情况下，我们不会跟踪路径成本
因为我们可以在最后计算出路径的成本

Chinese: 
確實遵循這條路徑找到了從A到B的道路。 
但是它需要探索許多州才能做到這一點。 
因此，我們看到了DFS和BFS之間的一些交易。 
在DFS中，某些情況下可能會節省一些內存， 
與廣度優先方法相比
在這種情況下，廣度優先搜索必須探索許多州。 
但也許並非總是如此。 
因此，現在讓我們實際上將注意力轉向一些代碼。 
看一下我們實際上可以編寫的代碼
為了實現諸如深度優先搜索或廣度之類的功能而編寫
例如，在解決迷宮方面進行搜索。 
因此，我將繼續進入終端。 
我在maze.pi裡面擁有的是一個實現
解決迷宮的相同想法。 
我定義了一個叫做node的類
換句話說，是在跟踪狀態，即父級
狀態之前的狀態，以及動作。 
在這種情況下，我們不會跟踪路徑成本
因為我們可以在最後計算出路徑的成本

Spanish: 
 sí encontramos nuestro camino de A a B siguiendo este camino en particular. 
 Pero necesitaba explorar muchos estados para hacerlo. 
 Y entonces vemos algo de comercio aquí entre DFS y BFS. 
 Que en DFS puede haber algunos casos donde hay algunos ahorros de memoria, 
 en comparación con un primer enfoque amplio donde 
 La primera búsqueda de amplitud, en este caso, tuvo que explorar muchos estados. 
 Pero tal vez ese no siempre sea el caso. 
 Así que ahora volvamos nuestra atención a algún código. 
 Y mira el código que realmente podríamos 
 escribir para implementar algo como profundidad primero búsqueda o amplitud 
 para la búsqueda en el contexto de resolver un laberinto, por ejemplo. 
 Así que seguiré y entraré en mi terminal. 
 Y lo que tengo aquí dentro de maze.pi es una implementación 
 de esta misma idea de resolución de laberintos. 
 He definido una clase llamada nodo que en este caso 
 está haciendo un seguimiento del estado, el padre, en otras palabras 
 el estado antes del estado y la acción. 
 En este caso, no estamos realizando un seguimiento del costo de la ruta 
 porque podemos calcular el costo de la ruta al final 

Portuguese: 
 encontramos nosso caminho de A a B seguindo esse caminho em particular. 
 Mas era necessário explorar muitos estados para fazê-lo. 
 E assim vemos algumas trocas aqui entre DFS e BFS. 
 Que no DFS pode haver alguns casos em que há economia de memória, 
 em comparação com uma primeira abordagem abrangente, onde 
 a primeira pesquisa de abrangência, nesse caso, teve que explorar muitos estados. 
 Mas talvez nem sempre seja esse o caso. 
 Então agora vamos realmente voltar nossa atenção para algum código. 
 E olhe o código que poderíamos realmente 
 escreva para implementar algo como a profundidade da primeira pesquisa ou a amplitude 
 para a pesquisa no contexto de resolver um labirinto, por exemplo. 
 Então eu vou em frente e vou para o meu terminal. 
 E o que tenho aqui dentro do maze.pi é uma implementação 
 desta mesma idéia de resolução de labirinto. 
 Eu defini uma classe chamada nó que, neste caso 
 está acompanhando o estado, o pai, em outras palavras 
 o estado antes do estado e a ação. 
 Nesse caso, não estamos acompanhando o custo do caminho 
 porque podemos calcular o custo do caminho no final 

English: 
did find our way from A to B by following this particular path.
But it needed to explore a lot of states in order to do so.
And so we see some trade here between DFS and BFS.
That in DFS there may be some cases where there is some memory savings,
as compared to a breadth first approach where
breadth first search, in this case, had to explore a lot of states.
But maybe that won't always be the case.
So now let's actually turn our attention to some code.
And look at the code that we could actually
write in order to implement something like depth first search or breadth
for the search in the context of solving a maze, for example.
So I'll go ahead and go into my terminal.
And what I have here inside of maze.pi is an implementation
of this same idea of maze solving.
I've defined a class called node that in this case
is keeping track of the state, the parent, in other words
the state before the state, and the action.
In this case, we're not keeping track of the path cost
because we can calculate the cost of the path at the end

Russian: 
 действительно наш путь от А до Б, следуя этому конкретному пути. 
 Но для этого нужно было исследовать множество штатов. 
 И поэтому мы видим некоторую торговлю здесь между DFS и BFS. 
 Что в DFS могут быть некоторые случаи, когда есть некоторая экономия памяти, 
 по сравнению с широким первым подходом, где 
 Вначале поиска в ширину пришлось исследовать множество штатов. 
 Но, возможно, это не всегда так. 
 Итак, теперь давайте обратим наше внимание на некоторый код. 
 И посмотрите на код, который мы могли бы на самом деле 
 напишите, чтобы реализовать что-то вроде глубины поиска или ширины 
 для поиска в контексте решения лабиринта, например. 
 Так что я пойду дальше и зайду в свой терминал. 
 И то, что я имею здесь в maze.pi, это реализация 
 этой же идеи решения лабиринта. 
 Я определил класс с именем узла, который в этом случае 
 отслеживает состояние, родитель, другими словами 
 государство перед государством, и действие. 
 В этом случае мы не отслеживаем стоимость пути 
 потому что мы можем рассчитать стоимость пути в конце 

French: 
 a trouvé notre chemin de A à B en suivant ce chemin particulier. 
 Mais il fallait pour cela explorer de nombreux États. 
 Et nous voyons donc des échanges ici entre DFS et BFS. 
 Que dans DFS, il peut y avoir des cas où il y a des économies de mémoire, 
 par rapport à une première approche large où 
 l'ampleur de la première recherche, dans ce cas, devait explorer de nombreux états. 
 Mais ce ne sera peut-être pas toujours le cas. 
 Alors maintenant, tournons notre attention vers du code. 
 Et regardez le code que nous pourrions réellement 
 écrire afin de mettre en œuvre quelque chose comme la première recherche de profondeur ou la largeur 
 pour la recherche dans le cadre de la résolution d'un labyrinthe par exemple. 
 Je vais donc aller de l'avant et entrer dans mon terminal. 
 Et ce que j'ai ici à l'intérieur de maze.pi est une implémentation 
 de cette même idée de résolution de labyrinthe. 
 J'ai défini une classe appelée nœud qui dans ce cas 
 est de suivre l'état, le parent, en d'autres termes 
 l'État devant l'État et l'action. 
 Dans ce cas, nous ne suivons pas le coût du trajet 
 parce que nous pouvons calculer le coût du chemin à la fin 

Modern Greek (1453-): 
 βρήκαμε το δρόμο μας από το Α στο Β ακολουθώντας αυτό το συγκεκριμένο μονοπάτι. 
 Αλλά χρειάστηκε να εξερευνήσει πολλές πολιτείες για να το κάνει. 
 Και λοιπόν βλέπουμε κάποιες συναλλαγές μεταξύ DFS και BFS. 
 Ότι στο DFS μπορεί να υπάρχουν μερικές περιπτώσεις όπου υπάρχει κάποια εξοικονόμηση μνήμης, 
 σε σύγκριση με την πρώτη προσέγγιση του εύρους όπου 
 Πρώτη αναζήτηση, σε αυτήν την περίπτωση, έπρεπε να εξερευνήσει πολλές πολιτείες. 
 Αλλά ίσως αυτό δεν ισχύει πάντα. 
 Τώρα ας στρέψουμε την προσοχή μας σε κάποιον κώδικα. 
 Και κοιτάξτε τον κώδικα που θα μπορούσαμε πραγματικά 
 γράψτε για να εφαρμόσετε κάτι όπως η πρώτη αναζήτηση βάθους ή το εύρος 
 για την αναζήτηση στο πλαίσιο της επίλυσης ενός λαβυρίνθου, για παράδειγμα. 
 Έτσι θα προχωρήσω και θα πάω στο τερματικό μου. 
 Και αυτό που έχω εδώ μέσα στο maze.pi είναι μια εφαρμογή 
 αυτής της ίδιας ιδέας για την επίλυση λαβυρίνθου. 
 Έχω ορίσει μια κλάση που ονομάζεται κόμβος που σε αυτήν την περίπτωση 
 παρακολουθεί την κατάσταση, τον γονέα, με άλλα λόγια 
 το κράτος πριν από το κράτος και τη δράση. 
 Σε αυτήν την περίπτωση, δεν παρακολουθούμε το κόστος διαδρομής 
 γιατί μπορούμε να υπολογίσουμε το κόστος της διαδρομής στο τέλος 

Korean: 
 이 특정 경로를 따라 A에서 B로가는 길을 찾았습니다. 
 그러나 그렇게하려면 많은 주를 탐험해야했습니다. 
 그래서 우리는 여기서 DFS와 BFS 사이의 거래를 보게됩니다. 
 DFS에서는 메모리가 약간 절약되는 경우가 있습니다. 
 광범위한 첫 번째 접근 방식에 비해 
 이 경우 폭 넓은 첫 번째 검색은 많은 주를 탐색해야했습니다. 
 그러나 아마도 항상 그런 것은 아닙니다. 
 자 이제 우리의 관심을 어떤 코드로 바꾸어 봅시다. 
 그리고 실제로 우리가 할 수있는 코드를보십시오 
 깊이 우선 검색 또는 너비와 같은 것을 구현하기 위해 작성 
 예를 들어 미로 해결의 맥락에서 검색합니다. 
 계속해서 터미널로갑니다. 
 그리고 maze.pi 내부에있는 것은 구현입니다. 
 미로 해결의 동일한 아이디어의. 
 이 경우 node라는 클래스를 정의했습니다. 
 상태, 부모, 즉 다른 말로 
 상태 전의 상태 및 작업 
 이 경우 경로 비용을 추적하지 않습니다 
 끝에 경로의 비용을 계산할 수 있기 때문에 

English: 
after we found our way from the initial state to the goal.
In addition to this, I've defined a class called a stack frontier.
And if unfamiliar with a class, a class is a way for me
to define a way to generate objects in Python.
It refers to an idea of object oriented programming where the idea here
is that I would like to create an object that is
able to store all of my Frontier Data.
And I would like to have functions, otherwise known
as methods on that object, that I can use to manipulate the object.
And so what's going on here, if unfamiliar with the syntax,
is I have a function that initially creates a frontier
that I'm going to represent using a list.
And initially my frontier is represented by the empty list.
There's nothing in my frontier to begin with.
I have an add function that adds something to the frontier,
as by appending it to the end of the list.
I have a function that checks if the frontier contains a particular state.
I have an empty function that checks if the frontier is empty.
If the frontier is empty, that just means the length of the frontier

French: 
 après avoir trouvé notre chemin de l'état initial au but. 
 En plus de cela, j'ai défini une classe appelée frontière de pile. 
 Et si je ne suis pas familier avec une classe, une classe est un moyen pour moi 
 pour définir un moyen de générer des objets en Python. 
 Il se réfère à une idée de programmation orientée objet où l'idée ici 
 c'est que je voudrais créer un objet qui soit 
 capable de stocker toutes mes données Frontier. 
 Et j'aimerais avoir des fonctions, autrement connues 
 comme méthodes sur cet objet, que je peux utiliser pour manipuler l'objet. 
 Et donc ce qui se passe ici, si vous ne connaissez pas la syntaxe, 
 est que j'ai une fonction qui crée initialement une frontière 
 que je vais représenter en utilisant une liste. 
 Et au départ ma frontière est représentée par la liste vide. 
 Il n'y a rien dans ma frontière pour commencer. 
 J'ai une fonction d'ajout qui ajoute quelque chose à la frontière, 
 comme en l'ajoutant à la fin de la liste. 
 J'ai une fonction qui vérifie si la frontière contient un état particulier. 
 J'ai une fonction vide qui vérifie si la frontière est vide. 
 Si la frontière est vide, cela signifie simplement la longueur de la frontière 

Chinese: 
在找到了從初始狀態到目標的方法之後。 
除此之外，我還定義了一個稱為堆棧邊界的類。 
如果不熟悉課程，上課對我來說是一種方法
定義在Python中生成對象的方法。 
它指的是面向對象編程的思想，這裡的思想
是我想創建一個對象
能夠存儲我所有的邊境數據。 
我想擁有一些功能，否則稱為
作為該對像上的方法，我可以用來操縱該對象。 
所以這裡發生了什麼，如果不熟悉語法， 
我有一個最初創建邊界的函數
我將使用列表來表示。 
最初，我的疆界由空列表表示。 
首先，我的疆域一無所有。 
我有一個添加功能，可以向邊界添加內容， 
如將其附加到列表末尾。 
我有一個檢查邊界是否包含特定狀態的函數。 
我有一個空函數，檢查邊界是否為空。 
如果邊界是空的，那就意味著邊界的長度

Indonesian: 
 setelah kami menemukan jalan dari keadaan awal ke tujuan. 
 Selain itu, saya telah mendefinisikan kelas yang disebut stack frontier. 
 Dan jika tidak terbiasa dengan kelas, kelas adalah cara bagi saya 
 untuk menentukan cara menghasilkan objek dalam Python. 
 Ini mengacu pada ide pemrograman berorientasi objek tempat ide di sini 
 adalah bahwa saya ingin membuat objek itu 
 dapat menyimpan semua Data Perbatasan saya. 
 Dan saya ingin memiliki fungsi, jika tidak diketahui 
 sebagai metode pada objek itu, yang bisa saya gunakan untuk memanipulasi objek. 
 Jadi apa yang terjadi di sini, jika tidak terbiasa dengan sintaks, 
 adalah saya memiliki fungsi yang awalnya membuat perbatasan 
 bahwa saya akan mewakili menggunakan daftar. 
 Dan awalnya perbatasan saya diwakili oleh daftar kosong. 
 Tidak ada apa-apa di perbatasan saya untuk memulai. 
 Saya memiliki fungsi add yang menambahkan sesuatu ke perbatasan, 
 seperti dengan menambahkannya ke akhir daftar. 
 Saya memiliki fungsi yang memeriksa apakah perbatasan berisi keadaan tertentu. 
 Saya memiliki fungsi kosong yang memeriksa apakah perbatasan kosong. 
 Jika perbatasan kosong, itu berarti panjang perbatasan 

Russian: 
 после того, как мы нашли путь от исходного состояния к цели. 
 В дополнение к этому, я определил класс, называемый границей стека. 
 И если незнаком с классом, класс для меня 
 определить способ генерации объектов в Python. 
 Это относится к идее объектно-ориентированного программирования, где идея здесь 
 является то, что я хотел бы создать объект, который 
 возможность хранить все мои пограничные данные. 
 И я хотел бы иметь функции, иначе известные 
 в качестве методов этого объекта, которые я могу использовать для управления объектом. 
 И так, что здесь происходит, если незнакомы с синтаксисом, 
 это у меня есть функция, которая изначально создает границу 
 что я собираюсь представлять, используя список. 
 И изначально моя граница представлена ​​пустым списком. 
 Там нет ничего на моей границе для начала. 
 У меня есть функция добавления, которая добавляет что-то к границе, 
 как добавив его в конец списка. 
 У меня есть функция, которая проверяет, содержит ли граница определенное состояние. 
 У меня есть пустая функция, которая проверяет, является ли граница пустой. 
 Если граница пуста, это означает, что длина границы 

German: 
 nachdem wir den Weg vom Ausgangszustand zum Ziel gefunden hatten. 
 Darüber hinaus habe ich eine Klasse definiert, die als Stack Frontier bezeichnet wird. 
 Und wenn ich mit einer Klasse nicht vertraut bin, ist eine Klasse ein Weg für mich 
 um eine Möglichkeit zum Generieren von Objekten in Python zu definieren. 
 Es bezieht sich auf eine Idee der objektorientierten Programmierung, wo die Idee hier ist 
 ist, dass ich ein Objekt erstellen möchte, das ist 
 in der Lage, alle meine Frontier-Daten zu speichern. 
 Und ich hätte gerne Funktionen, sonst bekannt 
 als Methoden für dieses Objekt, mit denen ich das Objekt manipulieren kann. 
 Und was ist hier los, wenn Sie mit der Syntax nicht vertraut sind? 
 Ich habe eine Funktion, die zunächst eine Grenze schafft 
 dass ich mit einer Liste darstellen werde. 
 Und anfangs wird meine Grenze durch die leere Liste dargestellt. 
 Es gibt zunächst nichts an meiner Grenze. 
 Ich habe eine Add-Funktion, die der Grenze etwas hinzufügt. 
 wie durch Anhängen an das Ende der Liste. 
 Ich habe eine Funktion, die prüft, ob die Grenze einen bestimmten Zustand enthält. 
 Ich habe eine leere Funktion, die prüft, ob die Grenze leer ist. 
 Wenn die Grenze leer ist, bedeutet dies nur die Länge der Grenze 

Portuguese: 
 depois que encontramos o caminho do estado inicial para a meta. 
 Além disso, eu defini uma classe chamada fronteira de pilha. 
 E se não estiver familiarizado com uma aula, uma aula é uma maneira para mim 
 para definir uma maneira de gerar objetos em Python. 
 Refere-se a uma idéia de programação orientada a objetos, onde a idéia aqui 
 é que eu gostaria de criar um objeto que seja 
 capaz de armazenar todos os meus dados da fronteira. 
 E eu gostaria de ter funções, também conhecidas 
 como métodos nesse objeto, que eu posso usar para manipular o objeto. 
 E então, o que está acontecendo aqui, se não estiver familiarizado com a sintaxe, 
 é que eu tenho uma função que cria inicialmente uma fronteira 
 que eu vou representar usando uma lista. 
 E inicialmente minha fronteira é representada pela lista vazia. 
 Não há nada na minha fronteira para começar. 
 Eu tenho uma função add que adiciona algo à fronteira, 
 como anexando-o ao final da lista. 
 Eu tenho uma função que verifica se a fronteira contém um estado específico. 
 Eu tenho uma função vazia que verifica se a fronteira está vazia. 
 Se a fronteira estiver vazia, isso significa apenas o comprimento da fronteira 

Hindi: 
 प्रारंभिक अवस्था से लेकर लक्ष्य तक पहुंचने के बाद हमने अपना रास्ता खोज लिया। 
 इसके अतिरिक्त, मैंने एक वर्ग को परिभाषित किया है जिसे स्टैक फ्रंटियर कहा जाता है। 
 और अगर एक वर्ग से अपरिचित है, तो एक वर्ग मेरे लिए एक रास्ता है 
 पाइथन में वस्तुओं को उत्पन्न करने का एक तरीका परिभाषित करने के लिए। 
 यह ऑब्जेक्ट ओरिएंटेड प्रोग्रामिंग के विचार को संदर्भित करता है जहां विचार यहां है 
 यह है कि मैं एक वस्तु बनाना चाहूंगा जो है 
 मेरे सभी फ्रंटियर डेटा को स्टोर करने में सक्षम। 
 और मैं कार्य करना चाहूंगा, अन्यथा जाना जाता है 
 उस वस्तु पर विधियों के रूप में, कि मैं वस्तु का हेरफेर करने के लिए उपयोग कर सकता हूं। 
 और यहाँ क्या हो रहा है, अगर वाक्य रचना से अपरिचित है, 
 क्या मेरा कोई कार्य है जो शुरू में एक सीमा बनाता है 
 मैं एक सूची का उपयोग करके प्रतिनिधित्व करने जा रहा हूं। 
 और शुरू में मेरे सीमांत को खाली सूची द्वारा दर्शाया गया है। 
 शुरू करने के लिए मेरे सीमांत में कुछ भी नहीं है। 
 मेरे पास एक ऐड फंक्शन है जो फ्रंटियर में कुछ जोड़ता है, 
 सूची के अंत में इसे जोड़कर। 
 मेरे पास एक फ़ंक्शन है जो यह जांचता है कि फ्रंटियर में कोई विशेष स्थिति है या नहीं। 
 मेरे पास एक खाली फ़ंक्शन है जो जांचता है कि फ्रंटियर खाली है या नहीं। 
 यदि सीमांत खाली है, तो इसका अर्थ है कि सीमा की लंबाई 

Korean: 
 초기 상태에서 목표에 이르는 길을 찾았습니다. 
 이 외에도 스택 프론티어라는 클래스를 정의했습니다. 
 그리고 수업에 익숙하지 않다면 수업은 나를위한 방법입니다 
 파이썬에서 객체를 생성하는 방법을 정의합니다. 
 여기서 아이디어가 나오는 객체 지향 프로그래밍의 아이디어를 말합니다. 
 나는 객체를 만들고 싶습니다 
 모든 프론티어 데이터를 저장할 수 있습니다. 
 그리고 다른 기능을 알고 싶습니다. 
 해당 객체의 메소드로 객체를 조작하는 데 사용할 수 있습니다. 
 구문에 익숙하지 않은 경우 여기에서 진행되는 작업은 
 처음에 프론티어를 만드는 기능이 있습니까? 
 리스트를 사용하여 표현할 것입니다. 
 그리고 처음에는 내 프론티어가 빈 목록으로 표시됩니다. 
 내 프론티어에는 아무것도 없습니다. 
 프론티어에 무언가를 추가하는 추가 기능이 있습니다. 
 목록 끝에 추가하면됩니다. 
 프론티어에 특정 상태가 포함되어 있는지 확인하는 기능이 있습니다. 
 프론티어가 비어 있는지 확인하는 빈 함수가 있습니다. 
 프론티어가 비어 있으면 프론티어의 길이를 의미합니다. 

Italian: 
 dopo che abbiamo trovato la nostra strada dallo stato iniziale all'obiettivo. 
 Inoltre, ho definito una classe chiamata frontiera dello stack. 
 E se non ho familiarità con una classe, una classe è un modo per me 
 per definire un modo per generare oggetti in Python. 
 Si riferisce a un'idea di programmazione orientata agli oggetti in cui l'idea qui 
 è che vorrei creare un oggetto che sia 
 in grado di memorizzare tutti i miei dati di frontiera. 
 E vorrei avere funzioni, altrimenti note 
 come metodi su quell'oggetto, che posso usare per manipolare l'oggetto. 
 E quindi cosa sta succedendo qui, se non si ha familiarità con la sintassi, 
 è che ho una funzione che inizialmente crea una frontiera 
 che rappresenterò usando un elenco. 
 E inizialmente la mia frontiera è rappresentata dalla lista vuota. 
 Non c'è niente nella mia frontiera per cominciare. 
 Ho una funzione add che aggiunge qualcosa alla frontiera, 
 come aggiungendolo alla fine dell'elenco. 
 Ho una funzione che controlla se la frontiera contiene uno stato particolare. 
 Ho una funzione vuota che controlla se la frontiera è vuota. 
 Se la frontiera è vuota, significa solo la lunghezza della frontiera 

Turkish: 
 başlangıç ​​durumundan hedefe doğru yolumuzu bulduktan sonra. 
 Buna ek olarak, yığın sınır adı verilen bir sınıf tanımladım. 
 Ve eğer bir sınıfa yabancıysanız, bir sınıf benim için bir yoldur 
 Python'da nesne üretmenin bir yolunu tanımlamak için. 
 Burada fikrin olduğu nesne yönelimli programlama fikrine atıfta bulunur. 
 şu bir nesne oluşturmak istiyorum: 
 tüm Frontier Verilerimi saklayabiliyor. 
 Ve başka türlü bilinen fonksiyonlara sahip olmak istiyorum 
 bu nesne üzerinde yöntem olarak, nesneyi manipüle etmek için kullanabileceğim. 
 Ve burada neler oluyor, eğer sözdizimine aşina değilseniz, 
 başlangıçta bir sınır oluşturan bir fonksiyonum var 
 bir liste kullanarak temsil edeceğim. 
 Başlangıçta sınırım boş liste ile temsil ediliyor. 
 Sınırımda başlayacak hiçbir şey yok. 
 Sınıra bir şey katan bir ekleme fonksiyonu var, 
 listenin sonuna ekleyerek. 
 Sınırın belirli bir durum içerip içermediğini kontrol eden bir fonksiyonum var. 
 Sınırın boş olup olmadığını kontrol eden boş bir fonksiyonum var. 
 Sınır boşsa, bu sadece sınırın uzunluğu anlamına gelir 

Spanish: 
 después de encontrar nuestro camino desde el estado inicial a la meta. 
 Además de esto, he definido una clase llamada frontera de pila. 
 Y si no estoy familiarizado con una clase, una clase es una manera para mí 
 para definir una forma de generar objetos en Python. 
 Se refiere a una idea de programación orientada a objetos donde la idea aquí 
 es que me gustaría crear un objeto que sea 
 capaz de almacenar todos mis datos de Frontier. 
 Y me gustaría tener funciones, también conocidas 
 como métodos en ese objeto, que puedo usar para manipular el objeto. 
 Y entonces, ¿qué está pasando aquí, si no está familiarizado con la sintaxis, 
 es que tengo una función que inicialmente crea una frontera 
 que voy a representar usando una lista. 
 E inicialmente mi frontera está representada por la lista vacía. 
 Para empezar, no hay nada en mi frontera. 
 Tengo una función de agregar que agrega algo a la frontera, 
 como al agregarlo al final de la lista. 
 Tengo una función que verifica si la frontera contiene un estado particular. 
 Tengo una función vacía que comprueba si la frontera está vacía. 
 Si la frontera está vacía, eso solo significa la longitud de la frontera 

Modern Greek (1453-): 
 αφού βρήκαμε τον δρόμο μας από την αρχική κατάσταση στον στόχο. 
 Εκτός από αυτό, έχω ορίσει μια τάξη που ονομάζεται stack frontier. 
 Και αν δεν είμαι εξοικειωμένος με μια τάξη, μια τάξη είναι ένας τρόπος για μένα 
 για να ορίσετε έναν τρόπο δημιουργίας αντικειμένων στο Python. 
 Αναφέρεται σε μια ιδέα αντικειμενοστρεφούς προγραμματισμού όπου η ιδέα εδώ 
 είναι ότι θα ήθελα να δημιουργήσω ένα αντικείμενο που είναι 
 ικανός να αποθηκεύσει όλα τα Frontier Data μου. 
 Και θα ήθελα να έχω λειτουργίες, αλλιώς γνωστές 
 ως μέθοδοι σε αυτό το αντικείμενο, που μπορώ να χρησιμοποιήσω για να χειριστώ το αντικείμενο. 
 Και τι συμβαίνει εδώ, αν δεν είναι εξοικειωμένο με τη σύνταξη, 
 Έχω μια λειτουργία που αρχικά δημιουργεί σύνορα 
 ότι θα εκπροσωπήσω χρησιμοποιώντας μια λίστα. 
 Και αρχικά τα σύνορά μου αντιπροσωπεύονται από την κενή λίστα. 
 Δεν υπάρχει τίποτα στα σύνορά μου για να ξεκινήσω. 
 Έχω μια λειτουργία προσθήκης που προσθέτει κάτι στα σύνορα, 
 όπως προσαρτώντας το στο τέλος της λίστας. 
 Έχω μια λειτουργία που ελέγχει αν το σύνορο περιέχει μια συγκεκριμένη κατάσταση. 
 Έχω μια κενή λειτουργία που ελέγχει εάν τα σύνορα είναι άδεια. 
 Εάν τα σύνορα είναι άδεια, αυτό σημαίνει απλώς το μήκος των συνόρων 

Chinese: 
在找到了从初始状态到目标的方法之后。 
除此之外，我还定义了一个称为堆栈边界的类。 
如果不熟悉课程，上课对我来说是一种方法
定义在Python中生成对象的方法。 
它指的是面向对象编程的思想，这里的思想
是我想创建一个对象
能够存储我所有的边境数据。 
我想拥有一些功能，否则称为
作为该对象上的方法，我可以用来操纵该对象。 
所以这里发生了什么，如果不熟悉语法， 
我有一个最初创建边界的函数
我将使用列表来表示。 
最初，我的疆界由空列表表示。 
首先，我的疆域一无所有。 
我有一个添加功能，可以向边界添加内容， 
如将其附加到列表末尾。 
我有一个检查边界是否包含特定状态的函数。 
我有一个空函数，检查边界是否为空。 
如果边界是空的，那就意味着边界的长度

Japanese: 
初期状態からゴールへの道を見つけた後。 
これに加えて、スタックフロンティアと呼ばれるクラスを定義しました。 
クラスに慣れていない場合、クラスは私にとっての方法です
 Pythonでオブジェクトを生成する方法を定義します。 
オブジェクト指向プログラミングのアイデアであり、ここでのアイデアは
あるオブジェクトを作成したいということです
フロンティアデータをすべて保存できます。 
そして、私は他の方法で知られている機能を持ちたいです
そのオブジェクトのメソッドとして、オブジェクトの操作に使用できます。 
そして、ここで何が起こっているのか、構文に慣れていない場合は、 
私は最初にフロンティアを作成する機能を持っていますか
リストを使って表現します。 
そして最初、私のフロンティアは空のリストで表されます。 
そもそも私のフロンティアには何もありません。 
フロンティアに何かを追加するadd関数があります。 
リストの最後に追加するなど。 
フロンティアに特定の状態が含まれているかどうかをチェックする機能があります。 
フロンティアが空かどうかをチェックする空の関数があります。 
フロンティアが空の場合、それはフロンティアの長さを意味します

Arabic: 
 بعد أن وجدنا طريقنا من الحالة الأولية إلى الهدف. 
 بالإضافة إلى ذلك ، قمت بتحديد فئة تسمى حد المكدس. 
 وإذا لم تكن على دراية بالصف ، فإن الصف هو طريقة بالنسبة لي 
 لتعريف طريقة لتوليد كائنات في بايثون. 
 يشير إلى فكرة البرمجة الشيئية حيث الفكرة هنا 
 هو أنني أرغب في إنشاء كائن 
 قادرة على تخزين جميع بيانات فرونتير الخاصة بي. 
 وأود أن يكون لها وظائف ، والمعروف خلاف ذلك 
 كطرق على هذا الكائن ، يمكنني استخدامها لمعالجة الكائن. 
 وبالتالي ، ما الذي يحدث هنا ، إذا لم يكن مألوفًا للقواعد ، 
 هو أن لدي وظيفة تخلق الحدود في البداية 
 التي سوف أمثلها باستخدام قائمة. 
 وفي البداية تم تمثيل حدود بلادي بالقائمة الفارغة. 
 لا يوجد شيء في حدودي في البداية. 
 لدي وظيفة إضافة تضيف شيئًا إلى الحدود ، 
 وذلك بإلحاقها بنهاية القائمة. 
 لدي وظيفة تتحقق مما إذا كانت الحدود تحتوي على حالة معينة. 
 لدي وظيفة فارغة تتحقق مما إذا كانت الحدود فارغة. 
 إذا كانت الحدود فارغة ، فهذا يعني فقط طول الحدود 

Dutch: 
 nadat we onze weg hadden gevonden van de oorspronkelijke staat naar het doel. 
 Daarnaast heb ik een klasse gedefinieerd die een stapelgrens wordt genoemd. 
 En als je een klas niet kent, is een klas een manier voor mij 
 om een ​​manier te definiëren om objecten in Python te genereren. 
 Het verwijst naar een idee van objectgeoriënteerd programmeren waar het idee hier is 
 is dat ik een object wil maken dat is 
 in staat om al mijn grensgegevens op te slaan. 
 En ik zou graag functies hebben, ook wel bekend 
 als methoden voor dat object, die ik kan gebruiken om het object te manipuleren. 
 En wat gebeurt hier als ik niet bekend ben met de syntaxis, 
 is dat ik een functie heb die aanvankelijk een grens creëert 
 die ik ga vertegenwoordigen met behulp van een lijst. 
 En in eerste instantie wordt mijn grens weergegeven door de lege lijst. 
 Er is om te beginnen niets aan mijn grens. 
 Ik heb een add-functie die iets toevoegt aan de grens, 
 als door het aan het einde van de lijst toe te voegen. 
 Ik heb een functie die controleert of de grens een bepaalde staat bevat. 
 Ik heb een lege functie die controleert of de grens leeg is. 
 Als de grens leeg is, betekent dat gewoon de lengte van de grens 

Dutch: 
 is nul. 
 En dan heb ik een functie om iets van de grens te verwijderen. 
 Ik kan iets niet van de grens verwijderen als de grens leeg is. 
 Dus daar kijk ik eerst naar. 
 Maar anders, als de grens niet leeg is, 
 herinner me dat ik deze grens als een stapel implementeer, 
 een laatste in, eerst uit datastructuur. 
 Wat het laatste is wat ik aan de grens toevoeg, 
 met andere woorden, het laatste in de lijst, 
 is het item dat ik van deze grens moet verwijderen. 
 Dus wat je hier zult zien, is dat ik het laatste item van een lijst heb verwijderd. 
 En als je indexeert in een Python-lijst met een negatieve, 
 waarmee u het laatste item in de lijst krijgt. 
 Omdat nul het eerste item is, negatief 
 een soort wikkel rond en brengt je naar het laatste item in de lijst. 
 Dus we geven dat het knooppunt. 
 We noemen dat knooppunt, we updaten de grens hier op regel 28 om te zeggen: 
 ga je gang en verwijder dat knooppunt dat je zojuist van de grens hebt verwijderd. 
 En dan retourneren we het knooppunt als resultaat. Dus deze les hier effectief 
 implementeert het idee van een grens. 
 Het geeft me een manier om iets toe te voegen aan een grens en een weg 

Chinese: 
是零。 
然后我有一个从边界中删除某些东西的功能。 
如果边界为空，则无法从边界中删除某些内容。 
所以我先检查一下。 
但是否则，如果边界不为空， 
回想一下，我正在将该前沿实现为堆栈， 
后进先出的数据结构。 
这意味着我要添加到边界的最后一件事， 
换句话说，列表中的最后一件事， 
是我应该从这个领域中删除的项目。 
因此，您将在这里看到的是我已删除列表的最后一项。 
而且，如果您索引带有负数的Python列表， 
这将使您获得列表中的最后一项。 
因为零是第一项，所以负数
可以让您转到列表中的最后一项。 
所以我们给那个节点。 
我们称为该节点，我们在第28行更新边界，说： 
继续并删除刚从边界删除的那个节点。 
然后我们返回该节点。所以这堂课很有效
实现边界的想法。 
它给了我一种向边界添加东西的方法

English: 
is zero.
And then I have a function for removing something from the frontier.
I can't remove something from the frontier if the frontier is empty.
So I check for that first.
But otherwise, if the frontier isn't empty,
recall that I'm implementing this frontier as a stack,
a last in, first out data structure.
Which means the last thing I add to the frontier,
in other words, the last thing in the list,
is the item that I should remove from this frontier.
So what you'll see here is I have removed the last item of a list.
And if you index into a Python list with negative one,
that gets you the last item in the list.
Since zero is the first item, negative one
kind of wraps around and gets you to the last item in the list.
So we give that the node.
We call that node, we update the frontier here on line 28 to say,
go ahead and remove that node that you just removed from the frontier.
And then we return the node as a result. So this class here effectively
implements the idea of a frontier.
It gives me a way to add something to a frontier and a way

Arabic: 
 صفر. 
 ثم لدي وظيفة لإزالة شيء ما من الحدود. 
 لا يمكنني إزالة شيء ما من الحدود إذا كانت الحدود فارغة. 
 لذا أتحقق من ذلك أولاً. 
 ولكن إذا لم تكن الحدود فارغة ، 
 تذكر أنني أقوم بتطبيق هذه الحدود ككومة ، 
 بنية بيانات أخيرة. 
 مما يعني أن آخر شيء أضيفه إلى الحدود ، 
 بعبارة أخرى ، آخر شيء في القائمة ، 
 هو العنصر الذي يجب أن أزيله من هذه الحدود. 
 إذن ما ستراه هنا هو أنني قمت بإزالة العنصر الأخير من القائمة. 
 وإذا فهرست في قائمة Python بقائمة سلبية ، 
 لتحصل على آخر عنصر في القائمة. 
 بما أن الصفر هو العنصر الأول والسالب 
 نوع من الالتفاف ويأخذك إلى العنصر الأخير في القائمة. 
 لذلك نعطي تلك العقدة. 
 نسمي تلك العقدة ، نقوم بتحديث الحدود هنا في السطر 28 ليقول ، 
 المضي قدما وإزالة العقدة التي قمت بإزالتها للتو من الحدود. 
 ثم نعيد العقدة نتيجة لذلك. لذلك هذه الفئة هنا بشكل فعال 
 ينفذ فكرة الحدود. 
 يعطيني طريقة لإضافة شيء إلى الحدود وطريقة 

Japanese: 
ゼロです。 
そして、フロンティアから何かを取り除く機能があります。 
フロンティアが空の場合、フロンティアから何かを削除することはできません。 
最初に確認します。 
しかし、そうでなければ、フロンティアが空でなければ、 
このフロンティアをスタックとして実装していることを思い出してください。 
後入れ先出しデータ構造。 
つまり、私がフロンティアに加える最後のものは、 
言い換えれば、リストの最後のもの、 
この辺境から取り除かなければならないアイテムです。 
したがって、ここに表示されるのは、リストの最後の項目を削除したことです。 
そして、負のリストでPythonリストにインデックスを付けると、 
リストの最後のアイテムを取得します。 
ゼロが最初のアイテムなので、負のアイテム
折り返して、リストの最後の項目に移動します。 
したがって、ノードを指定します。 
このノードを呼び出し、ここで28行目でフロンティアを更新します。 
フロンティアから削除したノードを削除してください。 
そして、結果としてノードを返します。このクラスは効果的に
フロンティアのアイデアを実装します。 
フロンティアと方法に何かを追加する方法を私に与えます

Korean: 
 0입니다. 
 그런 다음 프론티어에서 무언가를 제거하는 기능이 있습니다. 
 프론티어가 비어 있으면 프론티어에서 무언가를 제거 할 수 없습니다. 
 먼저 확인합니다. 
 그러나 그렇지 않으면 국경이 비어 있지 않으면 
 이 프론티어를 스택으로 구현하고 있음을 기억하십시오. 
 최후의 선출 데이터 구조. 
 그것은 내가 최전선에 마지막으로 추가하는 것을 의미합니다. 
 다시 말해, 목록에서 마지막으로 
 이 프론티어에서 제거해야 할 항목입니다. 
 여기에 표시되는 것은 목록의 마지막 항목을 제거했다는 것입니다. 
 음수로 파이썬 목록에 색인을 작성하면 
 목록의 마지막 항목을 가져옵니다. 
 0은 첫 번째 항목이므로 음수 
 감싸고 목록의 마지막 항목으로 이동합니다. 
 그래서 우리는 그 노드를 제공합니다. 
 우리는 그 노드를 호출합니다. 
 계속해서 프론티어에서 방금 제거한 노드를 제거하십시오. 
 그런 다음 노드를 결과로 반환합니다. 이 수업은 효과적으로 
 국경의 아이디어를 구현합니다. 
 그것은 프론티어에 무언가를 추가하는 방법과 방법을 제공합니다 

Modern Greek (1453-): 
 είναι μηδέν. 
 Και έπειτα έχω μια λειτουργία για να αφαιρέσω κάτι από τα σύνορα. 
 Δεν μπορώ να αφαιρέσω κάτι από τα σύνορα εάν τα σύνορα είναι άδεια. 
 Γι 'αυτό το ελέγξω πρώτα. 
 Αλλά διαφορετικά, εάν τα σύνορα δεν είναι άδεια, 
 Θυμηθείτε ότι εφαρμόζω αυτό το σύνορο ως στοίβα, 
 μια τελευταία δομή δεδομένων πρώτης εξόδου. 
 Αυτό σημαίνει ότι το τελευταίο πράγμα που προσθέτω στα σύνορα, 
 με άλλα λόγια, το τελευταίο πράγμα στη λίστα, 
 είναι το στοιχείο που πρέπει να αφαιρέσω από αυτό το σύνορο. 
 Αυτό που θα δείτε εδώ είναι ότι έχω αφαιρέσει το τελευταίο στοιχείο μιας λίστας. 
 Και αν καταχωρίσετε μια λίστα Python με αρνητική, 
 που σας φέρνει το τελευταίο στοιχείο στη λίστα. 
 Δεδομένου ότι το μηδέν είναι το πρώτο στοιχείο, αρνητικό 
 είδος τυλίγει και σας μεταφέρει στο τελευταίο στοιχείο της λίστας. 
 Έτσι δίνουμε αυτόν τον κόμβο. 
 Καλούμε αυτόν τον κόμβο, ενημερώνουμε τα σύνορα εδώ στη γραμμή 28 για να πούμε, 
 προχωρήστε και αφαιρέστε τον κόμβο που μόλις καταργήσατε από τα σύνορα. 
 Και μετά επιστρέφουμε τον κόμβο ως αποτέλεσμα. Έτσι, αυτή η τάξη εδώ αποτελεσματικά 
 εφαρμόζει την ιδέα ενός συνόρου. 
 Μου δίνει έναν τρόπο να προσθέσω κάτι στα σύνορα και έναν τρόπο 

Turkish: 
 sıfırdır. 
 Ve sonra bir şeyi sınırdan kaldırmak için bir fonksiyonum var. 
 Sınır boşsa, sınırdan bir şey kaldıramam. 
 Önce ben kontrol ediyorum. 
 Fakat aksi takdirde, sınır boş değilse, 
 bu sınırı bir yığın olarak uyguladığımı hatırlayın, 
 son giren ilk çıkar veri yapısı. 
 Yani sınıra son eklediğim şey, 
 diğer bir deyişle, listedeki son şey, 
 bu sınırdan kaldırmam gereken eşya. 
 Burada göreceğiniz şey, bir listenin son öğesini kaldırdım. 
 Negatif listeli bir Python listesine dizin oluşturursanız, 
 bu size listedeki son öğeyi getirir. 
 Sıfır ilk öğe olduğundan, negatif olan 
 bir tür sarar ve sizi listedeki son öğeye götürür. 
 Bu yüzden düğümü veriyoruz. 
 Bu düğüme diyoruz, 28. satırdaki sınırı şu şekilde güncelliyoruz: 
 devam edin ve sınırdan yeni çıkardığınız düğümü kaldırın. 
 Ve sonuç olarak düğümü döndürüyoruz. Burada bu sınıf etkili bir şekilde 
 sınır fikrini uygular. 
 Bana bir sınıra bir şey eklemem için bir yol ve bir yol 

Indonesian: 
 adalah nol. 
 Dan kemudian saya memiliki fungsi untuk menghapus sesuatu dari perbatasan. 
 Saya tidak dapat menghapus sesuatu dari perbatasan jika perbatasan kosong. 
 Jadi saya periksa dulu. 
 Tetapi sebaliknya, jika perbatasan tidak kosong, 
 ingat bahwa saya menerapkan perbatasan ini sebagai tumpukan, 
 terakhir, struktur data pertama keluar. 
 Yang berarti hal terakhir yang saya tambahkan ke perbatasan, 
 dengan kata lain, hal terakhir dalam daftar, 
 adalah item yang harus saya hapus dari perbatasan ini. 
 Jadi yang akan Anda lihat di sini adalah saya telah menghapus item terakhir dari daftar. 
 Dan jika Anda mengindeks ke daftar Python dengan yang negatif, 
 yang memberi Anda item terakhir dalam daftar. 
 Karena nol adalah item pertama, item negatif 
 semacam membungkus dan membuat Anda ke item terakhir dalam daftar. 
 Jadi kami berikan simpul itu. 
 Kami menyebut simpul itu, kami memperbarui perbatasan di sini di jalur 28 untuk mengatakan, 
 lanjutkan dan hapus simpul yang baru saja Anda hapus dari perbatasan. 
 Dan kemudian kita mengembalikan simpul sebagai hasilnya. Jadi kelas ini di sini efektif 
 mengimplementasikan gagasan perbatasan. 
 Ini memberi saya cara untuk menambahkan sesuatu ke perbatasan dan cara 

Portuguese: 
 é zero. 
 E então eu tenho uma função para remover algo da fronteira. 
 Não consigo remover algo da fronteira se a fronteira estiver vazia. 
 Então eu verifico isso primeiro. 
 Mas, caso contrário, se a fronteira não estiver vazia, 
 lembre-se de que estou implementando essa fronteira como uma pilha, 
 uma última estrutura de dados, primeiro a entrar. 
 O que significa a última coisa que adiciono à fronteira, 
 em outras palavras, a última coisa na lista, 
 é o item que devo remover desta fronteira. 
 Então, o que você verá aqui é que removi o último item de uma lista. 
 E se você indexar em uma lista Python com uma negativa, 
 que leva você ao último item da lista. 
 Como zero é o primeiro item, um negativo 
 meio que envolve e leva você ao último item da lista. 
 Então, nós damos esse nó. 
 Chamamos esse nó, atualizamos a fronteira aqui na linha 28 para dizer, 
 vá em frente e remova o nó que você acabou de remover da fronteira. 
 E então retornamos o nó como resultado. Então essa classe aqui efetivamente 
 implementa a idéia de uma fronteira. 
 Isso me dá uma maneira de adicionar algo a uma fronteira e uma maneira 

Italian: 
 è zero. 
 E poi ho una funzione per rimuovere qualcosa dalla frontiera. 
 Non riesco a rimuovere qualcosa dalla frontiera se la frontiera è vuota. 
 Quindi controllo prima quello. 
 Altrimenti, se la frontiera non è vuota, 
 ricorda che sto implementando questa frontiera come una pila, 
 una struttura dati last in, first out. 
 Il che significa che l'ultima cosa che aggiungo alla frontiera, 
 in altre parole, l'ultima cosa nella lista, 
 è l'oggetto che dovrei rimuovere da questa frontiera. 
 Quindi quello che vedrai qui è che ho rimosso l'ultimo elemento di un elenco. 
 E se indicizzi un elenco Python con uno negativo, 
 che ti ottiene l'ultimo elemento nell'elenco. 
 Poiché zero è il primo elemento, quello negativo 
 tipo di avvolgimento e ti porta all'ultimo elemento nell'elenco. 
 Quindi diamo questo nodo. 
 Chiamiamo quel nodo, aggiorniamo la frontiera qui alla linea 28 per dire, 
 vai avanti e rimuovi quel nodo che hai appena rimosso dalla frontiera. 
 E quindi restituiamo il nodo come risultato. Quindi questa classe qui in modo efficace 
 attua l'idea di una frontiera. 
 Mi dà un modo per aggiungere qualcosa a una frontiera e un modo 

French: 
 est zéro. 
 Et puis j'ai une fonction pour retirer quelque chose de la frontière. 
 Je ne peux pas retirer quelque chose de la frontière si la frontière est vide. 
 Je vérifie donc d'abord cela. 
 Mais sinon, si la frontière n'est pas vide, 
 rappelez-vous que j'implémente cette frontière comme une pile, 
 une structure de données dernier entré, premier sorti. 
 Ce qui signifie la dernière chose que j'ajoute à la frontière, 
 en d'autres termes, la dernière chose dans la liste, 
 est l'élément que je devrais retirer de cette frontière. 
 Donc, ce que vous verrez ici, c'est que j'ai supprimé le dernier élément d'une liste. 
 Et si vous indexez dans une liste Python avec une liste négative, 
 qui vous obtient le dernier élément de la liste. 
 Puisque zéro est le premier élément, négatif 
 sorte de s'enroule et vous amène au dernier élément de la liste. 
 Nous lui donnons donc le nœud. 
 Nous appelons ce nœud, nous mettons à jour la frontière ici à la ligne 28 pour dire: 
 allez-y et supprimez ce nœud que vous venez de supprimer de la frontière. 
 Et puis nous retournons le nœud en conséquence. Donc, cette classe ici efficacement 
 met en œuvre l'idée d'une frontière. 
 Cela me donne un moyen d'ajouter quelque chose à une frontière et un moyen 

Chinese: 
是零。 
然後我有一個從邊界中刪除某些東西的功能。 
如果邊界為空，則無法從邊界中刪除某些內容。 
所以我先檢查一下。 
但是否則，如果邊界不為空， 
回想一下，我正在將該前沿實現為堆棧， 
後進先出的數據結構。 
這意味著我要添加到邊界的最後一件事， 
換句話說，列表中的最後一件事， 
是我應該從這個領域中刪除的項目。 
因此，您將在這裡看到的是我已刪除列表的最後一項。 
而且，如果您索引帶有負數的Python列表， 
這樣您就可以找到列表中的最後一項。 
因為零是第一項，所以負數
可以讓您轉到列表中的最後一項。 
所以我們給那個節點。 
我們稱為該節點，我們在第28行更新邊界，說： 
繼續並刪除剛從邊界刪除的那個節點。 
然後我們返回該節點。所以這堂課很有效
實現邊界的想法。 
它給了我一種向邊界添加東西的方法

Hindi: 
 शून्य है। 
 और फिर मेरे पास फ्रंटियर से कुछ हटाने के लिए एक फ़ंक्शन है। 
 अगर सीमांत खाली है तो मैं सीमा से कुछ हटा नहीं सकता। 
 इसलिए मैं इसके लिए पहले जाँच करता हूँ। 
 लेकिन अन्यथा, अगर सीमा खाली नहीं है, 
 याद रखें कि मैं इस फ्रंटियर को स्टैक के रूप में कार्यान्वित कर रहा हूं, 
 डेटा संरचना से पहले अंतिम बार। 
 जिसका मतलब है कि आखिरी चीज जो मैं सीमांत में जोड़ता हूं, 
 दूसरे शब्दों में, सूची में अंतिम बात, 
 वह आइटम है जिसे मुझे इस सीमा से हटाना चाहिए। 
 तो आप यहाँ क्या देखेंगे I मैंने एक सूची के अंतिम आइटम को हटा दिया है। 
 और यदि आप एक नकारात्मक के साथ पायथन सूची में सूचकांक करते हैं, 
 आपको सूची में अंतिम आइटम मिलता है। 
 चूंकि शून्य पहला आइटम है, नकारात्मक 
 चारों ओर लपेटता है और सूची में अंतिम आइटम पर पहुँच जाता है। 
 तो हम नोड देते हैं। 
 हम उस नोड को कॉल करते हैं, हम यह कहते हैं कि 28 लाइन पर यहाँ फ्रंटियर अपडेट करते हैं, 
 आगे बढ़ें और उस नोड को हटा दें जिसे आपने सीमा से हटा दिया है। 
 और फिर हम परिणामस्वरूप नोड लौटाते हैं। तो यह वर्ग यहाँ प्रभावी रूप से 
 एक सीमा के विचार को लागू करता है। 
 यह मुझे एक सीमा और एक तरह से कुछ जोड़ने का एक तरीका देता है 

Spanish: 
 es cero 
 Y luego tengo una función para eliminar algo de la frontera. 
 No puedo eliminar algo de la frontera si la frontera está vacía. 
 Así que compruebo eso primero. 
 Pero de lo contrario, si la frontera no está vacía, 
 recuerda que estoy implementando esta frontera como una pila, 
 una estructura de datos de último en entrar, primero en salir. 
 Lo que significa lo último que agrego a la frontera, 
 en otras palabras, lo último en la lista, 
 es el elemento que debería eliminar de esta frontera. 
 Entonces, lo que verá aquí es que he eliminado el último elemento de una lista. 
 Y si indexas en una lista de Python con una negativa, 
 eso te da el último elemento de la lista. 
 Como cero es el primer elemento, uno negativo 
 tipo de vueltas y te lleva al último elemento de la lista. 
 Entonces le damos eso al nodo. 
 Llamamos a ese nodo, actualizamos la frontera aquí en la línea 28 para decir: 
 continúe y elimine ese nodo que acaba de eliminar de la frontera. 
 Y luego devolvemos el nodo como resultado. Entonces esta clase aquí efectivamente 
 implementa la idea de una frontera. 
 Me da una manera de agregar algo a una frontera y una forma 

German: 
 ist Null. 
 Und dann habe ich eine Funktion, um etwas von der Grenze zu entfernen. 
 Ich kann nichts von der Grenze entfernen, wenn die Grenze leer ist. 
 Also überprüfe ich das zuerst. 
 Aber sonst, wenn die Grenze nicht leer ist, 
 Denken Sie daran, dass ich diese Grenze als Stapel implementiere. 
 eine Last-In-First-Out-Datenstruktur. 
 Was bedeutet, das Letzte, was ich zur Grenze hinzufüge, 
 mit anderen Worten, das Letzte in der Liste, 
 ist der Gegenstand, den ich von dieser Grenze entfernen sollte. 
 Was Sie hier sehen werden, ist, dass ich das letzte Element einer Liste entfernt habe. 
 Und wenn Sie in eine Python-Liste mit einer negativen Liste indizieren, 
 Damit erhalten Sie den letzten Eintrag in der Liste. 
 Da Null das erste Element ist, ist es negativ 
 Art von Wraps herum und bringt Sie zum letzten Element in der Liste. 
 Also geben wir dem den Knoten. 
 Wir nennen diesen Knoten, wir aktualisieren die Grenze hier in Zeile 28, um zu sagen: 
 Gehen Sie voran und entfernen Sie den Knoten, den Sie gerade von der Grenze entfernt haben. 
 Und dann geben wir den Knoten als Ergebnis zurück. Also diese Klasse hier effektiv 
 setzt die Idee einer Grenze um. 
 Es gibt mir eine Möglichkeit, einer Grenze etwas hinzuzufügen und einen Weg 

Russian: 
 это ноль. 
 И тогда у меня есть функция для удаления чего-то от границы. 
 Я не могу удалить что-нибудь с границы, если граница пуста. 
 Поэтому я проверяю это в первую очередь. 
 Но в противном случае, если граница не пуста, 
 Напомним, что я реализую эту границу в виде стека, 
 структура данных «последний вошел - первый вышел». 
 Что означает последнее, что я добавлю к границе, 
 другими словами, последняя вещь в списке, 
 это элемент, который я должен удалить с этой границы. 
 Итак, что вы увидите здесь, я удалил последний элемент списка. 
 И если вы индексируете в список Python с отрицательным, 
 это даст вам последний элемент в списке. 
 Так как ноль - первый элемент, отрицательный 
 вид оборачивается и возвращает вас к последнему пункту в списке. 
 Итак, мы даем этот узел. 
 Мы называем этот узел, мы обновляем границу здесь, в строке 28, чтобы сказать, 
 идти вперед и удалить тот узел, который вы только что удалили из границы. 
 И тогда мы возвращаем узел в результате. Так что этот класс здесь эффективно 
 реализует идею границы. 
 Это дает мне возможность добавить что-то к границе и способ 

Korean: 
 프론티어에서 무언가를 스택으로 제거합니다. 
 또한 좋은 측정을 위해 대체 버전을 구현했습니다. 
 Q 프론티어라는 
 여기에 괄호 안에 표시되어 스택 프론티어에서 상속됩니다. 
 스택 프론티어와 똑같은 일을 할 것입니다. 
 프론티어에서 노드를 제거하는 방식을 제외하고 
 약간 다를 것입니다. 
 목록의 끝에서 스택 방식을 제거하는 대신 
 대신 목록의 시작 부분에서 제거하겠습니다. 
 self.frontierzero는 프론티어의 첫 번째 노드를 얻습니다. 
 추가 된 첫 번째 것. 
 그리고 그것은 Q의 경우에 우리가 돌려주는 것입니다. 
 여기에는 maze라는 클래스의 정의가 있습니다. 
 이것은 텍스트와 같은 미로를 만드는 과정을 처리 할 것입니다. 
 파일을 작성하고 해결 방법을 알아냅니다. 
 그래서 우리는 뭔가 보이는 텍스트 파일을 입력으로 취할 것입니다 
 예를 들어 여기에 해시 마크가 표시되는 경우 
 벽과 나는 시작 위치를 나타내는 문자 A를 가지고 있습니다. 

Japanese: 
フロンティアからスタックとして何かを削除します。 
私はまた、ちょうど良い手段として、代替バージョンを実装しました
 Qフロンティアと呼ばれる同じものの。 
ここに表示されている括弧内に、スタックフロンティアから継承されます。 
つまり、スタックフロンティアが行ったのと同じことをすべて実行します。 
フロンティアからノードを削除する方法を除いて
少し異なります。 
スタックのようにリストの最後から削除する代わりに、 
代わりに、リストの最初から削除します。 
 self.frontierzeroは、フロンティアの最初のノードを取得します。 
追加された最初の1つ。 
そして、それがQの場合に返されるものになります。 
ここで私は迷路と呼ばれるクラスの定義を持っています。 
これは、シーケンス、テキストのような迷路を取るプロセスを処理します
ファイル、およびそれを解決する方法を考え出す。 
そのため、何かに見えるテキストファイルを入力として受け取ります
このように、例えば、ここにあるハッシュマークが
壁には、開始位置を表す文字Aがあり、 

Spanish: 
 quitar algo de la frontera como una pila. 
 También, solo por si acaso, implementé una versión alternativa 
 de lo mismo llamado una frontera Q. 
 Que, entre paréntesis, verá aquí, hereda de una frontera de pila, 
 lo que significa que hará las mismas cosas que hizo la frontera de la pila, 
 excepto la forma en que eliminamos un nodo de la frontera 
 va a ser un poco diferente 
 En lugar de eliminar del final de la lista la forma en que lo haríamos en una pila, 
 en su lugar vamos a eliminar desde el principio de la lista. 
 self.frontierzero me conseguirá el primer nodo en la frontera, 
 El primero que se agregó. 
 Y ese será el que devolveremos en el caso de una Q. 
 Aquí debajo tengo una definición de una clase llamada laberinto. 
 Esto va a manejar el proceso de tomar una secuencia, un laberinto como texto 
 archivo, y descubriendo cómo resolverlo. 
 Entonces tomaremos como entrada un archivo de texto que se ve algo 
 así, por ejemplo, donde vemos marcas hash que aquí representan 
 paredes y tengo el carácter A que representa la posición inicial, 

Turkish: 
 bir şeyi sınırdan bir yığın olarak çıkarmak için. 
 Ayrıca, sadece iyi bir ölçü için alternatif bir versiyon uyguladım 
 Q sınırı olarak adlandırılan aynı şey. 
 Burada parantez içinde bir yığın sınırından miras alır, 
 yani yığın sınırının yaptığı aynı şeyleri yapacak, 
 bir düğümü sınırdan kaldırmamız dışında 
 biraz farklı olacak. 
 Listenin sonundan bir yığındaki gibi kaldırmak yerine, 
 bunun yerine listenin başından kaldırılacağız. 
 self.frontierzero beni sınırdaki ilk düğümü alacak, 
 ilk eklenen. 
 Ve bu Q durumunda geri döndüğümüz kişi olacak. 
 Burada labirent adı verilen bir sınıf tanımım var. 
 Bu, bir dizi, metin gibi bir labirent alma sürecini ele alacak 
 ve nasıl çözüleceğini bulmak. 
 Yani bir şey gibi görünen bir metin dosyasını girdi olarak alacağız 
 örneğin, burada temsil eden karma işaretleri gördüğümüz yerde 
 duvarlar ve ben başlangıç ​​pozisyonunu temsil eden A karakterine sahibiz, 

Arabic: 
 لإزالة شيء ما من الحدود ككومة. 
 لقد قمت أيضًا ، لحسن التدبير ، بتنفيذ نسخة بديلة 
 من نفس الشيء يسمى حد Q. 
 والتي سترى هنا بين قوسين ، ترث من حدود المكدس ، 
 مما يعني أنها ستفعل نفس الأشياء التي قامت بها حدود المكدس ، 
 باستثناء الطريقة التي نزيل بها العقدة من الحدود 
 ستكون مختلفة قليلاً. 
 بدلاً من الإزالة من نهاية القائمة بالطريقة التي نتبعها في المكدس ، 
 سنقوم بدلاً من ذلك بإزالتها من بداية القائمة. 
 سوف أحضر لي self.frontierzero العقدة الأولى في الحدود ، 
 أول واحد تمت إضافته. 
 وهذا هو ما سنعود إليه في حالة سؤال. 
 يوجد هنا تعريف لفئة تسمى المتاهة. 
 هذا سوف يعالج عملية أخذ تسلسل ، متاهة مثل النص 
 ملف ، ومعرفة كيفية حلها. 
 لذا سنأخذ ملف نصي يبدو شيئًا كإدخال 
 مثل هذا ، على سبيل المثال ، حيث نرى علامات التجزئة التي تمثل هنا 
 الجدران ولدي الحرف A يمثل موقف البداية ، 

Modern Greek (1453-): 
 για να αφαιρέσετε κάτι από τα σύνορα ως στοίβα. 
 Επίσης, για καλό μέτρο, έχω εφαρμόσει μια εναλλακτική έκδοση 
 του ίδιου πράγμα που ονομάζεται Q σύνορα. 
 Ποια, σε παρένθεση θα δείτε εδώ, κληρονομεί από μια στοίβα, 
 που σημαίνει ότι θα κάνει όλα τα ίδια πράγματα που έκανε το stack frontier, 
 εκτός από τον τρόπο που αφαιρούμε έναν κόμβο από τα σύνορα 
 θα είναι ελαφρώς διαφορετικό. 
 Αντί να αφαιρέσουμε από το τέλος της λίστας όπως θα κάναμε σε μια στοίβα, 
 αντ 'αυτού θα καταργήσουμε από την αρχή της λίστας. 
 Το self.frontierzero θα με πάρει τον πρώτο κόμβο στα σύνορα, 
 το πρώτο που προστέθηκε. 
 Και αυτό θα είναι αυτό που θα επιστρέψουμε στην περίπτωση ενός Q. 
 Κάτω από εδώ έχω έναν ορισμό μιας τάξης που ονομάζεται λαβύρινθος. 
 Αυτό θα χειριστεί τη διαδικασία λήψης μιας ακολουθίας, ενός λαβυρίνθου σαν κείμενο 
 αρχείο, και να βρει πώς να το λύσει. 
 Έτσι θα πάρουμε ως εισαγωγή ένα αρχείο κειμένου που μοιάζει με κάτι 
 έτσι, για παράδειγμα, όπου βλέπουμε σημάδια κατακερματισμού που αντιπροσωπεύουν εδώ 
 τοίχους και έχω τον χαρακτήρα Α που αντιπροσωπεύει την αρχική θέση, 

Portuguese: 
 para remover algo da fronteira como uma pilha. 
 Eu também, apenas por uma boa medida, implementei uma versão alternativa 
 da mesma coisa chamada fronteira Q. 
 Que, entre parênteses, você verá aqui, herda de uma fronteira de pilha, 
 ou seja, ele fará as mesmas coisas que a fronteira da pilha, 
 exceto a maneira como removemos um nó da fronteira 
 vai ser um pouco diferente. 
 Em vez de remover do final da lista da maneira que faríamos em uma pilha, 
 em vez disso, vamos remover do início da lista. 
 self.frontierzero vai me dar o primeiro nó na fronteira, 
 o primeiro que foi adicionado. 
 E esse será o que retornaremos no caso de um Q. 
 Aqui embaixo, tenho uma definição de classe chamada labirinto. 
 Isso vai lidar com o processo de tirar uma sequência, um labirinto como texto 
 arquivo e descobrir como resolvê-lo. 
 Então, tomaremos como entrada um arquivo de texto que parece algo 
 assim, por exemplo, onde vemos marcas de hash que aqui representam 
 paredes e eu tenho o personagem A representando a posição inicial, 

Indonesian: 
 untuk menghapus sesuatu dari perbatasan sebagai tumpukan. 
 Saya juga, hanya untuk ukuran yang baik, menerapkan versi alternatif 
 dari hal yang sama disebut perbatasan Q. 
 Yang mana, di dalam tanda kurung Anda akan lihat di sini, ia mewarisi dari perbatasan stack, 
 yang berarti itu akan melakukan semua hal yang sama seperti yang dilakukan perbatasan stack, 
 kecuali cara kita menghapus simpul dari perbatasan 
 akan sedikit berbeda. 
 Alih-alih menghapus dari akhir daftar seperti yang kita lakukan dalam tumpukan, 
 alih-alih kami akan menghapus dari awal daftar. 
 self.frontierzero akan membuat saya simpul pertama di perbatasan, 
 yang pertama ditambahkan. 
 Dan itu akan menjadi yang kita kembalikan dalam kasus Q. 
 Di bawah sini saya memiliki definisi kelas yang disebut labirin. 
 Ini akan menangani proses pengambilan urutan, teks seperti labirin 
 file, dan mencari tahu bagaimana menyelesaikannya. 
 Jadi kita akan mengambil sebagai input file teks yang terlihat seperti itu 
 seperti ini, misalnya, di mana kita melihat tanda hash yang mewakili di sini 
 dinding dan saya memiliki karakter A yang mewakili posisi awal, 

Hindi: 
 स्टैक के रूप में फ्रंटियर से कुछ निकालने के लिए। 
 मैंने भी, केवल अच्छे उपाय के लिए, एक वैकल्पिक संस्करण लागू किया है 
 एक ही सीमा नामक एक ही चीज़ की। 
 जो, कोष्ठक में आप यहाँ देखेंगे, यह एक स्टैक फ्रंटियर से विरासत में मिला है, 
 अर्थ यह है कि स्टैक फ्रंटियर ने सभी समान कार्य करने जा रहे हैं, 
 जिस तरह से हम सीमा से एक नोड को हटाते हैं 
 थोड़ा अलग होने जा रहा है। 
 सूची के अंत से हटाने के बजाय जिस तरह से हम एक ढेर में होंगे, 
 हम इसके बजाय सूची की शुरुआत से हटाने जा रहे हैं। 
 self.frontierzero मुझे सीमा में पहला नोड मिलेगा, 
 जो पहले जोड़ा गया था। 
 और यह वह होने जा रहा है जो हम एक क्यू के मामले में वापस करते हैं। 
 यहाँ मेरे पास एक वर्ग की परिभाषा है जिसे भूलभुलैया कहा जाता है। 
 यह एक अनुक्रम लेने की प्रक्रिया को संभालने जा रहा है, पाठ की तरह एक भूलभुलैया 
 फ़ाइल, और यह पता लगाने के लिए कि इसे कैसे हल किया जाए। 
 तो हम एक पाठ फ़ाइल के रूप में इनपुट लेंगे जो कुछ दिखता है 
 इस तरह, उदाहरण के लिए, जहाँ हम हैश के निशान देखते हैं जो यहाँ दर्शाते हैं 
 दीवारों और मेरे पास एक चरित्र है, जो शुरुआती स्थिति का प्रतिनिधित्व करता है, 

Italian: 
 per rimuovere qualcosa dalla frontiera come una pila. 
 Inoltre, solo per buona misura, ho implementato una versione alternativa 
 della stessa cosa chiamata frontiera Q. 
 Che, tra parentesi che vedrai qui, eredita da una frontiera dello stack, 
 significa che farà tutte le stesse cose che ha fatto la frontiera dello stack, 
 eccetto il modo in cui rimuoviamo un nodo dalla frontiera 
 sarà leggermente diverso. 
 Invece di rimuovere dalla fine dell'elenco come faremmo in una pila, 
 rimuoveremo invece dall'inizio dell'elenco. 
 self.frontierzero mi porterà il primo nodo nella frontiera, 
 il primo che è stato aggiunto. 
 E quello sarà quello che torneremo nel caso di una Q. 
 Qui sotto ho una definizione di una classe chiamata labirinto. 
 Questo gestirà il processo di acquisizione di una sequenza, un labirinto come il testo 
 file e capire come risolverlo. 
 Quindi prenderemo come input un file di testo che sembra qualcosa 
 in questo modo, ad esempio, dove vediamo segni di hash che rappresentano qui 
 muri e io abbiamo il personaggio A che rappresenta la posizione di partenza, 

English: 
to remove something from the frontier as a stack.
I've also, just for good measure, implemented an alternative version
of the same thing called a Q frontier.
Which, in parentheses you'll see here, it inherits from a stack frontier,
meaning it's going to do all the same things that the stack frontier did,
except the way we remove a node from the frontier
is going to be slightly different.
Instead of removing from the end of the list the way we would in a stack,
we're instead going to remove from the beginning of the list.
self.frontierzero will get me the first node in the frontier,
the first one that was added.
And that is going to be the one that we return in the case of a Q.
Under here I have a definition of a class called maze.
This is going to handle the process of taking a sequence, a maze like text
file, and figuring out how to solve it.
So we'll take as input a text file that looks something
like this, for example, where we see hash marks that are here representing
walls and I have the character A representing the starting position,

Chinese: 
从边界中删除某些东西作为堆栈。 
我也出于良好的考虑实施了替代版本
同样的东西称为Q边界。 
在括号中您会看到，它是从堆栈边界继承的， 
这意味着它将做所有与堆栈前沿相同的事情， 
除了我们从边界删除节点的方式
会略有不同。 
与其从列表末尾删除堆栈中的方式， 
相反，我们将从列表的开头删除。 
 self.frontierzero将使我成为边界的第一个节点， 
第一个被添加。 
这将是我们在Q情况下返回的那个。 
在这里，我有一个称为迷宫的类的定义。 
这将处理一个序列的过程，像文本一样的迷宫
文件，并找出解决方法。 
因此，我们将看起来像文本的文本文件作为输入
像这样，例如，在这里我们看到哈希标记表示
墙，我的角色A代表开始位置， 

Russian: 
 убрать что-нибудь с границы в виде стека. 
 Я также, на всякий случай, реализовал альтернативную версию 
 того же, что называется границей Q. 
 Который, в скобках вы увидите здесь, он наследует от границы стека, 
 это означает, что он будет делать все то же самое, что и граница стека, 
 кроме того, как мы удаляем узел от границы 
 будет немного отличаться. 
 Вместо того, чтобы удалить из конца списка, как мы бы в стеке, 
 вместо этого мы собираемся удалить из начала списка. 
 self.frontierzero получит мне первый узел на границе, 
 первый, который был добавлен. 
 И это будет тот, который мы вернем в случае Q. 
 Здесь у меня есть определение класса под названием лабиринт. 
 Это собирается обработать процесс взятия последовательности, лабиринта как текст 
 файл, и выяснить, как ее решить. 
 Таким образом, мы будем принимать в качестве входных данных текстовый файл, который выглядит что-то 
 как это, например, где мы видим хеш-метки, которые здесь представляют 
 стены и у меня есть символ А, представляющий исходную позицию, 

Dutch: 
 om als stapel iets van de grens te verwijderen. 
 Ik heb ook, voor de goede orde, een alternatieve versie geïmplementeerd 
 hetzelfde genoemd een Q-grens. 
 Wat je tussen haakjes hier ziet, erft het van een stapelgrens, 
 wat betekent dat het dezelfde dingen gaat doen als de stapelgrens, 
 behalve de manier waarop we een knooppunt van de grens verwijderen 
 zal iets anders zijn. 
 In plaats van het einde van de lijst te verwijderen zoals we dat in een stapel zouden doen, 
 we verwijderen in plaats daarvan vanaf het begin van de lijst. 
 self.frontierzero bezorgt me het eerste knooppunt in de grens, 
 de eerste die werd toegevoegd. 
 En dat is degene die we teruggeven in het geval van een Q. 
 Hieronder heb ik een definitie van een klasse genaamd doolhof. 
 Dit gaat het proces aan van het nemen van een reeks, een doolhofachtige tekst 
 bestand en uitzoeken hoe u dit kunt oplossen. 
 We nemen dus een tekstbestand als invoer dat er iets uitziet 
 zoals dit, waar we bijvoorbeeld hash-markeringen zien die hier staan 
 muren en ik heb het teken A dat de startpositie vertegenwoordigt, 

French: 
 pour retirer quelque chose de la frontière comme une pile. 
 J'ai aussi, juste pour faire bonne mesure, implémenté une version alternative 
 de la même chose appelée une frontière Q. 
 Qui, entre parenthèses, vous verrez ici, il hérite d'une frontière de pile, 
 ce qui signifie qu'il va faire toutes les mêmes choses que la frontière de pile, 
 sauf la façon dont nous supprimons un nœud de la frontière 
 va être légèrement différent. 
 Au lieu de supprimer de la fin de la liste comme nous le ferions dans une pile, 
 nous allons plutôt supprimer du début de la liste. 
 self.frontierzero me procurera le premier nœud de la frontière, 
 le premier qui a été ajouté. 
 Et ce sera celui que nous reviendrons dans le cas d'un Q. 
 En dessous, j'ai une définition d'une classe appelée labyrinthe. 
 Cela va gérer le processus de prise d'une séquence, un labyrinthe comme du texte 
 fichier, et trouver comment le résoudre. 
 Nous allons donc prendre en entrée un fichier texte qui ressemble à quelque chose 
 comme ceci, par exemple, où nous voyons des marques de hachage qui représentent ici 
 murs et j'ai le caractère A représentant la position de départ, 

German: 
 etwas als Stapel von der Grenze zu entfernen. 
 Ich habe auch, nur aus gutem Grund, eine alternative Version implementiert 
 von der gleichen Sache genannt eine Q-Grenze. 
 Was in Klammern hier zu sehen ist, erbt es von einer Stapelgrenze. 
 was bedeutet, dass es die gleichen Dinge tun wird, die die Stapelgrenze getan hat, 
 außer der Art und Weise, wie wir einen Knoten von der Grenze entfernen 
 wird etwas anders sein. 
 Anstatt wie in einem Stapel vom Ende der Liste zu entfernen, 
 Wir werden stattdessen vom Anfang der Liste entfernen. 
 self.frontierzero bringt mir den ersten Knoten an der Grenze, 
 der erste, der hinzugefügt wurde. 
 Und das wird derjenige sein, den wir im Fall eines Q zurückgeben. 
 Darunter habe ich eine Definition einer Klasse namens Labyrinth. 
 Dies wird den Prozess des Aufnehmens einer Sequenz behandeln, eines labyrinthartigen Textes 
 Datei, und herauszufinden, wie man es löst. 
 Wir nehmen also eine Textdatei als Eingabe, die etwas aussieht 
 So sehen wir zum Beispiel Raute, die hier darstellen 
 Wände und ich haben das Zeichen A, das die Startposition darstellt, 

Chinese: 
從邊界中刪除某些東西作為堆棧。 
我也出於良好的考慮實施了替代版本
稱為Q邊界的事物
在括號中您會看到，它是從堆棧邊界繼承的， 
這意味著它將做所有與堆棧前沿相同的事情， 
除了我們從邊界刪除節點的方式
會略有不同。 
與其從列表末尾刪除堆棧中的方式， 
相反，我們將從列表的開頭刪除。 
 self.frontierzero將使我成為邊界的第一個節點， 
第一個被添加。 
這將是我們在Q情況下返回的那個。 
在這裡，我有一個稱為迷宮的類的定義。 
這將處理一個序列的過程，像文本一樣的迷宮
文件，並找出解決方法。 
因此，我們將看起來像文本的文本文件作為輸入
像這樣，例如，在這裡我們看到哈希標記表示
牆，我的角色A代表開始位置， 

Modern Greek (1453-): 
 και ο χαρακτήρας Β που αντιπροσωπεύει την τελική θέση. 
 Και μπορείτε να ρίξετε μια ματιά στον κώδικα για την ανάλυση αυτού του αρχείου κειμένου αυτήν τη στιγμή. 
 Αυτό είναι το λιγότερο ενδιαφέρον μέρος. 
 Το πιο ενδιαφέρον μέρος είναι αυτή η λειτουργία επίλυσης εδώ, 
 όπου θα καταλάβει η συνάρτηση λύσης 
 πώς να φτάσετε πραγματικά από το σημείο Α στο σημείο Β. 
 Και εδώ βλέπουμε μια εφαρμογή της ίδιας ακριβώς ιδέας 
 είδαμε από μια στιγμή πριν. 
 Θα παρακολουθούμε πόσες πολιτείες 
 έχουμε διερευνήσει έτσι ώστε να μπορούμε να αναφέρουμε αυτά τα δεδομένα αργότερα. 
 Αλλά ξεκινώ με έναν κόμβο που αντιπροσωπεύει μόνο την κατάσταση έναρξης. 
 Και ξεκινώ με ένα σύνορο που σε αυτή την περίπτωση είναι ένα στοίβα. 
 Και δεδομένου ότι αντιμετωπίζω τα σύνορά μου ως στοίβα, 
 ίσως φανταστείτε ότι ο αλγόριθμος που χρησιμοποιώ εδώ είναι τώρα η πρώτη αναζήτηση βάθους. 
 Επειδή η πρώτη αναζήτηση βάθους ή το DFS χρησιμοποιεί μια στοίβα ως δομή δεδομένων. 
 Και αρχικά, αυτό το όριο θα περιέχει μόνο την κατάσταση έναρξης. 
 Αρχικοποιούμε ένα εξερευνημένο σύνολο που αρχικά είναι κενό. 
 Δεν υπάρχει τίποτα που έχουμε διερευνήσει μέχρι τώρα. 
 Και τώρα είναι ο βρόχος μας, αυτή η ιδέα να επαναλαμβάνουμε κάτι ξανά και ξανά. 

Arabic: 
 والحرف B يمثل موضع النهاية. 
 ويمكنك إلقاء نظرة على رمز تحليل هذا الملف النصي في الوقت الحالي. 
 هذا هو الجزء الأقل إثارة للاهتمام. 
 الجزء الأكثر إثارة للاهتمام هو وظيفة الحل هنا ، 
 حيث دالة الحل ستكتشف 
 كيفية الانتقال فعليًا من النقطة "أ" إلى النقطة "ب". 
 وهنا نرى تنفيذ نفس الفكرة بالضبط 
 شاهدنا منذ لحظة. 
 سنقوم بتتبع عدد الدول 
 لقد اكتشفنا فقط حتى نتمكن من الإبلاغ عن هذه البيانات لاحقًا. 
 لكنني أبدأ بعقدة تمثل حالة البداية فقط. 
 وأبدأ بحدود تكون في هذه الحالة حدود تكديس. 
 وبالنظر إلى أنني أعامل حدودي ككومة ، 
 قد تتخيل أن الخوارزمية التي أستخدمها هنا هي البحث الأول العميق الآن. 
 لأن البحث الأول العمق أو DFS يستخدم المكدس كهيكل بياناته. 
 مبدئيًا ، ستحتوي هذه الحدود على حالة البداية. 
 نقوم بتهيئة مجموعة تم استكشافها فارغة مبدئيًا. 
 لا يوجد شيء اكتشفناه حتى الآن. 
 والآن ها هي دورتنا ، فكرة تكرار شيء ما مرارًا وتكرارًا. 

Chinese: 
字符B代表結束位置。 
現在，您可以看一下解析此文本文件的代碼。 
那是不太有趣的部分。 
更有趣的部分是這裡的解決功能， 
解決功能將要找出的地方
如何真正地從A點到達B點。 
在這裡，我們看到了完全相同的想法的實現
我們從剛才看到的。 
我們將跟踪多少個州
我們已經進行了探索，以便以後可以報告該數據。 
但是我從僅代表開始狀態的節點開始。 
我從一個邊界開始，在這種情況下就是堆棧邊界。 
考慮到我將自己的邊境視為一堆， 
您可能會想到，我現在在這裡使用的算法是深度優先搜索。 
因為深度優先搜索或DFS使用堆棧作為其數據結構。 
最初，該邊界將包含開始狀態。 
我們初始化一個最初為空的探索集。 
到目前為止，我們沒有探索過任何東西。 
現在，這就是我們的循環，即一次又一次重複某些內容的概念。 

Japanese: 
終了位置を表す文字B。 
そして、このテキストファイルを解析するためのコードを今すぐ確認できます。 
それはあまり面白くない部分です。 
より興味深い部分は、この解決関数です。 
ソルブ関数がどこを理解するか
ポイントAからポイントBに実際に移動する方法
そして、ここではまったく同じアイデアの実装が見られます
少し前から見ました。 
州の数を追跡します
後でそのデータを報告できるように調査しました。 
ただし、開始状態のみを表すノードから始めます。 
そして、この場合スタックフロンティアであるフロンティアから始めます。 
フロンティアをスタックとして扱っているので、 
ここで私が使用しているアルゴリズムが、深さ優先探索であると想像するかもしれません。 
深さ優先検索またはDFSは、データ構造としてスタックを使用するためです。 
そして最初は、このフロンティアは開始状態を含むだけです。 
最初は空の探索セットを初期化します。 
これまでに調べたことはありません。 
そして、これが私たちのループです。何かを何度も繰り返すという概念です。 

German: 
 und das Zeichen B, das die Endposition darstellt. 
 Und Sie können sich jetzt den Code zum Parsen dieser Textdatei ansehen. 
 Das ist der weniger interessante Teil. 
 Der interessantere Teil ist diese Lösungsfunktion hier, 
 wo die Lösungsfunktion herausfinden wird 
 wie man tatsächlich von Punkt A nach Punkt B kommt. 
 Und hier sehen wir eine Umsetzung genau der gleichen Idee 
 wir haben vor einem Moment gesehen. 
 Wir werden verfolgen, wie viele Staaten 
 Wir haben nur untersucht, damit wir diese Daten später melden können. 
 Aber ich beginne mit einem Knoten, der nur den Startzustand darstellt. 
 Und ich beginne mit einer Grenze, die in diesem Fall eine Stapelgrenze ist. 
 Und da ich meine Grenze als Stapel behandle, 
 Sie können sich vorstellen, dass der Algorithmus, den ich hier verwende, jetzt die Tiefensuche ist. 
 Weil die Tiefensuche oder DFS einen Stapel als Datenstruktur verwendet. 
 Und anfangs wird diese Grenze nur den Startzustand enthalten. 
 Wir initialisieren eine untersuchte Menge, die anfangs leer ist. 
 Bisher haben wir nichts erforscht. 
 Und jetzt ist hier unsere Schleife, die Vorstellung, etwas immer wieder zu wiederholen. 

Hindi: 
 और चरित्र बी अंत स्थिति का प्रतिनिधित्व करता है। 
 और आप अभी इस पाठ फ़ाइल को पार्स करने के लिए कोड पर एक नज़र डाल सकते हैं। 
 वह कम दिलचस्प हिस्सा है। 
 अधिक दिलचस्प हिस्सा यह हल समारोह यहाँ है, 
 जहां समाधान फ़ंक्शन का पता लगाने जा रहा है 
 वास्तव में बिंदु A से बिंदु B तक कैसे पहुँचें। 
 और यहां हम ठीक उसी विचार के कार्यान्वयन को देखते हैं 
 हमने एक क्षण पहले देखा था। 
 हम कितने राज्यों का ट्रैक रखने जा रहे हैं 
 हमने खोजबीन की है इसलिए हम उस डेटा को बाद में रिपोर्ट कर सकते हैं। 
 लेकिन मैं एक नोड के साथ शुरू करता हूं जो सिर्फ स्टार्ट स्टेट का प्रतिनिधित्व करता है। 
 और मैं एक फ्रंटियर से शुरू करता हूं कि इस मामले में एक स्टैक फ्रंटियर है। 
 और यह देखते हुए कि मैं अपने सीमांत को एक स्टैक के रूप में मान रहा हूं, 
 आप सोच सकते हैं कि मैं यहाँ जिस एल्गोरिथ्म का उपयोग कर रहा हूँ वह अब पहली खोज में गहराई है। 
 क्योंकि गहराई पहले खोज या डीएफएस अपने डेटा संरचना के रूप में एक स्टैक का उपयोग करता है। 
 और शुरू में, यह फ्रंटियर केवल स्टार्ट स्टेट को समाहित करने वाला है। 
 हम शुरू में खाली है कि एक खोज सेट शुरू करते हैं। 
 हमने अभी तक कुछ भी नहीं खोजा है। 
 और अब यहाँ हमारा पाश है, बार-बार कुछ दोहराने की धारणा। 

Korean: 
 그리고 종료 위치를 나타내는 문자 B. 
 그리고 지금이 텍스트 파일을 파싱하기위한 코드를 살펴볼 수 있습니다. 
 덜 흥미로운 부분입니다. 
 더 흥미로운 부분은이 solve 기능입니다. 
 해결 기능을 파악할 위치 
 실제로 A 지점에서 B 지점으로 이동하는 방법 
 그리고 여기 우리는 똑같은 아이디어의 구현을 봅니다. 
 우리는 얼마 전에 보았습니다. 
 우리는 몇 개의 주를 추적 할 것입니다 
 나중에 데이터를보고 할 수 있도록 살펴 보았습니다. 
 그러나 시작 상태를 나타내는 노드로 시작합니다. 
 저는이 경우 스택 프론티어라는 프론티어로 시작합니다. 
 내 프론티어를 스택으로 취급한다고 가정하면, 
 여기서 사용하고있는 알고리즘이 이제 깊이 우선 검색이라고 상상할 수 있습니다. 
 깊이 우선 검색 또는 DFS는 스택을 데이터 구조로 사용하기 때문입니다. 
 그리고 처음에는이 프론티어에 시작 상태가 포함됩니다. 
 처음에는 비어있는 탐색 세트를 초기화합니다. 
 지금까지 살펴본 것은 없습니다. 
 그리고 지금 여기 반복문이 있습니다. 반복해서 무언가를 반복한다는 개념입니다. 

English: 
and the character B representing the ending position.
And you can take a look at the code for parsing this text file right now.
That's the less interesting part.
The more interesting part is this solve function here,
where the solve function is going to figure out
how to actually get from point A to point B.
And here we see an implementation of the exact same idea
we saw from a moment ago.
We're going to keep track of how many states
we've explored just so we can report that data later.
But I start with a node that represents just the start state.
And I start with a frontier that in this case is a stack frontier.
And given that I'm treating my frontier as a stack,
you might imagine that the algorithm I'm using here is now depth first search.
Because depth first search or DFS uses a stack as its data structure.
And initially, this frontier is just going to contain the start state.
We initialize an explored set that initially is empty.
There's nothing we've explored so far.
And now here's our loop, that notion of repeating something again and again.

Turkish: 
 ve bitiş konumunu temsil eden B karakteri. 
 Ve şimdi bu metin dosyasını ayrıştırmak için koda bir göz atabilirsiniz. 
 Bu daha az ilginç olan kısım. 
 Daha ilginç olan kısım bu çözme fonksiyonudur. 
 Çözme fonksiyonunun nerede çözüleceği 
 aslında A noktasından B noktasına nasıl ulaşılır. 
 Ve burada aynı fikrin bir uygulamasını görüyoruz 
 bir an önce gördük. 
 Kaç eyaleti takip edeceğiz 
 bu verileri daha sonra raporlayabilmemiz için inceledik. 
 Ama ben sadece başlangıç ​​durumunu temsil eden bir düğüm ile başlıyorum. 
 Ve ben bir sınırla başlıyorum ki bu durumda bir yığın sınırı vardır. 
 Ve sınıra bir yığın olarak davrandığım düşünüldüğünde, 
 Burada kullandığım algoritmanın şimdi derinlik araması olduğunu hayal edebilirsiniz. 
 Çünkü derinlik önce arama veya DFS veri yapısı olarak bir yığın kullanır. 
 Ve başlangıçta, bu sınır sadece başlangıç ​​durumunu içerecek. 
 Başlangıçta boş olan keşfedilmiş bir kümeyi başlatırız. 
 Şimdiye kadar araştırdığımız hiçbir şey yok. 
 Ve şimdi döngüümüz, bir şeyi tekrar tekrar tekrarlama nosyonu. 

Spanish: 
 y el caracter B que representa la posición final. 
 Y puede echar un vistazo al código para analizar este archivo de texto ahora mismo. 
 Esa es la parte menos interesante. 
 La parte más interesante es esta función de resolución aquí, 
 donde la función resolver va a descubrir 
 cómo llegar realmente del punto A al punto B. 
 Y aquí vemos una implementación de la misma idea 
 vimos desde hace un momento. 
 Vamos a hacer un seguimiento de cuántos estados 
 hemos explorado solo para poder reportar esos datos más tarde. 
 Pero empiezo con un nodo que representa solo el estado inicial. 
 Y empiezo con una frontera que en este caso es una frontera de pila. 
 Y dado que estoy tratando mi frontera como una pila, 
 puedes imaginar que el algoritmo que estoy usando aquí es ahora la primera búsqueda en profundidad. 
 Porque la primera búsqueda profunda o DFS usa una pila como su estructura de datos. 
 E inicialmente, esta frontera solo va a contener el estado inicial. 
 Inicializamos un conjunto explorado que inicialmente está vacío. 
 No hay nada que hayamos explorado hasta ahora. 
 Y ahora aquí está nuestro bucle, esa noción de repetir algo una y otra vez. 

Dutch: 
 en het teken B dat de eindpositie vertegenwoordigt. 
 En u kunt de code voor het parseren van dit tekstbestand nu bekijken. 
 Dat is het minder interessante deel. 
 Het interessantere deel is deze oplossingsfunctie hier, 
 waar de functie oplossen zal komen 
 hoe je daadwerkelijk van punt A naar punt B komt 
 En hier zien we een implementatie van exact hetzelfde idee 
 we zagen van een moment geleden. 
 We gaan bijhouden hoeveel staten er zijn 
 we hebben het onderzocht, zodat we die gegevens later kunnen rapporteren. 
 Maar ik begin met een knooppunt dat alleen de startstatus vertegenwoordigt. 
 En ik begin met een grens die in dit geval een stapelgrens is. 
 En aangezien ik mijn grens als een stapel behandel, 
 je zou je kunnen voorstellen dat het algoritme dat ik hier gebruik nu eerst diepte-zoeken is. 
 Omdat diepte eerst zoeken of DFS een stapel als gegevensstructuur gebruikt. 
 En in eerste instantie zal deze grens alleen de startstatus bevatten. 
 We initialiseren een verkende set die aanvankelijk leeg is. 
 Er is tot nu toe niets onderzocht. 
 En nu is hier onze lus, dat idee om steeds weer iets te herhalen. 

Chinese: 
字符B代表结束位置。 
现在，您可以看一下解析此文本文件的代码。 
那是不太有趣的部分。 
更有趣的部分是这里的解决功能， 
解决功能将要找出的地方
如何真正地从A点到达B点。 
在这里，我们看到了完全相同的想法的实现
我们从刚才看到的。 
我们将跟踪多少个州
我们已经进行了探索，以便以后可以报告该数据。 
但是我从仅代表开始状态的节点开始。 
我从一个边界开始，在这种情况下就是堆栈边界。 
考虑到我将自己的边境视为一堆， 
您可能会想到，我现在在这里使用的算法是深度优先搜索。 
因为深度优先搜索或DFS使用堆栈作为其数据结构。 
最初，该边界将包含开始状态。 
我们初始化一个最初为空的探索集。 
到目前为止，我们没有探索过任何东西。 
现在，这就是我们的循环，即一次又一次重复某些内容的概念。 

Indonesian: 
 dan karakter B mewakili posisi akhir. 
 Dan Anda dapat melihat kode untuk mem-parsing file teks ini sekarang. 
 Itu bagian yang kurang menarik. 
 Bagian yang lebih menarik adalah fungsi pemecahan ini di sini, 
 di mana fungsi penyelesaian akan mencari tahu 
 bagaimana sebenarnya mendapatkan dari titik A ke titik B. 
 Dan di sini kita melihat implementasi dari ide yang sama persis 
 kami melihat dari beberapa saat yang lalu. 
 Kami akan melacak berapa banyak negara 
 kami telah menjelajahi agar kami dapat melaporkan data itu nanti. 
 Tapi saya mulai dengan simpul yang hanya mewakili kondisi awal. 
 Dan saya mulai dengan perbatasan yang dalam hal ini adalah perbatasan tumpukan. 
 Dan mengingat bahwa saya memperlakukan perbatasan saya sebagai tumpukan, 
 Anda mungkin membayangkan bahwa algoritma yang saya gunakan di sini adalah pencarian pertama yang mendalam. 
 Karena pencarian pertama mendalam atau DFS menggunakan tumpukan sebagai struktur datanya. 
 Dan pada awalnya, perbatasan ini hanya akan berisi keadaan awal. 
 Kami menginisialisasi set yang dieksplorasi yang awalnya kosong. 
 Sejauh ini belum ada yang kami jelajahi. 
 Dan sekarang inilah loop kami, gagasan untuk mengulangi sesuatu lagi dan lagi. 

French: 
 et le caractère B représentant la position finale. 
 Et vous pouvez jeter un œil au code pour analyser ce fichier texte en ce moment. 
 C'est la partie la moins intéressante. 
 La partie la plus intéressante est cette fonction de résolution ici, 
 où la fonction de résolution va comprendre 
 comment aller du point A au point B. 
 Et ici, nous voyons une mise en œuvre de la même idée exacte 
 nous l'avons vu il y a un instant. 
 Nous allons garder une trace du nombre d'états 
 nous avons exploré juste pour que nous puissions rapporter ces données plus tard. 
 Mais je commence avec un nœud qui représente juste l'état de départ. 
 Et je commence par une frontière qui dans ce cas est une frontière de pile. 
 Et étant donné que je traite ma frontière comme une pile, 
 vous pourriez imaginer que l'algorithme que j'utilise ici est maintenant la première recherche en profondeur. 
 Parce que la première recherche en profondeur ou DFS utilise une pile comme structure de données. 
 Et au départ, cette frontière va simplement contenir l'état de départ. 
 Nous initialisons un ensemble exploré qui est initialement vide. 
 Il n'y a rien que nous ayons exploré jusqu'à présent. 
 Et maintenant, voici notre boucle, cette notion de répéter encore et encore quelque chose. 

Russian: 
 и символ B, представляющий конечную позицию. 
 И вы можете взглянуть на код для разбора этого текстового файла прямо сейчас. 
 Это менее интересная часть. 
 Более интересная часть этой функции решения здесь, 
 где решает функция решить 
 как на самом деле добраться из пункта А в пункт Б. 
 И здесь мы видим реализацию точно такой же идеи 
 мы видели с момента назад. 
 Мы собираемся отслеживать, сколько штатов 
 мы исследовали только для того, чтобы мы могли сообщить эти данные позже. 
 Но я начинаю с узла, который представляет только начальное состояние. 
 И я начну с границы, которая в данном случае является границей стека. 
 И учитывая, что я отношусь к своей границе как к стеку, 
 Вы можете себе представить, что алгоритм, который я здесь использую, теперь является поиском в глубину. 
 Поскольку поиск в глубину или DFS использует стек в качестве своей структуры данных. 
 И изначально эта граница будет содержать начальное состояние. 
 Мы инициализируем исследуемый набор, который изначально пуст. 
 Там нет ничего, что мы исследовали до сих пор. 
 А теперь вот наш цикл, это понятие повторять что-то снова и снова. 

Italian: 
 e il carattere B che rappresenta la posizione finale. 
 E puoi dare un'occhiata al codice per analizzare questo file di testo in questo momento. 
 Questa è la parte meno interessante. 
 La parte più interessante è questa funzione di risoluzione qui, 
 dove la funzione di risoluzione sta per capire 
 come andare effettivamente dal punto A al punto B. 
 E qui vediamo un'implementazione della stessa identica idea 
 abbiamo visto un momento fa. 
 Terremo traccia di quanti stati 
 abbiamo esplorato solo in modo da poter segnalare tali dati in un secondo momento. 
 Ma inizio con un nodo che rappresenta solo lo stato iniziale. 
 E inizio con una frontiera che in questo caso è una frontiera dello stack. 
 E dato che sto trattando la mia frontiera come una pila, 
 potresti immaginare che l'algoritmo che sto usando qui sia ora la prima ricerca approfondita. 
 Perché la prima ricerca approfondita o DFS utilizza uno stack come struttura dati. 
 E inizialmente, questa frontiera conterrà solo lo stato iniziale. 
 Inizializziamo un set esplorato che inizialmente è vuoto. 
 Finora non abbiamo esplorato nulla. 
 E ora ecco il nostro ciclo, l'idea di ripetere qualcosa ancora e ancora. 

Portuguese: 
 e o caractere B representando a posição final. 
 E você pode dar uma olhada no código para analisar esse arquivo de texto agora. 
 Essa é a parte menos interessante. 
 A parte mais interessante é essa função de resolução aqui, 
 onde a função de resolução vai descobrir 
 como ir do ponto A ao ponto B. 
 E aqui vemos uma implementação exatamente da mesma ideia 
 vimos de um momento atrás. 
 Nós vamos acompanhar quantos estados 
 exploramos apenas para que possamos relatar esses dados posteriormente. 
 Mas começo com um nó que representa apenas o estado inicial. 
 E começo com uma fronteira que, neste caso, é uma fronteira de pilha. 
 E, como estou tratando minha fronteira como uma pilha, 
 você pode imaginar que o algoritmo que estou usando aqui agora é a primeira pesquisa aprofundada. 
 Porque a profundidade da primeira pesquisa ou DFS usa uma pilha como sua estrutura de dados. 
 E, inicialmente, essa fronteira apenas conterá o estado inicial. 
 Inicializamos um conjunto explorado que inicialmente está vazio. 
 Não há nada que tenhamos explorado até agora. 
 E agora, aqui está o nosso loop, essa noção de repetir algo repetidas vezes. 

Indonesian: 
 Pertama, kita periksa apakah perbatasan itu kosong dengan memanggil fungsi kosong itu 
 melihat implementasi beberapa saat yang lalu. 
 Dan jika perbatasan memang kosong, kita akan 
 lanjutkan dan buat pengecualian, atau kesalahan Python, untuk mengatakan, maaf. 
 Tidak ada solusi untuk masalah ini. 
 Kalau tidak, kita akan pergi ke depan dan menghapus simpul dari perbatasan, 
 seperti dengan memanggil frontier.hapus dan perbarui jumlah negara yang telah kita jelajahi. 
 Karena sekarang kami telah menjelajahi satu status tambahan 
 jadi kita katakan self.numexplored plus sama dengan satu, menambahkan satu ke jumlah negara 
 kami sudah menjelajah. 
 Setelah kami menghapus simpul dari perbatasan, ingat 
 bahwa langkah selanjutnya adalah melihat apakah tujuannya, tes tujuan. 
 Dan dalam hal labirin, tujuannya cukup mudah. 
 Saya memeriksa untuk melihat apakah keadaan simpul sama dengan tujuan. 
 Awalnya ketika saya mengatur labirin, saya mengatur 
 nilai ini disebut tujuan yang merupakan properti labirin 
 jadi saya hanya bisa memeriksa untuk melihat apakah node sebenarnya adalah tujuan. 
 Dan jika itu tujuannya, maka apa yang ingin saya lakukan 
 kembali ke jalan saya untuk mencari tahu tindakan apa 

Japanese: 
まず、空の関数を呼び出して、フロンティアが空かどうかを確認します。 
少し前の実装を見ました。 
そして、フロンティアが本当に空の場合、我々は
申し訳ありませんが、先に進んで例外またはPythonエラーを発生させてください。 
この問題の解決策はありません。 
それ以外の場合は、先に進んでノードをフロンティアから削除します。 
たとえば、frontier.removeを呼び出して、調査した状態の数を更新します。 
もう1つの状態を調査したので
したがって、self.numexplored plusは1に等しく、状態の数に1を加えます。 
私たちは探検しました。 
フロンティアからノードを削除したら、 
次のステップは、それが目標、つまり目標テストであるかどうかを確認することです。 
そして迷路の場合、目標はかなり簡単です。 
ノードの状態が目標と等しいかどうかを確認します。 
最初に迷路をセットアップしたとき、私はセットアップしました
迷路の特性であるゴールと呼ばれるこの値
ノードが実際に目的であるかどうかを確認するだけです。 
そしてそれが目標なら、私がしたいこと
どのような行動を理解するための私の道を後戻りしています

Chinese: 
首先，我們通過調用該空函數來檢查邊界是否為空
剛才看到了實施。 
如果邊界確實是空的，我們將
繼續提出異常或Python錯誤，對不起。 
沒有解決此問題的方法。 
否則，我們將繼續從邊界中刪除一個節點， 
就像通過調用frontier.remove並更新我們探索的狀態數一樣。 
因為現在我們探索了另一種狀態
所以我們說self.numexplored加等於1，將州數加1 
我們已經探索了。 
一旦我們從邊界刪除了一個節點，就回想一下
下一步就是看看是否是目標，目標測試。 
在迷宮的情況下，目標非常容易。 
我檢查節點的狀態是否等於目標。 
最初，當我設置迷宮時，我進行了設置
這個值叫做迷宮的屬性目標
因此我可以檢查節點是否實際上是目標。 
如果這是目標，那我想做什麼
正在回溯我弄清楚什麼行動的方式

German: 
 Zuerst überprüfen wir, ob die Grenze leer ist, indem wir die leere Funktion aufrufen, die wir haben 
 sah die Umsetzung vor einem Moment. 
 Und wenn die Grenze tatsächlich leer ist, werden wir 
 Fahren Sie fort und lösen Sie eine Ausnahme oder einen Python-Fehler aus, um sich zu entschuldigen. 
 Es gibt keine Lösung für dieses Problem. 
 Andernfalls entfernen wir einen Knoten von der Grenze. 
 B. indem Sie frontier.remove aufrufen und die Anzahl der untersuchten Zustände aktualisieren. 
 Weil wir jetzt einen zusätzlichen Zustand untersucht haben 
 Wir sagen also, self.numexplored plus ist gleich eins und addiert eins zur Anzahl der Zustände 
 wir haben erforscht. 
 Sobald wir einen Knoten von der Grenze entfernt haben, erinnern Sie sich 
 dass der nächste Schritt ist zu sehen, ob es das Ziel ist oder nicht, der Zieltest. 
 Und im Fall des Labyrinths ist das Ziel ziemlich einfach. 
 Ich überprüfe, ob der Zustand des Knotens dem Ziel entspricht. 
 Als ich das Labyrinth aufbaute, richtete ich es ein 
 Dieser Wert wird als Ziel bezeichnet und ist Eigentum des Labyrinths 
 Ich kann also nur überprüfen, ob der Knoten tatsächlich das Ziel ist. 
 Und wenn es das Ziel ist, was ich dann tun möchte 
 Ich gehe zurück, um herauszufinden, welche Aktionen 

Spanish: 
 Primero, verificamos si la frontera está vacía llamando a esa función vacía que 
 Vimos la implementación de hace un momento. 
 Y si la frontera está vacía, lo haremos 
 adelante y plantea una excepción, o un error de Python, para decir, lo siento. 
 No hay solución a este problema. 
 De lo contrario, seguiremos adelante y eliminaremos un nodo de la frontera, 
 como llamando a frontier.remove y actualice el número de estados que hemos explorado. 
 Porque ahora hemos explorado un estado adicional 
 entonces decimos self.numexplored plus igual a uno, agregando uno al número de estados 
 hemos explorado 
 Una vez que eliminemos un nodo de la frontera, recuerde 
 que el siguiente paso es ver si es o no el objetivo, la prueba del objetivo. 
 Y en el caso del laberinto, el objetivo es bastante fácil. 
 Verifico si el estado del nodo es igual al objetivo. 
 Inicialmente, cuando configuré el laberinto, configuré 
 este valor llamado objetivo, que es propiedad del laberinto 
 así que solo puedo verificar si el nodo es realmente el objetivo. 
 Y si es el objetivo, entonces lo que quiero hacer 
 es retroceder en mi camino hacia averiguar qué acciones 

Modern Greek (1453-): 
 Κατ 'αρχάς, ελέγχουμε εάν το σύνορο είναι άδειο καλώντας αυτήν την κενή λειτουργία που εμείς 
 είδα την εφαρμογή πριν από λίγο. 
 Και αν τα σύνορα είναι πράγματι άδεια, εμείς 
 προχωρήστε και δημιουργήστε μια εξαίρεση, ή ένα σφάλμα Python, για να πείτε, συγνώμη. 
 Δεν υπάρχει λύση σε αυτό το πρόβλημα. 
 Διαφορετικά, θα προχωρήσουμε και θα αφαιρέσουμε έναν κόμβο από τα σύνορα, 
 όπως καλώντας το frontier.remove και ενημερώστε τον αριθμό των καταστάσεων που έχουμε εξερευνήσει. 
 Επειδή τώρα έχουμε εξερευνήσει μια επιπλέον κατάσταση 
 έτσι λέμε ότι το self.numexplored plus ισούται με ένα, προσθέτοντας ένα στον αριθμό των καταστάσεων 
 έχουμε εξερευνήσει. 
 Μόλις αφαιρέσουμε έναν κόμβο από τα σύνορα, θυμηθείτε 
 ότι το επόμενο βήμα είναι να δούμε αν είναι ο στόχος ή όχι, η δοκιμή στόχου. 
 Και στην περίπτωση του λαβυρίνθου, ο στόχος είναι πολύ εύκολος. 
 Ελέγξω για να δω αν η κατάσταση του κόμβου είναι ίση με τον στόχο. 
 Αρχικά όταν έστησα το λαβύρινθο, έφτιαξα 
 Αυτή η τιμή ονομάζεται στόχος που είναι ιδιοκτησία του λαβυρίνθου 
 έτσι μπορώ απλώς να ελέγξω αν ο κόμβος είναι στην πραγματικότητα ο στόχος. 
 Και αν είναι ο στόχος, τότε αυτό που θέλω να κάνω 
 είναι οπισθοδρομικός τρόπος για να καταλάβω ποιες ενέργειες 

Chinese: 
首先，我们通过调用该空函数来检查边界是否为空
刚才看到了实施。 
如果边界确实是空的，我们将
继续提出异常或Python错误，对不起。 
没有解决此问题的方法。 
否则，我们将继续从边界中删除一个节点， 
就像通过调用frontier.remove并更新我们探索的状态数一样。 
因为现在我们探索了另一种状态
所以我们说self.numexplored加等于1，将州数加1 
我们已经探索了。 
一旦我们从边界删除了一个节点，就回想一下
下一步就是看看是否是目标，目标测试。 
在迷宫的情况下，目标非常容易。 
我检查节点的状态是否等于目标。 
最初，当我设置迷宫时，我进行了设置
这个值叫做迷宫的属性目标
因此我可以检查节点是否实际上是目标。 
如果这是目标，那我想做什么
正在回溯我弄清楚什么行动的方式

Arabic: 
 أولاً ، نتحقق مما إذا كانت الحدود فارغة عن طريق استدعاء تلك الوظيفة الفارغة التي نقوم بها 
 شهد تنفيذ منذ لحظة. 
 وإذا كانت الحدود فارغة بالفعل ، فسنقوم بذلك 
 المضي قدما ورفع استثناء ، أو خطأ Python ، ليقول ، آسف. 
 لا يوجد حل لهذه المشكلة. 
 وإلا سنمضي قدماً ونزيل عقدة من الحدود ، 
 كما هو الحال من خلال استدعاء frontier.remove وتحديث عدد الولايات التي استكشفناها. 
 لأننا الآن قد اكتشفنا حالة إضافية واحدة 
 لذلك نقول أن self.numexplored plus يساوي واحدًا ، مضيفًا واحدًا إلى عدد الحالات 
 لقد استكشفنا. 
 بمجرد إزالة عقدة من الحدود ، تذكر 
 أن الخطوة التالية هي معرفة ما إذا كان الهدف هو اختبار الهدف أم لا. 
 وفي حالة المتاهة ، الهدف سهل للغاية. 
 أتحقق لمعرفة ما إذا كانت حالة العقدة تساوي الهدف. 
 في البداية عندما قمت بإعداد المتاهة ، قمت بإعداد 
 هذه القيمة تسمى الهدف وهي خاصية المتاهة 
 حتى أتمكن فقط من التحقق لمعرفة ما إذا كانت العقدة هي الهدف بالفعل. 
 وإذا كان هو الهدف ، فماذا أريد أن أفعل 
 يتراجع طريقي نحو معرفة الإجراءات 

French: 
 Tout d'abord, nous vérifions si la frontière est vide en appelant cette fonction vide que nous 
 vu la mise en œuvre il y a un instant. 
 Et si la frontière est effectivement vide, nous 
 allez-y et soulevez une exception, ou une erreur Python, pour dire, désolé. 
 Il n'y a pas de solution à ce problème. 
 Sinon, nous allons continuer et retirer un nœud de la frontière, 
 comme en appelant frontier.remove et mettre à jour le nombre d'états que nous avons explorés. 
 Parce que maintenant nous avons exploré un état supplémentaire 
 nous disons donc self.numexplored plus est égal à un, en ajoutant un au nombre d'états 
 nous avons exploré. 
 Une fois que nous avons supprimé un nœud de la frontière, rappelez-vous 
 que la prochaine étape consiste à voir si c'est le but, le test du but. 
 Et dans le cas du labyrinthe, l'objectif est assez simple. 
 Je vérifie si l'état du nœud est égal à l'objectif. 
 Au départ, quand j'ai installé le labyrinthe, j'ai installé 
 cette valeur appelée objectif qui est la propriété du labyrinthe 
 donc je peux juste vérifier si le nœud est réellement le but. 
 Et si c'est le but, alors ce que je veux faire 
 est de revenir en arrière pour trouver quelles actions 

Hindi: 
 सबसे पहले, हम जाँचते हैं कि फ्रंटियर उस खाली फ़ंक्शन को कॉल करके खाली है या नहीं 
 एक पल पहले के कार्यान्वयन को देखा। 
 और अगर सीमा वास्तव में खाली है, तो हम करेंगे 
 आगे बढ़कर, एक अपवाद, या एक पायथन त्रुटि, कहने के लिए, क्षमा करें। 
 इस समस्या का कोई हल नहीं है। 
 अन्यथा, हम आगे बढ़ेंगे और सीमा से एक नोड निकालेंगे, 
 जैसा कि frontier.remove पर कॉल करके और हमारे द्वारा खोजे गए राज्यों की संख्या को अपडेट करें। 
 क्योंकि अब हमने एक अतिरिक्त राज्य का पता लगाया है 
 इसलिए हम कहते हैं कि self.numexplored प्लस एक के बराबर है, एक को राज्यों की संख्या में जोड़ता है 
 हमने खोजबीन की है। 
 एक बार जब हम फ्रंटियर से नोड हटाते हैं, तो याद रखें 
 अगला चरण यह देखना है कि यह लक्ष्य है या नहीं, लक्ष्य परीक्षण है। 
 और भूलभुलैया के मामले में, लक्ष्य बहुत आसान है। 
 मैं यह देखने के लिए जांचता हूं कि क्या नोड की स्थिति लक्ष्य के बराबर है या नहीं। 
 प्रारंभ में जब मैंने भूलभुलैया की स्थापना की, तो मैंने सेट किया 
 इस मूल्य को लक्ष्य कहा जाता है जो भूलभुलैया की संपत्ति है 
 इसलिए मैं सिर्फ यह देखने के लिए जांच कर सकता हूं कि क्या नोड वास्तव में लक्ष्य है। 
 और अगर यह लक्ष्य है, तो मैं क्या करना चाहता हूं 
 यह पता लगाने की दिशा में मेरा तरीका है कि किन कार्यों को अंजाम दिया जाए 

Italian: 
 Innanzitutto, controlliamo se la frontiera è vuota chiamando quella funzione vuota che noi 
 visto l'implementazione di un momento fa. 
 E se la frontiera è davvero vuota, lo faremo 
 vai avanti e solleva un'eccezione, o un errore Python, per dire scusa. 
 Non esiste una soluzione a questo problema. 
 Altrimenti, andremo avanti e rimuoveremo un nodo dalla frontiera, 
 come chiamando frontier.remove e aggiorna il numero di stati che abbiamo esplorato. 
 Perché ora abbiamo esplorato uno stato aggiuntivo 
 quindi diciamo che self.numexplored plus è uguale a one, aggiungendo uno al numero di stati 
 abbiamo esplorato. 
 Una volta rimosso un nodo dalla frontiera, ricordiamo 
 che il prossimo passo è vedere se è o meno l'obiettivo, il test dell'obiettivo. 
 E nel caso del labirinto, l'obiettivo è piuttosto semplice. 
 Controllo per vedere se lo stato del nodo è uguale all'obiettivo. 
 Inizialmente quando ho installato il labirinto, ho impostato 
 questo valore chiamato obiettivo che è di proprietà del labirinto 
 quindi posso solo verificare se il nodo è effettivamente l'obiettivo. 
 E se è l'obiettivo, allora cosa voglio fare 
 è il mio modo per capire quali azioni 

English: 
First, we check if the frontier is empty by calling that empty function that we
saw the implementation of a moment ago.
And if the frontier is indeed empty, we'll
go ahead and raise an exception, or a Python error, to say, sorry.
There is no solution to this problem.
Otherwise, we'll go ahead and remove a node from the frontier,
as by calling frontier.remove and update the number of states we've explored.
Because now we've explored one additional state
so we say self.numexplored plus equals one, adding one to the number of states
we've explored.
Once we remove a node from the frontier, recall
that the next step is to see whether or not it's the goal, the goal test.
And in the case of the maze, the goal is pretty easy.
I check to see whether the state of the node is equal to the goal.
Initially when I set up the maze, I set up
this value called goal which is the property of the maze
so I can just check to see if the node is actually the goal.
And if it is the goal, then what I want to do
is backtrack my way towards figuring out what actions

Korean: 
 먼저 빈 함수를 호출하여 프론티어가 비어 있는지 확인합니다. 
 전에 구현을 보았습니다. 
 그리고 프론티어가 실제로 비어 있다면, 우리는 
 계속해서 예외 또는 파이썬 오류를 발생시켜 죄송합니다. 
 이 문제에 대한 해결책은 없습니다. 
 그렇지 않으면 계속 진행하여 프론티어에서 노드를 제거합니다. 
 frontier.remove를 호출하여 탐색 한 상태 수를 업데이트합니다. 
 이제 우리는 하나의 추가 상태를 탐색했기 때문에 
 self.numexplored 더하기는 1과 같아서 상태 수에 1을 더합니다 
 우리는 탐구했다. 
 프론티어에서 노드를 제거하면 
 다음 단계는 목표인지, 목표 테스트인지 확인하는 것입니다. 
 그리고 미로의 경우 목표는 매우 쉽습니다. 
 노드의 상태가 목표와 같은지 확인합니다. 
 처음에는 미로를 설정할 때 
 이 값은 미로의 속성 인 목표라고 불립니다 
 노드가 실제로 목표인지 확인할 수 있습니다. 
 그리고 그것이 목표라면, 내가하고 싶은 것은 
 어떤 행동을하는지 알아내는 길 

Turkish: 
 İlk olarak, sınırın boş olup olmadığını, 
 bir an önce uygulandığını gördü. 
 Ve sınır gerçekten boşsa, 
 özür dilerim, bir istisna ya da bir Python hatası verin. 
 Bu sorunun çözümü yoktur. 
 Aksi takdirde, devam edip bir düğümü sınırdan kaldıracağız, 
 frontier.rem 'u arayarak ve araştırdığımız durumların sayısını güncelleyin. 
 Çünkü şimdi bir eyalet daha araştırdık 
 yani diyoruz ki self.numexplored plus buna eşittir, devlet sayısına bir tane ekler 
 araştırdık. 
 Bir düğümü sınırdan kaldırdığımızda hatırlayın 
 bir sonraki adımın hedef olup olmadığını, hedef testini görmek. 
 Ve labirent söz konusu olduğunda, hedef oldukça kolaydır. 
 Düğüm durumunun hedefe eşit olup olmadığını kontrol ediyorum. 
 Başlangıçta labirenti kurduğumda, 
 labirentin malı olan hedef olarak adlandırılan bu değer 
 bu yüzden düğümün gerçekten hedef olup olmadığını kontrol edebilirim. 
 Ve eğer amaç buysa, o zaman ne yapmak istiyorum 
 hangi eylemleri çözme yolunda geri adım atmak 

Portuguese: 
 Primeiro, verificamos se a fronteira está vazia chamando a função vazia que nós 
 vi a implementação de um momento atrás. 
 E se a fronteira está realmente vazia, nós vamos 
 vá em frente e crie uma exceção ou um erro do Python, para pedir desculpas. 
 Não há solução para esse problema. 
 Caso contrário, seguiremos em frente e removeremos um nó da fronteira, 
 como chamando frontier.remove e atualize o número de estados que exploramos. 
 Porque agora exploramos um estado adicional 
 então dizemos self.numexplored mais é igual a um, adicionando um ao número de estados 
 nós exploramos. 
 Depois que removermos um nó da fronteira, lembre-se 
 que o próximo passo é ver se é ou não o objetivo, o teste do objetivo. 
 E no caso do labirinto, o objetivo é bem fácil. 
 Verifico se o estado do nó é igual à meta. 
 Inicialmente, quando montei o labirinto, montei 
 esse valor chamado objetivo, que é propriedade do labirinto 
 para que eu possa apenas verificar se o nó é realmente o objetivo. 
 E se é esse o objetivo, então o que eu quero fazer 
 é retroceder meu caminho para descobrir quais ações 

Dutch: 
 Eerst controleren we of de grens leeg is door die lege functie aan te roepen die we hebben 
 zag de implementatie van een moment geleden. 
 En als de grens inderdaad leeg is, dan doen we dat 
 ga je gang en maak een uitzondering, of een Python-fout, om sorry te zeggen. 
 Er is geen oplossing voor dit probleem. 
 Anders gaan we door en verwijderen we een knooppunt van de grens, 
 zoals door frontier.remove te bellen en het aantal staten dat we hebben verkend bij te werken. 
 Omdat we nu een extra staat hebben verkend 
 dus we zeggen self.numexplored plus is gelijk aan één, en voegt er één toe aan het aantal staten 
 we hebben het verkend. 
 Zodra we een knooppunt van de grens hebben verwijderd, moet u het ons herinneren 
 dat de volgende stap is om te zien of het al dan niet het doel is, de doeltest. 
 En in het geval van het doolhof is het doel vrij eenvoudig. 
 Ik controleer of de toestand van het knooppunt gelijk is aan het doel. 
 Aanvankelijk toen ik het doolhof instelde, heb ik het opgezet 
 deze waarde wordt doel genoemd en is eigendom van het doolhof 
 dus ik kan gewoon controleren om te zien of het knooppunt eigenlijk het doel is. 
 En als het het doel is, wat wil ik dan doen 
 is mijn weg terug naar het uitzoeken welke acties 

Russian: 
 Сначала мы проверяем, является ли граница пустой, вызывая ту пустую функцию, которую мы 
 видел реализацию минуту назад. 
 И если граница действительно пуста, мы будем 
 идти вперед и вызвать исключение или ошибку Python, скажем, извините. 
 Нет решения этой проблемы. 
 В противном случае, мы пойдем дальше и удалим узел с границы, 
 как при вызове frontier.remove и обновлении количества состояний, которые мы исследовали. 
 Потому что теперь мы исследовали еще одно состояние 
 поэтому мы говорим, что self.numexplored равно единице, добавляя единицу к числу состояний 
 мы исследовали 
 Как только мы удалим узел с границы, вспомним 
 что следующий шаг должен увидеть, является ли это целью, целью теста. 
 А в случае с лабиринтом цель довольно проста. 
 Я проверяю, равно ли состояние узла цели. 
 Первоначально, когда я создал лабиринт, я настроил 
 это значение называется цель, которая является свойством лабиринта 
 так что я могу просто проверить, является ли узел на самом деле целью. 
 И если это цель, то что я хочу сделать 
 возвращается мой путь к выяснению, какие действия 

Dutch: 
 Ik nam om dit doel te bereiken. 
 En hoe doe ik dat? 
 We herinneren ons dat elk knooppunt zijn ouder opslaat ... 
 het knooppunt dat ervoor kwam en waarmee we naar dit knooppunt kwamen-- 
 en ook de actie die wordt gebruikt om daar te komen. 
 Dus ik kan deze lus creëren waar ik constant ben 
 gewoon kijken naar de ouder van elk knooppunt en houden 
 bijhouden, voor alle ouders, welke actie ik heb ondernomen om van de ouder te krijgen 
 hieraan. 
 Dus deze lus zal dit proces van door alles kijken blijven herhalen 
 van de bovenliggende knooppunten totdat we teruggaan naar de begintoestand, die 
 heeft geen ouder, waarbij node.parent gelijk is aan geen. 
 Terwijl ik dit doe, ga ik de lijst van allemaal opbouwen 
 van de acties die ik volg en de lijst met alle cellen 
 die deel uitmaken van de oplossing. 
 Maar ik zal ze omkeren, want als ik het bouw 
 omhoog van het doel terug naar de begintoestand, 
 Ik bouw de reeks acties op van het doel tot de begintoestand, 
 maar ik wil ze omkeren om de volgorde van acties te krijgen 
 van de begintoestand tot het doel. 
 En dat is uiteindelijk de oplossing. 

Modern Greek (1453-): 
 Πήρα για να φτάσω σε αυτόν τον στόχο. 
 Και πώς το κάνω αυτό; 
 Θα θυμόμαστε ότι κάθε κόμβος αποθηκεύει τον γονέα του-- 
 ο κόμβος που ήρθε πριν από αυτό που φτάσαμε σε αυτόν τον κόμβο-- 
 και επίσης τη δράση που χρησιμοποιήθηκε για να φτάσετε εκεί. 
 Έτσι μπορώ να δημιουργήσω αυτόν τον βρόχο όπου είμαι συνεχώς 
 απλά κοιτάζοντας τον γονέα κάθε κόμβου και διατηρώντας 
 παρακολουθήστε, για όλους τους γονείς, τι ενέργεια έκανα από τον γονέα 
 σ 'αυτό. 
 Έτσι, αυτός ο βρόχος θα συνεχίσει να επαναλαμβάνει αυτήν τη διαδικασία εξέτασης όλων 
 των γονικών κόμβων μέχρι να επιστρέψουμε στην αρχική κατάσταση, η οποία 
 δεν έχει γονέα, όπου το node.parent θα είναι ίσο με κανένα. 
 Καθώς το κάνω, θα δημιουργήσω τη λίστα όλων 
 των ενεργειών που παρακολουθώ και της λίστας όλων των κελιών 
 που αποτελούν μέρος της λύσης. 
 Αλλά θα τα αντιστρέψω γιατί όταν το φτιάξω 
 ανεβαίνοντας από τον στόχο πίσω στην αρχική κατάσταση, 
 Χτίζω την ακολουθία των ενεργειών από τον στόχο στην αρχική κατάσταση, 
 αλλά θέλω να τα αντιστρέψω για να λάβω τη σειρά των ενεργειών 
 από την αρχική κατάσταση στον στόχο. 
 Και αυτή θα είναι τελικά η λύση. 

Russian: 
 Я взял для того, чтобы добраться до этой цели. 
 И как мне это сделать? 
 Напомним, что каждый узел хранит своего родителя 
 узел, который был до него, который мы использовали, чтобы добраться до этого узла-- 
 а также действие, используемое для того, чтобы туда добраться. 
 Так что я могу создать этот цикл, где я постоянно 
 просто глядя на родителя каждого узла и сохраняя 
 отследить для всех родителей, какие действия я предпринял, чтобы получить от родителей 
 к этому. 
 Так что этот цикл будет повторять этот процесс просмотра всех 
 родительских узлов, пока мы не вернемся к исходному состоянию, которое 
 не имеет родителя, где node.parent будет равен none. 
 Как только я это сделаю, я собираюсь составить список всех 
 из действий, которые я следую, и список всех ячеек 
 которые являются частью решения. 
 Но я переверну их, потому что когда я это создаю 
 до перехода от цели обратно в исходное состояние, 
 Я строю последовательность действий от цели до исходного состояния, 
 но я хочу обратить их вспять, чтобы получить последовательность действий 
 из исходного состояния к цели. 
 И это, в конечном счете, будет решением. 

Chinese: 
我为了达到这个目标而采取了。 
我该怎么做？ 
我们回想一下，每个节点都存储其父节点- 
我们用来到达该节点的前一个节点
以及为了到达目的地而使用的动作。 
因此我可以在不断创建此循环的地方
只是看着每个节点的父节点并保持
跟踪所有父母，我从父母那里采取了什么行动
为此。 
因此，此循环将继续重复遍历所有对象的过程
直到我们回到初始状态为止
没有父节点，其中node.parent将等于none。 
当我这样做时，我将建立所有列表
我要执行的操作以及所有单元格的列表
是解决方案的一部分。 
但是我会扭转它们，因为当我构建它时
从目标回到初始状态
我正在建立从目标到初始状态的一系列动作， 
但我想扭转它们以获得动作顺序
从初始状态到目标。 
最终，这将是解决方案。 

English: 
I took in order to get to this goal.
And how do I do that?
We'll recall that every node stores its parent--
the node that came before it that we used to get to this node--
and also the action used in order to get there.
So I can create this loop where I'm constantly
just looking at the parent of every node and keeping
track, for all of the parents, what action I took to get from the parent
to this.
So this loop is going to keep repeating this process of looking through all
of the parent nodes until we get back to the initial state, which
has no parent, where node.parent is going to be equal to none.
As I do so, I'm going to be building up the list of all
of the actions that I'm following and the list of all of the cells
that are part of the solution.
But I'll reverse them because when I build it
up going from the goal back to the initial state,
I'm building the sequence of actions from the goal to the initial state,
but I want to reverse them in order to get the sequence of actions
from the initial state to the goal.
And that is, ultimately, going to be the solution.

Spanish: 
 Tomé para llegar a este objetivo. 
 ¿Y cómo hago eso? 
 Recordaremos que cada nodo almacena su padre - 
 el nodo que vino antes que solíamos llegar a este nodo 
 y también la acción utilizada para llegar allí. 
 Entonces puedo crear este ciclo donde estoy constantemente 
 solo mirando al padre de cada nodo y manteniendo 
 rastrear, para todos los padres, qué acción tomé para obtener de los padres 
 a esto. 
 Entonces este ciclo va a seguir repitiendo este proceso de mirar a través de todos 
 de los nodos principales hasta que volvamos al estado inicial, que 
 no tiene padre, donde node.parent será igual a ninguno. 
 Mientras lo hago, voy a construir la lista de todos 
 de las acciones que estoy siguiendo y la lista de todas las celdas 
 que son parte de la solución 
 Pero los revertiré porque cuando lo construya 
 pasando de la meta al estado inicial, 
 Estoy construyendo la secuencia de acciones desde la meta hasta el estado inicial, 
 pero quiero revertirlos para obtener la secuencia de acciones 
 desde el estado inicial hasta la meta. 
 Y esa es, en última instancia, la solución. 

Korean: 
 나는이 목표를 달성하기 위해했다. 
 어떻게해야합니까? 
 모든 노드가 부모를 저장한다는 것을 기억할 것입니다. 
 우리가이 노드에 도착하기 전에 사용했던 노드 
 그리고 거기에 도착하기 위해 사용 된 행동. 
 그래서 나는 지속적 으로이 루프를 만들 수 있습니다 
 모든 노드의 부모를보고 유지 
 모든 부모를 위해 부모로부터 어떤 조치를 취했는지 추적 
 이에. 
 이 루프는이 과정을 계속 반복하여 
 초기 상태로 돌아올 때까지 부모 노드의 
 node.parent가 none과 같을 부모가 없습니다. 
 그렇게하면서, 나는 모든 사람들의 목록을 만들 것입니다. 
 내가 따르는 조치와 모든 셀 목록 
 그것은 해결책의 일부입니다. 
 하지만 내가 그것을 만들 때 그들을 뒤집을 것입니다 
 목표에서 초기 상태로 돌아가고 
 목표에서 초기 상태까지 일련의 작업을 작성하고 있습니다. 
 일련의 행동을 취하기 위해 그것들을 뒤집고 싶습니다 
 초기 상태에서 목표까지. 
 그리고 그것이 궁극적으로 해결책이 될 것입니다. 

German: 
 Ich habe genommen, um dieses Ziel zu erreichen. 
 Und wie mache ich das? 
 Wir werden uns daran erinnern, dass jeder Knoten seine Eltern speichert - 
 der Knoten, der davor kam, mit dem wir zu diesem Knoten gekommen sind - 
 und auch die Aktion, die verwendet wird, um dorthin zu gelangen. 
 So kann ich diese Schleife erstellen, in der ich ständig bin 
 Ich schaue nur auf die Eltern jedes Knotens und behalte sie 
 Verfolgen Sie für alle Eltern, welche Maßnahmen ich ergriffen habe, um sie von den Eltern zu erhalten 
 dazu. 
 Diese Schleife wird also diesen Prozess des Durchsuchens aller wiederholen 
 der übergeordneten Knoten, bis wir zum Ausgangszustand zurückkehren, der 
 hat kein übergeordnetes Element, wobei node.parent gleich none ist. 
 Während ich das tue, werde ich die Liste aller aufbauen 
 der Aktionen, die ich verfolge, und die Liste aller Zellen 
 das sind Teil der Lösung. 
 Aber ich werde sie umkehren, wenn ich es baue 
 vom Ziel zurück in den Ausgangszustand, 
 Ich baue die Abfolge der Aktionen vom Ziel bis zum Ausgangszustand auf. 
 aber ich möchte sie umkehren, um die Reihenfolge der Aktionen zu erhalten 
 vom Ausgangszustand bis zum Ziel. 
 Und das wird letztendlich die Lösung sein. 

Chinese: 
我採取了為了達到這個目標。 
我該怎麼做？ 
我們回想一下，每個節點都存儲其父節點- 
我們用來到達該節點的前一個節點
以及為了到達目的地而使用的動作。 
因此我可以在不斷創建此循環的地方
只是看著每個節點的父節點並保持
跟踪所有父母，我從父母那裡採取了什麼行動
為此。 
因此，此循環將繼續重複遍歷所有對象的過程
直到我們回到初始狀態為止
沒有父節點，其中node.parent將等於none。 
當我這樣做時，我將建立所有列表
我要執行的操作以及所有單元格的列表
是解決方案的一部分。 
但是我會扭轉它們，因為當我建造它時
從目標回到初始狀態
我正在建立從目標到初始狀態的一系列動作， 
但我想扭轉它們以獲得動作順序
從初始狀態到目標。 
最終，這將是解決方案。 

Hindi: 
 मैंने इस लक्ष्य को पाने के लिए कदम उठाया। 
 और मैं ऐसा कैसे करूं? 
 हम याद करेंगे कि प्रत्येक नोड अपने माता पिता को संग्रहीत करता है-- 
 इससे पहले जो नोड आया था, जिसे हम इस नोड के लिए इस्तेमाल करते थे - 
 और वहां पहुंचने के लिए इस्तेमाल की जाने वाली कार्रवाई भी। 
 इसलिए मैं यह लूप बना सकता हूं जहां मैं लगातार हूं 
 बस हर नोड के माता-पिता को देखना और रखना 
 सभी माता-पिता के लिए, मैंने माता-पिता से क्या कार्रवाई की 
 इसके लिए। 
 तो यह लूप सभी के माध्यम से देखने की इस प्रक्रिया को दोहराता रहेगा 
 जब तक हम प्रारंभिक अवस्था में वापस नहीं आ जाते, तब तक पैरेंट नोड्स 
 कोई अभिभावक नहीं है, जहाँ node.parent किसी के बराबर नहीं होगा। 
 जैसा कि मैंने किया है, मैं सभी की सूची का निर्माण करने जा रहा हूं 
 उन कार्यों के बारे में जो मैं अनुसरण कर रहा हूं और सभी कक्षों की सूची 
 यह समाधान का हिस्सा हैं। 
 लेकिन मैं उन्हें उल्टा करूंगा क्योंकि जब मैं इसका निर्माण करूंगा 
 लक्ष्य से प्रारंभिक अवस्था में वापस जाना, 
 मैं लक्ष्य से प्रारंभिक अवस्था तक क्रियाओं का क्रम बना रहा हूं, 
 लेकिन मैं क्रियाओं का क्रम पाने के लिए उन्हें उल्टा करना चाहता हूं 
 प्रारंभिक अवस्था से लक्ष्य तक। 
 और वह है, आखिरकार, समाधान होने जा रहा है। 

Indonesian: 
 Saya mengambil untuk mencapai tujuan ini. 
 Dan bagaimana saya melakukannya? 
 Kami akan ingat bahwa setiap node menyimpan parent-- 
 simpul yang datang sebelum itu yang kami gunakan untuk sampai ke node-- ini 
 dan juga tindakan yang digunakan untuk sampai ke sana. 
 Jadi saya bisa membuat lingkaran ini di mana saya terus-menerus 
 hanya melihat induk dari setiap node dan menjaga 
 lacak, untuk semua orangtua, tindakan apa yang saya ambil dari orangtua 
 untuk ini. 
 Jadi loop ini akan terus mengulangi proses melihat semua ini 
 dari node induk sampai kita kembali ke keadaan awal, yang 
 tidak memiliki orangtua, di mana node.parent akan sama dengan tidak ada. 
 Saat saya melakukannya, saya akan membangun daftar semua 
 tindakan yang saya ikuti dan daftar semua sel 
 itu adalah bagian dari solusi. 
 Tetapi saya akan membalikkannya karena ketika saya membangunnya 
 naik dari tujuan kembali ke keadaan awal, 
 Saya sedang membangun urutan tindakan dari tujuan ke kondisi awal, 
 tapi saya ingin membalikkan mereka untuk mendapatkan urutan tindakan 
 dari keadaan awal ke tujuan. 
 Dan itu, pada akhirnya, akan menjadi solusi. 

Arabic: 
 أخذت من أجل الوصول إلى هذا الهدف. 
 وكيف أفعل ذلك؟ 
 سنتذكر أن كل عقدة تخزن أصلها-- 
 العقدة التي سبقتها والتي كنا نصل إليها 
 وكذلك الإجراء المستخدم للوصول إلى هناك. 
 حتى أتمكن من إنشاء هذه الحلقة حيث أنا باستمرار 
 مجرد النظر إلى أصل كل عقدة والاحتفاظ بها 
 المسار ، لجميع الوالدين ، ما الإجراء الذي اتخذته للحصول عليه من الوالدين 
 الى هذا. 
 لذا ستستمر هذه الحلقة في تكرار عملية البحث هذه من خلال الكل 
 العقد الأصلية حتى نعود إلى الحالة الأولية ، والتي 
 ليس له والد ، حيث لن تكون العقدة. 
 وأنا أفعل ذلك ، سوف أقوم بإعداد قائمة بجميع 
 من الإجراءات التي أتابعها وقائمة جميع الخلايا 
 التي هي جزء من الحل. 
 لكني سأعكسها لأنه عندما أقوم ببنائها 
 الصعود من الهدف إلى الحالة الأولية ، 
 أقوم ببناء تسلسل الإجراءات من الهدف إلى الحالة الأولية ، 
 لكني أريد عكسها من أجل الحصول على تسلسل الإجراءات 
 من الحالة الأولية إلى الهدف. 
 وهذا هو الحل في نهاية المطاف. 

French: 
 J'ai pris pour arriver à ce but. 
 Et comment je fais ça? 
 Nous nous souviendrons que chaque nœud stocke son parent-- 
 le nœud qui l'a précédé que nous avons utilisé pour arriver à ce node-- 
 et aussi l'action utilisée pour y arriver. 
 Je peux donc créer cette boucle où je suis constamment 
 en regardant simplement le parent de chaque nœud et en gardant 
 suivre, pour tous les parents, les mesures que j'ai prises pour obtenir du parent 
 pour ça. 
 Donc, cette boucle va continuer à répéter ce processus de recherche à travers tous 
 des nœuds parents jusqu'à ce que nous revenions à l'état initial, qui 
 n'a pas de parent, où node.parent va être égal à aucun. 
 Ce faisant, je vais constituer la liste de tous 
 des actions que je suis en train de suivre et la liste de toutes les cellules 
 qui font partie de la solution. 
 Mais je vais les inverser parce que quand je le construirai 
 en remontant du but à l'état initial, 
 Je construis la séquence d'actions du but à l'état initial, 
 mais je veux les inverser afin d'obtenir la séquence d'actions 
 de l'état initial au but. 
 Et ce sera, en fin de compte, la solution. 

Portuguese: 
 Eu levei para chegar a esse objetivo. 
 E como eu faço isso? 
 Lembraremos que cada nó armazena seu pai-- 
 o nó que veio antes dele que costumávamos chegar a este node-- 
 e também a ação usada para chegar lá. 
 Então eu posso criar esse loop onde estou constantemente 
 apenas olhando para o pai de cada nó e mantendo 
 rastrear, para todos os pais, que ação eu tomei para obtê-lo 
 para isso. 
 Portanto, esse loop continuará repetindo esse processo de olhar através de todos 
 dos nós pais até voltarmos ao estado inicial, que 
 não tem pai, em que node.parent será igual a nenhum. 
 Ao fazê-lo, vou elaborar a lista de todos os 
 das ações que estou seguindo e a lista de todas as células 
 que fazem parte da solução. 
 Mas eu vou revertê-los porque quando eu construí-lo 
 indo da meta de volta ao estado inicial, 
 Estou construindo a sequência de ações do objetivo ao estado inicial, 
 mas quero revertê-los para obter a sequência de ações 
 do estado inicial para a meta. 
 E essa será, em última análise, a solução. 

Japanese: 
この目標を達成するために撮りました。 
そして、どうすればいいですか？ 
すべてのノードがその親を保存することを思い出します- 
以前にこのノードに到達するために使用していたノード- 
また、そこに到達するために使用されるアクション。 
だから私はこのループを作ることができます
すべてのノードの親を見て、 
すべての親のために、親から得るために私がとった行動を追跡する
これに。 
したがって、このループは、すべてを調べるというこのプロセスを繰り返し続けます。 
初期状態に戻るまで、親ノードの
親はありません。node.parentはnoneに等しくなります。 
その際、すべてのリストを作成します
私がフォローしているアクションとすべてのセルのリスト
それらはソリューションの一部です。 
しかし、私はそれを構築するときにそれを逆にします
ゴールから初期状態に戻るまで、 
目標から初期状態までの一連のアクションを構築しています。 
アクションのシーケンスを取得するために、それらを逆にしたい
初期状態からゴールまで。 
そして、それが最終的には解決策となります。 

Italian: 
 Ho preso per raggiungere questo obiettivo. 
 E come posso farlo? 
 Ricorderemo che ogni nodo memorizza il suo genitore-- 
 il nodo che lo precedeva che usavamo per arrivare a questo nodo-- 
 e anche l'azione usata per arrivarci. 
 Quindi posso creare questo ciclo dove sono costantemente 
 solo guardando il genitore di ogni nodo e mantenendo 
 traccia, per tutti i genitori, quale azione ho intrapreso per ottenere dal genitore 
 a questo. 
 Quindi questo ciclo continuerà a ripetere questo processo di guardare attraverso tutto 
 dei nodi principali fino a quando non torniamo allo stato iniziale, che 
 non ha un genitore, dove node.parent sarà uguale a nessuno. 
 Mentre lo faccio, costruirò l'elenco di tutti 
 delle azioni che sto seguendo e l'elenco di tutte le celle 
 che fanno parte della soluzione. 
 Ma li invertirò perché quando lo costruirò 
 passando dall'obiettivo allo stato iniziale, 
 Sto costruendo la sequenza di azioni dall'obiettivo allo stato iniziale, 
 ma voglio invertirli per ottenere la sequenza di azioni 
 dallo stato iniziale all'obiettivo. 
 E questa, in definitiva, sarà la soluzione. 

Turkish: 
 Bu hedefe ulaşmak için aldım. 
 Bunu nasıl yaparım? 
 Her düğümün ebeveynini sakladığını hatırlayacağız. 
 ondan önce gelen bu düğüme ulaştığımız düğüm-- 
 ve oraya ulaşmak için kullanılan eylem. 
 Böylece sürekli olduğum yerde bu döngüyü oluşturabilirim 
 sadece her düğümün ebeveynine bakıp 
 Tüm ebeveynler için, ebeveynlerden almak için ne gibi önlemler aldım 
 buna. 
 Böylece bu döngü, tüm bu süreçlere bakma sürecini tekrarlamaya devam edecek. 
 Başlangıç ​​durumuna geri dönene kadar üst düğümlerin 
 düğümü olmayan bir üst öğeye sahip değildir. 
 Bunu yaparken, hepsinin listesini oluşturacağım 
 takip ettiğim eylemler ve tüm hücrelerin listesi 
 çözümün bir parçası. 
 Ama onları tersine çevireceğim çünkü onu inşa ettiğimde 
 hedeften başlangıç ​​durumuna geri dönme, 
 Hedef dizisinden başlangıç ​​durumuna kadar eylem dizisi oluşturuyorum, 
 ama eylem sırasını elde etmek için onları tersine çevirmek istiyorum 
 başlangıç ​​durumundan hedefe. 
 Ve sonuçta çözüm bu olacak. 

French: 
 Donc, tout cela se produit si l'état actuel est égal à l'objectif. 
 Et sinon, si ce n'est pas le but, eh bien, 
 alors je vais continuer et ajouter cet état à l'ensemble exploré pour dire, 
 J'ai exploré cet état maintenant. 
 Pas besoin d'y revenir si je le rencontre à l'avenir. 
 Et puis, cette logique met en œuvre ici l'idée 
 d'ajouter des voisins à la frontière. 
 Je dis, regardez tous mes voisins. 
 Et j'ai implémenté une fonction appelée voisins que vous pouvez consulter. 
 Et pour chacun de ces voisins, je vais vérifier, 
 l'État est-il déjà à la frontière? 
 L'État est-il déjà dans l'ensemble exploré? 
 Et si ce n'est dans aucun de ceux-là, alors j'irai de l'avant et ajouterai ce nouvel enfant 
 node-- ce nouveau node-- 
 à la frontière. 
 Il y a donc une bonne quantité de syntaxe ici, mais la clé ici 
 c'est de ne pas comprendre toutes les nuances de la syntaxe, 
 mais n'hésitez pas à regarder de plus près ce fichier par vous-même 
 pour avoir une idée de la façon dont cela fonctionne. 
 Mais la clé est de voir comment cela est une implémentation du même pseudocode, 
 la même idée que nous décrivions il y a un instant à l'écran lorsque nous étions 
 en regardant les étapes que nous pourrions suivre afin 
 pour résoudre ce genre de problème de recherche. 
 Alors maintenant, voyons cela en action. 

Chinese: 
因此，如果當前狀態等於目標，則所有這些都會發生。 
否則，如果這不是目標，那麼， 
然後我繼續將此狀態添加到探索的集合中，例如， 
我現在已經探索了這種狀態。 
如果我以後再碰到它，則無需再討論它。 
然後，這裡的邏輯實現了這個想法
將鄰居添加到邊疆中。 
我是說，看看我所有的鄰居。 
我實現了一個稱為鄰居的函數，您可以看一下。 
對於每個鄰居，我要檢查一下， 
國家已經在邊境了嗎？ 
該狀態是否已在探索集中？ 
如果這兩個都不存在，那麼我繼續添加這個新孩子
節點-這個新節點- 
到邊境。 
所以這裡有很多語法，但是這裡的關鍵
不是要理解語法的所有細微差別， 
儘管可以自行仔細查看此文件
了解它的工作方式。 
但是關鍵是要看這是如何實現相同的偽代碼， 
我們剛才在屏幕上描述的想法相同
查看我們可能會按順序執行的步驟
解決這種搜索問題。 
因此，現在讓我們實際了解一下這一點。 

English: 
So all of that happens if the current state is equal to the goal.
And otherwise, if it's not the goal, well,
then I'll go ahead and add this state to the explored set to say,
I've explored this state now.
No need to go back to it if I come across it in the future.
And then, this logic here implements the idea
of adding neighbors to the frontier.
I'm saying, look at all of my neighbors.
And I implemented a function called neighbors that you can take a look at.
And for each of those neighbors, I'm going to check,
is the state already in the frontier?
Is the state already in the explored set?
And if it's not in either of those, then I'll go ahead and add this new child
node-- this new node--
to the frontier.
So there's a fair amount of syntax here, but the key here
is not to understand all the nuances of the syntax,
though feel free to take a closer look at this file on your own
to get a sense for how it is working.
But the key is to see how this is an implementation of the same pseudocode,
the same idea that we were describing a moment ago on the screen when we were
looking at the steps that we might follow in order
to solve this kind of search problem.
So now let's actually see this in action.

Russian: 
 Так что все это происходит, если текущее состояние равно цели. 
 А в противном случае, если это не цель, ну, 
 затем я добавлю это состояние к исследуемому набору и скажу: 
 Я исследовал это состояние сейчас. 
 Не нужно возвращаться к этому, если я столкнусь с этим в будущем. 
 И тогда эта логика здесь реализует идею 
 добавления соседей к границе. 
 Я говорю, посмотри на всех моих соседей. 
 И я реализовал функцию под названием соседей, на которую вы можете взглянуть. 
 И для каждого из этих соседей я собираюсь проверить, 
 Государство уже на границе? 
 Состояние уже в исследуемом множестве? 
 И если это не входит ни в один из них, тогда я продолжу и добавлю этого нового ребенка 
 узел-- этот новый узел-- 
 до границы. 
 Так что здесь довольно много синтаксиса, но ключ здесь 
 не разбираться во всех нюансах синтаксиса, 
 хотя не стесняйтесь внимательнее присмотреться к этому файлу 
 чтобы понять, как это работает. 
 Но ключ состоит в том, чтобы увидеть, как это реализация того же псевдокода, 
 та же идея, которую мы описывали минуту назад на экране, когда мы были 
 глядя на шаги, которые мы могли бы выполнить по порядку 
 чтобы решить эту проблему поиска. 
 Итак, теперь давайте посмотрим на это в действии. 

Italian: 
 Quindi tutto ciò accade se lo stato corrente è uguale all'obiettivo. 
 E altrimenti, se non è l'obiettivo, beh, 
 poi andrò avanti e aggiungerò questo stato al set esplorato per dire, 
 Ho esplorato questo stato ora. 
 Non c'è bisogno di tornarci se lo incontrerò in futuro. 
 E poi, questa logica qui implementa l'idea 
 di aggiungere vicini alla frontiera. 
 Sto dicendo, guarda tutti i miei vicini. 
 E ho implementato una funzione chiamata vicini che puoi dare un'occhiata. 
 E per ciascuno di questi vicini, vado a controllare, 
 lo stato è già alla frontiera? 
 Lo stato è già nel set esplorato? 
 E se non è in nessuno di questi, allora andrò avanti e aggiungerò questo nuovo bambino 
 nodo-- questo nuovo nodo-- 
 alla frontiera. 
 Quindi c'è una buona quantità di sintassi qui, ma la chiave qui 
 non è comprendere tutte le sfumature della sintassi, 
 comunque sentiti libero di dare un'occhiata più da vicino a questo file da solo 
 per avere un'idea di come funziona. 
 Ma la chiave è vedere come questa è un'implementazione dello stesso pseudocodice, 
 la stessa idea che stavamo descrivendo un momento fa sullo schermo quando eravamo 
 guardando i passi che potremmo seguire in ordine 
 per risolvere questo tipo di problema di ricerca. 
 Quindi ora vediamo questo in azione. 

Dutch: 
 Dat gebeurt dus allemaal als de huidige staat gelijk is aan het doel. 
 En anders, als het niet het doel is, wel, 
 dan ga ik door en voeg deze toestand toe aan de onderzochte set om te zeggen: 
 Ik heb deze staat nu verkend. 
 Het is niet nodig om erop terug te komen als ik het in de toekomst tegenkom. 
 En dan implementeert deze logica hier het idee 
 van het toevoegen van buren aan de grens. 
 Ik zeg, kijk naar al mijn buren. 
 En ik heb een functie genaamd buren geïmplementeerd waar je naar kunt kijken. 
 En voor elk van die buren ga ik controleren, 
 is de staat al aan de grens? 
 Staat de staat al in de verkende set? 
 En als het niet in een van beide zit, dan zal ik doorgaan en dit nieuwe kind toevoegen 
 knooppunt - dit nieuwe knooppunt-- 
 naar de grens. 
 Er is hier dus een behoorlijke hoeveelheid syntaxis, maar de sleutel hier 
 is niet alle nuances van de syntaxis te begrijpen, 
 voel je vrij om dit bestand zelf van dichterbij te bekijken 
 om een ​​idee te krijgen hoe het werkt. 
 Maar de sleutel is om te zien hoe dit een implementatie is van dezelfde pseudocode, 
 hetzelfde idee dat we zojuist op het scherm beschreven toen we dat waren 
 kijken naar de stappen die we in volgorde kunnen volgen 
 om dit soort zoekproblemen op te lossen. 
 Laten we dit nu in actie zien. 

Portuguese: 
 Então, tudo isso acontece se o estado atual for igual à meta. 
 Caso contrário, se não for o objetivo, bem, 
 depois, adicionarei esse estado ao conjunto explorado para dizer: 
 Eu explorei esse estado agora. 
 Não há necessidade de voltar a isso se eu me deparar com isso no futuro. 
 E então, essa lógica aqui implementa a ideia 
 de adicionar vizinhos à fronteira. 
 Estou dizendo, olhe para todos os meus vizinhos. 
 E eu implementei uma função chamada vizinhos que você pode dar uma olhada. 
 E para cada um desses vizinhos, vou verificar, 
 o estado já está na fronteira? 
 O estado já está no conjunto explorado? 
 E se não estiver em nenhum deles, então eu vou adicionar esse novo filho 
 node-- este novo node-- 
 para a fronteira. 
 Portanto, há uma boa quantidade de sintaxe aqui, mas a chave aqui 
 é não entender todas as nuances da sintaxe, 
 embora sinta-se livre para dar uma olhada mais de perto neste arquivo por conta própria 
 para ter uma noção de como está funcionando. 
 Mas a chave é ver como isso é uma implementação do mesmo pseudocódigo, 
 a mesma ideia que descrevemos há pouco na tela quando estávamos 
 olhando para as etapas que podemos seguir em ordem 
 para resolver esse tipo de problema de pesquisa. 
 Então agora vamos realmente ver isso em ação. 

Japanese: 
つまり、現在の状態が目標に等しい場合、これらすべてが起こります。 
それ以外の場合、それが目標でない場合は、まあ、 
次に、この状態を探索セットに追加して、 
私は今この状態を調査しました。 
将来出くわした場合、元に戻る必要はありません。 
そして、このロジックはここにアイデアを実装します
フロンティアに隣人を加えることの。 
私は言っている、私のすべての隣人を見てください。 
そして、私はあなたが見ることができる隣人と呼ばれる関数を実装しました。 
そして、それらの隣人のそれぞれについて、私はチェックするつもりです、 
州はすでにフロンティアにありますか？ 
状態はすでに探索セットにありますか？ 
どちらにもない場合は、この新しい子を追加します
ノード-この新しいノード- 
フロンティアへ。 
ここにはかなりの量の構文がありますが、ここでのキー
構文のニュアンスをすべて理解することではなく、 
このファイルを自分で詳しく見てみてください
それがどのように機能しているかの感覚を得るために。 
しかし、重要なのは、これが同じ擬似コードの実装であることを確認することです。 
少し前に画面で説明したのと同じ考えです。 
順を追って実行する可能性のある手順を見る
この種の検索問題を解決します。 
それでは、実際にこれを実際に見てみましょう。 

Arabic: 
 لذلك يحدث كل ذلك إذا كانت الحالة الحالية تساوي الهدف. 
 وإلا ، إذا لم يكن الهدف ، حسنًا ، 
 ثم أمضي قدما وأضيف هذه الحالة إلى المجموعة المستكشفة لأقول ، 
 لقد استكشفت هذه الحالة الآن. 
 لا حاجة للعودة إليها إذا صادفتها في المستقبل. 
 ومن ثم ، فإن هذا المنطق هنا ينفذ الفكرة 
 لإضافة الجيران إلى الحدود. 
 أنا أقول ، انظر إلى جميع جيراني. 
 وقمت بتنفيذ وظيفة تسمى الجيران يمكنك إلقاء نظرة عليها. 
 ولكل من هؤلاء الجيران ، سوف أتحقق ، 
 هل الدولة بالفعل في الحدود؟ 
 هل الدولة موجودة بالفعل في المجموعة المستكشفة؟ 
 وإذا لم يكن في أي من هذين ، فسوف أمضي وأضيف هذا الطفل الجديد 
 العقدة - هذه العقدة الجديدة-- 
 إلى الحدود. 
 لذا هناك قدر لا بأس به من بناء الجملة هنا ، ولكن المفتاح هنا 
 ليس فهم جميع الفروق الدقيقة في بناء الجملة ، 
 على الرغم من عدم التردد في إلقاء نظرة فاحصة على هذا الملف بنفسك 
 لفهم كيفية عملها. 
 لكن المفتاح هو أن ترى كيف يتم تنفيذ نفس الرمز الزائف ، 
 نفس الفكرة التي كنا نصفها منذ لحظة على الشاشة عندما كنا 
 بالنظر إلى الخطوات التي قد نتبعها بالترتيب 
 لحل هذا النوع من مشكلة البحث. 
 لذلك الآن دعونا نرى هذا بالفعل في العمل. 

Hindi: 
 तो यह सब होता है अगर वर्तमान स्थिति लक्ष्य के बराबर है। 
 और अन्यथा, यदि यह लक्ष्य नहीं है, तो, 
 फिर मैं आगे बढ़ूंगा और इस राज्य को कहने के लिए खोजे गए सेट में जोड़ूंगा, 
 मैंने अब इस स्थिति का पता लगाया है। 
 अगर भविष्य में मुझे इसमें कोई दिक्कत नहीं हुई तो मुझे वापस जाने की जरूरत नहीं है। 
 और फिर, यहाँ यह तर्क विचार को लागू करता है 
 पड़ोसी को जोड़ने के लिए। 
 मैं कह रहा हूं, मेरे सभी पड़ोसियों को देखो। 
 और मैंने पड़ोसियों के नाम से एक फंक्शन लागू किया जिसे आप देख सकते हैं। 
 और उन पड़ोसियों में से प्रत्येक के लिए, मैं जाँच करने जा रहा हूँ, 
 क्या राज्य पहले से ही सबसे आगे है? 
 क्या राज्य पहले से ही निर्धारित सेट में है? 
 और अगर यह उन दोनों में से नहीं है, तो मैं आगे जाऊंगा और इस नए बच्चे को जोड़ूंगा 
 नोड-- यह नया नोड-- 
 सीमा तक। 
 तो यहाँ एक उचित मात्रा में वाक्य रचना है, लेकिन यहाँ कुंजी है 
 वाक्य रचना की सभी बारीकियों को समझने के लिए नहीं है, 
 हालाँकि इस फ़ाइल को अपने आप देखने में संकोच होता है 
 कैसे यह काम कर रहा है के लिए एक समझ पाने के लिए। 
 लेकिन कुंजी यह देखना है कि यह एक ही छद्मकोड का कार्यान्वयन कैसे है, 
 एक ही विचार है कि हम स्क्रीन पर एक पल पहले वर्णन कर रहे थे जब हम थे 
 उन चरणों को देखते हुए जिन्हें हम क्रम में पालन कर सकते हैं 
 इस तरह की खोज समस्या को हल करने के लिए। 
 तो अब चलिए वास्तव में इसे कार्रवाई में देखते हैं। 

German: 
 All dies geschieht also, wenn der aktuelle Status dem Ziel entspricht. 
 Und ansonsten, wenn es nicht das Ziel ist, na ja, 
 dann werde ich fortfahren und diesen Zustand zu dem erkundeten Satz hinzufügen, um zu sagen: 
 Ich habe diesen Zustand jetzt erkundet. 
 Ich muss nicht darauf zurückkommen, wenn ich in Zukunft darauf stoße. 
 Und dann setzt diese Logik hier die Idee um 
 Nachbarn zur Grenze hinzuzufügen. 
 Ich sage, sieh dir alle meine Nachbarn an. 
 Und ich habe eine Funktion namens Nachbarn implementiert, die Sie sich ansehen können. 
 Und für jeden dieser Nachbarn werde ich nachsehen, 
 Ist der Staat schon an der Grenze? 
 Befindet sich der Staat bereits im erkundeten Set? 
 Und wenn es in keinem von beiden ist, werde ich dieses neue Kind hinzufügen 
 Knoten - dieser neue Knoten - 
 an die Grenze. 
 Hier gibt es also eine Menge Syntax, aber hier den Schlüssel 
 ist nicht alle Nuancen der Syntax zu verstehen, 
 Sie können sich diese Datei jedoch gerne selbst genauer ansehen 
 um ein Gefühl dafür zu bekommen, wie es funktioniert. 
 Der Schlüssel ist jedoch zu sehen, wie dies eine Implementierung desselben Pseudocodes ist. 
 die gleiche Idee, die wir vor einem Moment auf dem Bildschirm beschrieben haben, als wir es waren 
 Schauen Sie sich die Schritte an, die wir in der richtigen Reihenfolge ausführen könnten 
 um diese Art von Suchproblem zu lösen. 
 Lassen Sie uns dies nun tatsächlich in Aktion sehen. 

Spanish: 
 Entonces, todo eso sucede si el estado actual es igual al objetivo. 
 Y de lo contrario, si no es el objetivo, bueno, 
 luego continuaré y agregaré este estado al conjunto explorado para decir: 
 He explorado este estado ahora. 
 No es necesario volver a ello si lo encuentro en el futuro. 
 Y luego, esta lógica aquí implementa la idea 
 de agregar vecinos a la frontera. 
 Estoy diciendo, mira a todos mis vecinos. 
 E implementé una función llamada vecinos que puedes ver. 
 Y para cada uno de esos vecinos, voy a verificar, 
 ¿El estado ya está en la frontera? 
 ¿El estado ya está en el conjunto explorado? 
 Y si no está en ninguno de esos, entonces continuaré y agregaré este nuevo niño 
 nodo-- este nuevo nodo-- 
 a la frontera 
 Así que hay una buena cantidad de sintaxis aquí, pero la clave aquí 
 no es entender todos los matices de la sintaxis, 
 aunque siéntase libre de echar un vistazo más de cerca a este archivo por su cuenta 
 para tener una idea de cómo está funcionando. 
 Pero la clave es ver cómo se trata de una implementación del mismo pseudocódigo, 
 la misma idea que estábamos describiendo hace un momento en la pantalla cuando estábamos 
 mirando los pasos que podríamos seguir para 
 para resolver este tipo de problema de búsqueda. 
 Así que ahora veamos esto en acción. 

Korean: 
 현재 상태가 목표와 같으면이 모든 것이 발생합니다. 
 그렇지 않으면 목표가 아니라면 
 계속해서이 상태를 탐색 된 세트에 추가하여 
 나는 지금이 주를 탐험했다. 
 내가 나중에 그것을 만나면 다시 돌아갈 필요가 없습니다. 
 그리고이 논리는 여기서 아이디어를 구현합니다. 
 프론티어에 이웃을 추가하는 것. 
 내 이웃을 모두 보라구 
 그리고 당신이 볼 수있는 이웃이라는 기능을 구현했습니다. 
 그리고 그 이웃들 각각을 위해, 나는 점검 할 것입니다. 
 국가가 이미 국경에 있습니까? 
 상태가 이미 탐색 세트에 있습니까? 
 그리고 둘 중 하나에 없으면이 새 아이를 추가하겠습니다. 
 노드-이 새로운 노드- 
 국경에. 
 여기에는 상당한 양의 구문이 있지만 여기서 핵심은 
 구문의 모든 뉘앙스를 이해하는 것이 아니라 
 이 파일을 스스로 자세히 살펴 보시더라도 
 그것이 어떻게 작동하는지 이해합니다. 
 그러나 핵심은 이것이 어떻게 동일한 의사 코드의 구현인지 확인하는 것입니다. 
 우리가 화면에 잠시 전에 묘사했던 것과 같은 생각 
 우리가 순서대로 따를 수있는 단계를보고 
 이런 종류의 검색 문제를 해결합니다. 
 이제 실제로 이것을 보도록합시다. 

Modern Greek (1453-): 
 Έτσι όλα αυτά συμβαίνουν εάν η τρέχουσα κατάσταση είναι ίση με τον στόχο. 
 Και αλλιώς, αν δεν είναι ο στόχος, καλά, 
 τότε θα προχωρήσω και θα προσθέσω αυτήν την κατάσταση στο εξερευνημένο σετ για να πω, 
 Έχω εξερευνήσει αυτήν την κατάσταση τώρα. 
 Δεν χρειάζεται να επιστρέψω σε αυτό αν το συναντήσω στο μέλλον. 
 Και τότε, αυτή η λογική εδώ εφαρμόζει την ιδέα 
 της προσθήκης γειτόνων στα σύνορα. 
 Λέω, κοίτα όλους τους γείτονές μου. 
 Και εφάρμοσα μια λειτουργία που ονομάζεται γείτονες που μπορείτε να ρίξετε μια ματιά. 
 Και για κάθε έναν από αυτούς τους γείτονες, θα ελέγξω, 
 είναι το κράτος στα σύνορα; 
 Το κράτος βρίσκεται ήδη στο εξερευνημένο σετ; 
 Και αν δεν είναι σε κανένα από αυτά, τότε θα προχωρήσω και θα προσθέσω αυτό το νέο παιδί 
 κόμβος - αυτός ο νέος κόμβος-- 
 στα σύνορα. 
 Υπάρχει λοιπόν αρκετά σύνταξη εδώ, αλλά το κλειδί εδώ 
 δεν είναι να κατανοήσουμε όλες τις αποχρώσεις της σύνταξης, 
 αν και διστάσετε να ρίξετε μια πιο προσεκτική ματιά σε αυτό το αρχείο μόνοι σας 
 για να κατανοήσουμε πώς λειτουργεί. 
 Αλλά το κλειδί είναι να δούμε πώς είναι μια εφαρμογή του ίδιου ψευδοκώδικα, 
 την ίδια ιδέα που περιγράψαμε πριν από λίγο στην οθόνη όταν ήμασταν 
 κοιτάζοντας τα βήματα που μπορούμε να ακολουθήσουμε με τη σειρά 
 για την επίλυση αυτού του είδους του προβλήματος αναζήτησης. 
 Τώρα ας δούμε πραγματικά αυτό σε δράση. 

Indonesian: 
 Jadi semua itu terjadi jika keadaan saat ini sama dengan tujuan. 
 Dan sebaliknya, jika itu bukan tujuan, yah, 
 maka saya akan pergi ke depan dan menambahkan negara ini ke set dieksplorasi untuk mengatakan, 
 Saya sudah menjelajahi keadaan ini sekarang. 
 Tidak perlu kembali ke sana jika saya menemukannya di masa depan. 
 Dan kemudian, logika ini mengimplementasikan ide ini 
 menambahkan tetangga ke perbatasan. 
 Saya katakan, lihat semua tetangga saya. 
 Dan saya menerapkan fungsi yang disebut tetangga yang dapat Anda lihat. 
 Dan untuk masing-masing tetangga, saya akan memeriksa, 
 Apakah negara sudah ada di perbatasan? 
 Apakah negara sudah dalam set yang dieksplorasi? 
 Dan jika itu tidak termasuk salah satunya, maka saya akan melanjutkan dan menambahkan anak baru ini 
 simpul-- simpul baru ini 
 ke perbatasan. 
 Jadi ada cukup banyak sintaks di sini, tetapi kuncinya di sini 
 bukan untuk memahami semua nuansa sintaksis, 
 meskipun merasa bebas untuk melihat lebih dekat pada file ini sendiri 
 untuk memahami cara kerjanya. 
 Tetapi kuncinya adalah untuk melihat bagaimana ini merupakan implementasi dari kodesemu yang sama, 
 ide yang sama yang kami gambarkan beberapa saat yang lalu di layar ketika kami berada 
 melihat langkah-langkah yang mungkin kita ikuti secara berurutan 
 untuk memecahkan masalah pencarian semacam ini. 
 Jadi sekarang mari kita benar-benar melihat ini dalam aksi. 

Chinese: 
因此，如果当前状态等于目标，则所有这些都会发生。 
否则，如果这不是目标，那么， 
然后我继续将此状态添加到探索的集合中，例如， 
我现在已经探索了这种状态。 
如果我以后再碰到它，则无需再讨论它。 
然后，这里的逻辑实现了这个想法
将邻居添加到边疆中。 
我是说，看看我所有的邻居。 
我实现了一个称为邻居的函数，您可以看一下。 
对于每个邻居，我要检查一下， 
国家已经在边境了吗？ 
该状态是否已在探索集中？ 
如果这两个都不存在，那么我继续添加这个新孩子
节点-这个新节点- 
到边境。 
所以这里有很多语法，但是这里的关键
不是要理解语法的所有细微差别， 
尽管可以自行仔细查看此文件
了解它的工作方式。 
但是关键是要看这是如何实现相同的伪代码， 
我们刚才在屏幕上描述的想法相同
查看我们可能会按顺序执行的步骤
解决这种搜索问题。 
因此，现在让我们实际了解一下这一点。 

Turkish: 
 Dolayısıyla, mevcut durum hedefe eşitse tüm bunlar olur. 
 Aksi takdirde, eğer amaç bu değilse, 
 sonra devam edeceğim ve bu durumu keşfedilen sete ekleyeceğim, 
 Şimdi bu durumu araştırdım. 
 Gelecekte karşılaşırsam ona geri dönmeye gerek yok. 
 Ve sonra, bu mantık fikri uygular 
 sınıra komşuları eklemektir. 
 Diyorum ki, bütün komşularıma bak. 
 Ve göz atabileceğiniz komşular adı verilen bir işlev uyguladım. 
 Ve bu komşuların her biri için kontrol edeceğim, 
 devlet zaten sınırda mı? 
 Devlet zaten keşfedilen kümede mi? 
 Ve eğer ikisinden birinde değilse, o zaman devam edeceğim ve bu yeni çocuğu ekleyeceğim 
 düğüm - bu yeni düğüm-- 
 sınıra. 
 Yani burada oldukça fazla sözdizimi var, ama burada anahtar 
 sözdiziminin tüm nüanslarını anlamak değil, 
 bu dosyaya kendi başınıza daha yakından bakmaktan çekinmeyin 
 nasıl çalıştığını anlamak için. 
 Ancak anahtar, bunun aynı sahte kodun bir uygulaması olduğunu görmektir, 
 bir an önce ekranda olduğumuz zaman 
 sırayla takip edebileceğimiz adımlara bakmak 
 Bu tür bir arama problemini çözmek için. 
 Şimdi bunu eylemde görelim. 

Dutch: 
 Ik ga door en voer bijvoorbeeld maze.py uit op maze1.txt. 
 En wat we zullen zien is hier, we hebben een afdruk van wat het doolhof aanvankelijk was 
 leek op. 
 En dan hier beneden, nadat we het hebben opgelost. 
 We moesten 11 staten verkennen om het te doen, en we vonden een pad van A naar B. 
 En in dit programma genereerde ik toevallig een grafische weergave 
 hiervan ook ... 
 zodat ik maze.png kan openen, dat wordt gegenereerd door dit programma-- 
 die je laat zien waar, in de donkerdere kleur hier, de muur is. 
 Rood is de begintoestand, groen is het doel, 
 en geel is het pad dat werd gevolgd. 
 We hebben een pad gevonden van de begintoestand naar het doel. 
 Maar laten we nu eens kijken naar een meer verfijnd doolhof 
 om te zien wat er in plaats daarvan zou kunnen gebeuren. 
 Laten we nu kijken naar maze2.txt, waar we hier nu een veel groter doolhof hebben. 
 Nogmaals, we proberen onze weg te vinden van punt A naar punt B, 
 maar nu zul je je voorstellen dat diepgaande zoekactie misschien niet zo veel geluk heeft. 
 Mogelijk wordt het doel bij de eerste poging niet behaald. 
 Mogelijk moet het één pad volgen en vervolgens teruggaan 

Portuguese: 
 Vou seguir em frente e rodar maze.py em maze1.txt, por exemplo. 
 E o que veremos aqui é uma impressão do que o labirinto inicialmente 
 parecia. 
 E então aqui, embaixo, é depois que resolvemos. 
 Tivemos que explorar 11 estados para fazê-lo, e encontramos um caminho de A a B. 
 E neste programa, acabei gerando uma representação gráfica 
 disso também ... 
 para que eu possa abrir o maze.png, gerado por este programa-- 
 que mostra onde, na cor mais escura daqui, fica a parede. 
 Vermelho é o estado inicial, verde é o objetivo, 
 e amarelo é o caminho que foi seguido. 
 Encontramos um caminho do estado inicial para a meta. 
 Mas agora vamos dar uma olhada em um labirinto mais sofisticado 
 para ver o que pode acontecer. 
 Vejamos agora maze2.txt, onde agora temos um labirinto muito maior. 
 Mais uma vez, estamos tentando encontrar o caminho do ponto A ao ponto B, 
 mas agora você imagina que a pesquisa aprofundada pode não ter tanta sorte. 
 Pode não atingir o objetivo na primeira tentativa. 
 Pode ter que seguir um caminho e depois voltar atrás 

Indonesian: 
 Saya akan melanjutkan dan menjalankan maze.py di maze1.txt, misalnya. 
 Dan apa yang akan kita lihat adalah di sini kita memiliki cetakan apa labirin awalnya 
 tampak seperti. 
 Dan kemudian di sini, di bawah, adalah setelah kita menyelesaikannya. 
 Kami harus menjelajahi 11 negara bagian untuk melakukannya, dan kami menemukan jalur dari A ke B. 
 Dan dalam program ini, saya kebetulan menghasilkan representasi grafis 
 ini, juga-- 
 jadi saya bisa membuka maze.png, yang dihasilkan oleh program ini - 
 yang menunjukkan Anda di mana, dalam warna yang lebih gelap di sini, dindingnya. 
 Merah adalah kondisi awal, hijau adalah tujuannya, 
 dan kuning adalah jalan yang diikuti. 
 Kami menemukan jalur dari keadaan awal ke tujuan. 
 Tapi sekarang mari kita lihat labirin yang lebih canggih 
 untuk melihat apa yang mungkin terjadi sebagai gantinya. 
 Mari kita lihat sekarang di maze2.txt, di mana sekarang di sini kita memiliki labirin yang jauh lebih besar. 
 Sekali lagi, kami berusaha menemukan jalan dari titik A ke titik B, 
 tetapi sekarang Anda akan membayangkan bahwa pencarian mendalam-pertama mungkin tidak seberuntung itu. 
 Mungkin tidak mendapatkan tujuan pada percobaan pertama. 
 Mungkin harus mengikuti satu jalur lalu mundur 

German: 
 Ich werde zum Beispiel maze.py auf maze1.txt ausführen. 
 Und was wir sehen werden, ist hier, wir haben einen Ausdruck von dem, was das Labyrinth anfänglich ist 
 sah aus wie. 
 Und dann hier unten, nachdem wir es gelöst haben. 
 Wir mussten 11 Staaten erkunden, um dies zu tun, und wir fanden einen Weg von A nach B. 
 Und in diesem Programm habe ich gerade eine grafische Darstellung generiert 
 davon auch-- 
 so kann ich maze.png öffnen, das von diesem Programm generiert wird-- 
 das zeigt dir, wo in der dunkleren Farbe hier die Wand ist. 
 Rot ist der Ausgangszustand, Grün ist das Ziel, 
 und gelb ist der Weg, dem gefolgt wurde. 
 Wir haben einen Weg vom Ausgangszustand zum Ziel gefunden. 
 Aber jetzt schauen wir uns ein raffinierteres Labyrinth an 
 um zu sehen, was stattdessen passieren könnte. 
 Schauen wir uns jetzt maze2.txt an, wo wir jetzt hier ein viel größeres Labyrinth haben. 
 Wieder versuchen wir, unseren Weg von Punkt A nach Punkt B zu finden. 
 Aber jetzt werden Sie sich vorstellen, dass die Tiefensuche möglicherweise nicht so viel Glück hat. 
 Möglicherweise wird das Ziel beim ersten Versuch nicht erreicht. 
 Es muss möglicherweise einem Pfad folgen und dann zurückgehen 

Russian: 
 Я, например, запусту maze.py на maze1.txt. 
 И что мы увидим, здесь у нас есть распечатка того, что лабиринт изначально 
 выглядит как. 
 И затем здесь, внизу, после того, как мы решили это. 
 Для этого нам пришлось исследовать 11 штатов, и мы нашли путь от А до Б. 
 И в этой программе мне просто удалось сгенерировать графическое представление 
 об этом, а также 
 так что я могу открыть maze.png, который генерируется этой программой: 
 это показывает вам, где, в более темном цвете здесь, стена. 
 Красный - исходное состояние, зеленый - цель, 
 а желтый - путь, по которому следовали. 
 Мы нашли путь от исходного состояния к цели. 
 Но теперь давайте посмотрим на более сложный лабиринт 
 чтобы увидеть, что может случиться вместо этого. 
 Давайте теперь посмотрим на maze2.txt, где сейчас у нас гораздо больший лабиринт. 
 Опять же, мы пытаемся найти путь из пункта А в пункт Б, 
 но теперь вы представите, что поиск в глубину может быть не таким удачным. 
 Возможно, цель не будет достигнута с первой попытки. 
 Возможно, придется пойти по одному пути, а затем вернуться 

English: 
I'll go ahead and run maze.py on maze1.txt, for example.
And what we'll see is here we have a printout of what the maze initially
looked like.
And then here, down below, is after we've solved it.
We had to explore 11 states in order to do it, and we found a path from A to B.
And in this program, I just happened to generate a graphical representation
of this, as well--
so I can open up maze.png, which is generated by this program--
that shows you where, in the darker color here, the wall is.
Red is the initial state, green is the goal,
and yellow is the path that was followed.
We found a path from the initial state to the goal.
But now let's take a look at a more sophisticated maze
to see what might happen instead.
Let's look now at maze2.txt, where now here we have a much larger maze.
Again, we're trying to find our way from point A to point B,
but now you'll imagine that depth-first search might not be so lucky.
It might not get the goal on the first try.
It might have to follow one path then backtrack

Arabic: 
 سأمضي قدمًا وتشغيل maze.py على maze1.txt ، على سبيل المثال. 
 وما سنراه هنا لدينا نسخة مطبوعة من المتاهة في البداية 
 بدا وكأنه. 
 ثم هنا ، بالأسفل ، بعد أن قمنا بحلها. 
 كان علينا أن نستكشف 11 ولاية من أجل القيام بذلك ، ووجدنا مسارًا من أ إلى ب. 
 وفي هذا البرنامج ، حدث لتوليد تمثيل رسومي 
 من هذا ، كذلك-- 
 حتى أتمكن من فتح maze.png ، الذي تم إنشاؤه بواسطة هذا البرنامج-- 
 يوضح لك مكان الجدار باللون الداكن هنا. 
 الأحمر هو الحالة الأولية ، الأخضر هو الهدف ، 
 والأصفر هو المسار الذي اتبعته. 
 وجدنا مسارًا من الحالة الأولية إلى الهدف. 
 ولكن الآن دعونا نلقي نظرة على متاهة أكثر تعقيدًا 
 لمعرفة ما قد يحدث بدلاً من ذلك. 
 دعونا ننظر الآن إلى maze2.txt ، حيث يوجد هنا الآن متاهة أكبر بكثير. 
 مرة أخرى ، نحن نحاول أن نجد طريقنا من النقطة A إلى النقطة B ، 
 ولكن الآن ستتخيل أن البحث العميق قد لا يكون محظوظًا جدًا. 
 قد لا تحصل على الهدف في المحاولة الأولى. 
 قد يلزم اتباع مسار واحد ثم التراجع 

Chinese: 
例如，我将继续在maze1.txt上运行maze.py。 
我们将在这里看到迷宫最初的打印输出
看起来像。 
然后，下面是我们解决问题之后的地方。 
为此，我们必须探索11个州，并找到了一条从A到B的道路。 
在这个程序中，我碰巧生成了一个图形表示
其中- 
所以我可以打开这个程序生成的maze.png 
它会告诉您墙壁在哪里，这里是深色的。 
红色是初始状态，绿色是目标， 
黄色是遵循的道路。 
我们找到了从初始状态到目标的道路。 
但是现在让我们看一个更复杂的迷宫
看看可能会发生什么。 
现在让我们看一下maze2.txt，现在这里有一个更大的迷宫。 
再一次，我们试图找到从A点到B点的路， 
但是现在您将想象深度优先搜索可能不会那么幸运。 
第一次尝试可能无法达到目标。 
它可能必须走一条路然后回溯

Italian: 
 Vado avanti ed eseguirò maze.py su maze1.txt, per esempio. 
 E quello che vedremo è qui che abbiamo una stampa di ciò che il labirinto inizialmente 
 sembrava. 
 E poi qui, in basso, è dopo che l'abbiamo risolto. 
 Abbiamo dovuto esplorare 11 stati per farlo, e abbiamo trovato un percorso dalla A alla B. 
 E in questo programma, mi è capitato di generare una rappresentazione grafica 
 anche di questo-- 
 così posso aprire maze.png, che è generato da questo programma-- 
 che ti mostra dove, nel colore più scuro qui, è il muro. 
 Il rosso è lo stato iniziale, il verde è l'obiettivo, 
 e giallo è il percorso che è stato seguito. 
 Abbiamo trovato un percorso dallo stato iniziale all'obiettivo. 
 Ma ora diamo un'occhiata a un labirinto più sofisticato 
 per vedere cosa potrebbe accadere invece. 
 Diamo ora un'occhiata a maze2.txt, dove ora abbiamo un labirinto molto più grande. 
 Ancora una volta, stiamo cercando di orientarci dal punto A al punto B, 
 ma ora immaginerai che la ricerca approfondita potrebbe non essere così fortunata. 
 Potrebbe non raggiungere l'obiettivo al primo tentativo. 
 Potrebbe essere necessario seguire un percorso, quindi tornare indietro 

Japanese: 
たとえば、maze1.txtでmaze.pyを実行します。 
ここに表示されるのは、最初に迷路のプリントアウトがあります。 
ように見えた。 
そして、下の方にあるのは、それを解決した後です。 
そのためには11の州を探索する必要があり、AからBへのパスを見つけました。 
そして、このプログラムでは、たまたまグラフィック表現を生成しました
これも- 
このプログラムで生成されたmaze.pngを開くことができます- 
これは、ここの暗い色で、壁がどこにあるかを示しています。 
赤は初期状態、緑は目標、 
黄色はたどった道です
初期状態からゴールへの道を見つけました。 
しかし、今より洗練された迷路を見てみましょう
代わりに何が起こるかを確認します。 
ここで、maze2.txtを見てみましょう。ここに、はるかに大きな迷路があります。 
ここでも、ポイントAからポイントBへの道を見つけようとしています。 
しかし、今では、深さ優先検索がそれほど幸運ではないかもしれないと想像するでしょう。 
最初の試行では目標を達成できない可能性があります。 
 1つのパスをたどってバックトラックする必要があるかもしれません

Spanish: 
 Seguiré y ejecutaré maze.py en maze1.txt, por ejemplo. 
 Y lo que veremos es que aquí tenemos una copia impresa de lo que el laberinto inicialmente 
 parecía. 
 Y luego aquí, abajo, es después de que lo hayamos resuelto. 
 Tuvimos que explorar 11 estados para hacerlo, y encontramos un camino de A a B. 
 Y en este programa, acabo de generar una representación gráfica 
 de esto, también-- 
 entonces puedo abrir maze.png, que es generado por este programa 
 eso te muestra dónde, en el color más oscuro aquí, está la pared. 
 El rojo es el estado inicial, el verde es el objetivo, 
 y amarillo es el camino que se siguió. 
 Encontramos un camino desde el estado inicial hasta la meta. 
 Pero ahora echemos un vistazo a un laberinto más sofisticado 
 para ver qué puede pasar en su lugar. 
 Veamos ahora maze2.txt, donde ahora tenemos un laberinto mucho más grande. 
 Nuevamente, estamos tratando de encontrar nuestro camino desde el punto A al punto B, 
 pero ahora te imaginarás que la búsqueda en profundidad podría no ser tan afortunada. 
 Es posible que no logre el objetivo en el primer intento. 
 Puede que tenga que seguir un camino y luego retroceder 

Turkish: 
 Örneğin, maze1.txt dosyasında maze.py'yi çalıştıracağım. 
 Ve göreceğimiz şey, burada labirentin başlangıçta ne olduğunu gösteren bir çıktı var 
 gibi gorunmek. 
 Ve sonra, burada, aşağıda, onu çözdükten sonra. 
 Bunu yapmak için 11 eyaleti keşfetmek zorunda kaldık ve A'dan B'ye bir yol bulduk. 
 Ve bu programda, sadece grafiksel bir sunum oluşturdum 
 bu da ... 
 bu yüzden bu program tarafından oluşturulan maze.png dosyasını açabilirim. 
 Bu, burada daha koyu renkte, duvarın nerede olduğunu gösterir. 
 Kırmızı başlangıç ​​durumudur, yeşil amaçtır, 
 ve sarı izlenen yoldur. 
 İlk durumdan hedefe doğru bir yol bulduk. 
 Ama şimdi daha sofistike bir labirente bakalım 
 bunun yerine ne olabileceğini görmek için. 
 Şimdi maze2.txt'ye bakalım, şimdi burada çok daha büyük bir labirentimiz var. 
 Yine, A noktasından B noktasına giden yolumuzu bulmaya çalışıyoruz, 
 ancak şimdi derinlik ilk aramanın bu kadar şanslı olmayabileceğini hayal edeceksiniz. 
 İlk denemede hedefe ulaşmayabilir. 
 Bir yolu takip etmesi ve sonra geri gitmesi gerekebilir 

Chinese: 
例如，我將繼續在maze1.txt上運行maze.py。 
我們將在這裡看到迷宮最初的打印輸出
看起來像。 
然後，下面是我們解決問題之後的地方。 
為此，我們必須探索11個州，並找到了一條從A到B的道路。 
在這個程序中，我碰巧生成了一個圖形表示
其中- 
所以我可以打開這個程序生成的maze.png 
它會告訴您牆壁在哪裡，這裡是深色的。 
紅色是初始狀態，綠色是目標， 
黃色是遵循的道路。 
我們找到了從初始狀態到目標的道路。 
但是現在讓我們看一個更複雜的迷宮
看看會發生什麼。 
現在讓我們看一下maze2.txt，現在這裡有一個更大的迷宮。 
再一次，我們試圖找到從A點到B點的路， 
但是現在您將想像深度優先搜索可能不會那麼幸運。 
第一次嘗試可能無法達到目標。 
它可能必須走一條路然後回溯

Korean: 
 예를 들어 maze1.txt에서 maze.py를 실행하겠습니다. 
 우리가 보게 될 것은 여기에 미로의 초기 출력물이 있습니다. 
 처럼 보였다. 
 그리고 여기 아래로, 우리가 그것을 해결 한 후입니다. 
 이를 위해 11 개 주를 탐험해야했고 A에서 B로가는 길을 찾았습니다. 
 이 프로그램에서 방금 그래픽 표현을 생성했습니다. 
 이것도 
 이 프로그램에서 생성 된 maze.png를 열 수 있습니다. 
 어두운 색에서 벽이 어디에 있는지 보여줍니다. 
 빨간색은 초기 상태이고 녹색은 목표입니다. 
 노란색은 따라온 경로입니다. 
 초기 상태에서 목표까지의 경로를 찾았습니다. 
 이제 더 정교한 미로를 살펴 보겠습니다 
 대신 어떤 일이 일어날 지 봅니다. 
 이제 maze2.txt를 살펴 보겠습니다. 여기서 훨씬 더 큰 미로가 있습니다. 
 다시, 우리는 지점 A에서 지점 B로가는 길을 찾으려고 노력하고 있습니다. 
 그러나 이제 깊이 우선 검색이 그렇게 운이 좋지 않을 수 있습니다. 
 첫 번째 시도에서 목표를 얻지 못할 수 있습니다. 
 한 경로를 따라 되돌아 가야 할 수도 있습니다. 

French: 
 Je vais aller de l'avant et exécuter maze.py sur maze1.txt, par exemple. 
 Et ce que nous allons voir est ici, nous avons une impression de ce que le labyrinthe initialement 
 ressemblait. 
 Et puis ici, en bas, c'est après que nous l'avons résolu. 
 Nous avons dû explorer 11 états pour le faire, et nous avons trouvé un chemin de A à B. 
 Et dans ce programme, je viens de générer une représentation graphique 
 de cela aussi ... 
 donc je peux ouvrir maze.png, qui est généré par ce program-- 
 qui vous montre où, dans la couleur plus foncée ici, le mur est. 
 Le rouge est l'état initial, le vert est le but, 
 et le jaune est le chemin qui a été suivi. 
 Nous avons trouvé un chemin de l'état initial au but. 
 Mais maintenant, jetons un œil à un labyrinthe plus sophistiqué 
 pour voir ce qui pourrait arriver à la place. 
 Regardons maintenant maze2.txt, où nous avons maintenant ici un labyrinthe beaucoup plus grand. 
 Encore une fois, nous essayons de trouver notre chemin du point A au point B, 
 mais vous allez maintenant imaginer que la recherche en profondeur ne sera pas aussi chanceuse. 
 Il pourrait ne pas atteindre l'objectif du premier coup. 
 Il faudra peut-être suivre un chemin puis revenir en arrière 

Modern Greek (1453-): 
 Για παράδειγμα, θα τρέξω το maze.py στο maze1.txt. 
 Και αυτό που θα δούμε είναι εδώ, έχουμε μια εκτύπωση του αρχικού λαβυρίνθου 
 Έμοιαζε. 
 Και έπειτα εδώ, κάτω, είναι αφού το λύσουμε. 
 Έπρεπε να εξερευνήσουμε 11 πολιτείες για να το κάνουμε και βρήκαμε ένα μονοπάτι από το Α στο Β. 
 Και σε αυτό το πρόγραμμα, έτυχε να δημιουργήσω μια γραφική παράσταση 
 από αυτό, επίσης-- 
 έτσι μπορώ να ανοίξω το maze.png, το οποίο δημιουργείται από αυτό το πρόγραμμα-- 
 που σας δείχνει πού, με το πιο σκούρο χρώμα, είναι ο τοίχος. 
 Το κόκκινο είναι η αρχική κατάσταση, το πράσινο είναι ο στόχος, 
 και το κίτρινο είναι το μονοπάτι που ακολουθήθηκε. 
 Βρήκαμε μια διαδρομή από την αρχική κατάσταση προς τον στόχο. 
 Αλλά τώρα ας ρίξουμε μια ματιά σε έναν πιο εξελιγμένο λαβύρινθο 
 για να δούμε τι μπορεί να συμβεί αντ 'αυτού. 
 Ας δούμε τώρα το maze2.txt, όπου τώρα εδώ έχουμε έναν πολύ μεγαλύτερο λαβύρινθο. 
 Και πάλι, προσπαθούμε να βρούμε τον δρόμο μας από το σημείο Α στο σημείο Β, 
 αλλά τώρα θα φανταστείτε ότι η πρώτη αναζήτηση σε βάθος μπορεί να μην είναι τόσο τυχερή. 
 Ίσως να μην πετύχει το γκολ στην πρώτη προσπάθεια. 
 Ίσως πρέπει να ακολουθήσει ένα μονοπάτι και μετά να ακολουθήσει 

Hindi: 
 मैं आगे जाऊँगा और maze1.txt पर maze.py चलाऊँगा, उदाहरण के लिए। 
 और जो हम देखेंगे वह यहाँ है कि हमारे पास शुरू में भूलभुलैया का क्या प्रिंटआउट है 
 की तरह देखा। 
 और फिर यहाँ, नीचे नीचे है, के बाद हम इसे हल कर दिया है। 
 हमें ऐसा करने के लिए 11 राज्यों का पता लगाना था, और हमने ए से बी तक का रास्ता ढूंढ लिया। 
 और इस कार्यक्रम में, मैं सिर्फ एक चित्रमय प्रतिनिधित्व उत्पन्न करने के लिए हुआ 
 इस के रूप में अच्छी तरह से-- 
 इसलिए मैं maze.png खोल सकता हूं, जो इस प्रोग्राम द्वारा उत्पन्न किया गया है-- 
 आपको पता चलता है कि, यहाँ गहरे रंग में, दीवार कहाँ है। 
 लाल प्रारंभिक अवस्था है, हरा लक्ष्य है, 
 और पीला वह मार्ग है जिसका अनुसरण किया गया था। 
 हमें प्रारंभिक अवस्था से लक्ष्य तक एक रास्ता मिला। 
 लेकिन अब एक और अधिक परिष्कृत भूलभुलैया पर एक नज़र डालते हैं 
 यह देखने के लिए कि इसके बजाय क्या हो सकता है। 
 अब maze2.txt को देखते हैं, जहाँ अब हमारे पास एक बहुत बड़ा भूलभुलैया है। 
 फिर, हम बिंदु A से बिंदु B तक अपना रास्ता खोजने की कोशिश कर रहे हैं, 
 लेकिन अब आप सोचेंगे कि गहराई-पहली खोज इतनी भाग्यशाली नहीं हो सकती है। 
 यह पहली कोशिश में लक्ष्य प्राप्त नहीं कर सकता है। 
 इसके लिए एक पथ का अनुसरण करना पड़ सकता है 

Spanish: 
 y explora algo más un poco más tarde. 
 Entonces intentemos esto. 
 Ejecute pythonmaze.py de maze2.txt, esta vez probando este otro laberinto. 
 Y ahora la búsqueda en profundidad puede encontrar una solución. 
 Aquí, como lo indican las estrellas, hay una manera de llegar de A a B. 
 Y podemos representar esto visualmente abriendo este laberinto. 
 Así es como se ve ese laberinto. 
 Y resaltado en amarillo, es la ruta que se encontró desde el estado inicial 
 a la meta. 
 Pero, ¿cuántos estados tenemos que explorar antes de encontrar ese camino? 
 Bueno, recuerda que, en mi programa, estaba haciendo un seguimiento de la cantidad de estados 
 que hemos explorado hasta ahora. 
 Y así puedo volver a la terminal y ver eso, de acuerdo, en orden 
 Para resolver este problema, tuvimos que explorar 399 estados diferentes. 
 Y de hecho, si hago una pequeña modificación al programa 
 y decirle al programa al final cuando produzcamos esta imagen, 
 Agregué un argumento llamado "show explorado". 
 Y si configuro "mostrar explorado" igual a verdadero 

Arabic: 
 واستكشف شيئًا آخر بعد ذلك بقليل. 
 لذلك دعونا نجرب هذا. 
 قم بتشغيل pythonmaze.py من maze2.txt ، هذه المرة تحاول هذه المتاهة الأخرى. 
 والآن أصبح البحث عن العمق قادرًا على إيجاد حل. 
 هنا ، كما تشير النجوم ، هي طريقة للانتقال من أ إلى ب. 
 ويمكننا تمثيل هذا بصريًا من خلال فتح هذه المتاهة. 
 إليك ما تبدو عليه هذه المتاهة. 
 ويبرز باللون الأصفر ، هو المسار الذي تم العثور عليه من الحالة الأولية 
 إلى الهدف. 
 ولكن كم عدد الولايات التي يجب علينا استكشافها قبل أن نجد هذا المسار؟ 
 حسنًا ، تذكر أنه في برنامجي ، كنت أتابع عدد الولايات 
 التي اكتشفناها حتى الآن. 
 ولذا يمكنني العودة إلى المحطة وأرى ذلك ، حسنًا ، بالترتيب 
 لحل هذه المشكلة ، كان علينا استكشاف 399 دولة مختلفة. 
 وفي الواقع ، إذا قمت بإجراء تعديل واحد صغير على البرنامج 
 ونخبر البرنامج في النهاية عندما نخرج هذه الصورة ، 
 أضفت حجة تسمى "عرض استكشاف". 
 وإذا قمت بتعيين "إظهار استكشاف" يساوي صحيح 

Italian: 
 ed esplorare qualcos'altro un po 'più tardi. 
 Quindi proviamo questo. 
 Esegui pythonmaze.py di maze2.txt, questa volta provando su questo altro labirinto. 
 E ora la ricerca approfondita è in grado di trovare una soluzione. 
 Qui, come indicato dalle stelle, c'è un modo per andare da A a B. 
 E possiamo rappresentarlo visivamente aprendo questo labirinto. 
 Ecco come appare quel labirinto. 
 E evidenziato in giallo, è il percorso che è stato trovato dallo stato iniziale 
 all'obiettivo. 
 Ma quanti stati dobbiamo esplorare prima di trovare quel percorso? 
 Bene, ricordo che, nel mio programma, stavo tenendo traccia del numero di stati 
 che abbiamo esplorato finora. 
 E così posso tornare al terminal e vederlo, va bene, in ordine 
 per risolvere questo problema, abbiamo dovuto esplorare 399 stati diversi. 
 E infatti, se faccio una piccola modifica al programma 
 e dire al programma alla fine quando abbiamo prodotto questa immagine, 
 Ho aggiunto un argomento chiamato "spettacolo esplorato". 
 E se imposto "show explore" uguale a true 

Korean: 
 조금 후에 다른 것을 탐색하십시오. 
 이것을 시도해 봅시다. 
 maze2.txt의 pythonmaze.py를 실행하십시오. 이번에는이 다른 미로를 시도해보십시오. 
 이제 깊이 우선 검색을 통해 솔루션을 찾을 수 있습니다. 
 별표로 표시된 것처럼 여기에서 A에서 B로가는 방법입니다. 
 그리고 우리는이 미로를 열어서 이것을 시각적으로 표현할 수 있습니다. 
 그 미로의 모습은 다음과 같습니다. 
 노란색으로 강조 표시된 것은 초기 상태에서 찾은 경로입니다. 
 목표에. 
 그러나 그 길을 찾기 전에 몇 개의 주를 탐험해야합니까? 
 내 프로그램에서 나는 주 수를 추적하고 있었다는 것을 기억하십시오. 
 지금까지 살펴 보았습니다. 
 터미널로 돌아가서 순서대로 알 수 있습니다. 
 이 문제를 해결하기 위해 우리는 399 개의 다른 주를 탐험해야했습니다. 
 실제로 프로그램을 약간 수정하면 
 이 이미지를 출력 할 때 마지막에 프로그램에 알리십시오. 
 "show explored"라는 인수를 추가했습니다. 
 "show explored"를 true로 설정하면 

Modern Greek (1453-): 
 και εξερευνήστε κάτι άλλο λίγο αργότερα. 
 Ας το δοκιμάσουμε λοιπόν. 
 Εκτελέστε pythonmaze.py του maze2.txt, αυτή τη φορά δοκιμάζοντας αυτόν τον άλλο λαβύρινθο. 
 Και τώρα η αναζήτηση σε βάθος είναι σε θέση να βρει μια λύση. 
 Εδώ, όπως υποδεικνύεται από τα αστέρια, είναι ένας τρόπος να φτάσετε από το Α στο Β. 
 Και μπορούμε να το αντιπροσωπεύσουμε οπτικά ανοίγοντας αυτόν τον λαβύρινθο. 
 Δείτε πώς μοιάζει αυτός ο λαβύρινθος. 
 Και επισημαίνεται με κίτρινο χρώμα, είναι η διαδρομή που βρέθηκε από την αρχική κατάσταση 
 στον στόχο. 
 Αλλά πόσες πολιτείες πρέπει να εξερευνήσουμε προτού βρούμε αυτό το μονοπάτι; 
 Λοιπόν, θυμηθείτε ότι, στο πρόγραμμά μου, παρακολουθούσα τον αριθμό των κρατών 
 που έχουμε διερευνήσει μέχρι τώρα. 
 Και έτσι μπορώ να επιστρέψω στο τερματικό σταθμό και να το δω, εντάξει, με τη σειρά 
 για να λύσουμε αυτό το πρόβλημα, έπρεπε να εξερευνήσουμε 399 διαφορετικές πολιτείες. 
 Και στην πραγματικότητα, εάν κάνω μια μικρή τροποποίηση στο πρόγραμμα 
 και πείτε το πρόγραμμα στο τέλος όταν εξάγουμε αυτήν την εικόνα, 
 Πρόσθεσα ένα επιχείρημα που ονομάζεται "show explored". 
 Και αν ορίσω το "show explored" ίσο με το true 

Turkish: 
 ve biraz sonra başka bir şeyi keşfedebiliriz. 
 Öyleyse deneyelim. 
 Bu sefer diğer labirentte çalışırken maze2.txt dosyasının pythonmaze.py dosyasını çalıştırın. 
 Ve şimdi derinlik-öncesi arama bir çözüm bulabiliyor. 
 Burada, yıldızların belirttiği gibi, A'dan B'ye ulaşmanın bir yolu. 
 Ve bu labirenti açarak bunu görsel olarak temsil edebiliriz. 
 İşte labirent böyle görünüyor. 
 Ve sarı ile vurgulanan, başlangıç ​​durumundan bulunan yoldur 
 hedefe. 
 Fakat bu yolu bulmadan önce kaç eyaleti araştırmamız gerekiyor? 
 Programımda devlet sayısını takip ettiğimi hatırlayın 
 şimdiye kadar araştırdık. 
 Ve böylece terminale geri dönebilirim ve görebiliyorum 
 bu sorunu çözmek için 399 farklı eyaleti araştırmamız gerekiyordu. 
 Aslında, programda küçük bir değişiklik yaparsam 
 ve sonunda bu görüntüyü çıkardığımızda programa söyle, 
 "Show explored" adlı bir argüman ekledim. 
 Ve "keşfedilen şovu" doğru değerine ayarlarsam 

French: 
 et explorer quelque chose d'autre un peu plus tard. 
 Essayons donc ceci. 
 Exécutez pythonmaze.py de maze2.txt, cette fois en essayant cet autre labyrinthe. 
 Et maintenant, la recherche approfondie permet de trouver une solution. 
 Ici, comme indiqué par les étoiles, est un moyen d'aller de A à B. 
 Et nous pouvons représenter cela visuellement en ouvrant ce labyrinthe. 
 Voici à quoi ressemble ce labyrinthe. 
 Et surligné en jaune, c'est le chemin qui a été trouvé depuis l'état initial 
 au but. 
 Mais combien d'États devons-nous explorer avant de trouver cette voie? 
 Eh bien, rappelez-vous que, dans mon programme, je suivais le nombre d'états 
 que nous avons exploré jusqu'à présent. 
 Et donc je peux retourner au terminal et voir que, bien, afin 
 pour résoudre ce problème, nous avons dû explorer 399 états différents. 
 Et en fait, si je fais une petite modification au programme 
 et dire au programme à la fin quand nous sortons cette image, 
 J'ai ajouté un argument appelé "show explored". 
 Et si je mets "show explored" sur true 

Russian: 
 и исследовать что-то еще немного позже. 
 Итак, давайте попробуем это. 
 Запустите pythonmaze.py из maze2.txt, на этот раз примеряя другой лабиринт. 
 И теперь поиск в глубину может найти решение. 
 Здесь, как указано звездочками, есть способ добраться от А до Б. 
 И мы можем представить это визуально, открыв этот лабиринт. 
 Вот как выглядит этот лабиринт. 
 И выделено желтым цветом, это путь, который был найден из исходного состояния 
 к цели. 
 Но сколько штатов нам нужно исследовать, прежде чем мы найдем этот путь? 
 Ну, напомним, что в моей программе я отслеживал количество штатов 
 что мы исследовали до сих пор. 
 И поэтому я могу вернуться к терминалу и посмотреть, что все в порядке, по порядку 
 Чтобы решить эту проблему, нам пришлось исследовать 399 разных штатов. 
 И на самом деле, если я сделаю одну небольшую модификацию программы 
 и сказать программе в конце, когда мы выводим это изображение, 
 Я добавил аргумент под названием «показать исследуемый». 
 И если я установлю "показать исследуемое" равным истине 

Hindi: 
 और बाद में कुछ और पता लगाएं। 
 तो चलिए इसे आजमाते हैं। 
 इस बार maze2.txt के pythonmaze.py को रन करें, इस बार दूसरे भूलभुलैया पर प्रयास करें। 
 और अब गहराई-पहली खोज एक समाधान खोजने में सक्षम है। 
 यहां, जैसा कि सितारों ने संकेत दिया है, ए से बी तक पहुंचने का एक तरीका है। 
 और हम इस चक्रव्यूह को खोलकर नेत्रहीन का प्रतिनिधित्व कर सकते हैं। 
 यहाँ है कि भूलभुलैया की तरह लग रहा है। 
 और पीले रंग में प्रकाश डाला, वह पथ है जो प्रारंभिक अवस्था से पाया गया था 
 लक्ष्य के लिए। 
 लेकिन उस रास्ते को खोजने से पहले हमें कितने राज्यों का पता लगाना होगा? 
 ठीक है, याद रखें कि, मेरे कार्यक्रम में, मैं राज्यों की संख्या पर नज़र रख रहा था 
 हमने अब तक खोज की है। 
 और इसलिए मैं टर्मिनल पर वापस जा सकता हूं और यह देख सकता हूं कि सब ठीक है, क्रम में 
 इस समस्या को हल करने के लिए, हमें 399 विभिन्न राज्यों का पता लगाना था। 
 और वास्तव में, अगर मैं कार्यक्रम में एक छोटा संशोधन करता हूं 
 और कार्यक्रम को अंत में बताएं जब हम इस छवि का उत्पादन करते हैं, 
 मैंने "शो एक्सप्लोर" नामक एक तर्क जोड़ा। 
 और अगर मैं सेट "शो का पता लगाया" सच के बराबर है 

Japanese: 
少し後で他のものを探索します。 
これを試してみましょう。 
 maze2.txtのpythonmaze.pyを実行し、今度はこの別の迷路を試してみます。 
そして今、深さ優先検索は解決策を見つけることができます。 
ここでは、星印で示されているように、AからBに行く方法です。 
そして、この迷路を開くことで、これを視覚的に表すことができます。 
これがその迷路の様子です。 
黄色で強調表示されているのが、初期状態から見つかったパスです
目標に。 
しかし、その道を見つける前に、いくつの州を調査しなければならないのでしょうか。 
まあ、私のプログラムでは、州の数を追跡していたことを思い出してください
これまでに調査したことです。 
ターミナルに戻ってそれを見ることができます
この問題を解決するには、399の異なる州を調査する必要がありました。 
実際、プログラムに小さな変更を加えると
この画像を出力するときに最後にプログラムに伝えます
 「show explored」という引数を追加しました。 
そして、「探検を表示」をtrueに設定した場合

Chinese: 
然後再探索其他東西。 
因此，讓我們嘗試一下。 
運行maze2.txt的pythonmaze.py，這次嘗試在另一個迷宮上運行。 
現在，深度優先搜索可以找到解決方案。 
如星星所示，這是從A到B的一種方法。 
我們可以通過打開迷宮來直觀地表示這一點。 
這就是迷宮的樣子。 
並以黃色突出顯示的是從初始狀態找到的路徑
達到目標。 
但是，在找到那條路之前，我們必須探索多少個州？ 
好吧，回想一下，在我的程序中，我一直在跟踪狀態數
到目前為止，我們已經進行了探索。 
所以我可以回到終端，然後按順序查看
為了解決這個問題，我們不得不探索399個不同的州。 
實際上，如果我對該程序進行一些小的修改
並在輸出此圖像時告訴程序最後， 
我添加了一個名為“顯示探索”的參數。 
如果我將“顯示探索”設置為true 

German: 
 und etwas später etwas anderes erkunden. 
 Also lass es uns versuchen. 
 Führen Sie pythonmaze.py von maze2.txt aus und probieren Sie diesmal dieses andere Labyrinth aus. 
 Und jetzt kann die Tiefensuche eine Lösung finden. 
 Hier ist, wie durch die Sterne angezeigt, ein Weg von A nach B. 
 Und wir können dies visuell darstellen, indem wir dieses Labyrinth öffnen. 
 So sieht dieses Labyrinth aus. 
 Und gelb hervorgehoben ist der Pfad, der vom Ausgangszustand gefunden wurde 
 zum Ziel. 
 Aber wie viele Staaten müssen wir erkunden, bevor wir diesen Weg gefunden haben? 
 Denken Sie daran, dass ich in meinem Programm die Anzahl der Staaten verfolgt habe 
 das haben wir bisher erforscht. 
 Und so kann ich zurück zum Terminal gehen und das in Ordnung sehen 
 Um dieses Problem zu lösen, mussten wir 399 verschiedene Zustände untersuchen. 
 Und in der Tat, wenn ich eine kleine Änderung am Programm vornehme 
 und teilen Sie dem Programm am Ende mit, wann wir dieses Bild ausgeben, 
 Ich habe ein Argument namens "Show Explored" hinzugefügt. 
 Und wenn ich "Show Explored" gleich "true" setze 

Dutch: 
 en een beetje later iets anders ontdekken. 
 Laten we dit proberen. 
 Voer pythonmaze.py of maze2.txt uit, dit keer met een ander doolhof. 
 En nu kan diepte-eerst zoeken een oplossing vinden. 
 Hier, zoals aangegeven door de sterren, is een manier om van A naar B te gaan. 
 En we kunnen dit visueel weergeven door dit doolhof te openen. 
 Zo ziet dat doolhof eruit. 
 En geel gemarkeerd is het pad dat is gevonden vanuit de begintoestand 
 naar het doel. 
 Maar hoeveel staten moeten we verkennen voordat we dat pad hebben gevonden? 
 Bedenk dat ik in mijn programma het aantal staten bijhield 
 die we tot nu toe hebben verkend. 
 En dus kan ik teruggaan naar de terminal en dat in orde zien 
 om dit probleem op te lossen, moesten we 399 verschillende staten verkennen. 
 En in feite, als ik een kleine wijziging in het programma aanbreng 
 en vertel het programma aan het einde wanneer we deze afbeelding uitvoeren, 
 Ik voegde een argument toe genaamd "show explored". 
 En als ik "show explored" gelijk stel aan true 

Portuguese: 
 e explore outra coisa um pouco mais tarde. 
 Então, vamos tentar isso. 
 Execute pythonmaze.py do maze2.txt, desta vez tentando neste outro labirinto. 
 E agora, a pesquisa aprofundada é capaz de encontrar uma solução. 
 Aqui, como indicado pelas estrelas, é uma maneira de ir de A a B. 
 E podemos representar isso visualmente abrindo esse labirinto. 
 Aqui está o que esse labirinto se parece. 
 E destacado em amarelo, é o caminho que foi encontrado a partir do estado inicial 
 para o objetivo. 
 Mas quantos estados precisamos explorar antes de encontrar esse caminho? 
 Bem, lembre-se de que, no meu programa, eu estava acompanhando o número de estados 
 que exploramos até agora. 
 E então eu posso voltar para o terminal e ver isso, tudo bem, para 
 para resolver esse problema, tivemos que explorar 399 estados diferentes. 
 E, de fato, se eu fizer uma pequena modificação no programa 
 e avise o programa no final quando exibirmos esta imagem, 
 Eu adicionei um argumento chamado "show explorado". 
 E se eu definir "show explorado" igual a true 

Chinese: 
然后再探索其他东西。 
因此，让我们尝试一下。 
运行maze2.txt的pythonmaze.py，这次尝试在另一个迷宫上运行。 
现在，深度优先搜索可以找到解决方案。 
如星星所示，这是从A到B的一种方法。 
我们可以通过打开迷宫来直观地表示这一点。 
这就是迷宫的样子。 
并以黄色突出显示的是从初始状态找到的路径
达到目标。 
但是，在找到那条路之前，我们必须探索多少个州？ 
好吧，回想一下，在我的程序中，我一直在跟踪状态数
到目前为止，我们已经进行了探索。 
所以我可以回到终端，然后按顺序查看
为了解决这个问题，我们不得不探索399个不同的州。 
实际上，如果我对该程序进行一些小的修改
并在输出此图像时告诉程序最后， 
我添加了一个名为“显示探索”的参数。 
如果我将“显示探索”设置为true 

Indonesian: 
 dan jelajahi sesuatu yang lain sedikit kemudian. 
 Jadi mari kita coba ini. 
 Jalankan pythonmaze.py dari maze2.txt, kali ini coba di maze lain ini. 
 Dan sekarang pencarian mendalam-pertama dapat menemukan solusi. 
 Di sini, seperti yang ditunjukkan oleh bintang-bintang, adalah cara untuk berpindah dari A ke B. 
 Dan kita dapat mewakili ini secara visual dengan membuka labirin ini. 
 Seperti apa labirin itu. 
 Dan yang disorot dengan warna kuning, adalah jalur yang ditemukan dari keadaan awal 
 ke tujuan. 
 Tetapi berapa banyak negara yang harus kita jelajahi sebelum kita menemukan jalan itu? 
 Nah, ingat itu, dalam program saya, saya melacak jumlah negara 
 yang telah kami jelajahi sejauh ini. 
 Jadi saya bisa kembali ke terminal dan melihat itu, baik-baik saja, secara berurutan 
 untuk mengatasi masalah ini, kami harus menjelajahi 399 negara bagian yang berbeda. 
 Dan sebenarnya, jika saya membuat satu modifikasi kecil ke program 
 dan beri tahu program di akhir saat kami menampilkan gambar ini, 
 Saya menambahkan argumen yang disebut "show explored". 
 Dan jika saya mengatur "show explored" sama dengan true 

English: 
and explore something else a little bit later.
So let's try this.
Run pythonmaze.py of maze2.txt, this time trying on this other maze.
And now depth-first search is able to find a solution.
Here, as indicated by the stars, is a way to get from A to B.
And we can represent this visually by opening up this maze.
Here's what that maze looks like.
And highlighted in yellow, is the path that was found from the initial state
to the goal.
But how many states do we have to explore before we found that path?
Well, recall that, in my program, I was keeping track of the number of states
that we've explored so far.
And so I can go back to the terminal and see that, all right, in order
to solve this problem, we had to explore 399 different states.
And in fact, if I make one small modification to the program
and tell the program at the end when we output this image,
I added an argument called "show explored".
And if I set "show explored" equal to true

Chinese: 
并通过在maze2上运行该程序重新运行pythonmaze.py， 
然后打开迷宫，您将在此处看到红色突出显示的内容， 
是必须探索才能从初始状态获得的所有状态
达到目标。 
深度优先搜索（DFS）未能立即达到目标。 
它选择首先探索这个方向。 
当探索这个方向时， 
始终遵循所有可能的路径
到最后，即使是漫长而曲折的
为了意识到这一点，你知道那是死胡同。 
相反，该程序需要回溯。 
朝这个方向走之后，它一定已经朝这个方向走了。 
幸运的是，没有选择此路径。 
但是这里不幸，探索这个方向，探索一堆国家
不需要，然后， 
探索图的所有顶部
当它可能也不需要这样做时。 
总而言之，这里真的是深度优先搜索
表现不理想，或者探索的状态超出了需要的状态。 
它找到了最佳解决方案，达到目标的最佳途径， 
但是要进行探索需要探索的州数量

Chinese: 
並通過在maze2上運行該程序重新運行pythonmaze.py， 
然後打開迷宮，您將在此處看到紅色突出顯示的內容， 
是必須探索才能從初始狀態獲得的所有狀態
達到目標。 
深度優先搜索（DFS）未能立即達到目標。 
它選擇首先探索這個方向。 
當探索這個方向時， 
始終遵循所有可能的路徑
到最後，即使是漫長而曲折的
為了意識到這一點，你知道那是死胡同。 
相反，該程序需要回溯。 
朝這個方向走之後，它一定已經朝這個方向走了。 
幸運的是，沒有選擇此路徑。 
但是這裡不幸，探索這個方向，探索一堆國家
不需要，然後， 
探索圖的所有頂部
當它可能也不需要這樣做時。 
總而言之，這裡真的是深度優先搜索
表現不理想，或者探索的狀態超出了需要的狀態。 
它找到了最佳解決方案，達到目標的最佳途徑， 
但是要進行探索需要探索的州數量

Spanish: 
 y vuelva a ejecutar este programa pythonmaze.py ejecutándolo en maze2, 
 y luego abro el laberinto, lo que verás aquí es, resaltado en rojo, 
 son todos los estados que tuvieron que ser explorados para llegar desde el estado inicial 
 a la meta. 
 La búsqueda de profundidad primero, o DFS, no encontró el camino hacia la meta de inmediato. 
 Decidió explorar primero esta dirección. 
 Y cuando exploró esta dirección, tenía 
 seguir cada camino concebible, todo el camino 
 hasta el final, incluso este largo y sinuoso, 
 para darse cuenta de eso, sabes qué, eso es un callejón sin salida. 
 Y en cambio, el programa necesitaba retroceder. 
 Después de ir en esta dirección, debe haber ido en esta dirección. 
 Tuvo suerte aquí simplemente al no elegir este camino. 
 Pero aquí tuvo mala suerte, explorar esta dirección, explorar un montón de estados 
 que no necesitaba y luego, de la misma manera, 
 explorando toda esta parte superior del gráfico 
 cuando probablemente tampoco necesitaba hacer eso. 
 En resumen, la búsqueda profunda primero aquí realmente 
 no funciona de manera óptima, o probablemente explora más estados de los que necesita. 
 Encuentra una solución óptima, el mejor camino hacia la meta, 
 pero el número de estados necesarios para explorar para hacerlo, 

Dutch: 
 en voer dit programma pythonmaze.py opnieuw uit door het op maze2 uit te voeren, 
 en dan open ik het doolhof, wat je hier ziet is rood gemarkeerd, 
 zijn alle staten die moesten worden verkend om uit de oorspronkelijke staat te komen 
 naar het doel. 
 Depth-First Search, of DFS, vond niet meteen zijn weg naar het doel. 
 Er is voor gekozen om deze richting eerst te verkennen. 
 En toen het deze richting verkende, had het dat 
 om elk denkbaar pad helemaal te volgen 
 tot het einde, zelfs deze lange en bochtige, 
 om dat te beseffen, weet je wat, dat is een doodlopende weg. 
 En in plaats daarvan moest het programma teruggaan. 
 Nadat deze richting is ingeslagen, moet deze richting zijn gegaan. 
 Het heeft geluk gehad door deze weg gewoon niet te kiezen. 
 Maar het werd hier pech, het verkennen van deze richting, het verkennen van een aantal staten 
 dat het niet nodig was en dan ook 
 het verkennen van al dit bovenste deel van de grafiek 
 terwijl dat waarschijnlijk ook niet nodig was. 
 Dus al met al, diepte-eerst zoeken hier echt 
 niet optimaal presteert, of waarschijnlijk meer staten verkent dan nodig is. 
 Het vindt een optimale oplossing, het beste pad naar het doel, 
 maar het aantal staten dat moet worden onderzocht om dit te doen, 

Russian: 
 и перезапустите эту программу pythonmaze.py, запустив ее на maze2, 
 и затем я открываю лабиринт, то, что вы увидите здесь, выделено красным, 
 все состояния, которые должны были быть изучены, чтобы получить из начального состояния 
 к цели. 
 Поиск в глубину, или DFS, не сразу нашел путь к цели. 
 Он сделал выбор, чтобы сначала изучить это направление. 
 И когда он исследовал это направление, он имел 
 следовать каждому мыслимому пути, всю дорогу 
 до самого конца, даже этот длинный и извилистый, 
 чтобы понять это, вы знаете, что это тупик. 
 И вместо этого программа должна была вернуться. 
 Пройдя в этом направлении, он, должно быть, пошел в этом направлении. 
 Здесь повезло, просто не выбрав этот путь. 
 Но здесь не повезло, исследуя это направление, исследуя кучу государств 
 что это не нужно, а затем, аналогично, 
 исследуя всю эту верхнюю часть графика 
 когда это, вероятно, не нужно было делать это либо. 
 В общем, поиск в глубину здесь действительно 
 не работает оптимально, или, возможно, исследует больше состояний, чем нужно. 
 Находит оптимальное решение, лучший путь к цели, 
 но количество штатов, которые необходимо изучить, чтобы сделать это, 

Indonesian: 
 dan jalankan kembali program ini pythonmaze.py dengan menjalankannya di maze2, 
 dan kemudian saya membuka labirin, apa yang akan Anda lihat di sini adalah, disorot dengan warna merah, 
 adalah semua negara yang harus dieksplorasi untuk mendapatkan dari keadaan awal 
 ke tujuan. 
 Pencarian Kedalaman-Pertama, atau DFS, tidak segera menemukan jalannya ke tujuan. 
 Itu membuat pilihan untuk pertama-tama menjelajahi arah ini. 
 Dan ketika ia menjelajahi arah ini, itu terjadi 
 untuk mengikuti setiap jalan yang mungkin, sepanjang jalan 
 sampai akhir, bahkan yang panjang dan berliku ini, 
 untuk menyadari itu, Anda tahu, itu jalan buntu. 
 Dan sebaliknya, program tersebut perlu mundur. 
 Setelah pergi ke arah ini, itu pasti pergi ke arah ini. 
 Beruntung di sini dengan tidak memilih jalan ini. 
 Tapi itu menjadi sial di sini, menjelajahi arah ini, menjelajahi banyak negara 
 bahwa itu tidak perlu dan kemudian, juga, 
 menjelajahi semua bagian atas grafik ini 
 ketika itu mungkin tidak perlu melakukan itu juga. 
 Jadi semuanya, pencarian mendalam-pertama di sini benar-benar 
 tidak berkinerja optimal, atau mungkin menjelajahi lebih banyak negara daripada yang dibutuhkan. 
 Ia menemukan solusi optimal, jalan terbaik menuju tujuan, 
 tetapi jumlah negara yang perlu dijelajahi untuk melakukannya, 

French: 
 et réexécutez ce programme pythonmaze.py en l'exécutant sur maze2, 
 puis j'ouvre le labyrinthe, ce que vous verrez ici est surligné en rouge, 
 sont tous les états qui ont dû être explorés pour sortir de l'état initial 
 au but. 
 La recherche en profondeur d'abord, ou DFS, n'a pas trouvé son chemin tout de suite. 
 Il a fait le choix d'explorer d'abord cette direction. 
 Et quand il a exploré cette direction, il avait 
 suivre tous les chemins imaginables, jusqu'au bout 
 à la toute fin, même longue et sinueuse, 
 afin de réaliser que, vous savez quoi, c'est une impasse. 
 Et à la place, le programme devait revenir en arrière. 
 Après être allé dans cette direction, il doit avoir pris cette direction. 
 Il a eu de la chance ici en ne choisissant tout simplement pas cette voie. 
 Mais ça n'a pas eu de chance ici, d'explorer cette direction, d'explorer un tas d'États 
 qu'il n'a pas besoin de le faire et, de même, 
 explorer toute cette partie supérieure du graphique 
 alors qu'il n'avait probablement pas besoin de le faire non plus. 
 Donc, dans l'ensemble, la recherche d'abord en profondeur ici vraiment 
 ne fonctionne pas de manière optimale, ou n'explore probablement pas plus d'états que nécessaire. 
 Il trouve une solution optimale, le meilleur chemin vers l'objectif, 
 mais le nombre d'États à explorer pour le faire, 

English: 
and rerun this program pythonmaze.py by running it on maze2,
and then I open the maze, what you'll see here is, highlighted in red,
are all of the states that had to be explored to get from the initial state
to the goal.
Depth-First Search, or DFS, didn't find its way to the goal right away.
It made a choice to first explore this direction.
And when it explored this direction, it had
to follow every conceivable path, all the way
to the very end, even this long and winding one,
in order to realize that, you know what, that's a dead end.
And instead, the program needed to backtrack.
After going this direction, it must have gone this direction.
It got lucky here by just not choosing this path.
But it got unlucky here, exploring this direction, exploring a bunch of states
that it didn't need to and then, likewise,
exploring all of this top part of the graph
when it probably didn't need to do that either.
So all in all, depth-first search here really
not performing optimally, or probably exploring more states than it needs to.
It finds an optimal solution, the best path to the goal,
but the number of states needed to explore in order to do so,

Hindi: 
 और इस प्रोग्राम को pythonmaze.py पर फिर से चलाकर maze2, 
 और फिर मैंने चक्रव्यूह खोला, जो तुम यहाँ देखोगे वह लाल रंग का है, 
 वे सभी राज्य हैं जिन्हें प्रारंभिक अवस्था से प्राप्त करने के लिए अन्वेषण किया जाना था 
 लक्ष्य के लिए। 
 गहराई-प्रथम खोज, या DFS, ने अभी लक्ष्य तक अपना रास्ता नहीं खोजा। 
 इस दिशा में सबसे पहले पता लगाने का विकल्प बना। 
 और जब उसने इस दिशा का पता लगाया, तो उसके पास था 
 हर बोधगम्य मार्ग का पालन करने के लिए, सभी तरह से 
 बहुत अंत तक, यह भी लंबे और घुमावदार एक, 
 यह महसूस करने के लिए, आप जानते हैं कि क्या है, यह एक मृत अंत है। 
 और इसके बजाय, कार्यक्रम को पीछे करने की आवश्यकता थी। 
 इस दिशा में जाने के बाद, यह दिशा गई होगी। 
 इस रास्ते को न चुनकर यहां भाग्यशाली हो गया। 
 लेकिन यहां अशुभ हो गया, इस दिशा की खोज, राज्यों के एक समूह की खोज 
 और तब इसकी आवश्यकता नहीं थी, इसी तरह, 
 ग्राफ के इस शीर्ष भाग की खोज 
 जब शायद ऐसा करने की जरूरत नहीं थी। 
 तो सब के सब, गहराई-पहली खोज यहाँ वास्तव में 
 बेहतर प्रदर्शन नहीं कर रहा है, या शायद इससे अधिक राज्यों की खोज कर रहा है। 
 यह एक इष्टतम समाधान पाता है, लक्ष्य के लिए सबसे अच्छा रास्ता है, 
 लेकिन ऐसा करने के लिए राज्यों की संख्या का पता लगाने की आवश्यकता है, 

Modern Greek (1453-): 
 και εκτελέστε ξανά αυτό το πρόγραμμα pythonmaze.py εκτελώντας το στο maze2, 
 και μετά ανοίγω το λαβύρινθο, αυτό που θα δείτε εδώ, επισημαίνεται με κόκκινο χρώμα, 
 είναι όλες οι πολιτείες που έπρεπε να διερευνηθούν για να πάρουν από την αρχική κατάσταση 
 στον στόχο. 
 Το Depth-First Search, ή το DFS, δεν βρήκε αμέσως το δρόμο προς τον στόχο. 
 Έκανε την επιλογή να εξερευνήσει πρώτα αυτήν την κατεύθυνση. 
 Και όταν εξερεύνησε αυτήν την κατεύθυνση, είχε 
 να ακολουθήσετε κάθε πιθανό μονοπάτι, σε όλη τη διαδρομή 
 μέχρι το τέλος, ακόμη και αυτό το μακρύ και τυλιγμένο, 
 για να το συνειδητοποιήσετε αυτό, ξέρετε τι, αυτό είναι αδιέξοδο. 
 Και αντ 'αυτού, το πρόγραμμα χρειάστηκε να υποχωρήσει. 
 Αφού πάει προς αυτήν την κατεύθυνση, πρέπει να έχει πάει προς αυτή την κατεύθυνση. 
 Πήρε τυχερός εδώ απλώς δεν επιλέγοντας αυτό το μονοπάτι. 
 Αλλά έγινε άτυχος εδώ, εξερεύνησε αυτήν την κατεύθυνση, εξερεύνησε πολλά κράτη 
 ότι δεν χρειαζόταν και στη συνέχεια, επίσης, 
 εξερευνώντας όλο αυτό το κορυφαίο μέρος του γραφήματος 
 όταν μάλλον δεν χρειάζεται να το κάνει αυτό. 
 Συνολικά λοιπόν, αναζητήστε πρώτα το βάθος εδώ 
 που δεν έχει βέλτιστη απόδοση ή πιθανώς να εξερευνήσει περισσότερες καταστάσεις από ό, τι χρειάζεται. 
 Βρίσκει μια βέλτιστη λύση, την καλύτερη πορεία προς τον στόχο, 
 αλλά ο αριθμός των κρατών που χρειάστηκε να εξερευνήσει για να το κάνει, 

Arabic: 
 وإعادة تشغيل هذا البرنامج pythonmaze.py عن طريق تشغيله على maze2 ، 
 ثم أفتح المتاهة ، ما ستراه هنا ، مظلل باللون الأحمر ، 
 هي جميع الولايات التي يجب استكشافها للحصول على الحالة الأولية 
 إلى الهدف. 
 لم يجد Depth-First Search أو DFS طريقه إلى الهدف على الفور. 
 لقد اختار أولاً استكشاف هذا الاتجاه. 
 وعندما استكشف هذا الاتجاه ، كان لديه 
 لمتابعة كل مسار يمكن تصوره ، على طول الطريق 
 حتى النهاية ، حتى تلك الطويلة والمتعرجة ، 
 من أجل إدراك ذلك ، تعلمون أن هذا طريق مسدود. 
 وبدلاً من ذلك ، احتاج البرنامج إلى التراجع. 
 بعد السير في هذا الاتجاه ، يجب أن يكون قد سار في هذا الاتجاه. 
 لقد حالفه الحظ هنا بعدم اختيار هذا المسار. 
 لكن الأمر لم يحالفه الحظ هنا ، واستكشاف هذا الاتجاه ، واستكشاف مجموعة من الدول 
 التي لم تكن بحاجة إليها ، وبالمثل ، 
 استكشاف كل هذا الجزء العلوي من الرسم البياني 
 عندما ربما لم تكن بحاجة إلى القيام بذلك أيضًا. 
 بشكل عام ، ابحث في العمق أولاً هنا حقًا 
 لا يعمل على النحو الأمثل ، أو ربما يستكشف حالات أكثر مما يحتاجه. 
 يجد الحل الأمثل ، أفضل طريق لتحقيق الهدف ، 
 لكن عدد الولايات التي تحتاج إلى استكشاف من أجل القيام بذلك ، 

German: 
 und führen Sie dieses Programm pythonmaze.py erneut aus, indem Sie es auf maze2 ausführen. 
 und dann öffne ich das Labyrinth. Was Sie hier sehen werden, ist rot hervorgehoben. 
 sind alle Zustände, die erforscht werden mussten, um aus dem Ausgangszustand herauszukommen 
 zum Ziel. 
 Die Tiefensuche (DFS) fand nicht sofort den Weg zum Ziel. 
 Es entschied sich, zuerst diese Richtung zu erkunden. 
 Und als es diese Richtung erkundete, hatte es 
 jedem erdenklichen Weg den ganzen Weg zu folgen 
 bis zum Ende, auch dieses lange und kurvenreiche, 
 Um das zu realisieren, weißt du was, das ist eine Sackgasse. 
 Stattdessen musste das Programm zurückverfolgt werden. 
 Nach dieser Richtung muss es in diese Richtung gegangen sein. 
 Es war ein Glück, diesen Weg einfach nicht zu wählen. 
 Aber es wurde hier unglücklich, diese Richtung zu erkunden, eine Reihe von Staaten zu erkunden 
 dass es nicht nötig war und dann ebenfalls 
 Erkundung des gesamten oberen Teils des Diagramms 
 wenn es das wahrscheinlich auch nicht tun musste. 
 Alles in allem also Tiefensuche hier wirklich 
 nicht optimal funktionieren oder wahrscheinlich mehr Zustände erkunden, als es nötig ist. 
 Es findet eine optimale Lösung, den besten Weg zum Ziel, 
 aber die Anzahl der Staaten, die erforscht werden müssen, um dies zu tun, 

Turkish: 
 ve bu programı labirent2'de çalıştırarak pythonmaze.py'yi yeniden çalıştırın, 
 ve sonra labirenti açıyorum, burada göreceğiniz, kırmızı renkle vurgulanmış, 
 başlangıç ​​durumundan almak için araştırılması gereken tüm eyaletler 
 hedefe. 
 Derinlik-İlk Arama veya DFS, hedefe hemen yolunu bulamadı. 
 Önce bu yönü keşfetmeyi seçti. 
 Ve bu yönü araştırdığında, 
 akla gelebilecek her yolu takip etmek 
 sonuna kadar, bu uzun ve dolambaçlı olanı bile, 
 bunun farkında olmak için, bunun bir çıkmaz sokak olduğunu biliyorsunuz. 
 Bunun yerine, programın geri izlenmesi gerekiyordu. 
 Bu yöne gittikten sonra, bu yöne gitmiş olmalı. 
 Sadece bu yolu seçerek şanslıydı. 
 Ama burada şanssız kaldı, bu yönü araştırdı, bir grup devleti keşfetti 
 gerekmediği ve aynı şekilde, 
 grafiğin bu üst kısmının tamamını keşfetmek 
 muhtemelen bunu da yapması gerekmediğinde. 
 Sonuçta, burada derinlik-öncesi arama gerçekten 
 optimum performans göstermemesi veya muhtemelen gerekenden daha fazla durumu keşfetmemesi. 
 En uygun çözümü, hedefe giden en iyi yolu bulur, 
 ancak bunu yapmak için araştırılması gereken devlet sayısı, 

Italian: 
 e rieseguire questo programma pythonmaze.py eseguendolo su maze2, 
 e poi apro il labirinto, quello che vedrai qui è, evidenziato in rosso, 
 sono tutti gli stati che dovevano essere esplorati per ottenere dallo stato iniziale 
 all'obiettivo. 
 Depth-First Search, o DFS, non ha trovato subito la strada verso l'obiettivo. 
 Ha fatto una scelta per prima esplorare questa direzione. 
 E quando esplorò questa direzione, lo fece 
 seguire ogni percorso immaginabile, fino in fondo 
 fino alla fine, anche questa lunga e tortuosa, 
 per rendertene conto, sai cosa, è un vicolo cieco. 
 E invece, il programma doveva tornare indietro. 
 Dopo aver seguito questa direzione, deve essere andata in questa direzione. 
 È stato fortunato qui semplicemente non scegliendo questo percorso. 
 Ma è stato sfortunato qui, esplorare questa direzione, esplorare un sacco di stati 
 che non era necessario e quindi, allo stesso modo, 
 esplorando tutta questa parte superiore del grafico 
 quando probabilmente non era nemmeno necessario farlo. 
 Quindi, tutto sommato, ricerca approfondita qui davvero 
 non funziona in modo ottimale o probabilmente esplora più stati del necessario. 
 Trova una soluzione ottimale, il percorso migliore per raggiungere l'obiettivo, 
 ma il numero di stati necessari da esplorare per farlo, 

Korean: 
 maze2에서이 프로그램을 실행하여 pythonmaze.py 프로그램을 다시 실행하십시오. 
 그런 다음 미로를 엽니 다. 여기 보이는 것은 빨간색으로 강조 표시되어 있습니다. 
 초기 상태에서 벗어나기 위해 탐색해야했던 모든 주 
 목표에. 
 DFS (Depth-First Search)는 목표를 즉시 달성하지 못했습니다. 
 먼저이 방향을 탐색하도록 선택했습니다. 
 이 방향을 탐색했을 때 
 생각할 수있는 모든 길을 따라가는 
 끝까지,이 길고 구불 구불 한 것조차도 
 그 사실을 깨닫기 위해서는 막 다른 길입니다. 
 대신 프로그램을 역 추적해야했습니다. 
 이 방향으로 가고 나면이 방향으로 갔어야합니다. 
 이 길을 선택하지 않으면 운이 좋았습니다. 
 그러나이 방향을 탐색하면서 많은 국가를 탐험하면서 운이 나빠졌습니다. 
 그럴 필요도없고 마찬가지로 
 그래프의이 상단 부분을 모두 탐색 
 아마 그럴 필요가 없었을 때. 
 전체적으로 깊이 우선 검색은 
 최적의 성능을 발휘하지 못하거나 필요한 것보다 더 많은 상태를 탐색 할 수 있습니다. 
 최적의 솔루션, 목표를 향한 최고의 경로, 
 그러나 그렇게하기 위해 탐색해야 할 국가의 수 

Japanese: 
そして、このプログラムpythonmaze.pyをmaze2で実行して再実行します。 
迷路を開くと、ここに表示されるのが赤くハイライトされています。 
初期状態から取得するために探索する必要があったすべての状態です
目標に。 
 Depth-First Search（DFS）は、すぐに目標に到達する方法を見つけられませんでした。 
それは最初にこの方向を探索することを選択しました。 
そして、この方向性を探ったとき、 
考えられるあらゆる経路をたどる
最後まで、この長く曲がりくねったものでも、 
それを理解するために、あなたはそれが行き止まりであることを知っています。 
そして代わりに、プログラムはバックトラックする必要がありました。 
この方向に進んだ後、それはこの方向に進んだはずです。 
ここでは、このパスを選択しないだけで幸運でした。 
しかし、ここでは不運になり、この方向性を探り、たくさんの州を探りました
必要がなかったのと同じように
グラフのこの上部のすべてを探索する
おそらくそれを行う必要もないでしょう。 
全体として、ここでは深さ優先検索が本当に
最適に実行されていない、またはおそらく必要以上の状態を探索している。 
最適なソリューション、目標への最良の道を見つけ、 
しかし、そうするために探索する必要がある州の数、 

Portuguese: 
 e execute novamente o programa pythonmaze.py executando-o no maze2, 
 e então eu abro o labirinto, o que você verá aqui é destacado em vermelho, 
 são todos os estados que tiveram que ser explorados para obter do estado inicial 
 para o objetivo. 
 A Pesquisa Profundidade Primeiro, ou DFS, não encontrou o caminho para a meta imediatamente. 
 Escolheu primeiro explorar essa direção. 
 E quando explorou essa direção, teve 
 seguir todos os caminhos concebíveis, até o fim 
 até o fim, mesmo este longo e sinuoso, 
 para perceber que, você sabe, isso é um beco sem saída. 
 E, em vez disso, o programa precisava voltar atrás. 
 Depois de seguir nessa direção, deve ter ido nessa direção. 
 Teve sorte aqui por não escolher esse caminho. 
 Mas deu azar aqui, explorando essa direção, explorando vários estados 
 que não precisava e, da mesma forma, 
 explorando toda essa parte superior do gráfico 
 quando provavelmente também não precisava fazer isso. 
 Então, em suma, a pesquisa profunda aqui realmente 
 não tendo um desempenho ideal ou provavelmente explorando mais estados do que o necessário. 
 Encontra uma solução ideal, o melhor caminho para a meta, 
 mas o número de estados necessário para explorar, para fazer isso, 

Korean: 
 내가 취해야 할 단계의 수는 훨씬 많았습니다. 
 비교해 봅시다. 
 BFS (Breadth-First Search)는 어떻게 똑같은 미로를 사용합니까? 
 그렇게하기 위해, 그것은 매우 쉬운 변화입니다. 
 DFS 및 BFS 알고리즘은 예외와 동일합니다. 
 프론티어를 나타내는 데 사용하는 데이터 구조 
 DFS에서는 스택 프론티어를 사용했습니다. 
 후입 선출법-- 
 BFS에서는 먼저 큐 프론티어를 사용하겠습니다. 
 먼저, 내가 국경에 추가 한 첫 번째 부분 
 내가 제거하는 첫 번째 것입니다. 
 터미널로 돌아가서 같은 미로에서이 프로그램을 다시 실행하겠습니다. 
 이제 탐색해야 할 상태의 수는 77 개에 불과합니다. 
 깊이 우선 검색을 사용할 때 거의 400에 비해. 
 그리고 우리는 정확히 이유를 볼 수 있습니다. 
 maze.png를 열어서 살펴보면 무슨 일이 있었는지 알 수 있습니다. 
 다시 한 번 강조 표시는 호흡 우선 검색에서 찾은 솔루션입니다. 

Chinese: 
我必須採取的步驟數要多得多。 
因此，讓我們進行比較。 
廣度優先搜索或BFS將如何在這個完全相同的迷宮上執行呢？ 
為了做到這一點，這是一個非常容易的改變。 
 DFS和BFS的算法相同，但例外
我們使用什麼數據結構來表示邊界。 
在DFS中，我使用了堆棧邊界- 
後進先出 - 
而在BFS中，我將使用隊列邊界-首先， 
首先，我添加到邊界的第一件事
是我刪除的第一件事。 
所以我將回到終端，在同一迷宮中重新運行該程序， 
現在您將看到我們必須探索的州只有77個， 
相比之下，我們使用深度優先搜索時只有400個。 
我們可以確切地知道原因。 
如果我們現在打開maze.png並看看，我們可以看到發生了什麼。 
同樣，黃色高亮顯示是呼吸優先搜索的解決方案， 

Dutch: 
 het aantal stappen dat ik moest nemen, dat was veel hoger. 
 Dus laten we het vergelijken. 
 Hoe zou Breadth-First Search, of BFS, in plaats daarvan precies hetzelfde doolhof doen? 
 En om dit te doen, is het een heel gemakkelijke verandering. 
 Het algoritme voor DFS en BFS is identiek aan de uitzondering 
 van welke gegevensstructuur we gebruiken om de grens te vertegenwoordigen. 
 Dat ik in DFS een stapelgrens gebruikte-- 
 Laatste erin, eerste eruit-- 
 terwijl ik in BFS een wachtrijgrens ga gebruiken - eerst in, 
 eerst uit, waar het eerste wat ik toevoeg aan de grens 
 is het eerste dat ik verwijder. 
 Dus ik ga terug naar de terminal, herhaal dit programma in hetzelfde doolhof, 
 en nu zul je zien dat het aantal staten dat we moesten verkennen slechts 77 was, 
 vergeleken met bijna 400 toen we diepte-eerste zoekopdracht gebruikten. 
 En we kunnen precies zien waarom. 
 We kunnen zien wat er is gebeurd als we maze.png nu openen en een kijkje nemen. 
 Nogmaals, gele markering is de oplossing die de eerste zoekopdracht heeft gevonden, 

Russian: 
 количество шагов, которые я должен был сделать, было намного выше. 
 Итак, давайте сравним. 
 Как бы Breadth-First Search, или BFS, сделал вместо этого тот же лабиринт? 
 И для этого это очень легко изменить. 
 Алгоритм для DFS и BFS идентичен за исключением 
 какой структуры данных мы используем для представления границы. 
 Что в DFS я использовал границы стека-- 
 последний во-первых 
 тогда как в BFS я собираюсь использовать границу очереди - сначала в 
 во-первых, где первое, что я добавляю к границе 
 это первое, что я удаляю. 
 Так что я вернусь в терминал, перезапущу эту программу в том же лабиринте, 
 и теперь вы увидите, что число штатов, которые мы должны были исследовать, составляло всего 77, 
 по сравнению с почти 400, когда мы использовали поиск в глубину. 
 И мы можем точно понять, почему. 
 Мы можем увидеть, что случилось, если мы откроем maze.png сейчас и посмотрим. 
 Опять же, желтая подсветка - это решение, которое нашло первое дыхание, 

English: 
the number of steps I had to take, that was much higher.
So let's compare.
How would Breadth-First Search, or BFS, do on this exact same maze instead?
And in order to do so, it's a very easy change.
The algorithm for DFS and BFS is identical with the exception
of what data structure we use to represent the frontier.
That in DFS I used a stack frontier--
last in, first out--
whereas in BFS, I'm going to use a queue frontier-- first in,
first out, where the first thing I add to the frontier
is the first thing that I remove.
So I'll go back to the terminal, rerun this program on the same maze,
and now you'll see that the number of states we had to explore was only 77,
as compared to almost 400 when we used depth-first search.
And we can see exactly why.
We can see what happened if we open up maze.png now and take a look.
Again, yellow highlight is the solution that breath-first search found,

Spanish: 
 la cantidad de pasos que tuve que tomar fue mucho mayor. 
 Entonces, comparemos. 
 ¿Cómo haría Breadth-First Search, o BFS, en este mismo laberinto? 
 Y para hacerlo, es un cambio muy fácil. 
 El algoritmo para DFS y BFS es idéntico con la excepción 
 de qué estructura de datos usamos para representar la frontera. 
 Que en DFS usé una frontera de pila 
 último en entrar primero en salir-- 
 mientras que en BFS, voy a usar una frontera de cola, primero, 
 primero, donde lo primero que agrego a la frontera 
 Es lo primero que elimino. 
 Así que volveré a la terminal, volveré a ejecutar este programa en el mismo laberinto, 
 y ahora verás que el número de estados que tuvimos que explorar fue de solo 77, 
 en comparación con casi 400 cuando utilizamos la búsqueda de profundidad primero. 
 Y podemos ver exactamente por qué. 
 Podemos ver qué pasó si abrimos maze.png ahora y echamos un vistazo. 
 Una vez más, el resaltado amarillo es la solución que encontró la primera búsqueda de aliento, 

Portuguese: 
 o número de etapas que eu tive que dar, foi muito maior. 
 Então vamos comparar. 
 Como seria a pesquisa de largura de primeira ordem, ou BFS, nesse mesmo labirinto? 
 E para fazer isso, é uma mudança muito fácil. 
 O algoritmo para DFS e BFS é idêntico à exceção 
 de qual estrutura de dados usamos para representar a fronteira. 
 Que no DFS eu usei uma fronteira de pilha-- 
 ultimo a entrar primeiro a sair-- 
 enquanto no BFS, vou usar uma fronteira de fila - primeiro, 
 primeiro, onde a primeira coisa que adiciono à fronteira 
 é a primeira coisa que eu removo. 
 Então, eu vou voltar para o terminal, executar novamente este programa no mesmo labirinto, 
 e agora você verá que o número de estados que tivemos que explorar era de apenas 77, 
 em comparação com quase 400 quando usamos a pesquisa profunda. 
 E podemos ver exatamente o porquê. 
 Podemos ver o que aconteceu se abrirmos o maze.png agora e dar uma olhada. 
 Mais uma vez, o destaque amarelo é a solução encontrada pela primeira vez na respiração, 

German: 
 Die Anzahl der Schritte, die ich unternehmen musste, war viel höher. 
 Also lasst uns vergleichen. 
 Wie würde sich Breadth-First Search oder BFS stattdessen in genau demselben Labyrinth verhalten? 
 Und um dies zu tun, ist es eine sehr einfache Änderung. 
 Der Algorithmus für DFS und BFS ist mit der Ausnahme identisch 
 von welcher Datenstruktur wir verwenden, um die Grenze darzustellen. 
 Dass ich in der DFS eine Stapelgrenze verwendet habe - 
 zuletzt rein, zuerst raus-- 
 wohingegen ich in BFS eine Warteschlangengrenze verwenden werde - zuerst in, 
 zuerst raus, wo ich als erstes die Grenze hinzufüge 
 ist das erste, was ich entferne. 
 Also gehe ich zurück zum Terminal und führe dieses Programm im selben Labyrinth erneut aus. 
 und jetzt werden Sie sehen, dass die Anzahl der Staaten, die wir erkunden mussten, nur 77 war, 
 im Vergleich zu fast 400, als wir die Tiefensuche verwendeten. 
 Und wir können genau sehen warum. 
 Wir können sehen, was passiert ist, wenn wir jetzt maze.png öffnen und einen Blick darauf werfen. 
 Wieder ist gelbes Highlight die Lösung, die die Suche nach dem ersten Atemzug gefunden hat. 

Turkish: 
 atmam gereken adımlar sayısı çok daha fazlaydı. 
 Öyleyse karşılaştıralım. 
 Tam Genişlik Arama veya BFS, bunun yerine aynı labirentte nasıl çalışır? 
 Bunu yapmak için çok kolay bir değişiklik. 
 DFS ve BFS algoritması istisna ile aynıdır 
 sınırı temsil etmek için kullandığımız veri 
 DFS'de bir yığın sınırı kullandım-- 
 son giren ilk çıkar 
 BFS'de sıra sınırı kullanacağım - ilk önce, 
 ilk önce, sınıra ilk eklediğim şey 
 kaldırdığım ilk şey. 
 Bu yüzden terminale geri döneceğim, bu programı aynı labirentte tekrar çalıştıracağım, 
 ve şimdi görmemiz gereken eyalet sayısının sadece 77 olduğunu göreceksiniz, 
 derinlikte ilk arama yaptığımızda neredeyse 400'e kıyasla. 
 Ve nedenini tam olarak görebiliyoruz. 
 Şimdi maze.png'yi açar ve bir göz atarsak ne olduğunu görebiliriz. 
 Yine, sarı vurgu, ilk nefes aramasının bulduğu çözümdür, 

Hindi: 
 मुझे जितने कदम उठाने पड़े, वह बहुत अधिक थे। 
 तो आइए तुलना करते हैं। 
 ब्रेड-फ़र्स्ट सर्च या बीएफएस, इसके बजाय इसी सटीक भूलभुलैया पर कैसे करेंगे? 
 और ऐसा करने के लिए, यह बहुत आसान बदलाव है। 
 DFS और BFS के लिए एल्गोरिथ्म अपवाद के साथ समान है 
 सीमांत का प्रतिनिधित्व करने के लिए हम किस डेटा संरचना का उपयोग करते हैं। 
 DFS में मैंने एक स्टैक फ्रंटियर का उपयोग किया है-- 
 सबसे अंतिम आने वाला सबसे पहले जाएगा-- 
 बीएफएस में रहते हुए, मैं एक कतार सीमांत का उपयोग करने जा रहा हूं - पहली बार में, 
 पहले बाहर, जहां पहली चीज मैं सीमांत में जोड़ता हूं 
 पहली चीज है जिसे मैं हटाता हूं। 
 इसलिए मैं टर्मिनल पर वापस जाऊंगा, इस कार्यक्रम को उसी भूलभुलैया पर फिर से चलाऊंगा, 
 और अब आप देखेंगे कि हमारे द्वारा खोजे गए राज्यों की संख्या केवल 77 थी, 
 लगभग 400 की तुलना में जब हमने गहराई-पहली खोज का उपयोग किया। 
 और हम वास्तव में क्यों देख सकते हैं। 
 हम देख सकते हैं कि क्या हुआ अगर हम अभी भूलभुलैया खोलते हैं और एक नज़र डालें। 
 फिर, पीले रंग का प्रकाश वह समाधान है जो सांस-पहली खोज में मिला, 

Indonesian: 
 jumlah langkah yang harus saya ambil, itu jauh lebih tinggi. 
 Jadi mari kita bandingkan. 
 Bagaimana Pencarian Breadth-First, atau BFS, lakukan pada labirin yang sama persis ini? 
 Dan untuk melakukannya, itu adalah perubahan yang sangat mudah. 
 Algoritma untuk DFS dan BFS identik dengan pengecualian 
 dari struktur data apa yang kami gunakan untuk mewakili perbatasan. 
 Bahwa di DFS saya menggunakan stack frontier-- 
 masuk, keluar-- pertama 
 sedangkan di BFS, saya akan menggunakan perbatasan antrian-- pertama di, 
 pertama, di mana hal pertama yang saya tambahkan ke perbatasan 
 adalah hal pertama yang saya hapus. 
 Jadi saya akan kembali ke terminal, jalankan kembali program ini pada labirin yang sama, 
 dan sekarang Anda akan melihat bahwa jumlah negara bagian yang harus kami jelajahi hanya 77, 
 dibandingkan dengan hampir 400 ketika kami menggunakan pencarian kedalaman-pertama. 
 Dan kita bisa melihat persis mengapa. 
 Kita dapat melihat apa yang terjadi jika kita membuka maze.png sekarang dan melihatnya. 
 Sekali lagi, highlight kuning adalah solusi yang ditemukan oleh pencarian pertama, 

Arabic: 
 عدد الخطوات التي كان علي اتخاذها ، كان ذلك أعلى بكثير. 
 لذلك دعونا نقارن. 
 كيف ستفعل عملية البحث الأولى ، أو BFS ، في هذه المتاهة نفسها بدلاً من ذلك؟ 
 وللقيام بذلك ، فإنه تغيير سهل للغاية. 
 خوارزمية DFS و BFS متطابقة مع الاستثناء 
 حول بنية البيانات التي نستخدمها لتمثيل الحدود. 
 أنه في DFS استخدمت حدود المكدس-- 
 آخر في الخروج أولا-- 
 بينما في BFS ، سأستخدم حدود قائمة الانتظار - أولاً في ، 
 أولاً ، حيث أضيف أول شيء أضيفه إلى الحدود 
 هو أول شيء أقوم بإزالته. 
 لذا سأعود إلى المحطة ، وأعد تشغيل هذا البرنامج في نفس المتاهة ، 
 والآن سترى أن عدد الولايات التي كان علينا استكشافها كان 77 فقط ، 
 مقارنة بما يقرب من 400 عندما استخدمنا بحث العمق الأول. 
 ويمكننا أن نرى السبب بالضبط. 
 يمكننا أن نرى ما حدث إذا فتحنا maze.png الآن ونلقي نظرة. 
 مرة أخرى ، الضوء الأصفر هو الحل الذي وجده البحث الأول ، 

Italian: 
 il numero di passi che dovevo fare era molto più alto. 
 Quindi confrontiamo. 
 Come farebbe Breadth-First Search, o BFS, su questo stesso identico labirinto? 
 E per farlo, è un cambiamento molto semplice. 
 L'algoritmo per DFS e BFS è identico all'eccezione 
 di quale struttura di dati utilizziamo per rappresentare la frontiera. 
 Che in DFS ho usato una frontiera dello stack-- 
 ultimo ad entrare, primo ad uscire-- 
 mentre in BFS userò una frontiera della coda, prima in 
 prima di tutto, dove la prima cosa che aggiungo alla frontiera 
 è la prima cosa che rimuovo. 
 Quindi torno al terminale, rieseguo questo programma sullo stesso labirinto, 
 e ora vedrai che il numero di stati che abbiamo dovuto esplorare era solo 77, 
 rispetto a quasi 400 quando abbiamo usato la ricerca approfondita. 
 E possiamo vedere esattamente perché. 
 Possiamo vedere cosa è successo se apriamo maze.png ora e diamo un'occhiata. 
 Ancora una volta, l'evidenziazione gialla è la soluzione trovata per la prima volta, 

Chinese: 
我必须采取的步骤数要多得多。 
因此，让我们进行比较。 
广度优先搜索或BFS将如何在这个完全相同的迷宫上执行呢？ 
为了做到这一点，这是一个非常容易的改变。 
 DFS和BFS的算法相同，但例外
我们用什么数据结构来表示边界。 
在DFS中，我使用了堆栈边界- 
后进先出 - 
而在BFS中，我将使用队列边界-首先， 
首先，我添加到边界的第一件事
是我删除的第一件事。 
所以我将回到终端，在同一迷宫中重新运行该程序， 
现在您将看到我们必须探索的州只有77个， 
相比之下，我们使用深度优先搜索时只有400个。 
我们可以确切地知道原因。 
如果我们现在打开maze.png并看看，我们可以看到发生了什么。 
同样，黄色高亮显示是呼吸优先搜索的解决方案， 

Japanese: 
私が取らなければならなかったステップの数、それははるかに高かった。 
比較してみましょう。 
代わりに、幅優先検索（BFS）がこのまったく同じ迷路でどのように実行しますか？ 
そうするために、それは非常に簡単な変更です。 
 DFSおよびBFSのアルゴリズムは例外を除いて同じです
フロンティアを表すために使用するデータ構造の例。 
 DFSではスタックフロンティアを使用しました- 
最初のうちの最後の - 
 BFSでは、キューフロンティアを使用しますが、最初に、 
まず、私がフロンティアに追加する最初のもの
私が削除する最初のものです。 
ターミナルに戻り、同じプログラムでこのプログラムを再実行します。 
さて、私たちが探検しなければならなかった州の数はたったの77でした、 
深さ優先検索を使用したときの約400と比較して。 
そして、その理由を正確に理解できます。 
ここでmaze.pngを開いて見てみると、何が起こったのかがわかります。 
繰り返しになりますが、黄色のハイライトは、息をのむ検索で見つかったソリューションです。 

French: 
 le nombre de pas que je devais faire, c'était beaucoup plus élevé. 
 Comparons donc. 
 Comment Breadth-First Search, ou BFS, ferait-il exactement ce même labyrinthe? 
 Et pour ce faire, c'est un changement très facile. 
 L'algorithme pour DFS et BFS est identique à l'exception 
 de quelle structure de données nous utilisons pour représenter la frontière. 
 Que dans DFS, j'ai utilisé un stack frontier-- 
 dernier entré, premier sorti-- 
 alors que dans BFS, je vais utiliser une file d'attente frontier-- d'abord, 
 premier sorti, où la première chose que j'ajoute à la frontière 
 est la première chose que je retire. 
 Je vais donc revenir au terminal, réexécuter ce programme sur le même labyrinthe, 
 et maintenant vous verrez que le nombre d'États que nous avons dû explorer n'était que de 77, 
 par rapport à près de 400 lorsque nous avons utilisé la recherche en profondeur d'abord. 
 Et nous pouvons voir exactement pourquoi. 
 Nous pouvons voir ce qui s'est passé si nous ouvrons maintenant maze.png et jetons un coup d'œil. 
 Encore une fois, le surlignage jaune est la solution trouvée par la recherche à couper le souffle, 

Modern Greek (1453-): 
 ο αριθμός των βημάτων που έπρεπε να κάνω, ήταν πολύ υψηλότερος. 
 Ας συγκρίνουμε λοιπόν. 
 Πώς θα έκανε η Breadth-First Search ή BFS σε αυτόν τον ίδιο ακριβώς λαβύρινθο; 
 Και για να γίνει αυτό, είναι μια πολύ εύκολη αλλαγή. 
 Ο αλγόριθμος για DFS και BFS είναι πανομοιότυπος με την εξαίρεση 
 της δομής δεδομένων που χρησιμοποιούμε για να αντιπροσωπεύσουμε τα σύνορα. 
 Αυτό στο DFS χρησιμοποίησα ένα stack frontier-- 
 τελευταία, πρώτη έξοδος-- 
 ενώ στο BFS, θα χρησιμοποιήσω μια ουρά στα σύνορα - πρώτα στο, 
 πρώτο έξω, όπου το πρώτο πράγμα που προσθέτω στα σύνορα 
 είναι το πρώτο πράγμα που αφαιρώ. 
 Θα επιστρέψω λοιπόν στο τερματικό, θα ξαναρχίσω αυτό το πρόγραμμα στον ίδιο λαβύρινθο, 
 και τώρα θα δείτε ότι ο αριθμός των πολιτειών που έπρεπε να εξερευνήσουμε ήταν μόνο 77, 
 σε σύγκριση με σχεδόν 400 όταν χρησιμοποιήσαμε την πρώτη αναζήτηση βάθους. 
 Και μπορούμε να δούμε ακριβώς γιατί. 
 Μπορούμε να δούμε τι συνέβη αν ανοίξουμε το maze.png τώρα και ρίξουμε μια ματιά. 
 Και πάλι, η κίτρινη επισήμανση είναι η λύση που βρήκε η πρώτη ανάσα, 

Korean: 
 우연히, 깊이 우선 검색에서 찾은 것과 동일한 솔루션입니다. 
 둘 다 최상의 솔루션을 찾고 있지만 모든 흰색이 탐험되지 않은 것을 알 수 있습니다. 
 세포. 
 탐색해야 할 상태가 훨씬 적었습니다. 
 너비 우선 검색이 작동하기 때문에 목표를 향한 길을 만들기 위해 
 조금 더 얕게 
 초기 상태에 가까운 것을 탐색하고 있습니다. 
 더 멀리있는 것을 탐색하지 않고. 
 목표가 너무 멀지 않은 경우 너비 우선 탐색 
 실제로 미로에서 아주 효과적으로 행동 할 수 있습니다. 
 이런 식으로 조금 보입니다. 
 이 경우 BFS와 DFS는 모두 동일한 솔루션을 찾았습니다. 
 그러나 항상 그런 것은 아닙니다. 
 실제로 maze3.txt와 같은 예를 하나 더 살펴 보겠습니다. 
 maze3.txt에는 여러 가지 방법이 있습니다. 
 A에서 B로 갈 수 있습니다. 
 상대적으로 작은 미로이지만 어떻게되는지 보자. 
 내가 사용한다면-계속해서 "show explored"를 끄겠습니다. 
 우리는 해결책을 본다. 

Indonesian: 
 yang, kebetulan, adalah solusi yang sama yang ditemukan pencarian mendalam-pertama. 
 Mereka berdua menemukan solusi terbaik, tetapi perhatikan semua putih yang belum dijelajahi 
 sel. 
 Ada lebih sedikit negara yang perlu dieksplorasi 
 untuk mencapai tujuan karena pencarian pertama kali beroperasi 
 sedikit lebih dangkal. 
 Ini mengeksplorasi hal-hal yang dekat dengan keadaan awal 
 tanpa menjelajahi hal-hal yang lebih jauh. 
 Jadi jika tujuannya tidak terlalu jauh, maka pencarian luas-pertama 
 sebenarnya bisa berperilaku cukup efektif pada labirin itu 
 terlihat sedikit seperti ini. 
 Sekarang, dalam hal ini, baik BFS dan DFS akhirnya menemukan solusi yang sama, 
 tapi itu tidak selalu menjadi masalah. 
 Dan faktanya, mari kita lihat satu contoh lagi, misalnya, maze3.txt. 
 Di maze3.txt, perhatikan bahwa di sini ada beberapa cara 
 yang bisa Anda dapatkan dari A ke B. 
 Ini adalah labirin yang relatif kecil, tetapi mari kita lihat apa yang terjadi. 
 Jika saya menggunakan-- dan saya akan melanjutkan dan mematikan "show explored" so 
 kita lihat saja solusinya. 

Portuguese: 
 que, aliás, é a mesma solução que a pesquisa profunda encontrou. 
 Ambos estão encontrando a melhor solução, mas observe todo o branco inexplorado 
 células. 
 Havia muito menos estados que precisavam ser explorados 
 para chegar ao objetivo, porque a pesquisa pela primeira vez opera 
 um pouco mais superficial. 
 Está explorando coisas próximas ao estado inicial 
 sem explorar coisas que estão mais distantes. 
 Portanto, se o objetivo não estiver muito longe, faça a pesquisa pela primeira vez 
 pode realmente se comportar de forma bastante eficaz em um labirinto que 
 parece um pouco com isso. 
 Agora, nesse caso, o BFS e o DFS acabaram encontrando a mesma solução, 
 mas nem sempre será esse o caso. 
 E, de fato, vamos dar uma olhada em mais um exemplo, por exemplo, maze3.txt. 
 No maze3.txt, observe que aqui existem várias maneiras 
 que você poderia ir de A a B. 
 É um labirinto relativamente pequeno, mas vamos ver o que acontece. 
 Se eu usar - e eu vou em frente e desativo o "show explorado" 
 nós apenas vemos a solução. 

Russian: 
 что, кстати, является тем же решением, что и поиск в глубину. 
 Они оба находят лучшее решение, но замечают все белое неисследованное 
 клетки. 
 Было гораздо меньше штатов, которые нужно было исследовать 
 чтобы наш путь к цели, потому что поиск в ширину работает 
 немного более поверхностно. 
 Это исследует вещи, которые близки к исходному состоянию 
 без изучения вещей, которые находятся дальше. 
 Так что если цель не слишком далеко, то поиск в ширину 
 на самом деле может вести себя довольно эффективно в лабиринте 
 выглядит немного примерно так. 
 Теперь, в этом случае, и BFS, и DFS в итоге нашли одно и то же решение, 
 но это не всегда так. 
 И на самом деле, давайте рассмотрим еще один пример, например, maze3.txt. 
 В maze3.txt обратите внимание, что здесь есть несколько способов 
 что вы могли бы добраться от А до Б. 
 Это относительно маленький лабиринт, но давайте посмотрим, что происходит. 
 Если я использую-- и я пойду и выключу "шоу исследовано" так 
 мы просто видим решение. 

Hindi: 
 जो, संयोग से, वही समाधान है जो गहराई-पहली खोज में मिला है। 
 वे दोनों सबसे अच्छा समाधान ढूंढ रहे हैं, लेकिन सभी सफेद अस्पष्टीकृत हैं 
 कोशिकाओं। 
 बहुत कम राज्य थे जिन्हें तलाशने की आवश्यकता थी 
 लक्ष्य के लिए हमारा रास्ता बनाने के लिए क्योंकि चौड़ाई-पहली खोज संचालित होती है 
 थोड़ा और उथला। 
 यह उन चीजों की खोज कर रहा है जो प्रारंभिक अवस्था के करीब हैं 
 उन चीजों की खोज किए बिना जो आगे दूर हैं। 
 इसलिए यदि लक्ष्य बहुत दूर नहीं है, तो चौड़ाई-पहली खोज 
 वास्तव में एक भूलभुलैया पर काफी प्रभावी ढंग से व्यवहार कर सकते हैं 
 कुछ इस तरह दिखता है। 
 अब, इस मामले में, BFS और DFS दोनों ने एक ही समाधान ढूंढना समाप्त कर दिया, 
 लेकिन ऐसा हमेशा नहीं होगा। 
 और वास्तव में, आइए एक और उदाहरण देखें, उदाहरण के लिए, maze3.txt। 
 Maze3.txt में, ध्यान दें कि यहाँ कई तरीके हैं 
 कि आप ए से बी तक पहुंच सकते हैं। 
 यह अपेक्षाकृत छोटा चक्रव्यूह है, लेकिन आइए देखें कि क्या होता है। 
 अगर मैं उपयोग करता हूं - और मैं आगे बढ़ूंगा और "शो एक्सप्लोर" को बंद कर दूंगा 
 हम सिर्फ समाधान देखते हैं। 

English: 
which, incidentally, is the same solution that depth-first search found.
They're both finding the best solution, but notice all the white unexplored
cells.
There was much fewer states that needed to be explored
in order to make our way to the goal because breadth-first search operates
a little more shallowly.
It's exploring things that are close to the initial state
without exploring things that are further away.
So if the goal is not too far away, then breadth-first search
can actually behave quite effectively on a maze that
looks a little something like this.
Now, in this case, both BFS and DFS ended up finding the same solution,
but that won't always be the case.
And in fact, let's take a look at one more example, for instance, maze3.txt.
In maze3.txt, notice that here there are multiple ways
that you could get from A to B.
It's a relatively small maze, but let's look at what happens.
If I use-- and I'll go ahead and turn off "show explored" so
we just see the solution.

Chinese: 
顺便说一下，这与深度优先搜索找到的解决方案相同。 
他们俩都在寻找最佳解决方案，但请注意所有白色未开发的产品
细胞。 
有更少的州需要探索
为了达到目标，因为广度优先搜索有效
再浅一点。 
它正在探索接近初始状态的事物
而不探索更远的地方。 
因此，如果目标距离不太远，则应进行广度优先搜索
实际上可以在迷宫中表现得相当有效
看起来有点像这样。 
现在，在这种情况下，BFS和DFS最终都找到了相同的解决方案， 
但是情况并非总是如此。 
实际上，让我们再看一个示例，例如maze3.txt。 
在maze3.txt中，请注意这里有多种方法
您可以从A到B。 
这是一个相对较小的迷宫，但让我们看看会发生什么。 
如果我使用-我将继续关闭“显示浏览”，因此
我们只是看到解决方案。 

German: 
 Dies ist übrigens die gleiche Lösung, die die Tiefensuche gefunden hat. 
 Sie finden beide die beste Lösung, bemerken aber das ganze Weiß unerforscht 
 Zellen. 
 Es gab viel weniger Staaten, die erforscht werden mussten 
 um den Weg zum Ziel zu finden, denn die Breitensuche funktioniert 
 etwas flacher. 
 Es geht darum, Dinge zu erforschen, die nahe am Ausgangszustand liegen 
 ohne Dinge zu erforschen, die weiter entfernt sind. 
 Wenn das Ziel also nicht zu weit entfernt ist, suchen Sie zuerst nach der Breite 
 kann sich in einem Labyrinth tatsächlich recht effektiv verhalten 
 sieht ein bisschen so aus. 
 In diesem Fall fanden sowohl BFS als auch DFS die gleiche Lösung. 
 das wird aber nicht immer der Fall sein. 
 Schauen wir uns ein weiteres Beispiel an, zum Beispiel maze3.txt. 
 Beachten Sie in maze3.txt, dass es hier mehrere Möglichkeiten gibt 
 dass Sie von A nach B kommen könnten. 
 Es ist ein relativ kleines Labyrinth, aber schauen wir uns an, was passiert. 
 Wenn ich ... benutze, schalte ich "Show Explored" aus 
 Wir sehen nur die Lösung. 

French: 
 qui, soit dit en passant, est la même solution que celle trouvée en profondeur. 
 Ils trouvent tous les deux la meilleure solution, mais notez tout le blanc inexploré 
 cellules. 
 Il y avait beaucoup moins d'États à explorer 
 afin d'atteindre notre objectif, car la recherche en largeur d'abord 
 un peu plus superficiellement. 
 C'est explorer des choses qui sont proches de l'état initial 
 sans explorer des choses plus éloignées. 
 Donc, si l'objectif n'est pas trop éloigné, la recherche en premier 
 peut effectivement se comporter assez efficacement sur un labyrinthe 
 ressemble à quelque chose comme ça. 
 Maintenant, dans ce cas, BFS et DFS ont fini par trouver la même solution, 
 mais ce ne sera pas toujours le cas. 
 Et en fait, jetons un œil à un autre exemple, par exemple, maze3.txt. 
 Dans maze3.txt, notez qu'ici il y a plusieurs façons 
 que vous pourriez obtenir de A à B. 
 C'est un labyrinthe relativement petit, mais regardons ce qui se passe. 
 Si j'utilise-- et je vais continuer et désactiver "show explored" donc 
 nous voyons juste la solution. 

Turkish: 
 Bu arada, derinlik-ilk araştırmanın bulduğu çözümle aynıdır. 
 Her ikisi de en iyi çözümü buluyor, ancak keşfedilmemiş tüm beyazları fark ettiler 
 Hücreler. 
 Keşfedilmesi gereken çok daha az eyalet vardı 
 hedefe ulaşmak için ilk geniş arama 
 biraz daha sığ. 
 Başlangıç ​​durumuna yakın olan şeyleri araştırıyor 
 daha uzaktaki şeyleri keşfetmeden. 
 Hedef çok uzak değilse, önce geniş arama 
 aslında bir labirent üzerinde oldukça etkili davranabilir. 
 böyle bir şey gibi görünüyor. 
 Şimdi, bu durumda, hem BFS hem de DFS aynı çözümü buldular, 
 ama durum her zaman böyle olmayacak. 
 Ve aslında bir örnek daha inceleyelim, örneğin, maze3.txt. 
 Maze3.txt dosyasında, burada birden çok yol olduğunu unutmayın 
 A'dan B'ye kadar alabilirsiniz. 
 Nispeten küçük bir labirent, ama ne olduğuna bakalım. 
 Eğer kullanırsam-- ve devam edip "araştırılan şovu" kapatırsam 
 sadece çözümü görüyoruz. 

Japanese: 
これは、偶然にも、深さ優先検索で見つかったのと同じソリューションです。 
彼らは両方とも最高の解決策を見つけていますが、未踏のすべての白に気づきます
細胞。 
調査が必要な州ははるかに少なかった
幅優先検索が機能するため、目標に到達するために
もう少し浅い。 
初期状態に近いものを探っています
遠くにあるものを探索することなく。 
したがって、目標がそれほど遠くない場合、幅優先検索
実際に迷路でかなり効果的に振る舞うことができます
こんな感じです
さて、この場合、BFSとDFSの両方が同じ解決策を見つけました。 
しかし、常にそうであるとは限りません。 
そして、実際に、maze3.txtなどのもう1つの例を見てみましょう。 
 maze3.txtでは、ここに複数の方法があることに注意してください
 AからBに到達することができます。 
比較的小さな迷路ですが、どうなるか見てみましょう。 
私が使用する場合-そして、私は先に進み、「探索されたショー」をオフにします
私たちはただ解決策を見ます。 

Spanish: 
 que, por cierto, es la misma solución que encontró la búsqueda en profundidad. 
 Ambos están encontrando la mejor solución, pero noten todo el blanco inexplorado 
 células. 
 Había muchos menos estados que debían ser explorados 
 para llegar a la meta porque opera la búsqueda de amplitud 
 un poco más superficialmente 
 Está explorando cosas que están cerca del estado inicial 
 sin explorar cosas que están más lejos. 
 Entonces, si el objetivo no está muy lejos, entonces la búsqueda de amplitud 
 en realidad puede comportarse de manera bastante efectiva en un laberinto que 
 Se parece un poco a esto. 
 Ahora, en este caso, tanto BFS como DFS terminaron encontrando la misma solución, 
 pero ese no siempre será el caso. 
 Y de hecho, echemos un vistazo a un ejemplo más, por ejemplo, maze3.txt. 
 En maze3.txt, observe que aquí hay varias formas 
 que podrías llegar de A a B. 
 Es un laberinto relativamente pequeño, pero veamos qué sucede. 
 Si uso ... y seguiré adelante y apagaré "show explored" 
 Solo vemos la solución. 

Chinese: 
順便說一下，這與深度優先搜索找到的解決方案相同。 
他們倆都在尋找最佳解決方案，但請注意所有白色未開發的產品
細胞。 
需要探索的州少得多
為了達到目標，因為廣度優先搜索有效
稍微淺一點。 
它正在探索接近初始狀態的事物
而不探索更遠的地方。 
因此，如果目標距離不太遠，則應進行廣度優先搜索
實際上可以在迷宮中表現得相當有效
看起來有點像這樣。 
現在，在這種情況下，BFS和DFS最終都找到了相同的解決方案， 
但事實並非總是如此。 
實際上，讓我們再看一個示例，例如maze3.txt。 
在maze3.txt中，請注意這裡有多種方法
您可以從A到B。 
這是一個相對較小的迷宮，但讓我們看看會發生什麼。 
如果我使用-我將繼續關閉“顯示瀏覽”，因此
我們只是看到解決方案。 

Modern Greek (1453-): 
 η οποία, παρεμπιπτόντως, είναι η ίδια λύση που βρήκε η πρώτη αναζήτηση βάθους. 
 Και οι δύο βρίσκουν την καλύτερη λύση, αλλά παρατηρούν όλο το λευκό ανεξερεύνητο 
 κύτταρα. 
 Υπήρχαν πολύ λιγότερα κράτη που έπρεπε να διερευνηθούν 
 για να φτάσουμε στο στόχο, επειδή λειτουργεί η αναζήτηση με το πρώτο εύρος 
 λίγο πιο ρηχά. 
 Εξετάζει πράγματα που βρίσκονται κοντά στην αρχική κατάσταση 
 χωρίς να εξερευνήσετε πράγματα που βρίσκονται πιο μακριά. 
 Αν λοιπόν ο στόχος δεν είναι πολύ μακριά, τότε αναζητήστε το πρώτο εύρος 
 μπορεί πραγματικά να συμπεριφέρεται αρκετά αποτελεσματικά σε ένα λαβύρινθο που 
 μοιάζει κάπως έτσι. 
 Τώρα, σε αυτήν την περίπτωση, τόσο η BFS όσο και η DFS βρήκαν την ίδια λύση, 
 αλλά αυτό δεν θα ισχύει πάντα. 
 Και στην πραγματικότητα, ας ρίξουμε μια ματιά σε ένα ακόμη παράδειγμα, για παράδειγμα, το maze3.txt. 
 Στο maze3.txt, παρατηρήστε ότι εδώ υπάρχουν πολλοί τρόποι 
 που θα μπορούσατε να πάρετε από το Α στο Β. 
 Είναι ένας σχετικά μικρός λαβύρινθος, αλλά ας δούμε τι συμβαίνει. 
 Αν χρησιμοποιώ - και θα προχωρήσω και θα απενεργοποιήσω το "show explored" 
 βλέπουμε απλώς τη λύση. 

Dutch: 
 wat trouwens dezelfde oplossing is die door diepte-eerste zoekactie werd gevonden. 
 Ze vinden allebei de beste oplossing, maar merken al het wit nog niet op 
 cellen. 
 Er waren veel minder staten die moesten worden verkend 
 om onze weg naar het doel te vinden, omdat de eerste zoekactie werkt 
 een beetje ondieper. 
 Het onderzoekt dingen die dicht bij de oorspronkelijke staat staan 
 zonder dingen te verkennen die verder weg zijn. 
 Dus als het doel niet te ver weg is, zoek dan eerst in de breedte 
 kan zich eigenlijk behoorlijk effectief gedragen in een doolhof 
 ziet er ongeveer zo uit. 
 In dit geval hebben zowel BFS als DFS uiteindelijk dezelfde oplossing gevonden, 
 maar dat zal niet altijd het geval zijn. 
 Laten we in feite nog een voorbeeld bekijken, bijvoorbeeld maze3.txt. 
 Merk op dat in maze3.txt er hier meerdere manieren zijn 
 die je van A naar B kunt krijgen 
 Het is een relatief klein doolhof, maar laten we eens kijken wat er gebeurt. 
 Als ik gebruik ... en ik ga door en zet "show explored" dus uit 
 we zien gewoon de oplossing. 

Italian: 
 che, per inciso, è la stessa soluzione trovata nella ricerca approfondita. 
 Stanno entrambi trovando la soluzione migliore, ma notano tutto il bianco inesplorato 
 le cellule. 
 C'erano molti meno stati che dovevano essere esplorati 
 al fine di raggiungere la nostra meta perché opera la ricerca in ampiezza 
 un po 'più superficialmente. 
 Sta esplorando cose che sono vicine allo stato iniziale 
 senza esplorare cose che sono più lontane. 
 Quindi se l'obiettivo non è troppo lontano, allora ricerca per ampiezza 
 può effettivamente comportarsi in modo abbastanza efficace su un labirinto che 
 sembra un po 'come questo. 
 Ora, in questo caso, sia BFS che DFS hanno trovato la stessa soluzione, 
 ma non sarà sempre così. 
 E in effetti, diamo un'occhiata a un altro esempio, ad esempio maze3.txt. 
 In maze3.txt, nota che qui ci sono diversi modi 
 che potresti ottenere da A a B. 
 È un labirinto relativamente piccolo, ma vediamo cosa succede. 
 Se uso-- e andrò avanti e spegnerò "spettacolo esplorato" così 
 vediamo solo la soluzione. 

Arabic: 
 وهو بالمناسبة نفس الحل الذي وجده البحث العميق. 
 كلاهما يجدن أفضل حل ، لكن لاحظ كل البيض غير المكتشف 
 الخلايا. 
 كان هناك عدد أقل بكثير من الولايات التي يجب استكشافها 
 من أجل الوصول إلى الهدف لأن البحث الأول واسع النطاق يعمل 
 أكثر بقليل من الضحلة. 
 إنها تستكشف أشياء قريبة من الحالة الأولية 
 دون استكشاف الأشياء البعيدة. 
 لذا ، إذا لم يكن الهدف بعيدًا جدًا ، فابحث أولاً 
 يمكن أن تتصرف بشكل فعال في متاهة 
 يبدو شيئا مثل هذا. 
 الآن ، في هذه الحالة ، انتهى كل من BFS و DFS بإيجاد نفس الحل ، 
 ولكن لن يكون هذا هو الحال دائمًا. 
 وفي الواقع ، دعنا نلقي نظرة على مثال آخر ، على سبيل المثال ، maze3.txt. 
 في ملف maze3.txt ، لاحظ أن هناك عدة طرق 
 التي يمكنك الحصول عليها من أ إلى ب. 
 إنها متاهة صغيرة نسبيًا ، لكن دعونا نلقي نظرة على ما يحدث. 
 إذا استخدمت - وسأقوم بإيقاف تشغيل "عرض استكشاف" بذلك 
 نرى الحل فقط. 

German: 
 Wenn ich BFS verwende, Breitensuche, um maze3.txt zu lösen, 
 Nun, dann finden wir eine Lösung. 
 Und wenn ich das Labyrinth öffne, haben wir die Lösung gefunden. 
 Es ist das optimale. 
 Mit nur vier Schritten können wir vom Ausgangszustand abkommen 
 zu dem, was das Ziel ist. 
 Aber was passiert, wenn wir stattdessen versuchen, die Tiefensuche oder DFS zu verwenden? 
 Nun, ich gehe wieder zurück zu meiner Warteschlangengrenze, wo Warteschlangengrenze bedeutet 
 dass wir die Breitensuche verwenden. 
 Und ich werde es in eine Stapelgrenze ändern, was bedeutet, dass wir es jetzt tun werden 
 Verwenden Sie die Tiefensuche. 
 Ich werde Pythonmaze.py erneut ausführen. 
 Und jetzt werden Sie sehen, dass wir eine Lösung finden, 
 aber es ist nicht die optimale Lösung. 
 Dies ist stattdessen das, was unser Algorithmus findet. 
 Und vielleicht hätte die Tiefensuche diese Lösung gefunden. 
 Es ist möglich, aber es ist nicht garantiert, dass, wenn wir nur 
 zufällig Pech haben, wenn wir diesen Zustand anstelle dieses Zustands wählen, 
 Dann könnte die Tiefensuche eine längere Route finden 

Russian: 
 Если я использую BFS, поиск в ширину, чтобы решить maze3.txt, 
 ну, тогда мы найдем решение. 
 И если я открою лабиринт, вот решение, которое мы нашли. 
 Это оптимальный вариант. 
 Всего за четыре шага мы можем получить из исходного состояния 
 к какой цели оказывается. 
 Но что произойдет, если мы попытаемся использовать поиск по глубине или DFS вместо этого? 
 Ну, опять же, я вернусь к своей границе очереди, где граница очереди означает 
 что мы используем поиск в ширину. 
 И я изменю это на границу стека, что означает, что теперь мы будем 
 использовать поиск в глубину. 
 Я перезапущу Pythonmaze.py. 
 И теперь вы увидите, что мы находим решение, 
 но это не оптимальное решение. 
 Это то, что наш алгоритм находит. 
 И, возможно, поиск в глубину нашел бы это решение. 
 Это возможно, но это не гарантируется, что если мы просто 
 случится неудачно, если мы выберем это состояние вместо этого состояния, 
 тогда поиск в глубину может найти более длинный маршрут, чтобы получить 

Indonesian: 
 Jika saya menggunakan BFS, pencarian pertama, untuk menyelesaikan maze3.txt, 
 yah, lalu kita cari solusinya. 
 Dan jika saya membuka labirin, inilah solusi yang kami temukan. 
 Ini yang optimal. 
 Hanya dengan empat langkah, kita bisa dapatkan dari keadaan awal 
 untuk apa tujuan terjadi. 
 Tetapi apa yang terjadi jika kita mencoba menggunakan, pencarian mendalam-pertama, atau DFS, sebagai gantinya? 
 Nah, sekali lagi, saya akan kembali ke perbatasan antrian saya, di mana antrian perbatasan berarti 
 bahwa kami menggunakan pencarian luas-pertama. 
 Dan saya akan mengubahnya menjadi tumpukan perbatasan, yang berarti sekarang kita akan 
 menggunakan pencarian kedalaman-pertama. 
 Saya akan jalankan kembali Pythonmaze.py. 
 Dan sekarang Anda akan melihat bahwa kami menemukan solusi, 
 tetapi itu bukan solusi optimal. 
 Alih-alih, inilah yang ditemukan oleh algoritma kami. 
 Dan mungkin pencarian mendalam-pertama akan menemukan solusi ini. 
 Itu mungkin, tapi itu tidak dijamin, kalau kita hanya 
 kebetulan sial, jika kita memilih negara ini bukannya negara itu, 
 maka pencarian mendalam-pertama mungkin menemukan rute yang lebih panjang untuk mendapatkan 

English: 
If I use BFS, breadth-first search, to solve maze3.txt,
well, then we find a solution.
And if I open up the maze, here's the solution that we found.
It is the optimal one.
With just four steps, we can get from the initial state
to what the goal happens to be.
But what happens if we try to use, depth-first search, or DFS, instead?
Well, again, I'll go back up to my queue frontier, where queue frontier means
that we're using breadth-first search.
And I'll change it to a stack frontier, which means that now we'll
be using depth-first search.
I'll rerun Pythonmaze.py.
And now you'll see that we find a solution,
but it is not the optimal solution.
This, instead, is what our algorithm finds.
And maybe depth-first search would have found this solution.
It's possible, but it's not guaranteed, that if we just
happen to be unlucky, if we choose this state instead of that state,
then depth-first search might find a longer route to get

Italian: 
 Se utilizzo BFS, ricerca per primo, per risolvere maze3.txt, 
 bene, allora troviamo una soluzione. 
 E se apro il labirinto, ecco la soluzione che abbiamo trovato. 
 È quello ottimale. 
 Con solo quattro passaggi, possiamo ottenere dallo stato iniziale 
 a ciò che l'obiettivo è essere. 
 Ma cosa succede se proviamo a usare la ricerca approfondita o DFS, invece? 
 Bene, ancora una volta, tornerò alla mia frontiera della coda, dove significa frontiera della coda 
 che stiamo usando l'ampiezza della ricerca. 
 E lo cambierò in una frontiera dello stack, il che significa che ora lo faremo 
 usando la ricerca approfondita. 
 Eseguirò nuovamente Pythonmaze.py. 
 E ora vedrai che troviamo una soluzione, 
 ma non è la soluzione ottimale. 
 Questo, invece, è ciò che trova il nostro algoritmo. 
 E forse una ricerca approfondita avrebbe trovato questa soluzione. 
 È possibile, ma non è garantito, se solo 
 sembra sfortunato, se scegliamo questo stato invece di quello stato, 
 quindi la ricerca approfondita potrebbe trovare un percorso più lungo da ottenere 

Hindi: 
 यदि मैं MFS3.txt को हल करने के लिए BFS, चौड़ाई-पहली खोज का उपयोग करता हूं, 
 ठीक है, तो हम एक समाधान पाते हैं। 
 और अगर मैं भूलभुलैया खोल देता हूं, तो यहां समाधान है जो हमें मिला। 
 यह सबसे इष्टतम है। 
 केवल चार चरणों के साथ, हम प्रारंभिक अवस्था से प्राप्त कर सकते हैं 
 लक्ष्य क्या होना चाहिए। 
 लेकिन अगर हम इसके बजाय गहराई-पहली खोज, या डीएफएस का उपयोग करने की कोशिश करते हैं, तो क्या होता है? 
 खैर, फिर से, मैं अपनी कतार सीमांत पर जाऊंगा, जहां कतार सीमांत का अर्थ है 
 हम चौड़ाई खोज का उपयोग कर रहे हैं। 
 और मैं इसे स्टैक फ्रंटियर में बदल दूंगा, जिसका अर्थ है कि अब हम करेंगे 
 गहराई-पहली खोज का उपयोग करें। 
 मैं Pythonmaze.py को फिर से चलाऊंगा। 
 और अब आप देखेंगे कि हम एक समाधान ढूंढते हैं, 
 लेकिन यह इष्टतम समाधान नहीं है। 
 इसके बजाय, यह वही है जो हमारे एल्गोरिथ्म पाता है। 
 और शायद गहराई-पहली खोज ने इस समाधान को पाया होगा। 
 यह संभव है, लेकिन इसकी गारंटी नहीं है, कि अगर हम अभी 
 अशुभ होने के लिए, अगर हम उस राज्य के बजाय इस राज्य को चुनते हैं, 
 तब गहराई-पहली खोज को पाने के लिए लंबा रास्ता मिल सकता है 

Dutch: 
 Als ik BFS gebruik, de eerste zoekopdracht, om maze3.txt op te lossen, 
 Nou, dan vinden we een oplossing. 
 En als ik het doolhof openmaak, is hier de oplossing die we hebben gevonden. 
 Het is de optimale. 
 Met slechts vier stappen kunnen we uit de begintoestand komen 
 naar wat het doel is. 
 Maar wat gebeurt er als we in plaats daarvan proberen te zoeken op diepte, eerst zoeken of DFS? 
 Nogmaals, ik ga terug naar mijn wachtrijgrens, waar wachtrijgrens betekent 
 dat we eerst zoeken in de breedte gebruiken. 
 En ik verander het in een stapelgrens, wat betekent dat we nu 
 gebruik maken van diepte-eerst zoeken. 
 Ik voer Pythonmaze.py opnieuw uit. 
 En nu zul je zien dat we een oplossing vinden, 
 maar het is niet de optimale oplossing. 
 Dit is in plaats daarvan wat ons algoritme vindt. 
 En misschien zou een diepte-eerste zoekopdracht deze oplossing hebben gevonden. 
 Het is mogelijk, maar het is niet gegarandeerd, als we maar 
 pech hebben, als we deze staat kiezen in plaats van die staat, 
 dan kan op diepte zoeken eerst een langere route vinden 

French: 
 Si j'utilise BFS, la recherche en largeur, pour résoudre maze3.txt, 
 eh bien, alors nous trouvons une solution. 
 Et si j'ouvre le labyrinthe, voici la solution que nous avons trouvée. 
 C'est l'optimale. 
 En seulement quatre étapes, nous pouvons sortir de l'état initial 
 à ce que le but se trouve être. 
 Mais que se passe-t-il si nous essayons d'utiliser à la place la recherche en profondeur ou DFS? 
 Eh bien, encore une fois, je vais revenir à ma frontière de file d'attente, où la frontière de file d'attente signifie 
 que nous utilisons la recherche en premier. 
 Et je vais le changer en une frontière de pile, ce qui signifie que maintenant nous allons 
 utiliser la recherche en profondeur. 
 Je vais relancer Pythonmaze.py. 
 Et maintenant, vous verrez que nous trouvons une solution, 
 mais ce n'est pas la solution optimale. 
 C'est plutôt ce que trouve notre algorithme. 
 Et peut-être que la recherche en profondeur aurait trouvé cette solution. 
 Il est possible, mais ce n'est pas garanti, que si nous 
 arrive d'être malchanceux, si nous choisissons cet état au lieu de cet état, 
 la recherche en profondeur peut trouver un itinéraire plus long pour obtenir 

Chinese: 
如果我使用广度优先搜索BFS来解决maze3.txt， 
好，那么我们找到了解决方案。 
如果我打开迷宫，这是我们找到的解决方案。 
这是最佳选择。 
仅需四个步骤，我们便可以从初始状态开始
达到目标的目的。 
但是，如果我们尝试使用深度优先搜索或DFS，会发生什么呢？ 
好吧，我再次回到队列边界，这意味着队列边界
我们正在使用广度优先搜索。 
我将其更改为堆栈边界，这意味着现在我们将
使用深度优先搜索。 
我将重新运行Pythonmaze.py。 
现在您将看到我们找到了解决方案， 
但这不是最佳解决方案。 
相反，这就是我们的算法发现的结果。 
也许深度优先搜索会找到这种解决方案。 
可能，但不能保证，如果我们只是
碰巧是不幸的，如果我们选择此状态而不是该状态， 
那么深度优先搜索可能会找到更长的路线

Portuguese: 
 Se eu usar o BFS, a primeira pesquisa de largura, para resolver o maze3.txt, 
 bem, então encontramos uma solução. 
 E se eu abrir o labirinto, aqui está a solução que encontramos. 
 É o ideal. 
 Com apenas quatro etapas, podemos obter do estado inicial 
 para qual é o objetivo. 
 Mas o que acontece se tentarmos usar a pesquisa em profundidade ou o DFS? 
 Bem, novamente, voltarei à minha fronteira de fila, onde fronteira de fila significa 
 que estamos usando a primeira pesquisa abrangente. 
 E vou mudar para uma fronteira de pilha, o que significa que agora vamos 
 usando a pesquisa profunda. 
 Vou executar novamente o Pythonmaze.py. 
 E agora você verá que encontramos uma solução, 
 mas não é a solução ideal. 
 Em vez disso, é isso que nosso algoritmo encontra. 
 E talvez a pesquisa mais aprofundada tivesse encontrado essa solução. 
 É possível, mas não é garantido, que se apenas 
 acontece que não temos sorte, se escolhermos esse estado em vez desse estado, 
 a pesquisa em profundidade pode encontrar uma rota mais longa para obter 

Modern Greek (1453-): 
 Εάν χρησιμοποιώ το BFS, αναζήτηση πρώτου εύρους, για την επίλυση του maze3.txt, 
 καλά, τότε βρίσκουμε μια λύση. 
 Και αν ανοίξω το λαβύρινθο, εδώ είναι η λύση που βρήκαμε. 
 Είναι το βέλτιστο. 
 Με μόλις τέσσερα βήματα, μπορούμε να φτάσουμε από την αρχική κατάσταση 
 σε τι συμβαίνει να είναι ο στόχος. 
 Αλλά τι θα συμβεί αν προσπαθήσουμε να χρησιμοποιήσουμε, αναζήτηση βάθους πρώτα ή DFS; 
 Λοιπόν, πάλι, θα επιστρέψω στα όρια της ουράς μου, όπου σημαίνει τα σύνορα ουράς 
 ότι χρησιμοποιούμε αναζήτηση πρώτης έκτασης. 
 Και θα το αλλάξω σε στοίβα στα σύνορα, πράγμα που σημαίνει ότι τώρα θα το κάνουμε 
 να χρησιμοποιείτε αναζήτηση βάθους-πρώτη. 
 Θα εκτελέσω ξανά το Pythonmaze.py. 
 Και τώρα θα δείτε ότι βρίσκουμε μια λύση, 
 αλλά δεν είναι η βέλτιστη λύση. 
 Αυτό, αντίθετα, είναι αυτό που βρίσκει ο αλγόριθμός μας. 
 Και ίσως η πρώτη αναζήτηση σε βάθος θα είχε βρει αυτή τη λύση. 
 Είναι πιθανό, αλλά δεν είναι εγγυημένο, ότι αν εμείς απλά 
 τυχαίνει να είσαι άτυχος, αν επιλέξουμε αυτήν την κατάσταση αντί για αυτήν την κατάσταση, 
 τότε η αναζήτηση βάθους-πρώτης μπορεί να βρει μια μεγαλύτερη διαδρομή για να πάρει 

Japanese: 
 BFS（幅優先検索）を使用してmaze3.txtを解決すると、 
さて、それから私たちは解決策を見つけます。 
そして、迷路を開くと、ここに私たちが見つけた解決策があります。 
最適なものです。 
わずか4つのステップで、初期状態から取得できます
目標がどうなるかについて。 
しかし、代わりに深さ優先検索またはDFSを使用しようとするとどうなりますか？ 
さて、再び、キューフロンティアが意味する私のキューフロンティアに戻ります。 
幅優先検索を使用していること。 
スタックフロンティアに変更します。つまり、今から
深さ優先検索を使用している。 
 Pythonmaze.pyを再実行します。 
そして、あなたは私たちが解決策を見つけることがわかります、 
しかし、それは最適なソリューションではありません。 
代わりに、これは私たちのアルゴリズムが見つけたものです。 
そして、深さ優先検索でこのソリューションが見つかる可能性があります。 
それは可能ですが、保証はされません。 
不運なことに、この状態ではなくこの状態を選択すると、 
次に、深さ優先検索では、取得するためのより長いルートが見つかるかもしれません

Chinese: 
如果我使用廣度優先搜索BFS來解決maze3.txt， 
好，那麼我們找到了解決方案。 
如果我打開迷宮，這是我們找到的解決方案。 
這是最佳選擇。 
僅需四個步驟，我們便可以從初始狀態開始
達到目標的目的。 
但是，如果我們嘗試使用深度優先搜索或DFS，會發生什麼呢？ 
好吧，我再次回到隊列邊界，這意味著隊列邊界
我們正在使用廣度優先搜索。 
我將其更改為堆棧邊界，這意味著現在我們將
使用深度優先搜索。 
我將重新運行Pythonmaze.py。 
現在您將看到我們找到了解決方案， 
但這不是最佳解決方案。 
相反，這就是我們的算法發現的結果。 
也許深度優先搜索會找到這種解決方案。 
可能，但不能保證，如果我們只是
碰巧是不幸的，如果我們選擇此狀態而不是該狀態， 
那麼深度優先搜索可能會找到更長的路線

Spanish: 
 Si uso BFS, búsqueda de amplitud, para resolver maze3.txt, 
 bueno, entonces encontramos una solución. 
 Y si abro el laberinto, aquí está la solución que encontramos. 
 Es el óptimo. 
 Con solo cuatro pasos, podemos llegar desde el estado inicial 
 a cuál es el objetivo. 
 Pero, ¿qué sucede si intentamos usar, primero, búsqueda en profundidad o DFS? 
 Bueno, nuevamente, volveré a mi frontera de cola, donde frontera de cola significa 
 que estamos utilizando la búsqueda de amplitud primero. 
 Y lo cambiaré a una frontera de pila, lo que significa que ahora vamos a 
 estar utilizando la búsqueda de profundidad primero. 
 Volveré a ejecutar Pythonmaze.py. 
 Y ahora verás que encontramos una solución, 
 Pero no es la solución óptima. 
 Esto, en cambio, es lo que nuestro algoritmo encuentra. 
 Y tal vez la búsqueda en profundidad habría encontrado esta solución. 
 Es posible, pero no está garantizado, que si solo 
 resulta ser desafortunado, si elegimos este estado en lugar de ese estado, 
 entonces la búsqueda en profundidad puede encontrar una ruta más larga para llegar 

Arabic: 
 إذا استخدمت BFS ، البحث الأول ، لحل maze3.txt ، 
 حسنا ، ثم نجد حلا. 
 وإذا فتحت المتاهة ، فإليك الحل الذي توصلنا إليه. 
 هو الأفضل. 
 من خلال أربع خطوات فقط ، يمكننا الحصول على الحالة الأولية 
 لما يحدث الهدف. 
 ولكن ماذا يحدث إذا حاولنا استخدام البحث العميق أو DFS بدلاً من ذلك؟ 
 حسنًا ، مرة أخرى ، سأعود إلى قائمة الانتظار الخاصة بي ، حيث تعني حدود قائمة الانتظار 
 أننا نستخدم البحث الأول الواسع. 
 وسأغيرها إلى حدود المكدس ، مما يعني أننا سنقوم الآن 
 يتم استخدام البحث العميق. 
 سأعيد تشغيل Pythonmaze.py. 
 والآن سترى أننا نجد حلاً ، 
 لكنها ليست الحل الأمثل. 
 هذا ، بدلاً من ذلك ، هو ما وجدته الخوارزمية. 
 وربما كان البحث عن العمق الأول قد وجد هذا الحل. 
 هذا ممكن ، ولكن ليس مضمونًا ، إذا كنا فقط 
 تصادف أنه سيئ الحظ ، إذا اخترنا هذه الدولة بدلاً من تلك الدولة ، 
 ثم قد يبحث البحث عن العمق لمسار أطول للحصول عليه 

Korean: 
 maze3.txt를 해결하기 위해 너비 우선 검색 인 BFS를 사용하는 경우, 
 그럼 해결책을 찾으십시오. 
 그리고 미로를 열면 우리가 찾은 해결책이 있습니다. 
 최적입니다. 
 단 4 단계만으로 초기 상태에서 벗어날 수 있습니다 
 목표가 무엇인지. 
 그러나 깊이 우선 검색 또는 DFS를 대신 사용하면 어떻게됩니까? 
 다시 한 번, 큐 프런티어가 의미하는 큐 프론티어로 돌아갑니다. 
 너비 우선 검색을 사용하고 있습니다. 
 그리고 이것을 스택 프론티어로 변경하겠습니다. 이제 우리는 
 깊이 우선 검색을 사용하십시오. 
 Pythonmaze.py를 다시 실행하겠습니다. 
 이제 우리는 해결책을 찾은 것을 보게 될 것입니다. 
 그러나 최적의 솔루션은 아닙니다. 
 대신 이것이 우리 알고리즘이 찾는 것입니다. 
 그리고 깊이 우선 검색이이 솔루션을 찾았을 것입니다. 
 가능하지만 보장되지는 않습니다. 
 우리가 그 주 대신에이 주를 선택한다면 
 깊이 우선 검색은 더 긴 경로를 찾을 수 있습니다. 

Turkish: 
 Labirent 3.txt çözmek için ilk genişlik arama BFS kullanırsanız, 
 o zaman bir çözüm buluruz. 
 Ve labirenti açarsam, bulduğumuz çözüm işte burada. 
 En uygun olanıdır. 
 Sadece dört adımla, başlangıç ​​durumundan başlayabiliriz 
 hedefin ne olduğuna. 
 Ancak bunun yerine, önce derinlik araması veya DFS kullanmaya çalışırsak ne olur? 
 Yine, sıra sınırına geri döneceğim, sıra sınırının anlamı 
 önce genişlik aramayı kullandığımızı. 
 Ve bunu bir yığın sınırına değiştireceğim, yani şimdi 
 önce derinlemesine arama kullanmak. 
 Pythonmaze.py'yi tekrar çalıştıracağım. 
 Ve şimdi bir çözüm bulduğumuzu göreceksiniz, 
 ancak bu en uygun çözüm değildir. 
 Bunun yerine algoritmamız budur. 
 Ve belki de derinlik-öncesi arama bu çözümü bulurdu. 
 Bu mümkün, ancak garanti edilmez, eğer biz 
 Şanssız olur, eğer bu devlet yerine bu devleti seçersek, 
 önce derinlik araması almak için daha uzun bir yol bulabilir 

Arabic: 
 من الحالة الأولية إلى الهدف. 
 لذا نرى هنا بعض المقايضات حيث قد لا يبحث البحث العميق 
 إيجاد الحل الأمثل. 
 لذا عند هذه النقطة ، يبدو أن البحث الأول واسع النطاق جيد جدًا. 
 هل هذا هو أفضل ما يمكننا فعله ، حيث سيجد لنا الحل الأمثل 
 ولا داعي للقلق بشأن المواقف حيث 
 قد ينتهي بنا الأمر إلى إيجاد مسار أطول للحل مما هو موجود بالفعل؟ 
 حيث يكون الهدف بعيدًا عن الحالة الأولية-- 
 وقد نضطر إلى اتخاذ الكثير من الخطوات للحصول على الحالة الأولية 
 إلى الهدف-- 
 ما حدث في النهاية ، هو أن هذه الخوارزمية ، BFS ، انتهت 
 استكشاف الرسم البياني بأكمله بشكل أساسي ، يجب أن يمر عبر المتاهة بأكملها 
 من أجل إيجاد طريقها من الحالة الأولية إلى حالة الهدف. 
 ما نود في نهاية المطاف هو لخوارزمية لدينا 
 أن تكون أكثر ذكاءً قليلاً. 
 والآن ماذا يعني خوارزمية لدينا 
 أن تكون أكثر ذكاءً قليلاً ، في هذه الحالة؟ 
 حسنًا ، فلنلقِ نظرة على المكان الذي قد يبحث فيه البحث أولاً 
 تمكنت من اتخاذ قرار مختلف 
 والنظر في الحدس البشري في هذه العملية أيضًا. 

Hindi: 
 प्रारंभिक अवस्था से लक्ष्य तक। 
 इसलिए हम यहां कुछ ट्रेड-ऑफ देखते हैं जहां गहराई-पहली खोज नहीं हो सकती है 
 इष्टतम समाधान खोजें। 
 तो उस बिंदु पर, यह लगता है कि चौड़ाई-पहली खोज बहुत अच्छी है। 
 क्या यह सबसे अच्छा हम कर सकते हैं, जहां यह हमें इष्टतम समाधान खोजने जा रहा है 
 और हमें उन स्थितियों के बारे में चिंता करने की ज़रूरत नहीं है जहाँ पर 
 वास्तव में मौजूद समाधान की तुलना में हम एक लंबा रास्ता खोज सकते हैं? 
 जहां लक्ष्य प्रारंभिक अवस्था से बहुत दूर है - 
 और हमें प्रारंभिक अवस्था से प्राप्त करने के लिए बहुत सारे कदम उठाने पड़ सकते हैं 
 लक्ष्य के लिए-- 
 क्या समाप्त हो रहा है, यह है कि यह एल्गोरिथ्म, बीएफएस, समाप्त हो गया 
 मूल रूप से पूरे ग्राफ को देखना, पूरे भूलभुलैया से गुजरना 
 प्रारंभिक अवस्था से लक्ष्य राज्य तक अपना रास्ता खोजने के लिए। 
 हम अंततः अपने एल्गोरिथ्म के लिए क्या चाहते हैं 
 थोड़ा और अधिक बुद्धिमान बनने के लिए। 
 और अब हमारे एल्गोरिथ्म के लिए इसका क्या अर्थ होगा 
 इस मामले में थोड़ा और अधिक बुद्धिमान होने के लिए? 
 ठीक है, चलो वापस देखने के लिए जहां चौड़ाई पहली खोज हो सकती है 
 एक अलग निर्णय लेने में सक्षम है 
 और इस प्रक्रिया में मानव अंतर्ज्ञान पर भी विचार करें। 

French: 
 de l'état initial au but. 
 Nous voyons donc des compromis ici où la recherche en profondeur d'abord peut ne pas 
 trouver la solution optimale. 
 Donc, à ce stade, il semble que la recherche en largeur soit plutôt bonne. 
 Est-ce le mieux que nous pouvons faire, où cela nous trouvera la solution optimale 
 et nous n'avons pas à nous soucier des situations où 
 nous pourrions finir par trouver un chemin vers la solution plus long que ce qui existe réellement? 
 Où le but est loin de l'état initial ... 
 et nous pourrions avoir à prendre beaucoup de mesures pour sortir de l'état initial 
 au goal-- 
 ce qui a fini par arriver, c'est que cet algorithme, BFS, a fini 
 explorer essentiellement le graphique entier, avoir à parcourir tout le labyrinthe 
 afin de trouver son chemin de l'état initial à l'état objectif. 
 Ce que nous aimerions en fin de compte, c'est pour notre algorithme 
 pour être un peu plus intelligent. 
 Et maintenant, qu'est-ce que cela signifierait pour notre algorithme 
 être un peu plus intelligent, dans ce cas? 
 Eh bien, regardons en arrière où la recherche en largeur pourrait 
 ont pu prendre une décision différente 
 et considérer l'intuition humaine dans ce processus également. 

Italian: 
 dallo stato iniziale all'obiettivo. 
 Quindi vediamo alcuni compromessi qui dove la ricerca approfondita potrebbe non esserlo 
 trova la soluzione ottimale. 
 Quindi, a quel punto, sembra che l'ampiezza della ricerca sia abbastanza buona. 
 È il meglio che possiamo fare, dove ci troverà la soluzione ottimale 
 e non dobbiamo preoccuparci di situazioni in cui 
 potremmo finire per trovare un percorso più lungo per la soluzione rispetto a ciò che esiste realmente? 
 Dove l'obiettivo è lontano dallo stato iniziale-- 
 e potremmo dover fare molti passi per ottenere dallo stato iniziale 
 all'obiettivo-- 
 quello che è successo è che questo algoritmo, BFS, è finito 
 esplorando sostanzialmente l'intero grafico, dovendo passare attraverso l'intero labirinto 
 per trovare la strada dallo stato iniziale allo stato obiettivo. 
 Ciò che alla fine vorremmo è per il nostro algoritmo 
 essere un po 'più intelligente. 
 E ora cosa significherebbe per il nostro algoritmo 
 essere un po 'più intelligente, in questo caso? 
 Bene, diamo un'occhiata a dove potrebbe essere la prima ricerca 
 sono stato in grado di prendere una decisione diversa 
 e considerare anche l'intuizione umana in questo processo. 

Spanish: 
 desde el estado inicial hasta la meta. 
 Así que vemos algunas compensaciones aquí donde la búsqueda de profundidad primero podría no 
 Encuentra la solución óptima. 
 Entonces, en ese punto, parece que la búsqueda de amplitud es bastante buena. 
 ¿Es eso lo mejor que podemos hacer, donde nos va a encontrar la solución óptima? 
 y no tenemos que preocuparnos por situaciones donde 
 ¿podríamos terminar encontrando un camino más largo hacia la solución que el que realmente existe? 
 Donde el objetivo está lejos del estado inicial 
 y es posible que tengamos que tomar muchos pasos para llegar desde el estado inicial 
 a la meta 
 lo que terminó sucediendo, es que este algoritmo, BFS, terminó 
 explorando básicamente todo el gráfico, teniendo que recorrer todo el laberinto 
 para encontrar su camino desde el estado inicial hasta el estado objetivo. 
 Lo que finalmente nos gustaría es para nuestro algoritmo 
 para ser un poco más inteligente 
 Y ahora, ¿qué significaría para nuestro algoritmo? 
 para ser un poco más inteligente, en este caso? 
 Bueno, echemos un vistazo a dónde podría haber una búsqueda de amplitud 
 haber podido tomar una decisión diferente 
 y considere la intuición humana en este proceso también. 

English: 
from the initial state to the goal.
So we do see some trade-offs here where depth-first search might not
find the optimal solution.
So at that point, it seems like breadth-first search is pretty good.
Is that the best we can do, where it's going to find us the optimal solution
and we don't have to worry about situations where
we might end up finding a longer path to the solution than what actually exists?
Where the goal is far away from the initial state--
and we might have to take lots of steps in order to get from the initial state
to the goal--
what ended up happening, is that this algorithm, BFS, ended up
exploring basically the entire graph, having to go through the entire maze
in order to find its way from the initial state to the goal state.
What we'd ultimately like is for our algorithm
to be a little bit more intelligent.
And now what would it mean for our algorithm
to be a little bit more intelligent, in this case?
Well, let's look back to where breadth-first search might
have been able to make a different decision
and consider human intuition in this process, as well.

German: 
 vom Ausgangszustand bis zum Ziel. 
 Wir sehen hier also einige Kompromisse, bei denen die Tiefensuche möglicherweise nicht funktioniert 
 finde die optimale Lösung. 
 An diesem Punkt scheint die Breitensuche ziemlich gut zu sein. 
 Ist das das Beste, was wir tun können, um die optimale Lösung zu finden? 
 und wir müssen uns nicht um Situationen kümmern, in denen 
 Vielleicht finden wir einen längeren Weg zur Lösung als der, der tatsächlich existiert. 
 Wo das Ziel weit vom Ausgangszustand entfernt ist - 
 und wir müssen möglicherweise viele Schritte unternehmen, um aus dem Ausgangszustand herauszukommen 
 zum Ziel-- 
 Am Ende passierte dieser Algorithmus, BFS 
 Erforschen Sie im Grunde das gesamte Diagramm und müssen Sie durch das gesamte Labyrinth gehen 
 um den Weg vom Ausgangszustand in den Zielzustand zu finden. 
 Was wir letztendlich möchten, ist für unseren Algorithmus 
 ein bisschen intelligenter sein. 
 Und was würde es nun für unseren Algorithmus bedeuten? 
 in diesem Fall ein bisschen intelligenter zu sein? 
 Schauen wir uns noch einmal an, wo die Breitensuche sein könnte 
 eine andere Entscheidung treffen konnten 
 und berücksichtigen Sie auch die menschliche Intuition in diesem Prozess. 

Japanese: 
初期状態からゴールまで。 
したがって、ここでは、深さ優先検索ができない場合があるいくつかのトレードオフが見られます。 
最適なソリューションを見つけます。 
したがって、その時点では、幅優先検索はかなり良いようです。 
それが私たちにできる最善のことであり、それが私たちに最適な解決策を見つけるでしょう
そして私達は状況について心配する必要はありません
実際に存在するよりも長い解決策を見つけることになってしまうのではないでしょうか。 
目標が初期状態から離れている場合- 
また、初期状態から移行するには、多くの手順を踏まなければならない場合があります
ゴールへ― 
結局何が起こったのかというと、このアルゴリズム、BFS 
基本的にグラフ全体を探索し、迷路全体を通過する必要がある
初期状態から目標状態への道を見つけるため。 
私たちが最終的に好きなのは、アルゴリズムです。 
もう少しインテリジェントになるために。 
そして今、それは私たちのアルゴリズムにとって何を意味するでしょう
この場合、もう少しインテリジェントになるには？ 
さて、幅優先検索がどこにあるかを振り返ってみましょう
別の決定をすることができた
このプロセスでも人間の直感を考慮してください。 

Modern Greek (1453-): 
 από την αρχική κατάσταση στον στόχο. 
 Βλέπουμε λοιπόν μερικές αντισταθμίσεις εδώ, όπου η αναζήτηση βάθους πρώτης μπορεί να μην είναι 
 βρείτε τη βέλτιστη λύση. 
 Έτσι, σε αυτό το σημείο, φαίνεται ότι η πρώτη αναζήτηση είναι αρκετά καλή. 
 Αυτό είναι το καλύτερο που μπορούμε να κάνουμε, όπου θα μας βρει τη βέλτιστη λύση 
 και δεν χρειάζεται να ανησυχούμε για καταστάσεις όπου 
 μπορεί να καταλήξουμε να βρούμε μια μακρύτερη διαδρομή προς τη λύση από ό, τι πραγματικά υπάρχει; 
 Όπου ο στόχος είναι πολύ μακριά από την αρχική κατάσταση-- 
 και ίσως χρειαστεί να κάνουμε πολλά βήματα για να βγούμε από την αρχική κατάσταση 
 στον στόχο-- 
 Αυτό που κατέληξε να είναι, είναι ότι αυτός ο αλγόριθμος, BFS, κατέληξε 
 εξερευνώντας ουσιαστικά ολόκληρο το γράφημα, πρέπει να περάσουμε ολόκληρο το λαβύρινθο 
 για να βρει τον δρόμο του από την αρχική κατάσταση στην κατάσταση στόχου. 
 Αυτό που θα θέλαμε τελικά είναι για τον αλγόριθμό μας 
 να είμαι λίγο πιο έξυπνος. 
 Και τώρα τι θα σήμαινε για τον αλγόριθμό μας 
 να είμαι λίγο πιο έξυπνος, σε αυτήν την περίπτωση; 
 Λοιπόν, ας ρίξουμε μια ματιά στο πού θα μπορούσε να είναι η πρώτη αναζήτηση 
 κατάφεραν να πάρουν μια διαφορετική απόφαση 
 και σκεφτείτε την ανθρώπινη διαίσθηση σε αυτήν τη διαδικασία. 

Portuguese: 
 do estado inicial para a meta. 
 Então, vemos algumas compensações aqui em que a pesquisa profunda pode não 
 encontre a solução ideal. 
 Então, nesse ponto, parece que a pesquisa pela primeira vez é muito boa. 
 É o melhor que podemos fazer, onde nos encontrará a solução ideal 
 e não precisamos nos preocupar com situações em que 
 podemos acabar encontrando um caminho mais longo para a solução do que o que realmente existe? 
 Onde o objetivo está longe do estado inicial-- 
 e talvez tenhamos que tomar várias medidas para obter o estado inicial 
 para o goal-- 
 o que acabou acontecendo, é que esse algoritmo, BFS, acabou 
 explorando basicamente todo o gráfico, tendo que passar por todo o labirinto 
 para encontrar o caminho do estado inicial para o estado do objetivo. 
 Em última análise, gostaríamos do nosso algoritmo 
 para ser um pouco mais inteligente. 
 E agora, o que isso significaria para o nosso algoritmo 
 ser um pouco mais inteligente, nesse caso? 
 Bem, vamos olhar para onde a pesquisa pela primeira vez pode 
 foram capazes de tomar uma decisão diferente 
 e considere a intuição humana nesse processo também. 

Chinese: 
从初始状态到目标。 
因此，我们确实在这里进行了一些权衡，而深度优先搜索可能无法实现
找到最佳解决方案。 
因此，在这一点上，广度优先搜索似乎非常不错。 
那是我们能做的最好的事情，它将找到我们最佳的解决方案
而且我们不必担心情况
我们可能最终会找到比实际存在更长的解决方案路径？ 
目标离初始状态很远的地方
我们可能需要采取很多步骤才能从初始状态
达到目标
最终发生的是该算法BFS最终
基本上浏览整个图，必须遍历整个迷宫
为了找到从初始状态到目标状态的方式。 
我们最终想要的是我们的算法
变得更聪明。 
现在对我们的算法意味着什么
在这种情况下变得更聪明？ 
好吧，让我们回顾一下广度优先搜索的位置
能够做出不同的决定
并在此过程中考虑人类的直觉。 

Russian: 
 из исходного состояния к цели. 
 Таким образом, мы видим некоторые компромиссы здесь, где поиск в глубину не может 
 найти оптимальное решение. 
 Так что в этот момент поиск в ширину кажется довольно хорошим. 
 Это лучшее, что мы можем сделать, где оно найдет нам оптимальное решение? 
 и нам не нужно беспокоиться о ситуациях, когда 
 мы могли бы в конечном итоге найти более длинный путь к решению, чем то, что на самом деле существует? 
 Где цель находится далеко от исходного состояния 
 и нам, возможно, придется сделать много шагов, чтобы выйти из исходного состояния 
 к цели-- 
 что в конечном итоге происходит, что этот алгоритм, BFS, в конечном итоге 
 исследуя в основном весь график, проходя весь лабиринт 
 чтобы найти путь из исходного состояния в целевое. 
 В конечном итоге нам бы хотелось, чтобы наш алгоритм 
 быть немного более умным. 
 А теперь, что бы это значило для нашего алгоритма 
 быть немного более умным, в этом случае? 
 Что ж, давайте вернемся к тому, где поиск в ширину мог бы 
 смогли принять другое решение 
 и рассмотреть человеческую интуицию в этом процессе, а также. 

Chinese: 
從初始狀態到目標。 
因此，我們確實在這裡進行了一些權衡，而深度優先搜索可能無法實現
找到最佳解決方案。 
因此，在這一點上，廣度優先搜索似乎非常不錯。 
那是我們能做的最好的事情，它將找到我們最佳的解決方案
而且我們不必擔心情況
我們可能最終會找到比實際存在更長的解決方案路徑？ 
目標離初始狀態很遠的地方
我們可能需要採取很多步驟才能從初始狀態
達到目標
最終發生的是該算法BFS最終
基本上瀏覽整個圖，必須遍歷整個迷宮
為了找到從初始狀態到目標狀態的方式。 
我們最終想要的是我們的算法
變得更聰明。 
現在對我們的算法意味著什麼
在這種情況下變得更聰明？ 
好吧，讓我們回顧一下廣度優先搜索的位置
能夠做出不同的決定
並在此過程中考慮人類的直覺。 

Indonesian: 
 dari keadaan awal ke tujuan. 
 Jadi kami melihat beberapa pertukaran di sini di mana pencarian kedalaman-pertama mungkin tidak 
 temukan solusi optimal. 
 Jadi pada saat itu, sepertinya pencarian pertama cukup baik. 
 Apakah itu yang terbaik yang bisa kita lakukan, di mana ia akan menemukan kita solusi optimal 
 dan kita tidak perlu khawatir tentang situasi di mana 
 kita mungkin akhirnya menemukan jalan yang lebih panjang ke solusi daripada apa yang sebenarnya ada? 
 Di mana tujuannya jauh dari keadaan awal-- 
 dan kita mungkin harus mengambil banyak langkah untuk mendapatkan dari keadaan awal 
 ke goal-- 
 apa yang akhirnya terjadi, adalah bahwa algoritma ini, BFS, berakhir 
 menjelajahi pada dasarnya seluruh grafik, harus melalui seluruh labirin 
 untuk menemukan jalannya dari keadaan awal ke keadaan tujuan. 
 Apa yang akhirnya kami sukai adalah untuk algoritma kami 
 menjadi sedikit lebih pintar. 
 Dan sekarang apa artinya untuk algoritma kami 
 menjadi sedikit lebih pintar, dalam hal ini? 
 Baiklah, mari kita melihat kembali ke tempat pencarian pertama kali 
 telah mampu membuat keputusan yang berbeda 
 dan pertimbangkan intuisi manusia dalam proses ini juga. 

Korean: 
 초기 상태에서 목표까지. 
 깊이 우선 검색이되지 않을 수있는 몇 가지 장단점이 있습니다. 
 최적의 솔루션을 찾으십시오. 
 그 시점에서, 너비 우선 탐색이 꽤 좋은 것처럼 보입니다. 
 우리가 최선의 해결책을 찾을 수있는 최선의 방법입니까? 
 우리는 상황에 대해 걱정할 필요가 없습니다. 
 실제로 존재하는 것보다 더 긴 솔루션 경로를 찾게 될 수 있습니까? 
 목표가 초기 상태에서 멀리 떨어져있는 경우 
 초기 상태에서 벗어나려면 많은 단계를 거쳐야 할 수도 있습니다 
 목표로 
 결국 일어난 것은이 알고리즘 인 BFS가 
 기본적으로 전체 그래프를 탐색하고 전체 미로를 통과해야합니다. 
 초기 상태에서 목표 상태로가는 길을 찾기 위해 
 우리가 궁극적으로 원하는 것은 알고리즘입니다 
 좀 더 지능적입니다. 
 그리고 이제 우리 알고리즘의 의미는 무엇입니까? 
 이 경우에 좀 더 지능적으로 행동해야합니까? 
 글쎄, 너비 우선 검색이 가능한 곳으로 돌아가 봅시다. 
 다른 결정을 내릴 수있었습니다 
 이 과정에서 인간의 직관도 고려하십시오. 

Dutch: 
 van de begintoestand tot het doel. 
 Dus we zien hier enkele afwegingen waar diepte-eerste zoekopdracht mogelijk niet is 
 vind de optimale oplossing. 
 Dus op dat moment lijkt het alsof de eerste zoekopdracht in de breedte redelijk goed is. 
 Is dat het beste wat we kunnen doen, waar het ons de optimale oplossing zal vinden 
 en we hoeven ons geen zorgen te maken over situaties waarin 
 kunnen we uiteindelijk een langere weg naar de oplossing vinden dan wat er werkelijk bestaat? 
 Waar het doel ver verwijderd is van de oorspronkelijke staat-- 
 en misschien moeten we veel stappen ondernemen om uit de begintoestand te komen 
 naar het doel-- 
 Wat er uiteindelijk gebeurde, is dat dit algoritme, BFS, eindigde 
 in feite de hele grafiek verkennen, door het hele doolhof moeten gaan 
 om de weg te vinden van de begintoestand naar de doeltoestand. 
 Wat we uiteindelijk zouden willen, is ons algoritme 
 om een ​​beetje intelligenter te zijn. 
 En wat zou het nu betekenen voor ons algoritme 
 een beetje intelligenter zijn, in dit geval? 
 Laten we terugkijken naar waar de eerste zoektocht in de breedte zou kunnen zijn 
 hebben een andere beslissing kunnen nemen 
 en ook in dit proces rekening houden met de menselijke intuïtie. 

Turkish: 
 başlangıç ​​durumundan hedefe. 
 Bu yüzden, burada derinlik ilk aramanın yapılamayacağı bazı ödünleşmeler görüyoruz 
 en uygun çözümü bulun. 
 Bu noktada, önce genişlik araması oldukça iyi görünüyor. 
 Bize en uygun çözümü bulacağımız en iyi şey bu mu? 
 ve şu durumlar için endişelenmemize gerek yok 
 çözümün gerçekte var olandan daha uzun bir yolunu bulabilir miyiz? 
 Hedefin başlangıç ​​durumundan çok uzakta olduğu yerde-- 
 ve başlangıç ​​durumundan almak için birçok adım atmamız gerekebilir. 
 hedefe-- 
 sonuçlanan şey, bu algoritma olan BFS'nin 
 temelde tüm grafiği keşfetmek, tüm labirent gitmek zorunda 
 başlangıç ​​durumundan hedef duruma geçiş yolunu bulmak için. 
 Nihayetinde istediğimiz şey algoritmamız için 
 biraz daha zeki olmak için. 
 Ve şimdi algoritmamız için ne anlama geliyor? 
 bu durumda biraz daha zeki olmak için? 
 İlk genişlik aramasının nereye gidebileceğine bakalım 
 farklı bir karar verebildik 
 ve bu süreçte insan sezgisini de göz önünde bulundurun. 

Russian: 
 Мол, что может сделать человек, решая этот лабиринт, который отличается от того, что 
 BFS в конечном итоге решил сделать? 
 Ну, самое первое решение, принятое BFS 
 был прямо здесь, когда он сделал пять шагов и в конечном итоге 
 в положении, где у него была развилка на дороге. 
 Это могло или пойти налево или это могло пойти направо. 
 На этих начальных шагах выбора не было. 
 Было только одно действие, которое можно было предпринять из каждого из этих штатов. 
 И вот алгоритм поиска сделал единственное 
 что может сделать любой алгоритм поиска, который 
 продолжать следовать этому состоянию после следующего состояния. 
 Но это точка принятия решения, когда все становится немного интереснее. 
 Поиск в глубину, тот самый первый алгоритм поиска, который мы рассмотрели, 
 решил сказать, давайте выберем один путь и исчерпать этот путь, 
 посмотрим, есть ли цель у этого пути, а если нет, то давайте 
 попробуйте другой способ. 
 Поиск в ширину принял альтернативный подход: 
 знаешь что? 
 Давайте исследуем мелкие вещи, сначала близко к нам, посмотрим налево и направо, 
 затем назад влево и назад вправо, так далее и так далее, 
 чередуя наши варианты в надежде найти что-то поблизости. 

Italian: 
 Ad esempio, cosa potrebbe fare un essere umano quando risolve questo labirinto che è diverso da cosa 
 BFS alla fine ha scelto di fare? 
 Bene, il primo punto di decisione che BFS ha preso 
 era proprio qui, quando fece cinque passi e finì 
 in una posizione in cui aveva un bivio. 
 Potrebbe andare a sinistra o potrebbe andare a destra. 
 In questi primi due passi, non c'era scelta. 
 C'era solo un'azione che poteva essere presa da ciascuno di quegli stati. 
 E così l'algoritmo di ricerca ha fatto l'unica cosa 
 che qualsiasi algoritmo di ricerca potrebbe fare, che 
 continua a seguire quello stato dopo quello successivo. 
 Ma questo punto decisionale è dove le cose diventano un po 'interessanti. 
 Ricerca in profondità, il primo algoritmo di ricerca che abbiamo esaminato, 
 scelto di dire, scegliamo un percorso e esauriamo quel percorso, 
 vedere se qualcosa in quel modo ha l'obiettivo, e se no, allora andiamo 
 prova dall'altra parte. 
 L'ampia ricerca ha adottato l'approccio alternativo di dire: 
 sai cosa? 
 Esploriamo cose poco profonde, per prima cosa ci avviciniamo, guardiamo a destra e sinistra, 
 poi di nuovo a sinistra e di nuovo a destra, così via e così via, 
 alternando le nostre opzioni nella speranza di trovare qualcosa nelle vicinanze. 

Spanish: 
 Como, ¿qué podría hacer un humano al resolver este laberinto que es diferente de lo que 
 BFS finalmente decidió hacer? 
 Bueno, el primer punto de decisión que hizo BFS 
 estaba justo aquí, cuando dio cinco pasos y terminó 
 en una posición donde tenía una bifurcación en el camino. 
 Podría ir hacia la izquierda o hacia la derecha. 
 En estos primeros pasos, no había otra opción. 
 Solo se podía tomar una acción de cada uno de esos estados. 
 Y entonces el algoritmo de búsqueda hizo lo único 
 que cualquier algoritmo de búsqueda podría hacer, que 
 es seguir ese estado después del siguiente. 
 Pero este punto de decisión es donde las cosas se ponen un poco interesantes. 
 Búsqueda de profundidad primero, ese primer algoritmo de búsqueda que vimos, 
 decidimos decir, escojamos un camino y agotemos ese camino, 
 ver si algo de esa manera tiene el objetivo, y si no, entonces vamos a 
 Intenta lo contrario. 
 La primera búsqueda de amplitud tomó el enfoque alternativo de decir: 
 ¿Sabes que? 
 Exploremos cosas que son poco profundas, cercanas a nosotros primero, miren a izquierda y derecha, 
 luego hacia la izquierda y hacia la derecha, y así sucesivamente, 
 alternando entre nuestras opciones con la esperanza de encontrar algo cerca. 

French: 
 Genre, que peut faire un humain pour résoudre ce labyrinthe différent de ce que 
 BFS a finalement choisi de faire? 
 Eh bien, le tout premier point de décision que BFS a fait 
 était ici, quand il a fait cinq étapes et a fini 
 dans une position où il avait une fourche sur la route. 
 Cela peut aller à gauche ou à droite. 
 Dans ces premières étapes, il n'y avait pas d'autre choix. 
 Il n'y avait qu'une seule mesure qui pouvait être prise dans chacun de ces États. 
 Et donc l'algorithme de recherche a fait la seule chose 
 que tout algorithme de recherche pourrait faire, ce qui 
 est de continuer à suivre cet état après le prochain état. 
 Mais ce point de décision est là où les choses deviennent un peu intéressantes. 
 Recherche en profondeur d'abord, ce tout premier algorithme de recherche que nous avons examiné, 
 a choisi de dire, choisissons un chemin et épuisons ce chemin, 
 voir si quelque chose de cette façon a le but, et sinon, nous allons 
 essayez dans l'autre sens. 
 L'étendue de la recherche en premier a adopté une approche alternative en disant: 
 vous savez quoi? 
 Explorons des choses peu profondes, près de nous d'abord, regardons à gauche et à droite, 
 puis de retour à gauche et de retour à droite, etc., 
 alternant entre nos options dans l'espoir de trouver quelque chose à proximité. 

German: 
 Was könnte ein Mensch tun, wenn er dieses Labyrinth löst, das anders ist als was? 
 BFS entschied sich letztendlich dafür? 
 Nun, der allererste Entscheidungspunkt, den BFS getroffen hat 
 war genau hier, als es fünf Schritte machte und endete 
 in einer Position, in der es eine Weggabelung hatte. 
 Es könnte entweder nach links oder nach rechts gehen. 
 In diesen ersten Schritten gab es keine Wahl. 
 Es gab nur eine Maßnahme, die von jedem dieser Staaten ergriffen werden konnte. 
 Und so tat der Suchalgorithmus das Einzige 
 dass jeder Suchalgorithmus tun könnte, was 
 folgt diesem Zustand nach dem nächsten. 
 Aber an diesem Entscheidungspunkt werden die Dinge ein bisschen interessant. 
 Tiefensuche, der allererste Suchalgorithmus, den wir uns angesehen haben, 
 entschied uns zu sagen, wählen wir einen Weg und erschöpfen diesen Weg, 
 Sehen Sie, ob irgendetwas auf diese Weise das Ziel hat, und wenn nicht, dann lassen Sie uns 
 versuche es andersherum. 
 Die Breitensuche verfolgte den alternativen Ansatz, zu sagen: 
 Weißt du was? 
 Lassen Sie uns Dinge erforschen, die flach sind, zuerst in unserer Nähe, schauen Sie nach links und rechts, 
 dann zurück links und zurück rechts, so weiter und so fort, 
 abwechselnd zwischen unseren Optionen in der Hoffnung, etwas in der Nähe zu finden. 

Chinese: 
就像，人類在解決與這個迷宮不同的迷宮時會做什麼
 BFS最終選擇了做什麼？ 
好吧，BFS做出的第一個決策點
就在這裡，它走了五個步驟並最終
在路上有叉子的位置
它可以左移或右移。 
在最初的這兩個步驟中，別無選擇。 
這些州中的每個州只能採取一項行動。 
因此，搜索算法只做一件事
任何搜索算法都可以做到的
在下一個狀態之後繼續保持該狀態。 
但是，這個決策點使事情變得有些有趣。 
深度優先搜索，我們研究的第一個搜索算法， 
選擇說，讓我們選擇一條路，用盡那條路， 
看看是否有任何方法可以達到目標，如果沒有，那麼讓我們
嘗試另一種方式。 
廣度優先搜索採用了另一種說法， 
你知道嗎？ 
讓我們探索淺淺的事物，首先靠近我們，左右看， 
然後再左轉，然後再右轉，依此類推， 
在我們的選擇之間交替，希望能在附近找到一些東西。 

Arabic: 
 مثل ، ما الذي يمكن أن يفعله الإنسان عند حل هذه المتاهة التي تختلف عن ما 
 اختارت BFS في نهاية المطاف أن تفعل؟ 
 حسنًا ، أول نقطة قرار اتخذتها BFS 
 كان هنا ، عندما اتخذ خمس خطوات وانتهى به الأمر 
 في وضع فيه شوكة في الطريق. 
 يمكن أن تذهب إلى اليسار أو يمكن أن تذهب إلى اليمين. 
 في هاتين الخطوتين الأوليتين ، لم يكن هناك خيار. 
 كان هناك إجراء واحد فقط يمكن اتخاذه من كل من هذه الدول. 
 وهكذا فعلت خوارزمية البحث الشيء الوحيد 
 يمكن لأي خوارزمية البحث القيام به ، وهو 
 هو الاستمرار في متابعة تلك الحالة بعد الولاية التالية. 
 لكن نقطة القرار هذه هي حيث تصبح الأشياء مثيرة للاهتمام قليلاً. 
 بحث العمق الأول ، أول خوارزمية بحث نظرنا إليها ، 
 اختار أن يقول ، دعنا نختار مسار واحد ونستنفد هذا المسار ، 
 لترى إذا كان أي شيء بهذه الطريقة له هدف ، وإذا لم يكن كذلك ، فلنقم بذلك 
 حاول بالطريقة الأخرى. 
 اتبعت عملية البحث الأولى واتساع المقاربة البديلة قولها ، 
 أتعلم؟ 
 دعونا نستكشف الأشياء الضحلة ، القريبة منا أولاً ، ننظر اليسار واليمين ، 
 ثم العودة لليسار واليمين ، وهكذا دواليك ، 
 بالتناوب بين خياراتنا على أمل العثور على شيء قريب. 

Korean: 
 이 미로를 풀 때 인간이 할 수있는 것과 
 BFS는 궁극적으로하기로 결정 했습니까? 
 BFS가 만든 첫 번째 결정 지점 
 다섯 단계를 밟아서 끝났을 때 
 도로에 포크가있는 위치에 
 왼쪽으로 갈 수도 있고 오른쪽으로 갈 수도 있습니다. 
 이 초기 몇 단계에서는 선택의 여지가 없었습니다. 
 각 주에서 취할 수있는 조치는 하나뿐이었습니다. 
 검색 알고리즘이 유일한 일을했습니다 
 모든 검색 알고리즘이 할 수있는 
 다음 상태 이후 해당 상태를 계속 유지합니다. 
 그러나이 결정 지점은 상황이 약간 흥미로워지는 곳입니다. 
 깊이 우선 검색, 우리가 본 첫 검색 알고리즘, 
 하나의 길을 골라 그 길을 떠나고 
 그런 식으로 목표가 있는지 확인하고, 그렇지 않은 경우 
 다른 방법으로 시도하십시오. 
 너비 우선 탐색은 대안적인 접근 방식을 취했습니다. 
 그거 알아? 
 얕고, 우리 가까이에있는 것들을 먼저 살펴보고 왼쪽과 오른쪽을 보도록하겠습니다. 
 다시 왼쪽과 오른쪽으로 돌아가는 등 
 근처의 무언가를 찾기 위해 우리의 옵션을 번갈아 가며. 

Portuguese: 
 Como, o que um humano pode fazer ao resolver esse labirinto diferente do que 
 BFS finalmente escolheu fazer? 
 Bem, o primeiro ponto de decisão que a BFS fez 
 estava aqui, quando deu cinco passos e acabou 
 em uma posição em que havia uma bifurcação na estrada. 
 Poderia ir para a esquerda ou para a direita. 
 Nessas duas etapas iniciais, não havia escolha. 
 Havia apenas uma ação que poderia ser tomada em cada um desses estados. 
 E assim o algoritmo de pesquisa fez a única coisa 
 que qualquer algoritmo de pesquisa poderia fazer, o que 
 é continuar seguindo esse estado após o próximo estado. 
 Mas esse ponto de decisão é onde as coisas ficam um pouco interessantes. 
 Pesquisa em profundidade, o primeiro algoritmo de pesquisa que analisamos, 
 escolheu dizer, vamos escolher um caminho e esgotá-lo, 
 ver se alguma coisa dessa maneira tem o objetivo, e se não, então vamos 
 tente o contrário. 
 A primeira pesquisa adotou a abordagem alternativa de dizer: 
 Você sabe o que? 
 Vamos explorar coisas que são superficiais, próximas a nós, olhe para a esquerda e para a direita, 
 depois de volta para a esquerda e de trás para a direita, e assim por diante, 
 alternando entre nossas opções na esperança de encontrar algo próximo. 

Modern Greek (1453-): 
 Όπως, τι μπορεί να κάνει ένας άνθρωπος κατά την επίλυση αυτού του λαβυρίνθου που είναι διαφορετικό από αυτό 
 Η BFS επέλεξε τελικά να κάνει; 
 Λοιπόν, το πρώτο σημείο απόφασης που έκανε η BFS 
 ήταν εδώ, όταν έκανε πέντε βήματα και κατέληξε 
 σε μια θέση όπου είχε ένα πιρούνι στο δρόμο. 
 Θα μπορούσε είτε να πάει αριστερά είτε θα μπορούσε να πάει δεξιά. 
 Σε αυτά τα αρχικά δύο βήματα, δεν υπήρχε επιλογή. 
 Υπήρχε μόνο μία ενέργεια που μπορούσε να αναληφθεί από καθεμία από αυτές τις πολιτείες. 
 Και έτσι ο αλγόριθμος αναζήτησης έκανε το μόνο πράγμα 
 που θα μπορούσε να κάνει οποιοσδήποτε αλγόριθμος αναζήτησης, ο οποίος 
 συνεχίζει να ακολουθεί αυτήν την κατάσταση μετά την επόμενη κατάσταση. 
 Αλλά αυτό το σημείο απόφασης είναι όπου τα πράγματα γίνονται λίγο ενδιαφέροντα. 
 Βάθος-πρώτη αναζήτηση, αυτός ο πρώτος αλγόριθμος αναζήτησης που εξετάσαμε, 
 επέλεξε να πει, ας διαλέξουμε ένα μονοπάτι και να εξαντλήσουμε αυτό το μονοπάτι, 
 να δούμε αν κάτι τέτοιο έχει τον στόχο, και αν όχι, ας πάμε 
 δοκιμάστε τον άλλο τρόπο. 
 Η πρώτη αναζήτηση του εύρους πήρε την εναλλακτική προσέγγιση λέγοντας, 
 ξέρεις τι? 
 Ας εξερευνήσουμε πράγματα που είναι ρηχά, πρώτα κοντά μας, κοιτάξτε αριστερά και δεξιά, 
 στη συνέχεια πίσω αριστερά και πίσω δεξιά, ούτω καθεξής και ούτω καθεξής, 
 εναλλάσσονται μεταξύ των επιλογών μας με την ελπίδα να βρούμε κάτι κοντά. 

Turkish: 
 Mesela, bir insan bu labirenti çözerken nelerden farklı olabilir? 
 BFS nihayetinde yapmayı seçti? 
 BFS'nin verdiği ilk karar noktası 
 tam buradaydı, beş adım attı ve bittiğinde 
 yolunda çatal bulunan bir konumda. 
 Sola ya da sağa gidebilir. 
 Bu ilk birkaç adımda başka seçenek yoktu. 
 Bu eyaletlerin her birinden yapılabilecek tek bir eylem vardı. 
 Arama algoritması tek şeyi yaptı 
 herhangi bir arama algoritmasının yapabileceği 
 bir sonraki durumdan sonra bu durumu izlemeye devam ediyor. 
 Ancak bu karar noktası işlerin biraz ilginçleştiği yerdir. 
 Derinlik-ilk arama, baktığımız ilk arama algoritması, 
 diyelim ki bir yol seçelim ve o yolu tüketelim, 
 bu şekilde bir şey olup olmadığını görmek ve eğer değilse, hadi 
 başka bir yol deneyin. 
 Genişlik ilk arayışı, 
 Biliyor musun? 
 Önce sığ, önce bize yakın olan şeyleri inceleyelim, sola ve sağa bakalım, 
 sonra sol ve arka sağa, böyle devam eder, 
 Yakınlarda bir şeyler bulma umuduyla seçeneklerimiz arasında geçiş yapmak. 

Indonesian: 
 Seperti, apa yang mungkin dilakukan manusia ketika menyelesaikan labirin ini yang berbeda dari apa 
 BFS akhirnya memilih untuk melakukannya? 
 Nah, titik keputusan pertama yang dibuat BFS 
 ada di sini, ketika itu membuat lima langkah dan berakhir 
 dalam posisi di mana ada garpu di jalan. 
 Bisa ke kiri atau ke kanan. 
 Dalam beberapa langkah awal ini, tidak ada pilihan. 
 Hanya ada satu tindakan yang bisa diambil dari masing-masing negara. 
 Dan algoritma pencarian melakukan satu-satunya hal 
 yang bisa dilakukan oleh algoritma pencarian apa pun, yang 
 adalah terus mengikuti negara itu setelah negara berikutnya. 
 Tetapi titik keputusan ini adalah di mana segala sesuatunya menjadi sedikit menarik. 
 Pencarian mendalam pertama, algoritma pencarian pertama yang kami lihat, 
 memilih untuk mengatakan, mari kita pilih satu jalan dan buang jalan itu, 
 lihat apakah ada sesuatu yang memiliki tujuan, dan jika tidak, maka mari 
 coba sebaliknya. 
 Pencarian Breadth-first mengambil pendekatan alternatif dengan mengatakan, 
 kamu tahu apa? 
 Mari kita jelajahi hal-hal yang dangkal, dekat dengan kita dulu, lihat kiri dan kanan, 
 lalu kembali ke kiri dan kembali ke kanan, seterusnya dan seterusnya, 
 bergantian antara opsi kami dengan harapan menemukan sesuatu yang dekat. 

Dutch: 
 Zoals, wat zou een mens kunnen doen bij het oplossen van dit doolhof dat anders is dan wat 
 BFS heeft uiteindelijk gekozen om te doen? 
 Nou, het allereerste beslissingspunt dat BFS maakte 
 was precies hier, toen het vijf stappen maakte en eindigde 
 in een positie waar het een vork in de weg had. 
 Het kan naar links of naar rechts gaan. 
 In deze eerste paar stappen was er geen keuze. 
 Er was maar één actie die uit elk van die staten kon worden ondernomen. 
 En dus deed het zoekalgoritme het enige 
 die elk zoekalgoritme zou kunnen doen, wat 
 is die toestand blijven volgen na de volgende staat. 
 Maar dit beslissingspunt is waar het een beetje interessant wordt. 
 Diepte-eerste zoekopdracht, dat allereerste zoekalgoritme waar we naar keken, 
 koos ervoor om te zeggen, laten we één pad kiezen en dat pad uitputten, 
 kijken of iets op die manier het doel heeft, en zo niet, dan 
 probeer de andere kant op. 
 De eerste zoekactie nam de alternatieve benadering door te zeggen: 
 weet je wat? 
 Laten we dingen onderzoeken die oppervlakkig zijn, eerst dicht bij ons, kijk naar links en rechts, 
 dan weer links en rechts achter, enzovoort, enzovoort, 
 afwisselend onze opties in de hoop iets in de buurt te vinden. 

Japanese: 
たとえば、この迷路を解くときに人間は何をするのでしょうか。 
 BFSは最終的にそうすることを選びましたか？ 
まあ、BFSが作った最初の決定点
それはここにありました
道路に分岐点があった位置。 
左に行くことも、右に行くこともできます。 
これらの最初のいくつかのステップでは、選択肢がありませんでした。 
これらの各州から取れる行動は1つだけでした。 
そして検索アルゴリズムは唯一のことをしました
どの検索アルゴリズムでも実行できること
次の状態の後もその状態を続けます。 
しかし、この決定ポイントは、物事が少し面白くなる場所です。 
深さ優先検索、私たちが調べた最初の検索アルゴリズム、 
言うことを選んだ、一つの道を選んでその道を使い果たそう、 
その方法に目標があるかどうかを確認し、そうでない場合は、しましょう
他の方法を試してください。 
幅優先検索では、別のアプローチをとっています。 
あのね？ 
浅いもの、最初に私たちの近くにあるもの、左と右を見てみましょう。 
左に戻って右に戻るなど
近くに何かを見つけることを期待して、オプションを交互に切り替えます。 

Hindi: 
 जैसे, इस चक्रव्यूह को हल करते समय एक इंसान क्या कर सकता है जो इससे अलग है 
 BFS ने आखिरकार क्या करना चुना? 
 खैर, बीएफएस ने जो पहला निर्णय लिया था 
 यहाँ ठीक था, जब इसने पाँच कदम बनाए और समाप्त हो गया 
 उस स्थान पर जहां यह सड़क में कांटा था। 
 यह या तो बाएं जा सकता था या यह दाएं जा सकता था। 
 इन शुरुआती चरणों में, कोई विकल्प नहीं था। 
 केवल एक कार्रवाई थी जो उन राज्यों में से प्रत्येक से ली जा सकती थी। 
 और इसलिए सर्च एल्गोरिथम ने ही काम किया 
 कि कोई भी खोज एल्गोरिथ्म कर सकता है, जो 
 अगले राज्य के बाद उस स्थिति का पालन कर रहा है। 
 लेकिन यह निर्णय बिंदु है जहां चीजें थोड़ी दिलचस्प हो जाती हैं। 
 गहराई-पहली खोज, वह पहली खोज एल्गोरिथ्म जिसे हमने देखा, 
 कहने के लिए चुना है, चलो एक रास्ता चुनें और उस रास्ते को समाप्त करें, 
 देखें कि क्या किसी भी तरह से लक्ष्य है, और यदि नहीं, तो चलो 
 दूसरे तरीके की कोशिश करो। 
 चौड़ाई-पहली खोज ने वैकल्पिक दृष्टिकोण को कहा, 
 आपको पता है कि? 
 आइए उन चीजों का पता लगाएं, जो उथली हैं, पहले हमारे करीब हैं, बाएं और दाएं देखें, 
 फिर बाएं और पीछे दाएं, तो आगे और पीछे, 
 आस-पास कुछ खोजने की उम्मीद में हमारे विकल्पों के बीच बारी-बारी से। 

English: 
Like, what might a human do when solving this maze that is different than what
BFS ultimately chose to do?
Well, the very first decision point that BFS made
was right here, when it made five steps and ended up
in a position where it had a fork in the road.
It could either go left or it could go right.
In these initial couple of steps, there was no choice.
There was only one action that could be taken from each of those states.
And so the search algorithm did the only thing
that any search algorithm could do, which
is keep following that state after the next state.
But this decision point is where things get a little bit interesting.
Depth-first search, that very first search algorithm we looked at,
chose to say, let's pick one path and exhaust that path,
see if anything that way has the goal, and if not, then let's
try the other way.
Breadth-first search took the alternative approach of saying,
you know what?
Let's explore things that are shallow, close to us first, look left and right,
then back left and back right, so on and so forth,
alternating between our options in the hopes of finding something nearby.

Chinese: 
就像，人类在解决与这个迷宫不同的迷宫时会做什么
 BFS最终选择了做什么？ 
好吧，BFS做出的第一个决策点
就在这里，它走了五个步骤并最终
在路上有叉子的位置
它可以左移或右移。 
在最初的这两个步骤中，别无选择。 
这些州中的每个州只能采取一项行动。 
因此，搜索算法只做一件事
任何搜索算法都可以做到的
在下一个状态之后继续保持该状态。 
但是，这个决策点使事情变得有些有趣。 
深度优先搜索，我们研究的第一个搜索算法， 
选择说，让我们选择一条路，用尽那条路， 
看看是否有任何方法可以达到目标，如果没有，那么让我们
尝试另一种方式。 
广度优先搜索采用了另一种说法， 
你知道吗？ 
让我们探索浅浅的事物，首先靠近我们，左右看， 
然后再左转，然后再右转，依此类推， 
在我们的选择之间交替，希望能在附近找到一些东西。 

Russian: 
 Но в конечном итоге, что может сделать человек, если столкнется с такой ситуацией 
 идти налево или идти направо? 
 Ну, человек мог бы это визуально увидеть, хорошо, 
 Я пытаюсь добраться до состояния B, которое там далеко, и иду прямо 
 кажется, что это ближе к цели. 
 Мол, похоже, что идти правильно должно быть 
 лучше, чем идти налево, потому что я делаю успехи 
 к достижению этой цели. 
 Теперь, конечно, есть несколько предположений, которые я делаю здесь. 
 Я делаю предположение, что мы можем представлять 
 эта сетка как двумерная сетка, 
 где я знаю координаты всего. 
 Я знаю, что A находится в координате 0,0, а B находится в некоторой другой координатной паре. 
 И я знаю, с какой координатой я сейчас нахожусь, так что я могу рассчитать, что да, собирается 
 таким образом, это ближе к цели. 
 И это может быть разумным предположением для некоторых типов поиска 
 проблемы, но, возможно, не в других. 
 Но сейчас мы пойдем дальше и предположим, что 
 что я знаю, что моя текущая пара координат, и я знаю координаты х, у 
 цели, к которой я пытаюсь добраться. 
 И в этой ситуации я хотел бы алгоритм, который 
 немного умнее и как-то знает 

Korean: 
 그러나 궁극적으로 인간이 이와 같은 상황에 직면하면 어떻게 할 수 있습니까? 
 왼쪽으로 이동하거나 오른쪽으로 이동? 
 글쎄요, 인간은 시각적으로 그것을 볼 수 있습니다. 
 나는 상태 B로 가려고 노력하고 있습니다. 
 목표에 가까워진 것 같습니다. 
 마치 제대로되어야한다고 생각합니다 
 내가 발전하고 있기 때문에 떠난 것보다 낫다 
 그 목표를 달성하기 위해. 
 물론, 제가 여기서 만들고있는 몇 가지 가정이 있습니다. 
 우리가 대표 할 수 있다고 가정하고 있습니다 
 이 그리드는 2 차원 그리드처럼 
 나는 모든 것의 좌표를 알고 있습니다. 
 A가 좌표 0,0에 있고 B가 다른 좌표 쌍에 있음을 알고 있습니다. 
 그리고 저는 현재 어떤 좌표를 알고 있는지 계산할 수 있습니다. 
 이런 식으로 목표에 더 가깝습니다. 
 이는 일부 유형의 검색에 대한 합리적인 가정 일 수 있습니다. 
 문제는 있지만 다른 사람에게는 없습니다. 
 하지만 지금은 계속해서 다음과 같이 가정하겠습니다. 
 현재 좌표 쌍을 알고 좌표 x, y를 알고 있습니다. 
 내가 목표로 삼고 있습니다. 
 이 상황에서는 알고리즘이 
 조금 더 똑똑하고 어떻게 든 알고 있습니다 

Indonesian: 
 Tetapi pada akhirnya, apa yang mungkin dilakukan manusia jika dihadapkan pada situasi seperti ini 
 dari ke kiri atau ke kanan? 
 Nah, manusia mungkin secara visual melihat itu, oke, 
 Saya mencoba untuk menyatakan B, yang jauh di atas sana, dan berjalan dengan benar 
 Rasanya seperti lebih dekat ke tujuan. 
 Seperti, rasanya berjalan seperti seharusnya 
 lebih baik daripada pergi karena saya membuat kemajuan 
 menuju ke tujuan itu. 
 Sekarang, tentu saja, ada beberapa asumsi yang saya buat di sini. 
 Saya membuat asumsi bahwa kita dapat mewakili 
 kisi ini seperti, seperti, kisi dua dimensi, 
 di mana saya tahu koordinat segalanya. 
 Saya tahu bahwa A adalah dalam koordinat 0,0, dan B berada pada beberapa pasangan koordinat lainnya. 
 Dan saya tahu koordinat saya sekarang, jadi saya bisa menghitungnya, ya, pergi 
 dengan cara ini, itu lebih dekat ke tujuan. 
 Dan itu mungkin asumsi yang masuk akal untuk beberapa jenis pencarian 
 masalah tapi mungkin tidak pada orang lain. 
 Tapi untuk sekarang, kita akan melanjutkan dan menganggap itu-- 
 bahwa saya tahu apa pasangan koordinat saya saat ini dan saya tahu koordinat x, y 
 dari tujuan yang saya coba capai. 
 Dan dalam situasi ini, saya ingin algoritma itu 
 sedikit lebih cerdas dan entah bagaimana tahu 

Turkish: 
 Ama sonuçta, böyle bir durumla karşılaşırsa bir insan ne yapabilir? 
 sola mı yoksa sağa mı? 
 Bir insan görsel olarak bunu görebilir, tamam, 
 Ben B devletine gitmeye çalışıyorum, bu da orada. 
 hedefe daha yakın gibi hissettiriyor. 
 Gibi, doğru gitmek gibi hissettiriyor 
 sola gitmekten daha iyi çünkü ilerleme kaydediyorum 
 bu hedefe ulaşmak için. 
 Şimdi, elbette, burada yaptığım birkaç varsayım var. 
 Temsil edebileceğimizi varsayıyorum 
 bu ızgara, iki boyutlu bir ızgara gibi, 
 her şeyin koordinatlarını biliyorum. 
 A'nın 0,0 koordinatında ve B'nin başka bir koordinat çiftinde olduğunu biliyorum. 
 Ve şu anda hangi koordinatta olduğumu biliyorum, bu yüzden bunu hesaplayabilirim, evet, gidiyor 
 bu şekilde, hedefe daha yakın. 
 Ve bu, bazı arama türleri için makul bir varsayım olabilir. 
 ama belki başkalarında değil. 
 Ama şimdilik devam edeceğiz ve varsayalım. 
 şu anki koordinat çiftimin ne olduğunu ve x, y koordinatını biliyorum 
 ulaşmaya çalıştığım hedef. 
 Ve bu durumda, bir algoritma istiyorum 
 biraz daha zeki ve bir şekilde biliyor 

Modern Greek (1453-): 
 Αλλά τελικά, τι θα μπορούσε να κάνει ένας άνθρωπος αν βρεθεί αντιμέτωπος με μια τέτοια κατάσταση 
 από αριστερά ή δεξιά; 
 Λοιπόν, ένας άνθρωπος μπορεί να το δει οπτικά, εντάξει, 
 Προσπαθώ να φτάσω στην κατάσταση Β, που είναι πολύ ψηλά, και πηγαίνω ακριβώς 
 αισθάνεται σαν να είναι πιο κοντά στον στόχο. 
 Όπως, φαίνεται να πηγαίνεις σωστά 
 καλύτερα από το να πηγαίνω αριστερά γιατί κάνω πρόοδο 
 προς την επίτευξη αυτού του στόχου. 
 Τώρα, φυσικά, υπάρχουν μερικές υποθέσεις που κάνω εδώ. 
 Υποθέτω ότι μπορούμε να αντιπροσωπεύσουμε 
 αυτό το πλέγμα ως, όπως ένα δισδιάστατο πλέγμα, 
 όπου ξέρω τις συντεταγμένες όλων. 
 Γνωρίζω ότι το Α βρίσκεται σε συντεταγμένη 0,0 και το Β σε κάποιο άλλο ζεύγος συντεταγμένων. 
 Και ξέρω τι συντεταγμένη είμαι τώρα, έτσι μπορώ να το υπολογίσω, ναι 
 με αυτόν τον τρόπο, είναι πιο κοντά στον στόχο. 
 Και αυτό μπορεί να είναι μια λογική υπόθεση για ορισμένους τύπους αναζήτησης 
 προβλήματα, αλλά ίσως όχι σε άλλους. 
 Αλλά για τώρα, θα προχωρήσουμε και θα υποθέσουμε ότι-- 
 ότι ξέρω ποιο τρέχον ζεύγος συντεταγμένων μου και ξέρω τη συντεταγμένη x, y 
 του στόχου στον οποίο προσπαθώ να φτάσω. 
 Και σε αυτήν την περίπτωση, θα ήθελα έναν αλγόριθμο που 
 είναι λίγο πιο έξυπνο και κατά κάποιο τρόπο ξέρει 

Dutch: 
 Maar uiteindelijk, wat zou een mens kunnen doen als hij wordt geconfronteerd met een situatie als deze 
 linksaf of rechtsaf? 
 Welnu, een mens zou dat visueel kunnen zien, in orde, 
 Ik probeer naar staat B te gaan, die helemaal daarboven is en precies goed gaat 
 voelt alsof het dichter bij het doel is. 
 Het voelt alsof het goed moet gaan 
 beter dan naar links gaan omdat ik vooruitgang boek 
 om dat doel te bereiken. 
 Nu zijn er natuurlijk een paar aannames die ik hier maak. 
 Ik ga ervan uit dat we kunnen vertegenwoordigen 
 dit raster als een tweedimensionaal raster, 
 waar ik de coördinaten van alles weet. 
 Ik weet dat A in coördinaat 0,0 zit, en B in een ander coördinatenpaar. 
 En ik weet nu op welke coördinaat ik ben, dus ik kan dat berekenen, ja, gaan 
 zo komt dat dichter bij het doel. 
 En dat kan voor sommige soorten zoekopdrachten een redelijke aanname zijn 
 problemen maar misschien niet bij anderen. 
 Maar voorlopig gaan we door en gaan ervan uit dat ... 
 dat ik weet wat mijn huidige coördinatenpaar is en ik weet de coördinaat x, y 
 van het doel dat ik probeer te bereiken. 
 En in deze situatie zou ik een algoritme willen 
 is een beetje intelligenter en weet het op de een of andere manier 

Hindi: 
 लेकिन आखिरकार, इस तरह की स्थिति का सामना करने पर इंसान क्या कर सकता है 
 बाएं से जाएं या दाएं जाएं? 
 ठीक है, एक मानव दृष्टि से देख सकता है कि, सब ठीक है, 
 मैं राज्य बी को प्राप्त करने की कोशिश कर रहा हूं, जो कि वहां पर है, और बस सही जा रहा है 
 ऐसा लगता है कि यह लक्ष्य के करीब है। 
 जैसे, ऐसा लगता है कि सही होना चाहिए 
 बाएं से बेहतर है क्योंकि मैं प्रगति कर रहा हूं 
 उस लक्ष्य तक पहुँचने की दिशा में। 
 अब, निश्चित रूप से, कुछ धारणाएं हैं जो मैं यहां बना रहा हूं। 
 मैं यह धारणा बना रहा हूं कि हम किसका प्रतिनिधित्व कर सकते हैं 
 यह ग्रिड, जैसे, द्वि-आयामी ग्रिड, 
 जहां मुझे हर चीज के निर्देशांक पता हैं। 
 मुझे पता है कि A समन्वय 0,0 में है, और B कुछ अन्य समन्वय जोड़ी में है। 
 और मुझे पता है कि मैं अभी क्या समन्वय कर रहा हूं, इसलिए मैं गणना कर सकता हूं कि, हाँ, जा रहा है 
 इस तरह, वह लक्ष्य के करीब है। 
 और यह कुछ प्रकार की खोज के लिए एक उचित धारणा हो सकती है 
 समस्याएं लेकिन शायद दूसरों में नहीं। 
 लेकिन अभी के लिए, हम आगे बढ़ेंगे और यह मान लेंगे - 
 मुझे पता है कि मेरी वर्तमान समन्वय जोड़ी क्या है और मुझे समन्वय x, y पता है 
 मैं जिस लक्ष्य को पाने की कोशिश कर रहा हूं। 
 और इस स्थिति में, मैं एक एल्गोरिथ्म चाहूंगा कि 
 थोड़ा और अधिक बुद्धिमान है और किसी भी तरह जानता है 

Italian: 
 Ma alla fine, cosa potrebbe fare un essere umano se confrontato con una situazione come questa 
 di andare a sinistra o andare a destra? 
 Bene, un essere umano potrebbe vederlo visivamente, va bene, 
 Sto cercando di arrivare allo stato B, che è molto più in alto, e sto andando proprio bene 
 sembra che sia più vicino all'obiettivo. 
 Ad esempio, sembra che dovrebbe andare bene 
 meglio che andare a sinistra perché sto facendo progressi 
 verso il raggiungimento di tale obiettivo. 
 Ora, ovviamente, ci sono un paio di ipotesi che sto formulando qui. 
 Sto assumendo che possiamo rappresentare 
 questa griglia come una griglia bidimensionale, 
 dove conosco le coordinate di tutto. 
 So che A è nella coordinata 0,0 e B è in qualche altra coppia di coordinate. 
 E so a che coordinata sono ora, quindi posso calcolarlo, sì, andando 
 in questo modo, quello è più vicino all'obiettivo. 
 E questo potrebbe essere un presupposto ragionevole per alcuni tipi di ricerca 
 problemi ma forse non negli altri. 
 Ma per ora, andremo avanti e supponiamo che ... 
 che conosco la mia coppia di coordinate corrente e conosco la coordinata x, y 
 dell'obiettivo che sto cercando di raggiungere. 
 E in questa situazione, vorrei un algoritmo che 
 è un po 'più intelligente e in qualche modo lo sa 

Arabic: 
 ولكن في النهاية ، ما الذي يمكن أن يفعله الإنسان إذا واجه مثل هذا الموقف 
 للذهاب يسارا أو يمينا؟ 
 حسنًا ، قد يرى الإنسان بصريًا ، حسنًا ، 
 أحاول الوصول إلى الحالة "ب" ، التي هي في طريقها إلى الأعلى ، وتسير على ما يرام 
 يبدو أنه أقرب إلى الهدف. 
 مثل ، يبدو أنه يجب أن يكون على ما يرام 
 أفضل من الذهاب إلى اليسار لأنني أحرز تقدمًا 
 نحو الوصول إلى هذا الهدف. 
 الآن ، بالطبع ، هناك بعض الافتراضات التي أقوم بها هنا. 
 إنني أفترض أننا نستطيع التمثيل 
 هذه الشبكة مثل شبكة ثنائية الأبعاد ، 
 حيث أعرف إحداثيات كل شيء. 
 أعرف أن A في الإحداثيات 0 ، و B في زوج تنسيق آخر. 
 وأنا أعرف ما هو التنسيق الذي أنا عليه الآن ، حتى أتمكن من حساب ذلك ، نعم ، ذاهب 
 بهذه الطريقة ، هذا أقرب إلى الهدف. 
 وقد يكون هذا افتراضًا معقولًا لبعض أنواع البحث 
 مشاكل ولكن ربما ليس في الآخرين. 
 لكن الآن ، سنمضي قدمًا ونفترض أن-- 
 أن أعرف ما هو زوج الإحداثيات الحالي الخاص بي وأعرف الإحداثيات x و y 
 عن الهدف الذي أحاول الوصول إليه. 
 وفي هذه الحالة ، أود خوارزمية ذلك 
 أكثر ذكاءً ويعرف بطريقة أو بأخرى 

Portuguese: 
 Mas, em última análise, o que um humano pode fazer se confrontado com uma situação como essa 
 de ir para a esquerda ou para a direita? 
 Bem, um humano pode ver visualmente que, tudo bem, 
 Estou tentando chegar ao estado B, que está lá em cima, e indo direto 
 parece que está mais perto do objetivo. 
 Tipo, parece que dar certo deve ser 
 melhor do que ir para a esquerda porque estou progredindo 
 para alcançar esse objetivo. 
 Agora, é claro, existem algumas suposições que estou fazendo aqui. 
 Estou assumindo que podemos representar 
 essa grade como, tipo, uma grade bidimensional, 
 onde eu sei as coordenadas de tudo. 
 Eu sei que A está na coordenada 0,0 e B está em algum outro par de coordenadas. 
 E eu sei em que coordenada estou agora, para que eu possa calcular isso, sim, indo 
 dessa forma, isso está mais próximo do objetivo. 
 E isso pode ser uma suposição razoável para alguns tipos de pesquisa 
 problemas, mas talvez não em outros. 
 Mas, por enquanto, vamos seguir em frente e assumir que-- 
 que eu sei qual é o meu par de coordenadas atual e sei a coordenada x, y 
 do objetivo que estou tentando alcançar. 
 E nessa situação, eu gostaria de um algoritmo que 
 é um pouco mais inteligente e de alguma forma sabe 

Japanese: 
しかし、最終的に、このような状況に直面した場合、人間は何をするでしょうか
左に行くか、右に行くか？ 
まあ、人間はそれを視覚的に見るかもしれませんが、 
ずっと上にある状態Bに到達しようとしています。 
目標に近い感じです。 
みたいな感じで
私は進歩しているので、去るよりも良い
その目標を達成するために。 
さて、もちろん、ここで私がしているいくつかの仮定があります。 
私たちは表現できると仮定しています
このグリッドは、2次元グリッドのように、 
私はすべての座標を知っています。 
 Aは座標0,0にあり、Bは他の座標ペアにあることを知っています。 
現在の座標がわかっているので、計算できます。 
このように、目標に近づきます。 
そして、それはいくつかのタイプの検索にとって合理的な仮定かもしれません
問題が多分他ではない。 
しかし、今のところ、私たちは先に進み、それを仮定します- 
現在の座標ペアがわかっていることと、座標x、yがわかっていること
私が到達しようとしている目標の。 
そして、この状況では、 
もう少しインテリジェントで、どういうわけか知っています

Chinese: 
但是最终，如果人类面对这样的情况，该怎么办
左走还是右走？ 
好吧，一个人可能会在视觉上看到这一点， 
我正在尝试进入状态B，就在那儿，然后就在右边
感觉它离目标越来越近。 
就像，感觉应该正确
比左走好，因为我在进步
朝着那个目标迈进。 
当然，现在我在这里有两个假设。 
我假设我们可以代表
像二维网格一样， 
我知道一切的坐标。 
我知道A在坐标0,0中，而B在其他坐标对中。 
而且我知道我现在的坐标是什么，所以我可以计算出
这样，就更接近目标了。 
对于某些类型的搜索，这可能是一个合理的假设
问题，但其他人可能没有。 
但就目前而言，我们将继续假设- 
我知道我当前的坐标对是什么，我知道坐标x，y 
我想要达到的目标。 
在这种情况下，我想要一种算法
更聪明一点，以某种方式知道

Chinese: 
但是最終，如果人類面對這樣的情況，該怎麼辦
左走還是右走？ 
好吧，一個人可能會在視覺上看到這一點， 
我正在嘗試進入狀態B，就在那兒，然後就在右邊
感覺它離目標越來越近。 
就像，感覺應該正確
比左走好，因為我在進步
朝著那個目標邁進。 
當然，現在我在這裡有兩個假設。 
我假設我們可以代表
像二維網格一樣， 
我知道一切的坐標。 
我知道A在坐標0,0中，而B在其他坐標對中。 
而且我知道我現在的坐標是什麼，所以我可以計算出
這樣，就更接近目標了。 
對於某些類型的搜索，這可能是一個合理的假設
問題，但也許不是。 
但就目前而言，我們將繼續假設- 
我知道我當前的坐標對是什麼，我知道坐標x，y 
我想要達到的目標。 
在這種情況下，我想要一種算法
更聰明一點，以某種方式知道

German: 
 Aber was könnte ein Mensch letztendlich tun, wenn er mit einer solchen Situation konfrontiert wird? 
 von links oder rechts gehen? 
 Nun, ein Mensch könnte das visuell sehen. 
 Ich versuche, zu Zustand B zu gelangen, der weit oben ist, und gehe einfach richtig 
 fühlt sich an wie es näher am Ziel ist. 
 Es fühlt sich so an, als ob es richtig sein sollte 
 Besser als nach links zu gehen, weil ich Fortschritte mache 
 um dieses Ziel zu erreichen. 
 Nun gibt es natürlich ein paar Annahmen, die ich hier mache. 
 Ich gehe davon aus, dass wir vertreten können 
 dieses Gitter als ein zweidimensionales Gitter, 
 wo ich die Koordinaten von allem kenne. 
 Ich weiß, dass A in der Koordinate 0,0 und B in einem anderen Koordinatenpaar liegt. 
 Und ich weiß, an welcher Koordinate ich mich gerade befinde, damit ich das berechnen kann 
 Auf diese Weise ist das näher am Ziel. 
 Und das könnte für einige Arten der Suche eine vernünftige Annahme sein 
 Probleme, aber vielleicht nicht in anderen. 
 Aber jetzt gehen wir davon aus, dass ... 
 dass ich weiß, was mein aktuelles Koordinatenpaar ist und ich die Koordinate x, y kenne 
 des Ziels, das ich zu erreichen versuche. 
 Und in dieser Situation möchte ich einen Algorithmus, der 
 ist ein bisschen intelligenter und weiß es irgendwie 

Spanish: 
 Pero en última instancia, ¿qué podría hacer un humano si se enfrenta a una situación como esta? 
 de ir a la izquierda o a la derecha? 
 Bueno, un humano puede ver visualmente eso, está bien, 
 Estoy tratando de llegar al estado B, que está muy arriba, y voy justo 
 siente que está más cerca de la meta. 
 Parece que ir a la derecha debería ser 
 mejor que ir a la izquierda porque estoy progresando 
 hacia llegar a esa meta. 
 Ahora, por supuesto, hay un par de suposiciones que estoy haciendo aquí. 
 Estoy asumiendo que podemos representar 
 esta cuadrícula como, como, una cuadrícula bidimensional, 
 donde conozco las coordenadas de todo 
 Sé que A está en la coordenada 0,0 y B está en algún otro par de coordenadas. 
 Y sé en qué coordenada estoy ahora, así que puedo calcular eso, sí, yendo 
 de esta manera, eso está más cerca de la meta. 
 Y eso podría ser una suposición razonable para algunos tipos de búsqueda 
 problemas pero tal vez no en otros. 
 Pero por ahora, seguiremos adelante y asumiremos que ... 
 que sé cuál es mi par de coordenadas actual y sé la coordenada x, y 
 del objetivo al que estoy tratando de llegar. 
 Y en esta situación, me gustaría un algoritmo que 
 es un poco más inteligente y de alguna manera sabe 

French: 
 Mais finalement, que pourrait faire un être humain face à une situation comme celle-ci 
 d'aller à gauche ou à droite? 
 Eh bien, un humain pourrait voir visuellement que, très bien, 
 J'essaie de passer à l'état B, qui est très haut, et je vais juste 
 se sent comme il est plus proche de l'objectif. 
 C'est comme si aller à droite devrait être 
 mieux que d'aller à gauche parce que je progresse 
 pour atteindre cet objectif. 
 Maintenant, bien sûr, il y a quelques hypothèses que je fais ici. 
 Je fais l'hypothèse que nous pouvons représenter 
 cette grille comme, comme, une grille à deux dimensions, 
 où je connais les coordonnées de tout. 
 Je sais que A est dans la coordonnée 0,0 et B dans une autre paire de coordonnées. 
 Et je sais à quelle coordonnée je suis maintenant, donc je peux calculer ça, oui, en allant 
 de cette façon, c'est plus proche de l'objectif. 
 Et cela pourrait être une hypothèse raisonnable pour certains types de recherche 
 problèmes mais peut-être pas dans d'autres. 
 Mais pour l'instant, nous allons continuer et supposer que ... 
 que je sais ce que ma paire de coordonnées actuelle et je connais les coordonnées x, y 
 de l'objectif que j'essaie d'atteindre. 
 Et dans cette situation, je voudrais un algorithme qui 
 est un peu plus intelligent et sait en quelque sorte 

English: 
But ultimately, what might a human do if confronted with a situation like this
of go left or go right?
Well, a human might visually see that, all right,
I'm trying to get to state B, which is way up there, and going right just
feels like it's closer to the goal.
Like, it feels like going right should be
better than going left because I'm making progress
towards getting to that goal.
Now, of course, there are a couple of assumptions that I'm making here.
I'm making the assumption that we can represent
this grid as, like, a two-dimensional grid,
where I know the coordinates of everything.
I know that A is in coordinate 0,0, and B is in some other coordinate pair.
And I know what coordinate I'm at now, so I can calculate that, yeah, going
this way, that is closer to the goal.
And that might be a reasonable assumption for some types of search
problems but maybe not in others.
But for now, we'll go ahead and assume that--
that I know what my current coordinate pair and I know the coordinate x,y
of the goal that I'm trying to get to.
And in this situation, I'd like an algorithm that
is a little bit more intelligent and somehow knows

Modern Greek (1453-): 
 ότι πρέπει να σημειώσω πρόοδο προς τον στόχο, 
 και αυτός είναι πιθανώς ο τρόπος να το κάνεις αυτό γιατί, σε έναν λαβύρινθο, 
 κινείται προς τη συντεταγμένη κατεύθυνση του στόχου 
 είναι συνήθως, αν και όχι πάντα, καλό πράγμα. 
 Και εδώ εδώ κάνουμε μια διάκριση μεταξύ δύο διαφορετικών τύπων αναζήτησης 
 αλγόριθμοι - μη ενημερωμένη αναζήτηση και ενημερωμένη αναζήτηση. 
 Οι αλγόριθμοι αναζήτησης χωρίς ενημέρωση είναι αλγόριθμοι όπως DFS και BFS, 
 οι δύο αλγόριθμοι που μόλις εξετάσαμε, 
 οι οποίες είναι στρατηγικές αναζήτησης που δεν χρησιμοποιούν γνώση συγκεκριμένου προβλήματος 
 να είναι σε θέση να λύσει το πρόβλημα. 
 Οι DFS και BFS δεν ενδιαφερόταν πραγματικά για τη δομή 
 του λαβυρίνθου ή οτιδήποτε σχετικά με τον τρόπο με τον οποίο ο λαβύρινθος είναι σε τάξη 
 για να λυθει το προβλημα. 
 Απλώς κοιτάζουν τις διαθέσιμες ενέργειες και επιλέγουν από αυτές τις ενέργειες, 
 και δεν έχει σημασία αν είναι λαβύρινθος ή κάποιο άλλο πρόβλημα. 
 Η λύση ή ο τρόπος με τον οποίο προσπαθεί να λύσει το πρόβλημα, 
 θα είναι ουσιαστικά το ίδιο. 
 Αυτό που θα δούμε τώρα είναι 
 μια βελτίωση κατά τη μη ενημερωμένη αναζήτηση. 
 Θα ρίξουμε μια ματιά στην ενημερωμένη αναζήτηση. 

Japanese: 
目標に向かって前進すべきだと
迷路の中で、これはおそらくそれを行う方法です
ゴールの座標方向に移動する
常にではありませんが、通常は良いことです。 
ここで、2つの異なるタイプの検索を区別します
アルゴリズム-非情報検索と情報検索。 
非通知検索アルゴリズムは、DFSやBFSなどのアルゴリズムです。 
今見た2つのアルゴリズム
問題特定の知識を使用しない検索戦略です
問題を解決できるように。 
 DFSとBFSは構造をあまり気にしませんでした
迷路や、迷路の秩序について
問題を解決するため。 
利用可能なアクションを見て、それらのアクションから選択するだけです。 
迷路なのか他の問題なのかは関係ありません。 
解決策、またはそれが問題を解決しようとする方法、 
基本的には同じです。 
これから見ていくのは
情報に基づいていない検索の改善。 
インフォームドサーチを見てみましょう。 

Spanish: 
 que debería estar progresando hacia la meta, 
 y esta es probablemente la forma de hacerlo porque, en un laberinto, 
 moviéndose en la dirección coordinada de la meta 
 suele ser, aunque no siempre, algo bueno. 
 Y aquí, hacemos una distinción entre dos tipos diferentes de búsqueda 
 algoritmos: búsqueda no informada y búsqueda informada. 
 Los algoritmos de búsqueda no informados son algoritmos como DFS y BFS, 
 los dos algoritmos que acabamos de ver, 
 que son estrategias de búsqueda que no utilizan ningún conocimiento específico del problema 
 para poder resolver el problema. 
 DFS y BFS realmente no se preocuparon por la estructura 
 del laberinto o algo sobre la forma en que un laberinto está en orden 
 para resolver el problema. 
 Simplemente miran las acciones disponibles y eligen entre esas acciones, 
 y no importa si es un laberinto o algún otro problema. 
 La solución, o la forma en que trata de resolver el problema, 
 es realmente fundamentalmente lo mismo. 
 Lo que vamos a echar un vistazo ahora es 
 Una mejora en la búsqueda desinformada. 
 Vamos a echar un vistazo a la búsqueda informada. 

Portuguese: 
 que eu deveria estar progredindo em direção à meta, 
 e esta é provavelmente a maneira de fazer isso porque, em um labirinto, 
 movendo-se na direção coordenada da meta 
 é geralmente, embora nem sempre, uma coisa boa. 
 E aqui vamos fazer uma distinção entre dois tipos diferentes de pesquisa 
 algoritmos - pesquisa não informada e pesquisa informada. 
 Algoritmos de pesquisa não informados são algoritmos como DFS e BFS, 
 os dois algoritmos que acabamos de ver, 
 que são estratégias de pesquisa que não usam nenhum conhecimento específico do problema 
 ser capaz de resolver o problema. 
 DFS e BFS realmente não se importavam com a estrutura 
 do labirinto ou qualquer coisa sobre a maneira que um labirinto está em ordem 
 para resolver o problema. 
 Eles apenas olham para as ações disponíveis e escolhem entre essas ações, 
 e não importa se é um labirinto ou algum outro problema. 
 A solução, ou a maneira como ele tenta resolver o problema, 
 é realmente fundamentalmente o mesmo. 
 O que vamos dar uma olhada agora é 
 uma melhoria na pesquisa desinformada. 
 Vamos dar uma olhada na pesquisa informada. 

Indonesian: 
 bahwa saya harus membuat kemajuan ke arah tujuan, 
 dan ini mungkin cara untuk melakukan itu karena, dalam labirin, 
 bergerak ke arah koordinat tujuan 
 biasanya, meskipun tidak selalu, hal yang baik. 
 Jadi di sini kita menarik perbedaan antara dua jenis pencarian yang berbeda 
 algoritme - pencarian tanpa informasi dan pencarian informasi. 
 Algoritma pencarian yang tidak diinformasikan adalah algoritma seperti DFS dan BFS, 
 dua algoritma yang baru saja kita lihat, 
 yang merupakan strategi pencarian yang tidak menggunakan pengetahuan khusus masalah apa pun 
 untuk dapat menyelesaikan masalah. 
 DFS dan BFS tidak terlalu peduli dengan strukturnya 
 dari labirin atau apapun tentang cara labirin itu dalam rangka 
 untuk memecahkan masalah. 
 Mereka hanya melihat tindakan yang tersedia dan memilih dari tindakan itu, 
 dan tidak masalah apakah itu labirin atau masalah lain. 
 Solusinya, atau cara mencoba memecahkan masalah, 
 benar-benar pada dasarnya akan sama. 
 Apa yang akan kita lihat sekarang adalah 
 peningkatan pada pencarian yang tidak diinformasikan. 
 Kita akan melihat pencarian yang terinformasi. 

Chinese: 
我應該朝著目標邁進， 
這可能是這樣做的方法，因為在迷宮中， 
沿目標的坐標方向移動
通常（儘管並非總是）是一件好事。 
因此，這裡我們區分了兩種不同類型的搜索
算法-不知情的搜索和知情的搜索。 
不知情的搜索算法是DFS和BFS之類的算法， 
我們剛剛看過的兩種算法， 
這是不使用任何特定問題知識的搜索策略
才能解決問題。 
 DFS和BFS並不真正在乎結構
迷宮或迷宮秩序的任何事物
解決問題。 
他們只是查看可用的操作，然後從這些操作中進行選擇， 
不管是迷宮還是其他問題。 
解決方案或其嘗試解決問題的方式， 
從根本上說真的是一樣的。 
我們現在要看的是
對不知情的搜索的改進。 
我們將看一下明智的搜索。 

Dutch: 
 dat ik vooruitgang zou moeten boeken in de richting van het doel, 
 en dit is waarschijnlijk de manier om dat te doen omdat, in een doolhof, 
 bewegen in de coördinaatrichting van het doel 
 is meestal, maar niet altijd, een goede zaak. 
 En dus maken we hier onderscheid tussen twee verschillende soorten zoekopdrachten 
 algoritmen - ongeïnformeerd zoeken en geïnformeerd zoeken. 
 Ongeïnformeerde zoekalgoritmen zijn algoritmen zoals DFS en BFS, 
 de twee algoritmen waar we zojuist naar keken, 
 dit zijn zoekstrategieën die geen probleemspecifieke kennis gebruiken 
 om het probleem op te kunnen lossen. 
 DFS en BFS gaven niet echt om de structuur 
 van het doolhof of iets anders over de manier waarop een doolhof in orde is 
 het probleem oplossen. 
 Ze kijken gewoon naar de beschikbare acties en kiezen uit die acties, 
 en het maakt niet uit of het een doolhof is of een ander probleem. 
 De oplossing, of de manier waarop het het probleem probeert op te lossen, 
 zal in wezen hetzelfde zijn. 
 Wat we nu gaan bekijken, is 
 een verbetering ten opzichte van ongeïnformeerd zoeken. 
 We gaan kijken naar geïnformeerd zoeken. 

English: 
that I should be making progress towards the goal,
and this is probably the way to do that because, in a maze,
moving in the coordinate direction of the goal
is usually, though not always, a good thing.
And so here we draw a distinction between two different types of search
algorithms-- uninformed search and informed search.
Uninformed search algorithms are algorithms like DFS and BFS,
the two algorithms that we just looked at,
which are search strategies that don't use any problem specific knowledge
to be able to solve the problem.
DFS and BFS didn't really care about the structure
of the maze or anything about the way that a maze is in order
to solve the problem.
They just look at the actions available and choose from those actions,
and it doesn't matter whether if it's a maze or some other problem.
The solution, or the way that it tries to solve the problem,
is really fundamentally going to be the same.
What we're going to take a look at now is
an improvement upon uninformed search.
We're going to take a look at informed search.

Chinese: 
我应该朝着目标迈进， 
这可能是这样做的方法，因为在迷宫中， 
沿目标的坐标方向移动
通常（尽管并非总是）是一件好事。 
因此，这里我们区分了两种不同类型的搜索
算法-不知情的搜索和知情的搜索。 
不知情的搜索算法是DFS和BFS之类的算法， 
我们刚刚看过的两种算法， 
这是不使用任何特定问题知识的搜索策略
才能解决问题。 
 DFS和BFS并不真正在乎结构
迷宫或迷宫秩序的任何事物
解决问题。 
他们只是查看可用的操作，然后从这些操作中进行选择， 
不管是迷宫还是其他问题。 
解决方案或其尝试解决问题的方式， 
从根本上说真的是一样的。 
我们现在要看的是
对不知情的搜索的改进。 
我们将看一下明智的搜索。 

Korean: 
 목표를 향해 발전해야한다는 
 아마 미로에서는 
 목표의 좌표 방향으로 이동 
 항상 그런 것은 아니지만 일반적으로 좋은 것입니다. 
 여기에서 서로 다른 두 가지 검색 유형을 구분합니다. 
 알고리즘-정보가없는 검색 및 정보 검색. 
 정보가없는 검색 알고리즘은 DFS 및 BFS와 같은 알고리즘입니다. 
 방금 살펴본 두 알고리즘 
 문제 별 지식을 사용하지 않는 검색 전략입니다. 
 문제를 해결할 수 있습니다. 
 DFS와 BFS는 실제로 구조에 관심이 없었습니다. 
 미로 또는 미로의 순서에 관한 것 
 문제를 해결하기 위해. 
 그들은 단지 이용 가능한 행동을보고 그 행동 중에서 선택합니다. 
 미로인지 다른 문제인지는 중요하지 않습니다. 
 해결책 또는 문제 해결 방법 
 정말 근본적으로 동일합니다. 
 우리가 지금 살펴볼 것은 
 정보가없는 검색에 대한 개선. 
 정보 검색을 살펴 보겠습니다. 

Arabic: 
 بأنني يجب أن أحرز تقدمًا نحو الهدف ، 
 وربما هذه هي الطريقة للقيام بذلك لأنه في متاهة ، 
 تتحرك في اتجاه تنسيق الهدف 
 عادة ما يكون أمرًا جيدًا ، وإن لم يكن دائمًا. 
 وهكذا نميز هنا بين نوعين مختلفين من البحث 
 الخوارزميات - البحث غير المطلع والبحث المستنير. 
 خوارزميات البحث غير المطلعة هي خوارزميات مثل DFS و BFS ، 
 الخوارزميتين اللتين نظرنا إليهما للتو ، 
 وهي إستراتيجيات بحث لا تستخدم أي معرفة محددة بالمشكلة 
 لتكون قادرة على حل المشكلة. 
 لم تهتم DFS و BFS بالهيكل حقًا 
 المتاهة أو أي شيء عن طريقة ترتيب المتاهة 
 لكي تحل هذه المشكلة. 
 إنهم ينظرون فقط إلى الإجراءات المتاحة ويختارون من تلك الإجراءات ، 
 ولا يهم ما إذا كانت متاهة أو مشكلة أخرى. 
 الحل ، أو الطريقة التي يحاول بها حل المشكلة ، 
 سيكون هو نفسه بشكل أساسي. 
 ما سنلقي نظرة عليه الآن 
 تحسينًا على البحث غير المطّلع. 
 سنلقي نظرة على البحث المستنير. 

German: 
 dass ich Fortschritte in Richtung des Ziels machen sollte, 
 und dies ist wahrscheinlich der Weg, dies zu tun, weil in einem Labyrinth 
 Bewegung in die Koordinatenrichtung des Ziels 
 ist normalerweise, wenn auch nicht immer, eine gute Sache. 
 Und so unterscheiden wir hier zwei verschiedene Arten der Suche 
 Algorithmen - uninformierte Suche und informierte Suche. 
 Nicht informierte Suchalgorithmen sind Algorithmen wie DFS und BFS. 
 die zwei Algorithmen, die wir gerade betrachtet haben, 
 Dies sind Suchstrategien, die kein problemspezifisches Wissen verwenden 
 um das Problem lösen zu können. 
 DFS und BFS kümmerten sich nicht wirklich um die Struktur 
 des Labyrinths oder irgendetwas über die Art und Weise, wie ein Labyrinth in Ordnung ist 
 um das Problem zu lösen. 
 Sie sehen sich nur die verfügbaren Aktionen an und wählen aus diesen Aktionen aus. 
 und es spielt keine Rolle, ob es sich um ein Labyrinth oder ein anderes Problem handelt. 
 Die Lösung oder die Art und Weise, wie versucht wird, das Problem zu lösen, 
 wird wirklich im Grunde das gleiche sein. 
 Was wir uns jetzt ansehen werden, ist 
 eine Verbesserung bei nicht informierter Suche. 
 Wir werden uns die informierte Suche ansehen. 

Italian: 
 che dovrei fare progressi verso l'obiettivo, 
 e questo è probabilmente il modo di farlo perché, in un labirinto, 
 muovendosi nella direzione coordinata dell'obiettivo 
 è di solito, sebbene non sempre, una buona cosa. 
 E così qui facciamo una distinzione tra due diversi tipi di ricerca 
 algoritmi: ricerca non informata e ricerca informata. 
 Gli algoritmi di ricerca non informati sono algoritmi come DFS e BFS, 
 i due algoritmi che abbiamo appena visto, 
 che sono strategie di ricerca che non utilizzano alcuna conoscenza specifica del problema 
 per essere in grado di risolvere il problema. 
 A DFS e BFS non interessava molto la struttura 
 del labirinto o qualcosa del modo in cui un labirinto è in ordine 
 per risolvere il problema. 
 Guardano solo le azioni disponibili e scelgono tra quelle azioni, 
 e non importa se si tratta di un labirinto o di qualche altro problema. 
 La soluzione o il modo in cui tenta di risolvere il problema, 
 sarà davvero sostanzialmente lo stesso. 
 Quello che vedremo ora è 
 un miglioramento sulla ricerca non informata. 
 Daremo un'occhiata alla ricerca informata. 

Hindi: 
 कि मैं लक्ष्य के लिए प्रगति कर रहा हूं, 
 और यह शायद ऐसा करने का तरीका है क्योंकि, एक भूलभुलैया में, 
 लक्ष्य की समन्वय दिशा में आगे बढ़ना 
 आमतौर पर, हालांकि हमेशा नहीं, एक अच्छी बात है। 
 और इसलिए यहां हम दो अलग-अलग प्रकार की खोज के बीच अंतर करते हैं 
 एल्गोरिदम-- बिना खोज और सूचित जानकारी के। 
 असंगत खोज एल्गोरिदम डीएफएस और बीएफएस जैसे एल्गोरिदम हैं, 
 दो एल्गोरिदम जिन्हें हमने अभी देखा था, 
 वे खोज रणनीतियाँ हैं जो किसी भी समस्या के विशिष्ट ज्ञान का उपयोग नहीं करती हैं 
 समस्या को हल करने में सक्षम होना। 
 DFS और BFS ने वास्तव में संरचना की परवाह नहीं की 
 भूलभुलैया या रास्ते के बारे में कुछ भी जो भूलभुलैया क्रम में है 
 इस समस्या को हल करने के लिए। 
 वे बस उपलब्ध कार्यों को देखते हैं और उन कार्यों में से चुनते हैं, 
 और यह कोई फर्क नहीं पड़ता कि क्या यह एक भूलभुलैया या कुछ अन्य समस्या है। 
 समाधान, या जिस तरह से यह समस्या को हल करने की कोशिश करता है, 
 वास्तव में मौलिक रूप से एक ही होने जा रहा है। 
 अब हम एक नज़र डालने जा रहे हैं 
 बेख़बर खोज पर एक सुधार। 
 हम सूचित खोज पर एक नज़र डालने जा रहे हैं। 

Turkish: 
 hedefe doğru ilerlemem gerektiğini, 
 ve bu muhtemelen bunu yapmanın bir yolu çünkü bir labirentte, 
 hedefin koordinat yönünde hareket etmek 
 her zaman olmasa da genellikle iyi bir şeydir. 
 Ve burada iki farklı arama türü arasında bir ayrım çiziyoruz 
 algoritmalar-- bilgisiz arama ve bilgili arama. 
 Bilgisiz arama algoritmaları DFS ve BFS gibi algoritmalardır, 
 az önce baktığımız iki algoritma, 
 herhangi bir probleme özgü bilgi kullanmayan arama stratejileri 
 sorunu çözebilme. 
 DFS ve BFS, yapıyı gerçekten umursamadı 
 labirentin veya bir labirentin yolunda 
 sorunu çözmek. 
 Sadece mevcut eylemlere bakarlar ve bu eylemler arasından seçim yaparlar, 
 labirent mi yoksa başka bir sorun mu olduğu önemli değil. 
 Çözüm ya da sorunu çözmeye çalıştığı yol, 
 gerçekten temelde aynı olacak. 
 Şimdi bir göz atacağız 
 bilgisiz arama üzerine bir gelişme. 
 Bilgili aramaya bir göz atacağız. 

French: 
 que je devrais progresser vers l'objectif, 
 et c'est probablement la façon de le faire parce que, dans un labyrinthe, 
 se déplaçant dans la direction des coordonnées du but 
 est généralement, mais pas toujours, une bonne chose. 
 Et donc ici, nous faisons une distinction entre deux types de recherche différents 
 algorithmes - recherche non informée et recherche éclairée. 
 Les algorithmes de recherche non informés sont des algorithmes comme DFS et BFS, 
 les deux algorithmes que nous venons d'examiner, 
 qui sont des stratégies de recherche qui n'utilisent aucune connaissance spécifique au problème 
 pour pouvoir résoudre le problème. 
 DFS et BFS ne se souciaient pas vraiment de la structure 
 du labyrinthe ou quoi que ce soit sur la façon dont un labyrinthe est en ordre 
 résoudre le problème. 
 Ils regardent simplement les actions disponibles et choisissent parmi ces actions, 
 et peu importe qu'il s'agisse d'un labyrinthe ou d'un autre problème. 
 La solution, ou la façon dont il essaie de résoudre le problème, 
 va vraiment être fondamentalement la même chose. 
 Ce que nous allons voir maintenant, c'est 
 une amélioration par rapport à une recherche non informée. 
 Nous allons jeter un oeil à la recherche éclairée. 

Russian: 
 что я должен добиться прогресса в достижении цели, 
 и это, вероятно, способ сделать это, потому что в лабиринте, 
 двигаясь в направлении координат цели 
 обычно, хотя и не всегда, хорошая вещь. 
 И вот здесь мы проводим различие между двумя различными типами поиска 
 алгоритмы - неосведомленный поиск и информированный поиск. 
 Неинформированные алгоритмы поиска - это такие алгоритмы, как DFS и BFS, 
 два алгоритма, которые мы только что рассмотрели, 
 которые являются поисковыми стратегиями, которые не используют никаких специфических для проблемы знаний 
 чтобы иметь возможность решить проблему. 
 DFS и BFS действительно не заботились о структуре 
 лабиринта или что-нибудь о том, как лабиринт в порядке 
 решить проблему. 
 Они просто смотрят на доступные действия и выбирают из этих действий, 
 и не имеет значения, лабиринт ли это или какая-то другая проблема. 
 Решение или то, как оно пытается решить проблему, 
 действительно принципиально будет то же самое. 
 На что мы сейчас взглянем 
 улучшение при неосведомленном поиске. 
 Мы собираемся взглянуть на информированный поиск. 

Modern Greek (1453-): 
 Η ενημερωμένη αναζήτηση πρόκειται να είναι στρατηγικές αναζήτησης που 
 Χρησιμοποιήστε γνώσεις ειδικά για το πρόβλημα για να μπορέσετε να βρείτε καλύτερα μια λύση. 
 Και στην περίπτωση ενός λαβυρίνθου, αυτό το πρόβλημα αφορά συγκεκριμένες γνώσεις 
 είναι κάτι σαν, αν πάω στο τετράγωνο 
 που είναι γεωγραφικά πιο κοντά στον στόχο, δηλαδή 
 είναι καλύτερο από το να βρίσκεστε σε ένα τετράγωνο που βρίσκεται γεωγραφικά πιο μακριά. 
 Και αυτό είναι κάτι που μπορούμε να ξέρουμε μόνο σκεφτόμαστε αυτό το πρόβλημα 
 και να συλλογιστούμε ποια γνώση μπορεί να είναι χρήσιμη για τον παράγοντα AI μας 
 να μάθω κάτι. 
 Υπάρχουν διάφοροι τύποι ενημερωμένης αναζήτησης. 
 Συγκεκριμένα, πρώτα, θα δούμε έναν συγκεκριμένο τύπο 
 του αλγορίθμου αναζήτησης που ονομάζεται άπληστη αναζήτηση πρώτης προτεραιότητας. 
 Greedy Best-First Search, συχνά συντομευμένη GBFS, 
 είναι ένας αλγόριθμος αναζήτησης που, αντί να επεκτείνει τον βαθύτερο κόμβο, 
 όπως το DFS ή ο ρηχότερος κόμβος, όπως το BFS, 
 Αυτός ο αλγόριθμος θα επεκτείνει πάντα τον κόμβο 
 που πιστεύει ότι είναι πιο κοντά στον στόχο. 
 Τώρα, ο αλγόριθμος αναζήτησης δεν θα γνωρίζει με βεβαιότητα αν είναι ο πλησιέστερος 

Chinese: 
明智的搜索将成为搜索策略， 
使用特定于问题的知识可以更好地找到解决方案。 
在迷宫的情况下，这个问题的具体知识
就像，如果我要去广场
在地理上更接近目标， 
比在地理上更远的正方形更好。 
这是我们只有通过思考这个问题才能知道的
以及关于哪些知识可能对我们的AI代理有用的推理
知道一点点。 
有多种不同类型的知情搜索。 
具体来说，首先，我们要看一个特定的类型
搜索算法，称为贪婪最佳优先搜索。 
贪婪的“最佳优先搜索”，通常缩写为GBFS， 
是一种搜索算法，它不会扩展最深的节点， 
例如DFS或最浅的节点（例如BFS）， 
这个算法总是会扩展节点
它认为最接近目标。 
现在，搜索算法将无法确定是否最接近

Arabic: 
 البحث المستنير سيكون استراتيجيات البحث التي 
 استخدام المعرفة الخاصة بالمشكلة حتى تتمكن من إيجاد حل أفضل. 
 وفي حالة المتاهة ، هذه مشكلة المعرفة المحددة 
 هو شيء مثل ، إذا كنت ذاهبا إلى المربع 
 أقرب جغرافياً إلى الهدف 
 أفضل من التواجد في مربع بعيد جغرافيًا. 
 وهذا شيء لا يمكننا معرفته إلا من خلال التفكير في هذه المشكلة 
 والتفكير في المعرفة التي قد تكون مفيدة لعامل الذكاء الاصطناعي لدينا 
 لمعرفة شيء صغير عنه. 
 هناك عدد من الأنواع المختلفة للبحث المستنير. 
 على وجه التحديد ، أولاً ، سننظر في نوع معين 
 من خوارزمية البحث تسمى البحث الأول الجشع. 
 Greedy Best-First Search ، الذي يختصر غالبًا GBFS ، 
 هي خوارزمية بحث ، بدلاً من توسيع العقدة الأعمق ، 
 مثل DFS ، أو العقدة الضحلة ، مثل BFS ، 
 هذه الخوارزمية ستقوم دائمًا بتوسيع العقدة 
 التي تعتقد أنها الأقرب إلى الهدف. 
 الآن ، لن تعرف خوارزمية البحث على وجه اليقين ما إذا كانت الأقرب 

Dutch: 
 Geïnformeerd zoeken worden zoekstrategieën die 
 gebruik specifieke kennis voor het probleem om beter een oplossing te kunnen vinden. 
 En in het geval van een doolhof, deze probleemspecifieke kennis 
 is zoiets als, als ik vierkant ga 
 dat is geografisch dichter bij het doel, dat 
 is beter dan op een geografisch verder weg gelegen plein. 
 En dit kunnen we alleen weten door over dit probleem na te denken 
 en redeneren over welke kennis nuttig kan zijn voor onze AI-agent 
 om iets over te weten. 
 Er zijn een aantal verschillende soorten geïnformeerde zoekopdrachten. 
 Ten eerste gaan we eerst naar een bepaald type kijken 
 zoekalgoritme genaamd hebzuchtige best-first search. 
 Greedy Best-First Search, vaak afgekort GBFS, 
 is een zoekalgoritme dat, in plaats van het diepste knooppunt uit te breiden, 
 zoals DFS, of het ondiepste knooppunt, zoals BFS, 
 dit algoritme zal het knooppunt altijd uitbreiden 
 waarvan hij denkt dat die het dichtst bij het doel ligt. 
 Nu zal het zoekalgoritme niet zeker weten of het het dichtst in de buurt komt 

Indonesian: 
 Pencarian yang diinformasikan akan menjadi strategi pencarian itu 
 gunakan pengetahuan khusus untuk masalah agar dapat menemukan solusi dengan lebih baik. 
 Dan dalam kasus labirin, ini masalah pengetahuan khusus 
 adalah sesuatu seperti, jika saya akan kuadrat 
 yang secara geografis lebih dekat ke tujuan, itu 
 lebih baik daripada berada di kotak yang secara geografis lebih jauh. 
 Dan ini adalah sesuatu yang hanya bisa kita ketahui dengan memikirkan masalah ini 
 dan alasan tentang pengetahuan apa yang mungkin berguna untuk agen AI kami 
 untuk mengetahui sedikit tentang. 
 Ada sejumlah jenis pencarian informasi. 
 Secara khusus, pertama, kita akan melihat tipe tertentu 
 algoritma pencarian disebut pencarian serakah best-first. 
 Greedy Best-First Search, sering disingkat GBFS, 
 adalah algoritma pencarian yang, alih-alih memperluas simpul terdalam, 
 seperti DFS, atau simpul paling dangkal, seperti BFS, 
 Algoritma ini selalu akan memperluas node 
 yang dianggapnya paling dekat dengan tujuan. 
 Sekarang, algoritma pencarian tidak akan tahu pasti apakah itu yang terdekat 

German: 
 Informierte Suche werden Suchstrategien sein, die 
 Verwenden Sie problemspezifisches Wissen, um eine bessere Lösung zu finden. 
 Und im Falle eines Labyrinths ist dieses Problem spezifisches Wissen 
 ist so etwas wie, wenn ich quadratisch werde 
 das ist geografisch näher am Ziel, das 
 ist besser als auf einem Platz, der geografisch weiter entfernt ist. 
 Und das können wir nur wissen, wenn wir über dieses Problem nachdenken 
 und Überlegungen, welches Wissen für unseren KI-Agenten hilfreich sein könnte 
 etwas darüber wissen. 
 Es gibt verschiedene Arten der informierten Suche. 
 Im Einzelnen werden wir uns zunächst einen bestimmten Typ ansehen 
 des Suchalgorithmus namens gierige Best-First-Suche. 
 Gierige Best-First-Suche, oft als GBFS abgekürzt, 
 ist ein Suchalgorithmus, der anstelle der Erweiterung des tiefsten Knotens 
 wie DFS oder der flachste Knoten wie BFS, 
 Dieser Algorithmus wird den Knoten immer erweitern 
 dass es denkt, ist dem Ziel am nächsten. 
 Jetzt wird der Suchalgorithmus nicht sicher wissen, ob er am nächsten ist 

Chinese: 
明智的搜索將成為搜索策略， 
使用特定於問題的知識可以更好地找到解決方案。 
在迷宮的情況下，這個問題的具體知識
就像，如果我要去廣場
在地理上更接近目標， 
比在地理上更遠的正方形更好。 
這是我們只有通過思考這個問題才能知道的
以及關於哪些知識可能對我們的AI代理有用的推理
知道一點點。 
有多種不同類型的知情搜索。 
具體來說，首先，我們要看一個特定的類型
搜索算法，稱為貪婪最佳優先搜索。 
貪婪的“最佳優先搜索”，通常縮寫為GBFS， 
是一種搜索算法，它不會擴展最深的節點， 
例如DFS或最淺的節點（例如BFS）， 
這個算法總是會擴展節點
它認為最接近目標。 
現在，搜索算法將無法確定是否最接近

Italian: 
 La ricerca informata sarà quella strategia di ricerca 
 utilizzare le conoscenze specifiche del problema per riuscire a trovare una soluzione. 
 E nel caso di un labirinto, questa conoscenza specifica del problema 
 è qualcosa di simile, se vado a quadrato 
 quello è geograficamente più vicino all'obiettivo, quello 
 è meglio che trovarsi in una piazza geograficamente più lontana. 
 E questo è qualcosa che possiamo sapere solo pensando a questo problema 
 e ragionamento su quali conoscenze potrebbero essere utili per il nostro agente di intelligenza artificiale 
 per sapere qualcosa in merito. 
 Esistono diversi tipi di ricerca informata. 
 In particolare, per prima cosa, esamineremo un tipo particolare 
 dell'algoritmo di ricerca chiamato avida migliore prima ricerca. 
 Greedy Best-First Search, spesso abbreviato GBFS, 
 è un algoritmo di ricerca che, invece di espandere il nodo più profondo, 
 come DFS o il nodo più superficiale, come BFS, 
 questo algoritmo espanderà sempre il nodo 
 che pensa sia il più vicino all'obiettivo. 
 Ora, l'algoritmo di ricerca non saprà con certezza se è il più vicino 

French: 
 Les recherches informées vont être des stratégies de recherche qui 
 utiliser des connaissances spécifiques au problème pour mieux trouver une solution. 
 Et dans le cas d'un labyrinthe, ce problème de connaissance spécifique 
 est quelque chose comme, si je vais carré 
 qui est géographiquement plus proche de l'objectif, que 
 vaut mieux que d'être dans un carré géographiquement plus éloigné. 
 Et c'est quelque chose que nous ne pouvons savoir qu'en pensant à ce problème 
 et raisonnement sur les connaissances qui pourraient être utiles à notre agent IA 
 savoir un petit quelque chose. 
 Il existe différents types de recherche informée. 
 Plus précisément, d'abord, nous allons examiner un type particulier 
 d'algorithme de recherche appelé recherche best-first gourmande. 
 Greedy Best-First Search, souvent abrégé GBFS, 
 est un algorithme de recherche qui, au lieu d'étendre le nœud le plus profond, 
 comme DFS, ou le nœud le moins profond, comme BFS, 
 cet algorithme va toujours étendre le nœud 
 qu'il pense être le plus proche de l'objectif. 
 Maintenant, l'algorithme de recherche ne saura pas avec certitude s'il est le plus proche 

Portuguese: 
 A pesquisa informada será uma estratégia de pesquisa que 
 use conhecimentos específicos para o problema para encontrar melhor uma solução. 
 E no caso de um labirinto, esse problema de conhecimento específico 
 é algo como, se eu vou quadrado 
 que está geograficamente mais próximo da meta, que 
 é melhor do que estar em um quadrado geograficamente mais distante. 
 E isso é algo que só podemos saber pensando nesse problema 
 e raciocínio sobre qual conhecimento pode ser útil para o nosso agente de IA 
 saber um pouco sobre. 
 Existem vários tipos diferentes de pesquisa informada. 
 Especificamente, primeiro, vamos olhar para um tipo específico 
 do algoritmo de busca chamado melhor busca ambiciosa. 
 A melhor pesquisa ambiciosa, geralmente abreviada como GBFS, 
 é um algoritmo de pesquisa que, em vez de expandir o nó mais profundo, 
 como DFS, ou o nó mais raso, como BFS, 
 esse algoritmo sempre vai expandir o nó 
 que ele acha que é o mais próximo do objetivo. 
 Agora, o algoritmo de pesquisa não terá certeza se é o mais próximo 

Hindi: 
 सूचित खोज ऐसी खोज रणनीतियाँ होने जा रही हैं जो 
 समस्या का समाधान करने के लिए ज्ञान का उपयोग बेहतर तरीके से करने में सक्षम होना चाहिए। 
 और भूलभुलैया के मामले में, यह समस्या विशिष्ट ज्ञान है 
 कुछ ऐसा है, अगर मैं वर्ग में जा रहा हूँ 
 यह भौगोलिक रूप से लक्ष्य के करीब है, कि 
 भौगोलिक रूप से दूर एक वर्ग में होने से बेहतर है। 
 और यह एक ऐसी चीज है जिसे हम केवल इस समस्या के बारे में सोचकर जान सकते हैं 
 और हमारे एआई एजेंट के लिए क्या ज्ञान उपयोगी हो सकता है, इसके बारे में तर्क देना 
 के बारे में कुछ जानने के लिए। 
 विभिन्न प्रकार के सूचित खोज हैं। 
 विशेष रूप से, पहले, हम एक विशेष प्रकार को देखने जा रहे हैं 
 खोज एल्गोरिथ्म जिसे लालची सर्वोत्तम-प्रथम खोज कहा जाता है। 
 लालची बेस्ट-फर्स्ट सर्च, अक्सर संक्षिप्त GBFS, 
 एक खोज एल्गोरिथ्म है, जो सबसे गहरी नोड का विस्तार करने के बजाय, 
 डीएफएस की तरह, या बीएफएस की तरह उथले नोड, 
 यह एल्गोरिथ्म हमेशा नोड का विस्तार करने वाला है 
 ऐसा लगता है कि यह लक्ष्य के सबसे करीब है। 
 अब, खोज एल्गोरिथ्म यह जानने के लिए नहीं जा रहा है कि क्या यह निकटतम है 

Russian: 
 Информированный поиск будет поисковыми стратегиями, которые 
 использовать знания, специфичные для проблемы, чтобы иметь возможность лучше найти решение. 
 А в случае лабиринта эта проблема специфических знаний 
 это что-то вроде, если я собираюсь на площадь 
 это географически ближе к цели, что 
 лучше, чем быть в квадрате, который географически находится дальше. 
 И это то, что мы можем знать, только думая об этой проблеме 
 и рассуждения о том, что знания могут быть полезны для нашего агента ИИ 
 знать кое-что о. 
 Существует ряд различных типов информированного поиска. 
 В частности, сначала мы рассмотрим конкретный тип 
 Алгоритм поиска называется жадный поиск в первую очередь. 
 Greedy Best-First Search, часто сокращенно GBFS, 
 это алгоритм поиска, который вместо расширения самого глубокого узла, 
 как DFS, или самый мелкий узел, как BFS, 
 этот алгоритм всегда собирается расширить узел 
 что он думает, что ближе всего к цели. 
 Теперь алгоритм поиска не будет знать наверняка, является ли он ближайшим 

Turkish: 
 Bilgili arama, arama stratejileri 
 daha iyi bir çözüm bulabilmek için probleme özgü bilgileri kullanır. 
 Ve bir labirent söz konusu olduğunda, bu probleme özgü bilgi 
 eğer kareye gidersem 
 coğrafi olarak hedefe daha yakın, 
 coğrafi olarak daha uzak bir meydanda olmaktan daha iyidir. 
 Ve bu sadece bu problemi düşünerek bildiğimiz bir şey 
 ve AI ajanımız için hangi bilginin yararlı olabileceği hakkında akıl yürütme 
 hakkında bir şeyler bilmek. 
 Bir dizi farklı bilinçli arama vardır. 
 Özellikle, önce, belirli bir türe bakacağız 
 arama algoritması açgözlü en iyi ilk arama denir. 
 Genellikle GBFS olarak kısaltılmış Açgözlü En İyi İlk Arama, 
 en derin düğümü genişletmek yerine, 
 DFS veya BFS gibi en sığ düğüm gibi, 
 bu algoritma her zaman düğümü genişletecek 
 hedefe en yakın olduğunu düşünüyor. 
 Şimdi, arama algoritması en yakın olup olmadığından emin olmayacak 

English: 
Informed search are going to be search strategies that
use knowledge specific to the problem to be able to better find a solution.
And in the case of a maze, this problem specific knowledge
is something like, if I'm going to square
that is geographically closer to the goal, that
is better than being in a square that is geographically further away.
And this is something we can only know by thinking about this problem
and reasoning about what knowledge might be helpful for our AI agent
to know a little something about.
There are a number of different types of informed search.
Specifically, first, we're going to look at a particular type
of search algorithm called greedy best-first search.
Greedy Best-First Search, often abbreviated GBFS,
is a search algorithm that, instead of expanding the deepest node,
like DFS, or the shallowest node, like BFS,
this algorithm is always going to expand the node
that it thinks is closest to the goal.
Now, the search algorithm isn't going to know for sure whether it is the closest

Japanese: 
インフォームド検索は、 
解決策を見つけやすくするために、問題に固有の知識を使用します。 
そして迷路の場合、この問題固有の知識
四角に行くとしたら
地理的に目標に近いです
地理的に離れた広場にいるよりも良いです。 
そして、これはこの問題について考えることによってのみ知ることができるものです
 AIエージェントにとってどのような知識が役立つかについての推論
について少し知っている。 
インフォームド検索にはさまざまなタイプがあります。 
具体的には、まず、特定のタイプを見てみましょう
貪欲なベストファースト検索と呼ばれる検索アルゴリズムの。 
貪欲なBest-First Search（GBFSと略されることが多い） 
最も深いノードを展開する代わりに、 
 DFSのような、またはBFSのような最も浅いノード
このアルゴリズムは常にノードを展開します
目標に最も近いと考えていること。 
さて、検索アルゴリズムは、それが最も近いかどうかを確実に知ることはありません

Spanish: 
 La búsqueda informada serán estrategias de búsqueda que 
 use el conocimiento específico del problema para poder encontrar una mejor solución. 
 Y en el caso de un laberinto, este problema conocimiento específico 
 es algo así, si voy a cuadrar 
 que está geográficamente más cerca de la meta, que 
 es mejor que estar en un cuadrado que está geográficamente más lejos. 
 Y esto es algo que solo podemos saber al pensar en este problema 
 y razonamiento sobre qué conocimiento podría ser útil para nuestro agente de IA 
 saber un poco de algo. 
 Hay varios tipos diferentes de búsqueda informada. 
 Específicamente, primero, veremos un tipo particular 
 del algoritmo de búsqueda llamado codicioso best-first search. 
 Greedy Best-First Search, a menudo abreviado GBFS, 
 es un algoritmo de búsqueda que, en lugar de expandir el nodo más profundo, 
 como DFS, o el nodo más superficial, como BFS, 
 este algoritmo siempre va a expandir el nodo 
 que cree que está más cerca de la meta. 
 Ahora, el algoritmo de búsqueda no va a saber con certeza si es el más cercano 

Korean: 
 정보 검색은 검색 전략이 될 것입니다 
 해결책을 더 잘 찾을 수 있도록 문제와 관련된 지식을 사용하십시오. 
 그리고 미로의 경우,이 문제 특정 지식 
 내가 광장에 가면 
 지리적으로 목표에 더 가깝고 
 지리적으로 멀리 떨어진 광장에있는 것보다 낫습니다. 
 그리고 이것은 우리가이 문제에 대해 생각함으로써 만 알 수있는 것입니다 
 AI 에이전트에 어떤 지식이 도움이 될지에 대한 추론 
 조금만 알고 
 다양한 유형의 정보 검색이 있습니다. 
 먼저, 우리는 특정 유형을 살펴볼 것입니다 
 탐욕스러운 최상의 우선 검색이라는 검색 알고리즘 
 Greedy Best-First Search (GBFS로 약칭 됨) 
 가장 깊은 노드를 확장하는 대신 검색 알고리즘입니다. 
 DFS 나 BFS와 같은 가장 얕은 노드처럼 
 이 알고리즘은 항상 노드를 확장합니다 
 그것이 가장 가까운 목표라고 생각합니다. 
 이제 검색 알고리즘은 그것이 가장 가까운 지 확실하지 않습니다. 

German: 
 Sache zum Ziel, denn wenn wir wüssten, was dem Ziel am nächsten ist 
 die ganze Zeit, dann hätten wir schon eine Lösung. 
 Wie das Wissen darüber, was nah am Ziel ist, 
 Wir könnten einfach diesen Schritten folgen, um von der Ausgangsposition zu kommen 
 zur Lösung. 
 Aber wenn wir die Lösung nicht kennen - das heißt, wir wissen es nicht genau 
 Was ist dem Ziel am nächsten? 
 Stattdessen können wir eine Schätzung dessen verwenden, was ist 
 dem Ziel am nächsten, auch als Heuristik bekannt - 
 Nur eine Möglichkeit zu schätzen, ob wir dem Ziel nahe sind oder nicht. 
 Und wir werden dies mit einer heuristischen Funktion tun, die üblicherweise h (n) genannt wird. 
 das nimmt einen Eingabezustand an und gibt unsere Schätzung zurück, wie nahe wir sind 
 sind zum Ziel. 
 Was könnte diese heuristische Funktion eigentlich tun? 
 wie im Fall eines Labyrinthlösungsalgorithmus aussehen? 
 Wo sieht eine Heuristik aus, wo wir versuchen, ein Labyrinth zu lösen? 
 Nun, die Heuristik muss eine Frage beantworten, wie zwischen diesen beiden 
 Zellen, C und D, welche ist besser? 
 In welchem ​​würde ich lieber sein, wenn ich versuche, den Weg zum Ziel zu finden? 
 Nun, jeder Mensch könnte sich das wahrscheinlich ansehen und Ihnen sagen, wissen Sie was? 

Dutch: 
 ding naar het doel, want als we wisten wat het dichtst bij het doel was 
 dan zouden we al een oplossing hebben. 
 Zoals de kennis van wat dichtbij het doel is, 
 we kunnen die stappen gewoon volgen om uit de beginpositie te komen 
 naar de oplossing. 
 Maar als we de oplossing niet weten ... wat betekent dat we het niet precies weten 
 wat is het dichtst bij het doel-- 
 in plaats daarvan kunnen we een schatting gebruiken van wat er is 
 het dichtst bij het doel, ook wel bekend als een heuristiek-- 
 gewoon een manier om te schatten of we al dan niet dicht bij het doel zijn. 
 En we zullen dit doen met een heuristische functie, conventioneel h (n) genoemd, 
 die een input-status vereist en onze schatting geeft van hoe dichtbij we zijn 
 zijn naar het doel. 
 Dus wat zou deze heuristische functie eigenlijk kunnen zijn 
 eruit zien in het geval van een doolhof-oplossend algoritme? 
 Hoe zien we een heuristiek eruit waar we een doolhof proberen op te lossen? 
 Welnu, de heuristiek moet een vraag beantwoorden, zoals tussen deze twee 
 cellen, C en D, welke is beter? 
 Waar zou ik liever in zitten als ik mijn weg naar het doel probeer te vinden? 
 Wel, elk mens zou dit waarschijnlijk kunnen bekijken en je vertellen, weet je wat? 

Indonesian: 
 hal ke tujuan, karena jika kita tahu apa yang paling dekat dengan tujuan 
 sepanjang waktu, maka kita pasti sudah punya solusinya. 
 Seperti, pengetahuan tentang apa yang dekat dengan tujuan, 
 kita bisa mengikuti langkah-langkah itu untuk mendapatkan dari posisi awal 
 untuk solusinya. 
 Tetapi jika kita tidak tahu solusinya - artinya kita tidak tahu persis 
 apa yang paling dekat dengan goal-- 
 alih-alih, kita dapat menggunakan taksiran apa 
 paling dekat dengan tujuan, atau dikenal sebagai heuristic-- 
 hanya beberapa cara memperkirakan apakah kita dekat atau tidak dengan tujuan. 
 Dan kami akan melakukannya menggunakan fungsi heuristik, yang secara konvensional disebut h (n), 
 yang membutuhkan input dan mengembalikan estimasi kami tentang seberapa dekat kami 
 ke tujuan. 
 Jadi apa sebenarnya fungsi heuristik ini sebenarnya 
 terlihat seperti dalam kasus algoritma penyelesaian labirin? 
 Di mana kami mencoba memecahkan labirin, seperti apa heuristik itu? 
 Nah, heuristik perlu menjawab pertanyaan, seperti di antara keduanya 
 sel, C dan D, mana yang lebih baik? 
 Yang mana yang saya inginkan jika saya mencoba menemukan jalan saya ke tujuan? 
 Nah, manusia mana pun mungkin bisa melihat ini dan memberi tahu Anda, Anda tahu? 

Japanese: 
目標に最も近いものを知っていれば
いつも、私たちはすでに解決策を持っているでしょう。 
目標に近いものについての知識、 
最初の位置から取得するには、これらの手順に従うだけです。 
ソリューションに。 
しかし、解決策がわからない場合、つまり正確にわからない場合
目標に最も近いのは- 
代わりに、 
目標に最も近い、別名ヒューリスティック
私たちが目標に近いかどうかを推定するためのいくつかの方法です。 
そして、従来h（n）と呼ばれていたヒューリスティック関数を使用して、 
これは入力の状態を取り、どれだけ近いかという推定値を返します
目標に向かっています。 
したがって、このヒューリスティック関数は実際には何でしょうか
迷路解決アルゴリズムの場合のように見えますか？ 
迷路を解こうとしているところで、ヒューリスティックはどのように見えますか？ 
まあ、ヒューリスティックはこれらの2つの間のような質問に答える必要があります
セル、CとD、どちらが良いですか？ 
私が目標への道を見つけようとしているのなら、どちらがいいですか？ 
まあ、どんな人でもおそらくこれを見てあなたに言うことができるでしょう、あなたは何を知っていますか？ 

Chinese: 
达到目标的事情，因为如果我们知道最接近目标的是什么
一直以来，我们已经有了解决方案。 
例如，了解接近目标的内容， 
我们可以按照以下步骤操作以从初始位置开始
解决方案。 
但是，如果我们不知道解决方案，那就意味着我们不完全了解
最接近目标的地方- 
相反，我们可以使用估算值
最接近目标，或称为启发式- 
只是某种方式来估算我们是否接近目标。 
我们将使用启发式函数（通常称为h（n））进行操作， 
接受输入状态并返回我们对距离有多接近的估计
达到目标。 
那么，这种启发式功能到底能做什么？ 
看起来像是迷宫求解算法？ 
在我们试图解决迷宫的地方，启发式是什么样的？ 
好吧，启发式方法需要回答一个问题，就像这两个之间
细胞，C和D，哪个更好？ 
如果我想找到实现目标的方法，我宁愿选择哪一个？ 
好吧，任何人都可能看过这个然后告诉你，你知道吗？ 

Chinese: 
達到目標的事情，因為如果我們知道最接近目標的是什麼
一直以來，我們已經有了解決方案。 
例如，了解接近目標的內容， 
我們可以按照以下步驟操作以從初始位置開始
解決方案。 
但是，如果我們不知道解決方案，那就意味著我們不完全了解
最接近目標的地方- 
相反，我們可以使用估算值
最接近目標，或稱為啟發式- 
只是某種方式來估算我們是否接近目標。 
我們將使用啟發式函數（通常稱為h（n））進行操作， 
接受輸入狀態並返回我們對距離有多接近的估計
達到目標。 
那麼，這種啟發式功能到底能做什麼？ 
看起來像是迷宮求解算法？ 
在我們試圖解決迷宮的地方，啟發式是什麼樣的？ 
好吧，啟發式方法需要回答一個問題，就像這兩個之間
細胞，C和D，哪個更好？ 
如果我想找到實現目標的方法，我寧願選擇哪一個？ 
好吧，任何人都可能看過這個然後告訴你，你知道嗎？ 

French: 
 chose à l'objectif, parce que si nous savions ce qui était le plus proche de l'objectif 
 tout le temps, alors nous aurions déjà une solution. 
 Comme, la connaissance de ce qui est proche de l'objectif, 
 nous pourrions simplement suivre ces étapes afin de revenir de la position initiale 
 à la solution. 
 Mais si nous ne connaissons pas la solution, ce qui signifie que nous ne savons pas exactement 
 ce qui est le plus proche de l'objectif-- 
 au lieu de cela, nous pouvons utiliser une estimation de ce qui est 
 le plus proche de l'objectif, autrement connu comme un heuristic-- 
 juste une façon d'estimer si nous sommes ou non proches de l'objectif. 
 Et nous le ferons en utilisant une fonction heuristique, appelée conventionnellement h (n), 
 qui prend un état d'entrée et renvoie notre estimation de la proximité 
 sont au but. 
 Alors, qu'est-ce que cette fonction heuristique pourrait réellement 
 ressembler à un algorithme de résolution de labyrinthe? 
 Lorsque nous essayons de résoudre un labyrinthe, à quoi ressemble une heuristique? 
 Eh bien, l'heuristique doit répondre à une question, comme entre ces deux 
 cellules, C et D, laquelle est la meilleure? 
 Dans lequel préférerais-je être si j'essaie de trouver mon chemin vers le but? 
 Eh bien, n'importe quel humain pourrait probablement regarder cela et vous dire, vous savez quoi? 

English: 
thing to the goal, because if we knew what was closest to the goal
all the time, then we would already have a solution.
Like, the knowledge of what is close to the goal,
we could just follow those steps in order to get from the initial position
to the solution.
But if we don't know the solution-- meaning we don't know exactly
what's closest to the goal--
instead, we can use an estimate of what's
closest to the goal, otherwise known as a heuristic--
just some way of estimating whether or not we're close to the goal.
And we'll do so using a heuristic function, conventionally called h(n),
that takes a state of input and returns our estimate of how close we
are to the goal.
So what might this heuristic function actually
look like in the case of a maze-solving algorithm?
Where we're trying to solve a maze, what does a heuristic look like?
Well, the heuristic needs to answer a question, like between these two
cells, C and D, which one is better?
Which one would I rather be in if I'm trying to find my way to the goal?
Well, any human could probably look at this and tell you, you know what?

Korean: 
 목표에 가장 가까운 것이 무엇인지 알고 있다면 
 항상 우리는 이미 해결책을 가지고있을 것입니다. 
 목표에 가까운 것에 대한 지식처럼 
 초기 단계에서 벗어나기 위해 이러한 단계를 따를 수 있습니다. 
 솔루션에. 
 그러나 우리가 해결책을 모른다면-우리는 정확히 모른다 
 목표에 가장 가까운 것 
 대신, 우리는 무엇을 추정 할 수 있습니다 
 휴리스틱이라고도하는 목표에 가장 가까운 
 우리가 목표에 근접했는지 여부를 추정하는 방법입니다. 
 그리고 일반적으로 h (n)이라고하는 휴리스틱 함수를 사용하여 
 입력 상태를 취하고 얼마나 가까운 지에 대한 추정치를 반환합니다. 
 목표에 있습니다. 
 이 휴리스틱 함수가 실제로 
 미로 해결 알고리즘의 경우처럼 보이는가? 
 우리가 미로를 해결하려고 할 때 휴리스틱은 어떻게 생겼습니까? 
 휴리스틱은이 두 가지 사이의 질문에 대답해야합니다. 
 세포, C와 D 중 어느 것이 더 낫습니까? 
 목표를 향한 길을 찾으려고한다면 어느쪽에 속합니까? 
 글쎄요, 어떤 사람이라도 이것을보고 말해 줄 수 있습니다. 

Portuguese: 
 coisa para o objetivo, porque se soubéssemos o que estava mais próximo do objetivo 
 o tempo todo, então já teríamos uma solução. 
 Como, o conhecimento do que está próximo da meta, 
 poderíamos simplesmente seguir esses passos para obter da posição inicial 
 para a solução. 
 Mas se não sabemos a solução, o que significa que não sabemos exatamente 
 o que há de mais próximo do goal-- 
 em vez disso, podemos usar uma estimativa do que é 
 mais próximo do objetivo, também conhecido como heuristic-- 
 apenas uma maneira de estimar se estamos ou não próximos da meta. 
 E faremos isso usando uma função heurística, convencionalmente chamada h (n), 
 que toma um estado de entrada e retorna nossa estimativa de quão perto 
 são para o objetivo. 
 Então, o que essa função heurística pode realmente 
 parece no caso de um algoritmo de resolução de labirinto? 
 Onde estamos tentando resolver um labirinto, como é uma heurística? 
 Bem, a heurística precisa responder a uma pergunta, como entre esses dois 
 células, C e D, qual é o melhor? 
 Qual deles eu preferiria estar se estivesse tentando encontrar o caminho para a meta? 
 Bem, qualquer humano provavelmente poderia olhar para isso e dizer, quer saber? 

Spanish: 
 cosa a la meta, porque si supiéramos lo que estaba más cerca de la meta 
 todo el tiempo, entonces ya tendríamos una solución. 
 Como, el conocimiento de lo que está cerca de la meta, 
 podríamos seguir esos pasos para llegar desde la posición inicial 
 a la solución 
 Pero si no conocemos la solución, lo que significa que no sabemos exactamente 
 lo que está más cerca de la meta 
 en cambio, podemos usar una estimación de lo que hay 
 más cercano a la meta, también conocido como heurístico 
 solo una forma de estimar si estamos cerca o no de la meta. 
 Y lo haremos utilizando una función heurística, convencionalmente llamada h (n), 
 que toma un estado de entrada y devuelve nuestra estimación de qué tan cerca estamos 
 son a la meta. 
 Entonces, ¿qué podría esta función heurística en realidad 
 parece en el caso de un algoritmo de resolución de laberintos? 
 Donde estamos tratando de resolver un laberinto, ¿cómo se ve una heurística? 
 Bueno, la heurística necesita responder una pregunta, como entre estos dos 
 células, C y D, ¿cuál es mejor? 
 ¿En cuál preferiría estar si estoy tratando de encontrar mi camino hacia la meta? 
 Bueno, cualquier humano probablemente podría mirar esto y decirte, ¿sabes qué? 

Italian: 
 cosa all'obiettivo, perché se sapessimo ciò che era più vicino all'obiettivo 
 per tutto il tempo, allora avremmo già una soluzione. 
 Ad esempio, la conoscenza di ciò che è vicino all'obiettivo, 
 potremmo semplicemente seguire questi passaggi per ottenere dalla posizione iniziale 
 alla soluzione. 
 Ma se non conosciamo la soluzione, ciò significa che non sappiamo esattamente 
 ciò che è più vicino all'obiettivo-- 
 invece, possiamo usare una stima di ciò che è 
 più vicino all'obiettivo, altrimenti noto come euristico-- 
 solo un modo per stimare se siamo vicini all'obiettivo. 
 E lo faremo usando una funzione euristica, convenzionalmente chiamata h (n), 
 che accetta uno stato di input e restituisce la nostra stima di quanto siamo vicini 
 sono all'obiettivo. 
 Quindi, cosa potrebbe effettivamente svolgere questa funzione euristica 
 sembra nel caso di un algoritmo di risoluzione dei labirinti? 
 Dove stiamo cercando di risolvere un labirinto, che aspetto ha un euristico? 
 Bene, l'euristico deve rispondere a una domanda, come tra questi due 
 cellule, C e D, quale è meglio? 
 In quale preferirei essere se provassi a raggiungere la meta? 
 Bene, ogni essere umano potrebbe probabilmente guardarlo e dirti, sai una cosa? 

Russian: 
 вещь к цели, потому что если бы мы знали, что было ближе к цели 
 тогда у нас уже будет решение. 
 Мол, знание того, что близко к цели, 
 мы могли бы просто выполнить эти шаги, чтобы получить от начальной позиции 
 к решению. 
 Но если мы не знаем решение - то есть мы не знаем точно 
 что ближе всего к цели 
 вместо этого мы можем использовать оценку того, что 
 ближайший к цели, иначе известный как эвристический-- 
 просто какой-то способ оценить, близки ли мы к цели. 
 И мы сделаем это с помощью эвристической функции, обычно называемой h (n), 
 который принимает состояние ввода и возвращает нашу оценку того, насколько близко мы 
 к цели. 
 Так что же может эта эвристическая функция на самом деле 
 выглядеть в случае алгоритма решения лабиринта? 
 Где мы пытаемся решить лабиринт, как выглядит эвристика? 
 Ну, эвристика должна ответить на вопрос, как между этими двумя 
 клетки, C и D, какая из них лучше? 
 В каком я бы предпочел быть, если бы я пытался найти свой путь к цели? 
 Ну, любой человек мог бы, вероятно, взглянуть на это и сказать вам, знаете что? 

Turkish: 
 hedefe bir şey, çünkü hedefe en yakın olanı bilseydik 
 her zaman, zaten bir çözümümüz olurdu. 
 Mesela, amaca yakın olanın bilgisi, 
 başlangıç ​​pozisyonundan almak için bu adımları uygulayabiliriz 
 çözüm. 
 Ama eğer çözümü bilmiyorsak - yani tam olarak bilmiyoruz 
 hedefe en yakın olan-- 
 bunun yerine, 
 sezgisel olarak bilinen hedefe en yakın - 
 sadece hedefe yakın olup olmadığımızı tahmin etmenin bir yolu. 
 Ve bunu geleneksel olarak h (n) olarak adlandırılan bir buluşsal işlev kullanarak yapacağız, 
 girdi halini alır ve ne kadar yakın olduğumuzu tahmin eder 
 amaç için. 
 Peki bu sezgisel işlev aslında ne olabilir 
 bir labirent çözme algoritması gibi görünüyor? 
 Bir labirenti çözmeye çalıştığımız yerde buluşsal yöntem neye benziyor? 
 Sezgisel bir soruya cevap vermeli, örneğin bu ikisi arasında 
 hücreleri, C ve D, hangisi daha iyi? 
 Hedefe giden yolu bulmaya çalışırsam hangisinde olmayı tercih ederim? 
 Herhangi bir insan muhtemelen buna bakıp sana söyleyebilirdi, biliyor musun? 

Arabic: 
 الشيء إلى الهدف ، لأنه إذا عرفنا ما هو الأقرب إلى الهدف 
 طوال الوقت ، سيكون لدينا بالفعل حل. 
 مثل معرفة ما هو قريب من الهدف ، 
 يمكننا فقط اتباع هذه الخطوات من أجل الحصول على الموقف المبدئي 
 إلى الحل. 
 لكن إذا لم نكن نعرف الحل - يعني أننا لا نعرف بالضبط 
 ما هو الأقرب إلى الهدف-- 
 بدلاً من ذلك ، يمكننا استخدام تقدير لما هو 
 الأقرب إلى الهدف ، والمعروف أيضًا باسم الاستدلال - 
 مجرد طريقة لتقدير ما إذا كنا قريبين من الهدف أم لا. 
 وسنفعل ذلك باستخدام دالة ارشادية ، تسمى عادةً h (n) ، 
 يأخذ حالة من المدخلات ويعيد تقديرنا لمدى قربنا 
 هي الهدف. 
 فماذا يمكن لهذه الوظيفة الكشف عن مجريات الأمور في الواقع 
 تبدو في حالة خوارزمية حل المتاهة؟ 
 أين نحاول حل متاهة ، كيف يبدو الشكل الإرشادي؟ 
 حسنا ، ارشادي يحتاج إلى إجابة سؤال ، مثل بين هذين 
 الخلايا ، C و D ، أيهما أفضل؟ 
 أيهما أفضل أن أكون فيه إذا كنت أحاول أن أجد طريقي إلى الهدف؟ 
 حسنًا ، يمكن لأي إنسان أن ينظر إلى هذا ويخبرك ، أتعلم؟ 

Modern Greek (1453-): 
 πράγμα στο στόχο, γιατί αν γνωρίζαμε τι ήταν πιο κοντά στον στόχο 
 όλη την ώρα, τότε θα είχαμε ήδη μια λύση. 
 Όπως, η γνώση του τι είναι κοντά στον στόχο, 
 θα μπορούσαμε απλώς να ακολουθήσουμε αυτά τα βήματα για να βγούμε από την αρχική θέση 
 στη λύση. 
 Αλλά αν δεν γνωρίζουμε τη λύση - που σημαίνει ότι δεν ξέρουμε ακριβώς 
 τι είναι πιο κοντά στον στόχο-- 
 Αντ 'αυτού, μπορούμε να χρησιμοποιήσουμε μια εκτίμηση του τι είναι 
 πιο κοντά στον στόχο, αλλιώς γνωστό ως ευρετικό-- 
 απλά κάποιος τρόπος να εκτιμήσουμε αν είμαστε κοντά στο στόχο. 
 Και θα το κάνουμε χρησιμοποιώντας μια ευρετική συνάρτηση, που ονομάζεται συμβατικά h (n), 
 που παίρνει μια κατάσταση εισόδου και επιστρέφει την εκτίμησή μας για το πόσο κοντά είμαστε 
 είναι στο στόχο. 
 Λοιπόν, τι θα μπορούσε αυτή η ευρετική λειτουργία 
 μοιάζει στην περίπτωση ενός αλγορίθμου επίλυσης λαβυρίνθου; 
 Όπου προσπαθούμε να λύσουμε ένα λαβύρινθο, πώς μοιάζει μια ευρετική; 
 Λοιπόν, η ευρετική πρέπει να απαντήσει σε μια ερώτηση, όπως μεταξύ αυτών των δύο 
 κύτταρα, C και D, ποιο είναι καλύτερο; 
 Σε ποιον θα προτιμούσα να είμαι αν προσπαθώ να βρω το δρόμο μου προς τον στόχο; 
 Λοιπόν, οποιοσδήποτε άνθρωπος θα μπορούσε πιθανώς να το δει αυτό και να σας πει, ξέρετε τι; 

Hindi: 
 लक्ष्य के लिए बात, क्योंकि अगर हम जानते थे कि लक्ष्य के सबसे करीब क्या था 
 हर समय, तो हम पहले से ही एक समाधान होगा। 
 जैसे, लक्ष्य के समीप का ज्ञान, 
 प्रारंभिक स्थिति से प्राप्त करने के लिए हम केवल उन चरणों का पालन कर सकते हैं 
 समाधान के लिए। 
 लेकिन अगर हमें इसका समाधान नहीं पता है - जिसका अर्थ है कि हम वास्तव में नहीं जानते हैं 
 लक्ष्य के सबसे करीब क्या है-- 
 इसके बजाय, हम एक अनुमान का उपयोग कर सकते हैं कि क्या है 
 लक्ष्य के सबसे करीब, अन्यथा एक heuristic के रूप में जाना जाता है-- 
 हम लक्ष्य के करीब हैं या नहीं इसका अनुमान लगाने का कुछ तरीका। 
 और हम ऐसा एक यकृत समारोह का उपयोग करके करेंगे, जिसे पारंपरिक रूप से h (n) कहा जाता है, 
 यह इनपुट की एक स्थिति लेता है और हमारा अनुमान बताता है कि हम कितने करीब हैं 
 लक्ष्य के लिए हैं। 
 तो वास्तव में यह उत्तराधिकारी कार्य क्या हो सकता है 
 भूलभुलैया-सुलझाने के एल्गोरिथ्म के मामले में कैसा दिखता है? 
 जहाँ हम एक चक्रव्यूह को हल करने की कोशिश कर रहे हैं, वहाँ एक हेयुरिस्टिक कैसा दिखता है? 
 खैर, इन दोनों के बीच, हेयुरिस्टिक को एक प्रश्न का उत्तर देने की आवश्यकता है 
 सेल, सी और डी, कौन सा बेहतर है? 
 अगर मैं लक्ष्य के लिए अपना रास्ता खोजने की कोशिश कर रहा हूं, तो मैं कौन सा होऊंगा? 
 खैर, कोई भी इंसान शायद इसे देख सकता है और आपको बता सकता है, आप जानते हैं कि क्या? 

Russian: 
 Похоже, что лучше. 
 Даже если лабиринт запутанный, а ты не думал обо всех стенах, 
 D, вероятно, лучше. 
 И почему D лучше? 
 Ну, потому что если вы игнорируете стену - давайте просто притворимся, что стены 
 не существует на мгновение и, так сказать, ослабить проблему 
 D, с точки зрения пар координат, ближе к этой цели. 
 Мне нужно сделать меньше шагов, чтобы достичь цели, 
 по сравнению с С, даже если вы игнорируете стены. 
 Если вы просто знаете координаты x, y C и координаты x, y цели, 
 и, аналогично, вы знаете координаты х, у D, 
 Вы можете рассчитать, что D, просто географически, игнорируя стены, 
 Похоже, это лучше. 
 И вот это эвристическая функция, которую мы собираемся использовать, 
 и это то, что называется Манхэттенское расстояние, один конкретный тип 
 эвристики, где эвристика, сколько квадратов по вертикали 
 и горизонтально, а затем слева направо - так не 
 позволяя себе идти по диагонали, либо вверх или вправо, либо влево или вниз. 
 Сколько шагов мне нужно сделать, чтобы добраться от каждой из этих ячеек до цели? 

French: 
 D semble que c'est mieux. 
 Même si le labyrinthe est alambiqué et que vous n'avez pas pensé à tous les murs, 
 D est probablement mieux. 
 Et pourquoi D est-il meilleur? 
 Eh bien, parce que si vous ignorez le mur, disons simplement que les murs 
 n'existent pas un instant et relâchez le problème, pour ainsi dire ... 
 D, juste en termes de paires de coordonnées, est plus proche de cet objectif. 
 C'est moins d'étapes que je devrais prendre pour atteindre l'objectif, 
 par rapport à C, même si vous ignorez les murs. 
 Si vous connaissez simplement la coordonnée x, y de C et la coordonnée x, y de l'objectif, 
 et de même, vous connaissez la coordonnée x, y de D, 
 vous pouvez calculer que D, juste géographiquement, en ignorant les murs, 
 on dirait que c'est mieux. 
 Et c'est donc la fonction heuristique que nous allons utiliser, 
 et c'est quelque chose appelé la distance de Manhattan, un type spécifique 
 de l'heuristique, où l'heuristique est, combien de carrés verticalement 
 et horizontalement, puis de gauche à droite - donc pas 
 me permettant d'aller en diagonale, juste en haut ou à droite ou à gauche ou en bas. 
 Combien d'étapes dois-je prendre pour aller de chacune de ces cellules à l'objectif? 

Arabic: 
 يبدو D أنه أفضل. 
 حتى لو كانت المتاهة ملتوية ولم تفكر في جميع الجدران ، 
 D ربما يكون أفضل. 
 ولماذا د أفضل؟ 
 حسنًا ، لأنك إذا تجاهلت الجدار - فلنتظاهر فقط بالجدران 
 لا تتواجد للحظة وتخفف المشكلة ، إذا جاز التعبير-- 
 D ، فقط من حيث تنسيق أزواج ، هو أقرب إلى هذا الهدف. 
 إنها خطوات أقل سأحتاج إلى اتخاذها للوصول إلى الهدف ، 
 بالمقارنة مع C ، حتى لو تجاهلت الجدران. 
 إذا كنت تعرف فقط إحداثيات س ، ص من C ، وإحداثيات x ، y للهدف ، 
 وبالمثل ، تعرف إحداثيات س ، ص من D ، 
 يمكنك حساب ذلك D ، جغرافيا فقط ، وتجاهل الجدران ، 
 يبدو أنه أفضل. 
 وهذه هي الوظيفة الإرشادية التي سنستخدمها ، 
 وهو شيء يسمى مسافة مانهاتن ، نوع معين 
 الإرشادي ، حيث يكون الإرشادي ، كم عدد المربعات عموديا 
 وأفقيا ثم من اليسار إلى اليمين - لذلك لا 
 السماح لنفسي بالذهاب قطريًا ، إما لأعلى أو لليمين أو لليسار أو لأسفل. 
 كم عدد الخطوات التي يجب علي اتخاذها للوصول من كل من هذه الخلايا إلى الهدف؟ 

Modern Greek (1453-): 
 D φαίνεται ότι είναι καλύτερο. 
 Ακόμα κι αν ο λαβύρινθος είναι περίπλοκος και δεν έχετε σκεφτεί όλους τους τοίχους, 
 Το D είναι πιθανώς καλύτερο. 
 Και γιατί είναι το D καλύτερο; 
 Λοιπόν, επειδή αν αγνοήσετε τον τοίχο - ας προσποιηθούμε απλώς τους τοίχους 
 δεν υπάρχει για μια στιγμή και να χαλαρώσετε το πρόβλημα, για να το πούμε-- 
 Το D, μόνο όσον αφορά τα ζεύγη συντεταγμένων, είναι πιο κοντά σε αυτόν τον στόχο. 
 Είναι λιγότερα βήματα που πρέπει να κάνω για να φτάσω στο στόχο, 
 σε σύγκριση με το C, ακόμα κι αν αγνοήσετε τους τοίχους. 
 Εάν γνωρίζετε ακριβώς τη συντεταγμένη x, y του C, και τη συντεταγμένη x, y του στόχου, 
 και ομοίως, γνωρίζετε τη συντεταγμένη x, y του D, 
 μπορείτε να υπολογίσετε αυτό το D, μόνο γεωγραφικά, αγνοώντας τους τοίχους, 
 φαίνεται ότι είναι καλύτερο. 
 Και αυτή είναι η ευρετική συνάρτηση που πρόκειται να χρησιμοποιήσουμε, 
 και είναι κάτι που ονομάζεται απόσταση του Μανχάταν, ένας συγκεκριμένος τύπος 
 ευρετικής, όπου είναι ο ευρετικός, πόσα τετράγωνα κάθετα 
 και οριζόντια και μετά αριστερά προς τα δεξιά - έτσι όχι 
 επιτρέποντας στον εαυτό μου να πάει διαγώνια, είτε πάνω είτε δεξιά είτε αριστερά ή κάτω. 
 Πόσα βήματα πρέπει να κάνω για να φτάσω από κάθε ένα από αυτά τα κελιά στον στόχο; 

Chinese: 
 D看起来更好。 
即使迷宫是令人费解的迷宫，您也没有想过所有的墙壁， 
 D可能更好。 
为什么D更好？ 
好吧，因为如果您不理会墙壁-我们就假装墙壁
暂时不存在并放松问题，可以这么说- 
仅就坐标对而言，D更接近该目标。 
为了达到目标，我需要采取的步骤更少， 
与C相比，即使您忽略了墙壁。 
如果您只知道C的x，y坐标和目标的x，y坐标， 
同样，您知道D的x，y坐标， 
您可以在地理上无视墙计算D， 
看起来更好。 
这就是我们要使用的启发式功能， 
这就是所谓的曼哈顿距离，一种特定的类型
启发式的位置，启发式的位置，垂直方向上有多少个正方形
然后水平然后从左到右-所以不是
允许自己对角地向上或向右或向左或向下移动。 
从这些单元中的每个单元到目标，我需要采取多少步骤？ 

Hindi: 
 D ऐसा लगता है कि यह बेहतर है। 
 भले ही भूलभुलैया एक दृढ़ है और आपने सभी दीवारों के बारे में नहीं सोचा है, 
 डी शायद बेहतर है। 
 और डी बेहतर क्यों है? 
 ठीक है, क्योंकि अगर आप दीवार को नजरअंदाज करते हैं - तो चलो सिर्फ दीवारों का ढोंग करते हैं 
 एक पल के लिए मौजूद नहीं है और इस समस्या को आराम, इसलिए बोलने के लिए-- 
 डी, बस समन्वित जोड़े के संदर्भ में, इस लक्ष्य के करीब है। 
 यह कम कदम है जो मुझे लक्ष्य तक ले जाने के लिए चाहिए, 
 सी की तुलना में, भले ही आप दीवारों की अनदेखी करते हों। 
 यदि आप केवल x, y को C का समन्वय और x, y को लक्ष्य के समन्वय से जानते हैं, 
 और इसी तरह, आप x को जानते हैं, Y, D का समन्वय करते हैं, 
 आप उस डी की गणना कर सकते हैं, बस भौगोलिक रूप से, दीवारों की अनदेखी करते हुए, 
 ऐसा लगता है कि यह बेहतर है। 
 और इसलिए यह वह कार्य है जिसे हम उपयोग करने जा रहे हैं, 
 और यह कुछ मैनहट्टन दूरी, एक विशिष्ट प्रकार कहा जाता है 
 हेयुरिस्टिक का, जहां हेयुरिस्टिक है, कितने वर्ग लंबवत हैं 
 और क्षैतिज और फिर बाएं से दाएं - तो नहीं 
 खुद को तिरछे जाने की अनुमति देना, बस या तो ऊपर या दाएं या बाएं या नीचे। 
 इन कोशिकाओं में से प्रत्येक से लक्ष्य तक पहुंचने के लिए मुझे कितने कदम उठाने होंगे? 

Indonesian: 
 D sepertinya lebih baik. 
 Bahkan jika labirin berbelit-belit dan Anda belum memikirkan semua dinding, 
 D mungkin lebih baik. 
 Dan mengapa D lebih baik? 
 Nah, karena jika Anda mengabaikan dinding - mari kita berpura-pura dinding 
 tidak ada sesaat dan santai masalahnya, jadi untuk berbicara-- 
 D, hanya dalam hal pasangan koordinat, lebih dekat ke tujuan ini. 
 Ini lebih sedikit langkah yang harus saya ambil untuk mencapai tujuan, 
 dibandingkan dengan C, bahkan jika Anda mengabaikan dinding. 
 Jika Anda hanya tahu koordinat x, y dari C, dan koordinat x, y dari tujuan, 
 dan juga, Anda tahu koordinat x, y dari D, 
 Anda dapat menghitung D itu, hanya secara geografis, mengabaikan dinding, 
 sepertinya lebih baik. 
 Dan jadi ini adalah fungsi heuristik yang akan kita gunakan, 
 dan itu sesuatu yang disebut jarak Manhattan, satu jenis khusus 
 heuristik, di mana heuristik berada, berapa banyak kotak secara vertikal 
 dan secara horizontal dan kemudian ke kiri - jadi tidak 
 membiarkan diriku pergi secara diagonal, hanya naik atau ke kanan atau ke kiri atau ke bawah. 
 Berapa banyak langkah yang harus saya ambil untuk mendapatkan dari masing-masing sel ke tujuan? 

Chinese: 
 D看起來更好。 
即使迷宮是令人費解的迷宮，您也沒有想過所有的牆壁， 
 D可能更好。 
為什麼D更好？ 
好吧，因為如果您不理會牆壁-我們就假裝牆壁
暫時不存在並放鬆問題，可以這麼說- 
僅就坐標對而言，D更接近該目標。 
為了達到目標，我需要採取的步驟更少， 
與C相比，即使您忽略了牆壁。 
如果您只知道C的x，y坐標和目標的x，y坐標， 
同樣，您知道D的x，y坐標， 
您可以在地理上無視牆計算D， 
看起來更好。 
這就是我們要使用的啟發式功能， 
這就是所謂的曼哈頓距離，一種特定的類型
啟發式的位置，啟發式的位置，垂直方向上有多少個正方形
然後水平然後從左到右-所以不是
允許自己對角地向上或向右或向左或向下移動。 
從這些單元中的每個單元到目標，我需要採取多少步驟？ 

Japanese: 
 Dの方がいいようです。 
迷路が入り組んでいて、すべての壁について考えたことがない場合でも、 
 Dはおそらくより良いです。 
そして、なぜDの方が優れているのですか？ 
ええと、壁を無視するなら、壁のふりをしよう
一瞬存在せず、問題を緩和して、いわば- 
 Dは、座標ペアの観点から見ると、この目標に近いです。 
目標を達成するために必要な手順は少なく、 
 Cと比較して、壁を無視しても。 
 CのX、Y座標とゴールのX、Y座標がわかっている場合、 
同様に、DのX、Y座標を知っています。 
壁を無視して、地理的にだけDを計算できます。 
それはより良いように見えます。 
これが使用するヒューリスティック関数です
マンハッタン距離と呼ばれるものです
ヒューリスティックの場所、ヒューリスティックの場所、垂直方向の正方形の数
水平にしてから左から右に
斜め上、右、左、下のいずれかに移動できます。 
これらの各セルから目標に到達するには、いくつのステップを踏む必要がありますか？ 

English: 
D looks like it's better.
Even if the maze is a convoluted and you haven't thought about all the walls,
D is probably better.
And why is D better?
Well, because if you ignore the wall-- let's just pretend the walls
don't exist for a moment and relax the problem, so to speak--
D, just in terms of coordinate pairs, is closer to this goal.
It's fewer steps that I would need to take to get to the goal,
as compared to C, even if you ignore the walls.
If you just know the x,y coordinate of C, and the x,y coordinate of the goal,
and likewise, you know the x,y coordinate of D,
you can calculate that D, just geographically, ignoring the walls,
looks like it's better.
And so this is the heuristic function that we're going to use,
and it's something called the Manhattan distance, one specific type
of heuristic, where the heuristic is, how many squares vertically
and horizontally and then left to right-- so not
allowing myself to go diagonally, just either up or right or left or down.
How many steps do I need to take to get from each of these cells to the goal?

Spanish: 
 D parece que es mejor. 
 Incluso si el laberinto es complicado y no has pensado en todas las paredes, 
 D es probablemente mejor. 
 ¿Y por qué D es mejor? 
 Bueno, porque si ignoras el muro, vamos a fingir los muros 
 no existe por un momento y relaja el problema, por así decirlo: 
 D, solo en términos de pares de coordenadas, está más cerca de este objetivo. 
 Hay menos pasos que debería tomar para llegar a la meta, 
 en comparación con C, incluso si ignoras las paredes. 
 Si solo conoce la coordenada x, y de C, y la coordenada x, y de la meta, 
 y del mismo modo, sabes la coordenada x, y de D, 
 puedes calcular esa D, solo geográficamente, ignorando las paredes, 
 Parece que es mejor. 
 Y esta es la función heurística que vamos a usar, 
 y es algo llamado la distancia de Manhattan, un tipo específico 
 de heurística, donde está la heurística, cuántos cuadrados verticalmente 
 y horizontalmente y luego de izquierda a derecha, así que no 
 permitiéndome ir en diagonal, solo hacia arriba o hacia la derecha o hacia la izquierda o hacia abajo. 
 ¿Cuántos pasos debo seguir para llegar de cada una de estas celdas a la meta? 

German: 
 D sieht aus wie es besser ist. 
 Auch wenn das Labyrinth verworren ist und Sie nicht an alle Wände gedacht haben, 
 D ist wahrscheinlich besser. 
 Und warum ist D besser? 
 Nun, wenn Sie die Wand ignorieren, tun wir einfach so 
 existiere nicht für einen Moment und entspanne das Problem sozusagen ... 
 D ist nur in Bezug auf Koordinatenpaare näher an diesem Ziel. 
 Es sind weniger Schritte, die ich unternehmen müsste, um zum Ziel zu gelangen. 
 im Vergleich zu C, auch wenn Sie die Wände ignorieren. 
 Wenn Sie nur die x, y-Koordinate von C und die x, y-Koordinate des Ziels kennen, 
 und ebenso kennen Sie die x, y-Koordinate von D, 
 Sie können das D nur geografisch berechnen, indem Sie die Wände ignorieren. 
 sieht aus wie es besser ist. 
 Das ist also die heuristische Funktion, die wir verwenden werden. 
 und es ist so etwas wie die Manhattan-Entfernung, ein bestimmter Typ 
 der Heuristik, wo die Heuristik ist, wie viele Quadrate vertikal 
 und horizontal und dann von links nach rechts - also nicht 
 Erlaube mir, diagonal zu gehen, entweder entweder nach oben oder rechts oder links oder unten. 
 Wie viele Schritte muss ich unternehmen, um von jeder dieser Zellen zum Ziel zu gelangen? 

Dutch: 
 D ziet eruit alsof het beter is. 
 Zelfs als het doolhof ingewikkeld is en je niet aan alle muren hebt gedacht, 
 D is waarschijnlijk beter. 
 En waarom is D beter? 
 Nou, want als je de muur negeert, laten we dan de muren doen alsof 
 bestaan ​​geen moment en ontspannen het probleem als het ware-- 
 D, alleen in termen van coördinatenparen, is dichter bij dit doel. 
 Het zijn minder stappen die ik zou moeten nemen om het doel te bereiken, 
 in vergelijking met C, zelfs als je de muren negeert. 
 Als je alleen de x, y-coördinaat van C kent, en de x, y-coördinaat van het doel, 
 en je kent ook de x, y coördinaat van D, 
 je kunt berekenen dat D, gewoon geografisch, de muren negeert, 
 ziet eruit alsof het beter is. 
 En dit is dus de heuristische functie die we gaan gebruiken, 
 en het is iets dat de Manhattan-afstand wordt genoemd, een specifiek type 
 van heuristiek, waar de heuristiek is, hoeveel vierkanten verticaal 
 en horizontaal en dan van links naar rechts - dus niet 
 mezelf toestaan ​​om diagonaal te gaan, gewoon omhoog of naar rechts of naar links of naar beneden. 
 Hoeveel stappen moet ik nemen om van elk van deze cellen het doel te bereiken? 

Italian: 
 D sembra che sia meglio. 
 Anche se il labirinto è contorto e non hai pensato a tutti i muri, 
 D è probabilmente migliore. 
 E perché D sta meglio? 
 Bene, perché se ignori il muro ... fingiamo solo i muri 
 non esiste per un momento e rilassa il problema, per così dire ... 
 D, solo in termini di coppie di coordinate, è più vicino a questo obiettivo. 
 Sono necessari meno passaggi per raggiungere l'obiettivo, 
 rispetto a C, anche se si ignorano i muri. 
 Se conosci solo la coordinata x, y di C e la coordinata x, y dell'obiettivo, 
 e allo stesso modo, conosci la coordinata x, y di D, 
 puoi calcolare quella D, solo geograficamente, ignorando i muri, 
 sembra che sia meglio. 
 E quindi questa è la funzione euristica che useremo, 
 ed è qualcosa chiamato la distanza di Manhattan, un tipo specifico 
 di euristico, dove si trova l'euristico, quanti quadrati verticalmente 
 e in orizzontale, quindi da sinistra a destra, quindi no 
 permettendomi di andare in diagonale, solo verso l'alto o verso destra o verso sinistra o verso il basso. 
 Quanti passi devo prendere per raggiungere ciascuna di queste celle verso l'obiettivo? 

Portuguese: 
 D parece que é melhor. 
 Mesmo que o labirinto seja complicado e você não tenha pensado em todas as paredes, 
 D é provavelmente melhor. 
 E por que D é melhor? 
 Bem, porque se você ignorar a parede-- vamos fingir que as paredes 
 não existe por um momento e relaxe o problema, por assim dizer-- 
 D, apenas em termos de pares de coordenadas, está mais próximo desse objetivo. 
 São menos etapas que eu precisaria tomar para chegar à meta, 
 em comparação com C, mesmo que você ignore as paredes. 
 Se você apenas conhece as coordenadas x, y de C e as coordenadas x, y da meta, 
 e da mesma forma, você conhece as coordenadas x, y de D, 
 você pode calcular isso D, apenas geograficamente, ignorando as paredes, 
 parece que é melhor. 
 E essa é a função heurística que vamos usar, 
 e é algo chamado distância de Manhattan, um tipo específico 
 da heurística, onde está a heurística, quantos quadrados verticalmente 
 horizontalmente e depois da esquerda para a direita - para que não 
 permitindo-me ir na diagonal, apenas para cima ou para a direita ou para a esquerda ou para baixo. 
 Quantas etapas eu preciso tomar para ir de cada uma dessas células para a meta? 

Korean: 
 D가 더 나은 것 같습니다. 
 미로가 복잡하고 모든 벽에 대해 생각하지 않았어도 
 D가 더 낫습니다. 
 그리고 왜 D가 더 낫습니까? 
 벽을 무시하면 벽을 가장 해 봅시다. 
 잠시 동안 존재하지 않고 문제를 완화하십시오. 
 좌표 쌍 측면에서 D는이 목표에 더 가깝습니다. 
 목표를 달성하기 위해 취해야 할 단계가 줄었습니다. 
 벽을 무시하더라도 C와 비교할 때 
 C의 x, y 좌표와 목표의 x, y 좌표 만 알고 있다면 
 마찬가지로, 여러분은 D의 x, y 좌표를 알고 있습니다 
 벽을 무시하고 지리적으로 D를 계산할 수 있습니다. 
 더 나은 것 같습니다. 
 이것이 우리가 사용할 휴리스틱 함수입니다. 
 맨해튼 거리라고 불리는 특정 유형입니다 
 휴리스틱의 위치, 휴리스틱의 위치, 수직으로 몇 정사각형 
 가로로 갔다가 왼쪽에서 오른쪽으로 
 위 또는 오른쪽 또는 왼쪽 또는 아래쪽으로 대각선으로 이동할 수 있습니다. 
 각 셀에서 목표를 달성하기 위해 몇 단계를 거쳐야합니까? 

Turkish: 
 D daha iyi gibi görünüyor. 
 Labirent kıvrımlı olsa ve tüm duvarları düşünmemiş olsanız bile, 
 D muhtemelen daha iyidir. 
 Ve D neden daha iyi? 
 Ee, çünkü duvarı görmezden gelirsen-- hadi duvarları yapalım 
 bir an için var değil ve sorunu gevşet, tabiri caizse-- 
 D, sadece koordinat çiftleri açısından, bu hedefe daha yakındır. 
 Hedefe ulaşmak için atmam gereken daha az adım, 
 duvarları görmezden gelseniz bile C ile karşılaştırıldığında. 
 C'nin x, y koordinatını ve hedefin x, y koordinatını biliyorsanız, 
 ve benzer şekilde, D'nin x, y koordinatını biliyorsunuz, 
 duvarları görmezden gelerek D'yi coğrafi olarak hesaplayabilir, 
 daha iyi gibi görünüyor. 
 Ve böylece kullanacağımız sezgisel işlev budur, 
 ve Manhattan mesafesi denilen bir şey, belirli bir tip 
 buluşsal yöntem, buluşsal yöntem nerede, dikey olarak kaç kare 
 yatay ve sonra soldan sağa-- yani 
 çaprazlama gitmeme izin veriyorum, sadece yukarı veya sağa veya sola veya aşağıya. 
 Bu hücrelerin her birinden hedefe ulaşmak için kaç adım atmam gerekir? 

Indonesian: 
 Nah, ternyata, D jauh lebih dekat. 
 Ada beberapa langkah lebih sedikit. 
 Hanya perlu mengambil enam langkah untuk mencapai tujuan itu. 
 Sekali lagi di sini mengabaikan dinding. 
 Kami sedikit mengendurkan masalahnya. 
 Kami hanya peduli dengan, jika Anda menghitung, 
 kurangi nilai x satu sama lain dan y 
 nilai dari satu sama lain, berapa perkiraan kita tentang seberapa jauh kita? 
 Kita dapat memperkirakan bahwa D lebih dekat ke tujuan daripada C. 
 Dan sekarang kita memiliki pendekatan. 
 Kami memiliki cara memilih simpul mana yang akan dihapus dari perbatasan. 
 Dan pada setiap tahap dalam algoritma kami, kami 
 akan menghapus simpul dari perbatasan. 
 Kita akan menjelajahi node, jika memiliki yang terkecil 
 nilai untuk fungsi heuristik ini, jika memiliki yang terkecil 
 Jarak Manhattan ke tujuan. 
 Dan seperti apa sebenarnya ini? 
 Baiklah, izinkan saya memberi label pada grafik ini, beri label labirin ini, 
 dengan angka yang mewakili nilai heuristik ini 
 fungsi, nilai jarak Manhattan dari sel-sel ini. 
 Jadi dari sel ini, misalnya, ada satu yang jauh dari tujuan. 
 Dari sel ini, dua berada jauh dari gawang. 
 Tiga pergi, empat pergi. 

French: 
 Eh bien, il s'avère que D est beaucoup plus proche. 
 Il y a moins d'étapes. 
 Il suffit de prendre six étapes pour atteindre cet objectif. 
 Ici encore, en ignorant les murs. 
 Nous avons un peu assoupli le problème. 
 Nous sommes juste préoccupés par, si vous faites le calcul, 
 soustrayez les valeurs x les unes des autres et y 
 valeurs les unes des autres, quelle est notre estimation de la distance qui nous sépare? 
 Nous pouvons estimer que D est plus proche de l'objectif que C ne l'est. 
 Et maintenant, nous avons une approche. 
 Nous avons un moyen de choisir le nœud à retirer de la frontière. 
 Et à chaque étape de notre algorithme, nous sommes 
 va supprimer un nœud de la frontière. 
 Nous allons explorer le nœud, s'il a le plus petit 
 valeur pour cette fonction heuristique, si elle a la plus petite 
 Manhattan à distance du but. 
 Et à quoi cela ressemblerait-il réellement? 
 Eh bien, laissez-moi d'abord étiqueter ce graphique, étiqueter ce labyrinthe, 
 avec un nombre représentant la valeur de cette heuristique 
 fonction, la valeur de la distance de Manhattan de l'une de ces cellules. 
 Ainsi, de cette cellule, par exemple, il y en avait une à l'écart du but. 
 De cette cellule, il y avait deux à l'écart du but. 
 Trois, quatre. 

Spanish: 
 Bueno, resulta que D está mucho más cerca. 
 Hay menos pasos. 
 Solo necesita dar seis pasos para llegar a esa meta. 
 De nuevo aquí ignorando las paredes. 
 Hemos relajado un poco el problema. 
 Solo nos preocupa, si haces los cálculos, 
 restar los valores x el uno del otro y el y 
 valores unos de otros, ¿cuál es nuestra estimación de cuán lejos estamos? 
 Podemos estimar que D está más cerca de la meta que C está. 
 Y ahora tenemos un enfoque. 
 Tenemos una forma de elegir qué nodo eliminar de la frontera. 
 Y en cada etapa de nuestro algoritmo, estamos 
 va a eliminar un nodo de la frontera. 
 Vamos a explorar el nodo, si tiene el más pequeño 
 valor para esta función heurística, si tiene la menor 
 Manhattan distancia a la meta. 
 ¿Y cómo se vería esto realmente? 
 Bueno, déjenme primero etiquetar este gráfico, etiquetar este laberinto, 
 con un número que representa el valor de esta heurística 
 función, el valor de la distancia de Manhattan desde cualquiera de estas celdas. 
 Entonces, desde esta celda, por ejemplo, estaban uno lejos de la meta. 
 Desde esta celda, quedaban dos lejos de la portería. 
 Tres de distancia, cuatro de distancia. 

English: 
Well, as it turns out, D is much closer.
There are fewer steps.
It only needs to take six steps in order to get to that goal.
Again here ignoring the walls.
We've relaxed the problem a little bit.
We're just concerned with, if you do the math,
subtract the x values from each other and the y
values from each other, what is our estimate of how far we are away?
We can estimate that D is closer to the goal than C is.
And so now we have an approach.
We have a way of picking which node to remove from the frontier.
And at each stage in our algorithm, we're
going to remove a node from the frontier.
We're going to explore the node, if it has the smallest
value for this heuristic function, if it has the smallest
Manhattan distance to the goal.
And so what would this actually look like?
Well, let me first label this graph, label this maze,
with a number representing the value of this heuristic
function, the value of the Manhattan distance from any of these cells.
So from this cell, for example, were one away from the goal.
From this cell, were two away from the goal.
Three away, four away.

Italian: 
 Bene, a quanto pare, D è molto più vicino. 
 Ci sono meno passaggi. 
 Per raggiungere questo obiettivo bastano solo sei passi. 
 Ancora una volta qui ignorando i muri. 
 Abbiamo rilassato un po 'il problema. 
 Ci preoccupiamo solo, se fai la matematica, 
 sottrarre i valori x l'uno dall'altro e dalla y 
 valori l'uno dall'altro, qual è la nostra stima di quanto siamo lontani? 
 Possiamo stimare che D è più vicino all'obiettivo di C. 
 E così ora abbiamo un approccio. 
 Abbiamo un modo per scegliere quale nodo rimuovere dalla frontiera. 
 E in ogni fase del nostro algoritmo, lo siamo 
 rimuovere un nodo dalla frontiera. 
 Esploreremo il nodo, se ha il più piccolo 
 valore per questa funzione euristica, se ha il più piccolo 
 Manhattan distanza dall'obiettivo. 
 E quindi come potrebbe essere? 
 Bene, lasciatemi prima etichettare questo grafico, etichettare questo labirinto, 
 con un numero che rappresenta il valore di questa euristica 
 funzione, il valore della distanza di Manhattan da una di queste celle. 
 Quindi da questa cella, per esempio, eravamo a una distanza dall'obiettivo. 
 Da questa cella, erano a due di distanza dall'obiettivo. 
 Tre di distanza, quattro di distanza. 

Japanese: 
結局のところ、Dははるかに近いです。 
少ないステップがあります。 
その目標を達成するために必要なのは6つのステップだけです。 
ここでも壁を無視します。 
問題を少し緩和しました。 
あなたが数学をしているなら、私たちはただ心配しています
互いにx値を減算し、y 
お互いの価値観、私たちがどれだけ離れているかの私たちの推定は何ですか？ 
 DはCよりも目標に近いと推定できます。 
そして今、私たちはアプローチを持っています。 
フロンティアから削除するノードを選択する方法があります。 
そして、アルゴリズムの各段階で、 
フロンティアからノードを削除します。 
ノードが最小の場合、ノードを探索します
このヒューリスティック関数の値（最小の場合） 
ゴールまでのマンハッタン距離。 
そして、これは実際にはどのように見えるでしょうか？ 
まず、このグラフにラベルを付け、この迷路にラベルを付けます。 
このヒューリスティックの値を表す数値
関数、これらのセルのいずれかからのマンハッタン距離の値。 
たとえば、このセルからは、ゴールから1つ離れていました。 
このセルから、目標から2つ離れていました。 
 3つ離れて、4つ離れています。 

Korean: 
 결과적으로 D는 훨씬 더 가깝습니다. 
 단계가 적습니다. 
 목표를 달성하기 위해서는 6 단계 만 거치면됩니다. 
 다시 여기 벽을 무시합니다. 
 문제를 약간 완화했습니다. 
 우리는 단지 당신이 수학을하면 
 x 값을 서로 빼고 y 
 서로의 가치, 우리가 얼마나 멀리 떨어져 있는지에 대한 우리의 추정치는 무엇입니까? 
 D가 C보다 목표에 더 가깝다고 추정 할 수 있습니다. 
 이제 접근이 가능합니다. 
 프론티어에서 제거 할 노드를 선택하는 방법이 있습니다. 
 알고리즘의 각 단계에서 
 프론티어에서 노드를 제거합니다. 
 노드가 가장 작은 경우 노드를 탐색합니다. 
 이 휴리스틱 함수의 값이 가장 작은 경우 
 목표까지 맨하탄 거리. 
 그리고 이것이 실제로 어떻게 보일까요? 
 먼저이 그래프에 레이블을 지정하고이 미로에 레이블을 지정합니다. 
 이 휴리스틱의 가치를 나타내는 숫자로 
 함수,이 셀들로부터 맨해튼 거리의 값. 
 예를 들어이 셀에서 목표와는 거리가 멀었습니다. 
 이 세포에서 목표에서 두 거리를 두었습니다. 
 세 번, 네 번 

Arabic: 
 حسنًا ، كما اتضح ، فإن D أقرب كثيرًا. 
 هناك خطوات أقل. 
 تحتاج فقط إلى اتخاذ ست خطوات من أجل الوصول إلى هذا الهدف. 
 مرة أخرى هنا تجاهل الجدران. 
 لقد خففنا المشكلة قليلاً. 
 نحن معنيين فقط ، إذا قمت بالرياضيات ، 
 اطرح قيم x من بعضها البعض و y 
 القيم من بعضنا البعض ، ما هو تقديرنا لمدى بعدنا؟ 
 يمكننا تقدير أن D أقرب إلى الهدف من C. 
 والآن لدينا نهج. 
 لدينا طريقة في اختيار العقدة المطلوب إزالتها من الحدود. 
 وفي كل مرحلة من الخوارزمية ، نحن 
 ذاهب لإزالة العقدة من الحدود. 
 سنقوم باستكشاف العقدة ، إذا كانت أصغرها 
 قيمة لهذه الوظيفة الكشف عن مجريات الأمور ، إذا كان لديها أصغر 
 المسافة مانهاتن إلى المرمى. 
 إذن كيف سيبدو هذا في الواقع؟ 
 حسنًا ، دعوني أولاً أسمي هذا الرسم البياني ، وأسمه هذه المتاهة 
 مع رقم يمثل قيمة هذا الاستدلال 
 الوظيفة ، قيمة مسافة مانهاتن من أي من هذه الخلايا. 
 لذا من هذه الخلية ، على سبيل المثال ، كانت على بعد واحد من الهدف. 
 من هذه الخلية ، كانت على بعد اثنين من الهدف. 
 ثلاثة بعيدا ، أربعة بعيدا. 

Turkish: 
 Anlaşıldığı üzere, D çok daha yakın. 
 Daha az adım var. 
 Bu hedefe ulaşmak için sadece altı adım atması gerekiyor. 
 Yine burada duvarları görmezden geliyor. 
 Sorunu biraz gevşettik. 
 Sadece endişeliyiz, eğer matematik yaparsan, 
 x değerlerini birbirinden ve y'den çıkarın 
 değerleri birbirimizden, ne kadar uzakta olduğumuza dair tahminimiz nedir? 
 D'nin hedefe C'den daha yakın olduğunu tahmin edebiliriz. 
 Ve şimdi bir yaklaşımımız var. 
 Sınırdan hangi düğümü çıkaracağımızı seçmenin bir yolu var. 
 Ve algoritmamızın her aşamasında, 
 bir düğümü sınırdan kaldıracak. 
 En küçükse düğümü keşfedeceğiz 
 bu sezgisel işlev için değer, eğer en küçükse 
 Kaleye Manhattan mesafesi. 
 Peki bu aslında neye benzeyecekti? 
 Öncelikle bu grafiği etiketleyeyim, bu labirenti etiketleyeyim, 
 bu sezgisel değerin değerini temsil eden bir sayı ile 
 işlevi, bu hücrelerin herhangi birine Manhattan mesafesinin değeri. 
 Mesela bu hücreden, hedeften bir tane uzaktı. 
 Bu hücreden, hedeften iki uzaktı. 
 Üç uzakta, dört uzakta. 

Russian: 
 Ну, как оказалось, D гораздо ближе. 
 Есть меньше шагов. 
 Нужно всего лишь сделать шесть шагов, чтобы достичь этой цели. 
 Снова здесь игнорируем стены. 
 Мы немного ослабили проблему. 
 Мы просто обеспокоены, если вы делаете математику, 
 вычесть значения х друг от друга и у 
 ценности друг от друга, какова наша оценка того, как далеко мы находимся? 
 Мы можем оценить, что D ближе к цели, чем C. 
 И вот теперь у нас есть подход. 
 У нас есть способ выбрать, какой узел удалить с границы. 
 И на каждом этапе нашего алгоритма мы 
 собираюсь удалить узел от границы. 
 Мы собираемся исследовать узел, если он имеет наименьшее 
 значение для этой эвристической функции, если она имеет наименьшее 
 Манхэттен расстояние до цели. 
 И так, как это будет на самом деле выглядеть? 
 Хорошо, позвольте мне сначала обозначить этот график, обозначить этот лабиринт, 
 с числом, представляющим значение этой эвристики 
 функция, значение манхэттенского расстояния от любой из этих клеток. 
 Так из этой камеры, например, находился один от цели. 
 Из этой камеры были двое от цели. 
 Три, четыре. 

German: 
 Nun, wie sich herausstellt, ist D viel näher. 
 Es gibt weniger Schritte. 
 Es sind nur sechs Schritte erforderlich, um dieses Ziel zu erreichen. 
 Auch hier ignorieren die Wände. 
 Wir haben das Problem ein wenig gelockert. 
 Wir sind nur besorgt, wenn Sie rechnen, 
 subtrahieren Sie die x-Werte voneinander und vom y 
 Werte voneinander, wie schätzen wir ein, wie weit wir entfernt sind? 
 Wir können schätzen, dass D näher am Ziel ist als C. 
 Und jetzt haben wir einen Ansatz. 
 Wir haben eine Möglichkeit, den Knoten auszuwählen, der von der Grenze entfernt werden soll. 
 Und in jeder Phase unseres Algorithmus sind wir es 
 werde einen Knoten von der Grenze entfernen. 
 Wir werden den Knoten untersuchen, wenn er den kleinsten hat 
 Wert für diese heuristische Funktion, wenn sie die kleinste hat 
 Manhattan Entfernung zum Ziel. 
 Und wie würde das eigentlich aussehen? 
 Nun, lassen Sie mich zuerst dieses Diagramm beschriften, dieses Labyrinth beschriften, 
 mit einer Zahl, die den Wert dieser Heuristik darstellt 
 Funktion, der Wert der Manhattan-Entfernung von einer dieser Zellen. 
 So war zum Beispiel von dieser Zelle einer vom Ziel entfernt. 
 Von dieser Zelle waren zwei vom Ziel entfernt. 
 Drei weg, vier weg. 

Modern Greek (1453-): 
 Λοιπόν, όπως αποδεικνύεται, ο D είναι πολύ πιο κοντά. 
 Υπάρχουν λιγότερα βήματα. 
 Χρειάζεται μόνο έξι βήματα για να φτάσει σε αυτόν τον στόχο. 
 Και πάλι εδώ αγνοώντας τους τοίχους. 
 Χαλαρώσαμε λίγο το πρόβλημα. 
 Ανησυχούμε απλώς, αν κάνετε τα μαθηματικά, 
 αφαιρέστε τις τιμές x μεταξύ τους και το y 
 αξίες μεταξύ τους, ποια είναι η εκτίμησή μας για το πόσο μακριά είμαστε μακριά; 
 Μπορούμε να εκτιμήσουμε ότι το D είναι πιο κοντά στον στόχο από το C. 
 Και τώρα έχουμε μια προσέγγιση. 
 Έχουμε έναν τρόπο να επιλέξουμε ποιον κόμβο να αφαιρέσουμε από τα σύνορα. 
 Και σε κάθε στάδιο του αλγορίθμου μας, είμαστε 
 πρόκειται να αφαιρέσετε έναν κόμβο από τα σύνορα. 
 Θα εξερευνήσουμε τον κόμβο, εάν έχει τον μικρότερο 
 τιμή για αυτήν την ευρετική συνάρτηση, εάν έχει τη μικρότερη 
 Απόσταση στο Μανχάταν από τον στόχο. 
 Και πώς θα μοιάζει αυτό; 
 Λοιπόν, επιτρέψτε μου πρώτα να επισημάνω αυτό το γράφημα, να το επισημάνω με αυτόν τον λαβύρινθο, 
 με έναν αριθμό που αντιπροσωπεύει την αξία αυτού του ευρετικού 
 συνάρτηση, η τιμή της απόστασης του Μανχάταν από οποιοδήποτε από αυτά τα κελιά. 
 Έτσι, από αυτό το κελί, για παράδειγμα, ήταν ένα μακριά από τον στόχο. 
 Από αυτό το κελί, ήταν δύο μακριά από το γκολ. 
 Τρία μακριά, τέσσερα μακριά. 

Chinese: 
事實證明，D更接近。 
步驟更少。 
僅需採取六個步驟即可實現該目標。 
再次在這裡無視牆壁。 
我們已經稍微緩解了這個問題。 
我們只是擔心，如果您進行數學計算， 
相互減去x值和y 
彼此的價值，我們對我們有多遠的估計是什麼？ 
我們可以估計D比C更接近目標。 
因此，現在我們有了一種方法。 
我們可以選擇從邊界中刪除哪個節點。 
在我們算法的每個階段， 
將要從邊界刪除一個節點。 
如果節點最小，我們將進行探索
啟發式函數的值，如果它具有最小的值
曼哈頓距離目標的距離。 
那麼這實際上是什麼樣子？ 
好吧，讓我先標記此圖，標記此迷宮， 
用一個數字表示這種啟發式方法的價值
函數，即距這些單元中任何一個的曼哈頓距離的值。 
因此，例如，離這個目標只有一個距離目標。 
離這個目標只有兩個目標。 
三走，四走。 

Portuguese: 
 Bem, como se vê, D está muito mais perto. 
 Existem menos etapas. 
 É preciso apenas seis etapas para alcançar esse objetivo. 
 Mais uma vez aqui ignorando as paredes. 
 Relaxamos um pouco o problema. 
 Estamos apenas preocupados, se você fizer as contas, 
 subtrair os valores x um do outro ey 
 valores um do outro, qual é a nossa estimativa de quão longe estamos? 
 Podemos estimar que D está mais próximo da meta do que C. 
 E agora temos uma abordagem. 
 Temos uma maneira de escolher qual nó remover da fronteira. 
 E em cada estágio do nosso algoritmo, estamos 
 vai remover um nó da fronteira. 
 Vamos explorar o nó, se ele tiver o menor 
 valor para essa função heurística, se tiver a menor 
 Manhattan distância para o gol. 
 E então, como isso seria realmente? 
 Bem, deixe-me rotular este gráfico, rotular este labirinto, 
 com um número representando o valor dessa heurística 
 função, o valor da distância de Manhattan de qualquer uma dessas células. 
 Portanto, a partir dessa célula, por exemplo, ficava longe do objetivo. 
 A partir desta célula, estavam a dois metros do objetivo. 
 Três longe, quatro longe. 

Hindi: 
 खैर, जैसा कि यह निकला, डी बहुत करीब है। 
 कम कदम हैं। 
 उस लक्ष्य को पाने के लिए केवल छह कदम उठाने की जरूरत है। 
 यहाँ फिर से दीवारों की अनदेखी। 
 हमने समस्या को थोड़ा शांत किया है। 
 यदि आप गणित करते हैं, तो हम बस चिंतित हैं, 
 x मानों को एक दूसरे से और y से घटाएं 
 एक दूसरे से मान, हम दूर हैं कितनी दूर का हमारा अनुमान है? 
 हम अनुमान लगा सकते हैं कि D, C के मुकाबले लक्ष्य के करीब है। 
 और इसलिए अब हमारे पास एक दृष्टिकोण है। 
 हमारे पास सीमा से हटाने के लिए कौन सा नोड चुनने का एक तरीका है। 
 और हमारे एल्गोरिथ्म में प्रत्येक स्तर पर, हम कर रहे हैं 
 सीमा से एक नोड को हटाने के लिए जा रहा है। 
 हम नोड का पता लगाने जा रहे हैं, अगर इसमें सबसे छोटा है 
 इस हेयुरिस्टिक फ़ंक्शन के लिए मान, यदि यह सबसे छोटा है 
 लक्ष्य के लिए मैनहट्टन दूरी। 
 और इसलिए यह वास्तव में कैसा दिखेगा? 
 अच्छा, मैं पहले इस ग्राफ को लेबल करता हूं, इस भूलभुलैया को लेबल करता हूं, 
 इस अनुमान के मूल्य का प्रतिनिधित्व करने वाली संख्या के साथ 
 फ़ंक्शन, इन कोशिकाओं में से किसी से मैनहट्टन की दूरी का मूल्य। 
 इसलिए, इस सेल से, उदाहरण के लिए, लक्ष्य से एक दूर थे। 
 इस सेल से, गोल से दो दूर थे। 
 तीन दूर, चार दूर। 

Dutch: 
 Nou, het blijkt dat D veel dichterbij is. 
 Er zijn minder stappen. 
 Er zijn maar zes stappen nodig om dat doel te bereiken. 
 Weer hier de muren negerend. 
 We hebben het probleem een ​​beetje versoepeld. 
 We zijn alleen bezorgd over, als je de wiskunde doet, 
 trek de x-waarden van elkaar en de y af 
 waarden van elkaar, wat is onze schatting van hoe ver we weg zijn? 
 We kunnen inschatten dat D dichter bij het doel is dan C. 
 En dus hebben we nu een aanpak. 
 We hebben een manier om te kiezen welk knooppunt van de grens moet worden verwijderd. 
 En in elke fase van ons algoritme zijn we 
 gaat een knooppunt van de grens verwijderen. 
 We gaan het knooppunt verkennen, als het de kleinste is 
 waarde voor deze heuristische functie, als deze de kleinste heeft 
 Manhattan afstand tot het doel. 
 En hoe zou dit er dan eigenlijk uitzien? 
 Nou, laat me eerst deze grafiek labelen, dit doolhof labelen, 
 met een getal dat de waarde van deze heuristiek vertegenwoordigt 
 functie, de waarde van de Manhattan-afstand van een van deze cellen. 
 Dus vanuit deze cel waren er bijvoorbeeld een verwijderd van het doel. 
 Van deze cel waren er twee verwijderd van het doel. 
 Drie weg, vier weg. 

Chinese: 
事实证明，D更接近。 
步骤更少。 
仅需采取六个步骤即可实现该目标。 
再次在这里无视墙壁。 
我们已经稍微缓解了这个问题。 
我们只是担心，如果您进行数学计算， 
相互减去x值和y 
彼此的价值，我们对我们有多远的估计是什么？ 
我们可以估计D比C更接近目标。 
因此，现在我们有了一种方法。 
我们可以选择从边界中删除哪个节点。 
在我们算法的每个阶段， 
将要从边界删除一个节点。 
如果节点最小，我们将进行探索
启发式函数的值，如果它具有最小的值
曼哈顿距离目标的距离。 
那么这实际上是什么样子？ 
好吧，让我先标记此图，标记此迷宫， 
用一个数字表示这种启发式方法的价值
函数，即距这些单元中任何一个的曼哈顿距离的值。 
因此，例如，离这个目标只有一个距离目标。 
离这个目标只有两个目标。 
三走，四走。 

Chinese: 
在这里，我们有5个路程，因为我们必须先向右走然后向上四个。 
从这里的某个地方，曼哈顿的距离是2。 
我们离目标只有两个平方， 
在地理上，即使在实践中
需要走更长的路，但我们还不知道。 
启发式只是一些简单的估算方法
我们离目标有多远。 
也许我们的启发式方法过于乐观。 
它以为是，我们只有两步之遥， 
在实践中，当您考虑墙壁时，可能需要更多步骤。 
因此，重要的是启发式方法不是保证
它要采取多少步骤。 
它正在估计。 
这是尝试近似的尝试。 
通常看来，看起来更靠近正方形的情况
达到目标时启发式函数的值较小
而不是更远的正方形。 
因此，现在，使用贪婪的最佳优先搜索，该算法实际上可以做什么？ 
好吧，对于前五个步骤，没有太多选择。 
我们开始了这种初始状态，A。我们说，好的。 

Dutch: 
 Hier zijn we vijf weg, want we moeten één naar rechts en dan vier naar boven. 
 Vanaf ergens zoals hier is de afstand van Manhattan 2. 
 We zijn slechts twee vierkanten verwijderd van het doel, 
 geografisch, ook al zijn we dat in praktijken 
 zullen een langere weg moeten gaan, maar dat weten we nog niet. 
 De heuristiek is slechts een eenvoudige manier om in te schatten 
 hoe ver we verwijderd zijn van het doel. 
 En misschien is onze heuristiek overdreven optimistisch. 
 Het denkt dat we maar twee stappen verwijderd zijn, 
 als je in de praktijk de muren bekijkt, zijn het misschien meer stappen. 
 Het belangrijkste hier is dus dat de heuristiek geen garantie is 
 hoeveel stappen het gaat nemen. 
 Het is aan het schatten. 
 Het is een poging om te proberen te benaderen. 
 En het lijkt over het algemeen zo te zijn dat de vierkanten die dichterbij kijken 
 naar het doel hebben kleinere waarden voor de heuristische functie 
 dan pleinen die verder weg zijn. 
 Wat zou dit algoritme nu, met behulp van de hebberige best-first-zoekopdracht, eigenlijk kunnen doen? 
 Nogmaals, voor deze eerste vijf stappen is er niet veel keus. 
 We zijn begonnen met deze begintoestand, A. En we zeggen, oké. 

Modern Greek (1453-): 
 Εδώ είμαστε πέντε μακριά, γιατί πρέπει να πάμε ένα προς τα δεξιά και μετά τέσσερα πάνω. 
 Από κάπου όπως εδώ, η απόσταση του Μανχάταν είναι 2. 
 Είμαστε μόνο δύο τετράγωνα μακριά από το γκολ, 
 γεωγραφικά, παρόλο που στις πρακτικές είμαστε 
 θα πρέπει να ακολουθήσουμε μεγαλύτερο δρόμο, αλλά δεν το γνωρίζουμε ακόμη. 
 Ο ευρετικός είναι απλώς ένας εύκολος τρόπος εκτίμησης 
 πόσο μακριά είμαστε μακριά από τον στόχο. 
 Και ίσως ο ευρετικός μας είναι υπερβολικά αισιόδοξος. 
 Πιστεύει ότι, ναι, είμαστε μόνο δύο βήματα μακριά, 
 όταν στην πράξη, όταν εξετάζετε τους τοίχους, μπορεί να είναι περισσότερα βήματα. 
 Έτσι, το σημαντικό εδώ είναι ότι η ευρετική δεν αποτελεί εγγύηση 
 πόσα βήματα πρόκειται να λάβει. 
 Εκτιμά. 
 Είναι μια προσπάθεια προσπάθειας προσέγγισης. 
 Και φαίνεται γενικά ότι τα τετράγωνα που φαίνονται πιο κοντά 
 στο στόχο έχουν μικρότερες τιμές για την ευρετική συνάρτηση 
 από τετράγωνα που βρίσκονται πιο μακριά. 
 Τώρα λοιπόν, χρησιμοποιώντας την άπληστη αναζήτηση με την πρώτη καλύτερη, τι μπορεί να κάνει αυτός ο αλγόριθμος; 
 Λοιπόν, πάλι, για αυτά τα πρώτα πέντε βήματα, δεν υπάρχει μεγάλη επιλογή. 
 Ξεκινήσαμε αυτήν την αρχική κατάσταση, A. Και λέμε, εντάξει. 

German: 
 Hier sind wir fünf entfernt, weil wir eins nach rechts und dann vier nach oben gehen müssen. 
 Von irgendwo wie hier beträgt die Entfernung nach Manhattan 2. 
 Wir sind nur zwei Felder vom Tor entfernt, 
 geografisch, obwohl wir in der Praxis sind 
 Ich werde einen längeren Weg gehen müssen, aber das wissen wir noch nicht. 
 Die Heuristik ist nur eine einfache Methode zur Schätzung 
 Wie weit sind wir vom Ziel entfernt? 
 Und vielleicht ist unsere Heuristik zu optimistisch. 
 Es denkt, dass wir nur zwei Schritte entfernt sind, 
 Wenn Sie in der Praxis die Wände betrachten, sind es möglicherweise mehr Schritte. 
 Das Wichtigste dabei ist also, dass die Heuristik keine Garantie ist 
 wie viele Schritte es dauern wird. 
 Es wird geschätzt. 
 Es ist ein Versuch, sich anzunähern. 
 Und es scheint im Allgemeinen so, dass die Quadrate, die genauer hinsehen 
 zum Ziel haben kleinere Werte für die heuristische Funktion 
 als Quadrate, die weiter entfernt sind. 
 Was könnte dieser Algorithmus nun mit der gierigen Best-First-Suche tatsächlich tun? 
 Auch für diese ersten fünf Schritte gibt es keine große Auswahl. 
 Wir haben diesen Ausgangszustand begonnen, A. Und wir sagen, alles klar. 

French: 
 Ici, nous sommes à cinq, car nous devons aller un à droite puis quatre en haut. 
 De quelque part comme ici, la distance de Manhattan est de 2. 
 Nous ne sommes qu'à deux cases du but, 
 géographiquement, même si dans les pratiques nous sommes 
 va devoir prendre un chemin plus long, mais nous ne le savons pas encore. 
 L'heuristique n'est qu'un moyen simple d'estimer 
 à quelle distance nous sommes loin du but. 
 Et peut-être que notre heuristique est trop optimiste. 
 Il pense que, oui, nous ne sommes qu'à deux pas, 
 quand dans la pratique, quand on considère les murs, ça peut être plus d'étapes. 
 Donc, l'important ici est que l'heuristique n'est pas une garantie 
 du nombre d'étapes que cela va prendre. 
 C'est une estimation. 
 C'est une tentative d'essayer d'approximer. 
 Et il semble généralement que les carrés qui se rapprochent 
 à l'objectif ont des valeurs plus petites pour la fonction heuristique 
 que des carrés plus éloignés. 
 Alors maintenant, en utilisant la recherche best-first gourmande, que pourrait réellement faire cet algorithme? 
 Eh bien, encore une fois, pour ces cinq premières étapes, il n'y a pas beaucoup de choix. 
 Nous avons commencé cet état initial, A. Et nous disons, très bien. 

Arabic: 
 ها نحن على بعد خمسة ، لأننا يجب أن نذهب إلى اليمين ثم أربعة لأعلى. 
 من مكان مثل هنا ، مسافة مانهاتن هي 2. 
 نحن على بعد مربعين فقط من الهدف ، 
 جغرافيا ، على الرغم من أننا في الممارسات 
 سيتعين علينا اتخاذ مسار أطول ، لكننا لا نعرف ذلك بعد. 
 ارشادي مجرد طريقة سهلة لتقدير 
 إلى أي مدى نحن بعيدون عن الهدف. 
 وربما ارشادنا متفائل للغاية. 
 يعتقد أنه ، نعم ، نحن على بعد خطوتين فقط ، 
 عندما تكون عمليًا ، عندما تفكر في الجدران ، قد تكون خطوات أكثر. 
 لذا الشيء المهم هنا هو أن مجريات الأمور ليست ضمانة 
 عن عدد الخطوات التي ستتخذها. 
 هو تقدير. 
 إنها محاولة لمحاولة التقريب. 
 ويبدو بشكل عام أن المربعات التي تبدو أقرب 
 إلى الهدف لها قيم أصغر لوظيفة الكشف عن مجريات الأمور 
 من المربعات البعيدة. 
 الآن ، باستخدام البحث الأفضل الجشع ، ماذا يمكن أن تفعل هذه الخوارزمية في الواقع؟ 
 حسنًا ، مرة أخرى ، بالنسبة للخطوات الخمس الأولى ، ليس هناك الكثير من الخيارات. 
 بدأنا هذه الحالة الأولية ، ونقول ، حسنًا. 

Korean: 
 여기서 우리는 5 명 거리에 있습니다. 왜냐하면 우리는 오른쪽으로 1을 가다가 4를 가야하기 때문입니다. 
 여기 같은 곳에서 맨해튼 거리는 2입니다. 
 우리는 목표에서 2 칸 떨어져 있습니다. 
 비록 우리가 실제로는 비록 지리적으로 
 더 긴 길을 가야하지만 아직은 모릅니다. 
 휴리스틱은 추정하기 쉬운 방법입니다. 
 우리가 목표에서 얼마나 멀리 떨어져 있는지 
 그리고 우리의 휴리스틱은 지나치게 낙관적 일 것입니다. 
 우리는 단지 두 걸음 거리에 있다고 생각합니다. 
 실제로 벽을 고려할 때 더 많은 단계가 필요할 수 있습니다. 
 여기서 중요한 것은 휴리스틱이 보장되지 않는다는 것입니다. 
 얼마나 많은 단계를 거칠지 
 추정 중입니다. 
 근사하려는 시도입니다. 
 그리고 일반적으로 사각형이 더 가깝게 보이는 경우가 있습니다. 
 목표에 휴리스틱 함수의 값이 작습니다. 
 더 멀리있는 사각형보다. 
 이제 탐욕스러운 최고 우선 검색을 사용하면이 알고리즘이 실제로 무엇을 할 수 있습니까? 
 다시 말하지만, 처음 5 단계에는 선택의 여지가 없습니다. 
 우리는이 초기 상태를 시작했습니다. A. 그리고 우리는 말합니다. 

Japanese: 
右に1つ、次に4つ上に移動する必要があるため、ここでは5つ離れています。 
このような場所からマンハッタンの距離は2です。 
ゴールから2マスしか離れていません。 
地理的には、実際には私たちは
より長い道をたどる必要がありますが、それはまだわかりません。 
ヒューリスティックは、推定するためのいくつかの簡単な方法です
目標からどれだけ離れているか。 
そして、おそらく私たちのヒューリスティックは過度に楽観的です。 
ええ、たった2歩しか離れていないと思います。 
実際には、壁を考えると、より多くのステップになる可能性があります。 
ここで重要なのは、ヒューリスティックは保証ではないということです
いくつのステップを踏むのか。 
概算です。 
これは、近似しようとする試みです。 
そして、それは一般的に近くに見える正方形が
目標へのヒューリスティック関数の値が小さい
遠くにある正方形よりも。 
さて、貪欲なベストファースト検索を使用して、このアルゴリズムは実際に何をするでしょうか？ 
繰り返しになりますが、これらの最初の5つのステップについては、選択肢があまりありません。 
私たちはこの初期状態Aを開始しました。そして、大丈夫です。 

Spanish: 
 Aquí estamos a cinco de distancia, porque tenemos que ir uno a la derecha y luego cuatro arriba. 
 Desde algún lugar como aquí, la distancia de Manhattan es 2. 
 Estamos a solo dos cuadrados de la meta, 
 geográficamente, aunque en prácticas estamos 
 va a tener que tomar un camino más largo, pero aún no lo sabemos. 
 La heurística es solo una forma fácil de estimar 
 qué tan lejos estamos de la meta. 
 Y tal vez nuestra heurística es demasiado optimista. 
 Piensa que, sí, estamos a solo dos pasos de distancia, 
 cuando en la práctica, cuando consideras las paredes, podrían ser más pasos. 
 Entonces, lo importante aquí es que la heurística no es una garantía 
 de cuántos pasos va a tomar. 
 Está estimando. 
 Es un intento de intentar aproximarse. 
 Y en general parece que los cuadrados que se ven más cerca 
 a la meta tener valores más pequeños para la función heurística 
 que los cuadrados que están más lejos. 
 Así que ahora, usando la búsqueda codiciosa del mejor primero, ¿qué podría hacer realmente este algoritmo? 
 Bueno, nuevamente, para estos primeros cinco pasos, no hay mucha elección. 
 Comenzamos este estado inicial, A. Y decimos, está bien. 

Russian: 
 Здесь нас пять, потому что мы должны идти один вправо, а затем четыре вверх. 
 Откуда-то, как здесь, расстояние Манхэттена составляет 2. 
 Мы всего в двух квадратах от цели, 
 географически, хотя на практике мы 
 придется идти по более длинному пути, но мы пока этого не знаем. 
 Эвристика - это просто простой способ оценить 
 как далеко мы от цели. 
 И, возможно, наша эвристика слишком оптимистична. 
 Он думает, что да, мы всего в двух шагах, 
 на практике, когда вы рассматриваете стены, это может быть больше шагов. 
 Поэтому важно то, что эвристика не является гарантией 
 сколько шагов он собирается предпринять. 
 Это оценка. 
 Это попытка приблизиться. 
 И кажется, что в общем случае квадраты, которые выглядят ближе 
 к цели имеют меньшие значения для эвристической функции 
 чем квадраты, которые находятся дальше. 
 Итак, теперь, используя жадный поиск по принципу «лучший в первую очередь», что может на самом деле делать этот алгоритм? 
 Ну, опять же, для этих первых пяти шагов, выбор невелик. 
 Мы начали это начальное состояние, А. И мы говорим, все в порядке. 

Indonesian: 
 Di sini kita tinggal lima, karena kita harus pergi satu ke kanan dan kemudian naik empat. 
 Dari suatu tempat seperti di sini, jarak Manhattan adalah 2. 
 Kami hanya berjarak dua kotak dari gawang, 
 secara geografis, meskipun dalam praktiknya kami 
 harus mengambil jalan yang lebih panjang, tetapi kita belum tahu itu. 
 Heuristik hanyalah beberapa cara mudah untuk memperkirakan 
 seberapa jauh kita jauh dari tujuan. 
 Dan mungkin heuristik kita terlalu optimis. 
 Ia berpikir bahwa, ya, kami hanya dua langkah lagi, 
 ketika dalam praktek, ketika Anda mempertimbangkan dinding, mungkin lebih banyak langkah. 
 Jadi yang penting di sini adalah heuristik itu bukan jaminan 
 berapa banyak langkah yang akan diambil. 
 Ini memperkirakan. 
 Ini merupakan upaya mencoba perkiraan. 
 Dan tampaknya memang kasus kotak yang terlihat lebih dekat 
 untuk tujuan memiliki nilai yang lebih kecil untuk fungsi heuristik 
 dari kotak yang lebih jauh. 
 Jadi sekarang, menggunakan pencarian best-first rakus, apa yang sebenarnya dilakukan algoritma ini? 
 Sekali lagi, untuk lima langkah pertama ini, tidak ada banyak pilihan. 
 Kami memulai keadaan awal ini, A. Dan kami katakan, baiklah. 

Turkish: 
 Burada beş kişiyiz, çünkü bir tane sağa sonra dört tane yukarı gitmeliyiz. 
 Burada olduğu gibi bir yerden Manhattan mesafesi 2. 
 Hedeften sadece iki kare uzaktayız, 
 coğrafi olarak, uygulamalarda 
 daha uzun bir yol izlememiz gerekecek, ama henüz bunu bilmiyoruz. 
 Buluşsal yöntem tahmin etmenin kolay bir yoludur 
 hedeften ne kadar uzak olduğumuzu. 
 Belki de buluşsal yöntemimiz aşırı iyimserdir. 
 Evet, sadece iki adım uzak olduğumuzu düşünüyor, 
 pratikte, duvarları düşündüğünüzde, daha fazla adım olabilir. 
 Burada önemli olan, sezginin bir garanti olmadığıdır 
 kaç adım atılacağına dair. 
 Tahmin ediyor. 
 Bu, yaklaşık olarak denemeye çalışmaktır. 
 Ve genellikle daha yakından görünen karelerin 
 sezgisel fonksiyon için hedefe daha küçük değerler 
 uzaktaki karelerden daha çok. 
 Şimdi, açgözlü ilk önce arama kullanarak, bu algoritma aslında ne yapabilir? 
 Yine, bu ilk beş adım için çok fazla seçenek yok. 
 Bu başlangıç ​​durumuna başladık, A ve diyoruz ki, tamam. 

Italian: 
 Eccoci a cinque di distanza, perché dobbiamo andare uno a destra e poi quattro in alto. 
 Da qualche parte come qui, la distanza di Manhattan è 2. 
 Siamo a soli due quadrati dall'obiettivo, 
 geograficamente, anche se nelle pratiche siamo 
 dovremo prendere una strada più lunga, ma non lo sappiamo ancora. 
 L'euristica è solo un modo semplice per stimare 
 quanto siamo lontani dall'obiettivo. 
 E forse la nostra euristica è eccessivamente ottimista. 
 Pensa che, sì, siamo solo a due passi di distanza, 
 quando in pratica, quando si considerano i muri, potrebbero essere più passaggi. 
 Quindi la cosa importante qui è che l'euristica non è una garanzia 
 di quanti passi ci vorranno. 
 Sta stimando. 
 È un tentativo di provare ad approssimarsi. 
 E in genere sembra che i quadrati che guardano più da vicino 
 all'obiettivo hanno valori più piccoli per la funzione euristica 
 dei quadrati più lontani. 
 Quindi ora, usando l'avida ricerca best-first, cosa potrebbe effettivamente fare questo algoritmo? 
 Bene, ancora una volta, per questi primi cinque passaggi, non c'è molta scelta. 
 Abbiamo iniziato questo stato iniziale, A. E diciamo, va bene. 

Portuguese: 
 Aqui estamos a cinco, porque temos que ir um para a direita e depois quatro para cima. 
 De algum lugar como aqui, a distância de Manhattan é 2. 
 Estamos a apenas dois quadrados do gol, 
 geograficamente, mesmo que nas práticas 
 terá que seguir um caminho mais longo, mas ainda não sabemos disso. 
 A heurística é apenas uma maneira fácil de estimar 
 a que distância estamos do objetivo. 
 E talvez nossa heurística seja excessivamente otimista. 
 Acha que sim, estamos a apenas dois passos de distância, 
 quando na prática, quando você considera as paredes, pode haver mais etapas. 
 Então, o importante aqui é que a heurística não é uma garantia 
 de quantos passos serão necessários. 
 Está estimando. 
 É uma tentativa de tentar aproximar. 
 E geralmente parece que os quadrados que parecem mais próximos 
 para o objetivo ter valores menores para a função heurística 
 do que quadrados mais distantes. 
 Então agora, usando a melhor pesquisa ambiciosa, o que esse algoritmo pode realmente fazer? 
 Bem, novamente, para estes cinco primeiros passos, não há muita escolha. 
 Começamos esse estado inicial, A. E dizemos, tudo bem. 

Chinese: 
在這裡，我們有5個路程，因為我們必須先向右走然後向上四個。 
從這裡的某個地方，曼哈頓的距離是2。 
我們離目標只有兩個平方， 
在地理上，即使在實踐中
需要走更長的路，但我們還不知道。 
啟發式只是一些簡單的估算方法
我們離目標有多遠。 
也許我們的啟發式方法過於樂觀。 
它以為是，我們只有兩步之遙， 
在實踐中，當您考慮牆壁時，可能需要更多步驟。 
因此，重要的是啟發式方法不是保證
它要採取多少步驟。 
它正在估計。 
這是嘗試近似的嘗試。 
通常看來，看起來更靠近正方形的情況
達到目標時啟發式函數的值較小
而不是更遠的正方形。 
因此，現在，使用貪婪的最佳優先搜索，該算法實際上可以做什麼？ 
好吧，對於前五個步驟，沒有太多選擇。 
我們開始了這種初始狀態，A。我們說，好的。 

English: 
Here we're five away, because we have to go one to the right and then four up.
From somewhere like here, the Manhattan distance is 2.
We're only two squares away from the goal,
geographically, even though in practices we're
going to have to take a longer path, but we don't know that yet.
The heuristic is just some easy way to estimate
how far we are away from the goal.
And maybe our heuristic is overly optimistic.
It thinks that, yeah, we're only two steps away,
when in practice, when you consider the walls, it might be more steps.
So the important thing here is that the heuristic isn't a guarantee
of how many steps it's going to take.
It is estimating.
It's an attempt at trying to approximate.
And it does seem generally the case that the squares that look closer
to the goal have smaller values for the heuristic function
than squares that are further away.
So now, using greedy best-first search, what might this algorithm actually do?
Well, again, for these first five steps, there's not much of a choice.
We started this initial state, A. And we say, all right.

Hindi: 
 यहाँ हम पाँच दूर हैं, क्योंकि हमें एक को दाईं ओर जाना है और फिर चार को। 
 यहाँ की तरह कहीं से, मैनहट्टन की दूरी 2 है। 
 हम लक्ष्य से केवल दो वर्ग दूर हैं, 
 भौगोलिक रूप से, भले ही हम प्रथाओं में हैं 
 एक लंबा रास्ता तय करना होगा, लेकिन हम अभी तक यह नहीं जानते हैं। 
 अनुमान लगाने का सिर्फ कुछ आसान तरीका है 
 हम लक्ष्य से कितनी दूर हैं। 
 और हो सकता है कि हमारा अनुमानवादी अत्यधिक आशावादी हो। 
 ऐसा लगता है कि, हाँ, हम केवल दो कदम दूर हैं, 
 जब आप दीवारों पर विचार करते हैं, तो यह अधिक चरण हो सकता है। 
 तो यहाँ महत्वपूर्ण बात यह है कि अनुमानी गारंटी नहीं है 
 कितने कदम यह लेने जा रहा है। 
 यह अनुमान लगा रहा है। 
 यह अनुमानित करने की कोशिश में एक प्रयास है। 
 और यह आमतौर पर ऐसा लगता है कि जो वर्ग करीब दिखते हैं 
 लक्ष्य के लिए यकृत समारोह के लिए छोटे मूल्य हैं 
 वर्गों से कि आगे दूर हैं। 
 तो अब, लालची सर्वोत्तम-प्रथम खोज का उपयोग करते हुए, यह एल्गोरिथम वास्तव में क्या कर सकता है? 
 खैर, फिर से, इन पहले पांच चरणों के लिए, एक विकल्प नहीं है। 
 हमने यह प्रारंभिक राज्य शुरू किया, ए और हम कहते हैं, सब ठीक है। 

Modern Greek (1453-): 
 Πρέπει να εξερευνήσουμε αυτές τις πέντε πολιτείες. 
 Αλλά τώρα έχουμε ένα σημείο απόφασης. 
 Τώρα έχουμε μια επιλογή μεταξύ της μετάβασης αριστερά και της δεξιά. 
 Και πριν, όταν οι DFS και BFS θα επέλεγαν αυθαίρετα γιατί απλά 
 εξαρτάται από τη σειρά που ρίχνετε αυτούς τους δύο κόμβους στα σύνορα - 
 και δεν καθορίσαμε ποια παραγγελία τα βάλατε στα σύνορα, μόνο την παραγγελία 
 τα βγάζεις έξω. 
 Εδώ μπορούμε να δούμε τα 13 και 11 και να το πούμε, εντάξει, 
 αυτό το τετράγωνο απέχει 11 μέτρα από το γκολ, 
 σύμφωνα με τον ευρετικό μας, σύμφωνα με την εκτίμησή μας. 
 Και αυτό εκτιμάμε ότι απέχει 13 από τον στόχο. 
 Έτσι, μεταξύ αυτών των δύο επιλογών, μεταξύ αυτών των δύο επιλογών, 
 Θα προτιμούσα να έχω το 11. 
 Θα προτιμούσα να είμαι 11 βήματα μακριά από το γκολ, οπότε θα πάω δεξιά. 
 Είμαστε σε θέση να λάβουμε μια τεκμηριωμένη απόφαση, επειδή γνωρίζουμε λίγο κάτι περισσότερο 
 για αυτό το πρόβλημα. 
 Έτσι συνεχίζουμε να ακολουθούμε 10, 9, 8-- 
 μεταξύ των δύο επτά. 
 Δεν έχουμε πραγματικά πολύ τρόπο να ξέρουμε μεταξύ αυτών. 
 Επομένως, πρέπει απλώς να κάνουμε μια αυθαίρετη επιλογή. 
 Και ξέρεις τι? 
 Ίσως επιλέγουμε λάθος. 

Indonesian: 
 Kami harus menjelajahi lima negara bagian ini. 
 Tetapi sekarang kita memiliki titik keputusan. 
 Sekarang kita memiliki pilihan antara belok kiri dan kanan. 
 Dan sebelumnya, ketika DFS dan BFS hanya akan memilih secara sewenang-wenang karena itu hanya 
 tergantung pada urutan Anda membuang dua node ini ke frontier-- 
 dan kami tidak menentukan pesanan apa yang Anda masukkan ke perbatasan, hanya pesanan 
 kamu mengambil mereka. 
 Di sini kita dapat melihat 13 dan 11 dan mengatakan bahwa, baiklah, 
 alun-alun ini berjarak 11 dari tujuan, 
 menurut heuristik kami, menurut perkiraan kami. 
 Dan yang ini kami perkirakan berjarak 13 dari tujuan. 
 Jadi antara dua opsi itu, antara dua pilihan ini, 
 Saya lebih suka memiliki 11. 
 Saya lebih suka berada 11 langkah dari gawang, jadi saya akan ke kanan. 
 Kami dapat membuat keputusan berdasarkan informasi karena kami tahu sedikit lebih banyak 
 tentang masalah ini. 
 Jadi kita terus mengikuti 10, 9, 8-- 
 antara dua tujuh. 
 Kami tidak memiliki banyak cara untuk mengetahui di antara mereka. 
 Jadi kita memang harus membuat pilihan yang sewenang-wenang. 
 Dan tahukah Anda? 
 Mungkin kita salah memilih. 

German: 
 Wir müssen diese fünf Staaten erforschen. 
 Aber jetzt haben wir einen Entscheidungspunkt. 
 Jetzt haben wir die Wahl zwischen links und rechts. 
 Und vorher, wenn DFS und BFS nur willkürlich auswählen würden, weil es einfach ist 
 hängt von der Reihenfolge ab, in der Sie diese beiden Knoten in die Grenze werfen. 
 und wir haben nicht angegeben, in welcher Reihenfolge Sie sie an die Grenze setzen, sondern nur die Reihenfolge 
 du nimmst sie raus. 
 Hier können wir uns 13 und 11 ansehen und sagen, dass alles in Ordnung ist, 
 Dieses Feld ist 11 Meter vom Tor entfernt. 
 nach unserer Heuristik, nach unserer Schätzung. 
 Und dieser ist schätzungsweise 13 vom Ziel entfernt. 
 Also zwischen diesen beiden Optionen, zwischen diesen beiden Optionen, 
 Ich hätte lieber die 11. 
 Ich wäre lieber 11 Schritte vom Ziel entfernt, also gehe ich nach rechts. 
 Wir können eine fundierte Entscheidung treffen, weil wir etwas mehr wissen 
 über dieses Problem. 
 Also folgen wir weiter 10, 9, 8-- 
 zwischen den beiden Siebenen. 
 Wir haben nicht wirklich viel zu wissen zwischen diesen. 
 Dann müssen wir nur noch eine willkürliche Wahl treffen. 
 Und weisst du was? 
 Vielleicht wählen wir falsch. 

Portuguese: 
 Temos que explorar esses cinco estados. 
 Mas agora temos um ponto de decisão. 
 Agora temos uma escolha entre ir para a esquerda e para a direita. 
 E antes, quando o DFS e o BFS selecionavam arbitrariamente porque apenas 
 depende da ordem em que você joga esses dois nós na fronteira-- 
 e não especificamos em que ordem você os coloca na fronteira, apenas o pedido 
 você os tira. 
 Aqui podemos ver 13 e 11 e dizer que, tudo bem, 
 esta praça fica a uma distância de 11 da meta, 
 de acordo com nossa heurística, de acordo com nossa estimativa. 
 E este que estimamos estar 13 longe da meta. 
 Então, entre essas duas opções, entre essas duas opções, 
 Eu prefiro ter o 11. 
 Prefiro estar a 11 passos do objetivo, então vou para a direita. 
 Somos capazes de tomar uma decisão informada porque sabemos um pouco mais 
 sobre esse problema. 
 Então continuamos seguindo 10, 9, 8-- 
 entre os dois setes. 
 Nós realmente não temos muita maneira de saber entre eles. 
 Então, nós apenas temos que fazer uma escolha arbitrária. 
 E sabe de uma coisa? 
 Talvez nós escolhemos errado. 

Japanese: 
私たちはこれらの5つの州を探索する必要があります。 
しかし今、私たちは決定ポイントを持っています。 
これで、左に行くか右に行くかを選択できます。 
以前は、DFSとBFSが勝手に選択した場合、 
これら2つのノードをフロンティアに投入する順序に依存します- 
フロンティアに入れる順序は指定しませんでした
あなたはそれらを取り出します。 
ここで13と11を見て、 
この正方形はゴールから11の距離です。 
ヒューリスティックに基づいて、見積もりに基づいて。 
そして、これは目標から13離れていると推定しています。 
つまり、これら2つのオプションの間、これら2つの選択肢の間、 
私はむしろ11を持っています。 
目標から11歩は離れたほうがいいので、右に行きます。 
私たちはもう少し何かを知っているので、情報に基づいた決定をすることができます
この問題について。 
そのため、10、9、8を追跡します。 
 2つの7の間。 
私たちはそれらの間を知る方法があまりありません。 
したがって、任意の選択を行う必要があります。 
そして、あなたは何を知っていますか？ 
多分私たちは間違って選択します。 

Chinese: 
我们必须探索这五个状态。 
但是现在我们有了一个决定点。 
现在我们可以在左移和右移之间进行选择。 
之前，DFS和BFS会随意选择，因为
取决于您将这两个节点放入边界的顺序- 
而且我们没有指定您将其放入边境的顺序，只有顺序
你把它们拿出来。 
在这里，我们可以看一下13和11，然后说， 
这个正方形与目标的距离为11 
根据我们的启发，根据我们的估计。 
而我们估计这一距离目标还有13距离。 
因此，在这两个选项之间，在这两个选择之间， 
我宁愿有11。 
我宁愿离目标11步之遥，所以我会向右走。 
我们能够做出明智的决定，因为我们了解更多
关于这个问题。 
因此，我们继续关注10、9、8- 
在两个七个之间。 
我们之间真的没有太多了解的方法。 
因此，我们只需要做出一个任意选择即可。 
你知道吗？ 
也许我们选择错了。 

Turkish: 
 Bu beş eyaleti araştırmalıyız. 
 Ama şimdi bir karar noktamız var. 
 Şimdi sola gitmek ve sağa gitmek arasında bir seçeneğimiz var. 
 Ve daha önce, DFS ve BFS keyfi olarak seçtikleri için 
 bu iki düğümü sınıra attığınız sıraya bağlıdır. 
 ve onları hangi sırayla sınıra koyduğunuzu belirtmedik, sadece 
 onları dışarı çıkar. 
 Burada 13 ve 11'e bakıp şunu söyleyebiliriz, tamam, 
 bu meydan hedefe 11 kilometre uzaklıkta, 
 buluşsal yöntemimize göre, tahminimize göre. 
 Ve bu hedeften 13 uzak olduğunu tahmin ediyoruz. 
 Bu iki seçenek arasında, bu iki seçenek arasında, 
 11'i tercih ederim. 
 Hedeften 11 adım uzak olmayı tercih ederim, bu yüzden sağa gideceğim. 
 Bilgili bir karar verebiliriz çünkü biraz daha fazla şey biliyoruz 
 bu sorun hakkında. 
 Sonra 10, 9, 8-- 
 iki yedili arasında. 
 Bunlar arasında gerçekten bilmemiz gereken çok bir yol yok. 
 O zaman sadece keyfi bir seçim yapmak zorundayız. 
 Ve biliyor musun? 
 Belki de yanlış seçeriz. 

Korean: 
 우리는이 5 개 주를 탐험해야합니다. 
 그러나 지금 우리는 결정 포인트가 있습니다. 
 이제 우리는 왼쪽과 오른쪽으로가는 것을 선택할 수 있습니다. 
 그리고 전에 DFS와 BFS는 임의로 선택했기 때문에 
 이 두 노드를 프론티어에 던지는 순서에 따라 
 우리는 당신이 그것들을 프론티어에 넣는 순서를 지정하지 않았습니다. 
 당신은 그들을 꺼내. 
 여기서 우리는 13과 11을보고 말할 수 있습니다. 
 이 정사각형은 목표에서 11 거리 떨어져 있습니다. 
 우리의 추정에 따르면 휴리스틱에 따르면 
 그리고 이것은 우리가 목표에서 13 떨어져 있다고 추정합니다. 
 두 옵션 사이,이 두 옵션 사이에서 
 차라리 11을 갖고 싶습니다. 
 목표에서 11 단계 떨어져 있기 때문에 오른쪽으로 갈 것입니다. 
 우리는 조금 더 알고 있기 때문에 정보에 근거한 결정을 내릴 수 있습니다 
 이 문제에 대해. 
 그럼 계속해서 10, 9, 8 
 두 일곱 사이. 
 우리는 실제로 그들 사이를 알 방법이 많지 않습니다. 
 따라서 우리는 임의의 선택을해야합니다. 
 그리고 당신은 무엇을 알고 있습니까? 
 어쩌면 우리는 잘못 선택했을 수도 있습니다. 

Arabic: 
 علينا استكشاف هذه الدول الخمس. 
 ولكن الآن لدينا نقطة قرار. 
 الآن لدينا خيار بين الذهاب يسارًا والذهاب يمينًا. 
 وقبل ذلك ، عندما تختار DFS و BFS بشكل تعسفي لأنها فقط 
 يعتمد على الترتيب الذي ترمي به هاتين العقدين في الحدود-- 
 ولم نحدد الترتيب الذي وضعتهم فيه على الحدود ، فقط الترتيب 
 تخرجهم. 
 هنا يمكننا أن ننظر إلى 13 و 11 ونقول ذلك ، حسنًا ، 
 هذه الساحة على مسافة 11 من الهدف ، 
 وفقًا لإرشاداتنا ، وفقًا لتقديرنا. 
 وهذا الرقم الذي نقدر أنه بعيد 13 عن الهدف. 
 لذا بين هذين الخيارين ، بين هذين الخيارين ، 
 أفضل أن أحصل على 11. 
 أفضل أن أكون على بعد 11 خطوة من الهدف ، لذا سأذهب إلى اليمين. 
 يمكننا اتخاذ قرار مستنير لأننا نعرف شيئًا أكثر قليلاً 
 حول هذه المشكلة. 
 ثم نستمر في متابعة 10 ، 9 ، 8-- 
 بين السبعين. 
 ليس لدينا الكثير من الطرق لمعرفة ذلك. 
 لذا علينا فقط أن نتخذ قرارا تعسفيا. 
 وتعلم ماذا؟ 
 ربما نختار خطأ. 

Dutch: 
 We moeten deze vijf staten verkennen. 
 Maar nu hebben we een beslissingspunt. 
 Nu hebben we de keuze tussen naar links gaan en naar rechts gaan. 
 En voorheen, wanneer DFS en BFS willekeurig zouden kiezen omdat het gewoon 
 hangt af van de volgorde waarin je deze twee knooppunten in de grens gooit-- 
 en we hebben niet gespecificeerd in welke volgorde je ze in de grens hebt geplaatst, alleen de volgorde 
 je haalt ze eruit. 
 Hier kunnen we 13 en 11 bekijken en zeggen dat, oké, 
 dit vierkant is een afstand van 11 verwijderd van het doel, 
 volgens onze heuristiek, volgens onze schatting. 
 En deze schatten we op 13 afstand van het doel. 
 Dus tussen deze twee opties, tussen deze twee keuzes, 
 Ik heb liever de 11. 
 Ik ben liever 11 stappen verwijderd van het doel, dus ik ga naar rechts. 
 We kunnen een weloverwogen beslissing nemen omdat we iets meer weten 
 over dit probleem. 
 Dus dan volgen we 10, 9, 8-- 
 tussen de twee zevens. 
 We hebben niet echt een goede manier om daar tussen te weten. 
 Dus dan moeten we gewoon een willekeurige keuze maken. 
 En weet je wat? 
 Misschien kiezen we verkeerd. 

Spanish: 
 Tenemos que explorar estos cinco estados. 
 Pero ahora tenemos un punto de decisión. 
 Ahora tenemos la opción de ir a la izquierda o a la derecha. 
 Y antes, cuando DFS y BFS simplemente elegían arbitrariamente porque solo 
 depende del orden en que arroje estos dos nodos a la frontera: 
 y no especificamos en qué orden los pones en la frontera, solo el orden 
 los sacas 
 Aquí podemos mirar 13 y 11 y decir que, de acuerdo, 
 esta plaza está a una distancia de 11 de la meta, 
 según nuestra heurística, según nuestra estimación. 
 Y este estimamos estar a 13 del objetivo. 
 Entonces, entre esas dos opciones, entre estas dos opciones, 
 Prefiero tener el 11. 
 Prefiero estar a 11 pasos de la meta, así que iré a la derecha. 
 Podemos tomar una decisión informada porque sabemos algo más 
 sobre este problema 
 Entonces seguimos siguiendo 10, 9, 8-- 
 entre los dos sietes. 
 Realmente no tenemos mucha manera de saber entre ellos. 
 Entonces, solo tenemos que hacer una elección arbitraria. 
 ¿Y sabes qué? 
 Tal vez elegimos mal. 

French: 
 Nous devons explorer ces cinq états. 
 Mais maintenant, nous avons un point de décision. 
 Maintenant, nous avons le choix entre aller à gauche et aller à droite. 
 Et avant, quand DFS et BFS choisissaient simplement arbitrairement parce que 
 dépend de l'ordre dans lequel vous jetez ces deux nœuds dans le frontier-- 
 et nous n'avons pas précisé quel ordre vous les mettez à la frontière, seul l'ordre 
 vous les sortez. 
 Ici, nous pouvons regarder 13 et 11 et dire que, très bien, 
 ce carré est à une distance de 11 du but, 
 selon notre heuristique, selon notre estimation. 
 Et celui-ci, nous estimons être à 13 de l'objectif. 
 Donc, entre ces deux options, entre ces deux choix, 
 Je préfère avoir le 11. 
 Je préfère être à 11 pas du but, je vais donc à droite. 
 Nous sommes en mesure de prendre une décision éclairée parce que nous en savons un peu plus 
 à propos de ce problème. 
 Alors, nous continuons à suivre 10, 9, 8 ... 
 entre les deux sept. 
 Nous n'avons pas vraiment beaucoup de moyen de savoir entre ceux-ci. 
 Il nous suffit donc de faire un choix arbitraire. 
 Et tu sais quoi? 
 Peut-être que nous choisissons mal. 

English: 
We have to explore these five states.
But now we have a decision point.
Now we have a choice between going left and going right.
And before, when DFS and BFS would just pick arbitrarily because it just
depends on the order you throw these two nodes into the frontier--
and we didn't specify what order you put them into the frontier, only the order
you take them out.
Here we can look at 13 and 11 and say that, all right,
this square is a distance of 11 away from the goal,
according to our heuristic, according to our estimate.
And this one we estimate to be 13 away from the goal.
So between those two options, between these two choices,
I'd rather have the 11.
I'd rather be 11 steps away from the goal, so I'll go to the right.
We're able to make an informed decision because we know a little something more
about this problem.
So then we keep following 10, 9, 8--
between the two sevens.
We don't really have much of a way to know between those.
So then we do just have to make an arbitrary choice.
And you know what?
Maybe we choose wrong.

Russian: 
 Мы должны исследовать эти пять штатов. 
 Но теперь у нас есть точка принятия решения. 
 Теперь у нас есть выбор между идти налево и идти направо. 
 И раньше, когда DFS и BFS просто выбирали произвольно, потому что это просто 
 зависит от порядка, в котором вы бросаете эти два узла в границу-- 
 и мы не указали, в каком порядке вы разместите их на границе, только порядок 
 Вы берете их. 
 Здесь мы можем посмотреть на 13 и 11 и сказать, что все в порядке, 
 эта площадь на расстоянии 11 от цели, 
 согласно нашей эвристике, по нашей оценке. 
 И этот мы оцениваем как 13 от цели. 
 Итак, между этими двумя вариантами, между этими двумя вариантами, 
 Я предпочел бы иметь 11. 
 Я предпочел бы быть в 11 шагах от цели, поэтому я пойду направо. 
 Мы можем принять взвешенное решение, потому что знаем немного больше 
 об этой проблеме. 
 Итак, мы продолжаем следовать 10, 9, 8-- 
 между двумя семерками. 
 У нас нет особого способа узнать между ними. 
 Итак, мы просто должны сделать произвольный выбор. 
 И знаешь, что? 
 Может быть, мы выбрали неправильно. 

Italian: 
 Dobbiamo esplorare questi cinque stati. 
 Ma ora abbiamo un punto decisionale. 
 Ora abbiamo una scelta tra andare a sinistra e andare a destra. 
 E prima, quando DFS e BFS sceglievano arbitrariamente perché semplicemente 
 dipende dall'ordine in cui lanci questi due nodi nella frontiera-- 
 e non abbiamo specificato quale ordine li hai messi alla frontiera, solo l'ordine 
 li porti fuori. 
 Qui possiamo guardare 13 e 11 e dire che, va bene, 
 questa piazza è una distanza di 11 dall'obiettivo, 
 secondo la nostra euristica, secondo la nostra stima. 
 E questo stimiamo essere a 13 di distanza dall'obiettivo. 
 Quindi tra queste due opzioni, tra queste due scelte, 
 Preferirei avere l'11. 
 Preferirei essere a 11 passi dall'obiettivo, quindi andrò a destra. 
 Siamo in grado di prendere una decisione informata perché sappiamo qualcosa di più 
 su questo problema. 
 Quindi continuiamo a seguire 10, 9, 8-- 
 tra i due sette. 
 Non abbiamo davvero molto modo di sapere tra quelli. 
 Quindi non ci resta che fare una scelta arbitraria. 
 E tu sai cosa? 
 Forse scegliamo sbagliato. 

Chinese: 
我們必須探索這五個狀態。 
但是現在我們有了一個決定點。 
現在我們可以在左移和右移之間進行選擇。 
之前，DFS和BFS會隨意選擇，因為
取決於您將這兩個節點放入邊界的順序- 
而且我們沒有指定您將其放入邊境的順序，只有順序
你把它們拿出來。 
在這裡，我們可以看一下13和11，然後說， 
這個正方形與目標的距離為11 
根據我們的啟發，根據我們的估計。 
而我們估計這一距離目標還有13距離。 
因此，在這兩個選項之間，在這兩個選擇之間， 
我寧願有11。 
我寧願離目標11步之遙，所以我會向右走。 
我們能夠做出明智的決定，因為我們了解更多
關於這個問題。 
因此，我們繼續關注10、9、8- 
在兩個七個之間。 
我們之間真的沒有太多了解的方法。 
因此，我們只需要做出一個任意選擇即可。 
你知道嗎？ 
也許我們選擇錯了。 

Hindi: 
 हमें इन पांच राज्यों का पता लगाना होगा। 
 लेकिन अब हमारे पास एक निर्णय बिंदु है। 
 अब हमारे पास बाएं जाने और दाएं जाने के बीच एक विकल्प है। 
 और इससे पहले, जब डीएफएस और बीएफएस केवल मनमाने ढंग से उठाएगा क्योंकि यह सिर्फ 
 आदेश पर निर्भर करता है कि आप इन दो नोडों को सीमा में फेंक देते हैं-- 
 और हमने यह निर्दिष्ट नहीं किया कि आपने उन्हें किस क्रम में रखा है, केवल आदेश 
 आप उन्हें बाहर निकालें। 
 यहां हम 13 और 11 को देख सकते हैं और कहेंगे कि, सब ठीक है, 
 यह वर्ग गोल से 11 की दूरी पर है, 
 हमारे अनुमान के अनुसार, हमारे अनुमान के अनुसार। 
 और यह एक हम लक्ष्य से 13 दूर होने का अनुमान है। 
 तो उन दो विकल्पों के बीच, इन दो विकल्पों के बीच, 
 मैं बल्कि 11 होगा। 
 मैं लक्ष्य से 11 कदम दूर रहूंगा, इसलिए मैं दाईं ओर जाऊंगा। 
 हम एक सूचित निर्णय लेने में सक्षम हैं क्योंकि हम कुछ अधिक जानते हैं 
 इस समस्या के बारे में। 
 तो फिर हम 10, 9, 8-- का अनुसरण करते हैं 
 दोनों सेवियों के बीच। 
 हम वास्तव में उन लोगों के बीच जानने का एक तरीका नहीं है। 
 तो फिर हम सिर्फ एक मनमाना विकल्प बनाने के लिए है। 
 और क्या आपको पता है? 
 शायद हम गलत चुनते हैं। 

Chinese: 
但这没关系，因为现在我们仍然可以说，好的，让我们尝试这七个。 
我们说七点，六点。 
即使增加，我们也必须做出选择
启发式函数的值。 
但是现在我们有了另一个决策点，介于六个和八个之间。 
在这两个之间
实际上，我们也在考虑13，但这要高得多。 
在六，八和十三之间，六个
是最小的值，所以我们宁愿取六个。 
我们能够做出明智的决定，即向右走
比那更好。 
因此，我们转向这种方式。 
我们去五点。 
现在我们找到一个决策点
做出我们可能不想做出的决定， 
但不幸的是，解决这个问题的方法还不多。 
我们看到四个和六个。 
有四个看起来更接近目标，对吗？ 
它正在上升，目标是进一步上升。 
因此，我们最终选择了那条路线，最终导致我们陷入僵局。 
但这没关系，因为我们仍然可以说，好的，现在让我们尝试六个， 
现在遵循这条路线，最终将我们引向目标。 
因此，这就是贪婪的最佳优先搜索的方式
尝试通过说出任何时候来解决这个问题

Turkish: 
 Ama sorun değil çünkü şimdi hala söyleyebiliriz, tamam, hadi bu yediyi deneyelim. 
 Yedi, altı diyoruz. 
 Bu seçimi, artmasına rağmen yapmak zorundayız 
 sezgisel fonksiyonun değeri. 
 Ama şimdi altı ile sekiz arasında başka bir karar noktamız var. 
 Ve bu ikisi arasında-- 
 ve gerçekten, 13'ü de düşünüyoruz, ama bu çok daha yüksek. 
 Altı, sekiz ve 13 arasında, altı 
 en küçük değerdir, bu yüzden altıyı almayı tercih ederiz. 
 Bu şekilde sağa doğru ilerlerken bilinçli bir karar verebiliriz. 
 muhtemelen bu şekilde gitmekten daha iyidir. 
 Böylece bu şekilde dönüyoruz. 
 Beşe gidiyoruz. 
 Ve şimdi bir karar noktası buluruz. 
 vermek istemeyeceğimiz bir karar vermek, 
 ama ne yazık ki bu konuda çok fazla bir yol yok. 
 Dört ve altı görüyoruz. 
 Dört hedefe daha yakın görünüyor, değil mi? 
 Yükseliyor ve hedef daha da yükseliyor. 
 Sonunda bizi bir çıkmaza götüren bu rotayı takip ediyoruz. 
 Ama sorun değil çünkü hala söyleyebiliriz, tamam, şimdi altı tanesini deneyelim, 
 ve şimdi bizi hedefe götürecek olan bu rotayı takip edin. 
 Ve işte şimdi açgözlü en iyi ilk arama 
 bu soruna her zaman 

Japanese: 
しかし、これで問題ありません。これで、今はまだ、この7つを試してみましょう。 
 7、6と言います。 
増えてもこの選択をしなければならない
ヒューリスティック関数の値。 
しかし、今、私たちは6と8の間の別の決定点を持っています。 
そしてその二人の間に… 
実際には13も検討していますが、それははるかに高くなっています。 
 6、8、13の間、まあ、6 
が最小値なので、6を採用します。 
この方法で適切な判断を下すことができます。 
その方法よりもおそらく良いです。 
だから私たちはこの方向を向きます。 
私たちは５人に行きます。 
そして今、私たちは実際に私たちがする決定点を見つけます
私たちがしたくないかもしれない決定を下し、 
しかし、残念ながらこれを回避する方法はあまりありません。 
 4つと6つあります。 
フォーはゴールに近く見えますよね？ 
それは上がっており、目標はさらに上がっています。 
したがって、最終的には行き止まりに至るそのルートをたどることになります。 
でも大丈夫です。じゃあ、6つ試してみましょう。 
そして今、最終的に私たちを目標に導くこのルートに従います。 
これが今、貪欲なベストファースト検索の方法です。 
いつでも言って、この問題に取り組みましょう

Modern Greek (1453-): 
 Αλλά αυτό είναι εντάξει γιατί τώρα μπορούμε ακόμα να πούμε, εντάξει, ας δοκιμάσουμε αυτό το επτά. 
 Λέμε επτά, έξι. 
 Πρέπει να κάνουμε αυτήν την επιλογή παρόλο που αυξάνεται 
 την τιμή της ευρετικής συνάρτησης. 
 Αλλά τώρα έχουμε ένα άλλο σημείο απόφασης μεταξύ έξι και οκτώ. 
 Και μεταξύ αυτών των δύο-- 
 και πραγματικά, εξετάζουμε επίσης τα 13, αλλά αυτό είναι πολύ υψηλότερο. 
 Μεταξύ έξι, οκτώ και 13, καλά, τα έξι 
 είναι η μικρότερη τιμή, έτσι θα προτιμούσαμε να πάρουμε τα έξι. 
 Είμαστε σε θέση να λάβουμε μια τεκμηριωμένη απόφαση που πηγαίνει προς τα δεξιά 
 είναι πιθανώς καλύτερο από το να πηγαίνεις έτσι. 
 Έτσι γυρίζουμε έτσι. 
 Πηγαίνουμε στα πέντε. 
 Και τώρα βρίσκουμε ένα σημείο απόφασης όπου πραγματικά θα βρούμε 
 πάρτε μια απόφαση που ίσως δεν θέλουμε να πάρουμε, 
 αλλά δυστυχώς δεν υπάρχει πάρα πολύς τρόπος για αυτό. 
 Βλέπουμε τέσσερα και έξι. 
 Τέσσερις κοιτάζουν πιο κοντά στον στόχο, έτσι; 
 Ανεβαίνει και ο στόχος είναι πιο ψηλά. 
 Καταλήγουμε λοιπόν να ακολουθήσουμε αυτή τη διαδρομή, η οποία τελικά μας οδηγεί σε αδιέξοδο. 
 Αλλά αυτό είναι εντάξει γιατί μπορούμε ακόμα να πούμε, εντάξει, τώρα ας δοκιμάσουμε τα έξι, 
 και τώρα ακολουθήστε αυτήν τη διαδρομή που θα μας οδηγήσει τελικά στο στόχο. 
 Έτσι λοιπόν τώρα είναι το άπληστο της πρώτης αναζήτησης 
 προσπαθήστε να προσεγγίσετε αυτό το πρόβλημα, λέγοντας όποτε 

German: 
 Aber das ist in Ordnung, denn jetzt können wir immer noch sagen, alles klar, versuchen wir es mit diesen sieben. 
 Wir sagen sieben, sechs. 
 Wir müssen diese Wahl treffen, obwohl sie zunimmt 
 der Wert der heuristischen Funktion. 
 Aber jetzt haben wir einen anderen Entscheidungspunkt zwischen sechs und acht. 
 Und zwischen diesen beiden ... 
 und wirklich, wir ziehen auch die 13 in Betracht, aber das ist viel höher. 
 Zwischen sechs, acht und 13, na ja, die sechs 
 ist der kleinste Wert, also nehmen wir lieber die sechs. 
 Wir können eine fundierte Entscheidung treffen, die diesen Weg nach rechts geht 
 ist wahrscheinlich besser als diesen Weg zu gehen. 
 Also drehen wir uns in diese Richtung. 
 Wir gehen zu fünf. 
 Und jetzt finden wir einen Entscheidungspunkt, an dem wir tatsächlich sind 
 eine Entscheidung treffen, die wir vielleicht nicht treffen wollen, 
 aber daran führt leider kein allzu großer Weg vorbei. 
 Wir sehen vier und sechs. 
 Vier schaut näher ans Ziel, oder? 
 Es steigt und das Ziel ist weiter oben. 
 Am Ende nehmen wir diesen Weg, der uns letztendlich in eine Sackgasse führt. 
 Aber das ist in Ordnung, denn wir können immer noch sagen, alles klar, jetzt probieren wir die sechs, 
 und jetzt folge diesem Weg, der uns letztendlich zum Ziel führen wird. 
 Und so könnte nun die gierigste Best-First-Suche sein 
 Versuchen Sie, sich diesem Problem zu nähern, indem Sie sagen, wann immer 

French: 
 Mais ça va parce que maintenant nous pouvons encore dire, d'accord, essayons ce sept. 
 Nous disons sept, six. 
 Nous devons faire ce choix même s'il augmente 
 la valeur de la fonction heuristique. 
 Mais maintenant, nous avons un autre point de décision entre six et huit. 
 Et entre ces deux ... 
 et vraiment, nous envisageons également le 13, mais c'est beaucoup plus élevé. 
 Entre six, huit et 13, eh bien, les six 
 est la plus petite valeur, nous préférons donc prendre les six. 
 Nous sommes en mesure de prendre une décision éclairée qui va dans ce sens vers la droite 
 est probablement mieux que de suivre cette voie. 
 Nous tournons donc de cette façon. 
 Nous passons à cinq. 
 Et maintenant, nous trouvons un point de décision où nous allons réellement 
 prendre une décision que nous pourrions ne pas vouloir prendre, 
 mais il n'y a malheureusement pas trop de solution. 
 Nous en voyons quatre et six. 
 Quatre regarde de plus près le but, non? 
 Ça monte et le but est plus haut. 
 Nous finissons donc par emprunter cette voie, ce qui nous mène finalement à une impasse. 
 Mais ça va parce que nous pouvons encore dire, d'accord, maintenant essayons les six, 
 et maintenant suivez cette route qui nous mènera finalement au but. 
 Et c'est maintenant ainsi que la recherche best-first gourmande pourrait 
 essayez d'aborder ce problème, en disant à chaque fois 

Dutch: 
 Maar dat is oké, want nu kunnen we nog steeds zeggen: oké, laten we deze zeven proberen. 
 We zeggen zeven, zes. 
 We moeten deze keuze maken, ook al neemt deze toe 
 de waarde van de heuristische functie. 
 Maar nu hebben we nog een beslissingspunt tussen zes en acht. 
 En tussen die twee ... 
 en echt, we overwegen ook de 13, maar dat is veel hoger. 
 Tussen zes, acht en dertien, de zes 
 is de kleinste waarde, dus we nemen liever de zes. 
 We kunnen een weloverwogen beslissing nemen om deze kant op te gaan naar rechts 
 is waarschijnlijk beter dan die kant op te gaan. 
 Dus we draaien deze kant op. 
 We gaan naar vijf. 
 En nu vinden we een beslissingspunt waar we eigenlijk zullen zijn 
 een beslissing nemen die we misschien niet willen nemen, 
 maar er is helaas niet teveel een manier om dit te omzeilen. 
 We zien vier en zes. 
 Vier lijken dichter bij het doel, toch? 
 Het gaat omhoog en het doel is verder omhoog. 
 We nemen dus die route, die ons uiteindelijk naar een doodlopende weg leidt. 
 Maar dat is oké, want we kunnen nog steeds zeggen, goed, laten we nu de zes proberen, 
 en volg nu deze route die ons uiteindelijk naar het doel zal leiden. 
 En dit is dus hoe hebzuchtig de beste eerste zoektocht zou kunnen zijn 
 probeer dit probleem te benaderen door te zeggen wanneer 

Chinese: 
但這沒關係，因為現在我們仍然可以說，好的，讓我們嘗試這七個。 
我們說七點，六點。 
即使增加，我們也必須做出選擇
啟發式函數的值。 
但是現在我們有了另一個決策點，介於六個和八個之間。 
在這兩個之間
實際上，我們也在考慮13，但這要高得多。 
在六，八和十三之間，六個
是最小的值，所以我們寧願取六個。 
我們能夠做出明智的決定，即向右走
比那更好。 
因此，我們轉向這種方式。 
我們去五點。 
現在我們找到一個決策點
做出我們可能不想做出的決定， 
但不幸的是，解決這個問題的方法還不多。 
我們看到四個和六個。 
有四個看起來更接近目標，對嗎？ 
它正在上升，目標是進一步上升。 
因此，我們最終選擇了那條路線，最終導致我們陷入僵局。 
但這沒關係，因為我們仍然可以說，好的，現在讓我們嘗試六個， 
現在遵循這條路線，最終將我們引向目標。 
因此，這就是貪婪的最佳優先搜索的方式
嘗試通過說出任何時候來解決這個問題

Arabic: 
 لكن لا بأس ، لأنه لا يزال بإمكاننا القول ، حسنًا ، لنجرب هذا السبعة. 
 نقول سبعة ، ستة. 
 علينا أن نجعل هذا الاختيار على الرغم من أنه يزيد 
 قيمة الوظيفة الإرشادية. 
 ولكن الآن لدينا نقطة قرار أخرى بين ستة وثمانية. 
 وبين هذين - 
 وحقاً ، نحن نفكر أيضًا في الـ 13 ، لكن هذا أعلى بكثير. 
 بين ستة وثمانية و 13 ، حسنا ، الستة 
 هي القيمة الأصغر ، لذا نفضل أخذ الست. 
 يمكننا اتخاذ قرار مستنير يسير بهذه الطريقة إلى اليمين 
 ربما أفضل من الذهاب بهذه الطريقة. 
 لذا ننتقل بهذه الطريقة. 
 نذهب إلى خمسة. 
 والآن نجد نقطة قرار حيث سنكون في الواقع 
 اتخاذ قرار قد لا نريد اتخاذه ، 
 ولكن لسوء الحظ ليس هناك الكثير حول هذا. 
 نرى أربعة وستة. 
 أربعة تبدو أقرب إلى الهدف ، أليس كذلك؟ 
 إنها ترتفع ، والهدف هو أبعد من ذلك. 
 لذا ينتهي بنا الأمر بسير في هذا الطريق ، الذي يقودنا في النهاية إلى طريق مسدود. 
 لكن لا بأس ، لأنه لا يزال بإمكاننا القول ، حسنًا ، الآن لنجرب الستة ، 
 والآن اتبع هذا الطريق الذي سيقودنا في النهاية إلى الهدف. 
 وهذه هي الكيفية التي قد يبحث عنها أفضل الجشعين أولاً 
 حاول التعامل مع هذه المشكلة ، بالقول كلما 

Spanish: 
 Pero está bien porque ahora todavía podemos decir, está bien, intentemos esto siete. 
 Decimos siete, seis. 
 Tenemos que tomar esta decisión aunque aumente 
 El valor de la función heurística. 
 Pero ahora tenemos otro punto de decisión entre las seis y las ocho. 
 Y entre esos dos ... 
 y realmente, también estamos considerando el 13, pero eso es mucho más alto. 
 Entre seis, ocho y 13, bueno, los seis 
 es el valor más pequeño, por lo que preferimos tomar el seis. 
 Somos capaces de tomar una decisión informada que va de esta manera a la derecha 
 probablemente sea mejor que ir por ese camino. 
 Entonces giramos de esta manera. 
 Vamos a las cinco. 
 Y ahora encontramos un punto de decisión donde realmente 
 tomar una decisión que quizás no queramos tomar, 
 pero desafortunadamente no hay mucha forma de evitar esto. 
 Vemos cuatro y seis. 
 Cuatro mira más cerca de la meta, ¿verdad? 
 Está subiendo, y el objetivo está más arriba. 
 Así que terminamos tomando esa ruta, que finalmente nos lleva a un callejón sin salida. 
 Pero está bien porque todavía podemos decir, está bien, ahora probemos los seis, 
 y ahora sigue esta ruta que finalmente nos llevará a la meta. 
 Y así es como esta codiciosa mejor búsqueda podría 
 trate de abordar este problema, diciendo siempre 

Hindi: 
 लेकिन यह ठीक है क्योंकि अब हम अभी भी कह सकते हैं, ठीक है, चलो यह सात कोशिश करें। 
 हम कहते हैं सात, छह। 
 हमें यह चुनाव करना होगा भले ही यह बढ़ जाए 
 यकृत समारोह का मूल्य। 
 लेकिन अब हमारे पास छह और आठ के बीच एक और निर्णय बिंदु है। 
 और उन दो के बीच - 
 और वास्तव में, हम 13 पर भी विचार कर रहे हैं, लेकिन यह बहुत अधिक है। 
 छह, आठ और 13 के बीच, अच्छी तरह से, छह 
 सबसे छोटा मूल्य है, इसलिए हम छह लेना चाहते हैं। 
 हम एक सूचित निर्णय लेने में सक्षम हैं जो इस तरह से दाईं ओर जा रहा है 
 शायद इस तरह से जाने से बेहतर है। 
 तो हम इस तरह से मुड़ते हैं। 
 हम पाँच जाते हैं। 
 और अब हम एक निर्णय बिंदु पाते हैं जहां हम वास्तव में हैं 
 एक निर्णय लें जिसे हम नहीं करना चाहते हैं, 
 लेकिन दुर्भाग्य से इस तरह से बहुत ज्यादा नहीं है। 
 हम चार और छह देखते हैं। 
 चार गोल के करीब दिखता है, है ना? 
 यह ऊपर जा रहा है, और लक्ष्य आगे है। 
 इसलिए हम अंत में उस मार्ग को अपनाते हैं, जो अंततः हमें एक मृत अंत की ओर ले जाता है। 
 लेकिन यह ठीक है क्योंकि हम अभी भी कह सकते हैं, सब ठीक है, अब चलो छह की कोशिश करो, 
 और अब इस मार्ग का अनुसरण करें जो अंततः हमें लक्ष्य तक ले जाएगा। 
 और इसलिए अब यह है कि लालची सबसे अच्छी खोज कैसे कर सकते हैं 
 जब भी कहे, इस समस्या को देखने का प्रयास करें 

Italian: 
 Ma va bene perché ora possiamo ancora dire, va bene, proviamo questi sette. 
 Diciamo sette, sei. 
 Dobbiamo fare questa scelta anche se aumenta 
 il valore della funzione euristica. 
 Ma ora abbiamo un altro punto decisionale tra le sei e le otto. 
 E tra quei due-- 
 e davvero, stiamo considerando anche il 13, ma è molto più alto. 
 Tra le sei, le otto e le 13, beh, le sei 
 è il valore più piccolo, quindi preferiremmo prendere il sei. 
 Siamo in grado di prendere una decisione informata che va in questo modo a destra 
 è probabilmente meglio che andare in quel modo. 
 Quindi giriamo in questo modo. 
 Andiamo alle cinque. 
 E ora troviamo un punto di decisione in cui effettivamente 
 prendere una decisione che potremmo non voler prendere, 
 ma sfortunatamente non c'è molto da fare. 
 Ne vediamo quattro e sei. 
 Quattro sembra più vicino all'obiettivo, giusto? 
 Sta salendo e l'obiettivo è più alto. 
 Quindi finiamo per prendere quella strada, che alla fine ci conduce a un vicolo cieco. 
 Ma va bene perché possiamo ancora dire, va bene, ora proviamo il sei, 
 e ora seguiamo questa strada che alla fine ci condurrà all'obiettivo. 
 E così questo è il modo in cui la migliore ricerca avida potrebbe essere la prima 
 prova ad affrontare questo problema, dicendo ogni volta 

Russian: 
 Но это нормально, потому что теперь мы все еще можем сказать, хорошо, давайте попробуем эту семерку. 
 Мы говорим семь, шесть. 
 Мы должны сделать этот выбор, хотя он увеличивается 
 значение эвристической функции. 
 Но теперь у нас есть еще одно решение между шестью и восьмым. 
 И между этими двумя ... 
 и действительно, мы также рассматриваем 13, но это намного выше. 
 Между шестью, восемью и 13 годами 
 это наименьшее значение, поэтому мы предпочли бы шесть. 
 Мы можем принять обоснованное решение, которое будет идти направо 
 вероятно, лучше, чем идти по этому пути. 
 Таким образом, мы поворачиваем этот путь. 
 Мы идем до пяти. 
 И теперь мы находим точку принятия решения, где мы на самом деле 
 принять решение, которое мы не хотим принимать, 
 но, к сожалению, не слишком много пути обойти это. 
 Мы видим четыре и шесть. 
 Четверо выглядит ближе к цели, верно? 
 Он идет вверх, а цель еще выше. 
 Таким образом, мы в конечном итоге идем по этому пути, который в конечном итоге приводит нас в тупик. 
 Но это нормально, потому что мы все еще можем сказать, хорошо, теперь давайте попробуем шесть, 
 и теперь следуйте по этому пути, который в конечном итоге приведет нас к цели. 
 И вот как теперь это может быть как жадный поиск в первую очередь может 
 попытаться подойти к этой проблеме, говоря всякий раз, когда 

Portuguese: 
 Mas tudo bem, porque agora ainda podemos dizer, tudo bem, vamos tentar esses sete. 
 Dizemos sete, seis. 
 Temos que fazer essa escolha mesmo que aumente 
 o valor da função heurística. 
 Mas agora temos outro ponto de decisão entre seis e oito. 
 E entre aqueles dois-- 
 e realmente, também estamos considerando os 13, mas isso é muito maior. 
 Entre seis, oito e 13, bem, os seis 
 é o menor valor, então preferimos pegar os seis. 
 Podemos tomar uma decisão informada de que, indo dessa maneira para a direita 
 provavelmente é melhor do que seguir por esse caminho. 
 Então nós viramos para cá. 
 Nós vamos para as cinco. 
 E agora encontramos um ponto de decisão em que vamos realmente 
 tomar uma decisão que talvez não queiramos tomar, 
 mas infelizmente não há muita maneira de contornar isso. 
 Vemos quatro e seis. 
 Quatro parece mais perto da meta, certo? 
 Está subindo, e a meta está mais adiante. 
 Então, acabamos seguindo esse caminho, o que acaba nos levando a um beco sem saída. 
 Mas tudo bem, porque ainda podemos dizer, tudo bem, agora vamos tentar os seis, 
 e agora siga esse caminho que nos levará ao objetivo. 
 E agora é assim que a melhor pesquisa ambiciosa pode ser 
 tente abordar esse problema dizendo sempre que 

English: 
But that's OK because now we can still say, all right, let's try this seven.
We say seven, six.
We have to make this choice even though it increases
the value of the heuristic function.
But now we have another decision point between six and eight.
And between those two--
and really, we're also considering the 13, but that's much higher.
Between six, eight, and 13, well, the six
is the smallest value, so we'd rather take the six.
We're able to make an informed decision that going this way to the right
is probably better than going that way.
So we turn this way.
We go to five.
And now we find a decision point where we'll actually
make a decision that we might not want to make,
but there's unfortunately not too much of a way around this.
We see four and six.
Four looks closer to the goal, right?
It's going up, and the goal is further up.
So we end up taking that route, which ultimately leads us to a dead end.
But that's OK because we can still say, all right, now let's try the six,
and now follow this route that will ultimately lead us to the goal.
And so this now is how greedy best-first search might
try to approach this problem, by saying whenever

Korean: 
 그래도 괜찮습니다. 이제 우리는 여전히이 일곱 가지를 시도해 볼 수 있습니다. 
 우리는 일곱, 여섯이라고 말합니다. 
 증가하더라도이 선택을해야합니다 
 휴리스틱 함수의 가치. 
 그러나 이제 우리는 6과 8 사이에 또 ​​다른 결정 점이 있습니다. 
 그리고 그 둘 사이에서 
 실제로 우리는 13을 고려하고 있지만 훨씬 더 높습니다. 
 6, 8, 13 사이, 6 개 
 가장 작은 값이므로 6을 가져갑니다. 
 우리는 이런 식으로 올바른 결정을 내릴 수 있습니다. 
 아마도 그렇게하는 것보다 낫습니다. 
 그래서 우리는이 방향으로 돌립니다. 
 우리는 5에 간다. 
 이제 우리가 실제로 결정할 결정 지점을 찾습니다. 
 우리가 원하지 않는 결정을 내리고 
 그러나 불행히도이 문제를 해결하는 방법은 많지 않습니다. 
 우리는 4와 6을 봅니다. 
 네 명은 목표에 더 가깝게 보입니까? 
 올라가고 있으며 목표는 더욱 높아졌습니다. 
 결국 우리는 그 길을 택하게되고 결국에는 막 다른 길로 이르게됩니다. 
 그래도 괜찮습니다. 이제 6 개를 시도해 봅시다. 
 이제이 길을 따라 궁극적으로 우리를 목표로 이끌 것입니다. 
 욕심 많은 최고의 검색이 
 언제라도 말함으로써이 문제에 접근하려고 노력하십시오 

Indonesian: 
 Tapi tidak apa-apa karena sekarang kita masih bisa mengatakan, baiklah, mari kita coba tujuh ini. 
 Kita katakan tujuh, enam. 
 Kita harus membuat pilihan ini meskipun itu meningkat 
 nilai fungsi heuristik. 
 Tetapi sekarang kita memiliki titik keputusan lain antara enam dan delapan. 
 Dan di antara keduanya-- 
 dan sungguh, kami juga mempertimbangkan 13, tapi itu jauh lebih tinggi. 
 Antara enam, delapan, dan 13, well, enam 
 adalah nilai terkecil, jadi kami lebih suka mengambil enam. 
 Kami dapat membuat keputusan berdasarkan informasi yang mengarah ke kanan 
 mungkin lebih baik daripada pergi ke sana. 
 Jadi kita berbelok ke sini. 
 Kami pergi ke lima. 
 Dan sekarang kita menemukan titik keputusan di mana kita akan benar-benar 
 membuat keputusan yang mungkin tidak ingin kita buat, 
 tapi sayangnya tidak ada terlalu banyak cara untuk mengatasi ini. 
 Kita melihat empat dan enam. 
 Empat terlihat lebih dekat ke gawang, kan? 
 Ini naik, dan tujuannya lebih jauh. 
 Jadi kami akhirnya mengambil rute itu, yang akhirnya membawa kami ke jalan buntu. 
 Tapi tidak apa-apa karena kita masih bisa mengatakan, baiklah, sekarang mari kita coba keenam, 
 dan sekarang ikuti rute ini yang pada akhirnya akan membawa kita ke tujuan. 
 Dan jadi sekarang ini adalah bagaimana serakah mungkin pencarian first-first 
 cobalah untuk mendekati masalah ini, dengan mengatakan kapan saja 

Arabic: 
 لدينا قرار بين عقد متعددة يمكننا استكشافها ، 
 دعنا نستكشف العقدة التي لديها أصغر قيمة h (n) ، 
 هذه الوظيفة الإرشادية التي تقدر إلى أي مدى يجب أن أذهب. 
 ويحدث أنه في هذه الحالة ، 
 ينتهي بنا الأمر بعمل أفضل ، من حيث عدد الولايات التي كنا بحاجة لاستكشافها ، 
 من BFS اللازمة ل. 
 استكشف BFS كل هذا القسم وكل ذلك القسم. 
 لكننا تمكنا من القضاء على ذلك من خلال الاستفادة 
 لهذه المعرفة ، هذه المعرفة حول مدى قربنا 
 هي الهدف أو بعض التقدير لتلك الفكرة. 
 لذلك يبدو هذا أفضل بكثير. 
 لذلك لن نفضل دائمًا خوارزمية 
 مثل هذا عبر خوارزمية مثل البحث الأول؟ 
 حسنا ربما. 
 شيء واحد يجب أخذه بعين الاعتبار هو أننا 
 بحاجة للتوصل إلى ارشادي جيد. 
 مدى جودة الاستدلال سوف يؤثر على مدى جودة هذه الخوارزمية. 
 والخروج بموارد ارشادية جيدة في كثير من الأحيان تكون صعبة. 
 ولكن الشيء الآخر الذي يجب مراعاته هو السؤال 
 السؤال ، كما فعلنا مع الخوارزميين السابقين ، 
 هل هذه الخوارزمية مثالية؟ 

Russian: 
 у нас есть решение между несколькими узлами, которые мы могли бы исследовать, 
 давайте рассмотрим узел, который имеет наименьшее значение h (n), 
 эта эвристическая функция, которая оценивает, как далеко я должен идти. 
 И так получилось, что в этом случае 
 в итоге мы добиваемся большего успеха с точки зрения количества штатов, которые нам необходимо изучить, 
 чем нужно BFS. 
 BFS изучил весь этот раздел и весь этот раздел. 
 Но мы смогли устранить это, воспользовавшись 
 этой эвристики, это знание о том, как близко мы 
 к цели или какой-то оценке этой идеи. 
 Так что это выглядит намного лучше. 
 Так что мы не всегда предпочитаем алгоритм 
 как по алгоритму типа поиска в ширину? 
 Ну, может быть. 
 Одна вещь, чтобы принять во внимание, что мы 
 надо придумать хорошую эвристику. 
 Насколько хороша эвристика, повлияет на то, насколько хорош этот алгоритм. 
 И придумать хорошую эвристику часто бывает сложно. 
 Но другая вещь, чтобы рассмотреть, это спросить 
 вопрос, так же, как мы делали с предыдущими двумя алгоритмами, 
 этот алгоритм оптимален? 

Spanish: 
 tenemos una decisión entre múltiples nodos que podríamos explorar, 
 exploremos el nodo que tiene el valor más pequeño de h (n), 
 Esta función heurística que está estimando qué tan lejos tengo que ir. 
 Y resulta que, en este caso, 
 terminamos mejor, en términos de la cantidad de estados que necesitábamos explorar, 
 de lo que BFS necesitaba. 
 BFS exploró toda esta sección y toda esa sección. 
 Pero pudimos eliminar eso aprovechando 
 de esta heurística, este conocimiento sobre lo cerca que estamos 
 son a la meta o alguna estimación de esa idea. 
 Entonces esto parece mucho mejor. 
 Entonces, ¿no preferiríamos siempre un algoritmo 
 como esto sobre un algoritmo como la búsqueda de amplitud primero? 
 Bien quizás. 
 Una cosa a tener en cuenta es que nosotros 
 Necesito encontrar una buena heurística. 
 Lo bueno que sea la heurística afectará lo bueno que sea este algoritmo. 
 Y encontrar una buena heurística a menudo puede ser un desafío. 
 Pero la otra cosa a considerar es preguntar 
 la pregunta, tal como lo hicimos con los dos algoritmos anteriores, 
 ¿Es este algoritmo óptimo? 

Korean: 
 탐색 할 수있는 여러 노드 사이에 결정이 있습니다. 
 가장 작은 h (n) 값을 갖는 노드를 탐색 해 봅시다. 
 이 휴리스틱 함수는 내가 얼마나 멀리 가야하는지 추정하고 있습니다. 
 이 경우에도 마찬가지입니다. 
 탐색해야 할 주 수에 따라 더 나은 결과를 얻습니다. 
 BFS에 필요한 것보다 
 BFS는이 섹션과 해당 섹션을 모두 살펴 보았습니다. 
 그러나 우리는 이점을 이용하여이를 제거 할 수있었습니다 
 이 휴리스틱, 우리가 얼마나 가까운 지에 대한 지식 
 그 아이디어의 목표 또는 일부 추정에 대한 것입니다. 
 그래서 이것은 훨씬 나아 보입니다. 
 따라서 항상 알고리즘을 선호하지는 않습니다 
 너비 우선 검색과 같은 알고리즘보다 
 아마도 요 
 고려해야 할 한 가지는 우리가 
 좋은 휴리스틱을 생각해 내야합니다. 
 휴리스틱의 수준이이 알고리즘의 수준에 영향을 미칩니다. 
 그리고 좋은 휴리스틱을 생각해내는 것은 종종 어려운 일입니다. 
 그러나 고려해야 할 다른 것은 
 질문은 이전 두 알고리즘에서했던 것처럼 
 이 알고리즘이 최적입니까? 

Chinese: 
我們有一個可以探索的多個節點之間的決定， 
讓我們探索具有h（n）最小值的節點， 
這個啟發式函數可以估算我要走多遠。 
在這種情況下， 
就我們需要探索的州數量而言，我們最終做得更好， 
比BFS所需。 
 BFS探索了本節以及本節的所有內​​容。 
但是我們能夠通過利用優勢來消除這種情況
這種啟發式的知識，關於我們有多緊密
是針對該想法的目標或某些估計。 
因此，這似乎更好。 
所以我們不是總是喜歡算法嗎
在廣度優先搜索之類的算法上是這樣的嗎？ 
也許。 
要考慮的一件事是，我們
需要提出一個很好的啟發。 
啟發式算法的好壞將影響該算法的好壞。 
而且經常想出一個很好的啟發方法是很困難的。 
但是要考慮的另一件事是問
就像我們對前兩種算法所做的一樣， 
這種算法是否最優？ 

Japanese: 
探索できる複数のノード間の決定があります。 
 h（n）の最小値を持つノードを探索してみましょう。 
このヒューリスティック関数は、私がどこまで行かなければならないかを推定しています。 
そして、たまたまこの場合、 
調査する必要がある州の数の点で、私たちはより良い結果を出します、 
 BFSが必要とするよりも。 
 BFSはこのセクションのすべてとそのセクションのすべてを調査しました。 
しかし、私たちはそれを利用することでそれを排除することができました
このヒューリスティックの、私たちがどれだけ近いかについてのこの知識
そのアイデアの目標またはいくつかの推定にあります。 
したがって、これははるかに良いようです。 
だから私たちはいつもアルゴリズムを好みませんか
幅優先検索のようなアルゴリズムでこのように？ 
まあ、多分。 
考慮すべきことの1つは、 
良いヒューリスティックを考え出す必要があります。 
ヒューリスティックがどの程度優れているかは、このアルゴリズムがどの程度優れているかに影響します。 
そして、優れたヒューリスティックを考案することは、しばしば困難な場合があります。 
しかし、考慮すべき他のことは尋ねることです
質問は、前の2つのアルゴリズムで行ったように、 
このアルゴリズムは最適ですか？ 

Modern Greek (1453-): 
 έχουμε μια απόφαση μεταξύ πολλαπλών κόμβων που θα μπορούσαμε να εξερευνήσουμε, 
 ας εξερευνήσουμε τον κόμβο που έχει τη μικρότερη τιμή του h (n), 
 αυτή η ευρετική συνάρτηση που εκτιμά πόσο μακριά πρέπει να πάω. 
 Και συμβαίνει ότι, σε αυτήν την περίπτωση, 
 καταλήγουμε να κάνουμε καλύτερα, όσον αφορά τον αριθμό των κρατών που έπρεπε να εξερευνήσουμε, 
 από ό, τι χρειάστηκε το BFS. 
 Ο BFS εξερεύνησε όλη αυτή την ενότητα και όλη αυτή την ενότητα. 
 Αλλά καταφέραμε να το εξαλείψουμε εκμεταλλευόμενοι 
 αυτής της ευρετικής, αυτής της γνώσης για το πόσο κοντά είμαστε 
 είναι στο στόχο ή κάποια εκτίμηση αυτής της ιδέας. 
 Αυτό φαίνεται πολύ καλύτερο. 
 Έτσι δεν θα προτιμούσαμε πάντα έναν αλγόριθμο 
 σας αρέσει σε έναν αλγόριθμο, όπως η πρώτη αναζήτηση εύρους; 
 Λοιπόν, ίσως. 
 Ένα πράγμα που πρέπει να λάβουμε υπόψη είναι ότι εμείς 
 πρέπει να βρούμε έναν καλό ευρετικό. 
 Πόσο καλή είναι η ευρετική θα επηρεάσει πόσο καλός είναι αυτός ο αλγόριθμος. 
 Και να βρούμε έναν καλό ευρετικό μπορεί συχνά να είναι δύσκολο. 
 Αλλά το άλλο πράγμα που πρέπει να λάβετε υπόψη είναι να ρωτήσετε 
 το ερώτημα, όπως κάναμε με τους δύο προηγούμενους αλγόριθμους, 
 είναι αυτός ο αλγόριθμος βέλτιστος; 

English: 
we have a decision between multiple nodes that we could explore,
let's explore the node that has the smallest value of h(n),
this heuristic function that is estimating how far I have to go.
And it just so happens that, in this case,
we end up doing better, in terms of the number of states we needed to explore,
than BFS needed to.
BFS explored all of this section and all of that section.
But we were able to eliminate that by taking advantage
of this heuristic, this knowledge about how close we
are to the goal or some estimate of that idea.
So this seems much better.
So wouldn't we always prefer an algorithm
like this over an algorithm like breadth-first search?
Well, maybe.
One thing to take into consideration is that we
need to come up with a good heuristic.
How good the heuristic is is going to affect how good this algorithm is.
And coming up with a good heuristic can oftentimes be challenging.
But the other thing to consider is to ask
the question, just as we did with the prior two algorithms,
is this algorithm optimal?

French: 
 nous avons une décision entre plusieurs nœuds que nous pourrions explorer, 
 explorons le nœud qui a la plus petite valeur de h (n), 
 cette fonction heuristique qui évalue jusqu'où je dois aller. 
 Et il se trouve que, dans ce cas, 
 nous finissons par faire mieux, en termes de nombre d'états à explorer, 
 que BFS nécessaire. 
 BFS a exploré toute cette section et toute cette section. 
 Mais nous avons pu éliminer cela en profitant 
 de cette heuristique, cette connaissance de la proximité 
 sont à l'objectif ou une estimation de cette idée. 
 Cela semble donc beaucoup mieux. 
 Alors ne préférerions-nous pas toujours un algorithme 
 comme ça sur un algorithme comme la recherche en largeur d'abord? 
 Eh bien, peut-être. 
 Une chose à prendre en considération est que nous 
 besoin de trouver une bonne heuristique. 
 La qualité de l'heuristique va affecter la qualité de cet algorithme. 
 Et trouver une bonne heuristique peut souvent être difficile. 
 Mais l'autre chose à considérer est de demander 
 la question, tout comme nous l'avons fait avec les deux algorithmes précédents, 
 cet algorithme est-il optimal? 

Indonesian: 
 kami memiliki keputusan antara banyak node yang dapat kami jelajahi, 
 mari kita jelajahi node yang memiliki nilai terkecil h (n), 
 fungsi heuristik ini yang memperkirakan seberapa jauh saya harus melangkah. 
 Dan kebetulan bahwa, dalam hal ini, 
 kami akhirnya melakukan lebih baik, dalam hal jumlah negara yang perlu kami jelajahi, 
 dari BFS perlu. 
 BFS mengeksplorasi semua bagian ini dan semua bagian itu. 
 Tapi kami bisa menghilangkannya dengan mengambil keuntungan 
 heuristik ini, pengetahuan tentang seberapa dekat kita 
 untuk tujuan atau perkiraan ide itu. 
 Jadi ini sepertinya jauh lebih baik. 
 Jadi bukankah kita selalu lebih suka algoritma 
 seperti ini melalui algoritme seperti pencarian luas pertama? 
 Ya, mungkin. 
 Satu hal yang perlu dipertimbangkan adalah kita 
 perlu datang dengan heuristik yang baik. 
 Seberapa baik heuristik akan mempengaruhi seberapa baik algoritma ini. 
 Dan datang dengan heuristik yang baik seringkali bisa menantang. 
 Tetapi hal lain yang perlu dipertimbangkan adalah bertanya 
 pertanyaannya, seperti yang kami lakukan dengan dua algoritma sebelumnya, 
 apakah algoritma ini optimal? 

Dutch: 
 we hebben een beslissing tussen meerdere knooppunten die we kunnen verkennen, 
 laten we het knooppunt verkennen met de kleinste waarde van h (n), 
 deze heuristische functie die inschat hoe ver ik moet gaan. 
 En het gebeurt zo dat in dit geval, 
 we doen het uiteindelijk beter, in termen van het aantal staten dat we moesten verkennen, 
 dan BFS nodig had. 
 BFS onderzocht al deze sectie en al die sectie. 
 Maar we konden dat elimineren door te profiteren 
 van deze heuristiek, deze kennis over hoe dichtbij we zijn 
 zijn voor het doel of een schatting van dat idee. 
 Dit lijkt dus veel beter. 
 Dus zouden we niet altijd de voorkeur geven aan een algoritme 
 zoals dit boven een algoritme zoals de eerste zoekopdracht in de breedte? 
 Misschien. 
 Een ding om rekening mee te houden is dat wij 
 moet een goede heuristiek bedenken. 
 Hoe goed de heuristiek is, zal van invloed zijn op hoe goed dit algoritme is. 
 En het bedenken van een goede heuristiek kan vaak een uitdaging zijn. 
 Maar het andere dat u moet overwegen, is vragen 
 de vraag, net zoals we deden met de voorgaande twee algoritmen, 
 is dit algoritme optimaal? 

Chinese: 
我们有一个可以探索的多个节点之间的决定， 
让我们探索具有h（n）最小值的节点， 
这个启发式函数可以估算我要走多远。 
在这种情况下， 
就我们需要探索的州数量而言，我们最终做得更好， 
比BFS所需。 
 BFS探索了本节以及本节的所有内容。 
但是我们能够通过利用优势来消除这种情况
这种启发式的知识，关于我们有多紧密
是针对该想法的目标或某些估计。 
因此，这似乎更好。 
所以我们不是总是喜欢算法吗
在广度优先搜索之类的算法上是这样的吗？ 
也许。 
要考虑的一件事是，我们
需要提出一个很好的启发。 
启发式算法的好坏将影响该算法的好坏。 
而且经常想出一个很好的启发方法是很困难的。 
但是要考虑的另一件事是问
就像我们对前两种算法所做的一样， 
这种算法是否最优？ 

Italian: 
 abbiamo una decisione tra più nodi che potremmo esplorare, 
 esploriamo il nodo che ha il valore più piccolo di h (n), 
 questa funzione euristica che sta valutando fino a che punto devo andare. 
 E succede solo che, in questo caso, 
 finiamo per fare meglio, in termini di numero di stati che dovevamo esplorare, 
 di quanto necessario a BFS. 
 BFS ha esplorato tutta questa sezione e tutta quella sezione. 
 Ma siamo riusciti a eliminarlo approfittando 
 di questa euristica, questa conoscenza di quanto siamo vicini 
 sono all'obiettivo o qualche stima di quell'idea. 
 Quindi questo sembra molto meglio. 
 Quindi non preferiremmo sempre un algoritmo 
 in questo modo su un algoritmo come la prima ricerca? 
 Beh forse. 
 Una cosa da prendere in considerazione è che noi 
 è necessario elaborare una buona euristica. 
 Quanto è buono l'euristico influenzerà quanto è buono questo algoritmo. 
 E trovare una buona euristica può spesso essere una sfida. 
 Ma l'altra cosa da considerare è chiedere 
 la domanda, proprio come abbiamo fatto con i due precedenti algoritmi, 
 questo algoritmo è ottimale? 

German: 
 Wir haben eine Entscheidung zwischen mehreren Knoten, die wir untersuchen könnten. 
 Lassen Sie uns den Knoten untersuchen, der den kleinsten Wert von h (n) hat. 
 Diese heuristische Funktion schätzt, wie weit ich gehen muss. 
 Und es kommt einfach so vor, dass in diesem Fall 
 Am Ende geht es uns besser, was die Anzahl der Staaten betrifft, die wir erforschen mussten. 
 als BFS benötigt. 
 BFS hat den gesamten Abschnitt und den gesamten Abschnitt untersucht. 
 Aber wir konnten das beseitigen, indem wir es ausnutzten 
 dieser Heuristik, dieses Wissen darüber, wie nahe wir sind 
 sind auf das Ziel oder eine Schätzung dieser Idee. 
 Das scheint also viel besser zu sein. 
 Würden wir nicht immer einen Algorithmus bevorzugen? 
 so über einen Algorithmus wie Breitensuche? 
 Vielleicht. 
 Eine Sache zu berücksichtigen ist, dass wir 
 müssen mit einer guten Heuristik kommen. 
 Wie gut die Heuristik ist, wird sich darauf auswirken, wie gut dieser Algorithmus ist. 
 Und eine gute Heuristik zu entwickeln, kann oft eine Herausforderung sein. 
 Aber die andere Sache zu berücksichtigen ist zu fragen 
 die Frage, genau wie wir es mit den beiden vorherigen Algorithmen getan haben, 
 Ist dieser Algorithmus optimal? 

Portuguese: 
 temos uma decisão entre vários nós que poderíamos explorar, 
 vamos explorar o nó que tem o menor valor de h (n), 
 essa função heurística que está estimando até onde tenho que ir. 
 E acontece que, neste caso, 
 acabamos fazendo melhor, em termos do número de estados que precisávamos explorar, 
 do que o BFS precisava. 
 O BFS explorou toda esta seção e toda essa seção. 
 Mas conseguimos eliminar isso aproveitando 
 desta heurística, esse conhecimento sobre o quão perto 
 são para o objetivo ou alguma estimativa dessa ideia. 
 Então isso parece muito melhor. 
 Então, nem sempre preferimos um algoritmo 
 assim em um algoritmo como a primeira pesquisa de largura? 
 Bem, talvez. 
 Uma coisa a considerar é que nós 
 precisa criar uma boa heurística. 
 A qualidade da heurística afetará a qualidade desse algoritmo. 
 E apresentar uma boa heurística pode muitas vezes ser desafiador. 
 Mas a outra coisa a considerar é perguntar 
 a pergunta, assim como fizemos com os dois algoritmos anteriores, 
 esse algoritmo é ideal? 

Hindi: 
 हमारे पास कई नोड्स के बीच एक निर्णय है जिसे हम तलाश सकते हैं, 
 आइए उस नोड का पता लगाएं जिसका h (n) का सबसे छोटा मान है, 
 यह अनुमानी कार्य जो अनुमान लगा रहा है कि मुझे कितनी दूर जाना है। 
 और ऐसा ही होता है, इस मामले में, 
 हम तलाश करने के लिए आवश्यक राज्यों की संख्या के संदर्भ में बेहतर कर रहे हैं, 
 बीएफएस की तुलना में। 
 बीएफएस ने इस खंड और उस खंड के सभी का पता लगाया। 
 लेकिन हम फायदा उठाकर इसे खत्म करने में सफल रहे 
 इस अनुमान के बारे में, यह ज्ञान कि हम कितने करीब हैं 
 लक्ष्य या उस विचार के कुछ अनुमान के लिए हैं। 
 तो यह ज्यादा बेहतर लगता है। 
 इसलिए हम हमेशा एक एल्गोरिथ्म पसंद नहीं करेंगे 
 चौड़ाई-पहली खोज जैसे एल्गोरिथ्म पर इस तरह? 
 शायद हो सकता है। 
 एक बात ध्यान में रखना है कि हम 
 एक अच्छे उत्तराधिकारी के साथ आने की जरूरत है। 
 यह एल्गोरिदम कितना अच्छा है, यह प्रभावित करने के लिए कितना अच्छा है। 
 और एक अच्छा उत्तराधिकारी के साथ आना अक्सर चुनौतीपूर्ण हो सकता है। 
 लेकिन दूसरी बात पर विचार करना है 
 सवाल, जैसा कि हमने पहले दो एल्गोरिदम के साथ किया था, 
 क्या यह एल्गोरिथम इष्टतम है? 

Turkish: 
 keşfedebileceğimiz birden fazla düğüm arasında bir kararımız var, 
 en küçük h (n) değerine sahip düğümü keşfedelim, 
 bu sezgisel işlev ne kadar ileri gitmem gerektiğini tahmin ediyor. 
 Ve öyle olur ki, bu durumda, 
 keşfetmemiz gereken devlet sayısı açısından daha iyisini yapıyoruz, 
 BFS gerekenden daha fazla. 
 BFS bu bölümün tamamını ve bu bölümün tamamını araştırdı. 
 Ama bundan yararlanarak bunu ortadan kaldırabildik 
 bu sezgisel olarak, ne kadar yakın olduğumuz hakkında bilgi 
 bu fikrin amacına ya da tahminine yöneliktir. 
 Yani bu çok daha iyi görünüyor. 
 Bu yüzden her zaman bir algoritmayı tercih etmeyeceğiz 
 bu ilk genişlik arama gibi bir algoritma üzerinde böyle? 
 Pekala belki. 
 Dikkate alınması gereken bir şey, 
 iyi bir buluşsal yöntem bulmalıyız. 
 Buluşsal yöntem ne kadar iyi, bu algoritmanın ne kadar iyi olduğunu etkileyecektir. 
 Ve iyi bir sezgisel kutu bulmak çoğu zaman zor olabilir. 
 Ama dikkate alınması gereken diğer bir şey, 
 soru, tıpkı önceki iki algoritmada yaptığımız gibi, 
 bu algoritma optimal mi? 

French: 
 Trouvera-t-il toujours le chemin le plus court de l'état initial au but? 
 Et pour répondre à cette question, regardons cet exemple un instant. 
 Jetez un œil à cet exemple. 
 Encore une fois, nous essayons de passer de A à B, et encore une fois, j'ai 
 étiqueté chacune des cellules avec leur distance de Manhattan 
 du but, le nombre de cases vers le haut et vers la droite 
 il vous faudrait voyager pour vous rendre de cette place au but. 
 Et pensons à, serait gourmande best-first search 
 qui choisit toujours le plus petit nombre finit par trouver la solution optimale? 
 Quelle est la solution la plus courte et cet algorithme la trouverait-il? 
 Et la chose importante à réaliser est qu'ici est le point de décision. 
 Nous estimons à 12 mètres de l'objectif. 
 Et nous avons deux choix. 
 Nous pouvons aller à gauche, que nous estimons être à 13 mètres du but, 
 ou nous pouvons monter, où nous estimons qu'il est à 11 de l'objectif. 
 Et entre ces deux, la recherche gourmande de premier choix va dire, 
 le 11 est meilleur que le 13. 
 Et ce faisant, la recherche la plus intéressante 

Turkish: 
 Her zaman başlangıç ​​durumundan hedefe giden en kısa yolu bulacak mı? 
 Ve bu soruyu cevaplamak için bir an için bu örneğe bakalım. 
 Bu örneğe bir göz atın. 
 Yine, A'dan B'ye gitmeye çalışıyoruz ve yine, 
 hücrelerin her birini Manhattan mesafeleriyle etiketledi 
 hedeften sağa ve yukarı doğru kare sayısı 
 o kareden hedefe ulaşmak için seyahat etmeniz gerekir. 
 Ve düşünelim, açgözlü ilk arama 
 her zaman en küçük sayıyı seçerek en uygun çözümü bulur? 
 En kısa çözüm nedir ve bu algoritma onu bulur mu? 
 Ve fark edilmesi gereken önemli olan nokta, burada karar noktası. 
 Hedeften 12 uzakta olacağımızı tahmin ediyoruz. 
 Ve iki seçeneğimiz var. 
 Sola gidebiliriz, ki bu hedeften 13 uzakta olduğunu tahmin ediyoruz, 
 ya da hedeften 11 uzakta olduğunu tahmin ettiğimiz yere gidebiliriz. 
 Ve bu ikisi arasında, ilk önce açgözlü ilk arayış diyecektir, 
 11, 13'ten daha iyi görünüyor. 
 Ve bunu yaparken açgözlü ilk önce arama 

Hindi: 
 क्या यह हमेशा प्रारंभिक अवस्था से लक्ष्य तक का सबसे छोटा रास्ता खोजेगा? 
 और उस सवाल का जवाब देने के लिए, आइए एक पल के लिए इस उदाहरण पर एक नज़र डालते हैं। 
 इस उदाहरण पर एक नज़र डालें। 
 फिर, हम ए से बी तक जाने की कोशिश कर रहे हैं, और फिर से, मैं 
 अपनी मैनहट्टन दूरी के साथ कोशिकाओं में से प्रत्येक को लेबल किया 
 लक्ष्य से, वर्गों की संख्या और दाईं ओर 
 आपको उस वर्ग से लक्ष्य तक पहुंचने के लिए यात्रा करने की आवश्यकता होगी। 
 और आइए विचार करें कि क्या लालची सबसे अच्छी खोज करेंगे 
 हमेशा इष्टतम समाधान खोजने के लिए सबसे छोटी संख्या के अंत को चुनता है? 
 सबसे छोटा समाधान क्या है, और क्या यह एल्गोरिथम इसे खोजेगा? 
 और एहसास करने के लिए महत्वपूर्ण बात यह है कि यहीं निर्णय बिंदु है। 
 हम लक्ष्य से 12 दूर होने का अनुमान लगा रहे हैं। 
 और हमारे पास दो विकल्प हैं। 
 हम बाईं ओर जा सकते हैं, जिसे हम लक्ष्य से 13 दूर होने का अनुमान लगाते हैं, 
 या हम ऊपर जा सकते हैं, जहाँ हम अनुमान लगाते हैं कि यह लक्ष्य से 11 दूर है। 
 और उन दो के बीच, लालची सबसे अच्छी खोज पहली कहने जा रहे हैं, 
 11 13 से बेहतर दिखता है। 
 और ऐसा करने में, लालची सबसे अच्छी खोज 

Arabic: 
 هل سيجد دائمًا أقصر مسار من الحالة الأولية إلى الهدف؟ 
 وللإجابة على هذا السؤال ، دعنا نلقي نظرة على هذا المثال للحظة. 
 الق نظرة على هذا المثال. 
 مرة أخرى ، نحن نحاول الانتقال من أ إلى ب ، ومرة ​​أخرى ، لقد قمت بذلك 
 المسمى كل خلية بمسافة مانهاتن 
 من الهدف ، عدد المربعات لأعلى ولليسار 
 ستحتاج إلى السفر للوصول من هذا المربع إلى الهدف. 
 ودعونا نفكر ، سيكون أفضل جشع أول بحث 
 الذي يختار دائمًا أصغر عدد ينتهي به المطاف إلى إيجاد الحل الأمثل؟ 
 ما هو أقصر حل ، وهل ستعثر عليه هذه الخوارزمية؟ 
 والشيء المهم الذي يجب إدراكه هو أن هنا هي نقطة القرار. 
 نحن نقدر أن نكون على بُعد 12 هدفًا. 
 ولدينا خياران. 
 يمكننا الذهاب إلى اليسار ، الذي نقدر أنه 13 بعيدًا عن المرمى ، 
 أو يمكننا الصعود ، حيث نقدر أنه يبعد عن الهدف 11. 
 وبين هذين الاثنين ، أفضل بحث جشع سيقول ، 
 11 تبدو أفضل من 13. 
 وبذلك ، أفضل جشع أول بحث 

Dutch: 
 Zal het altijd het kortste pad vinden van de begintoestand naar het doel? 
 En om die vraag te beantwoorden, laten we dit voorbeeld even bekijken. 
 Bekijk dit voorbeeld eens. 
 Nogmaals, we proberen van A naar B te komen, en nogmaals, ik heb 
 label elk van de cellen met hun Manhattan afstand 
 vanaf het doel, het aantal vierkanten omhoog en naar rechts 
 je zou moeten reizen om van dat plein naar het doel te komen. 
 En laten we nadenken over, zou hebzuchtige best-first search 
 die altijd het kleinste nummer kiest, uiteindelijk de optimale oplossing vinden? 
 Wat is de kortste oplossing en zou dit algoritme het vinden? 
 En het belangrijkste om te beseffen is dat hier het beslissingspunt is. 
 We zijn naar schatting 12 verwijderd van het doel. 
 En we hebben twee keuzes. 
 We kunnen naar links gaan, naar schatting 13 van het doel verwijderd, 
 of we kunnen omhoog gaan, waar we schatten dat het 11 verwijderd is van het doel. 
 En tussen die twee zal de hebzuchtige beste eerste zoekopdracht zeggen: 
 de 11 ziet er beter uit dan de 13. 
 En daarbij hebzuchtige best-first-search 

English: 
Will it always find the shortest path from the initial state to the goal?
And to answer that question, let's take a look at this example for a moment.
Take a look at this example.
Again, we're trying to get from A to B, and again, I've
labeled each of the cells with their Manhattan distance
from the goal, the number of squares up and to the right
you would need to travel in order to get from that square to the goal.
And let's think about, would greedy best-first search
that always picks the smallest number end up finding the optimal solution?
What is the shortest solution, and would this algorithm find it?
And the important thing to realize is that right here is the decision point.
We're estimate to be 12 away from the goal.
And we have two choices.
We can go to the left, which we estimate to be 13 away from the goal,
or we can go up, where we estimate it to be 11 away from the goal.
And between those two, greedy best-first search is going to say,
the 11 looks better than the 13.
And in doing so, greedy best-first search

Spanish: 
 ¿Siempre encontrará el camino más corto desde el estado inicial hasta la meta? 
 Y para responder a esa pregunta, echemos un vistazo a este ejemplo por un momento. 
 Echale un vistazo a éste ejemplo. 
 Nuevamente, estamos tratando de pasar de A a B, y nuevamente, he 
 etiquetó cada una de las celdas con su distancia de Manhattan 
 desde la portería, el número de cuadrados hacia arriba y hacia la derecha 
 tendrías que viajar para llegar de esa plaza a la meta. 
 Y pensemos, sería codicioso la primera búsqueda 
 que siempre elige el número más pequeño y termina encontrando la solución óptima? 
 ¿Cuál es la solución más corta y este algoritmo la encontraría? 
 Y lo importante es darse cuenta de que aquí está el punto de decisión. 
 Se estima que estamos a 12 del objetivo. 
 Y tenemos dos opciones. 
 Podemos ir a la izquierda, que estimamos que está a 13 del objetivo, 
 o podemos subir, donde estimamos que es 11 lejos de la meta. 
 Y entre esos dos, la codiciosa búsqueda del mejor primero va a decir: 
 el 11 se ve mejor que el 13. 
 Y al hacerlo, codicioso mejor primero búsqueda 

Portuguese: 
 Ele sempre encontrará o caminho mais curto, do estado inicial ao objetivo? 
 E para responder a essa pergunta, vamos dar uma olhada neste exemplo por um momento. 
 Dê uma olhada neste exemplo. 
 Mais uma vez, estamos tentando ir de A a B e, novamente, eu tenho 
 rotulado cada uma das células com sua distância de Manhattan 
 da meta, o número de quadrados para cima e para a direita 
 você precisaria viajar para ir desse quadrado para a meta. 
 E vamos pensar em: seria a melhor busca gananciosa 
 que sempre escolhe o menor número e acaba encontrando a solução ideal? 
 Qual é a solução mais curta e esse algoritmo a encontraria? 
 E o importante é perceber que aqui é o ponto de decisão. 
 Estamos estimados em estar 12 longe da meta. 
 E nós temos duas escolhas. 
 Podemos ir para a esquerda, que estimamos estar a 13 metros da meta, 
 ou podemos subir, onde estimamos que ele esteja 11 longe da meta. 
 E entre os dois, a melhor pesquisa ambiciosa dirá: 
 o 11 parece melhor que o 13. 
 E, ao fazer isso, a melhor pesquisa gananciosa da primeira 

Indonesian: 
 Akankah ia selalu menemukan jalur terpendek dari keadaan awal ke tujuan? 
 Dan untuk menjawab pertanyaan itu, mari kita lihat contoh ini sejenak. 
 Lihatlah contoh ini. 
 Sekali lagi, kami berusaha untuk beralih dari A ke B, dan lagi, saya sudah 
 memberi label pada masing-masing sel dengan jarak Manhattan mereka 
 dari gawang, jumlah kotak ke atas dan ke kanan 
 Anda perlu melakukan perjalanan untuk mendapatkan dari alun-alun ke tujuan. 
 Dan mari kita pikirkan, akan serakah mencari best-first 
 yang selalu mengambil angka terkecil akhirnya menemukan solusi optimal? 
 Apa solusi terpendek, dan apakah algoritma ini akan menemukannya? 
 Dan hal yang penting untuk disadari adalah bahwa di sini adalah titik keputusan. 
 Kami perkirakan berjarak 12 dari target. 
 Dan kita punya dua pilihan. 
 Kita bisa pergi ke kiri, yang kita perkirakan berjarak 13 dari gawang, 
 atau kita bisa naik, di mana kita memperkirakan itu berada 11 jauh dari tujuan. 
 Dan di antara keduanya, pencarian best-first rakus akan mengatakan, 
 11 terlihat lebih baik daripada 13. 
 Dan dengan melakukan itu, pencarian best-first serakah 

Modern Greek (1453-): 
 Θα βρει πάντα τη συντομότερη διαδρομή από την αρχική κατάσταση προς τον στόχο; 
 Και για να απαντήσουμε σε αυτήν την ερώτηση, ας ρίξουμε μια ματιά σε αυτό το παράδειγμα για μια στιγμή. 
 Ρίξτε μια ματιά σε αυτό το παράδειγμα. 
 Και πάλι, προσπαθούμε να πάμε από το Α στο Β, και πάλι, το έχω 
 επισήμανε καθένα από τα κελιά με την απόσταση του Μανχάταν 
 από τον στόχο, τον αριθμό των τετραγώνων προς τα πάνω και προς τα δεξιά 
 θα χρειαστεί να ταξιδέψετε για να φτάσετε από το τετράγωνο στο στόχο. 
 Και ας σκεφτούμε, θα ήταν άπληστοι η καλύτερη πρώτη αναζήτηση 
 που επιλέγει πάντα τον μικρότερο αριθμό και καταλήγει να βρει τη βέλτιστη λύση; 
 Ποια είναι η συντομότερη λύση και θα το βρει αυτός ο αλγόριθμος; 
 Και το σημαντικό πράγμα που πρέπει να συνειδητοποιήσουμε είναι ότι ακριβώς εδώ είναι το σημείο απόφασης. 
 Εκτιμούμε ότι θα μείνουμε 12 μακριά από το γκολ. 
 Και έχουμε δύο επιλογές. 
 Μπορούμε να πάμε προς τα αριστερά, το οποίο εκτιμάμε ότι είναι 13 μακριά από το γκολ, 
 ή μπορούμε να ανεβούμε, όπου εκτιμούμε ότι είναι 11 μακριά από τον στόχο. 
 Και μεταξύ αυτών των δύο, η άπληστη καλύτερη πρώτη αναζήτηση θα πει, 
 τα 11 φαίνονται καλύτερα από τα 13. 
 Και με αυτόν τον τρόπο, άπληστη αναζήτηση με την πρώτη προτεραιότητα 

Italian: 
 Troverà sempre il percorso più breve dallo stato iniziale all'obiettivo? 
 E per rispondere a questa domanda, diamo un'occhiata a questo esempio per un momento. 
 Dai un'occhiata a questo esempio. 
 Ancora una volta, stiamo provando a passare da A a B, e ancora, io 
 ha identificato ciascuna delle celle con la loro distanza a Manhattan 
 dall'obiettivo, il numero di quadrati in alto a destra 
 dovresti viaggiare per andare da quel quadrato all'obiettivo. 
 E pensiamo a, vorremmo avidamente la prima ricerca 
 che prende sempre il numero più piccolo finendo per trovare la soluzione ottimale? 
 Qual è la soluzione più breve e questo algoritmo la troverebbe? 
 E la cosa importante da capire è che proprio qui è il punto decisionale. 
 Stimiamo di essere a 12 di distanza dall'obiettivo. 
 E abbiamo due scelte. 
 Possiamo andare a sinistra, che stimiamo essere a 13 di distanza dall'obiettivo, 
 oppure possiamo salire, dove stimiamo che sia 11 lontano dall'obiettivo. 
 E tra questi due, avidi best-first search sta per dire, 
 l'11 sembra migliore del 13. 
 E nel fare ciò, avida ricerca per la prima volta 

Chinese: 
它會始終找到從初始狀態到目標的最短路徑嗎？ 
為了回答這個問題，讓我們看一下這個例子。 
看一下這個例子。 
再一次，我們試圖從A到B，再一次，我已經
用他們的曼哈頓距離標記每個單元
從目標開始，到右邊的平方數
您需要旅行才能從那個廣場到達目標。 
讓我們考慮一下，貪婪的優先搜索
總是選擇最小的數量最終找到最佳解決方案？ 
最短的解決方案是什麼，該算法會找到它嗎？ 
重要的是要意識到，這就是決策點。 
估計距離目標還有12點距離。 
我們有兩個選擇。 
我們可以向左移動，估計距離目標13公里， 
或者我們可以上升，我們估計它離目標11。 
在這兩者之間，貪婪的最佳優先搜索會說： 
 11看起來比13好。 
如此一來，貪婪的最佳第一搜索

Japanese: 
それは常に初期状態からゴールまでの最短経路を見つけますか？ 
その質問に答えるために、この例を少し見てみましょう。 
この例を見てください。 
繰り返しますが、AからBに移動しようとしています。繰り返しますが、 
各セルをマンハッタン距離でラベル付け
ゴールから、正方形の上と右への数
その広場からゴールにたどり着くには、旅行する必要があります。 
考えてみましょう。 
それは常に最小の数を選び、最終的に最適なソリューションを見つけますか？ 
最短の解決策は何ですか？このアルゴリズムはそれを見つけますか？ 
そして、認識すべき重要なことは、ここが決定ポイントであるということです。 
目標から12離れていると推定されます。 
そして2つの選択肢があります。 
ゴールから13離れていると推定される左側に移動できます。 
または、ゴールから11離れていると推定して、上に移動することもできます。 
そして、これら2つの間で、貪欲な最優先検索は次のようになります。 
 11は13よりも良く見えます。 
そしてそうすることで、貪欲なベストファーストサーチ

German: 
 Wird es immer den kürzesten Weg vom Ausgangszustand zum Ziel finden? 
 Um diese Frage zu beantworten, schauen wir uns dieses Beispiel für einen Moment an. 
 Schauen Sie sich dieses Beispiel an. 
 Wieder versuchen wir von A nach B zu kommen, und wieder habe ich 
 beschriftete jede der Zellen mit ihrem Manhattan-Abstand 
 vom Ziel die Anzahl der Quadrate nach oben und rechts 
 Sie müssten reisen, um von diesem Platz zum Ziel zu gelangen. 
 Und lassen Sie uns darüber nachdenken, würde gierig Best-First-Suche 
 das immer die kleinste Zahl auswählt, um die optimale Lösung zu finden? 
 Was ist die kürzeste Lösung und würde dieser Algorithmus sie finden? 
 Und das Wichtigste ist, dass genau hier der Entscheidungspunkt liegt. 
 Wir sind schätzungsweise 12 vom Ziel entfernt. 
 Und wir haben zwei Möglichkeiten. 
 Wir können nach links gehen, was wir auf 13 vom Ziel schätzen. 
 oder wir können nach oben gehen, wo wir schätzen, dass es 11 vom Ziel entfernt ist. 
 Und zwischen diesen beiden wird die gierige Best-First-Suche sagen: 
 Die 11 sieht besser aus als die 13. 
 Und dabei gierige Best-First-Suche 

Korean: 
 항상 초기 상태에서 목표까지의 최단 경로를 찾을 수 있습니까? 
 이 질문에 대답하기 위해 잠시이 예를 살펴 보겠습니다. 
 이 예를 살펴보십시오. 
 다시, 우리는 A에서 B로 가려고 노력하고 있습니다. 
 각 셀에 맨해튼 거리가 표시되어 있습니다. 
 목표에서 제곱 수와 오른쪽으로 
 당신은 그 광장에서 목표에 도달하기 위해 여행해야합니다. 
 욕심 많은 최고의 첫 번째 검색에 대해 생각하자 
 항상 최적의 솔루션을 찾는 가장 작은 수를 선택합니까? 
 가장 짧은 해결책은 무엇이며이 알고리즘이이를 찾습니까? 
 그리고 알아야 할 중요한 사항은 바로 여기에 결정 점이 있다는 것입니다. 
 목표에서 12 떨어진 것으로 추정됩니다. 
 그리고 우리는 두 가지 선택이 있습니다. 
 우리는 왼쪽으로 갈 수 있는데, 목표에서 13 떨어진 것으로 추정됩니다. 
 또는 목표에서 11 떨어진 것으로 추정되는 곳으로 올라갈 수 있습니다. 
 그리고이 두 가지 사이에서 탐욕스러운 최고 우선 검색은 
 11은 13보다 낫습니다. 
 욕심 많은 최고의 검색 

Russian: 
 Всегда ли найдется кратчайший путь от исходного состояния к цели? 
 И чтобы ответить на этот вопрос, давайте взглянем на этот пример. 
 Посмотрите на этот пример. 
 Опять же, мы пытаемся добраться от А до Б, и снова я 
 помечены каждая из клеток с их расстоянием до Манхэттена 
 от цели, количество квадратов вверх и вправо 
 вам нужно будет путешествовать, чтобы добраться от этого квадрата до цели. 
 И давайте подумаем, был бы жадный поиск в первую очередь 
 который всегда выбирает наименьшее число и в итоге находит оптимальное решение? 
 Какое самое короткое решение и найдет ли его алгоритм? 
 И важно понять, что именно здесь находится точка принятия решения. 
 Мы оцениваем, чтобы быть 12 от цели. 
 И у нас есть два варианта. 
 Мы можем пойти налево, который мы оцениваем в 13 от цели, 
 или мы можем подняться, где мы оцениваем это как 11 от цели. 
 И между этими двумя, жадный поиск лучших сначала скажет, 
 11 выглядит лучше, чем 13. 
 И при этом, жадный поиск в первую очередь 

Chinese: 
它会始终找到从初始状态到目标的最短路径吗？ 
为了回答这个问题，让我们看一下这个例子。 
看一下这个例子。 
再一次，我们试图从A到B，再一次，我已经
用他们的曼哈顿距离标记每个单元
从目标开始，到右边的平方数
您需要旅行才能从那个广场到达目标。 
让我们考虑一下，贪婪的优先搜索
总是选择最小的数量最终找到最佳解决方案？ 
最短的解决方案是什么，该算法会找到它吗？ 
重要的是要意识到，这就是决策点。 
估计距离目标还有12点距离。 
我们有两个选择。 
我们可以向左移动，估计距离目标13公里， 
或者我们可以上升，我们估计它离目标11。 
在这两者之间，贪婪的最佳优先搜索会说： 
 11看起来比13好。 
如此一来，贪婪的最佳第一搜索

Hindi: 
 लक्ष्य के लिए इस रास्ते को खोजने के अंत होगा। 
 लेकिन यह पता चला कि यह रास्ता इष्टतम नहीं है। 
 कम चरणों का उपयोग करके लक्ष्य तक पहुंचने का एक तरीका है। 
 और यह वास्तव में इस तरह से है, इस तरह से अंततः कम कदम शामिल हैं, 
 हालांकि यह इस समय सबसे खराब चुनने का मतलब है 
 दो के बीच विकल्प - या जिसे हमने सबसे खराब विकल्प माना है, आधारित है 
 विधर्मियों पर। 
 और इसलिए इसका मतलब है कि यह एक लालची एल्गोरिथ्म है। 
 यह स्थानीय स्तर पर सबसे अच्छा निर्णय ले रहा है। 
 इस निर्णय बिंदु पर, ऐसा लगता है कि यह बेहतर है 
 यहाँ जाने के लिए 13 से जाना है। 
 लेकिन बड़ी तस्वीर में, यह जरूरी नहीं कि इष्टतम हो, 
 यह वहाँ एक समाधान मिल सकता है जब वहाँ वास्तविकता में 
 एक बेहतर समाधान उपलब्ध था। 
 इसलिए हम इस समस्या को हल करने का कोई तरीका चाहेंगे। 
 हम इस उत्तराधिकारी के विचार को पसंद करते हैं 
 पथ का अनुमान लगाने में सक्षम, हमारे और लक्ष्य के बीच की दूरी, 
 और इससे हमें बेहतर निर्णय लेने में सक्षम होने में मदद मिलती है 
 और राज्य के पूरे हिस्सों के माध्यम से खोज करने के लिए 
 अंतरिक्ष। 

Arabic: 
 سينتهي بهم الأمر بالعثور على هذا المسار إلى الهدف. 
 ولكن تبين أن هذا المسار ليس الأمثل. 
 هناك طريقة للوصول إلى الهدف باستخدام خطوات أقل. 
 وهي في الواقع بهذه الطريقة ، وهذه الطريقة تضمنت في النهاية خطوات أقل ، 
 على الرغم من أنه يعني في هذه اللحظة اختيار الأسوأ 
 الخيار بين الاثنين-- أو ما قدّرنا أنه الخيار الأسوأ ، على أساس 
 على الزنادقة. 
 وهذا ما نعنيه بهذه الخوارزمية الجشعة. 
 إنها تتخذ أفضل قرار محليًا. 
 عند نقطة القرار هذه ، يبدو أنه أفضل 
 للذهاب إلى هنا من الذهاب إلى 13. 
 لكن في الصورة الكبيرة ، ليس بالضرورة أن يكون مثالياً 
 أنها قد تجد حلاً عندما تكون هناك 
 كان أفضل حل متاح. 
 لذلك نود طريقة ما لحل هذه المشكلة. 
 نحن نحب فكرة هذا الكواكب 
 قادر على تقدير المسار والمسافة بيننا والهدف ، 
 وذلك يساعدنا على اتخاذ قرارات أفضل 
 والتخلص من الاضطرار إلى البحث عبر أجزاء كاملة من الولاية 
 الفراغ. 

German: 
 wird am Ende diesen Weg zum Ziel finden. 
 Es stellt sich jedoch heraus, dass dieser Weg nicht optimal ist. 
 Es gibt eine Möglichkeit, mit weniger Schritten zum Ziel zu gelangen. 
 Und es ist tatsächlich so, so, dass letztendlich weniger Schritte erforderlich sind, 
 obwohl es in diesem Moment bedeutete, das Schlimmste zu wählen 
 Option zwischen den beiden - oder was wir als die schlechteste Option geschätzt haben, basierend 
 auf die Ketzer. 
 Und damit meinen wir einen gierigen Algorithmus. 
 Es trifft die beste Entscheidung vor Ort. 
 An diesem Entscheidungspunkt sieht es so aus, als wäre es besser 
 hierher zu gehen als es ist, zum 13 zu gehen. 
 Aber im Großen und Ganzen ist es nicht unbedingt optimal, 
 dass es dort tatsächlich eine Lösung finden könnte 
 war eine bessere Lösung verfügbar. 
 Wir möchten dieses Problem auf irgendeine Weise lösen. 
 Wir mögen die Idee dieser Heuristik, des Seins 
 in der Lage, den Weg, die Entfernung zwischen uns und dem Ziel zu schätzen, 
 und das hilft uns, bessere Entscheidungen treffen zu können 
 und um zu vermeiden, dass ganze Teile des Staates durchsucht werden müssen 
 Platz. 

Spanish: 
 terminará encontrando este camino hacia la meta. 
 Pero resulta que este camino no es óptimo. 
 Hay una manera de llegar a la meta con menos pasos. 
 Y en realidad es de esta manera, de esta manera que finalmente implican menos pasos, 
 aunque significaba en este momento elegir lo peor 
 opción entre los dos, o lo que estimamos que es la peor opción, según 
 Sobre los herejes. 
 Entonces, esto es lo que queremos decir con esto es un algoritmo codicioso. 
 Está tomando la mejor decisión, localmente. 
 En este punto de decisión, parece que es mejor 
 ir aquí de lo que es ir al 13. 
 Pero en general, no es necesariamente óptimo, 
 que podría encontrar una solución cuando en realidad existe 
 Fue una mejor solución disponible. 
 Entonces nos gustaría alguna forma de resolver este problema. 
 Nos gusta la idea de esta heurística, de ser 
 capaz de estimar el camino, la distancia entre nosotros y la meta, 
 y eso nos ayuda a poder tomar mejores decisiones 
 y para eliminar tener que buscar en partes enteras del estado 
 espacio. 

Portuguese: 
 acabará encontrando esse caminho para a meta. 
 Mas acontece que esse caminho não é o ideal. 
 Existe uma maneira de chegar à meta usando menos etapas. 
 E, na verdade, é dessa maneira, que envolve menos etapas, 
 mesmo que nesse momento significasse escolher o pior 
 opção entre os dois - ou o que estimamos ser a pior opção, com base 
 sobre os hereges. 
 E é isso que queremos dizer com algoritmo ganancioso. 
 Está tomando a melhor decisão, localmente. 
 Neste ponto de decisão, parece que é melhor 
 para ir aqui do que ir para o 13. 
 Mas, em geral, não é necessariamente o ideal, 
 que ele possa encontrar uma solução quando na realidade houver 
 foi uma solução melhor disponível. 
 Então, gostaríamos de alguma maneira de resolver esse problema. 
 Gostamos da ideia dessa heurística, de ser 
 capaz de estimar o caminho, a distância entre nós e a meta, 
 e isso nos ajuda a tomar melhores decisões 
 e eliminar a necessidade de pesquisar partes inteiras do estado 
 espaço. 

Korean: 
 결국 목표를 향한 길을 찾게 될 것입니다. 
 그러나이 경로는 최적이 아닙니다. 
 더 적은 단계로 목표를 달성 할 수있는 방법이 있습니다. 
 실제로이 방법은 궁극적으로 더 적은 단계를 거쳐야합니다. 
 비록 지금이 순간 최악의 선택을 의미했지만 
 둘 사이의 옵션 또는 우리가 최악의 옵션으로 추정 한 것 
 이단자에. 
 이것이 우리가 의미하는 바는 탐욕스러운 알고리즘입니다. 
 현지에서 최선의 결정을 내리고 있습니다. 
 이 결정 시점에서는 더 나은 것처럼 보입니다. 
 여기에가는 것보다 13에가는 것보다 
 그러나 큰 그림에서는 반드시 최적 일 필요는 없습니다. 
 실제로있을 때 해결책을 찾을 수 있다는 것 
 더 나은 솔루션을 사용할 수있었습니다. 
 그래서 우리는이 문제를 해결할 방법을 원합니다. 
 우리는이 휴리스틱, 존재라는 아이디어를 좋아합니다. 
 경로, 우리와 목표 사이의 거리를 추정 할 수 있고 
 더 나은 결정을 내릴 수있게 도와줍니다 
 상태 전체를 검색하지 않아도됩니다 
 우주. 

Russian: 
 в конечном итоге найти этот путь к цели. 
 Но оказывается, этот путь не оптимален. 
 Есть способ добраться до цели, используя меньше шагов. 
 И на самом деле именно так, таким образом, в конечном счете, потребовалось меньше шагов, 
 несмотря на то, что это означало в данный момент выбрать худшее 
 вариант между двумя - или то, что мы оценили как худший вариант, основанный 
 на еретиках. 
 И вот что мы имеем в виду под жадным алгоритмом. 
 Это делает лучшее решение, локально. 
 На этом этапе принятия решения, похоже, что это лучше 
 идти сюда, чем идти к 13. 
 Но в целом, это не обязательно оптимально, 
 что он может найти решение, когда на самом деле там 
 было лучшее решение доступно. 
 Поэтому мы хотели бы найти способ решить эту проблему. 
 Нам нравится идея этой эвристики, быть 
 способен оценить путь, расстояние между нами и целью, 
 и это помогает нам принимать лучшие решения 
 и избавить от необходимости искать через целые части государства 
 пространство. 

Chinese: 
最终将找到通往目标的道路。 
但是事实证明，这条路径不是最优的。 
有一种方法可以减少步骤。 
实际上就是这种方式，最终减少了步骤， 
即使这意味着此时选择最差的
两者之间的选择-或者我们估计是最差的选择
在异端。 
这就是我们所说的贪婪算法。 
它是在本地做出最好的决定。 
在这个决策点，看起来更好
去这里比去13。 
但总的来说，它不一定是最优的， 
它实际上可能在那里找到解决方案
是一个更好的解决方案。 
因此，我们希望有一些解决此问题的方法。 
我们喜欢这种启发式的想法
能够估计路径，我们与目标之间的距离， 
这有助于我们做出更好的决定
并消除了搜索整个州的麻烦
空间。 

Italian: 
 finirà per trovare questo percorso verso l'obiettivo. 
 Ma risulta che questo percorso non è ottimale. 
 C'è un modo per raggiungere l'obiettivo usando meno passaggi. 
 Ed è proprio così, in questo modo che alla fine ha comportato un minor numero di passaggi, 
 anche se in questo momento significava scegliere il peggio 
 opzione tra i due-- o quella che abbiamo stimato essere l'opzione peggiore, in base 
 sugli eretici. 
 E quindi questo è ciò che intendiamo con questo è un algoritmo goloso. 
 Sta prendendo la decisione migliore, a livello locale. 
 A questo punto della decisione, sembra che sia meglio 
 andare qui di quanto non sia andare al 13. 
 Ma in generale, non è necessariamente ottimale, 
 che potrebbe trovare una soluzione quando in realtà lì 
 era una soluzione migliore disponibile. 
 Quindi vorremmo un modo per risolvere questo problema. 
 Ci piace l'idea di questo euristico, dell'essere 
 in grado di stimare il percorso, la distanza tra noi e l'obiettivo, 
 e questo ci aiuta a essere in grado di prendere decisioni migliori 
 e per eliminare la ricerca in intere parti dello stato 
 spazio. 

Dutch: 
 zal uiteindelijk dit pad naar het doel vinden. 
 Maar het blijkt dat dit pad niet optimaal is. 
 Er is een manier om met minder stappen het doel te bereiken. 
 En het is eigenlijk op deze manier, op deze manier dat er uiteindelijk minder stappen nodig waren, 
 ook al betekende het op dit moment het kiezen van het ergste 
 optie tussen de twee - of wat volgens ons de slechtste optie is, gebaseerd 
 op de ketters. 
 En dit is wat we hiermee bedoelen is een hebzuchtig algoritme. 
 Het neemt lokaal de beste beslissing. 
 Op dit beslissingspunt lijkt het erop dat het beter is 
 om hierheen te gaan dan om naar de 13 te gaan. 
 Maar in het grote geheel is het niet per se optimaal, 
 dat het een oplossing zou kunnen vinden als het er in werkelijkheid is 
 was een betere oplossing beschikbaar. 
 We willen dus een manier vinden om dit probleem op te lossen. 
 We houden van het idee van deze heuristiek, van zijn 
 in staat om het pad, de afstand tussen ons en het doel te schatten, 
 en dat helpt ons om betere beslissingen te kunnen nemen 
 en om te voorkomen dat je door hele delen van de staat moet zoeken 
 ruimte. 

French: 
 finira par trouver ce chemin vers le but. 
 Mais il s'avère que ce chemin n'est pas optimal. 
 Il existe un moyen d'atteindre l'objectif en utilisant moins d'étapes. 
 Et c'est en fait de cette façon, de cette façon qui a finalement impliqué moins d'étapes, 
 même si cela signifiait en ce moment choisir le pire 
 option entre les deux - ou ce que nous avons estimé être la pire option, sur la base 
 sur les hérétiques. 
 Et c'est donc ce que nous entendons par ceci est un algorithme gourmand. 
 C'est prendre la meilleure décision, localement. 
 À ce point de décision, il semble que c'est mieux 
 d'aller ici que d'aller au 13. 
 Mais dans l’ensemble, ce n’est pas nécessairement optimal, 
 qu'il pourrait trouver une solution alors qu'en réalité il 
 était une meilleure solution disponible. 
 Nous aimerions donc trouver un moyen de résoudre ce problème. 
 Nous aimons l'idée de cette heuristique, d'être 
 capable d'estimer le chemin, la distance entre nous et le but, 
 et cela nous aide à prendre de meilleures décisions 
 et pour éviter d'avoir à chercher dans des parties entières de l'État 
 espace. 

Modern Greek (1453-): 
 θα καταλήξει να βρει αυτό το δρόμο προς τον στόχο. 
 Αλλά αποδεικνύεται ότι αυτό το μονοπάτι δεν είναι βέλτιστο. 
 Υπάρχει ένας τρόπος για να φτάσετε στο στόχο χρησιμοποιώντας λιγότερα βήματα. 
 Και είναι στην πραγματικότητα αυτός ο τρόπος, αυτός ο τρόπος που τελικά περιλάμβανε λιγότερα βήματα, 
 παρόλο που σήμαινε αυτή τη στιγμή την επιλογή του χειρότερου 
 επιλογή μεταξύ των δύο - ή αυτό που εκτιμήσαμε ότι είναι η χειρότερη επιλογή, με βάση 
 για τους αιρετικούς. 
 Και έτσι αυτό εννοούμε με αυτό είναι ένας άπληστος αλγόριθμος. 
 Λαμβάνει την καλύτερη απόφαση, τοπικά. 
 Σε αυτό το σημείο απόφασης, φαίνεται ότι είναι καλύτερο 
 να πάει εδώ παρά να πάει στο 13. 
 Αλλά στη μεγάλη εικόνα, δεν είναι απαραίτητα βέλτιστο, 
 ότι μπορεί να βρει μια λύση όταν στην πραγματικότητα εκεί 
 ήταν μια καλύτερη διαθέσιμη λύση. 
 Θα θέλαμε λοιπόν κάποιον τρόπο να λύσουμε αυτό το πρόβλημα. 
 Μας αρέσει η ιδέα αυτής της ευρετικής ύπαρξης 
 ικανός να εκτιμήσει την πορεία, την απόσταση μεταξύ μας και τον στόχο, 
 και αυτό μας βοηθά να είμαστε σε θέση να λαμβάνουμε καλύτερες αποφάσεις 
 και να εξαλειφθεί η ανάγκη αναζήτησης σε ολόκληρα μέρη της πολιτείας 
 χώρος. 

English: 
will end up finding this path to the goal.
But it turns out this path is not optimal.
There is a way to get to the goal using fewer steps.
And it's actually this way, this way that ultimately involved fewer steps,
even though it meant at this moment choosing the worst
option between the two-- or what we estimated to be the worst option, based
on the heretics.
And so this is what we mean by this is a greedy algorithm.
It's making the best decision, locally.
At this decision point, it looks like it's better
to go here than it is to go to the 13.
But in the big picture, it's not necessarily optimal,
that it might find a solution when in actuality there
was a better solution available.
So we would like some way to solve this problem.
We like the idea of this heuristic, of being
able to estimate the path, the distance between us and the goal,
and that helps us to be able to make better decisions
and to eliminate having to search through entire parts of the state
space.

Indonesian: 
 akhirnya akan menemukan jalan ini ke tujuan. 
 Namun ternyata jalur ini tidak optimal. 
 Ada cara untuk mencapai tujuan menggunakan langkah-langkah yang lebih sedikit. 
 Dan sebenarnya seperti ini, cara ini yang pada akhirnya melibatkan lebih sedikit langkah, 
 meskipun itu berarti saat ini memilih yang terburuk 
 opsi antara keduanya - atau apa yang kami perkirakan sebagai opsi terburuk, berdasarkan 
 tentang bidat. 
 Jadi ini yang kami maksud dengan ini adalah algoritma serakah. 
 Itu membuat keputusan terbaik, secara lokal. 
 Pada titik keputusan ini, sepertinya lebih baik 
 untuk pergi ke sini daripada pergi ke 13. 
 Namun dalam gambaran besar, itu belum tentu optimal, 
 bahwa itu mungkin menemukan solusi ketika dalam kenyataannya ada 
 adalah solusi yang lebih baik tersedia. 
 Jadi kami ingin beberapa cara untuk menyelesaikan masalah ini. 
 Kami menyukai gagasan heuristik ini, tentang keberadaan 
 mampu memperkirakan jalan, jarak antara kita dan tujuan, 
 dan itu membantu kita untuk dapat membuat keputusan yang lebih baik 
 dan untuk menghilangkan harus mencari melalui seluruh bagian negara 
 ruang. 

Chinese: 
最終將找到通往目標的道路。 
但是事實證明，這條路徑不是最優的。 
有一種方法可以減少步驟。 
實際上就是這種方式，最終減少了步驟， 
即使這意味著此時選擇最差的
兩者之間的選擇-或者我們估計是最差的選擇
在異端。 
這就是我們所說的貪婪算法。 
它是在本地做出最好的決定。 
在這個決策點，看起來更好
去這裡比去13。 
但總的來說，它不一定是最優的， 
它實際上可能在那裡找到解決方案
是一個更好的解決方案。 
因此，我們希望有一些解決此問題的方法。 
我們喜歡這種啟發式的想法
能夠估計路徑，我們與目標之間的距離， 
這有助於我們做出更好的決定
並消除了搜索整個州的麻煩
空間。 

Turkish: 
 sonunda bu hedefe giden yolu bulacaktır. 
 Ancak bu yolun optimal olmadığı ortaya çıktı. 
 Daha az adım kullanarak hedefe ulaşmak için bir yol var. 
 Ve aslında bu şekilde, sonuçta daha az adımdan oluşan, 
 şu anda en kötüyü seçmek anlamına gelse de 
 ikisi arasında bir seçenek veya en kötü seçenek olarak tahmin ettiğimiz, 
 sapkınlık. 
 Demek istediğimiz bu, açgözlü bir algoritma. 
 Yerel olarak en iyi kararı veriyor. 
 Bu karar noktasında, daha iyi görünüyor 
 buraya gitmek 13'e gitmek. 
 Ancak büyük resimde, mutlaka optimal değil, 
 gerçekte orada bir çözüm bulabileceğini 
 daha iyi bir çözümdü. 
 Bu yüzden bu sorunu çözmenin bir yolunu istiyoruz. 
 Bu sezgisel, varlık fikrini seviyoruz 
 yolu, aramızdaki hedef ile mesafeyi tahmin edebilecek, 
 ve bu da daha iyi kararlar alabilmemize yardımcı oluyor 
 ve eyaletin tüm bölgelerinde arama yapmak zorunda kalmamak 
 Uzay. 

Japanese: 
ゴールへのこのパスを見つけることになります。 
しかし、この方法は最適ではないことがわかりました。 
少ないステップで目標を達成する方法があります。 
そして実際には、このように、このように最終的に少ないステップを含むこの方法、 
現時点では最悪の選択を意味しましたが
 2つの間のオプション、または私たちが最悪のオプションであると推定したものに基づいて、 
異端者について。 
つまり、これは貪欲なアルゴリズムです。 
ローカルで最良の決断を下しています。 
この決定ポイントでは、それはより良いように見えます
 13に行くよりもここに行く
しかし、全体像では、それは必ずしも最適ではありません。 
それが実際にそこにあるときにそれが解決策を見つけるかもしれないこと
利用可能なより良いソリューションでした。 
したがって、この問題を解決するためのいくつかの方法が必要です。 
私たちは、このヒューリスティックな考え方、 
パス、私たちとゴールの間の距離を推定することができ、 
そして、それは私たちがより良い決定をすることができるようにするのに役立ちます
州全体を検索する必要がなくなります
スペース。 

Japanese: 
ただし、アルゴリズムを変更して、 
最適性、それが最適になることができます。 
そして、これを行う方法は何ですか？ 
ここでの直感は何ですか？ 
さて、この問題を見てみましょう。 
この最初の問題では、貪欲なベストファースト検索
ここでこの解決策を見つけました、この長い道のり。 
そして、それが素晴らしかった理由は、はい、ヒューリスティックな数
かなり低くなりましたが、その後、彼らは回復し始めました。 
彼らは8、9、10、11を作りました-この場合は12までです。 
では、このアルゴリズムを改善しようとしたらどうでしょうか。 
私たちが気づくかもしれないことの1つは、 
このアルゴリズム、このパス、 
最終的には12に行き、次のような多くの手順を実行する必要がありました。 
これがいくつのステップなのかを知っている人-これにたどり着くために12 
また、別の方法として、はるかに少ない手順で、わずか6つの手順を実行することもできます。 
そしてここでこの13で終わった。 
はい、13は12よりも大きいので、それほど良くないようです。 
しかし、それははるかに少ないステップを必要としました。 
正しい？ 
この13に到達するには、たった6つのステップしか必要ありませんでした。 

Chinese: 
但是我們想修改算法，以便我們可以實現
最優性，以便它可以是最優的。 
那怎麼做呢？ 
這裡的直覺是什麼？ 
好吧，讓我們看一下這個問題。 
在這個最初的問題中，貪婪的最佳優先搜索
在這條漫長的道路上找到了解決方案。 
而且它之所以不好，是因為啟發式數字
下降得很低，但後來又開始回升。 
在這種情況下，他們將8、9、10、11一直建到12。 
那麼我們如何去嘗試改進這種算法呢？ 
好吧，我們可能意識到的一件事是，如果我們
一直沿著這個算法，沿著這條路， 
我們最終進入了12歲，我們必須採取許多步驟-例如， 
誰知道那是多少步驟-僅要達到這12個步驟
或者，我們也可以採取更少的步驟，只有六個步驟， 
並最終在這裡13點。 
是的，13大於12，所以看起來不那麼好， 
但所需步驟少得多。 
對？ 
只需花費六個步驟即可達到這13個步驟

Indonesian: 
 Tetapi kami ingin memodifikasi algoritme sehingga kami dapat mencapai 
 optimalitas, sehingga bisa optimal. 
 Dan apa cara untuk melakukan ini? 
 Apa intuisi di sini? 
 Baiklah, mari kita lihat masalah ini. 
 Dalam masalah awal ini, pencarian best-first serakah 
 menemukan solusi ini di sini, jalan panjang ini. 
 Dan alasan mengapa itu tidak bagus adalah karena, ya, angka heuristik 
 turun cukup rendah, tetapi kemudian, dan mereka mulai membangun kembali. 
 Mereka membangun kembali 8, 9, 10, 11 - hingga 12, dalam hal ini. 
 Jadi bagaimana kita bisa mencoba meningkatkan algoritma ini? 
 Nah, satu hal yang mungkin kita sadari adalah, jika kita 
 pergi melalui algoritma ini, melalui jalur ini, 
 dan kami akhirnya pergi ke 12, dan kami harus mengambil banyak langkah - seperti, 
 siapa yang tahu berapa banyak langkah itu-- hanya untuk sampai ke 12 ini, 
 kita bisa juga, sebagai alternatif, mengambil langkah yang jauh lebih sedikit, hanya enam langkah, 
 dan berakhir pada 13 ini di sini. 
 Dan ya, 13 lebih dari 12, jadi sepertinya itu tidak baik, 
 tetapi membutuhkan langkah yang jauh lebih sedikit. 
 Baik? 
 Hanya butuh enam langkah untuk mencapai 13 versus banyak langkah lainnya 

Hindi: 
 लेकिन हम एल्गोरिथ्म को संशोधित करना चाहेंगे ताकि हम प्राप्त कर सकें 
 इष्टतमता, ताकि यह इष्टतम हो सके। 
 और ऐसा करने का तरीका क्या है? 
 यहाँ अंतर्ज्ञान क्या है? 
 खैर, इस समस्या पर एक नज़र डालते हैं। 
 इस प्रारंभिक समस्या में, लालची सबसे पहली खोज 
 इस समाधान यहाँ पाया, यह लंबा रास्ता। 
 और यही कारण है कि यह बहुत अच्छा नहीं था क्योंकि, हाँ, अनुमानी संख्याएँ 
 बहुत नीचे चला गया, लेकिन बाद में, और वे वापस निर्माण करना शुरू कर दिया। 
 उन्होंने इस मामले में 8, 9, 10, 11-- सभी तरह से 12 तक का निर्माण किया। 
 और इसलिए हम इस एल्गोरिथ्म को बेहतर बनाने की कोशिश कैसे कर सकते हैं? 
 ठीक है, एक बात जो हमें महसूस हो सकती है, वह है, अगर हम 
 इस एल्गोरिथ्म के माध्यम से सभी रास्ते जाओ, इस रास्ते के माध्यम से, 
 और हम 12 तक जा रहे हैं, और हमें यह कई कदम उठाने हैं - जैसे, 
 कौन जानता है कि यह 12 करने के लिए कितने कदम है - 
 हम भी एक विकल्प के रूप में, बहुत कम कदम उठा सकते थे, सिर्फ छह कदम, 
 और यह यहाँ 13 पर समाप्त हुआ। 
 और हाँ, 13 12 से अधिक है, इसलिए ऐसा लगता है कि यह उतना अच्छा नहीं है, 
 लेकिन इसके लिए बहुत कम कदमों की आवश्यकता थी। 
 सही? 
 इस 13 बनाम कई और कदमों को प्राप्त करने के लिए केवल छह कदम उठाए 

Modern Greek (1453-): 
 Αλλά θα θέλαμε να τροποποιήσουμε τον αλγόριθμο έτσι ώστε να μπορούμε να επιτύχουμε 
 βέλτιστη, ώστε να μπορεί να είναι η βέλτιστη. 
 Και ποιος είναι ο τρόπος να γίνει αυτό; 
 Ποια είναι η διαίσθηση εδώ; 
 Λοιπόν, ας ρίξουμε μια ματιά σε αυτό το πρόβλημα. 
 Σε αυτό το αρχικό πρόβλημα, άπληστη αναζήτηση πρώτης προτεραιότητας 
 βρήκα αυτήν τη λύση εδώ, αυτόν τον μακρύ δρόμο. 
 Και ο λόγος για τον οποίο δεν ήταν υπέροχος είναι επειδή, ναι, οι ευρετικοί αριθμοί 
 κατέβηκε αρκετά χαμηλά, αλλά αργότερα, και άρχισαν να δημιουργούνται. 
 Έφτιαξαν πίσω 8, 9, 10, 11 - μέχρι το 12, σε αυτήν την περίπτωση. 
 Και πώς θα μπορούσαμε να προσπαθήσουμε να βελτιώσουμε αυτόν τον αλγόριθμο; 
 Λοιπόν, ένα πράγμα που μπορεί να συνειδητοποιήσουμε είναι ότι, αν εμείς 
 προχωρήστε σε ολόκληρο τον αλγόριθμο, σε αυτό το μονοπάτι, 
 και καταλήγουμε στο 12, και έπρεπε να κάνουμε πολλά βήματα - όπως, 
 ποιος ξέρει πόσα βήματα είναι - απλά για να φτάσετε σε αυτό το 12, 
 θα μπορούσαμε επίσης να έχουμε, εναλλακτικά, πολύ λιγότερα βήματα, μόνο έξι βήματα, 
 και κατέληξα σε αυτό το 13 εδώ. 
 Και ναι, το 13 είναι περισσότερο από 12, οπότε φαίνεται ότι δεν είναι τόσο καλό, 
 αλλά απαιτούσε πολύ λιγότερα βήματα. 
 Σωστά? 
 Χρειάστηκαν μόνο έξι βήματα για να φτάσετε σε αυτό το 13 σε σχέση με πολλά ακόμη βήματα 

Turkish: 
 Ancak algoritmayı değiştirmek istiyoruz ki böylece 
 Optimallik, böylece optimal olabilir. 
 Bunu yapmanın yolu nedir? 
 Burada sezgi nedir? 
 Bu soruna bir göz atalım. 
 Bu ilk problemde, açgözlü ilk önce arama 
 bu çözümü burada, bu uzun yolu buldum. 
 Ve büyük olmamasının nedeni, evet, sezgisel sayılar 
 oldukça düştü, ama daha sonra tekrar toplanmaya başladılar. 
 Bu durumda 8, 9, 10, 11-- 12'ye kadar inşa ettiler. 
 Peki bu algoritmayı geliştirmeye nasıl çalışabiliriz? 
 Farkına varabileceğimiz bir şey, eğer 
 bu algoritma boyunca, bu yol boyunca, 
 ve sonunda 12'ye gidiyoruz ve bu kadar çok adım atmamız gerekiyordu - mesela, 
 bunun kaç adım olduğunu bilen-- sadece bu 12'ye ulaşmak için, 
 alternatif olarak çok daha az adım, sadece altı adım atmış olabiliriz, 
 ve burada bu 13'te sona erdi. 
 Ve evet, 13 12'den fazla, bu yüzden iyi değil gibi görünüyor, 
 ancak daha az adım gerektiriyordu. 
 Sağ? 
 Bu 13'e ulaşmak için sadece altı adım gerekiyor ve daha birçok adım 

Dutch: 
 Maar we willen het algoritme aanpassen zodat we het kunnen bereiken 
 optimaliteit, zodat het optimaal kan zijn. 
 En hoe doe je dat? 
 Wat is hier de intuïtie? 
 Laten we dit probleem eens bekijken. 
 In dit eerste probleem, hebzuchtige best-first search 
 vond deze oplossing hier, dit lange pad. 
 En de reden waarom het niet geweldig was, is omdat, ja, de heuristische getallen 
 daalde behoorlijk laag, maar later, en ze begonnen weer op te bouwen. 
 Ze bouwden 8, 9, 10, 11 terug - helemaal tot 12, in dit geval. 
 En hoe kunnen we dit algoritme proberen te verbeteren? 
 Wel, een ding dat we ons misschien zouden realiseren is dat, als we 
 ga helemaal door dit algoritme heen, via dit pad, 
 en we gaan uiteindelijk naar de 12, en we hebben zoveel stappen moeten ondernemen, zoals, 
 wie weet hoeveel stappen dat is - gewoon om bij deze 12 te komen, 
 als alternatief hadden we ook veel minder stappen kunnen nemen, slechts zes stappen, 
 en eindigde hier bij deze 13. 
 En ja, 13 is meer dan 12, dus het lijkt erop dat het niet zo goed is, 
 maar het vereiste veel minder stappen. 
 Rechtsaf? 
 Er waren slechts zes stappen nodig om deze 13 te bereiken, en nog veel meer 

Spanish: 
 Pero nos gustaría modificar el algoritmo para que podamos lograr 
 óptima, para que pueda ser óptima. 
 ¿Y cuál es la forma de hacer esto? 
 ¿Cuál es la intuición aquí? 
 Bueno, echemos un vistazo a este problema. 
 En este problema inicial, búsqueda codiciosa del mejor primero 
 Encontré esta solución aquí, este largo camino. 
 Y la razón por la que no fue genial es porque sí, los números heurísticos 
 bajó bastante bajo, pero más tarde, y comenzaron a construir de nuevo. 
 Construyeron 8, 9, 10, 11, hasta 12, en este caso. 
 Entonces, ¿cómo podríamos tratar de mejorar este algoritmo? 
 Bueno, una cosa de la que podemos darnos cuenta es que si 
 ve todo el camino a través de este algoritmo, a través de este camino, 
 y terminamos yendo a los 12, y hemos tenido que dar muchos pasos, como, 
 quién sabe cuántos pasos es eso, solo para llegar a estos 12, 
 también podríamos, como alternativa, tomar muchos menos pasos, solo seis pasos, 
 y terminé en este 13 aquí. 
 Y sí, 13 es más que 12, por lo que parece que no es tan bueno, 
 pero requirió muchos menos pasos. 
 ¿Derecha? 
 Solo tomó seis pasos llegar a estos 13 versus muchos más pasos 

Arabic: 
 لكننا نود تعديل الخوارزمية حتى نتمكن من تحقيقها 
 المثالية ، بحيث يمكن أن تكون المثلى. 
 وما هي الطريقة للقيام بذلك؟ 
 ما هو الحدس هنا؟ 
 حسنًا ، دعنا نلقي نظرة على هذه المشكلة. 
 في هذه المشكلة الأولية ، البحث الجشع الأفضل أولاً 
 وجدت هذا الحل هنا ، هذا المسار الطويل. 
 والسبب في أنه لم يكن رائعًا هو ، نعم ، الأرقام الإرشادية 
 انخفض إلى حد ما ، ولكن في وقت لاحق ، وبدأوا في البناء مرة أخرى. 
 قاموا ببناء 8 ، 9 ، 10 ، 11 - على طول الطريق حتى 12 ، في هذه الحالة. 
 فكيف يمكننا محاولة تحسين هذه الخوارزمية؟ 
 حسنًا ، شيء واحد قد ندركه هو أنه إذا كنا 
 اذهب طوال هذه الخوارزمية ، من خلال هذا المسار ، 
 وينتهي بنا الأمر بالذهاب إلى 12 ، وكان علينا اتخاذ هذه الخطوات العديدة - مثل ، 
 الذي يعرف عدد الخطوات - فقط للوصول إلى هذه 12 ، 
 كان بإمكاننا ، كبديل ، اتخاذ خطوات أقل بكثير ، ست خطوات فقط ، 
 وانتهت في هذا 13 هنا. 
 ونعم ، 13 أكثر من 12 ، لذا يبدو أنها ليست جيدة ، 
 لكنها تتطلب خطوات أقل بكثير. 
 حق؟ 
 لم يستغرق الأمر سوى ست خطوات للوصول إلى هذا 13 مقابل العديد من الخطوات 

Chinese: 
但是我们想修改算法，以便我们可以实现
最优性，以便它可以是最优的。 
那怎么做呢？ 
这里的直觉是什么？ 
好吧，让我们看一下这个问题。 
在这个最初的问题中，贪婪的最佳优先搜索
在这条漫长的道路上找到了解决方案。 
而且它之所以不好，是因为启发式数字
下降得很低，但后来又开始回升。 
在这种情况下，他们将8、9、10、11一直建到12。 
那么我们如何去尝试改进这种算法呢？ 
好吧，我们可能意识到的一件事是，如果我们
一直沿着这个算法，沿着这条路， 
我们最终进入了12岁，我们必须采取许多步骤-例如， 
谁知道那是多少步骤-仅要达到这12个步骤
或者，我们也可以采取更少的步骤，只有六个步骤， 
并最终在这里13点。 
是的，13大于12，所以看起来不那么好， 
但所需步骤少得多。 
对？ 
只需花费六个步骤即可达到这13个步骤

German: 
 Wir möchten den Algorithmus jedoch so modifizieren, dass wir ihn erreichen können 
 Optimalität, damit es optimal sein kann. 
 Und wie geht das? 
 Was ist die Intuition hier? 
 Schauen wir uns dieses Problem an. 
 In diesem anfänglichen Problem gierige Best-First-Suche 
 fand diese Lösung hier, diesen langen Weg. 
 Und der Grund, warum es nicht großartig war, sind die heuristischen Zahlen 
 ging ziemlich tief runter, aber später, und sie fingen an, sich wieder aufzubauen. 
 Sie bauten 8, 9, 10, 11 zurück - in diesem Fall bis zu 12. 
 Wie könnten wir also versuchen, diesen Algorithmus zu verbessern? 
 Nun, eine Sache, die wir erkennen könnten, ist die, wenn wir 
 Gehen Sie den ganzen Weg durch diesen Algorithmus, durch diesen Pfad, 
 und am Ende gehen wir zu den 12, und wir mussten so viele Schritte unternehmen - wie, 
 Wer weiß, wie viele Schritte das sind - nur um zu diesen 12 zu gelangen, 
 alternativ hätten wir auch viel weniger Schritte machen können, nur sechs Schritte, 
 und landete bei dieser 13 hier. 
 Und ja, 13 ist mehr als 12, also sieht es so aus, als wäre es nicht so gut. 
 aber es erforderte weit weniger Schritte. 
 Recht? 
 Es dauerte nur sechs Schritte, um diese 13 zu erreichen, im Vergleich zu vielen weiteren Schritten 

Italian: 
 Ma vorremmo modificare l'algoritmo in modo che possiamo raggiungere 
 ottimalità, in modo che possa essere ottimale. 
 E qual è il modo per farlo? 
 Qual è l'intuizione qui? 
 Bene, diamo un'occhiata a questo problema. 
 In questo problema iniziale, avida ricerca al primo tentativo 
 ho trovato questa soluzione qui, questa lunga strada. 
 E il motivo per cui non è stato eccezionale è perché, sì, i numeri euristici 
 è sceso abbastanza in basso, ma più tardi, e hanno iniziato a ricostruire. 
 Hanno costruito 8, 9, 10, 11-- fino a 12, in questo caso. 
 E quindi come possiamo provare a migliorare questo algoritmo? 
 Bene, una cosa che potremmo realizzare è che, se noi 
 percorrere tutto questo algoritmo, attraverso questo percorso, 
 e finiamo per andare al 12, e abbiamo dovuto fare molti passi ... 
 chissà quanti passi è-- solo per arrivare a questo 12, 
 avremmo anche potuto, in alternativa, fare molti meno passi, solo sei passi, 
 e siamo finiti a questo 13 qui. 
 E sì, 13 è più di 12, quindi sembra che non sia buono, 
 ma ha richiesto molti meno passaggi. 
 Giusto? 
 Ci sono voluti solo sei passaggi per arrivare a questo 13 rispetto a molti altri passaggi 

English: 
But we would like to modify the algorithm so that we can achieve
optimality, so that it can be optimal.
And what is the way to do this?
What is the intuition here?
Well, let's take a look at this problem.
In this initial problem, greedy best-first search
found this solution here, this long path.
And the reason why it wasn't great is because, yes, the heuristic numbers
went down pretty low, but later on, and they started to build back up.
They built back 8, 9, 10, 11-- all the way up to 12, in this case.
And so how might we go about trying to improve this algorithm?
Well, one thing that we might realize is that, if we
go all the way through this algorithm, through this path,
and we end up going to the 12, and we've had to take this many steps-- like,
who knows how many steps that is-- just to get to this 12,
we could have also, as an alternative, taken much fewer steps, just six steps,
and ended up at this 13 here.
And yes, 13 is more than 12, so it looks like it's not as good,
but it required far fewer steps.
Right?
It only took six steps to get to this 13 versus many more steps

Portuguese: 
 Mas gostaríamos de modificar o algoritmo para que possamos alcançar 
 otimização, para que possa ser ideal. 
 E qual é a maneira de fazer isso? 
 Qual é a intuição aqui? 
 Bem, vamos dar uma olhada neste problema. 
 Nesse problema inicial, a melhor pesquisa ambiciosa 
 encontrou essa solução aqui, esse longo caminho. 
 E a razão pela qual não foi ótima é porque, sim, os números heurísticos 
 caiu bastante baixo, mas mais tarde, e eles começaram a se recuperar. 
 Eles construíram 8, 9, 10, 11 - até 12, neste caso. 
 E então, como podemos tentar melhorar esse algoritmo? 
 Bem, uma coisa que podemos perceber é que, se 
 percorrer todo o caminho através deste algoritmo, através deste caminho, 
 e acabamos indo para o 12, e tivemos que dar muitos passos - como, 
 quem sabe quantas etapas são ... apenas para chegar a esses 12, 
 como alternativa, podemos ter tomado muito menos etapas, apenas seis etapas, 
 e acabou com este 13 aqui. 
 E sim, 13 é mais que 12, então parece que não é tão bom, 
 mas exigiu muito menos etapas. 
 Direita? 
 Foram necessários apenas seis passos para chegar a esses 13, e muitos outros passos 

Russian: 
 Но мы хотели бы изменить алгоритм так, чтобы мы могли достичь 
 оптимальность, так что она может быть оптимальной. 
 И как это сделать? 
 Какая здесь интуиция? 
 Что ж, давайте посмотрим на эту проблему. 
 В этой первоначальной задаче поиск сначала лучший 
 нашел это решение здесь, этот длинный путь. 
 И причина, почему это не было велико, в том, что да, эвристические числа 
 опустился довольно низко, но позже, и они начали восстанавливаться. 
 Они построили 8, 9, 10, 11 - вплоть до 12, в данном случае. 
 И как мы можем попытаться улучшить этот алгоритм? 
 Ну, одна вещь, которую мы могли бы понять, что если мы 
 пройти весь этот алгоритм, этот путь, 
 и мы заканчиваем тем, что идем к 12, и мы должны были сделать это много шагов - как, 
 кто знает, сколько шагов ... просто чтобы добраться до этого 12, 
 мы могли бы также, в качестве альтернативы, сделать гораздо меньше шагов, всего шесть шагов, 
 и закончил на этом 13 здесь. 
 И да, 13 больше, чем 12, так что, похоже, это не так хорошо, 
 но это потребовало гораздо меньше шагов. 
 Правильно? 
 Потребовалось всего шесть шагов, чтобы добраться до 13 против многих других шагов. 

Korean: 
 하지만 달성 할 수 있도록 알고리즘을 수정하고 싶습니다 
 최적이 될 수 있습니다. 
 그리고 이것을하는 방법은 무엇입니까? 
 여기서 직관은 무엇입니까? 
 글쎄,이 문제를 살펴 보자. 
 이 초기 문제에서 욕심 많은 최고의 우선 검색 
 이 해결책을 찾았습니다.이 긴 길. 
 그리고 그것이 좋지 않은 이유는, 휴리스틱 숫자 때문입니다. 
 꽤 낮아졌지만 나중에 다시 구축하기 시작했습니다. 
 이 경우에는 최대 12 개까지 8, 9, 10, 11을 다시 구축했습니다. 
 그렇다면이 알고리즘을 개선하기 위해 어떻게해야할까요? 
 우리가 깨달을 수있는 한 가지는 
 이 알고리즘을 통해이 경로를 통해 
 우리는 결국 12로갑니다. 그리고 우리는 이렇게 많은 단계를 거쳐야했습니다. 
 이 12 단계에 도달하는 단계가 몇 개인 지 
 대안으로 훨씬 적은 단계, 즉 6 단계 만 수행 할 수도 있습니다. 
 이 13시에 끝났습니다. 
 예, 13은 12보다 크므로 좋지 않은 것처럼 보입니다. 
 그러나 훨씬 적은 단계가 필요했습니다. 
 권리? 
 이 13 단계에 도달하는 데 6 단계 만 걸렸습니다. 

French: 
 Mais nous aimerions modifier l'algorithme afin que nous puissions atteindre 
 l'optimalité, afin qu'elle puisse être optimale. 
 Et quelle est la façon de procéder? 
 Quelle est l'intuition ici? 
 Eh bien, regardons ce problème. 
 Dans ce premier problème, la recherche best-first gourmande 
 trouvé cette solution ici, ce long chemin. 
 Et la raison pour laquelle ce n'était pas génial parce que, oui, les nombres heuristiques 
 est descendu assez bas, mais plus tard, et ils ont commencé à remonter. 
 Ils ont reconstruit 8, 9, 10, 11 - jusqu'à 12, dans ce cas. 
 Et alors, comment pourrions-nous essayer d'améliorer cet algorithme? 
 Eh bien, une chose que nous pourrions réaliser est que, si nous 
 aller tout au long de cet algorithme, à travers ce chemin, 
 et nous finissons par aller au 12, et nous avons dû prendre autant de mesures - comme, 
 qui sait combien d'étapes c'est juste pour arriver à ce 12, 
 nous aurions pu aussi, à titre d'alternative, prendre beaucoup moins de mesures, seulement six étapes, 
 et a fini à 13 ici. 
 Et oui, 13 est plus que 12, donc on dirait que ce n'est pas aussi bon, 
 mais il a fallu beaucoup moins d'étapes. 
 Droite? 
 Il n'a fallu que six étapes pour arriver à ces 13 contre de nombreuses autres étapes 

Russian: 
 чтобы добраться до этого 12. 
 И хотя жадный поиск в первую очередь говорит о, ну, 12 лучше, чем 13 
 поэтому выберите 12, мы могли бы более разумно сказать, 
 Я предпочел бы быть где-то, что эвристически 
 Похоже, это займет немного больше времени, если я смогу добраться туда гораздо быстрее. 
 И мы собираемся закодировать эту идею, эту общую идею, 
 в более формальный алгоритм, известный как поиск звезды. 
 Поиск по звездам решит эту проблему, 
 вместо того, чтобы просто рассмотреть эвристику, 
 также учитывая, сколько времени нам потребовалось, чтобы добраться до какого-то конкретного состояния. 
 Таким образом, различие заключается в жадном поиске лучших, если я нахожусь в состоянии 
 сейчас единственное, что меня волнует, это 
 каково предполагаемое расстояние, эвристическое значение между мной 
 и цель. 
 Принимая во внимание, что поиск звезды будет принимать во внимание 
 две части информации. 
 Он примет во внимание, как далеко я оцениваю себя от цели, 
 но также, как далеко я должен был пройти, чтобы добраться сюда? 
 Потому что это тоже актуально. 

Chinese: 
達到這個12。 
貪婪的最佳優先搜索結果說，哦，好吧12比13好
所以選擇12，我們可能會更明智地說
我寧願去一個啟發性的地方
如果我能更快到達那裡，似乎需要花費更長的時間。 
我們將對這個想法，這個一般想法進行編碼， 
轉化為更正式的算法，稱為A星搜索。 
通過星級搜索可以解決此問題， 
不只是考慮啟發式， 
還考慮到我們到達任何特定狀態需要多長時間。 
因此，如果我處於某種狀態，則區別在於貪婪的最佳優先搜索
現在，我唯一關心的是
我之間的估計距離（啟發式值）是多少
和目標。 
而明星搜索將被考慮在內
兩個信息。 
需要考慮的是，我距離目標有多遠， 
而且我要走多遠才能到達這裡？ 
因為那也很重要。 

English: 
to get to this 12.
And while greedy best-first search says, oh, well, 12 is better than 13
so pick the 12, we might more intelligently say,
I'd rather be somewhere that heuristically
looks like it takes slightly longer if I can get there much more quickly.
And we're going to encode that idea, this general idea,
into a more formal algorithm known as A star search.
A star search is going to solve this problem by,
instead of just considering the heuristic,
also considering how long it took us to get to any particular state.
So the distinction is greedy best-first search, if I am in a state
right now, the only thing I care about is
what is the estimated distance, the heuristic value, between me
and the goal.
Whereas A star search will take into consideration
two pieces of information.
It'll take into consideration, how far do I estimate I am from the goal,
but also how far did I have to travel in order to get here?
Because that is relevant, too.

French: 
 pour arriver à ce 12. 
 Et tandis que la recherche gourmande best-first dit, oh, eh bien, 12 vaut mieux que 13 
 alors choisissez le 12, on pourrait dire plus intelligemment, 
 Je préfère être quelque part que heuristiquement 
 on dirait que cela prend un peu plus de temps si je peux y arriver beaucoup plus rapidement. 
 Et nous allons encoder cette idée, cette idée générale, 
 dans un algorithme plus formel connu sous le nom de recherche d'étoiles. 
 Une recherche d'étoiles va résoudre ce problème en, 
 au lieu de simplement considérer l'heuristique, 
 considérant également le temps qu'il nous a fallu pour arriver à un état particulier. 
 Donc, la distinction est gourmande de la meilleure recherche en premier, si je suis dans un état 
 en ce moment, la seule chose qui m'importe c'est 
 quelle est la distance estimée, la valeur heuristique, entre moi 
 et le but. 
 Alors qu'une recherche d'étoiles prendra en considération 
 deux informations. 
 Cela prendra en considération, dans quelle mesure est-ce que j'estime que je suis de l'objectif, 
 mais aussi jusqu'où ai-je dû voyager pour arriver ici? 
 Parce que c'est aussi pertinent. 

Turkish: 
 buna ulaşmak için 12. 
 Açgözlü en iyi ilk arama derken, ah, 12, 13'ten daha iyi 
 12'yi seçin, daha akıllıca söyleyebiliriz, 
 Sezgisel olarak bir yerde olmayı tercih ederim 
 Oraya daha çabuk ulaşabilirsem biraz daha uzun sürüyor gibi görünüyor. 
 Ve biz bu fikri, bu genel fikri, 
 bir yıldız araması olarak bilinen daha resmi bir algoritmaya dönüşür. 
 Yıldız araması bu sorunu şu şekilde çözecektir: 
 sadece buluşsal yöntemi düşünmek yerine, 
 ayrıca belirli bir duruma gelmemizin ne kadar sürdüğünü de dikkate alarak. 
 Yani, eğer bir eyaletteysem, ayrım en iyi ilk aramadır. 
 şu anda umursadığım tek şey 
 aramdaki tahmini mesafe, sezgisel değer nedir 
 ve hedef. 
 Oysa bir yıldız araması dikkate alınacak 
 iki parça bilgi. 
 Hedefimden ne kadar uzakta olduğumu tahmin edeceğim, 
 ama buraya ulaşmak için ne kadar seyahat etmem gerekti? 
 Çünkü bu da önemlidir. 

Portuguese: 
 para chegar a isso 12. 
 E enquanto a melhor pesquisa ambiciosa diz: "Bem, 12 é melhor que 13" 
 então escolha os 12, podemos dizer com mais inteligência, 
 Eu prefiro estar em um lugar que heuristicamente 
 parece que levará um pouco mais de tempo se eu chegar lá muito mais rapidamente. 
 E vamos codificar essa ideia, essa ideia geral, 
 em um algoritmo mais formal conhecido como pesquisa em estrela. 
 Uma pesquisa em estrela resolverá esse problema, 
 em vez de apenas considerar a heurística, 
 considerando também quanto tempo levamos para chegar a um determinado estado. 
 Portanto, a distinção é a melhor pesquisa ambiciosa, se eu estiver em um estado 
 agora, a única coisa que me interessa é 
 qual é a distância estimada, o valor heurístico, entre mim 
 e o objetivo. 
 Considerando que uma pesquisa por estrelas levará em consideração 
 duas informações. 
 Isso levará em consideração, até que ponto eu estimo do objetivo, 
 mas também quão longe eu tenho que viajar para chegar aqui? 
 Porque isso é relevante também. 

Korean: 
 이 12에 도착합니다. 
 탐욕스러운 최상의 첫 번째 검색 결과에 따르면 12는 13보다 낫습니다. 
 12를 선택하면 더 지능적으로 말할 수 있습니다. 
 차라리 어딘가에있을 것입니다 
 훨씬 더 빨리 갈 수 있다면 약간 더 오래 걸리는 것 같습니다. 
 그리고 우리는이 아이디어,이 일반적인 아이디어를 인코딩 할 것입니다. 
 스타 검색이라는보다 공식적인 알고리즘으로 
 스타 검색은이 문제를 해결하여 
 휴리스틱을 고려하는 대신 
 또한 특정 주에 도착하는 데 걸리는 시간도 고려했습니다. 
 그래서 내가 주에 있다면 구별은 욕심 많은 최고의 우선 검색입니다. 
 지금 내가 관심있는 것은 
 나 사이의 추정 거리, 휴리스틱 값은 무엇입니까 
 그리고 목표. 
 스타 검색이 고려되는 반면 
 두 가지 정보. 
 목표에서 얼마나 멀리 떨어져 있는지 추정하고, 
 또한 여기까지 가려면 얼마나 멀리 여행을해야 했습니까? 
 그것도 관련이 있기 때문에. 

Chinese: 
达到这个12。 
贪婪的最佳优先搜索结果说，哦，好吧12比13好
所以选择12，我们可能会更明智地说
我宁愿去一个启发性的地方
如果我能更快到达那里，似乎需要花费更长的时间。 
我们将对这个想法，这个一般想法进行编码， 
转化为更正式的算法，称为A星搜索。 
通过星级搜索可以解决此问题， 
而不是仅仅考虑启发式， 
还考虑到我们到达任何特定状态需要多长时间。 
因此，如果我处于某种状态，则区别在于贪婪的最佳优先搜索
现在，我唯一关心的是
我之间的估计距离（启发式值）是多少
和目标。 
而明星搜索将被考虑在内
两个信息。 
需要考虑的是，我距离目标有多远， 
而且我要走多远才能到达这里？ 
因为那也很重要。 

German: 
 um zu diesem 12 zu gelangen. 
 Und während die gierige Best-First-Suche sagt, ist 12 besser als 13 
 Wählen Sie also die 12, wir könnten intelligenter sagen: 
 Ich wäre lieber so heuristisch 
 Es sieht so aus, als würde es etwas länger dauern, wenn ich viel schneller dorthin komme. 
 Und wir werden diese Idee, diese allgemeine Idee, verschlüsseln, 
 in einen formaleren Algorithmus, der als A-Stern-Suche bekannt ist. 
 Eine Sternensuche wird dieses Problem lösen durch: 
 anstatt nur die Heuristik zu betrachten, 
 auch wenn man bedenkt, wie lange wir gebraucht haben, um zu einem bestimmten Zustand zu gelangen. 
 Die Unterscheidung ist also gierig Best-First-Suche, wenn ich in einem Zustand bin 
 Im Moment ist das einzige, was mich interessiert, 
 Was ist der geschätzte Abstand, der heuristische Wert zwischen mir? 
 und das Ziel. 
 Während eine Sternensuche berücksichtigt wird 
 zwei Informationen. 
 Es wird berücksichtigt, wie weit ich schätze, dass ich vom Ziel entfernt bin. 
 aber auch wie weit musste ich reisen, um hierher zu kommen? 
 Weil das auch relevant ist. 

Modern Greek (1453-): 
 για να φτάσετε σε αυτό 12. 
 Και ενώ η άπληστη αναζήτηση με την πρώτη προτεραιότητα λέει, ω, καλά, το 12 είναι καλύτερο από το 13 
 οπότε επιλέξτε τα 12, θα μπορούσαμε να πούμε πιο έξυπνα, 
 Θα προτιμούσα να είμαι κάπου ευρετικά 
 μοιάζει να διαρκέσει λίγο περισσότερο αν μπορώ να φτάσω εκεί πολύ πιο γρήγορα. 
 Και θα κωδικοποιήσουμε αυτήν την ιδέα, αυτή τη γενική ιδέα, 
 σε έναν πιο επίσημο αλγόριθμο γνωστό ως αναζήτηση με αστέρια. 
 Μια αναζήτηση με αστέρια πρόκειται να λύσει αυτό το πρόβλημα με, 
 αντί να εξετάζουμε απλώς το ευρετικό, 
 λαμβάνοντας επίσης υπόψη πόσο καιρό χρειαζόμαστε για να φτάσουμε σε μια συγκεκριμένη κατάσταση. 
 Έτσι, η διάκριση είναι η άπληστη αναζήτηση με την πρώτη προτεραιότητα, αν είμαι σε κατάσταση 
 αυτή τη στιγμή, το μόνο πράγμα που με νοιάζει είναι 
 Ποια είναι η εκτιμώμενη απόσταση, η ευρετική τιμή, μεταξύ μου 
 και ο στόχος. 
 Ενώ μια αναζήτηση αστεριών θα λάβει υπόψη 
 δύο κομμάτια πληροφοριών. 
 Θα λάβει υπόψη, πόσο μακριά εκτιμώ ότι είμαι από τον στόχο, 
 αλλά και πόσο μακριά έπρεπε να ταξιδέψω για να φτάσω εδώ; 
 Επειδή αυτό είναι επίσης σχετικό. 

Arabic: 
 للوصول إلى هذا 12. 
 وبينما يقول أفضل بحث جشع ، حسنًا ، 12 أفضل من 13 
 لذا اختر 12 ، قد نقول بذكاء أكثر ، 
 أفضل أن أكون في مكان ما بطريقة استكشافية 
 يبدو أنه يستغرق وقتًا أطول قليلاً إذا تمكنت من الوصول إلى هناك بسرعة أكبر. 
 وسنقوم بتشفير هذه الفكرة ، هذه الفكرة العامة ، 
 في خوارزمية أكثر رسمية تعرف باسم بحث النجوم. 
 بحث النجوم سيحل هذه المشكلة عن طريق 
 بدلا من مجرد التفكير في مجريات الأمور ، 
 أيضا النظر في الوقت الذي استغرقته للوصول إلى أي دولة معينة. 
 لذا فإن التمييز هو أفضل جشع في البحث أولاً ، إذا كنت في حالة 
 الشيء الوحيد الذي أهتم به الآن هو 
 ما هي المسافة المقدرة ، القيمة الإرشادية ، بيني 
 والهدف. 
 في حين سيأخذ بحث النجوم بعين الاعتبار 
 قطعتين من المعلومات. 
 سيأخذ في الاعتبار ، إلى أي مدى أقدر أنني من الهدف ، 
 ولكن أيضا إلى أي مدى يجب أن أسافر للوصول إلى هنا؟ 
 لأن ذلك مهم أيضًا. 

Dutch: 
 om bij deze 12 te komen. 
 En hoewel de hebzuchtige best-first-zoekopdracht zegt, nou ja, 12 is beter dan 13 
 dus kies de 12, we kunnen intelligenter zeggen: 
 Ik ben liever ergens heuristisch 
 het lijkt erop dat het iets langer duurt als ik er veel sneller kan komen. 
 En we gaan dat idee coderen, dit algemene idee, 
 in een meer formeel algoritme dat bekend staat als A star search. 
 Een steronderzoek gaat dit probleem oplossen door, 
 in plaats van alleen de heuristiek te beschouwen, 
 ook rekening houdend met hoe lang het duurde om in een bepaalde staat te komen. 
 Dus het onderscheid is hebzuchtige best-first search, als ik in een staat ben 
 op dit moment is het enige waar ik om geef, 
 wat is de geschatte afstand, de heuristische waarde, tussen mij 
 en het doel. 
 Terwijl een sterrenonderzoek rekening zal houden 
 twee stukjes informatie. 
 Er wordt rekening mee gehouden, hoe ver schat ik dat ik van het doel verwijderd ben, 
 maar ook hoe ver moest ik reizen om hier te komen? 
 Omdat dat ook relevant is. 

Japanese: 
これを得るには12。 
そして、貪欲なベストファーストの検索では、12の方が13の方がいいと言われています
 12を選択してください。 
私はどちらかというとヒューリスティックに
もっと早く着くと少し時間がかかるみたいです。 
そして、そのアイデア、この一般的なアイデアをエンコードします。 
スター検索として知られているより正式なアルゴリズムに。 
スターサーチはこの問題を解決します、 
ヒューリスティックを考慮するだけでなく、 
また、特定の状態に到達するまでにかかった時間も考慮します。 
だから私が州にいるなら、区別は貪欲なベストファースト検索です
今、気になっているのは
私との間の推定距離、ヒューリスティック値は何ですか
そして目標。 
一方、スター検索では考慮されます
 2つの情報。 
それは考慮に入れられます、私が目標からどれくらい離れていると私が推定するか、 
しかし、ここにたどり着くまでにどれだけの距離を移動しなければなりませんでしたか？ 
それも関係があるからです。 

Hindi: 
 इस 12 को पाने के लिए। 
 और लालची सर्वोत्तम-प्रथम खोज कहते हैं, ओह, ठीक है, 12 13 से बेहतर है 
 तो 12 चुनें, हम और अधिक समझदारी से कह सकते हैं, 
 मैं बल्कि कहीं न कहीं कि heuristically होगा 
 ऐसा लगता है कि अगर मैं वहाँ और अधिक जल्दी से प्राप्त कर सकता हूँ तो थोड़ा समय लगता है। 
 और हम उस विचार को एनकोड करने जा रहे हैं, यह सामान्य विचार है, 
 एक अधिक औपचारिक एल्गोरिथ्म में ए स्टार खोज के रूप में जाना जाता है। 
 एक स्टार खोज इस समस्या को हल करने जा रही है, 
 इसके बजाय सिर्फ विधर्मी पर विचार करने के लिए, 
 यह भी विचार करते हुए कि किसी विशेष राज्य में पहुंचने में हमें कितना समय लगा। 
 तो भेद लालची सबसे अच्छी खोज है, अगर मैं राज्य में हूं 
 अभी, केवल एक चीज जिसकी मुझे परवाह है 
 अनुमानित दूरी क्या है, मेरे बीच, मूल्य निर्धारण 
 और लक्ष्य। 
 जबकि ए स्टार खोज को ध्यान में रखा जाएगा 
 जानकारी के दो टुकड़े। 
 यह ध्यान में रखना होगा, मुझे लगता है कि मैं लक्ष्य से कितना दूर हूं, 
 लेकिन यह भी कि यहाँ आने के लिए मुझे कितनी दूर यात्रा करनी थी? 
 क्योंकि वह प्रासंगिक है, भी। 

Spanish: 
 para llegar a esto 12. 
 Y aunque la búsqueda codiciosa del mejor primero dice, bueno, 12 es mejor que 13 
 así que elige el 12, podríamos decir más inteligentemente, 
 Prefiero estar en un lugar tan heurístico 
 Parece que lleva un poco más de tiempo si puedo llegar mucho más rápido. 
 Y vamos a codificar esa idea, esta idea general, 
 en un algoritmo más formal conocido como A star search. 
 Una búsqueda en estrella resolverá este problema, 
 en lugar de solo considerar la heurística, 
 También considerando cuánto tiempo nos llevó llegar a un estado en particular. 
 Entonces, la distinción es codiciosa mejor búsqueda primero, si estoy en un estado 
 en este momento, lo único que me importa es 
 ¿Cuál es la distancia estimada, el valor heurístico, entre mí? 
 y el gol. 
 Mientras que una búsqueda de estrellas tendrá en cuenta 
 Dos piezas de información. 
 Tendrá en cuenta, qué tan lejos estimo que estoy de la meta, 
 pero también, ¿hasta dónde tuve que viajar para llegar aquí? 
 Porque eso también es relevante. 

Italian: 
 per arrivare a questo 12. 
 E mentre l'avida ricerca per la prima volta dice, oh, beh, 12 è meglio di 13 
 quindi scegli il 12, potremmo dire in modo più intelligente, 
 Preferirei essere da qualche parte che euristicamente 
 sembra che ci vorrà un po 'più di tempo se riesco ad arrivarci molto più rapidamente. 
 E codificheremo quell'idea, questa idea generale, 
 in un algoritmo più formale noto come una ricerca a stella. 
 Una ricerca a stella risolverà questo problema con, 
 invece di considerare solo l'euristica, 
 anche considerando quanto tempo ci è voluto per raggiungere uno stato particolare. 
 Quindi la distinzione è avida prima ricerca, se sono in uno stato 
 in questo momento, l'unica cosa che mi interessa è 
 qual è la distanza stimata, il valore euristico, tra me 
 e l'obiettivo. 
 Considerando che una ricerca di stelle prenderà in considerazione 
 due informazioni. 
 Prenderò in considerazione, fino a che punto sono stimato dall'obiettivo, 
 ma anche quanto lontano ho dovuto viaggiare per arrivare qui? 
 Perché anche questo è rilevante. 

Indonesian: 
 untuk sampai ke ini 12. 
 Dan sementara pencarian terbaik pertama yang tamak mengatakan, oh, well, 12 lebih baik daripada 13 
 jadi pilih 12, kita bisa lebih pintar mengatakan, 
 Saya lebih suka berada di suatu tempat yang heuristik 
 sepertinya butuh sedikit lebih lama jika aku bisa sampai di sana lebih cepat. 
 Dan kita akan menyandikan ide itu, ide umum ini, 
 menjadi algoritma yang lebih formal yang dikenal sebagai pencarian bintang. 
 Pencarian bintang akan menyelesaikan masalah ini dengan, 
 bukannya hanya mempertimbangkan heuristik, 
 juga mempertimbangkan berapa lama kami sampai ke kondisi tertentu. 
 Jadi perbedaannya adalah pencarian serakah terbaik-pertama, jika saya dalam keadaan 
 saat ini, satu-satunya hal yang aku pedulikan adalah 
 berapa perkiraan jarak, nilai heuristik, di antara saya 
 dan tujuannya. 
 Sedangkan pencarian bintang akan mempertimbangkan 
 dua potong informasi. 
 Ini akan mempertimbangkan, seberapa jauh saya memperkirakan saya dari tujuan, 
 tetapi juga seberapa jauh saya harus melakukan perjalanan untuk sampai ke sini? 
 Karena itu juga relevan. 

German: 
 Wir suchen also nach Algorithmen, indem wir den Knoten mit dem niedrigsten erweitern 
 Wert von g (n) plus h (n). 
 h (n) ist dieselbe Heuristik, über die wir vor einem Moment gesprochen haben 
 je nach Problem zu variieren, aber g (n) wird die zu erreichenden Kosten sein 
 der Knoten-- 
 Wie viele Schritte musste ich in diesem Fall unternehmen, um zu meiner aktuellen Position zu gelangen? 
 Wie sieht dieser Suchalgorithmus in der Praxis aus? 
 Schauen wir uns das mal an. 
 Wieder haben wir das gleiche Labyrinth. 
 Und wieder habe ich sie mit ihrer Manhattan-Entfernung beschriftet. 
 Dieser Wert ist der h (n) -Wert, die heuristische Schätzung 
 wie weit jedes dieser Quadrate vom Ziel entfernt ist. 
 Aber jetzt, da wir beginnen, Staaten zu erforschen, sind wir 
 kümmern sich nicht nur um diesen heuristischen Wert, sondern auch 
 ungefähr g (n), die Anzahl der Schritte, die ich unternehmen musste, um dorthin zu gelangen. 
 Und mir ist es wichtig, diese beiden Zahlen zusammenzufassen. 
 Wie sieht das aus? 
 Bei diesem ersten Schritt habe ich einen Schritt getan. 
 Und jetzt bin ich schätzungsweise 16 Schritte vom Ziel entfernt. 
 Der Gesamtwert beträgt hier also 17. 

French: 
 Nous allons donc rechercher des algorithmes en développant le nœud avec le plus bas 
 valeur de g (n) plus h (n). 
 h (n) est la même heuristique dont nous parlions il y a un instant qui va 
 varier en fonction du problème, mais g (n) va être le coût pour atteindre 
 le node-- 
 combien de pas j'ai dû faire, dans ce cas, pour arriver à ma position actuelle. 
 À quoi ressemble cet algorithme de recherche dans la pratique? 
 Eh bien, jetons un coup d'œil. 
 Encore une fois, nous avons le même labyrinthe. 
 Et encore une fois, je les ai étiquetés avec leur distance de Manhattan. 
 Cette valeur est la valeur h (n), l'estimation heuristique 
 de la distance de chacun de ces carrés par rapport au but. 
 Mais maintenant, alors que nous commençons à explorer les états, nous 
 se soucient non seulement de cette valeur heuristique, mais aussi 
 à propos de g (n), le nombre de pas que j'ai dû faire pour y arriver. 
 Et je tiens à additionner ces deux nombres ensemble. 
 Alors à quoi ça ressemble? 
 Sur cette toute première étape, j'ai fait un pas. 
 Et maintenant, je suis estimé à 16 pas du but. 
 La valeur totale ici est donc de 17. 

Korean: 
 가장 낮은 노드를 확장하여 알고리즘을 검색하겠습니다. 
 g (n)에 h (n)을 더한 값. 
 h (n)은 우리가 잠시 전에 얘기했던 것과 같은 휴리스틱입니다. 
 문제에 따라 달라 지지만 g (n)은 도달하는 비용이됩니다 
 노드 
 이 경우 현재 위치에 도달하기 위해 몇 단계를 거쳐야합니까? 
 그 검색 알고리즘은 실제로 어떻게 생겼습니까? 
 글쎄, 한번 보자. 
 다시, 우리는 같은 미로를 가지고 있습니다. 
 그리고 다시, 맨해튼 거리를 표시했습니다. 
 이 값은 휴리스틱 추정치 인 h (n) 값입니다. 
 각 사각형이 목표에서 얼마나 멀리 떨어져 있는지 
 하지만 이제 상태 탐색을 시작하면서 
 이 휴리스틱 값뿐만 아니라 
 약 g (n), 거기에 도달하기 위해 취해야하는 단계의 수. 
 그리고 저는이 두 숫자를 합산하는 것에 관심이 있습니다. 
 그래서 그것은 어떻게 생겼습니까? 
 이 첫 번째 단계에서 한 단계를 밟았습니다. 
 이제 목표에서 16 단계 떨어진 것으로 추정됩니다. 
 여기의 총 가치는 17입니다. 

Arabic: 
 لذا سنبحث في الخوارزميات عن طريق توسيع العقدة بأقل قيمة 
 قيمة g (n) بالإضافة إلى h (n). 
 ح (ن) هو نفس مجريات الأمور التي كنا نتحدث عنها منذ لحظة مضت 
 تختلف باختلاف المشكلة ، لكن g (n) ستكون تكلفة الوصول إليها 
 العقدة-- 
 كم عدد الخطوات التي كان عليّ اتخاذها ، في هذه الحالة ، للوصول إلى موقفي الحالي. 
 إذن كيف تبدو خوارزمية البحث هذه في الممارسة؟ 
 حسنا ، دعنا نلقي نظرة. 
 مرة أخرى ، لدينا نفس المتاهة. 
 ومرة أخرى ، لقد صنفتهم بمسافة مانهاتن. 
 هذه القيمة هي قيمة h (n) ، التقدير الإرشادي 
 مدى بعد كل من هذه المربعات عن الهدف. 
 ولكن الآن ، عندما نبدأ استكشاف الدول ، نحن 
 لا أهتم فقط بهذه القيمة الإرشادية ولكن أيضًا 
 حول g (n) ، عدد الخطوات التي كان عليّ اتخاذها للوصول إلى هناك. 
 وأنا أهتم بجمع هذين الرقمين معًا. 
 إذن كيف يبدو شكله؟ 
 في هذه الخطوة الأولى ، اتخذت خطوة واحدة. 
 والآن أقدر أن أكون على بعد 16 خطوة من الهدف. 
 لذا فإن القيمة الإجمالية هنا هي 17. 

Hindi: 
 तो हम नोड को सबसे कम विस्तार करके एल्गोरिदम खोजेंगे 
 g (n) प्लस h (n) का मान। 
 h (n) यह वही अनुमान है, जिसके बारे में हम एक क्षण पहले बात कर रहे थे 
 समस्या के आधार पर भिन्नता है, लेकिन जी (एन) तक पहुंचने की लागत होने जा रही है 
 नोड-- 
 इस स्थिति में मुझे अपने वर्तमान पद पर पहुँचने के लिए कितने कदम उठाने पड़े। 
 तो वह खोज एल्गोरिथ्म व्यवहार में कैसा दिखता है? 
 खैर, चलिए एक नजर डालते हैं। 
 दोबारा, हमें वही भूलभुलैया मिली है। 
 और फिर, मैंने उन्हें अपनी मैनहट्टन दूरी के साथ लेबल किया है। 
 यह मान h (n) मान है, अनुमानी अनुमान है 
 इनमें से प्रत्येक वर्ग लक्ष्य से कितनी दूर है। 
 लेकिन अब, जैसा कि हम राज्यों का पता लगाना शुरू करते हैं, हम 
 देखभाल न केवल इस मूल्य के बारे में है, बल्कि यह भी है 
 g (n) के बारे में, वहां पहुंचने के लिए मुझे जितने कदम उठाने पड़े। 
 और मुझे उन दो नंबरों को एक साथ समेटने की परवाह है। 
 तो ऐसा क्या दिखता है? 
 इस पहले कदम पर, मैंने एक कदम उठाया है। 
 और अब मुझे लक्ष्य से 16 कदम दूर होने का अनुमान है। 
 तो यहां कुल मूल्य 17 है। 

Chinese: 
因此，我们将通过扩展最低节点来搜索算法
 g（n）加上h（n）的值。 
 h（n）与我们刚才讨论的启发式方法相同
因问题而异，但是g（n）将是达到的成本
节点- 
在这种情况下，我必须采取多少步骤才能达到目前的位置。 
那么，该搜索算法在实际中是什么样的？ 
好吧，让我们看一下。 
同样，我们有同样的迷宫。 
再一次，我用他们在曼哈顿的距离来标记他们。 
该值是h（n）值，启发式估计
这些方格离目标多远的距离。 
但是现在，当我们开始探索状态时，我们
不仅在乎这种启发式价值，而且在乎
关于g（n），我到达该位置必须采取的步骤数。 
我关心将这两个数字加在一起。 
那看起来像什么？ 
在这第一步，我迈出了一步。 
现在，我距目标还有16步之遥。 
因此，这里的总值为17。 

Chinese: 
因此，我們將通過擴展最低節點來搜索算法
 g（n）加上h（n）的值。 
 h（n）與我們剛才討論的啟發式方法相同
因問題而異，但是g（n）將是達到的成本
節點- 
在這種情況下，我必須採取多少步驟才能達到目前的位置。 
那麼，該搜索算法在實際中是什麼樣的？ 
好吧，讓我們看一下。 
同樣，我們有同樣的迷宮。 
再一次，我用他們在曼哈頓的距離來標記他們。 
該值是h（n）值，啟發式估計
這些方格離目標多遠的距離。 
但是現在，當我們開始探索狀態時，我們
不僅在乎這種啟發式價值，而且在乎
關於g（n），我到達該位置必須採取的步驟數。 
我關心將這兩個數字加在一起。 
那看起來像什麼？ 
在這第一步中，我邁出了一步。 
現在，我距目標還有16步之遙。 
因此，這裡的總值為17。 

Japanese: 
したがって、最も低いノードを展開してアルゴリズムを検索します
 g（n）とh（n）の値。 
 h（n）は、先ほど話していたヒューリスティックと同じです。 
問題に応じて異なりますが、g（n）は到達するためのコストになります
ノード- 
この場合、現在の位置にたどり着くために必要な歩数。 
では、その検索アルゴリズムは実際にはどのように見えますか？ 
さて、見てみましょう。 
繰り返しますが、同じ迷路があります。 
繰り返しになりますが、マンハッタン距離でラベルを付けました。 
この値は、ヒューリスティック推定値であるh（n）値です
これらの正方形のそれぞれが目標からどれだけ離れているかについて。 
しかし今、私たちは州を探求し始めると、 
このヒューリスティック値だけでなく、 
 g（n）について、そこにたどり着くために私が取らなければならなかったステップの数。 
そして、これらの2つの数値を合計することに関心があります。 
それはどのように見えるのでしょうか？ 
この非常に最初のステップで、私は1つのステップを踏みました。 
そして今、私は目標から16歩離れていると推定されています。 
したがって、ここでの合計値は17です。 

Italian: 
 Quindi cercheremo algoritmi espandendo il nodo con il più basso 
 valore di g (n) più h (n). 
 h (n) è la stessa euristica di cui stavamo parlando un momento fa 
 variare in base al problema, ma g (n) sarà il costo da raggiungere 
 il nodo-- 
 quanti passi ho dovuto fare, in questo caso, per arrivare alla mia posizione attuale. 
 In pratica, come appare quell'algoritmo di ricerca? 
 Bene, diamo un'occhiata. 
 Ancora una volta, abbiamo lo stesso labirinto. 
 E ancora, li ho etichettati con la loro distanza a Manhattan. 
 Questo valore è il valore h (n), la stima euristica 
 di quanto lontano ciascuno di questi quadrati è lontano dall'obiettivo. 
 Ma ora, mentre iniziamo a esplorare gli stati, noi 
 preoccuparsi non solo di questo valore euristico ma anche 
 circa g (n), il numero di passi che ho dovuto fare per arrivarci. 
 E mi importa di sommare quei due numeri insieme. 
 Che aspetto ha? 
 In questo primo passo, ho fatto un passo. 
 E ora sono stimato a 16 passi dall'obiettivo. 
 Quindi il valore totale qui è 17. 

Indonesian: 
 Jadi kita akan mencari algoritma dengan memperluas node dengan yang terendah 
 nilai g (n) ditambah h (n). 
 h (n) adalah heuristik yang sama yang kita bicarakan beberapa saat yang lalu 
 bervariasi berdasarkan masalah, tetapi g (n) akan menjadi biaya untuk mencapai 
 simpul-- 
 berapa banyak langkah yang harus saya ambil, dalam hal ini, untuk sampai ke posisi saya saat ini. 
 Jadi seperti apa algoritma pencarian itu dalam praktik? 
 Baiklah, mari kita lihat. 
 Sekali lagi, kita punya labirin yang sama. 
 Dan lagi, saya memberi label mereka dengan jarak Manhattan mereka. 
 Nilai ini adalah nilai h (n), perkiraan heuristik 
 seberapa jauh masing-masing kotak ini jauh dari gawang. 
 Tetapi sekarang, ketika kita mulai menjelajahi negara bagian, kita 
 peduli tidak hanya tentang nilai heuristik ini tetapi juga 
 tentang g (n), jumlah langkah yang harus saya ambil untuk sampai ke sana. 
 Dan saya peduli tentang menjumlahkan kedua angka itu bersama-sama. 
 Jadi seperti apa itu? 
 Pada langkah pertama ini, saya telah mengambil satu langkah. 
 Dan sekarang saya diperkirakan berjarak 16 langkah dari gawang. 
 Jadi total nilai di sini adalah 17. 

Spanish: 
 Entonces buscaremos algoritmos expandiendo el nodo con el más bajo 
 valor de g (n) más h (n). 
 h (n) es esa misma heurística de la que estábamos hablando hace un momento que va 
 variará según el problema, pero g (n) será el costo para alcanzar 
 el nodo 
 cuántos pasos tuve que tomar, en este caso, para llegar a mi posición actual. 
 Entonces, ¿cómo se ve ese algoritmo de búsqueda en la práctica? 
 Bueno, echemos un vistazo. 
 De nuevo, tenemos el mismo laberinto. 
 Y nuevamente, los he etiquetado con su distancia de Manhattan. 
 Este valor es el valor h (n), la estimación heurística 
 de qué tan lejos está cada uno de estos cuadrados de la meta. 
 Pero ahora, cuando comenzamos a explorar estados, nosotros 
 preocuparse no solo por este valor heurístico sino también 
 sobre g (n), la cantidad de pasos que tuve que tomar para llegar allí. 
 Y me importa sumar esos dos números juntos. 
 Entonces, ¿cómo se ve eso? 
 En este primer paso, he dado un paso. 
 Y ahora se estima que estoy a 16 pasos de la meta. 
 Entonces el valor total aquí es 17. 

English: 
So we'll search algorithms by expanding the node with the lowest
value of g(n) plus h(n).
h(n) is that same heuristic that we were talking about a moment ago that's going
to vary based on the problem, but g(n) is going to be the cost to reach
the node--
how many steps I had to take, in this case, to get to my current position.
So what does that search algorithm look like in practice?
Well, let's take a look.
Again, we've got the same maze.
And again, I've labeled them with their Manhattan distance.
This value is the h(n) value, the heuristic estimate
of how far each of these squares is away from the goal.
But now, as we begin to explore states, we
care not just about this heuristic value but also
about g(n), the number of steps I had to take in order to get there.
And I care about summing those two numbers together.
So what does that look like?
On this very first step, I have taken one step.
And now I am estimated to be 16 steps away from the goal.
So the total value here is 17.

Russian: 
 Таким образом, мы будем искать алгоритмы, расширяя узел с самым низким 
 значение g (n) плюс h (n). 
 h (n) - это та же эвристика, о которой мы говорили минуту назад, которая 
 варьироваться в зависимости от проблемы, но g (n) будет стоимость для достижения 
 узел-- 
 сколько шагов мне пришлось предпринять в этом случае, чтобы добраться до моей нынешней должности. 
 Так как же выглядит этот алгоритм поиска на практике? 
 Ну, давай посмотрим. 
 Опять же, у нас есть тот же лабиринт. 
 И снова я пометил их расстоянием до Манхэттена. 
 Это значение h (n), эвристическая оценка 
 как далеко каждый из этих квадратов от цели. 
 Но теперь, когда мы начинаем исследовать государства, мы 
 заботиться не только об этой эвристической ценности, но и 
 о г (п), количество шагов, которые я должен был сделать, чтобы добраться туда. 
 И я забочусь о суммировании этих двух чисел. 
 Так как это выглядит? 
 На этом самом первом шаге я сделал один шаг. 
 И теперь я оцениваюсь в 16 шагах от цели. 
 Таким образом, общая стоимость здесь составляет 17. 

Modern Greek (1453-): 
 Έτσι θα αναζητήσουμε αλγόριθμους επεκτείνοντας τον κόμβο με το χαμηλότερο 
 τιμή g (n) συν h (n). 
 h (n) είναι το ίδιο ευρετικό με το οποίο μιλούσαμε πριν από λίγο καιρό 
 να διαφέρει ανάλογα με το πρόβλημα, αλλά το g (n) θα είναι το κόστος που πρέπει να επιτευχθεί 
 ο κόμβος-- 
 πόσα βήματα έπρεπε να κάνω, σε αυτήν την περίπτωση, για να φτάσω στην τρέχουσα θέση μου. 
 Λοιπόν, πώς φαίνεται αυτός ο αλγόριθμος αναζήτησης στην πράξη; 
 Λοιπόν, ας ρίξουμε μια ματιά. 
 Και πάλι, έχουμε τον ίδιο λαβύρινθο. 
 Και πάλι, τους έχω επισημάνει με την απόσταση τους στο Μανχάταν. 
 Αυτή η τιμή είναι η τιμή h (n), η ευρετική εκτίμηση 
 του πόσο μακριά κάθε ένα από αυτά τα τετράγωνα είναι μακριά από τον στόχο. 
 Αλλά τώρα, καθώς αρχίζουμε να εξερευνούμε πολιτείες, εμείς 
 δεν νοιάζεται μόνο για αυτήν την ευρετική αξία αλλά και για αυτήν 
 για το g (n), τον αριθμό των βημάτων που έπρεπε να κάνω για να φτάσω εκεί. 
 Και με ενδιαφέρει να αθροίσω αυτούς τους δύο αριθμούς μαζί. 
 Τι μοιάζει λοιπόν; 
 Σε αυτό το πρώτο βήμα, έχω κάνει ένα βήμα. 
 Και τώρα εκτιμώ ότι απέχω 16 βήματα από τον στόχο. 
 Έτσι, η συνολική τιμή εδώ είναι 17. 

Turkish: 
 Bu yüzden düğümü en düşük düğüme genişleterek algoritmalar arayacağız 
 g (n) artı h (n) değeri. 
 h (n) bir an önce konuştuğumuz aynı sezgisel tarama 
 probleme göre değişmekle birlikte, g (n) ulaşmanın maliyeti olacak 
 düğüm-- 
 bu durumda, şu anki pozisyonuma ulaşmak için kaç adım atmam gerekti. 
 Peki bu arama algoritması pratikte neye benziyor? 
 Hadi bir bakalım. 
 Yine aynı labirentimiz var. 
 Ve yine, onları Manhattan mesafelerine göre etiketledim. 
 Bu değer h (n) değer, sezgisel tahmin 
 bu karelerin her birinin hedeften ne kadar uzakta olduğunu. 
 Ama şimdi, devletleri keşfetmeye başladığımızda, 
 sadece bu sezgisel değere değil, aynı zamanda 
 g (n) hakkında, oraya ulaşmak için atmam gereken adımlar. 
 Ve bu iki sayıyı birlikte toplamayı umuyorum. 
 Peki bu neye benziyor? 
 Bu ilk adımda, bir adım attım. 
 Ve şimdi hedefimden 16 adım uzakta olduğum tahmin ediliyor. 
 Yani buradaki toplam değer 17'dir. 

Portuguese: 
 Então, procuraremos algoritmos expandindo o nó com o menor 
 valor de g (n) mais h (n). 
 h (n) é a mesma heurística sobre a qual estávamos falando há um momento atrás 
 variar com base no problema, mas g (n) será o custo para atingir 
 o node-- 
 quantos passos eu tive que tomar, neste caso, para chegar à minha posição atual. 
 Então, como é esse algoritmo de pesquisa na prática? 
 Bem, vamos dar uma olhada. 
 Mais uma vez, temos o mesmo labirinto. 
 E, novamente, eu os rotulei com a distância de Manhattan. 
 Este valor é o valor h (n), a estimativa heurística 
 de quão longe cada uma dessas casas está longe da meta. 
 Mas agora, quando começamos a explorar os estados, 
 se preocupam não apenas com esse valor heurístico, mas também 
 sobre g (n), o número de etapas que eu tive que seguir para chegar lá. 
 E eu me preocupo em somar esses dois números juntos. 
 Então, como é isso? 
 Neste primeiro passo, dei um passo. 
 E agora estou estimado em 16 passos do objetivo. 
 Portanto, o valor total aqui é 17. 

Dutch: 
 We zoeken dus naar algoritmen door het knooppunt met het laagste uit te breiden 
 waarde van g (n) plus h (n). 
 h (n) is dezelfde heuristiek waar we het zojuist over hadden, dat gaat 
 variëren op basis van het probleem, maar g (n) wordt de kost om te bereiken 
 het knooppunt 
 hoeveel stappen ik in dit geval moest nemen om op mijn huidige positie te komen. 
 Dus hoe ziet dat zoekalgoritme er in de praktijk uit? 
 Laten we eens kijken. 
 Nogmaals, we hebben hetzelfde doolhof. 
 En nogmaals, ik heb ze gelabeld met hun Manhattan-afstand. 
 Deze waarde is de h (n) waarde, de heuristische schatting 
 hoe ver elk van deze vierkanten verwijderd is van het doel. 
 Maar nu we staten beginnen te verkennen, wij 
 geef niet alleen om deze heuristische waarde, maar ook 
 ongeveer g (n), het aantal stappen dat ik moest nemen om daar te komen. 
 En ik geef erom om die twee getallen bij elkaar op te tellen. 
 Dus hoe ziet dat eruit? 
 Bij deze allereerste stap heb ik een stap gezet. 
 En nu ben ik naar schatting 16 stappen verwijderd van het doel. 
 Dus de totale waarde hier is 17. 

Portuguese: 
 Então eu dou mais um passo. 
 Eu já dei dois passos. 
 E eu acho que estou a 15 minutos do objetivo-- 
 novamente, um valor total de 17. 
 Agora eu dei três passos. 
 E estou estimado que esteja 14 longe da meta, e assim por diante. 
 Quatro etapas, uma estimativa de 13. 
 Cinco etapas, estimativa de 12. 
 E agora, aqui está um ponto de decisão. 
 Eu poderia estar a seis passos do objetivo com uma heurística de 13 
 para um total de 19, ou eu poderia estar a seis passos de distância 
 da meta com uma heurística de 11 com uma estimativa de 17 para o total. 
 Então, entre 19 e 17, eu prefiro pegar o 17-- 
 o 6 mais 11. 
 Até agora, não é diferente do que vimos antes. 
 Ainda estamos usando esta opção porque parece ser melhor. 
 E continuo usando esta opção porque parece ser melhor. 
 Mas é bem aqui que as coisas ficam um pouco diferentes. 
 Agora, eu poderia estar a 15 passos da meta, com uma distância estimada de 6. 
 Então 15 mais 6, valor total de 21. 

Italian: 
 Quindi faccio un altro passo. 
 Ora ho fatto due passi. 
 E mi stima di essere a 15 di distanza dall'obiettivo ... 
 ancora una volta, un valore totale di 17. 
 Ora ho fatto tre passi. 
 E sono stimato essere a 14 di distanza dall'obiettivo, così via e così via. 
 Quattro passaggi, una stima di 13. 
 Cinque passaggi, stima di 12. 
 E ora, ecco un punto decisionale. 
 Potrei essere a sei passi dall'obiettivo con un'euristica di 13 
 per un totale di 19, o potrei essere a sei passi di distanza 
 dall'obiettivo con un'euristica di 11 con una stima di 17 per il totale. 
 Quindi tra il 19 e il 17, preferirei prendere il 17-- 
 il 6 più 11. 
 Finora, non è diverso da quello che abbiamo visto prima. 
 Stiamo ancora prendendo questa opzione perché sembra essere migliore. 
 E continuo a prendere questa opzione perché sembra essere migliore. 
 Ma è proprio qui che le cose diventano un po 'diverse. 
 Ora potrei essere a 15 passi dall'obiettivo con una distanza stimata di 6. 
 Quindi 15 più 6, valore totale di 21. 

Turkish: 
 Sonra bir adım daha atarım. 
 Şimdi iki adım attım. 
 Ve kendimi hedeften 15 uzakta olacağımı tahmin ediyorum. 
 yine toplam değer 17'dir. 
 Şimdi üç adım attım. 
 Ve hedefimden 14 uzakta olduğum tahmin ediliyor, vb. 
 Dört adım, 13 tahmini. 
 Beş adım, tahmin 12. 
 Ve şimdi, burada bir karar noktası. 
 13 sezgisel tarama ile hedeften altı adım uzakta olabilirim 
 toplamda 19 ya da altı adım ötede olabilirim 
 hedeften toplam sezgisel olarak 11 sezgisel bir tahminle. 
 19 ile 17 arasında, ben 17- 
 6 artı 11. 
 Şimdiye kadar, daha önce gördüğümüzden farklı değil. 
 Bu seçeneği hala kullanıyoruz çünkü daha iyi görünüyor. 
 Ve bu seçeneği kullanmaya devam ediyorum çünkü daha iyi görünüyor. 
 Ama işte burada biraz farklılaşıyor. 
 Şimdi tahminen 6 mesafe ile hedeften 15 adım uzakta olabilirim. 
 Yani 15 artı 6, toplam değeri 21. 

Japanese: 
それから私はもう一歩踏み出します。 
これで2つのステップを実行しました。 
そして私は自分が目標から15離れていると推定します- 
ここでも、合計値は17です。 
今、私は3つのステップを踏みました。 
そして、私は目標から14離れていると推定されます。 
 4つのステップ、推定値は13。 
 5つのステップ、12の見積もり。 
そして今、ここが決定点です。 
 13のヒューリスティックで目標から6ステップ離れている
合計で19、または私は6ステップ離れている可能性があります
ヒューリスティックが11で、合計が17であるゴールから。 
 19から17の間に、17を選びます。 
 6プラス11。 
これまでのところ、以前見たものと同じです。 
より良いように見えるので、私たちはまだこのオプションを採用しています。 
そして、このオプションの方が良いように見えるので、私はこのオプションを使い続けます。 
しかし、物事が少し異なるのはここについてです。 
これで、目標から15歩離れて、推定距離が6になる可能性があります。 
つまり、15 + 6、合計値は21になります。 

German: 
 Dann mache ich noch einen Schritt. 
 Ich habe jetzt zwei Schritte gemacht. 
 Und ich schätze, dass ich 15 vom Ziel entfernt bin - 
 wieder ein Gesamtwert von 17. 
 Jetzt habe ich drei Schritte gemacht. 
 Und ich bin schätzungsweise 14 vom Ziel entfernt, so weiter und so fort. 
 Vier Schritte, eine Schätzung von 13. 
 Fünf Schritte, Schätzung von 12. 
 Und jetzt ist hier ein Entscheidungspunkt. 
 Ich könnte entweder sechs Schritte vom Ziel entfernt sein, mit einer Heuristik von 13 
 für insgesamt 19, oder ich könnte sechs Schritte entfernt sein 
 vom Ziel mit einer Heuristik von 11 mit einer Schätzung von 17 für die Summe. 
 Also nehme ich zwischen 19 und 17 lieber die 17-- 
 die 6 plus 11. 
 Bisher nicht anders als das, was wir zuvor gesehen haben. 
 Wir nehmen diese Option immer noch, weil sie besser zu sein scheint. 
 Und ich nehme diese Option weiterhin, weil sie besser zu sein scheint. 
 Aber genau hier sieht es ein bisschen anders aus. 
 Jetzt könnte ich 15 Schritte vom Ziel entfernt sein, mit einer geschätzten Entfernung von 6. 
 Also 15 plus 6, Gesamtwert von 21. 

Hindi: 
 फिर मैं एक और कदम उठाता हूं। 
 मैंने अब दो कदम उठाए हैं। 
 और मैं खुद को लक्ष्य से दूर होने का अनुमान लगाता हूं-- 
 फिर से, कुल मूल्य 17। 
 अब मैंने तीन कदम उठाए हैं। 
 और मुझे लक्ष्य से 14 दूर होने का अनुमान है, इतने पर और आगे। 
 चार चरण, 13 का अनुमान। 
 पाँच चरण, १२ का अनुमान। 
 और अब, यहाँ एक निर्णय बिंदु है। 
 मैं 13 में से एक के साथ लक्ष्य से छह कदम दूर हो सकता है 
 कुल 19 के लिए, या मैं छह कदम दूर हो सकता हूं 
 कुल के लिए 17 के अनुमान के साथ 11 के एक अनुमान के साथ लक्ष्य से। 
 तो 19 और 17 के बीच, मैं 17-- लेना चाहूंगा 
 6 प्लस 11। 
 अब तक, जो हमने पहले देखा था, उससे अलग नहीं। 
 हम अभी भी इस विकल्प को ले रहे हैं क्योंकि यह बेहतर प्रतीत होता है। 
 और मैं इस विकल्प को लेता रहता हूं क्योंकि यह बेहतर प्रतीत होता है। 
 लेकिन यह यहां के बारे में सही है कि चीजें थोड़ी अलग हैं। 
 अब मैं 6 की अनुमानित दूरी के साथ लक्ष्य से 15 कदम दूर हो सकता है। 
 तो 15 प्लस 6, 21 का कुल मूल्य। 

Korean: 
 그런 다음 한 걸음 더 나아갑니다. 
 나는 이제 두 단계를 밟았다. 
 그리고 나는 목표에서 15 나 떨어져 있다고 생각합니다. 
 다시 총 17 값입니다. 
 이제 세 단계를 밟았습니다. 
 그리고 나는 목표에서 14 등으로 떨어져 있다고 추정됩니다. 
 4 단계, 추정치는 13입니다. 
 5 단계, 12 추정치 
 그리고 이제 결정 점이 있습니다. 
 휴리스틱 13으로 목표에서 6 단계 떨어져있을 수 있습니다. 
 총 19 번, 또는 6 걸음 떨어져있을 수 있습니다 
 휴리스틱이 11 인 목표에서 총 17이 예상됩니다. 
 19와 17 사이에 17을 가져 가고 싶습니다. 
 6 더하기 11. 
 지금까지 우리가 전에 본 것과 다르지 않습니다. 
 우리는 여전히이 옵션을 사용하고 있습니다. 
 그리고이 옵션이 더 나은 것처럼 보이기 때문에 계속 사용합니다. 
 그러나 상황이 조금 다를 수 있습니다. 
 이제 예상 거리가 6 인 목표에서 15 걸음 떨어져있을 수 있습니다. 
 따라서 15 더하기 6, 총합 21입니다. 

Arabic: 
 ثم أخطو خطوة أخرى. 
 لقد اتخذت الآن خطوتين. 
 وأنا أقدر نفسي بأنني على بعد 15 دقيقة من الهدف-- 
 مرة أخرى ، إجمالي قيمة 17. 
 لقد اتخذت الآن ثلاث خطوات. 
 وأنا أقدر بأني 14 بعيدًا عن الهدف ، وهكذا دواليك. 
 أربع خطوات ، بتقدير 13. 
 خمس خطوات ، تقدير 12. 
 والآن ، ها هي نقطة القرار. 
 يمكن أن أكون على بعد ست خطوات من المرمى بموجه 13 
 لما مجموعه 19 ، أو يمكن أن أكون على بعد ست خطوات 
 من الهدف بموجه استراتيجي 11 مع تقدير 17 للمجموع. 
 لذا بين 19 و 17 ، أفضل أخذ 17 
 6 زائد 11. 
 حتى الآن ، لا يختلف عما رأيناه من قبل. 
 ما زلنا نتخذ هذا الخيار لأنه يبدو أفضل. 
 وما زلت أتخذ هذا الخيار لأنه يبدو أنه أفضل. 
 ولكن من الصحيح هنا أن الأمور تختلف قليلاً. 
 الآن يمكنني أن أكون على بعد 15 خطوة من الهدف بمسافة تقدر بـ 6. 
 إذن 15 زائد 6 ، القيمة الإجمالية 21. 

Indonesian: 
 Lalu saya mengambil satu langkah lagi. 
 Saya sekarang telah mengambil dua langkah. 
 Dan saya perkirakan diri saya akan berjarak 15 dari goal-- 
 lagi, nilai total 17. 
 Sekarang saya telah mengambil tiga langkah. 
 Dan saya diperkirakan berada 14 jauhnya dari gawang, begitu seterusnya dan seterusnya. 
 Empat langkah, perkiraan 13. 
 Lima langkah, perkiraan 12. 
 Dan sekarang, inilah titik keputusan. 
 Saya bisa berada enam langkah dari gawang dengan heuristik 13 
 total 19, atau saya bisa enam langkah lagi 
 dari gawang dengan heuristik 11 dengan perkiraan 17 untuk total. 
 Jadi antara 19 dan 17, saya lebih suka mengambil 17-- 
 6 ditambah 11. 
 Sejauh ini, tidak berbeda dengan yang kami lihat sebelumnya. 
 Kami masih mengambil opsi ini karena tampaknya lebih baik. 
 Dan saya terus mengambil opsi ini karena tampaknya lebih baik. 
 Tapi benar di sini bahwa segalanya menjadi sedikit berbeda. 
 Sekarang saya bisa berada 15 langkah jauhnya dari gawang dengan perkiraan jarak 6. 
 Jadi 15 ditambah 6, nilai total 21. 

French: 
 Ensuite, je fais un pas de plus. 
 J'ai maintenant pris deux mesures. 
 Et je me considère comme étant à 15 de l'objectif ... 
 encore une fois, une valeur totale de 17. 
 Maintenant, j'ai pris trois mesures. 
 Et on estime que je suis à 14 de l'objectif, et ainsi de suite. 
 Quatre étapes, une estimation de 13. 
 Cinq étapes, estimation de 12. 
 Et maintenant, voici un point de décision. 
 Je pourrais soit être à six pas du but avec une heuristique de 13 
 pour un total de 19, ou je pourrais être à six pas 
 de l'objectif avec une heuristique de 11 avec une estimation de 17 pour le total. 
 Donc, entre 19 et 17 ans, je préfère prendre le 17 ... 
 le 6 plus 11. 
 Jusqu'à présent, pas différent de ce que nous avons vu auparavant. 
 Nous prenons toujours cette option parce qu'elle semble être meilleure. 
 Et je continue de prendre cette option car elle semble meilleure. 
 Mais c'est juste ici que les choses deviennent un peu différentes. 
 Maintenant, je pourrais être à 15 pas du but avec une distance estimée à 6. 
 Donc 15 plus 6, valeur totale de 21. 

Modern Greek (1453-): 
 Τότε κάνω ένα ακόμη βήμα. 
 Έχω κάνει δύο βήματα. 
 Και εκτιμώ ότι είμαι 15 μακριά από το γκολ - 
 και πάλι, μια συνολική αξία 17. 
 Τώρα έχω κάνει τρία βήματα. 
 Και εκτιμώ ότι είμαι 14 μακριά από το γκολ, ούτω καθεξής και ούτω καθεξής. 
 Τέσσερα βήματα, μια εκτίμηση 13. 
 Πέντε βήματα, εκτίμηση 12. 
 Και τώρα, εδώ είναι ένα σημείο απόφασης. 
 Θα μπορούσα είτε να είμαι έξι βήματα μακριά από το γκολ με ένα ευρετικό 13 
 για συνολικά 19, ή θα μπορούσα να είμαι έξι βήματα μακριά 
 από το γκολ με ευρετική 11 με εκτίμηση 17 για το σύνολο. 
 Έτσι μεταξύ 19 και 17, θα προτιμούσα να πάρω το 17-- 
 το 6 συν 11. 
 Μέχρι στιγμής, δεν διαφέρει από αυτό που είδαμε πριν. 
 Παίρνουμε ακόμα αυτήν την επιλογή επειδή φαίνεται να είναι καλύτερη. 
 Και συνεχίζω να παίρνω αυτήν την επιλογή γιατί φαίνεται να είναι καλύτερη. 
 Αλλά είναι σωστό εδώ ότι τα πράγματα γίνονται λίγο διαφορετικά. 
 Τώρα θα μπορούσα να είμαι 15 βήματα μακριά από το γκολ με εκτιμώμενη απόσταση 6. 
 Έτσι 15 συν 6, συνολική αξία 21. 

Russian: 
 Тогда я делаю еще один шаг. 
 Я сейчас сделал два шага. 
 И я оцениваю себя в 15 от цели ... 
 опять же общая стоимость 17. 
 Теперь я сделал три шага. 
 И я оцениваюсь в 14 от цели, и так далее, и тому подобное. 
 Четыре шага, оценка 13. 
 Пять шагов, оценка 12. 
 А теперь вот точка принятия решения. 
 Я мог бы быть в шести шагах от цели с эвристикой 13 
 в общей сложности 19, или я мог бы быть в шести шагах 
 от цели с эвристикой 11 с оценкой 17 для общего количества. 
 Так что между 19 и 17, я бы предпочел взять 17-- 
 6 плюс 11. 
 Так что пока ничем не отличается от того, что мы видели раньше. 
 Мы все еще выбираем этот вариант, потому что он кажется лучше. 
 И я продолжаю выбирать этот вариант, потому что он кажется лучше. 
 Но здесь все обстоит немного иначе. 
 Теперь я мог быть в 15 шагах от цели с предполагаемым расстоянием 6. 
 Итак, 15 плюс 6, общая стоимость 21. 

Spanish: 
 Entonces doy un paso más. 
 Ahora he dado dos pasos. 
 Y calculo que estoy a 15 del objetivo ... 
 de nuevo, un valor total de 17. 
 Ahora he dado tres pasos. 
 Y se estima que estoy 14 lejos de la meta, y así sucesivamente. 
 Cuatro pasos, una estimación de 13. 
 Cinco pasos, estimación de 12. 
 Y ahora, aquí hay un punto de decisión. 
 Podría estar a seis pasos de la meta con una heurística de 13 
 para un total de 19, o podría estar a seis pasos 
 de la portería con una heurística de 11 con una estimación de 17 para el total. 
 Entonces, entre 19 y 17, prefiero tomar el 17-- 
 los 6 más 11. 
 Hasta ahora, no es diferente de lo que vimos antes. 
 Todavía estamos tomando esta opción porque parece ser mejor. 
 Y sigo tomando esta opción porque parece ser mejor. 
 Pero es justo aquí que las cosas se ponen un poco diferentes. 
 Ahora podría estar a 15 pasos de la meta con una distancia estimada de 6. 
 Entonces 15 más 6, valor total de 21. 

Chinese: 
然後，我又邁出了一步。 
我現在採取了兩個步驟。 
我估計自己離目標還有15歲的距離- 
再次，總值為17。 
現在，我已經採取了三個步驟。 
我估計離目標還有14個距離，依此類推。 
四個步驟，估計為13。 
五個步驟，估計為12。 
現在，這是一個決定點。 
我可能離目標還有六步之遙
總共19步，否則我可能只有6步之遙
啟發式目標為11，估計總數為17。 
因此，我寧願選擇17歲至17歲之間的人， 
 6加11。 
到目前為止，與我們之前看到的沒什麼不同。 
我們仍然採用此選項，因為它似乎更好。 
我繼續採用此選項，因為它似乎更好。 
但恰恰在這裡事情會有所不同。 
現在，我可能距離目標15步，估計距離為6。 
因此15加6，總值為21。 

Chinese: 
然后，我又迈出了一步。 
我现在采取了两个步骤。 
我估计自己离目标还有15岁的距离- 
再次，总值为17。 
现在，我已经采取了三个步骤。 
我估计离目标还有14个距离，依此类推。 
四个步骤，估计为13。 
五个步骤，估计为12。 
现在，这是一个决定点。 
我可能离目标还有六步之遥
总共19步，否则我可能只有6步之遥
启发式目标为11，估计总数为17。 
因此，我宁愿选择17岁至17岁之间的人， 
 6加11。 
到目前为止，与我们之前看到的没什么不同。 
我们仍然采用此选项，因为它似乎更好。 
我继续采用此选项，因为它似乎更好。 
但恰恰在这里事情会有所不同。 
现在，我可能距离目标15步，估计距离为6。 
因此15加6，总值为21。 

English: 
Then I take one more step.
I've now taken two steps.
And I estimate myself to be 15 away from the goal--
again, a total value of 17.
Now I've taken three steps.
And I'm estimated to be 14 away from the goal, so on and so forth.
Four steps, an estimate of 13.
Five steps, estimate of 12.
And now, here's a decision point.
I could either be six steps away from the goal with a heuristic of 13
for a total of 19, or I could be six steps away
from the goal with a heuristic of 11 with an estimate of 17 for the total.
So between 19 and 17, I'd rather take the 17--
the 6 plus 11.
So so far, no different than what we saw before.
We're still taking this option because it appears to be better.
And I keep taking this option because it appears to be better.
But it's right about here that things get a little bit different.
Now I could be 15 steps away from the goal with an estimated distance of 6.
So 15 plus 6, total value of 21.

Dutch: 
 Dan doe ik nog een stap. 
 Ik heb nu twee stappen gezet. 
 En ik schat dat ik 15 verwijderd ben van het doel-- 
 nogmaals, een totale waarde van 17. 
 Nu heb ik drie stappen genomen. 
 En ik ben naar schatting 14 verwijderd van het doel, enzovoort, enzovoort. 
 Vier stappen, een schatting van 13. 
 Vijf stappen, geschat op 12. 
 En nu, hier is een beslissingspunt. 
 Ik kan ofwel zes stappen verwijderd zijn van het doel met een heuristiek van 13 
 voor een totaal van 19, of ik zou zes stappen verwijderd kunnen zijn 
 van het doel met een heuristiek van 11 met een schatting van 17 voor het totaal. 
 Dus tussen 19 en 17 neem ik liever de 17- 
 de 6 plus 11. 
 Tot dusver niet anders dan wat we eerder zagen. 
 We gebruiken deze optie nog steeds omdat deze beter lijkt te zijn. 
 En ik blijf deze optie gebruiken omdat het beter lijkt. 
 Maar het klopt hier dat de dingen een beetje anders worden. 
 Nu zou ik 15 stappen verwijderd kunnen zijn van het doel met een geschatte afstand van 6. 
 Dus 15 plus 6, totale waarde van 21. 

Portuguese: 
 Como alternativa, eu poderia estar a seis passos do goal-- 
 porque isso estava a cinco passos, então, a seis passos-- 
 com um valor total de 13 como minha estimativa. 
 Então 6 mais 13-- 
 isso é 19. 
 Portanto, aqui avaliaríamos g (n) mais h (n) como 19-- 
 6 mais 13 - enquanto aqui teríamos 15 mais 6 ou 21. 
 E então a intuição é, 19 menos que 21, escolha aqui. 
 Mas a ideia é que, em última análise, eu preferiria ter tomado menos medidas para chegar a um 13 
 do que ter dado 15 passos e chegar a seis 
 porque isso significa que eu tive que tomar mais medidas para chegar lá. 
 Talvez haja um caminho melhor assim. 
 Então, em vez disso, exploraremos essa rota. 
 Agora, se formos mais um - são sete etapas mais 14, 
 tem 21 anos, então entre esses dois é meio que uma brincadeira. 
 Podemos acabar explorando essa de qualquer maneira. 
 Mas depois disso, à medida que esses números começam a aumentar nos valores heurísticos 
 e esses valores heurísticos começam a ficar menores, 
 você descobrirá que continuaremos explorando esse caminho. 

Spanish: 
 Alternativamente, podría estar a seis pasos de la meta ... 
 porque esto estaba a cinco pasos, así que esto está a seis pasos 
 con un valor total de 13 como mi estimación. 
 Entonces 6 más 13-- 
 eso es 19. 
 Entonces aquí evaluaríamos g (n) más h (n) como 19-- 
 6 más 13, mientras que aquí, seríamos 15 más 6 o 21. 
 Y así, la intuición es, 19 menos de 21, elige aquí. 
 Pero la idea es, en última instancia, preferiría haber tomado menos pasos para llegar a un 13 
 que haber dado 15 pasos y estar en un seis 
 porque significa que he tenido que dar más pasos para llegar allí. 
 Tal vez hay un mejor camino de esta manera. 
 Entonces, en cambio, exploraremos esta ruta. 
 Ahora, si vamos uno más, estos son siete pasos más 14, 
 es 21, entonces entre esos dos es una especie de lanzamiento. 
 Podríamos terminar explorando ese de todos modos. 
 Pero después de eso, a medida que estos números comienzan a aumentar en los valores heurísticos 
 y estos valores heurísticos comienzan a disminuir, 
 encontrará que en realidad seguiremos explorando por este camino. 

Turkish: 
 Alternatif olarak, hedeften altı adım uzakta olabilirim. 
 çünkü bu beş adım ötedeydi, bu yüzden altı adım ötede-- 
 toplam değeri 13 olarak tahmin ediyorum. 
 6 artı 13-- 
 bu 19. 
 Burada g (n) artı h (n) 'yi 19 olarak değerlendiririz. 
 6 artı 13-- oysa burada 15 artı 6 ya da 21 oluruz. 
 Ve böylece sezgi, 21'den az, 19'u seçiyor. 
 Ama fikir nihayetinde 13'e ulaşmak için daha az adım atmayı tercih ederim. 
 15 adım atmış ve altıda 
 çünkü oraya ulaşmak için daha fazla adım atmam gerekiyordu. 
 Belki de bu şekilde daha iyi bir yol vardır. 
 Bunun yerine bu rotayı keşfedeceğiz. 
 Şimdi bir tane daha gidersek - bu yedi adım artı 14, 
 21 yaşında, yani bu ikisi arasında bir çeşit atış. 
 Sonuçta bunu keşfedebiliriz. 
 Ama ondan sonra, bu sayılar sezgisel değerlerde büyüdükçe 
 ve bu sezgisel değerler küçülmeye başlar, 
 aslında bu yolu keşfetmeye devam edeceğimizi göreceksiniz. 

Indonesian: 
 Atau, saya bisa berjarak enam langkah dari goal-- 
 karena ini lima langkah lagi, jadi ini enam langkah lagi-- 
 dengan nilai total 13 sebagai perkiraan saya. 
 Jadi 6 ditambah 13-- 
 itu 19. 
 Jadi di sini kita akan mengevaluasi g (n) ditambah h (n) menjadi 19-- 
 6 ditambah 13-- sedangkan di sini, kita akan 15 ditambah 6, atau 21. 
 Jadi intuisinya adalah, 19 kurang dari 21, pilih di sini. 
 Tapi idenya akhirnya saya lebih suka mengambil langkah lebih sedikit untuk sampai ke 13 
 daripada mengambil 15 langkah dan berada di enam 
 karena itu berarti saya harus mengambil lebih banyak langkah untuk sampai ke sana. 
 Mungkin ada jalan yang lebih baik dengan cara ini. 
 Jadi alih-alih kita akan menjelajahi rute ini. 
 Sekarang jika kita pergi satu lagi - ini adalah tujuh langkah plus 14, 
 adalah 21, jadi di antara keduanya itu semacam melemparkan. 
 Kita mungkin akhirnya menjelajahi yang itu. 
 Tetapi setelah itu, ketika angka-angka ini mulai semakin besar dalam nilai heuristik 
 dan nilai-nilai heuristik ini mulai menjadi lebih kecil, 
 Anda akan menemukan bahwa kami akan terus menjelajahi jalan ini. 

English: 
Alternatively, I could be six steps away from the goal--
because this was five steps away, so this is six steps away--
with a total value of 13 as my estimate.
So 6 plus 13--
that's 19.
So here we would evaluate g(n) plus h(n) to be 19--
6 plus 13-- whereas here, we would be 15 plus 6, or 21.
And so the intuition is, 19 less than 21, pick here.
But the idea is ultimately I'd rather be having taken fewer steps to get to a 13
than having taken 15 steps and be at a six
because it means I've had to take more steps in order to get there.
Maybe there's a better path this way.
So instead we'll explore this route.
Now if we go one more-- this is seven steps plus 14,
is 21, so between those two it's sort of a toss up.
We might end up exploring that one anyways.
But after that, as these numbers start to get bigger in the heuristic values
and these heuristic values start to get smaller,
you'll find that we'll actually keep exploring down this path.

Arabic: 
 بدلاً من ذلك ، قد أكون على بعد ست خطوات من الهدف-- 
 لأن هذه كانت على بعد خمس خطوات ، لذلك ست خطوات بعيداً-- 
 بقيمة إجمالية قدرها 13 حسب تقديري. 
 لذا 6 زائد 13-- 
 هذا هو 19. 
 لذا سنقيم هنا g (n) بالإضافة إلى h (n) لتكون 19-- 
 6 زائد 13-- بينما سنكون هنا 15 زائد 6 أو 21. 
 وبالتالي فإن الحدس ، 19 أقل من 21 ، اختر هنا. 
 لكن الفكرة هي في النهاية أنني أفضل أن أكون قد اتخذت خطوات أقل للوصول إلى 13 
 من اتخاذ 15 خطوة وأن تكون في السادسة 
 لأنه يعني أنني اضطررت إلى اتخاذ المزيد من الخطوات للوصول إلى هناك. 
 ربما هناك طريق أفضل بهذه الطريقة. 
 لذا سنستكشف بدلاً من ذلك هذا الطريق. 
 الآن إذا ذهبنا خطوة أخرى - هذه سبع خطوات بالإضافة إلى 14 ، 
 هو 21 ، لذلك بين هذين النوعين هو نوع من القذف. 
 قد ينتهي بنا الأمر إلى استكشاف ذلك على أي حال. 
 ولكن بعد ذلك ، عندما تبدأ هذه الأرقام في النمو في القيم الإرشادية 
 وهذه القيم الإرشادية تبدأ في التقلص ، 
 ستجد أننا سنستمر في استكشاف هذا المسار بالفعل. 

Modern Greek (1453-): 
 Εναλλακτικά, θα μπορούσα να είμαι έξι βήματα μακριά από το γκολ - 
 γιατί ήταν πέντε βήματα μακριά, οπότε αυτό είναι έξι βήματα μακριά-- 
 με συνολική αξία 13 ως εκτίμησή μου. 
 Έτσι 6 συν 13-- 
 αυτό είναι 19. 
 Εδώ λοιπόν θα αξιολογήσουμε το g (n) συν h (n) να είναι 19-- 
 6 συν 13-- ενώ εδώ, θα είμαστε 15 συν 6 ή 21. 
 Και έτσι η διαίσθηση είναι, 19 λιγότερο από 21, επιλέξτε εδώ. 
 Αλλά η ιδέα είναι τελικά ότι θα προτιμούσα να είχα κάνει λιγότερα βήματα για να φτάσω στο 13 
 από το να έχετε κάνει 15 βήματα και να είστε έξι 
 γιατί σημαίνει ότι έπρεπε να κάνω περισσότερα βήματα για να φτάσω εκεί. 
 Ίσως υπάρχει μια καλύτερη διαδρομή με αυτόν τον τρόπο. 
 Αντ 'αυτού θα εξερευνήσουμε αυτήν τη διαδρομή. 
 Τώρα αν πάμε ένα ακόμη - αυτό είναι επτά βήματα συν 14, 
 είναι 21, οπότε ανάμεσα σε αυτά τα δύο είναι κάπως πέταγμα. 
 Ενδέχεται να καταλήξουμε να το εξερευνήσουμε. 
 Αλλά μετά από αυτό, καθώς αυτοί οι αριθμοί αρχίζουν να αυξάνονται στις ευρετικές τιμές 
 και αυτές οι ευρετικές τιμές αρχίζουν να γίνονται μικρότερες, 
 θα διαπιστώσετε ότι θα συνεχίσουμε να εξερευνούμε σε αυτό το μονοπάτι. 

Russian: 
 Кроме того, я мог бы быть в шести шагах от цели ... 
 потому что это было пять шагов, так что это шесть шагов ... 
 с общей стоимостью 13 в качестве моей оценки. 
 Итак, 6 плюс 13-- 
 это 19 
 Итак, здесь мы оценили бы g (n) плюс h (n) как 19-- 
 6 плюс 13-- тогда как здесь было бы 15 плюс 6 или 21. 
 И так интуиция, 19 меньше, чем 21, выбрать здесь. 
 Но идея заключается в том, что я предпочел бы предпринять меньше шагов, чтобы добраться до 
 чем сделать 15 шагов и быть в шесть 
 потому что это означает, что мне пришлось предпринять больше шагов, чтобы попасть туда. 
 Может быть, есть лучший путь таким образом. 
 Поэтому вместо этого мы исследуем этот маршрут. 
 Теперь, если мы пойдем еще один - это семь шагов плюс 14, 
 21, так что между этими двумя это своего рода бросок. 
 Мы могли бы в конечном итоге исследовать это в любом случае. 
 Но после этого, когда эти числа начинают увеличиваться в эвристических значениях 
 и эти эвристические значения начинают уменьшаться, 
 вы обнаружите, что мы будем продолжать исследовать этот путь. 

Chinese: 
或者，我离目标还有六步之遥- 
因为这是五步之遥，所以这是六步之遥- 
我的估计总价值为13。 
所以6加13-- 
那是19。 
所以在这里，我们将g（n）加h（n）的值为19 
 6加13-而在这里，我们将是15加6或21。 
因此，直觉是19比21少。 
但最终的想法是，我宁愿采取更少的步骤来达到13 
而不是走了15步并达到6 
因为这意味着我必须采取更多措施才能到达那里。 
也许这是一条更好的道路。 
因此，我们将探索这条路线。 
现在如果再走一遍-这是七个步骤加14 
是21，所以在这两者之间有点折腾。 
无论如何，我们可能最终还是要探索那个。 
但是之后，随着这些数字的启发式值开始变大
这些启发式值开始变小， 
您会发现我们实际上将继续探索这条道路。 

Japanese: 
または、目標から6ステップ離れていてもかまいません。 
これは5ステップ先だったので、6ステップ先です- 
私の見積もりとして合計値は13です。 
 6プラス13 
それは19です。 
したがって、ここでは、g（n）+ h（n）を19と評価します- 
 6 + 13-ここでは、15 + 6、または21になります。 
直感は21未満19です。 
しかし、アイデアは最終的には13に到達するために、より少ない手順を実行したいということです
 15歩を踏んで6歩を踏むよりも
それは私がそこにたどり着くためにより多くのステップを踏まなければならなかったことを意味するからです
この方法の方が良い方法があるかもしれません。 
代わりに、このルートを探索します。 
もう1つ進んだ場合、これは7つのステップと14です。 
 21なので、これらの2つの間では一種のトスアップです。 
とにかくそれを探求してしまうかもしれません。 
しかしその後、これらの数値はヒューリスティック値で大きくなり始めます
これらのヒューリスティック値は小さくなり始めます
このパスを実際に探索していくことがわかります。 

Italian: 
 In alternativa, potrei essere a sei passi dall'obiettivo-- 
 perché questo era a cinque passi, quindi a sei passi-- 
 con un valore totale di 13 come stima. 
 Quindi 6 più 13-- 
 sono le 19. 
 Quindi qui valuteremmo g (n) più h (n) come 19-- 
 6 più 13-- mentre qui, saremmo 15 più 6, o 21. 
 E quindi l'intuizione è, 19 in meno di 21, scegli qui. 
 Ma l'idea è che alla fine avrei preferito fare meno passi per arrivare a un 13 
 che aver fatto 15 passi ed essere alle sei 
 perché significa che ho dovuto fare più passi per arrivarci. 
 Forse c'è un percorso migliore in questo modo. 
 Quindi esploreremo invece questo percorso. 
 Ora, se ne facciamo un altro, si tratta di sette passaggi più 14, 
 ha 21 anni, quindi tra quei due è una specie di vomito. 
 Potremmo finire per esplorarlo comunque. 
 Ma dopo ciò, poiché questi numeri iniziano a diventare più grandi nei valori euristici 
 e questi valori euristici iniziano a ridursi, 
 scoprirai che continueremo a esplorare questo percorso. 

French: 
 Sinon, je pourrais être à six pas du but ... 
 parce que c'était à cinq pas, donc c'est à six pas ... 
 avec une valeur totale de 13 comme mon estimation. 
 Donc 6 plus 13-- 
 c'est 19. 
 Nous évaluons donc ici g (n) plus h (n) comme étant 19-- 
 6 plus 13-- alors qu'ici, nous serions 15 plus 6, ou 21. 
 Et donc l'intuition est, 19 de moins de 21, choisissez ici. 
 Mais l'idée est finalement que je préfère avoir pris moins de mesures pour arriver à un 13 
 que d'avoir pris 15 mesures et être à six 
 car cela signifie que j'ai dû prendre plus de mesures pour y arriver. 
 Il y a peut-être un meilleur chemin de cette façon. 
 Nous allons donc plutôt explorer cette route. 
 Maintenant, si nous allons un de plus - c'est sept étapes plus 14, 
 est 21, donc entre ces deux, c'est une sorte de lancer. 
 Nous pourrions finir par l'explorer de toute façon. 
 Mais après cela, alors que ces chiffres commencent à augmenter dans les valeurs heuristiques 
 et ces valeurs heuristiques commencent à devenir plus petites, 
 vous constaterez que nous continuerons à explorer cette voie. 

German: 
 Alternativ könnte ich sechs Schritte vom Ziel entfernt sein - 
 weil dies fünf Schritte entfernt war, so ist dies sechs Schritte entfernt - 
 mit einem Gesamtwert von 13 als meine Schätzung. 
 Also 6 plus 13-- 
 das ist 19. 
 Hier würden wir also g (n) plus h (n) mit 19-- bewerten. 
 6 plus 13 - während wir hier 15 plus 6 oder 21 wären. 
 Und so ist die Intuition, 19 weniger als 21, hier zu wählen. 
 Aber die Idee ist letztendlich, dass ich lieber weniger Schritte unternommen hätte, um zu einer 13 zu gelangen 
 als 15 Schritte gemacht zu haben und bei einer Sechs zu sein 
 weil es bedeutet, dass ich mehr Schritte unternehmen musste, um dorthin zu gelangen. 
 Vielleicht gibt es auf diese Weise einen besseren Weg. 
 Also werden wir stattdessen diese Route erkunden. 
 Wenn wir noch einen Schritt weiter gehen - das sind sieben Schritte plus 14, 
 ist 21, also ist es zwischen diesen beiden eine Art Wurf. 
 Wir könnten das sowieso erforschen. 
 Aber danach, wenn diese Zahlen in den heuristischen Werten größer werden 
 und diese heuristischen Werte werden immer kleiner, 
 Sie werden feststellen, dass wir diesen Weg tatsächlich weiter erkunden werden. 

Korean: 
 또는 목표에서 6 단계 떨어져있을 수도 있습니다. 
 이것은 5 걸음 떨어진 거리에 있기 때문에 6 걸음 떨어진 곳에는- 
 내 총계는 13입니다. 
 6 더하기 13-- 
 19 살입니다. 
 여기에서 g (n) + h (n)을 19로 평가합니다. 
 6 더하기 13-- 여기에서 우리는 15 더하기 6, 또는 21입니다. 
 따라서 직감은 21보다 작고 19는 여기에서 선택하십시오. 
 그러나 아이디어는 궁극적으로 13에 도달하기 위해 더 적은 단계를 밟았을 것입니다. 
 15 걸음을 밟고 6 살이 된 것보다 
 그것은 거기에 가기 위해 더 많은 단계를 밟아야한다는 것을 의미하기 때문입니다. 
 이 방법으로 더 좋은 길이있을 수도 있습니다. 
 대신이 경로를 살펴 보겠습니다. 
 이제 한 번 더 가면 7 단계에 14를 더한 것입니다. 
 21입니다.이 둘 사이에서 일종의 던지기입니다. 
 어쨌든 우리는 그것을 탐구 할 수도 있습니다. 
 그러나 그 후,이 수치가 휴리스틱 값에서 커지기 시작함에 따라 
 이러한 휴리스틱 값이 작아지기 시작합니다. 
 실제로이 길을 계속 탐색 할 것입니다. 

Dutch: 
 Als alternatief kan ik zes stappen verwijderd zijn van het doel-- 
 omdat dit vijf stappen verwijderd was, dus dit is zes stappen verwijderd-- 
 met een totale waarde van 13 als mijn schatting. 
 Dus 6 plus 13-- 
 dat is 19. 
 Dus hier zouden we g (n) plus h (n) evalueren tot 19-- 
 6 plus 13 - terwijl we hier 15 plus 6 of 21 zouden zijn. 
 En dus is de intuïtie, 19 minder dan 21, kies hier. 
 Maar het idee is uiteindelijk dat ik liever minder stappen heb genomen om een ​​13 te halen 
 dan 15 stappen te hebben gezet en bij een zes te zijn 
 omdat het betekent dat ik meer stappen heb moeten nemen om daar te komen. 
 Misschien is er op deze manier een beter pad. 
 Dus in plaats daarvan zullen we deze route verkennen. 
 Als we nog een keer gaan - dit zijn zeven stappen plus 14, 
 is 21, dus tussen die twee is het een soort gooi. 
 Misschien gaan we die toch verkennen. 
 Maar daarna, naarmate deze getallen groter worden in de heuristische waarden 
 en deze heuristische waarden beginnen kleiner te worden, 
 zul je merken dat we dit pad daadwerkelijk zullen blijven verkennen. 

Chinese: 
或者，我離目標還有六步之遙- 
因為這是五步之遙，所以這是六步之遙- 
我估計的總價值為13。 
所以6加13-- 
那是19。 
所以在這裡，我們將g（n）加h（n）的值為19-- 
 6加13-而在這裡，我們將是15加6或21。 
因此，直覺是19比21少。 
但最終的想法是，我寧願採取更少的步驟來達到13 
而不是走了15步並達到6 
因為這意味著我必須採取更多措施才能到達那裡。 
也許這是一條更好的道路。 
因此，我們將探索這條路線。 
現在如果再走一遍-這是七個步驟加14 
是21，所以在這兩者之間有點折騰。 
無論如何，我們可能最終還是要探索那個。 
但是之後，隨著這些數字的啟發式值開始變大
這些啟發式值開始變小， 
您會發現我們實際上將繼續探索這條道路。 

Hindi: 
 वैकल्पिक रूप से, मैं लक्ष्य से छह कदम दूर हो सकता है-- 
 क्योंकि यह पाँच कदम दूर था, इसलिए यह छह कदम दूर है - 
 13 के कुल मूल्य के साथ मेरे अनुमान के रूप में। 
 तो 6 प्लस 13-- 
 वह 19 है। 
 तो यहाँ हम g (n) प्लस h (n) का मूल्यांकन करेंगे 19-- 
 6 प्लस 13-- जबकि यहाँ, हम 15 प्लस 6, या 21 होंगे। 
 और इसलिए अंतर्ज्ञान 21 से कम 19 है, यहां चुनें। 
 लेकिन विचार अंततः एक 13 करने के लिए कम कदम उठाए जा रहे हैं 
 15 कदम उठाने और एक छह पर होने की तुलना में 
 क्योंकि इसका मतलब है कि मुझे वहां पहुंचने के लिए और कदम उठाने होंगे। 
 शायद इस तरह एक बेहतर रास्ता है। 
 इसलिए इसके बजाय हम इस मार्ग का अन्वेषण करेंगे। 
 अब अगर हम एक और चलते हैं - तो यह सात चरण है 14 प्लस, 
 21 है, इसलिए उन दोनों के बीच यह एक टॉस अप की तरह है। 
 हम अंत में यह खोज सकते हैं कि एक भी। 
 लेकिन उसके बाद, जैसे-जैसे ये संख्याएँ हेयुरिस्टिक मूल्यों में बड़ी होने लगती हैं 
 और ये अनुमानी मूल्य छोटे होने लगते हैं, 
 आप पाएंगे कि हम वास्तव में इस रास्ते की खोज करते रहेंगे। 

English: 
And you can do the math to see that at every decision point,
A star search is going to make a choice based on the sum of how many steps
it took me to get to my current position and then
how far I estimate I am from the goal.
So while we did have to explore some of these states,
the ultimate solution we found was, in fact, an optimal solution.
It did find us the quickest possible way to get from the initial state
to the goal.
And it turns out that A* is an optimal search algorithm under certain
conditions.
So the conditions are h of n, my heuristic, needs to be admissible.
What does it mean for a heuristic to be admissible?
Well, a heuristic is admissible if it never overestimates the true cost.
Each event always needs to either get it exactly right
in terms of how far away I am, or it needs to underestimate.
So we saw an example from before where the heuristic value was much smaller
than the actual cost it would take.
That's totally fine.

German: 
 Und Sie können rechnen, um das an jedem Entscheidungspunkt zu sehen. 
 Bei einer Sternensuche wird eine Auswahl getroffen, die auf der Summe der Anzahl der Schritte basiert 
 Ich brauchte, um zu meiner aktuellen Position zu gelangen und dann 
 Wie weit schätze ich, bin ich vom Ziel entfernt? 
 Während wir einige dieser Zustände erkunden mussten, 
 Die ultimative Lösung, die wir gefunden haben, war tatsächlich eine optimale Lösung. 
 Es hat uns den schnellstmöglichen Weg gefunden, aus dem Ausgangszustand herauszukommen 
 zum Ziel. 
 Und es stellt sich heraus, dass A * unter bestimmten Umständen ein optimaler Suchalgorithmus ist 
 Bedingungen. 
 Die Bedingungen sind also h von n, meine Heuristik, muss zulässig sein. 
 Was bedeutet es für eine Heuristik, zulässig zu sein? 
 Eine Heuristik ist zulässig, wenn sie die tatsächlichen Kosten niemals überschätzt. 
 Jedes Ereignis muss immer genau richtig sein 
 in Bezug darauf, wie weit ich entfernt bin, oder es muss unterschätzt werden. 
 Wir haben also ein Beispiel von früher gesehen, in dem der heuristische Wert viel kleiner war 
 als die tatsächlichen Kosten, die es dauern würde. 
 Das ist völlig in Ordnung. 

Modern Greek (1453-): 
 Και μπορείτε να κάνετε τα μαθηματικά για να το δείτε σε κάθε σημείο απόφασης, 
 Μια αναζήτηση με αστέρια πρόκειται να κάνει μια επιλογή με βάση το άθροισμα των βημάτων 
 μου πήρε να φτάσω στην τρέχουσα θέση μου και μετά 
 πόσο μακριά εκτιμώ ότι είμαι από τον στόχο. 
 Έτσι, ενώ έπρεπε να εξερευνήσουμε μερικές από αυτές τις πολιτείες, 
 Η απόλυτη λύση που βρήκαμε ήταν στην πραγματικότητα μια βέλτιστη λύση. 
 Μας βρήκε τον γρηγορότερο δυνατό τρόπο για να βγούμε από την αρχική κατάσταση 
 στον στόχο. 
 Και αποδεικνύεται ότι το A * είναι ένας βέλτιστος αλγόριθμος αναζήτησης 
 συνθήκες. 
 Επομένως, οι συνθήκες είναι h του n, η ευρετική μου, πρέπει να είναι παραδεκτή. 
 Τι σημαίνει να είναι παραδεκτός ένας ευρετικός; 
 Λοιπόν, ένα ευρετικό είναι αποδεκτό εάν ποτέ δεν υπερεκτιμά το πραγματικό κόστος. 
 Κάθε εκδήλωση πρέπει πάντα να το κάνει σωστά 
 όσον αφορά το πόσο μακριά είμαι, ή πρέπει να υποτιμήσω. 
 Έτσι είδαμε ένα παράδειγμα από πριν όπου η ευρετική τιμή ήταν πολύ μικρότερη 
 από το πραγματικό κόστος που θα χρειαζόταν. 
 Είναι εντάξει. 

Japanese: 
そして、あなたは数学をして、すべての決定点でそれを見ることができます、 
スター検索は、ステップ数の合計に基づいて選択を行います
現在の位置にたどり着くまでに
目標からどれだけ離れているかを推定します。 
したがって、これらの州のいくつかを探検する必要がありましたが、 
私たちが見つけた究極のソリューションは、実際には最適なソリューションでした。 
それは私たちを初期状態から取得する最も速い方法を見つけました
目標に。 
そして、A *は特定の条件下で最適な検索アルゴリズムであることがわかります
条件。 
したがって、条件はhのnであり、私のヒューリスティックは、許容できる必要があります。 
ヒューリスティックが許容されるとはどういう意味ですか？ 
まあ、それが本当のコストを過大評価しない場合、ヒューリスティックは許容されます。 
各イベントは常に正確にどちらかを取得する必要があります
私がどれだけ離れているか、または過小評価する必要があるかという点で。 
そのため、ヒューリスティック値がはるかに小さい前の例を見ました
それがかかる実際の費用より。 
まったく問題ありません。 

French: 
 Et vous pouvez faire le calcul pour voir qu'à chaque point de décision, 
 Une recherche d'étoiles va faire un choix basé sur la somme du nombre d'étapes 
 il m'a fallu pour arriver à ma position actuelle, puis 
 à quelle distance j'estime que je suis du but. 
 Donc, alors que nous avons dû explorer certains de ces états, 
 la solution ultime que nous avons trouvée était, en fait, une solution optimale. 
 Il nous a trouvé le moyen le plus rapide de sortir de l'état initial 
 au but. 
 Et il s'avère que A * est un algorithme de recherche optimal sous certains 
 conditions. 
 Les conditions sont donc h de n, mon heuristique, doit être admissible. 
 Que signifie qu'une heuristique soit admissible? 
 Eh bien, une heuristique est admissible si elle ne surestime jamais le véritable coût. 
 Chaque événement doit toujours être parfaitement exact 
 en termes de distance, ou il faut sous-estimer. 
 Nous avons donc vu un exemple d'avant où la valeur heuristique était beaucoup plus petite 
 que le coût réel qu'il faudrait. 
 C'est très bien. 

Italian: 
 E puoi fare la matematica per vederlo in ogni punto decisionale, 
 Una ricerca a stella farà una scelta in base alla somma di quanti passaggi 
 mi ci è voluto per arrivare alla mia posizione attuale e poi 
 quanto lontano sono stimato dall'obiettivo. 
 Quindi mentre abbiamo dovuto esplorare alcuni di questi stati, 
 la soluzione definitiva che abbiamo trovato era, in effetti, una soluzione ottimale. 
 Ci ha trovato il modo più rapido possibile per ottenere dallo stato iniziale 
 all'obiettivo. 
 E si scopre che A * è un algoritmo di ricerca ottimale sotto certi 
 condizioni. 
 Quindi le condizioni sono h of n, la mia euristica, deve essere ammissibile. 
 Cosa significa che un euristico è ammissibile? 
 Bene, un euristico è ammissibile se non sopravvaluta mai il costo reale. 
 Ogni evento deve sempre essere esattamente corretto 
 in termini di quanto sono distante o deve essere sottovalutato. 
 Quindi abbiamo visto un esempio di prima in cui il valore euristico era molto più piccolo 
 rispetto al costo effettivo che ci vorrebbe. 
 Va benissimo. 

Spanish: 
 Y puedes hacer los cálculos para ver que en cada punto de decisión, 
 Una búsqueda de estrellas hará una elección basada en la suma de cuántos pasos 
 me tomó llegar a mi posición actual y luego 
 cuán lejos estimo que estoy de la meta. 
 Entonces, aunque tuvimos que explorar algunos de estos estados, 
 La solución definitiva que encontramos fue, de hecho, una solución óptima. 
 Nos encontró la forma más rápida posible de llegar desde el estado inicial 
 a la meta. 
 Y resulta que A * es un algoritmo de búsqueda óptimo bajo ciertas 
 condiciones 
 Por lo tanto, las condiciones son h de n, mi heurística, debe ser admisible. 
 ¿Qué significa que una heurística sea admisible? 
 Bueno, una heurística es admisible si nunca sobreestima el costo real. 
 Cada evento siempre necesita hacerlo bien 
 en términos de lo lejos que estoy, o necesita subestimarlo. 
 Entonces vimos un ejemplo de antes donde el valor heurístico era mucho más pequeño 
 que el costo real que tomaría. 
 Eso está totalmente bien. 

Chinese: 
您可以進行數學運算，以了解在每個決策點， 
星號搜索將基於多少步之和做出選擇
我花了我現在的位置，然後
我估計我離目標有多遠。 
因此，儘管我們確實必須探索其中一些狀態， 
實際上，我們發現的最終解決方案是最佳解決方案。 
它確實找到了我們從初始狀態獲得最快方法的方法
達到目標。 
事實證明，在一定條件下A *是最優搜索算法。 
條件。 
因此，我的啟發式條件是h為n，需要允許。 
啟發式被接受意味著什麼？ 
好吧，如果啟發式算法永遠不會高估真實成本，那麼它是可以接受的。 
每個事件總是需要正確完成
就我有多遠，還是需要低估。 
所以我們看到了一個例子，啟發式的值要小得多
比實際花費要多。 
很好

Chinese: 
您可以进行数学运算，以了解在每个决策点， 
星号搜索将基于多少步之和做出选择
我花了我到现在的位置，然后
我估计我离目标有多远。 
因此，尽管我们确实必须探索其中一些状态， 
实际上，我们发现的最终解决方案是最佳解决方案。 
它确实找到了我们从初始状态获得最快方法的方法
达到目标。 
事实证明，在一定条件下A *是最优搜索算法。 
条件。 
因此，我的启发式条件是h为n，需要允许。 
启发式被接受意味着什么？ 
好吧，如果启发式算法永远不会高估真实成本，那么它是可以接受的。 
每个事件都总是需要使其完全正确
就我有多远，还是需要低估。 
所以我们看到了一个例子，启发式的值要小得多
比实际花费要多。 
很好

Portuguese: 
 E você pode fazer as contas para ver isso em todos os pontos de decisão, 
 Uma pesquisa em estrela fará uma escolha com base na soma de quantas etapas 
 Levei para chegar à minha posição atual e depois 
 quão longe eu estimar que estou do objetivo. 
 Então, enquanto tivemos que explorar alguns desses estados, 
 a solução definitiva que encontramos foi, de fato, uma solução ideal. 
 Ele nos encontrou a maneira mais rápida possível de obter o estado inicial 
 para o objetivo. 
 E acontece que A * é um algoritmo de pesquisa ideal sob certas 
 condições. 
 Portanto, as condições são h de n, minha heurística, precisam ser admissíveis. 
 O que significa uma heurística ser admissível? 
 Bem, uma heurística é admissível se nunca superestimar o custo real. 
 Cada evento sempre precisa acertar exatamente 
 em termos de quão longe eu estou, ou ele precisa subestimar. 
 Então, vimos um exemplo de antes em que o valor heurístico era muito menor 
 do que o custo real que levaria. 
 Isso é totalmente bom. 

Russian: 
 И вы можете сделать математику, чтобы увидеть это на каждом этапе принятия решения, 
 Поиск по звездам будет делать выбор на основе суммы, сколько шагов 
 мне потребовалось, чтобы добраться до моей текущей позиции, а затем 
 насколько я оцениваю, я от цели. 
 Поэтому, хотя нам и пришлось исследовать некоторые из этих состояний, 
 окончательное решение, которое мы нашли, было, по сути, оптимальным решением. 
 Это нашло самый быстрый способ выйти из исходного состояния. 
 к цели. 
 И получается, что A * является оптимальным алгоритмом поиска при определенных 
 условия. 
 Так что условия h of n, моя эвристика, должны быть допустимыми. 
 Что означает, что эвристика допустима? 
 Ну, эвристика допустима, если она никогда не переоценивает истинную стоимость. 
 Каждое событие всегда должно быть правильно 
 с точки зрения того, как далеко я нахожусь, или это нужно недооценивать. 
 Итак, мы видели пример, когда эвристическая ценность была намного меньше 
 чем фактическая стоимость это займет. 
 Это совершенно нормально. 

Dutch: 
 En je kunt de wiskunde doen om te zien dat op elk beslissingspunt, 
 Een steronderzoek gaat een keuze maken op basis van de som van het aantal stappen 
 het kostte me om op mijn huidige positie te komen en toen 
 hoe ver ik schat dat ik van het doel verwijderd ben. 
 Dus terwijl we enkele van deze staten moesten verkennen, 
 de ultieme oplossing die we vonden was in feite een optimale oplossing. 
 Het heeft ons de snelste manier gevonden om uit de oorspronkelijke staat te komen 
 naar het doel. 
 En het blijkt dat A * onder bepaalde voorwaarden een optimaal zoekalgoritme is 
 voorwaarden. 
 Dus de voorwaarden zijn h van n, mijn heuristiek, moet toelaatbaar zijn. 
 Wat betekent het dat een heuristiek toelaatbaar is? 
 Welnu, een heuristiek is toelaatbaar als deze de werkelijke kosten nooit overschat. 
 Elk evenement moet altijd precies goed zijn 
 in termen van hoe ver ik ben, of het moet onderschat worden. 
 We zagen dus een voorbeeld van eerder waar de heuristische waarde veel kleiner was 
 dan de werkelijke kosten. 
 Dat is helemaal prima. 

Arabic: 
 ويمكنك إجراء العمليات الحسابية لمعرفة ذلك في كل نقطة قرار ، 
 سيؤدي البحث عن النجوم إلى الاختيار بناءً على مجموع عدد الخطوات 
 أخذني للوصول إلى موقفي الحالي ثم 
 إلى أي مدى أقدر أنني من الهدف. 
 لذلك بينما كان علينا استكشاف بعض هذه الحالات ، 
 كان الحل النهائي الذي وجدناه هو الحل الأمثل. 
 لقد وجدنا أسرع طريقة ممكنة للوصول من الحالة الأولية 
 إلى الهدف. 
 وتبين أن A * هي خوارزمية بحث مثالية تحت معينة 
 الظروف. 
 لذا فإن الشروط هي h من n ، يا إرشادي ، يجب أن تكون مقبولة. 
 ماذا يعني أن يكون الإرشادي مقبولاً؟ 
 حسنًا ، المجدي مقبول إذا لم يبالغ في تقدير التكلفة الحقيقية. 
 يحتاج كل حدث دائمًا إلى الحصول عليه بشكل صحيح تمامًا 
 من حيث المسافة البعيدة ، أو أنها بحاجة إلى التقليل من شأنها. 
 لذا رأينا مثالاً من قبل حيث كانت القيمة الإرشادية أصغر بكثير 
 من التكلفة الفعلية التي ستأخذها. 
 هذا جيد تمامًا. 

Turkish: 
 Ve bunu her karar noktasında görmek için matematiği yapabilirsiniz, 
 Yıldız araması, kaç adımın toplamına bağlı olarak bir seçim yapar 
 şimdiki pozisyonuma gelmemi sağladı ve sonra 
 hedefimden ne kadar uzak olduğumu tahmin ediyorum. 
 Bu eyaletlerden bazılarını keşfetmek zorunda kalırken, 
 bulduğumuz nihai çözüm aslında en uygun çözümdü. 
 Bize başlangıç ​​durumundan çıkmanın en hızlı yolunu buldu 
 hedefe. 
 Ve A * 'nın belirli koşullar altında en uygun arama algoritması olduğu ortaya çıkıyor. 
 koşullar. 
 Yani sezgisel koşulların h değeri n kabul edilebilir olmalı. 
 Buluşsal yöntem için kabul edilebilir olmak ne anlama geliyor? 
 Asla gerçek maliyeti hiç abartmazsa, sezgisel olarak kabul edilebilir. 
 Her etkinliğin her zaman tam olarak doğru olması gerekir 
 ne kadar uzakta olduğum ya da hafife almamız gerekiyor. 
 Sezgisel değerin çok daha küçük olduğu bir örnek gördük 
 gerçek maliyetinden daha fazla. 
 Tamamen iyi. 

Hindi: 
 और आप यह देख सकते हैं कि हर निर्णय बिंदु पर, 
 कितने चरणों के योग के आधार पर एक स्टार खोज एक विकल्प बनाने जा रही है 
 यह मुझे अपनी वर्तमान स्थिति में ले जाने के लिए ले गया 
 मैं अनुमान लगाता हूं कि मैं लक्ष्य से कितना दूर हूं। 
 इसलिए जब हमें इन राज्यों में से कुछ का पता लगाना था, 
 परम समाधान जो हमें मिला, वास्तव में, एक इष्टतम समाधान था। 
 यह हमें प्रारंभिक अवस्था से प्राप्त करने का सबसे तेज़ संभव तरीका मिल गया 
 लक्ष्य के लिए। 
 और यह पता चला है कि ए * कुछ के तहत एक इष्टतम खोज एल्गोरिथ्म है 
 शर्तेँ। 
 तो स्थितियाँ n के h हैं, मेरे उत्तराधिकारियों, स्वीकार्य होने की आवश्यकता है। 
 स्वीकार्य होने के लिए एक अनुमानी के लिए इसका क्या मतलब है? 
 यदि यह कभी भी सही लागत को कम नहीं करता है, तो एक अनुमानी स्वीकार्य है। 
 प्रत्येक घटना को हमेशा या तो बिल्कुल सही होने की आवश्यकता होती है 
 मैं कितनी दूर हूं, या इसे कम आंकने की जरूरत है। 
 इसलिए हमने पहले एक उदाहरण देखा कि जहां मूल्य का मूल्य बहुत छोटा था 
 वास्तविक लागत की तुलना में यह लगेगा। 
 वह पूरी तरह से ठीक है। 

Indonesian: 
 Dan Anda dapat melakukan matematika untuk melihat bahwa pada setiap titik keputusan, 
 Pencarian bintang akan menentukan pilihan berdasarkan jumlah langkah 
 saya butuh untuk sampai ke posisi saya saat ini dan kemudian 
 seberapa jauh saya memperkirakan saya dari tujuan. 
 Jadi sementara kami harus menjelajahi beberapa negara bagian ini, 
 solusi utama yang kami temukan adalah, pada kenyataannya, solusi optimal. 
 Itu memang menemukan kami cara tercepat mungkin untuk mendapatkan dari keadaan awal 
 ke tujuan. 
 Dan ternyata A * adalah algoritma pencarian optimal di bawah tertentu 
 kondisi. 
 Jadi kondisinya sangat heuristik, perlu diterima. 
 Apa artinya heuristik diterima? 
 Yah, heuristik dapat diterima jika tidak pernah melebih-lebihkan biaya sebenarnya. 
 Setiap acara selalu harus benar-benar tepat 
 dalam hal seberapa jauh saya, atau perlu diremehkan. 
 Jadi kami melihat contoh dari sebelumnya di mana nilai heuristik jauh lebih kecil 
 dari biaya yang sebenarnya dibutuhkan. 
 Tidak apa-apa. 

Korean: 
 모든 결정 지점에서 수학을 수행하여 
 스타 검색은 몇 걸음의 합계를 기반으로 선택합니다 
 내 현재 위치에 도착한 다음 
 내가 목표에서 얼마나 멀리 떨어져 있는지 추정합니다. 
 우리가이 상태 중 일부를 탐색해야했지만 
 우리가 찾은 최고의 솔루션은 실제로 최적의 솔루션이었습니다. 
 초기 상태에서 얻을 수있는 가장 빠른 방법을 찾았습니다 
 목표에. 
 그리고 A *는 특정 조건에서 최적의 검색 알고리즘이라는 것이 밝혀졌습니다 
 정황. 
 따라서 휴리스틱 인 n / h의 조건은 허용 가능해야합니다. 
 휴리스틱이 허용된다는 것은 무엇을 의미합니까? 
 휴리스틱은 실제 비용을 과대 평가하지 않으면 허용됩니다. 
 각 이벤트는 항상 정확히 맞아야합니다. 
 내가 얼마나 멀리 있는지 또는 과소 평가해야합니다. 
 휴리스틱 값이 훨씬 작은 예를 보았습니다. 
 실제 비용보다 
 완전히 괜찮습니다. 

Korean: 
 그러나 휴리스틱 가치는 절대 과대 평가해서는 안됩니다. 
 내가 실제보다 목표에서 멀어 졌다고 생각해서는 안됩니다. 
 한편, 더 강력한 진술을하기 위해, h of n 
 일관성이 있어야합니다. 
 일관성이 있다는 것은 무엇을 의미합니까? 
 수학적으로 모든 노드에 대해 
 우리는 n을 잇고 후계자 인 노드를 n 프라임이라고 부르겠습니다. 
 이 단계를 수행하는 데 c의 비용, n의 휴리스틱 값이 필요한 경우 
 휴리스틱보다 작거나 같아야합니다. 
 n 소수에 비용을 더한 값입니다. 
 그래서 그것은 많은 수학이지만, 결국, 그것은 궁극적으로 무엇입니까 
 내가 지금이 상태에 있다면 
 저에서 목표까지의 휴리스틱 가치는 휴리스틱 이상이어야합니다 
 내 후임자의 가치, 내가 갈 수있는 다음 장소 
 한 단계에서 다음 단계로 그 단계를 만드는 데 비용이 들었습니다. 
 그리고 이것은 단지 휴리스틱이 모든 것 사이에서 일관되도록합니다. 
 내가 취할 수있는이 단계들 중 
 이것이 사실이라면 A * 검색은 나에게 최적의 것을 찾을 것입니다. 
 해결책. 

Chinese: 
但是启发式的价值绝对不能高估。 
永远不要以为我离目标比实际目标更遥远。 
同时，为了作出更强的陈述， 
也需要保持一致。 
保持一致意味着什么？ 
从数学上讲，这意味着对于每个节点， 
我们将n称为后继节点，称为我的素数， 
进行此步骤需要花费c，n的启发式值
需要小于或等于启发式
 n素数的价值加上成本。 
所以这是很多数学，但换句话说，它最终是什么
就是说如果我现在在这种状态下
从我到目标的启发式价值不应超过启发式
我继任者的价值，我可以去的下一个地方，还有很多
从第一步到下一步，我只会花那一步。 
因此，这只是确保我的启发式方法在所有
这些我可能会采取的步骤。 
只要这是真的，那么A *搜索就会找到我的最优选择
解。 

Dutch: 
 Maar de heuristische waarde mag nooit worden overschat. 
 Het mag nooit denken dat ik verder van het doel ben dan ik in werkelijkheid ben. 
 En ondertussen, om een ​​sterker statement te maken, h van n 
 moet ook consistent zijn. 
 En wat betekent het dat het consistent is? 
 Wiskundig betekent dit dat voor elk knooppunt, wat 
 we noemen n, en opvolger, het knooppunt na mij, dat ik n prime noem, 
 waar het kosten van c kost om die stap te maken, de heuristische waarde van n 
 moet kleiner zijn dan of gelijk zijn aan de heuristiek 
 waarde van n prime plus de kosten. 
 Dus het is veel wiskunde, maar in woorden, wat het uiteindelijk is 
 betekent dat als ik hier nu in deze staat ben, 
 de heuristische waarde van mij tot het doel mag niet meer zijn dan de heuristiek 
 waarde van mijn opvolger, de volgende plaats waar ik naartoe zou kunnen gaan, plus zoveel 
 het zou me kosten om die stap gewoon te maken, van de ene stap naar de volgende stap. 
 En dit zorgt er gewoon voor dat mijn heuristiek consistent is tussen iedereen 
 van deze stappen die ik zou kunnen nemen. 
 Dus zolang dit waar is, zal A * search me een optimale vinden 
 oplossing. 

Portuguese: 
 Mas o valor heurístico nunca deve superestimar. 
 Nunca deve pensar que estou mais longe do objetivo do que realmente estou. 
 Enquanto isso, para fazer uma afirmação mais forte, h de n 
 também precisa ser consistente. 
 E o que significa ser consistente? 
 Matematicamente, isso significa que, para cada nó, que 
 chamaremos n, e sucessor, o nó depois de mim, que chamarei de n prime, 
 onde é necessário um custo de c para dar esse passo, o valor heurístico de n 
 precisa ser menor ou igual à heurística 
 valor de n prime mais o custo. 
 Então, é muita matemática, mas em palavras, o que acaba sendo 
 significa é que se eu estou aqui neste estado agora, 
 o valor heurístico de mim para o objetivo não deve ser mais do que o heurístico 
 valor do meu sucessor, o próximo lugar que eu poderia ir, além de muito 
 me custaria apenas dar esse passo, de um passo para o próximo. 
 E isso é apenas garantir que minha heurística seja consistente entre todos 
 destas etapas que eu possa tomar. 
 Então, enquanto isso for verdade, a pesquisa A * vai me encontrar uma ótima 
 solução. 

Indonesian: 
 Tetapi nilai heuristik tidak boleh terlalu tinggi. 
 Seharusnya tidak pernah berpikir bahwa saya jauh dari tujuan daripada saya sebenarnya. 
 Dan sementara itu, untuk membuat pernyataan yang lebih kuat, h dari n 
 juga harus konsisten. 
 Dan apa artinya konsisten? 
 Secara matematis, itu berarti untuk setiap node, yang 
 kami akan memanggil n, dan penerus, simpul setelah saya, yang saya sebut n prime, 
 di mana dibutuhkan biaya c untuk membuat langkah itu, nilai heuristik dari n 
 harus kurang dari atau sama dengan heuristik 
 nilai n prime plus biayanya. 
 Jadi itu banyak matematika, tetapi dengan kata-kata, akhirnya apa 
 berarti bahwa jika saya di sini di negara ini sekarang, 
 nilai heuristik dari saya untuk tujuan seharusnya tidak lebih dari heuristik 
 nilai penerus saya, tempat berikutnya yang bisa saya kunjungi, ditambah banyak hal 
 saya harus membayar untuk membuat langkah itu, dari satu langkah ke langkah berikutnya. 
 Jadi ini hanya memastikan heuristik saya konsisten di antara semuanya 
 langkah-langkah ini yang mungkin saya ambil. 
 Jadi selama ini benar, maka pencarian A * akan menemukan saya yang optimal 
 larutan. 

Italian: 
 Ma il valore euristico non dovrebbe mai sopravvalutare. 
 Non dovrebbe mai pensare di essere più lontano dall'obiettivo di quanto non sia in realtà. 
 E intanto, per fare una dichiarazione più forte, h di n 
 deve anche essere coerente. 
 E cosa significa che è coerente? 
 Matematicamente, significa che per ogni nodo, che 
 chiameremo n, e successore, il nodo dopo di me, che chiamerò n primo, 
 dove ci vuole un costo di c per fare quel passo, il valore euristico di n 
 deve essere inferiore o uguale all'euristica 
 valore di n primo più il costo. 
 Quindi è molta matematica, ma a parole, alla fine 
 significa che se sono qui in questo stato proprio ora, 
 il valore euristico da me all'obiettivo non dovrebbe essere più che euristico 
 valore del mio successore, il prossimo posto in cui potrei andare, oltre a molto 
 mi costerebbe solo fare quel passo, da un passo all'altro. 
 E quindi questo sta solo assicurando che la mia euristica sia coerente tra tutti 
 di questi passi che potrei prendere. 
 Quindi, fintanto che questo è vero, A * search mi troverà ottimale 
 soluzione. 

Japanese: 
しかし、ヒューリスティックな値は過大評価してはなりません。 
自分が実際よりも目標から離れているとは思わないでください。 
一方、より強力なステートメントを作成するには、nのh 
また、一貫している必要があります。 
そして、それが一貫しているとはどういう意味ですか？ 
数学的には、すべてのノードについて、 
私たちはnと呼び、後継者、私の次のノード、nを素数と呼びます。 
そのステップを実行するためにcのコストがかかる場合、nのヒューリスティック値
ヒューリスティック以下である必要があります
 nプライムの値とコスト。 
ですから、それは多くの数学ですが、言葉で言えば、最終的には
つまり、私が今この状態にいる場合、 
私から目標へのヒューリスティックな値は、ヒューリスティック以上のものであってはなりません
後継者の価値、次に行ける場所、そして
 1つのステップから次のステップにそのステップを実行するだけでは、コストがかかります。 
そしてこれは私のヒューリスティックがすべての間で一貫していることを確認しているだけです
私が取るかもしれないこれらのステップの。 
これが真実である限り、A *検索は私に最適を見つけます
解決。 

Hindi: 
 लेकिन हेयुरिस्टिक वैल्यू को कभी भी कम नहीं आंकना चाहिए। 
 यह कभी नहीं सोचना चाहिए कि मैं वास्तव में जितना लक्ष्य हूं उससे कहीं अधिक दूर हूं। 
 और इस बीच, एक मजबूत बयान बनाने के लिए, एन के एच 
 भी लगातार होना चाहिए। 
 और इसके संगत होने का क्या मतलब है? 
 गणितीय रूप से, इसका मतलब है कि प्रत्येक नोड के लिए, जो 
 हम कॉल करेंगे n, और उत्तराधिकारी, मेरे बाद नोड, कि मैं n प्रधानमंत्री कहूंगा, 
 जहाँ उस कदम को बनाने में c की लागत लगती है, वहीं n का न्यायिक मूल्य 
 की तुलना में कम या इसके बराबर होने की आवश्यकता है 
 n अभाज्य मूल्य का मूल्य। 
 तो यह बहुत गणित है, लेकिन शब्दों में, यह अंततः क्या है 
 इसका मतलब यह है कि अगर मैं अभी इस राज्य में हूँ, 
 मेरे से लक्ष्य के लिए हेयुरिस्टिक मूल्य हेयुरिस्टिक से अधिक नहीं होना चाहिए 
 मेरे उत्तराधिकारी का मूल्य, मैं जिस स्थान पर जा सकता था, वह बहुत अधिक था 
 यह मुझे एक कदम से अगले कदम के लिए सिर्फ एक कदम बनाने के लिए खर्च होता है। 
 और इसलिए यह सिर्फ यह सुनिश्चित कर रहा है कि मेरा अनुमान सभी के बीच सुसंगत हो 
 इन कदमों के बारे में जो मुझे लग सकते हैं। 
 तो जब तक यह सच है, तब तक A * खोज मुझे एक इष्टतम खोजने जा रही है 
 समाधान। 

French: 
 Mais la valeur heuristique ne doit jamais surestimer. 
 Il ne faut jamais penser que je suis plus loin du but que je ne le suis réellement. 
 Et pendant ce temps, pour faire une déclaration plus forte, h de n 
 doit également être cohérent. 
 Et qu'est-ce que cela signifie pour qu'il soit cohérent? 
 Mathématiquement, cela signifie que pour chaque nœud, qui 
 nous appellerons n, et successeur, le nœud après moi, que j'appellerai n premier, 
 où il faut un coût de c pour faire cette étape, la valeur heuristique de n 
 doit être inférieur ou égal à l'heuristique 
 valeur de n prime plus le coût. 
 C'est donc beaucoup de maths, mais en mots, ce que finalement 
 signifie que si je suis ici dans cet état en ce moment, 
 la valeur heuristique de moi vers l'objectif ne devrait pas être plus que l'heuristique 
 la valeur de mon successeur, le prochain endroit où je pourrais aller, plus 
 cela me coûterait de faire juste cette étape, d'une étape à la prochaine étape. 
 Et donc c'est juste pour m'assurer que mon heuristique est cohérente entre tous 
 de ces étapes que je pourrais prendre. 
 Donc, tant que cela est vrai, alors une recherche * va me trouver un optimal 
 Solution. 

Chinese: 
但是啟發式的價值絕對不能高估。 
永遠不要以為我離目標比實際目標更遙遠。 
同時，為了作出更強的陳述， 
也需要保持一致。 
保持一致意味著什麼？ 
從數學上講，這意味著對於每個節點， 
我們將n稱為後繼節點，稱為我的素數， 
進行此步驟需要花費c，n的啟發式值
需要小於或等於啟發式
 n素數的價值加上成本。 
所以這是很多數學，但換句話說，它最終是什麼
就是說如果我現在在這種狀態下
從我到目標的啟發式價值不應超過啟發式
我繼任者的價值，我可以去的下一個地方，還有很多
從第一步到下一步，我只會花那一步。 
因此，這只是確保我的啟發式方法在所有
這些我可能會採取的步驟。 
只要這是真的，那麼A *搜索就會找到我的最優選擇
解。 

Arabic: 
 لكن القيمة الإرشادية يجب ألا تبالغ أبداً. 
 لا ينبغي أبدًا التفكير في أنني أبتعد عن الهدف أكثر مما أنا عليه بالفعل. 
 وفي الوقت نفسه ، لتقديم بيان أقوى ، ح من ن 
 يحتاج أيضًا إلى أن يكون متسقًا. 
 وماذا يعني أن تكون متسقة؟ 
 رياضيا ، هذا يعني أنه لكل عقدة ، والتي 
 سوف نطلق على n ، وخليفة العقدة التي بعدي ، والتي سوف أسميها n Prime ، 
 حيث يتطلب الأمر تكلفة c لجعل هذه الخطوة ، القيمة الإرشادية لـ n 
 يجب أن يكون أقل من أو يساوي المساعد الإرشادي 
 قيمة n Prime بالإضافة إلى التكلفة. 
 لذا فهي الكثير من الرياضيات ، ولكن بالكلمات ، ما هي في النهاية 
 يعني أنه إذا كنت هنا في هذه الحالة الآن ، 
 لا ينبغي أن تكون القيمة الإرشادية مني للهدف أكثر من القيمة الإرشادية 
 قيمة خليفي ، والمكان التالي الذي يمكن أن أذهب إليه ، بالإضافة إلى ذلك بكثير 
 سيكلفني القيام بهذه الخطوة فقط ، من خطوة إلى أخرى. 
 وهذا فقط للتأكد من أن ارشادي متسق بين الجميع 
 من هذه الخطوات التي قد أتخذها. 
 طالما كان هذا صحيحًا ، فإن البحث * سيجدني على النحو الأمثل 
 المحلول. 

Turkish: 
 Ancak sezgisel değer asla abartmamalıdır. 
 Asla benden daha uzak olduğumu düşünmemeliyim. 
 Ve bu arada, daha güçlü bir açıklama yapmak için, h 
 ayrıca tutarlı olması gerekir. 
 Peki tutarlı olması ne anlama geliyor? 
 Matematiksel olarak, her düğüm için 
 n ve ardılı, benden sonraki düğüm, n prime diyeceğim, 
 bu adımı atmanın c maliyeti, n'nin sezgisel değeri 
 buluşsal yöntemden küçük veya ona eşit olması gerekir 
 n asal değeri artı maliyet. 
 Yani bu çok matematik, ama kelimelerle sonuçta 
 şu anda buradaysam, 
 benden hedefe sezgisel değer sezgisel değerden daha fazla olmamalıdır 
 halefimin değeri, gidebileceğim bir sonraki yer, artı çok fazla 
 bir adımdan bir sonraki adıma kadar bu adımı atmam bana mal olacaktı. 
 Ve bu sadece sezgisel yöntemlerimin herkes arasında tutarlı olduğundan emin olmak. 
 bu adımları atmam gerekir. 
 Bu doğru olduğu sürece, A * araması bana en uygun olanı bulacaktır 
 çözüm. 

English: 
But the heuristic value should never overestimate.
It should never think that I'm further away from the goal than I actually am.
And meanwhile, to make a stronger statement, h of n
also needs to be consistent.
And what does it mean for it to be consistent?
Mathematically, it means that for every node, which
we'll call n, and successor, the node after me, that I'll call n prime,
where it takes a cost of c to make that step, the heuristic value of n
needs to be less than or equal to the heuristic
value of n prime plus the cost.
So it's a lot of math, but in words, what it ultimately
means is that if I am here at this state right now,
the heuristic value from me to the goal shouldn't be more than the heuristic
value of my successor, the next place I could go to, plus however much
it would cost me to just make that step, from one step to the next step.
And so this is just making sure that my heuristic is consistent between all
of these steps that I might take.
So as long as this is true, then A* search is going to find me an optimal
solution.

German: 
 Der heuristische Wert sollte jedoch niemals überschätzt werden. 
 Es sollte niemals denken, dass ich weiter vom Ziel entfernt bin als ich es tatsächlich bin. 
 Und in der Zwischenzeit, um eine stärkere Aussage zu machen, h von n 
 muss auch konsequent sein. 
 Und was bedeutet es, konsequent zu sein? 
 Mathematisch bedeutet das für jeden Knoten, der 
 wir nennen n und Nachfolger, den Knoten nach mir, den ich n prime nennen werde, 
 wo es Kosten von c braucht, um diesen Schritt zu machen, der heuristische Wert von n 
 muss kleiner oder gleich der Heuristik sein 
 Wert von n prime plus die Kosten. 
 Es ist also viel Mathe, aber in Worten, was es letztendlich ist 
 bedeutet, dass, wenn ich gerade hier in diesem Zustand bin, 
 Der heuristische Wert von mir bis zum Ziel sollte nicht größer sein als die heuristische 
 Wert meines Nachfolgers, der nächste Ort, an den ich gehen könnte, plus wie viel auch immer 
 Es würde mich kosten, nur diesen Schritt von einem Schritt zum nächsten zu machen. 
 Das stellt nur sicher, dass meine Heuristik zwischen allen konsistent ist 
 von diesen Schritten, die ich unternehmen könnte. 
 Solange dies zutrifft, wird mich die A * -Suche optimal finden 
 Lösung. 

Modern Greek (1453-): 
 Αλλά η ευρετική αξία δεν πρέπει ποτέ να υπερεκτιμάται. 
 Δεν πρέπει ποτέ να πιστεύω ότι είμαι πιο μακριά από τον στόχο από ό, τι πραγματικά είμαι. 
 Και εν τω μεταξύ, για να κάνουμε μια ισχυρότερη δήλωση, h του n 
 πρέπει επίσης να είναι συνεπής. 
 Και τι σημαίνει να είναι συνεπές; 
 Μαθηματικά, αυτό σημαίνει ότι για κάθε κόμβο, το οποίο 
 θα καλέσουμε n, και διάδοχος, τον κόμβο μετά από μένα, που θα ονομάσω n prime, 
 όπου χρειάζεται ένα κόστος c για να γίνει αυτό το βήμα, η ευρετική τιμή του n 
 πρέπει να είναι μικρότερο ή ίσο με το ευρετικό 
 αξία του n prime συν το κόστος. 
 Άρα είναι πολλά μαθηματικά, αλλά με λόγια, αυτό που τελικά 
 σημαίνει ότι αν είμαι εδώ σε αυτήν την πολιτεία αυτή τη στιγμή, 
 η ευρετική αξία από εμένα στο στόχο δεν πρέπει να είναι μεγαλύτερη από την ευρετική 
 αξία του διαδόχου μου, το επόμενο μέρος που θα μπορούσα να πάω, αλλά και πάρα πολύ 
 θα μου κόστιζε να κάνω ακριβώς αυτό το βήμα, από το ένα βήμα στο άλλο. 
 Και έτσι διασφαλίζω ότι η ευρετική μου είναι συνεπής μεταξύ όλων 
 από αυτά τα βήματα που θα μπορούσα να κάνω. 
 Όσο αυτό ισχύει, τότε η αναζήτηση A * θα με βρει το βέλτιστο 
 λύση. 

Spanish: 
 Pero el valor heurístico nunca debe sobreestimarse. 
 Nunca debería pensar que estoy más lejos de la meta de lo que realmente estoy. 
 Y mientras tanto, para hacer una declaración más fuerte, h de n 
 También necesita ser consistente. 
 ¿Y qué significa que sea consistente? 
 Matemáticamente, significa que para cada nodo, que 
 llamaremos n, y sucesor, el nodo después de mí, que llamaré n prime, 
 donde se necesita un costo de c para dar ese paso, el valor heurístico de n 
 necesita ser menor o igual que la heurística 
 valor de n prime más el costo. 
 Así que son muchas matemáticas, pero en palabras, lo que en última instancia 
 significa que si estoy aquí en este estado ahora mismo, 
 el valor heurístico de mí para el objetivo no debería ser más que el heurístico 
 valor de mi sucesor, el próximo lugar al que podría ir, más por mucho 
 me costaría dar ese paso, de un paso al siguiente. 
 Y esto es solo para asegurarme de que mi heurística sea consistente entre todos 
 de estos pasos que podría tomar. 
 Entonces, mientras esto sea cierto, entonces la búsqueda A * me va a encontrar un óptimo 
 solución. 

Russian: 
 Но эвристическое значение никогда не следует переоценивать. 
 Никогда не следует думать, что я далеко от цели, чем на самом деле. 
 А между тем, чтобы сделать более сильное заявление, ч н 
 также должен быть последовательным. 
 И что это значит для того, чтобы быть последовательным? 
 Математически это означает, что для каждого узла, который 
 мы будем называть п, и преемник, узел после меня, что я буду называть п премьер, 
 где требуется цена с, чтобы сделать этот шаг, эвристическое значение п 
 должно быть меньше или равно эвристическому 
 значение п премьер плюс стоимость. 
 Так что это много математики, но на словах, что это в конечном итоге 
 значит, что если я сейчас здесь, 
 эвристическая ценность от меня до цели не должна быть больше, чем эвристическая 
 ценность моего преемника, следующее место, куда я мог бы пойти, плюс сколько 
 это стоило бы мне просто сделать этот шаг, от одного шага до следующего шага. 
 И так что это просто убедиться, что моя эвристика согласована между всеми 
 из этих шагов, которые я мог бы предпринять. 
 Так что, пока это правда, то поиск A * найдет для меня оптимальный 
 решение. 

Portuguese: 
 E é aí que grande parte do desafio de resolver esses problemas de pesquisa pode 
 às vezes, a pesquisa A * é um algoritmo conhecido, 
 e você pode escrever o código com bastante facilidade. 
 Mas é escolher a heurística que pode ser o desafio interessante. 
 Quanto melhor a heurística, melhor eu 
 ser capaz de resolver o problema e menos estados que terei que explorar. 
 E preciso garantir que a heurística satisfaça 
 essas restrições particulares. 
 Portanto, em suma, estes são alguns dos exemplos de algoritmos de pesquisa 
 isso pode funcionar. 
 E certamente há muito mais do que isso. 
 A *, por exemplo, tem uma tendência a usar bastante memória, 
 portanto, existem abordagens alternativas ao A * que, em última análise, usam menos memória do que 
 esta versão do A * é usada. 
 E existem outros algoritmos de pesquisa otimizados para outros casos 
 também. 
 Mas agora, até agora, apenas analisamos algoritmos de pesquisa 
 onde há um agente. 
 Estou tentando encontrar uma solução para um problema. 
 Estou tentando navegar por um labirinto. 
 Estou tentando resolver um quebra-cabeça 15. 

Arabic: 
 وهذا هو المكان الذي يمكن أن يواجه فيه الكثير من التحديات لحل مشكلات البحث هذه 
 يأتي أحيانًا ، ذلك البحث * هو خوارزمية معروفة ، 
 ويمكنك كتابة الرمز بسهولة إلى حد ما. 
 لكنه اختيار الارشادي الذي يمكن أن يكون التحدي المثير للاهتمام. 
 كلما كان الاستدلال أفضل ، كلما كنت أفضل 
 تكون قادرة على حل المشكلة ، وعدد أقل من الولايات التي يجب أن أستكشفها. 
 وأنا بحاجة للتأكد من أن ارشادي ارضاء 
 هذه القيود الخاصة. 
 بشكل عام ، هذه بعض أمثلة خوارزميات البحث 
 التي يمكن أن تعمل. 
 وبالتأكيد ، هناك أكثر من مجرد هذا. 
 A * ، على سبيل المثال ، لديه ميل لاستخدام قدر كبير من الذاكرة ، 
 لذا هناك طرق بديلة لـ A * تستخدم في النهاية ذاكرة أقل من 
 يحدث هذا الإصدار من A * للاستخدام. 
 وهناك خوارزميات بحث أخرى تم تحسينها للحالات الأخرى 
 كذلك. 
 لكن الآن ، حتى الآن ، كنا ننظر فقط إلى خوارزميات البحث 
 حيث يوجد وكيل واحد. 
 أحاول إيجاد حل لمشكلة. 
 أحاول التنقل في طريق متاهة. 
 أحاول حل لغز 15. 

Japanese: 
そして、これは、これらの検索問題を解決するという課題の多くが、 
 A *検索は既知のアルゴリズムであり、 
コードはかなり簡単に作成できます。 
しかし、興味深い課題になり得るヒューリスティックを選択しています。 
ヒューリスティックが良いほど、私はより良い
問題を解決できるようになり、調査が必要な状態が少なくなります。 
そして、私はヒューリスティックが満足することを確認する必要があります
これらの特定の制約。 
全体として、これらは検索アルゴリズムの例の一部です
それはうまくいくかもしれません
そしてもちろん、これ以外にもたくさんあります。 
たとえば、A *はかなりのメモリを使用する傾向があります。 
したがって、最終的にAより少ないメモリを使用するA *への代替アプローチがあります。 
このバージョンのA *がたまたま使用されています。 
そして、他のケースに最適化された他の検索アルゴリズムがあります
同様に。 
しかし、今のところ、これまでは検索アルゴリズムのみを見てきました
エージェントが1人いる場合。 
問題の解決策を見つけようとしています。 
私は迷路を通り抜けようとしています。 
 15パズルを解こうとしています。 

Chinese: 
這是解決這些搜索問題的許多挑戰所在
有時，A *搜索是一種已知的算法， 
這樣您就可以輕鬆編寫代碼。 
但是，選擇啟發式搜索可能是有趣的挑戰。 
啟發式的越好，我就會越好
能夠解決問題，我將需要探索的狀態更少。 
而且我需要確保啟發式滿足
這些特殊的約束。 
總而言之，這些是搜索算法的一些示例
那可能行得通。 
當然，不僅限於此。 
例如，A *確實有使用大量內存的趨勢， 
因此，對於A *，有一些替代方法最終使用的內存少於
此版本的A *恰好使用。 
還有其他針對其他情況優化的搜索算法
也一樣
但是到目前為止，我們僅研究搜索算法
那裡有一個特工。 
我正在嘗試找到問題的解決方案。 
我試圖穿越迷宮。 
我正在嘗試解決15個難題。 

Turkish: 
 Ve bu, bu arama sorunlarını çözmenin zorluğunun 
 bazen içeri girer, A * araması bilinen bir algoritmadır, 
 ve kodu oldukça kolay bir şekilde yazabilirsiniz. 
 Ama ilginç bir meydan okuma olabilecek sezgisel yöntemi seçiyor. 
 Buluşsal yöntem ne kadar iyi olursa, o kadar iyi olacağım 
 sorunu çözebilmeliyim ve araştırmam gereken daha az sayıda durum. 
 Ve buluşsal yöntemlerin tatmin olduğundan emin olmalıyım 
 bu özel kısıtlamalar. 
 Sonuç olarak, bunlar arama algoritmalarının bazı örnekleri 
 işe yarayabilir. 
 Ve şüphesiz, bundan daha fazlası da var. 
 A *, örneğin, biraz bellek kullanma eğilimindedir, 
 dolayısıyla A * 'ya nihayetinde daha az bellek kullanan alternatif yaklaşımlar vardır. 
 bu A * sürümü kullanılır. 
 Ve diğer durumlar için optimize edilmiş başka arama algoritmaları var 
 de. 
 Ama şimdi, şimdiye kadar yalnızca arama algoritmalarına baktık 
 burada bir ajan var. 
 Bir soruna çözüm bulmaya çalışıyorum. 
 Bir labirentte yolumu bulmaya çalışıyorum. 
 15 bulmacayı çözmeye çalışıyorum. 

Korean: 
 그리고이 검색 문제를 해결하기위한 많은 도전이 
 때로는 A * 검색이 알려진 알고리즘이라는 
 코드를 상당히 쉽게 작성할 수 있습니다. 
 그러나 흥미로운 도전이 될 수있는 휴리스틱을 선택하고 있습니다. 
 휴리스틱이 좋을수록 더 좋을 것입니다 
 문제를 해결할 수 있고 탐구해야 할 상태가 적습니다. 
 그리고 휴리스틱이 충족되는지 확인해야합니다 
 이러한 특정 제약. 
 이 모든 것이 검색 알고리즘의 예입니다. 
 그 작동 할 수 있습니다. 
 그리고 확실히 이것보다 더 많은 것이 있습니다. 
 예를 들어 A *는 꽤 많은 메모리를 사용하는 경향이 있습니다. 
 따라서 궁극적으로 메모리를 덜 사용하는 A *에 대한 대체 접근법이 있습니다. 
 이 버전의 A *가 사용됩니다. 
 다른 경우에 최적화 된 다른 검색 알고리즘이 있습니다. 
 게다가. 
 하지만 지금까지는 검색 알고리즘 만 살펴 봤습니다 
 요원이 하나 있습니다 
 문제에 대한 해결책을 찾으려고합니다. 
 미로를 통과하는 길을 탐색하려고합니다. 
 15 퍼즐을 풀려고합니다. 

Dutch: 
 En dit is waar veel van de uitdaging om deze zoekproblemen op te lossen kan zijn 
 soms binnenkomen, dat A * zoeken een bekend algoritme is, 
 en je zou de code vrij gemakkelijk kunnen schrijven. 
 Maar het kiezen van de heuristiek kan de interessante uitdaging zijn. 
 Hoe beter de heuristiek is, hoe beter ik zal zijn 
 het probleem kunnen oplossen, en de minder staten die ik zal moeten onderzoeken. 
 En ik moet ervoor zorgen dat de heuristiek voldoet 
 deze specifieke beperkingen. 
 Al met al zijn dit enkele voorbeelden van zoekalgoritmen 
 dat zou kunnen werken. 
 En er zijn zeker veel meer dan alleen dit. 
 A * heeft bijvoorbeeld de neiging nogal wat geheugen te gebruiken, 
 er zijn dus alternatieve benaderingen van A * die uiteindelijk minder geheugen gebruiken dan 
 deze versie van A * wordt gebruikt. 
 En er zijn andere zoekalgoritmen die zijn geoptimaliseerd voor andere gevallen 
 ook. 
 Maar tot nu toe hebben we alleen gekeken naar zoekalgoritmen 
 waar er één agent is. 
 Ik probeer een oplossing voor een probleem te vinden. 
 Ik probeer me een weg te banen door een doolhof. 
 Ik probeer een puzzel van 15 op te lossen. 

Hindi: 
 और यह वह जगह है जहाँ इन खोज समस्याओं को हल करने की बहुत अधिक चुनौती है 
 कभी-कभी अंदर आते हैं, कि ए * खोज एक एल्गोरिथ्म है जो ज्ञात है, 
 और आप कोड को आसानी से लिख सकते हैं। 
 लेकिन यह उस निर्णायक को चुन रहा है जो दिलचस्प चुनौती हो सकती है। 
 जितना अच्छा हेयुरिस्टिक होगा, उतना ही अच्छा होगा 
 समस्या को हल करने में सक्षम हो, और कम राज्यों कि मुझे पता लगाना होगा। 
 और मुझे यह सुनिश्चित करने की आवश्यकता है कि हेयुरिस्ट संतुष्ट करता है 
 इन विशेष बाधाओं। 
 तो सब के सब, ये खोज एल्गोरिदम के कुछ उदाहरण हैं 
 वह काम कर सकता है। 
 और निश्चित रूप से, इस से अधिक कई हैं। 
 A *, उदाहरण के लिए, बहुत अधिक स्मृति का उपयोग करने की प्रवृत्ति होती है, 
 इसलिए ए * के लिए वैकल्पिक दृष्टिकोण हैं जो अंततः की तुलना में कम मेमोरी का उपयोग करते हैं 
 A * के इस संस्करण का उपयोग करने के लिए होता है। 
 और अन्य खोज एल्गोरिदम हैं जो अन्य मामलों के लिए अनुकूलित हैं 
 भी। 
 लेकिन अब तक, हम केवल खोज एल्गोरिदम को देख रहे हैं 
 जहां एक एजेंट है। 
 मैं एक समस्या का समाधान खोजने की कोशिश कर रहा हूं। 
 मैं एक भूलभुलैया के माध्यम से अपना रास्ता नेविगेट करने की कोशिश कर रहा हूं। 
 मैं एक 15 पहेली को हल करने की कोशिश कर रहा हूं। 

Modern Greek (1453-): 
 Και εδώ μπορεί να αντιμετωπίσει το μεγαλύτερο μέρος της πρόκλησης επίλυσης αυτών των προβλημάτων αναζήτησης 
 μερικές φορές έρχονται, ότι η αναζήτηση A * είναι ένας αλγόριθμος που είναι γνωστός, 
 και θα μπορούσατε να γράψετε τον κώδικα αρκετά εύκολα. 
 Αλλά επιλέγει την ευρετική που μπορεί να είναι η ενδιαφέρουσα πρόκληση. 
 Όσο καλύτερο είναι το ευρετικό, τόσο καλύτερο θα το κάνω 
 να μπορέσω να λύσω το πρόβλημα και οι λιγότερες δηλώσεις που θα πρέπει να εξερευνήσω. 
 Και πρέπει να σιγουρευτώ ότι η ευρετική ικανοποιεί 
 αυτοί οι συγκεκριμένοι περιορισμοί. 
 Συνολικά, αυτά είναι μερικά από τα παραδείγματα αλγορίθμων αναζήτησης 
 αυτό μπορεί να λειτουργήσει. 
 Και σίγουρα, υπάρχουν πολλά περισσότερα από αυτό. 
 Το A *, για παράδειγμα, έχει την τάση να χρησιμοποιεί αρκετή μνήμη, 
 οπότε υπάρχουν εναλλακτικές προσεγγίσεις για το A * που τελικά χρησιμοποιούν λιγότερη μνήμη από 
 αυτή η έκδοση του A * συμβαίνει να χρησιμοποιείται. 
 Και υπάρχουν άλλοι αλγόριθμοι αναζήτησης που έχουν βελτιστοποιηθεί για άλλες περιπτώσεις 
 επισης. 
 Αλλά τώρα, μέχρι τώρα, εξετάζουμε μόνο αλγόριθμους αναζήτησης 
 όπου υπάρχει ένας πράκτορας. 
 Προσπαθώ να βρω μια λύση σε ένα πρόβλημα. 
 Προσπαθώ να περιηγηθώ στο λαβύρινθο. 
 Προσπαθώ να λύσω ένα 15 παζλ. 

Chinese: 
这是解决这些搜索问题的许多挑战所在
有时，A *搜索是一种已知的算法， 
这样您就可以轻松编写代码。 
但是，选择启发式搜索可能是有趣的挑战。 
启发式的越好，我就会越好
能够解决问题，我将需要探索的状态更少。 
而且我需要确保启发式满足
这些特殊的约束。 
总而言之，这些是搜索算法的一些示例
那可能行得通。 
当然，不仅限于此。 
例如，A *确实有使用大量内存的趋势， 
因此，对于A *，有一些替代方法最终使用的内存少于
此版本的A *恰好使用。 
还有其他针对其他情况进行了优化的搜索算法
也一样
但是到目前为止，我们仅研究搜索算法
那里有一个特工。 
我正在尝试找到问题的解决方案。 
我正试图穿越迷宫。 
我正在尝试解决15个难题。 

Spanish: 
 Y aquí es donde gran parte del desafío de resolver estos problemas de búsqueda puede 
 a veces entra, que la búsqueda A * es un algoritmo que se conoce, 
 y podrías escribir el código con bastante facilidad. 
 Pero elegir la heurística puede ser un desafío interesante. 
 Cuanto mejor sea la heurística, mejor voy a 
 poder resolver el problema, y ​​cuantos menos estados tendré que explorar. 
 Y necesito asegurarme de que la heurística satisfaga 
 Estas limitaciones particulares. 
 En resumen, estos son algunos de los ejemplos de algoritmos de búsqueda. 
 aquello podría funcionar. 
 Y ciertamente, hay muchos más que solo esto. 
 A *, por ejemplo, tiene tendencia a usar bastante memoria, 
 así que hay enfoques alternativos para A * que finalmente usan menos memoria que 
 esta versión de A * pasa a usar. 
 Y hay otros algoritmos de búsqueda que están optimizados para otros casos. 
 también. 
 Pero ahora, hasta ahora, solo hemos estado buscando algoritmos de búsqueda 
 donde hay un agente 
 Estoy tratando de encontrar una solución a un problema. 
 Estoy tratando de navegar a través de un laberinto. 
 Estoy tratando de resolver un rompecabezas de 15. 

English: 
And this is where much of the challenge of solving these search problems can
sometimes come in, that A* search is an algorithm that is known,
and you could write the code fairly easily.
But it's choosing the heuristic that can be the interesting challenge.
The better the heuristic is, the better I'll
be able to solve the problem, and the fewer states that I'll have to explore.
And I need to make sure that the heuristic satisfies
these particular constraints.
So all in all, these are some of the examples of search algorithms
that might work.
And certainly, there are many more than just this.
A*, for example, does have a tendency to use quite a bit of memory,
so there are alternative approaches to A* that ultimately use less memory than
this version of A* happens to use.
And there are other search algorithms that are optimized for other cases
as well.
But now, so far, we've only been looking at search algorithms
where there's one agent.
I am trying to find a solution to a problem.
I am trying to navigate my way through a maze.
I am trying to solve a 15 puzzle.

German: 
 Und hier kann ein Großteil der Herausforderung bei der Lösung dieser Suchprobleme bestehen 
 manchmal kommt herein, dass A * Suche ein Algorithmus ist, der bekannt ist, 
 und Sie könnten den Code ziemlich leicht schreiben. 
 Aber es ist die Wahl der Heuristik, die die interessante Herausforderung sein kann. 
 Je besser die Heuristik ist, desto besser werde ich 
 in der Lage sein, das Problem zu lösen, und je weniger Zustände ich untersuchen muss. 
 Und ich muss sicherstellen, dass die Heuristik zufriedenstellend ist 
 diese besonderen Einschränkungen. 
 Alles in allem sind dies einige Beispiele für Suchalgorithmen 
 das könnte funktionieren. 
 Und natürlich gibt es noch viel mehr. 
 Ein * hat zum Beispiel die Tendenz, ziemlich viel Speicher zu verbrauchen. 
 Es gibt also alternative Ansätze für A *, die letztendlich weniger Speicher benötigen als 
 Diese Version von A * wird zufällig verwendet. 
 Und es gibt andere Suchalgorithmen, die für andere Fälle optimiert sind 
 auch. 
 Bisher haben wir uns jedoch nur mit Suchalgorithmen befasst 
 wo es einen Agenten gibt. 
 Ich versuche eine Lösung für ein Problem zu finden. 
 Ich versuche mich durch ein Labyrinth zu bewegen. 
 Ich versuche ein 15 Rätsel zu lösen. 

Indonesian: 
 Dan di sinilah banyak tantangan untuk menyelesaikan masalah pencarian ini 
 kadang-kadang masuk, bahwa pencarian A * adalah algoritma yang diketahui, 
 dan Anda dapat menulis kode dengan cukup mudah. 
 Tapi memilih heuristik yang bisa menjadi tantangan yang menarik. 
 Semakin baik heuristik, semakin baik saya 
 dapat menyelesaikan masalah, dan semakin sedikit status yang harus saya jelajahi. 
 Dan saya perlu memastikan bahwa heuristik memuaskan 
 kendala khusus ini. 
 Jadi semuanya, ini adalah beberapa contoh algoritma pencarian 
 itu mungkin berhasil. 
 Dan tentu saja, ada lebih dari ini. 
 A *, misalnya, memang memiliki kecenderungan untuk menggunakan sedikit memori, 
 jadi ada pendekatan alternatif untuk A * yang akhirnya menggunakan lebih sedikit memori daripada 
 versi A * ini kebetulan digunakan. 
 Dan ada algoritma pencarian lain yang dioptimalkan untuk kasus lain 
 demikian juga. 
 Tapi sekarang, sejauh ini, kami hanya melihat algoritma pencarian 
 dimana ada satu agen. 
 Saya mencoba mencari solusi untuk suatu masalah. 
 Saya mencoba menavigasi jalan saya melalui labirin. 
 Saya mencoba memecahkan 15 teka-teki. 

French: 
 Et c'est là qu'une grande partie du défi de résoudre ces problèmes de recherche peut 
 viennent parfois, que la recherche A * est un algorithme qui est connu, 
 et vous pourriez écrire le code assez facilement. 
 Mais c'est le choix de l'heuristique qui peut être le défi intéressant. 
 Mieux l'heuristique est, mieux je vais 
 être en mesure de résoudre le problème, et le moins d'états que je devrai explorer. 
 Et je dois m'assurer que l'heuristique satisfait 
 ces contraintes particulières. 
 Donc, dans l'ensemble, ce sont quelques-uns des exemples d'algorithmes de recherche 
 cela pourrait fonctionner. 
 Et certainement, il y en a beaucoup plus que cela. 
 Un *, par exemple, a tendance à utiliser pas mal de mémoire, 
 il existe donc des approches alternatives à A * qui utilisent finalement moins de mémoire que 
 cette version d'A * se trouve être utilisée. 
 Et il existe d'autres algorithmes de recherche qui sont optimisés pour d'autres cas 
 ainsi que. 
 Mais maintenant, jusqu'à présent, nous n'avons étudié que les algorithmes de recherche 
 où il y a un agent. 
 J'essaie de trouver une solution à un problème. 
 J'essaie de naviguer dans un labyrinthe. 
 J'essaie de résoudre un puzzle de 15. 

Italian: 
 E qui è dove gran parte della sfida di risolvere questi problemi di ricerca può 
 a volte entra, che A * search è un algoritmo noto, 
 e potresti scrivere il codice abbastanza facilmente. 
 Ma è scegliere l'euristica che può essere la sfida interessante. 
 Migliore è l'euristica, migliore sarà 
 essere in grado di risolvere il problema, e il minor numero di stati che dovrò esplorare. 
 E devo assicurarmi che l'euristica soddisfi 
 questi particolari vincoli. 
 Quindi, nel complesso, questi sono alcuni degli esempi di algoritmi di ricerca 
 potrebbe funzionare. 
 E certamente, ci sono molti altri oltre a questo. 
 Un *, ad esempio, ha la tendenza a usare un bel po 'di memoria, 
 quindi ci sono approcci alternativi ad A * che alla fine usano meno memoria di 
 questa versione di A * sembra usare. 
 E ci sono altri algoritmi di ricerca che sono ottimizzati per altri casi 
 anche. 
 Ma ora, finora, abbiamo solo esaminato gli algoritmi di ricerca 
 dove c'è un agente. 
 Sto cercando di trovare una soluzione a un problema. 
 Sto cercando di orientarmi attraverso un labirinto. 
 Sto cercando di risolvere un puzzle di 15. 

Russian: 
 И именно здесь многие задачи решения этих поисковых задач могут 
 иногда приходят, что поиск A * это алгоритм, который известен, 
 и вы могли бы написать код довольно легко. 
 Но выбор эвристики может быть интересной задачей. 
 Чем лучше эвристика, тем лучше я буду 
 быть в состоянии решить проблему, и меньше состояний, которые мне придется исследовать. 
 И мне нужно убедиться, что эвристика удовлетворяет 
 эти конкретные ограничения. 
 В общем, вот некоторые из примеров алгоритмов поиска 
 это может сработать. 
 И, конечно, есть гораздо больше, чем просто это. 
 A *, например, имеет тенденцию использовать довольно много памяти, 
 поэтому есть альтернативные подходы к A *, которые в конечном итоге используют меньше памяти, чем 
 эта версия A * случается использовать. 
 И есть другие алгоритмы поиска, которые оптимизированы для других случаев 
 также. 
 Но сейчас, пока, мы рассматриваем только алгоритмы поиска. 
 где есть один агент. 
 Я пытаюсь найти решение проблемы. 
 Я пытаюсь пройти свой путь через лабиринт. 
 Я пытаюсь решить 15 загадок. 

German: 
 Ich versuche, Wegbeschreibungen von Punkt A nach Punkt B zu finden. 
 Manchmal werden wir es jedoch in Suchsituationen tun 
 betrete eine kontroverse Situation, in der ich bin 
 ein Agent, der versucht, intelligente Entscheidungen zu treffen, 
 und da ist noch jemand, der sozusagen gegen mich kämpft, 
 das hat ein entgegengesetztes Ziel, jemanden, bei dem ich versuche erfolgreich zu sein, 
 jemand anderes, der will, dass ich versage. 
 Und dies ist am beliebtesten in so etwas wie einem Spiel, einem Spiel wie Tic-Tac-Toe, 
 Wo haben wir dieses 3-mal-3-Raster und X und O. 
 Schreiben Sie abwechselnd entweder ein X oder ein O in eines dieser Quadrate. 
 Und das Ziel ist es, drei X hintereinander zu bekommen, wenn Sie der X-Spieler sind. 
 oder drei O's hintereinander, wenn Sie der O-Spieler sind. 
 Und Computer sind ziemlich gut darin geworden, Spiele zu spielen, Tic-Tac-Toe sehr leicht, 
 aber noch komplexere Spiele. 
 Und so könnte man sich vorstellen, wie eine intelligente Entscheidung in einem Spiel aussieht 
 mögen? 
 Vielleicht macht X einen ersten Zug in der Mitte und O spielt hier oben. 
 Was wird nun ein intelligenter Zug für X? 
 Wohin solltest du ziehen, wenn du X wärst? 
 Und es stellt sich heraus, dass es mehrere Möglichkeiten gibt. 

English: 
I am trying to find driving directions from point A to point B.
Sometimes in search situations, though, we'll
enter an adversarial situation where I am
an agent trying to make intelligent decisions,
and there is someone else who is fighting against me, so to speak,
that has an opposite objective, someone where I am trying to succeed,
someone else that wants me to fail.
And this is most popular in something like a game, a game like tic-tac-toe,
where we've got this 3-by-3 grid, and X and O
take turns either writing an X or an O in any one of these squares.
And the goal is to get three X's in a row, if you're the X player,
or three O's in a row, if you're the O player.
And computers have gotten quite good at playing games, tic-tac-toe very easily,
but even more complex games.
And so you might imagine, what does an intelligent decision in a game look
like?
So maybe X makes an initial move in the middle, and O plays up here.
What does an intelligent move for X now become?
Where should you move if you were X?
And it turns out there are a couple of possibilities.

Korean: 
 A 지점에서 B 지점까지 운전 경로를 찾으려고합니다. 
 때로는 검색 상황에서 우리는 
 내가있는 적대적 상황에 들어가다 
 현명한 결정을 내리려고하는 요원 
 저와 싸우고있는 누군가가 있습니다. 
 그 반대 목표, 내가 성공하려고하는 사람, 
 내가 실패하기를 원하는 다른 사람. 
 그리고 이것은 게임, 틱택 토 같은 게임에서 가장 인기가 있습니다. 
 이 3x3 그리드와 X와 O가 있습니다. 
 이 사각형 중 하나에 X 또는 O를 쓰십시오. 
 그리고 목표는 X 플레이어라면 3 개의 X를 연속으로 얻는 것입니다. 
 O 플레이어라면 3 개의 O가 연속으로 나옵니다. 
 컴퓨터는 틱택 토를 매우 쉽게 익히고 
 그러나 더 복잡한 게임. 
 그래서 당신은 상상할 수 있습니다, 게임에서 지능적인 결정은 어떻게 보이는가 
 처럼? 
 아마도 X는 중간에 초기 이동을하고 O는 여기에서 재생됩니다. 
 X의 지능적인 움직임은 이제 어떻게됩니까? 
 X라면 어디로 이사해야합니까? 
 그리고 몇 가지 가능성이 있음이 밝혀졌습니다. 

Hindi: 
 मैं बिंदु A से बिंदु B तक ड्राइविंग निर्देश खोजने की कोशिश कर रहा हूं। 
 कभी-कभी खोज स्थितियों में, हालांकि, हम करेंगे 
 एक प्रतिकूल स्थिति में प्रवेश करें जहां मैं हूं 
 एक एजेंट बुद्धिमान निर्णय लेने की कोशिश कर रहा है, 
 और कोई और है जो मेरे खिलाफ लड़ रहा है, इसलिए बोलने के लिए, 
 इसका विपरीत उद्देश्य है, कोई ऐसा व्यक्ति जहां मैं सफल होने की कोशिश कर रहा हूं, 
 कोई और जो मुझे असफल करना चाहता है। 
 और यह एक गेम, टिक-टैक-टो जैसे गेम की तरह सबसे लोकप्रिय है, 
 जहां हमें यह 3-बाय -3 ग्रिड और एक्स और ओ मिला है 
 इन चौकों में से किसी एक में X या O लिखना या लेना। 
 और लक्ष्य एक पंक्ति में तीन X प्राप्त करना है, यदि आप X खिलाड़ी हैं, 
 या तीन O की पंक्ति में, यदि आप O खिलाड़ी हैं। 
 और कंप्यूटर गेम खेलने में काफी अच्छे हैं, टिक-टैक-टो बहुत आसानी से, 
 लेकिन और भी जटिल खेल। 
 और इसलिए आप कल्पना कर सकते हैं कि एक खेल में एक बुद्धिमान निर्णय क्या दिखता है 
 पसंद? 
 तो शायद X बीच में एक प्रारंभिक चाल बनाता है, और O यहाँ खेलता है। 
 X के लिए एक बुद्धिमान चाल अब क्या हो गई है? 
 यदि आप X थे, तो आपको कहां चलना चाहिए? 
 और यह पता चला है कि कुछ संभावनाएं हैं। 

Portuguese: 
 Estou tentando encontrar instruções de direção do ponto A ao ponto B. 
 Às vezes, em situações de pesquisa, porém, 
 entrar em uma situação contraditória onde estou 
 um agente tentando tomar decisões inteligentes, 
 e há alguém que está lutando contra mim, por assim dizer, 
 que tem um objetivo oposto, alguém em que estou tentando ter sucesso, 
 alguém que quer que eu falhe. 
 E isso é mais popular em algo como um jogo, um jogo como jogo da velha, 
 onde temos essa grade 3 por 3, e X e O 
 revezam-se escrevendo um X ou O em qualquer um desses quadrados. 
 E o objetivo é obter três X consecutivos, se você é o jogador X, 
 ou três O's seguidos, se você é o jogador O. 
 E os computadores se tornaram muito bons em jogar jogos, tic-tac-toe com muita facilidade, 
 mas jogos ainda mais complexos. 
 E então você pode imaginar, o que parece uma decisão inteligente em um jogo 
 gostar? 
 Então talvez X faça um movimento inicial no meio e O jogue aqui. 
 O que um movimento inteligente para o X se torna agora? 
 Para onde você deveria se mudar se fosse X? 
 E acontece que existem algumas possibilidades. 

Turkish: 
 A noktasından B noktasına giden yol tariflerini bulmaya çalışıyorum. 
 Bazen arama durumlarında, 
 olduğum yerde düşmanca bir duruma girmek 
 akıllı kararlar vermeye çalışan bir ajan, 
 ve bana karşı savaşan başka biri var, tabiri caizse, 
 bunun tersi bir amacı var, başarılı olmaya çalıştığım biri, 
 başarısız olmamı isteyen başka biri. 
 Ve bu en çok oyun gibi bir şeyde, tic-tac-toe gibi bir oyunda, 
 bu 3'e 3 ızgaramız var ve X ve O 
 bu karelerden herhangi birinde sırayla X veya O yazıyor. 
 Ve amaç üst üste üç X elde etmek, eğer X oyuncusuysanız, 
 O oyuncuysanız üst üste üç O. 
 Ve bilgisayarlar oyun oynamakta oldukça iyiydi, tic-tac-toe çok kolay, 
 ama daha karmaşık oyunlar. 
 Ve böylece bir oyunda akıllıca bir karar ne görünüyor 
 sevmek? 
 Belki X ortada ilk hamleyi yapar ve O burada oynar. 
 X için akıllı bir hareket şimdi ne oluyor? 
 X olsaydınız nereye taşınmalısınız? 
 Ve ortaya çıkan birkaç olasılık var. 

Italian: 
 Sto cercando di trovare le indicazioni stradali dal punto A al punto B. 
 A volte nelle situazioni di ricerca, però, lo faremo 
 entrare in una situazione contraddittoria dove sono io 
 un agente che cerca di prendere decisioni intelligenti, 
 e c'è qualcun altro che sta combattendo contro di me, per così dire, 
 che ha un obiettivo opposto, qualcuno in cui sto cercando di avere successo, 
 qualcun altro che vuole che fallisca. 
 E questo è molto popolare in qualcosa come un gioco, un gioco come tic-tac-toe, 
 dove abbiamo questa griglia 3 per 3 e X e O 
 a turno scrivendo una X o una O in uno di questi quadrati. 
 E l'obiettivo è ottenere tre X di fila, se sei il giocatore X, 
 o tre O di fila, se sei il giocatore O. 
 E i computer sono diventati abbastanza bravi a giocare, tic-tac-toe molto facilmente, 
 ma giochi ancora più complessi. 
 E così potresti immaginare, che aspetto ha una decisione intelligente in un gioco 
 piace? 
 Quindi forse X fa una mossa iniziale nel mezzo e O gioca qui. 
 Cosa diventa ora una mossa intelligente per X? 
 Dove dovresti muoverti se fossi X? 
 E si scopre che ci sono un paio di possibilità. 

Chinese: 
我正在尝试查找从A点到B点的行车路线。 
不过，有时在搜索情况下，我们会
进入我所处的对抗状态
试图做出明智决定的代理商， 
可以说还有其他人在与我作战
目标相反，我试图成功的人， 
有人要我失败。 
这在诸如游戏，井字游戏等游戏中最为流行， 
我们有这个3 x 3网格，还有X和O 
轮流在任何一个正方形中写一个X或一个O。 
目标是连续获得三个X，如果您是X播放器， 
或连续三个O（如果您是O玩家）。 
而且计算机已经非常擅长玩游戏，井字游戏， 
但更复杂的游戏。 
因此，您可能会想到，游戏中的明智决定是什么？ 
喜欢？ 
因此，也许X在中间进行了初始移动，而O在这里开始了。 
 X的明智之举现在变成什么？ 
如果您是X，应该移到哪里？ 
事实证明，有两种可能性。 

French: 
 J'essaie de trouver un itinéraire du point A au point B. 
 Parfois, dans les situations de recherche, cependant, nous 
 entrer dans une situation contradictoire où je suis 
 un agent essayant de prendre des décisions intelligentes, 
 et il y a quelqu'un d'autre qui se bat contre moi, pour ainsi dire, 
 qui a un objectif opposé, quelqu'un où j'essaie de réussir, 
 quelqu'un d'autre qui veut que j'échoue. 
 Et c'est le plus populaire dans quelque chose comme un jeu, un jeu comme tic-tac-toe, 
 où nous avons cette grille 3 par 3, et X et O 
 à tour de rôle, écrivez un X ou un O dans l'un de ces carrés. 
 Et l'objectif est d'obtenir trois X d'affilée, si vous êtes le joueur X, 
 ou trois O d'affilée, si vous êtes le joueur O. 
 Et les ordinateurs sont devenus assez bons pour jouer à des jeux, tic-tac-toe très facilement, 
 mais des jeux encore plus complexes. 
 Et donc vous pourriez imaginer, à quoi ressemble une décision intelligente dans un jeu 
 comme? 
 Alors peut-être que X fait un premier pas au milieu, et O joue ici. 
 Que devient un mouvement intelligent pour X maintenant? 
 Où devriez-vous vous déplacer si vous étiez X? 
 Et il s'avère qu'il y a quelques possibilités. 

Indonesian: 
 Saya mencoba menemukan arah mengemudi dari titik A ke titik B. 
 Namun, terkadang dalam situasi pencarian, kami akan melakukannya 
 memasuki situasi permusuhan di mana saya berada 
 agen yang mencoba membuat keputusan cerdas, 
 dan ada orang lain yang berperang melawan saya, jadi, 
 yang memiliki tujuan yang berlawanan, seseorang di mana saya berusaha untuk berhasil, 
 orang lain yang ingin saya gagal. 
 Dan ini paling populer di sesuatu seperti gim, gim seperti tic-tac-toe, 
 di mana kita punya kotak 3-oleh-3 ini, dan X dan O 
 bergiliran menulis X atau O di salah satu dari kotak ini. 
 Dan tujuannya adalah untuk mendapatkan tiga X berturut-turut, jika Anda adalah pemain X, 
 atau tiga O berturut-turut, jika Anda pemain O. 
 Dan komputer sudah cukup bagus dalam bermain game, tic-tac-toe sangat mudah, 
 tetapi game yang lebih kompleks. 
 Dan mungkin Anda bayangkan, apa yang terlihat dalam keputusan cerdas dalam permainan 
 Suka? 
 Jadi mungkin X membuat langkah awal di tengah, dan O bermain di sini. 
 Apa yang menjadi gerakan cerdas untuk X sekarang? 
 Di mana Anda harus pindah jika Anda X? 
 Dan ternyata ada beberapa kemungkinan. 

Japanese: 
ポイントAからポイントBへの運転ルートを検索しようとしています。 
ただし、検索の状況では、 
私がいる敵対的な状況に入る
インテリジェントな意思決定を試みるエージェント、 
そして、私と戦う、いわば誰かがいます、 
それは反対の目的、私が成功しようとしている誰か、 
私が失敗することを望んでいる他の誰か。 
そして、これはゲームのようなもの、三目並べのようなゲームで最も人気があります。 
この3行3列のグリッドとXおよびO 
これらの四角形のいずれかにXまたはOを順番に書き込みます。 
目標はXを3つ続けて取得することです。 
または、Oプレーヤーの場合は、3つのOが連続します。 
そして、コンピュータは非常に簡単にゲーム、三目並べをするのが上手になってきました。 
しかし、さらに複雑なゲーム。 
そして、あなたが想像するかもしれませんが、ゲームのインテリジェントな決定はどのように見えますか
お気に入り？ 
つまり、Xが真ん中に最初の動きをし、Oがここでプレーします。 
 Xのインテリジェントな動きは、現在どのようになりますか？ 
 Xの場合、どこに移動すればよいですか。 
そして、いくつかの可能性があることがわかりました。 

Spanish: 
 Estoy tratando de encontrar indicaciones para llegar desde el punto A al punto B. 
 Sin embargo, a veces en situaciones de búsqueda, 
 entrar en una situación de confrontación donde estoy 
 un agente que intenta tomar decisiones inteligentes, 
 y hay alguien más que lucha contra mí, por así decirlo, 
 que tiene un objetivo opuesto, alguien donde estoy tratando de tener éxito, 
 Alguien más que quiere que falle. 
 Y esto es más popular en algo como un juego, un juego como tic-tac-toe, 
 donde tenemos esta cuadrícula de 3 por 3, y X y O 
 turnarse para escribir una X o una O en cualquiera de estos cuadrados. 
 Y el objetivo es obtener tres X seguidas, si eres el jugador X, 
 o tres O seguidas, si eres el jugador O. 
 Y las computadoras se han vuelto bastante buenas jugando juegos, tic-tac-toe muy fácilmente, 
 pero juegos aún más complejos. 
 Y así que te puedes imaginar, ¿qué aspecto tiene una decisión inteligente en un juego 
 ¿me gusta? 
 Entonces, tal vez X hace un movimiento inicial en el medio y O juega aquí. 
 ¿En qué se convierte ahora un movimiento inteligente para X? 
 ¿Dónde te moverías si fueras X? 
 Y resulta que hay un par de posibilidades. 

Russian: 
 Я пытаюсь найти направление движения из пункта А в пункт Б. 
 Иногда в поисковых ситуациях, тем не менее, мы будем 
 войти в состязательную ситуацию, где я нахожусь 
 агент, пытающийся принимать разумные решения, 
 и есть кто-то еще, кто борется против меня, так сказать, 
 это имеет противоположную цель, кто-то, где я пытаюсь добиться успеха, 
 кто-то еще, кто хочет, чтобы я потерпел неудачу. 
 И это наиболее популярно в чем-то вроде игры, такой игры, как крестики-нолики, 
 где у нас есть эта сетка 3 на 3, а X и O 
 по очереди либо писать X или O в любом из этих квадратов. 
 И цель состоит в том, чтобы получить три Х подряд, если вы Х игрок, 
 или три О подряд, если вы О игрок. 
 И компьютеры стали довольно хорошими в играх, крестики-нолики очень легко, 
 но еще более сложные игры. 
 Итак, вы можете представить, как выглядит интеллектуальное решение в игре 
 подобно? 
 Так что, возможно, Х делает начальный ход в середине, и О играет здесь. 
 Чем теперь стал разумный ход для Х? 
 Куда вы должны двигаться, если вы были X? 
 И оказывается, что есть несколько возможностей. 

Arabic: 
 أحاول العثور على اتجاهات القيادة من النقطة A إلى النقطة B. 
 في بعض الأحيان ، في حالات البحث ، سنقوم بذلك 
 أدخل موقف الخصومة حيث أنا 
 وكيل يحاول اتخاذ قرارات ذكية ، 
 وهناك شخص آخر يقاتل ضدي ، إذا جاز التعبير ، 
 له هدف معاكس ، شخص أحاول أن أنجح فيه ، 
 شخص آخر يريدني أن أفشل. 
 وهذا هو الأكثر شعبية في لعبة مثل لعبة ، لعبة مثل تيك تاك تو ، 
 حيث لدينا هذه الشبكة 3 × 3 و X و O 
 يتناوبون إما كتابة X أو O في أي من هذه المربعات. 
 والهدف هو الحصول على ثلاث علامات X متتالية ، إذا كنت لاعب X ، 
 أو ثلاثة O على التوالي ، إذا كنت لاعب O. 
 وقد أصبحت أجهزة الكمبيوتر جيدة جدًا في لعب الألعاب ، تيك تاك تو بسهولة بالغة ، 
 ولكن ألعاب أكثر تعقيدًا. 
 وهكذا قد تتخيل ، ما الذي يفعله القرار الذكي في نظرة اللعبة 
 مثل؟ 
 لذا ربما يقوم X بحركة أولية في الوسط ، ويلعب O هنا. 
 ماذا تصبح الخطوة الذكية لـ X الآن؟ 
 أين يجب أن تتحرك إذا كنت X؟ 
 وتبين أن هناك عدة احتمالات. 

Dutch: 
 Ik probeer een routebeschrijving van punt A naar punt B te vinden. 
 Soms zullen we in zoeksituaties echter 
 kom in een contradictoire situatie waarin ik ben 
 een agent die intelligente beslissingen probeert te nemen, 
 en er is iemand anders die als het ware tegen mij vecht, 
 dat heeft een tegenovergestelde doelstelling, iemand waar ik probeer te slagen, 
 iemand anders die wil dat ik faal. 
 En dit is het populairst in zoiets als een spel, een spel als tic-tac-toe, 
 waar we dit 3-bij-3 raster hebben, en X en O 
 schrijf om de beurt een X of een O in een van deze vierkanten. 
 En het doel is om drie X's op rij te krijgen, als jij de X-speler bent, 
 of drie O's op rij, als je de O-speler bent. 
 En computers zijn redelijk goed geworden in het spelen van games, tic-tac-toe heel gemakkelijk, 
 maar nog complexere spellen. 
 En dus zou je je kunnen voorstellen, wat ziet een intelligente beslissing in een game eruit 
 Leuk vinden? 
 Dus misschien maakt X een eerste zet in het midden en speelt O hier. 
 Wat wordt nu een intelligente zet voor X? 
 Waar moet je heen als je X was? 
 En het blijkt dat er een aantal mogelijkheden zijn. 

Modern Greek (1453-): 
 Προσπαθώ να βρω οδηγίες οδήγησης από το σημείο Α έως το σημείο Β. 
 Μερικές φορές όμως σε καταστάσεις αναζήτησης, εμείς 
 μπείτε σε μια εχθρική κατάσταση όπου είμαι 
 ένας πράκτορας που προσπαθεί να λάβει έξυπνες αποφάσεις, 
 και υπάρχει κάποιος άλλος που μάχεται εναντίον μου, για να το πω, 
 που έχει έναν αντίθετο στόχο, κάποιον όπου προσπαθώ να πετύχω, 
 κάποιος άλλος που θέλει να αποτύχω. 
 Και αυτό είναι πιο δημοφιλές σε κάτι σαν ένα παιχνίδι, ένα παιχνίδι όπως το tic-tac-toe, 
 όπου έχουμε αυτό το πλέγμα 3 προς 3 και X και O 
 διαδοχικά γράφοντας X ή O σε οποιοδήποτε από αυτά τα τετράγωνα. 
 Και ο στόχος είναι να έχετε τρία X στη σειρά, εάν είστε ο X player, 
 ή τρία O στη σειρά, εάν είστε ο O παίκτης. 
 Και οι υπολογιστές έχουν γίνει αρκετά καλοί στο να παίζουν παιχνίδια, tic-tac-toe πολύ εύκολα, 
 αλλά ακόμα πιο περίπλοκα παιχνίδια. 
 Και έτσι μπορείτε να φανταστείτε, τι φαίνεται μια έξυπνη απόφαση σε ένα παιχνίδι 
 σαν? 
 Οπότε ίσως ο Χ κάνει μια αρχική κίνηση στη μέση και ο Ο παίζει εδώ. 
 Τι γίνεται τώρα μια έξυπνη κίνηση για το Χ; 
 Πού πρέπει να μετακινηθείτε εάν ήσασταν Χ; 
 Και αποδεικνύεται ότι υπάρχουν μερικές πιθανότητες. 

Chinese: 
我正在嘗試查找從A點到B點的行車路線。 
不過，有時在搜索情況下，我們會
進入我所處的對抗狀態
試圖做出明智決定的代理商， 
可以說還有其他人在與我作戰
目標相反，我試圖成功的人， 
有人要我失敗。 
這在諸如游戲，井字遊戲等遊戲中最為流行， 
我們有這個3 x 3網格，還有X和O 
輪流在任何一個正方形中寫一個X或一個O。 
目標是連續獲得三個X，如果您是X播放器， 
或連續三個O（如果您是O玩家）。 
而且計算機已經非常擅長玩遊戲，井字遊戲， 
但更複雜的遊戲。 
因此，您可能會想到，遊戲中的明智決定是什麼？ 
喜歡？ 
因此，也許X在中間進行了初始移動，而O在這裡開始了。 
 X的明智之舉現在變成什麼？ 
如果您是X，應該移到哪裡？ 
事實證明，有兩種可能性。 

Italian: 
 Ma se un'intelligenza artificiale sta giocando questo gioco in modo ottimale, 
 allora l'IA potrebbe giocare da qualche parte come in alto a destra, dove 
 in questa situazione, O ha l'obiettivo opposto di X. 
 X sta provando a vincere la partita, per ottenere tre di fila in diagonale qui, 
 e O sta cercando di fermare quell'obiettivo, opposto all'obiettivo. 
 E così O sta per posizionarsi qui, per cercare di bloccare. 
 Ma ora, X ha una mossa abbastanza intelligente. 
 X può fare una mossa, in questo modo dove ora X ha due possibili modi in cui X 
 può vincere la partita. 
 X potrebbe vincere la partita ottenendo tre di fila qui, 
 oppure X potrebbe vincere la partita ottenendo tre di fila in verticale in questo modo. 
 Quindi non importa dove O faccia la sua prossima mossa. 
 O potrebbe giocare qui, ad esempio, bloccando i tre di fila in orizzontale, 
 ma poi X vincerà il gioco ottenendo un tre di fila in verticale. 
 E quindi c'è una buona dose di ragionamento 
 sta succedendo qui affinché il computer sia in grado di risolvere un problema. 
 Ed è simile nello spirito ai problemi che abbiamo esaminato finora. 
 Ci sono azioni, c'è una sorta di stato del consiglio di amministrazione, 
 e qualche passaggio da un'azione all'altra, 

Chinese: 
但是，如果AI最佳地玩这个游戏， 
然后AI可能会在右上方播放
在这种情况下，O具有与X相反的目标。 
 X试图赢得比赛，在这里以对角线连续获得3个， 
 O试图阻止该目标，与目标相反。 
因此，O将放置在此处以尝试进行阻止。 
但是现在，X有一个非常聪明的举动。 
 X可以采取行动，像这样，现在X有两种可能的方式
可以赢得比赛。 
 X可以在这里连续赢得3个来赢得比赛， 
或X可以通过以这种方式在垂直方向连续获得三个来赢得比赛。 
因此，O在哪里采取下一步行动并不重要。 
 O可以在这里玩，例如，在水平方向连续阻挡三个人， 
但随后X将会通过垂直连续获得3个来赢得比赛。 
因此，有很多推理
这样做是为了使计算机能够解决问题。 
这与我们迄今为止所研究的问题在精神上相似。 
有行动，有某种董事会状态， 
从一个动作到另一个动作的过渡

Modern Greek (1453-): 
 Αλλά αν ένα AI παίζει αυτό το παιχνίδι βέλτιστα, 
 τότε το AI μπορεί να παίξει κάπου όπως το πάνω δεξιά, όπου 
 σε αυτήν την περίπτωση, ο O έχει τον αντίθετο στόχο του X. 
 Ο Χ προσπαθεί να κερδίσει το παιχνίδι, να πάρει τρεις στη σειρά διαγώνια εδώ, 
 και ο Ο προσπαθεί να σταματήσει αυτόν τον στόχο, αντίθετα από τον στόχο. 
 Και έτσι ο Ο πρόκειται να τοποθετηθεί εδώ, για να προσπαθήσει να μπλοκάρει. 
 Αλλά τώρα, ο Χ έχει μια πολύ έξυπνη κίνηση. 
 Το X μπορεί να κάνει μια κίνηση, όπως αυτό όπου τώρα το X έχει δύο πιθανούς τρόπους με τους οποίους X 
 μπορεί να κερδίσει το παιχνίδι. 
 Ο Χ θα μπορούσε να κερδίσει το παιχνίδι παίρνοντας τρεις στη σειρά εδώ, 
 ή ο Χ θα μπορούσε να κερδίσει το παιχνίδι παίρνοντας τρεις στη σειρά κάθετα με αυτόν τον τρόπο. 
 Δεν έχει σημασία λοιπόν που ο Ο κάνει την επόμενη κίνηση τους. 
 O θα μπορούσε να παίξει εδώ, για παράδειγμα, μπλοκάροντας τα τρία στη σειρά οριζόντια, 
 αλλά τότε ο Χ θα κερδίσει το παιχνίδι παίρνοντας τρεις στη σειρά κάθετα. 
 Και έτσι υπάρχει αρκετός συλλογισμός 
 αυτό συμβαίνει εδώ για να μπορέσει ο υπολογιστής να λύσει ένα πρόβλημα. 
 Και είναι παρόμοιο με τα προβλήματα που έχουμε εξετάσει μέχρι τώρα. 
 Υπάρχουν ενέργειες, υπάρχει κάποια κατάσταση του διοικητικού συμβουλίου, 
 και κάποια μετάβαση από τη μία ενέργεια στην άλλη, 

Portuguese: 
 Mas se uma IA estiver jogando esse jogo de maneira ideal, 
 então a IA pode tocar em algum lugar como o canto superior direito, onde 
 nessa situação, O tem o objetivo oposto de X. 
 X está tentando vencer o jogo, obter três seguidas na diagonal aqui, 
 e O está tentando parar esse objetivo, oposto ao objetivo. 
 E então O vai colocar aqui, para tentar bloquear. 
 Mas agora, X tem uma jogada bastante inteligente. 
 X pode fazer um movimento, como este, onde agora X tem duas maneiras possíveis de X 
 pode ganhar o jogo. 
 X poderia ganhar o jogo, ficando três seguidos por aqui, 
 ou X poderia ganhar o jogo, ficando três em linha verticalmente dessa maneira. 
 Portanto, não importa onde O faça o próximo passo. 
 O poderia jogar aqui, por exemplo, bloqueando os três em uma linha horizontalmente, 
 mas, em seguida, X ganhará o jogo, conseguindo três em sequência verticalmente. 
 E então há uma boa quantidade de raciocínio 
 isso está acontecendo aqui para que o computador possa resolver um problema. 
 E é semelhante em espírito aos problemas que analisamos até agora. 
 Existem ações, há algum tipo de estado do quadro, 
 e alguma transição de uma ação para a seguinte, 

French: 
 Mais si une IA joue de façon optimale à ce jeu, 
 alors l'IA pourrait jouer quelque part comme en haut à droite, où 
 dans cette situation, O a l'objectif inverse de X. 
 X essaie de gagner le match, d'en obtenir trois d'affilée en diagonale ici, 
 et O essaie d'arrêter cet objectif, à l'opposé de l'objectif. 
 Et donc O va se placer ici, pour essayer de bloquer. 
 Mais maintenant, X a un mouvement assez intelligent. 
 X peut faire un mouvement, comme celui-ci où maintenant X a deux façons possibles que X 
 peut gagner le match. 
 X pourrait gagner le match en obtenant trois de suite ici, 
 ou X pourrait gagner le match en obtenant trois de suite verticalement de cette façon. 
 Donc, peu importe où O fait son prochain mouvement. 
 O pourrait jouer ici, par exemple, en bloquant les trois dans une rangée horizontalement, 
 mais alors X va gagner le match en obtenant un trois de suite verticalement. 
 Et donc il y a pas mal de raisonnement 
 cela se passe ici pour que l'ordinateur puisse résoudre un problème. 
 Et son esprit est similaire aux problèmes que nous avons examinés jusqu'à présent. 
 Il y a des actions, il y a une sorte d'état du conseil d'administration, 
 et une transition d'une action à l'autre, 

Hindi: 
 लेकिन अगर कोई एआई इस खेल को बेहतर तरीके से खेल रहा है, 
 तो एअर इंडिया ऊपरी दाहिने की तरह कहीं खेल सकता है, जहां 
 इस स्थिति में, O का X के विपरीत उद्देश्य है। 
 X खेल को जीतने की कोशिश कर रहा है, यहाँ एक पंक्ति में तीन को प्राप्त करने के लिए, 
 और ओ उद्देश्य के विपरीत, उस उद्देश्य को रोकने की कोशिश कर रहा है। 
 और इसलिए हे यहाँ जगह बनाने जा रहा है, ब्लॉक करने की कोशिश करने के लिए। 
 लेकिन अब, एक्स में एक बहुत चालाक चाल है। 
 X एक चाल बना सकता है, इस तरह जहाँ अब X के दो संभावित तरीके हैं कि X 
 खेल जीत सकते हैं। 
 X यहां से एक पंक्ति में तीन प्राप्त करके गेम जीत सकता है, 
 या X इस तरह से एक पंक्ति में तीन प्राप्त करके गेम जीत सकता है। 
 तो यह कोई फर्क नहीं पड़ता कि O अपनी अगली चाल कहाँ बनाता है। 
 ओ यहां खेल सकते हैं, उदाहरण के लिए, क्षैतिज रूप से एक पंक्ति में तीनों को अवरुद्ध करना, 
 लेकिन तब X एक पंक्ति में तीन खड़ी होकर गेम जीतने जा रहा है। 
 और इसलिए उचित तर्क है 
 कंप्यूटर को किसी समस्या को हल करने में सक्षम होने के लिए यहां चल रहा है। 
 और यह आत्मा की समस्याओं के समान है जिसे हमने अब तक देखा है। 
 कार्रवाई कर रहे हैं, बोर्ड के राज्य के कुछ प्रकार है, 
 और एक कार्रवाई से अगले करने के लिए कुछ संक्रमण, 

Spanish: 
 Pero si una IA está jugando este juego de manera óptima, 
 entonces la IA podría jugar en algún lugar como la esquina superior derecha, donde 
 En esta situación, O tiene el objetivo opuesto de X. 
 X está tratando de ganar el juego, obtener tres seguidos en diagonal aquí, 
 y O está tratando de detener ese objetivo, opuesto al objetivo. 
 Y entonces O va a colocar aquí, para tratar de bloquear. 
 Pero ahora, X tiene un movimiento bastante inteligente. 
 X puede hacer un movimiento, como este, donde ahora X tiene dos formas posibles de que X 
 puede ganar el juego 
 X podría ganar el juego obteniendo tres seguidos por aquí, 
 o X podría ganar el juego obteniendo tres en fila verticalmente de esta manera. 
 Por lo tanto, no importa dónde O haga su próximo movimiento. 
 O podría jugar aquí, por ejemplo, bloqueando los tres en una fila horizontalmente, 
 pero luego X va a ganar el juego obteniendo un tres en fila verticalmente. 
 Y entonces hay una buena cantidad de razonamiento 
 eso está sucediendo aquí para que la computadora pueda resolver un problema. 
 Y es similar en espíritu a los problemas que hemos visto hasta ahora. 
 Hay acciones, hay algún tipo de estado del tablero, 
 y alguna transición de una acción a la siguiente, 

Indonesian: 
 Tetapi jika AI memainkan game ini secara optimal, 
 maka AI mungkin bermain di suatu tempat seperti kanan atas, di mana 
 dalam situasi ini, O memiliki tujuan kebalikan dari X. 
 X mencoba memenangkan permainan, untuk mendapatkan tiga berturut-turut secara diagonal di sini, 
 dan O berusaha menghentikan tujuan itu, berlawanan dengan tujuan itu. 
 Jadi, O akan ditempatkan di sini, untuk mencoba memblokir. 
 Tapi sekarang, X memiliki langkah yang cukup pintar. 
 X dapat bergerak, seperti ini di mana sekarang X memiliki dua cara yang memungkinkan X 
 bisa memenangkan permainan. 
 X bisa memenangkan permainan dengan mendapatkan tiga berturut-turut di sini, 
 atau X bisa memenangkan permainan dengan mendapatkan tiga berturut-turut secara vertikal dengan cara ini. 
 Jadi tidak masalah di mana O membuat langkah selanjutnya. 
 O bisa bermain di sini, misalnya, memblokir tiga berturut-turut secara horizontal, 
 tetapi kemudian X akan memenangkan permainan dengan mendapatkan tiga berturut-turut secara vertikal. 
 Jadi ada cukup banyak alasan 
 itu terjadi di sini agar komputer dapat memecahkan masalah. 
 Dan itu serupa semangatnya dengan masalah yang telah kita lihat sejauh ini. 
 Ada tindakan, ada semacam keadaan dewan, 
 dan beberapa transisi dari satu tindakan ke yang berikutnya, 

Arabic: 
 ولكن إذا كان الذكاء الاصطناعي يلعب هذه اللعبة على النحو الأمثل ، 
 ثم قد يلعب الذكاء الاصطناعي في مكان ما مثل الجزء العلوي الأيمن ، حيث 
 في هذه الحالة ، O له الهدف المعاكس لـ X. 
 X يحاول الفوز بالمباراة ، للحصول على ثلاثة متتاليين قطريًا هنا ، 
 و O يحاول إيقاف هذا الهدف ، عكس الهدف. 
 ولذا فإن O سيضع هنا ، لمحاولة الحظر. 
 لكن الآن ، لدى X حركة ذكية جدًا. 
 يمكن لـ X القيام بخطوة ، مثل هذا حيث يوجد الآن لـ X طريقتان محتملتان لـ X 
 يمكن أن يفوز في المباراة. 
 يمكن لـ X الفوز في المباراة من خلال الحصول على ثلاثة على التوالي هنا ، 
 أو X يمكن أن يفوز بالمباراة عن طريق الحصول على ثلاثة متتاليين عموديًا بهذه الطريقة. 
 لذا لا يهم أين يتخذ O الخطوة التالية. 
 يمكن لـ O اللعب هنا ، على سبيل المثال ، حظر الثلاثة متتاليين أفقيًا ، 
 ولكن بعد ذلك سيفوز X باللعبة عن طريق الحصول على ثلاثة متتالية بشكل عمودي. 
 وبالتالي هناك قدر معقول من التفكير 
 ما يحدث هنا حتى يتمكن الكمبيوتر من حل مشكلة. 
 وهي تشبه روحًا المشاكل التي نظرنا إليها حتى الآن. 
 هناك إجراءات ، هناك نوع من حالة المجلس ، 
 وبعض الانتقال من إجراء إلى آخر ، 

Japanese: 
 AIがこのゲームを最適にプレイしている場合、 
すると、AIは右上などのどこかでプレイするかもしれません。 
この状況では、OにはXの反対の目的があります。 
 Xはゲームに勝つために、斜めに3つ並んでいます。 
 Oは、目的の反対で、その目的を止めようとしています。 
 Oがここに配置され、ブロックしようとします。 
しかし今、Xはかなり賢い動きをしています。 
 Xは次のように移動できます。Xには、Xが可能な2つの方法があります。 
ゲームに勝つことができます。 
 Xはここで3つ連続してゲームに勝つことができます。 
またはXは、この方法で垂直に3つ連続でゲームを勝つことができます。 
したがって、Oが次の動きをどこで行うかは問題ではありません。 
 Oはここでプレイすることができます。たとえば、3つの行を水平にブロックします。 
しかし、Xは3つ並んだ垂直方向にゲームを勝ち取ります。 
そしてかなりの理由があります
これは、コンピューターが問題を解決できるようにするために行われています。 
これは、これまでに見てきた問題と精神的には似ています。 
アクションがあり、ボードの状態があります。 
あるアクションから次のアクションへの移行、 

English: 
But if an AI is playing this game optimally,
then the AI might play somewhere like the upper right, where
in this situation, O has the opposite objective of X.
X is trying to win the game, to get three in a row diagonally here,
and O is trying to stop that objective, opposite of the objective.
And so O is going to place here, to try to block.
But now, X has a pretty clever move.
X can make a move, like this where now X has two possible ways that X
can win the game.
X could win the game by getting three in a row across here,
or X could win the game by getting three in a row vertically this way.
So it doesn't matter where O makes their next move.
O could play here, for example, blocking the three in a row horizontally,
but then X is going to win the game by getting a three in a row vertically.
And so there's a fair amount of reasoning
that's going on here in order for the computer to be able to solve a problem.
And it's similar in spirit to the problems we've looked at so far.
There are actions, there's some sort of state of the board,
and some transition from one action to the next,

German: 
 Aber wenn eine KI dieses Spiel optimal spielt, 
 dann könnte die KI irgendwo wie oben rechts spielen, wo 
 In dieser Situation hat O das entgegengesetzte Ziel von X. 
 X versucht das Spiel zu gewinnen, um hier diagonal drei in Folge zu bekommen, 
 und O versucht, dieses Ziel zu stoppen, entgegengesetzt zum Ziel. 
 Und so wird O hier platzieren, um zu versuchen zu blockieren. 
 Aber jetzt hat X einen ziemlich klugen Schachzug. 
 X kann einen Zug machen, so wie X jetzt zwei Möglichkeiten hat, wie X. 
 kann das Spiel gewinnen. 
 X könnte das Spiel gewinnen, indem er hier drei in Folge bekommt. 
 oder X könnte das Spiel gewinnen, indem es auf diese Weise drei in einer Reihe vertikal erhält. 
 Es ist also egal, wo O ihren nächsten Schritt macht. 
 O könnte hier zum Beispiel spielen und die drei in einer Reihe horizontal blockieren, 
 Aber dann wird X das Spiel gewinnen, indem er vertikal drei in einer Reihe bekommt. 
 Und so gibt es eine Menge Argumente 
 Das passiert hier, damit der Computer ein Problem lösen kann. 
 Und es ähnelt im Geiste den Problemen, mit denen wir uns bisher befasst haben. 
 Es gibt Aktionen, es gibt eine Art Zustand des Boards, 
 und ein gewisser Übergang von einer Aktion zur nächsten, 

Dutch: 
 Maar als een AI deze game optimaal speelt, 
 dan speelt de AI misschien ergens zoals rechtsboven, waar 
 in deze situatie heeft O het tegenovergestelde doel van X. 
 X probeert het spel te winnen, om hier diagonaal drie op een rij te krijgen, 
 en O probeert dat doel tegen te houden, tegengesteld aan het doel. 
 En dus gaat O hier plaatsen, om te proberen te blokkeren. 
 Maar nu heeft X een behoorlijk slimme zet. 
 X kan een beweging maken, zoals deze waarbij X nu twee mogelijke manieren heeft waarop X 
 kan het spel winnen. 
 X zou het spel kunnen winnen door hier drie op een rij te krijgen, 
 of X zou het spel kunnen winnen door op deze manier drie op een rij verticaal te krijgen. 
 Het maakt dus niet uit waar O hun volgende zet doet. 
 O zou hier kunnen spelen, bijvoorbeeld door de drie op een rij horizontaal te blokkeren, 
 maar dan gaat X het spel winnen door verticaal een drie op rij te krijgen. 
 En dus is er een behoorlijke redenering 
 dat gebeurt hier zodat de computer een probleem kan oplossen. 
 En het is qua geest vergelijkbaar met de problemen die we tot nu toe hebben bekeken. 
 Er zijn acties, er is een soort status van het bord, 
 en een overgang van de ene actie naar de andere, 

Korean: 
 하지만 AI가이 게임을 최적으로 플레이한다면 
 AI는 오른쪽 상단과 같은 곳에서 재생할 수 있습니다. 
 이 상황에서 O는 X의 반대 목표를가집니다. 
 X는 게임에서이기려고 노력하고 있습니다. 
 O는 목표와 반대되는 목표를 중지하려고합니다. 
 그래서 O는 여기에 놓고 차단하려고합니다. 
 그러나 이제 X는 꽤 영리한 움직임을 보였습니다. 
 X는 다음과 같이 움직일 수 있습니다. 여기서 X는 X가 가능한 두 가지 방법이 있습니다. 
 게임에서 이길 수 있습니다. 
 X는 여기에서 3 연승을함으로써 게임에서 이길 수있었습니다. 
 또는 X는 이런 식으로 세로로 3 열을함으로써 게임에서 이길 수 있습니다. 
 따라서 O가 다음으로 어디로 이동하는지는 중요하지 않습니다. 
 예를 들어 O를 세 줄로 가로로 막 으면 
 X는 3 줄을 세로로하여 게임에서 이길 것입니다. 
 그리고 상당한 추론이 있습니다 
 컴퓨터가 문제를 해결할 수 있도록하기 위해 진행되고 있습니다. 
 그리고 그것은 지금까지 살펴본 문제와 정신적으로 유사합니다. 
 행동이 있습니다. 어떤 종류의 보드 상태가 있습니다. 
 한 행동에서 다음 행동으로의 전환 

Turkish: 
 Ancak bir AI bu oyunu en iyi şekilde oynuyorsa, 
 AI, sağ üst gibi bir yerde oynayabilir, 
 bu durumda O, X'in zıt hedefine sahiptir. 
 X oyunu kazanmaya çalışıyor, burada çapraz olarak üst üste üç tane alıyor, 
 O da amacın tersine, bu amacı durdurmaya çalışıyor. 
 Ve böylece O buraya bloke etmeye çalışacak. 
 Ama şimdi, X'in oldukça zekice bir hareketi var. 
 X bir hamle yapabilir, bunun gibi X şimdi X'in iki olası yolu var 
 oyunu kazanabilir. 
 X, burada üst üste üç tane alarak oyunu kazanabilirdi, 
 veya X bu şekilde dikey olarak üst üste üç oyun alarak oyunu kazanabilir. 
 Yani O'nun bir sonraki hamlelerini nerede yaptığı önemli değil. 
 Mesela burada oynayabilir, örneğin üçünü arka arkaya yatay olarak engelleyebilir, 
 ama sonra X dikey olarak üst üste üç kazanarak oyunu kazanacak. 
 Ve böylece makul miktarda akıl yürütme var 
 bilgisayarın bir sorunu çözebilmesi için burada oluyor. 
 Ve şimdiye kadar baktığımız sorunlara ruh olarak benzer. 
 Eylemler var, bir çeşit yönetim kurulu var, 
 ve bir eylemden diğerine bir miktar geçiş, 

Russian: 
 Но если ИИ играет в эту игру оптимально, 
 тогда ИИ может играть где-то как в правом верхнем углу, где 
 в этой ситуации O имеет противоположную цель X. 
 Х пытается выиграть игру, чтобы получить три по диагонали здесь, 
 и О пытается остановить эту цель, противоположную цели. 
 И поэтому O собирается разместить здесь, чтобы попытаться заблокировать. 
 Но теперь у Х довольно умный ход. 
 Х может сделать ход, вот так, где теперь у Х есть два возможных пути, которыми Х 
 может выиграть игру. 
 Х мог выиграть игру, пройдя три подряд здесь, 
 или X мог бы выиграть игру, получив таким образом три подряд по вертикали. 
 Так что не имеет значения, где О делает следующий шаг. 
 O может играть здесь, например, блокируя три подряд по горизонтали, 
 но тогда Х собирается выиграть игру, получив тройку по вертикали. 
 И поэтому есть немало рассуждений 
 это происходит здесь для того, чтобы компьютер мог решить проблему. 
 И это по духу похоже на проблемы, которые мы рассматривали до сих пор. 
 Есть действия, есть какое-то состояние доски, 
 и некоторый переход от одного действия к другому, 

Chinese: 
但是，如果AI最佳地玩這個遊戲， 
然後AI可能會在右上方播放
在這種情況下，O具有與X相反的目標。 
 X試圖贏得比賽，在這里以對角線連續獲得3個， 
 O試圖阻止該目標，與目標相反。 
因此，O將放置在此處以嘗試進行阻止。 
但是現在，X有一個非常聰明的舉動。 
 X可以採取行動，像這樣，現在X有兩種可能的方式
可以贏得比賽。 
 X可以在這裡連續贏得3個來贏得比賽， 
或X可以通過以這種方式在垂直方向連續獲得三個來贏得比賽。 
因此，O在哪裡採取下一步行動並不重要。 
 O可以在這裡玩，例如，在水平方向連續阻擋三個人， 
但隨後X將會通過垂直連續獲得3個來贏得比賽。 
因此，有很多推理
這樣做是為了使計算機能夠解決問題。 
這與我們迄今為止所研究的問題在精神上相似。 
有行動，有某種董事會狀態， 
從一個動作到另一個動作的過渡

French: 
 mais c'est différent dans le sens où ce n'est pas seulement une recherche classique 
 problème, mais un problème de recherche contradictoire, que je suis le joueur X, 
 essayer de trouver les meilleurs mouvements à faire, mais je 
 sachez qu'il y a un adversaire qui essaie de m'arrêter. 
 Nous avons donc besoin d'une sorte d'algorithme pour faire face à ces types accusatoires 
 des situations de recherche. 
 Et l'algorithme que nous allons examiner 
 est un algorithme appelé Minimax, qui fonctionne 
 très bien pour ces jeux déterministes, où il y a deux joueurs. 
 Cela peut également fonctionner pour d'autres types de jeux, mais nous examinerons tout de suite les jeux 
 où je fais un mouvement, que mon adversaire fait un mouvement, et j'essaie de gagner, 
 et mon adversaire essaie aussi de gagner. 
 Ou en d'autres termes, mon adversaire essaie de me faire perdre. 
 Et alors, de quoi avons-nous besoin pour faire fonctionner cet algorithme? 
 Eh bien, chaque fois que nous essayons de traduire ce concept humain, de jouer à un jeu, 
 gagner, et perdre, à un ordinateur, nous voulons 
 pour le traduire dans des termes que l'ordinateur peut comprendre. 
 Et finalement, l'ordinateur ne comprend vraiment que les chiffres. 
 Et donc nous voulons un moyen de traduire un jeu de X et O 

Italian: 
 ma è diverso nel senso che questa non è solo una ricerca classica 
 problema, ma un problema di ricerca contraddittoria, che io sono il giocatore X, 
 cercando di trovare le mosse migliori da fare, ma io 
 sappi che c'è qualche avversario che sta cercando di fermarmi. 
 Quindi abbiamo bisogno di una sorta di algoritmo per gestire questo tipo di contraddittorio 
 di situazioni di ricerca. 
 E l'algoritmo che vedremo 
 è un algoritmo chiamato Minimax, che funziona 
 molto bene per questi giochi deterministici, dove ci sono due giocatori. 
 Può funzionare anche per altri tipi di giochi, ma vedremo ora i giochi 
 dove faccio una mossa, che il mio avversario fa una mossa e sto cercando di vincere, 
 e anche il mio avversario sta cercando di vincere. 
 O in altre parole, il mio avversario sta cercando di farmi perdere. 
 E quindi di cosa abbiamo bisogno per far funzionare questo algoritmo? 
 Bene, ogni volta che proviamo a tradurre questo concetto umano, di giocare, 
 vogliamo vincere e perdere su un computer 
 tradurlo in termini comprensibili al computer. 
 E alla fine, il computer capisce davvero solo i numeri. 
 E quindi vogliamo un modo per tradurre un gioco di X e O. 

Turkish: 
 ama bu artık sadece klasik bir arama değil, 
 sorun, ama rakip bir arama sorunu, ben X oyuncu, 
 en iyi hamleleri bulmaya çalışıyorum ama ben 
 beni durdurmaya çalışan bir düşman olduğunu biliyorum. 
 Bu nedenle, bu rakip tiple başa çıkmak için bir çeşit algoritmaya ihtiyacımız var 
 arama durumları. 
 Ve ele alacağımız algoritma 
 çalışan Minimax adlı bir algoritmadır 
 iki oyuncunun olduğu bu deterministik oyunlar için çok iyi. 
 Diğer oyun türleri için de işe yarayabilir, ancak şu anda oyunlara bakacağız 
 hamle yaptığım yerde rakibimin hamle yaptığı ve kazanmaya çalışıyorum, 
 rakibim de kazanmaya çalışıyor. 
 Ya da başka bir deyişle, rakibim beni kaybettirmeye çalışıyor. 
 Peki bu algoritmanın çalışması için neye ihtiyacımız var? 
 Bu insan oyununu oynamaya çalıştığımızda ve çevirdiğimizde, 
 bir bilgisayara kazanmak ve kaybetmek istiyoruz 
 bilgisayarın anlayabileceği terimlerle çevirmek. 
 Ve sonuçta, bilgisayar sayıları gerçekten anlıyor. 
 Ve böylece bir X ve O oyunlarını çevirmenin bir yolunu istiyoruz 

Modern Greek (1453-): 
 αλλά είναι διαφορετικό με την έννοια ότι αυτό δεν είναι τώρα απλώς μια κλασική αναζήτηση 
 πρόβλημα, αλλά ένα πρόβλημα αναζήτησης, ότι είμαι το X player, 
 προσπαθώντας να βρω τις καλύτερες κινήσεις για να κάνω, αλλά εγώ 
 ξέρετε ότι υπάρχει κάποιος αντίπαλος που προσπαθεί να με σταματήσει. 
 Χρειαζόμαστε λοιπόν κάποιο είδος αλγορίθμου για να αντιμετωπίσουμε αυτούς τους τύπους αντιπαραθέσεων 
 καταστάσεων αναζήτησης. 
 Και ο αλγόριθμος που θα ρίξουμε μια ματιά 
 είναι ένας αλγόριθμος που ονομάζεται Minimax, ο οποίος λειτουργεί 
 πολύ καλά για αυτά τα ντετερμινιστικά παιχνίδια, όπου υπάρχουν δύο παίκτες. 
 Μπορεί να λειτουργήσει και για άλλους τύπους παιχνιδιών, αλλά θα εξετάσουμε τώρα τα παιχνίδια 
 όπου κάνω μια κίνηση, ότι ο αντίπαλός μου κάνει μια κίνηση, και προσπαθώ να κερδίσω, 
 και ο αντίπαλός μου προσπαθεί επίσης να κερδίσει. 
 Ή με άλλα λόγια, ο αντίπαλός μου προσπαθεί να με κάνει να χάσω. 
 Τι χρειαζόμαστε λοιπόν για να λειτουργήσουμε αυτός ο αλγόριθμος; 
 Λοιπόν, οποτεδήποτε προσπαθούμε να μεταφράσουμε αυτήν την ανθρώπινη ιδέα, να παίξουμε ένα παιχνίδι, 
 κερδίζουμε, και χάνουμε, από έναν υπολογιστή, θέλουμε 
 να το μεταφράσει με όρους που μπορεί να κατανοήσει ο υπολογιστής. 
 Και τελικά, ο υπολογιστής κατανοεί πραγματικά τους αριθμούς. 
 Και έτσι θέλουμε κάποιον τρόπο να μεταφράσουμε ένα παιχνίδι X και O's 

Spanish: 
 pero es diferente en el sentido de que ahora no se trata solo de una búsqueda clásica 
 problema, pero un problema de búsqueda de adversarios, que soy el jugador X, 
 tratando de encontrar los mejores movimientos para hacer, pero yo 
 Sé que hay algún adversario que está tratando de detenerme. 
 Por lo tanto, necesitamos algún tipo de algoritmo para tratar con este tipo de confrontación 
 de situaciones de búsqueda. 
 Y el algoritmo que vamos a ver 
 es un algoritmo llamado Minimax, que funciona 
 muy bien para estos juegos deterministas, donde hay dos jugadores. 
 También puede funcionar para otros tipos de juegos, pero ahora veremos los juegos 
 donde hago un movimiento, que mi oponente hace un movimiento y estoy tratando de ganar, 
 y mi oponente también está tratando de ganar. 
 O en otras palabras, mi oponente está tratando de hacerme perder. 
 Entonces, ¿qué necesitamos para que este algoritmo funcione? 
 Bueno, cada vez que intentamos traducir este concepto humano, de jugar un juego, 
 ganar y perder ante una computadora, queremos 
 traducirlo en términos que la computadora pueda entender. 
 Y en última instancia, la computadora realmente solo comprende los números. 
 Y entonces queremos alguna forma de traducir un juego de X y O 

Korean: 
 그러나 이것은 단지 고전적인 검색이 아니라는 점에서 다릅니다. 
 문제는 있지만 X 검색 기인 적대적 검색 문제입니다. 
 최선의 움직임을 찾으려고 노력했지만 
 나를 막으려는 적이 있다는 것을 알고 있습니다. 
 따라서 우리는 이러한 적대적 유형을 다루기 위해 일종의 알고리즘이 필요합니다 
 검색 상황. 
 우리가 살펴볼 알고리즘은 
 Minimax라는 알고리즘입니다. 
 이 결정적 게임에는 두 명의 플레이어가 있습니다. 
 다른 유형의 게임에서도 작동 할 수 있지만 지금은 게임을 살펴 보겠습니다. 
 내가 움직 인 곳, 상대방이 움직 인 곳, 내가이기려고하는 중 
 상대도이기려고합니다. 
 즉, 상대방이 나를 잃게하려고합니다. 
 이 알고리즘을 작동 시키려면 무엇이 필요합니까? 
 우리가 게임이라는 인간 개념을 번역하려고 할 때마다 
 컴퓨터로 이기고지는 
 컴퓨터가 이해할 수있는 용어로 번역합니다. 
 그리고 궁극적으로 컴퓨터는 실제로 숫자를 이해합니다. 
 그래서 우리는 X와 O의 게임을 번역하는 방법을 원합니다 

Japanese: 
しかし、これは今では単なる古典的な検索ではないという意味で異なります
問題ですが、私がXプレーヤーであるという敵対的な検索問題、 
最善の動きを見つけようとしていますが、私は
私を止めようとしている敵がいることを知ってください。 
したがって、これらの敵対的なタイプに対処するためのある種のアルゴリズムが必要です
検索状況の。 
そして、これから見ていくアルゴリズム
ミニマックスと呼ばれるアルゴリズムであり、動作します
 2人のプレイヤーがいるこれらの確定的ゲームには非常に適しています。 
他のタイプのゲームでも機能しますが、今はゲームを見ていきます
私が移動するとき、対戦相手が移動するとき、そして私は勝ちようとしています。 
対戦相手も勝ちようとしています。 
言い換えれば、対戦相手は私を負けさせようとしているのです。 
そして、このアルゴリズムを機能させるために何が必要なのでしょうか。 
ええと、ゲームをプレイするという人間の概念を翻訳しようとするときはいつでも、 
勝ち負けをコンピュータに
コンピュータが理解できる言葉でそれを翻訳する。 
そして、結局のところ、コンピューターは本当に数値を理解するだけです。 
 XとOのゲームを翻訳する方法が欲しい

Indonesian: 
 tetapi berbeda dalam arti bahwa ini sekarang bukan hanya pencarian klasik 
 masalah, tetapi masalah pencarian permusuhan, bahwa saya adalah pemain X, 
 mencoba menemukan langkah terbaik untuk dilakukan, tetapi saya 
 ketahuilah bahwa ada beberapa musuh yang mencoba menghentikan saya. 
 Jadi kita perlu semacam algoritma untuk menangani tipe permusuhan ini 
 situasi pencarian. 
 Dan algoritma yang akan kita lihat 
 adalah algoritma yang disebut Minimax, yang berfungsi 
 sangat baik untuk permainan deterministik ini, di mana ada dua pemain. 
 Ini juga bisa digunakan untuk jenis game lain, tetapi kita akan melihat sekarang di game 
 di mana saya bergerak, bahwa lawan saya bergerak, dan saya mencoba untuk menang, 
 dan lawan saya juga mencoba untuk menang. 
 Atau dengan kata lain, lawan saya berusaha membuat saya kalah. 
 Jadi apa yang kita butuhkan untuk membuat algoritma ini berfungsi? 
 Nah, kapan saja kita mencoba dan menerjemahkan konsep manusia ini, bermain game, 
 menang, dan kalah, ke komputer, kami inginkan 
 menerjemahkannya dalam istilah yang dapat dipahami komputer. 
 Dan pada akhirnya, komputer benar-benar hanya mengerti angka. 
 Jadi kami ingin beberapa cara menerjemahkan permainan X dan O 

Hindi: 
 लेकिन यह इस मायने में अलग है कि यह अब केवल शास्त्रीय खोज नहीं है 
 समस्या, लेकिन एक प्रतिकूल खोज समस्या, कि मैं एक्स खिलाड़ी हूं, 
 बनाने के लिए सबसे अच्छा कदम खोजने की कोशिश कर रहा है, लेकिन मैं 
 जानते हैं कि कुछ विपक्षी हैं जो मुझे रोकने की कोशिश कर रहे हैं। 
 इसलिए हमें इन प्रतिकूल प्रकारों से निपटने के लिए किसी प्रकार के एल्गोरिदम की आवश्यकता है 
 खोज स्थितियों की। 
 और जिस एल्गोरिथ्म पर हम एक नज़र डालने जा रहे हैं 
 एक एल्गोरिथ्म है जिसे मिनिमैक्स कहा जाता है, जो काम करता है 
 इन निर्धारक खेलों के लिए बहुत अच्छा है, जहां दो खिलाड़ी हैं। 
 यह अन्य प्रकार के खेलों के लिए भी काम कर सकता है, लेकिन हम अभी खेलों में देखेंगे 
 जहां मैं एक चाल बनाता हूं, कि मेरा प्रतिद्वंद्वी एक चाल बनाता है, और मैं जीतने की कोशिश कर रहा हूं, 
 और मेरा प्रतिद्वंद्वी भी जीतने की कोशिश कर रहा है। 
 या दूसरे शब्दों में, मेरा प्रतिद्वंद्वी मुझे खोने के लिए कोशिश कर रहा है। 
 और इसलिए इस एल्गोरिथम को बनाने के लिए हमें क्या चाहिए? 
 खैर, कभी भी हम इस मानवीय अवधारणा का अनुवाद और अनुवाद करते हैं, एक खेल खेलने के लिए, 
 कंप्यूटर से जीतना और हारना, हम चाहते हैं 
 इसे उन शब्दों में अनुवाद करने के लिए जिन्हें कंप्यूटर समझ सकता है। 
 और अंत में, कंप्यूटर वास्तव में संख्याओं को समझता है। 
 और इसलिए हम एक्स और ओ के खेल के अनुवाद का कुछ तरीका चाहते हैं 

Portuguese: 
 mas é diferente no sentido de que agora não é apenas uma pesquisa clássica 
 problema, mas um problema de pesquisa contraditório, que eu sou o X player, 
 tentando encontrar as melhores jogadas para fazer, mas eu 
 sei que há algum adversário que está tentando me impedir. 
 Então, precisamos de algum tipo de algoritmo para lidar com esse tipo de adversário 
 de situações de pesquisa. 
 E o algoritmo que vamos dar uma olhada 
 é um algoritmo chamado Minimax, que funciona 
 muito bem para esses jogos determinísticos, onde existem dois jogadores. 
 Também pode funcionar para outros tipos de jogos, mas veremos agora os jogos 
 onde eu faço um movimento, que meu oponente faz um movimento e estou tentando vencer, 
 e meu oponente está tentando vencer também. 
 Ou, em outras palavras, meu oponente está tentando me fazer perder. 
 E então o que precisamos para fazer esse algoritmo funcionar? 
 Bem, sempre que tentamos traduzir esse conceito humano, de jogar um jogo, 
 ganhar e perder para um computador, queremos 
 traduzi-lo em termos que o computador possa entender. 
 E, finalmente, o computador realmente entende os números. 
 Então, queremos uma maneira de traduzir um jogo de X e O 

English: 
but it's different in the sense that this is now not just a classical search
problem, but an adversarial search problem, that I am the X player,
trying to find the best moves to make, but I
know that there is some adversary that is trying to stop me.
So we need some sort of algorithm to deal with these adversarial type
of search situations.
And the algorithm we're going to take a look at
is an algorithm called Minimax, which works
very well for these deterministic games, where there are two players.
It can work for other types of games as well, but we'll look right now at games
where I make a move, that my opponent makes a move, and I am trying to win,
and my opponent is trying to win, also.
Or in other words, my opponent is trying to get me to lose.
And so what do we need in order to make this algorithm work?
Well, anytime we try and translate this human concept, of playing a game,
winning, and losing, to a computer, we want
to translate it in terms that the computer can understand.
And ultimately, the computer really just understands numbers.
And so we want some way of translating a game of X's and O's

Russian: 
 но это отличается в том смысле, что это теперь не просто классический поиск 
 проблема, но проблема поиска соперника, что я X-игрок, 
 пытаясь найти лучшие ходы, но я 
 Я знаю, что есть какой-то противник, который пытается остановить меня. 
 Таким образом, нам нужен какой-то алгоритм для борьбы с этим типом состязательности. 
 поисковых ситуаций. 
 И алгоритм, который мы собираемся взглянуть на 
 алгоритм под названием Minimax, который работает 
 очень хорошо для этих детерминированных игр, где есть два игрока. 
 Он может работать и для других типов игр, но сейчас мы посмотрим на игры 
 когда я делаю ход, мой оппонент делает ход, и я пытаюсь выиграть, 
 и мой противник тоже пытается победить. 
 Или, другими словами, мой противник пытается заставить меня проиграть. 
 И что нам нужно для того, чтобы этот алгоритм работал? 
 Ну, каждый раз, когда мы пытаемся перевести эту человеческую концепцию игры в игру, 
 выигрывая и проигрывая компьютеру, мы хотим 
 чтобы перевести это в терминах, которые компьютер может понять. 
 И, в конечном счете, компьютер действительно просто понимает цифры. 
 И поэтому мы хотим как-то перевести игру X и O 

Dutch: 
 maar het is anders in die zin dat dit nu niet zomaar een klassieke zoektocht is 
 probleem, maar een tegenstrijdig zoekprobleem, dat ik de X-speler ben, 
 Ik probeer de beste zetten te vinden, maar ik 
 weet dat er een tegenstander is die me probeert tegen te houden. 
 We hebben dus een soort algoritme nodig om met dit vijandige type om te gaan 
 zoeksituaties. 
 En het algoritme waar we naar gaan kijken 
 is een algoritme genaamd Minimax, dat werkt 
 heel goed voor deze deterministische spellen, waar er twee spelers zijn. 
 Het kan ook voor andere soorten games werken, maar we zullen nu naar games kijken 
 waar ik een zet doe, dat mijn tegenstander een zet doet, en ik probeer te winnen, 
 en mijn tegenstander probeert ook te winnen. 
 Met andere woorden, mijn tegenstander probeert me te laten verliezen. 
 En wat hebben we nodig om dit algoritme te laten werken? 
 Elke keer als we dit menselijke concept proberen te vertalen, van het spelen van een spel, 
 winnen en verliezen voor een computer die we willen 
 om het te vertalen in termen die de computer kan begrijpen. 
 En uiteindelijk begrijpt de computer eigenlijk alleen cijfers. 
 En dus willen we een manier om een ​​spel van X's en O's te vertalen 

Chinese: 
但是从某种意义上说，这已经不再是经典搜索了
问题，但是对抗性搜索问题，我是X播放器， 
试图找到最好的动作，但是我
知道有一些对手正在阻止我。 
所以我们需要某种算法来应对这些对抗型
搜索情况。 
我们将要研究的算法
是一种称为Minimax的算法
这些确定性游戏非常好，那里有两个玩家。 
它也可以用于其他类型的游戏，但是我们现在来看一下游戏
我采取行动的时候，我的对手采取行动，而我试图赢得胜利， 
我的对手也想赢。 
换句话说，我的对手正试图让我输。 
那么，为了使该算法起作用，我们需要什么呢？ 
好吧，只要我们尝试转换这种人类观念，例如玩游戏， 
我们想赢得或失去计算机
将其翻译为计算机可以理解的术语。 
最终，计算机实际上只了解数字。 
所以我们想要一种翻译X和O的游戏的方法

Arabic: 
 لكن الأمر مختلف بمعنى أن هذا ليس مجرد بحث كلاسيكي الآن 
 مشكلة ، ولكن مشكلة بحث الخصومة ، وأنا لاعب X ، 
 أحاول أن أجد أفضل الحركات ، لكني 
 أعلم أن هناك خصم يحاول منعني. 
 لذلك نحن بحاجة إلى نوع من الخوارزمية للتعامل مع هذا النوع من الخصومة 
 حالات البحث. 
 والخوارزمية سنلقي نظرة عليها 
 هي خوارزمية تسمى Minimax ، والتي تعمل 
 جيد جدًا لهذه الألعاب الحتمية ، حيث يوجد لاعبين. 
 يمكن أن يعمل مع أنواع أخرى من الألعاب أيضًا ، ولكننا سنلقي نظرة الآن على الألعاب 
 حيث أقوم بحركة ، وخصمي يتحرك ، وأنا أحاول الفوز ، 
 ويحاول خصمي الفوز أيضًا. 
 أو بعبارة أخرى ، خصمي يحاول أن يخسرني. 
 إذن ما الذي نحتاجه لجعل هذه الخوارزمية تعمل؟ 
 حسنًا ، في أي وقت نحاول فيه ترجمة هذا المفهوم البشري ، من لعب لعبة ، 
 الفوز والخسارة على الكمبيوتر ، نريد 
 لترجمتها بمصطلحات يمكن للكمبيوتر أن يفهمها. 
 وفي النهاية ، يفهم الكمبيوتر الأرقام حقًا. 
 لذا نريد طريقة ما لترجمة لعبة X و O 

German: 
 aber es ist anders in dem Sinne, dass dies jetzt nicht nur eine klassische Suche ist 
 Problem, aber ein kontroverses Suchproblem, dass ich der X-Player bin, 
 versuchen, die besten Schritte zu finden, aber ich 
 Ich weiß, dass es einen Gegner gibt, der versucht, mich aufzuhalten. 
 Wir brauchen also eine Art Algorithmus, um mit diesem gegnerischen Typ umzugehen 
 von Suchsituationen. 
 Und den Algorithmus, den wir uns ansehen werden 
 ist ein Algorithmus namens Minimax, der funktioniert 
 Sehr gut für diese deterministischen Spiele, bei denen es zwei Spieler gibt. 
 Es kann auch für andere Arten von Spielen funktionieren, aber wir werden uns jetzt mit Spielen befassen 
 wo ich einen Zug mache, dass mein Gegner einen Zug macht und ich versuche zu gewinnen, 
 und mein Gegner versucht auch zu gewinnen. 
 Mit anderen Worten, mein Gegner versucht mich zum Verlieren zu bringen. 
 Was brauchen wir also, damit dieser Algorithmus funktioniert? 
 Nun, wann immer wir versuchen, dieses menschliche Konzept zu übersetzen, ein Spiel zu spielen, 
 Wir wollen gewinnen und verlieren an einen Computer 
 um es in Begriffen zu übersetzen, die der Computer verstehen kann. 
 Und letztendlich versteht der Computer wirklich nur Zahlen. 
 Und so wollen wir eine Möglichkeit, ein Spiel mit X und O zu übersetzen 

Chinese: 
但是從某種意義上說，這已經不再是經典搜索了
問題，但是對抗性搜索問題，我是X播放器， 
試圖找到最好的動作，但是我
知道有一些對手正在阻止我。 
所以我們需要某種算法來應對這些對抗型
搜索情況。 
我們將要研究的算法
是一種稱為Minimax的算法
這些確定性遊戲非常好，那裡有兩個玩家。 
它也可以用於其他類型的遊戲，但是我們現在來看一下游戲
我採取行動的時候，我的對手採取行動，而我試圖贏得勝利， 
我的對手也想贏。 
換句話說，我的對手正試圖讓我輸。 
那麼，為了使該算法起作用，我們需要什麼呢？ 
好吧，只要我們嘗試轉換這種人類觀念，例如玩遊戲， 
我們想贏得或失去計算機
將其翻譯為計算機可以理解的術語。 
最終，計算機實際上只了解數字。 
所以我們想要一種翻譯X和O的遊戲的方法

Spanish: 
 en una cuadrícula a algo numérico, algo que la computadora puede entender. 
 La computadora normalmente no entiende las nociones de ganar o perder, 
 pero entiende el concepto de más grande y más pequeño. 
 Entonces, lo que podríamos hacer es tomar cada una de las formas posibles 
 que un juego de tres en raya puede desarrollarse y asignar un valor o una utilidad, 
 a cada una de esas formas posibles. 
 Y en un juego de tres en raya y en muchos tipos de juegos, 
 Hay tres resultados posibles. 
 Los resultados son: O gana, X gana o nadie gana. 
 Entonces el jugador uno gana, el jugador dos gana o nadie gana. 
 Y por ahora, sigamos adelante y asignemos cada uno de estos posibles resultados 
 Un valor diferente. 
 Diremos O ganador ... 
 eso tendrá un valor negativo de 1. 
 Nadie gana, eso tendrá un valor de 0. 
 Y X ganadora tendrá un valor de 1. 
 Así que acabamos de asignar números a cada uno de estos tres posibles resultados. 
 Y ahora, tenemos dos jugadores. 
 Tenemos el jugador X y el jugador O. 

French: 
 sur une grille à quelque chose de numérique, quelque chose que l'ordinateur peut comprendre. 
 L'ordinateur ne comprend normalement pas les notions de gagner ou de perdre, 
 mais il comprend le concept de plus en plus petit. 
 Et donc ce que nous pourrions encore faire est, nous pourrions prendre chacune des façons possibles 
 qu'un jeu de tic-tac-toe peut se dérouler et attribuer une valeur, ou un utilitaire, 
 à chacun de ces moyens possibles. 
 Et dans un jeu de tic-tac-toe, et dans de nombreux types de jeux, 
 il y a trois résultats possibles. 
 Les résultats sont: O gagne, X gagne ou personne ne gagne. 
 Donc, le joueur un gagne, le joueur deux gagne ou personne ne gagne. 
 Et pour l'instant, allons-y et attribuons chacun de ces résultats possibles 
 une valeur différente. 
 Nous dirons O gagnant ... 
 qui aura une valeur négative de 1. 
 Personne ne gagne - cela aura une valeur de 0. 
 Et X gagnant - cela aura une valeur de 1. 
 Nous venons donc d'attribuer des numéros à chacun de ces trois résultats possibles. 
 Et maintenant, nous avons deux joueurs. 
 Nous avons le joueur X et le joueur O. 

Turkish: 
 ızgara üzerinde sayısal bir şey, bilgisayarın anlayabileceği bir şey. 
 Bilgisayar normalde kazan ya da kaybet kavramlarını anlamıyor, 
 ama daha büyük ve daha küçük kavramını anlıyor. 
 Ve henüz yapabileceğimiz, olası yolların her birini 
 tic-tac-toe oyununun bir değer veya bir yardımcı programın ortaya çıkabileceğini ve atayabileceğini, 
 bu olası yolların her birine. 
 Ve tic-tac-toe oyununda ve birçok oyun türünde, 
 üç olası sonuç vardır. 
 Sonuçlar, O kazanır, X kazanır ya da kimse kazanmaz. 
 Böylece birinci oyuncu kazanır, ikinci oyuncu kazanır veya kimse kazanmaz. 
 Ve şimdilik, devam edelim ve bu olası sonuçların her birini atayalım 
 farklı bir değer. 
 O'nun kazanacağını söyleyeceğiz-- 
 negatif 1 değerine sahip olur. 
 Kazanan kimse yok - bu 0 değerine sahip olacak. 
 Ve X kazanıyor - bu değeri 1 olacak. 
 Bu yüzden bu üç olası sonucun her birine numaralar verdik. 
 Şimdi iki oyuncumuz var. 
 X ve O oyuncularımız var. 

Hindi: 
 कुछ संख्यात्मक के लिए ग्रिड पर, कुछ कंप्यूटर समझ सकता है। 
 कंप्यूटर आमतौर पर जीत या हार की धारणाओं को नहीं समझता है, 
 लेकिन यह बड़े और छोटे की अवधारणा को समझता है। 
 और इसलिए हम अभी तक क्या कर सकते हैं, हम संभव तरीकों में से प्रत्येक को ले सकते हैं 
 एक टिक टीएसी को पैर की अंगुली का खेल एक मूल्य या उपयोगिता को प्रकट और असाइन कर सकता है, 
 उन संभावित तरीकों में से प्रत्येक के लिए। 
 और टिक-टैक-टो खेल में, और कई प्रकार के खेलों में, 
 तीन संभावित परिणाम हैं। 
 परिणाम हैं, ओ जीतता है, एक्स जीतता है, या कोई भी जीतता है। 
 तो खिलाड़ी एक जीतता है, खिलाड़ी दो जीतता है, या कोई भी जीतता है। 
 और अभी के लिए, चलो आगे बढ़ते हैं और इनमें से प्रत्येक संभावित परिणामों को असाइन करते हैं 
 एक अलग मूल्य। 
 हम कहेंगे ओ जीतना - 
 कि नकारात्मक 1 का मान होगा। 
 कोई नहीं जीतता है - जिसका मान 0 होगा। 
 और X जीतने वाला-- जिसका मान 1 होगा। 
 इसलिए हमने इन तीन संभावित परिणामों में से प्रत्येक को संख्याएँ सौंपी हैं। 
 और अब, हमारे पास दो खिलाड़ी हैं। 
 हमारे पास एक्स खिलाड़ी और ओ खिलाड़ी है। 

Chinese: 
在網格上，計算機可以理解一些數字。 
電腦通常不了解勝利或失敗的概念， 
但它確實了解更大和更小的概念。 
因此，我們可能要做的是，我們可能會採取每種可能的方式
井字遊戲可以展開並分配值或實用程序， 
每種可能的方式。 
在井字遊戲和許多類型的遊戲中， 
有三種可能的結果。 
結果是O贏，X贏或沒有人贏。 
因此，一名玩家獲勝，兩名玩家獲勝，或者沒有人獲勝。 
現在，讓我們繼續分配這些可能的結果
一個不同的值。 
我們會說O獲勝- 
的值為負1。 
沒有人獲獎-值將為0。 
 X獲勝-的值為1。 
因此，我們剛剛為這三種可能的結果中的每一個分配了數字。 
現在，我們有兩名球員。 
我們有X播放器和O播放器。 

Chinese: 
在网格上，计算机可以理解一些数字。 
电脑通常不了解胜利或失败的概念， 
但它确实了解更大和更小的概念。 
因此，我们可能要做的是，我们可能会采取每种可能的方式
井字游戏可以展开并分配值或实用程序， 
每种可能的方式。 
在井字游戏和许多类型的游戏中， 
有三种可能的结果。 
结果是O赢，X赢或没有人赢。 
因此，一名玩家获胜，两名玩家获胜，或者没有人获胜。 
现在，让我们继续分配这些可能的结果
一个不同的值。 
我们会说O获胜- 
的值为负1。 
没有人获奖-值将为0。 
 X获胜-的值为1。 
因此，我们刚刚为这三种可能的结果中的每一个分配了数字。 
现在，我们有两名球员。 
我们有X播放器和O播放器。 

Russian: 
 на сетке к чему-то числовому, что-то, что компьютер может понять. 
 Компьютер обычно не понимает понятия выигрыша или проигрыша, 
 но он понимает концепцию большего и меньшего. 
 Итак, что мы еще можем сделать, мы могли бы взять каждый из возможных путей 
 что игра в крестики-нолики может разворачиваться и присваивать значение или утилиту, 
 каждому из этих возможных способов. 
 И в играх в крестики-нолики, и во многих типах игр, 
 Есть три возможных результата. 
 Исходы таковы: O побед, X побед, или никто не победит. 
 Итак, игрок один выигрывает, игрок два выигрывает, или никто не выигрывает. 
 А пока давайте продолжим и назначим каждый из этих возможных результатов 
 другое значение. 
 Мы скажем «О победе» 
 это будет иметь значение отрицательного 1. 
 Никто не выигрывает - это будет иметь значение 0. 
 И X победы - это будет иметь значение 1. 
 Итак, мы только что присвоили номера каждому из этих трех возможных результатов. 
 И теперь у нас есть два игрока. 
 У нас есть X-игрок и O-игрок. 

Indonesian: 
 pada grid ke sesuatu yang numerik, sesuatu yang dapat dimengerti komputer. 
 Komputer biasanya tidak memahami gagasan menang atau kalah, 
 tetapi ia mengerti konsep yang lebih besar dan lebih kecil. 
 Jadi yang mungkin kita lakukan adalah, kita dapat mengambil masing-masing cara yang mungkin 
 bahwa permainan tic-tac-toe dapat dibuka dan menetapkan nilai, atau utilitas, 
 untuk masing-masing cara yang mungkin. 
 Dan dalam permainan tic-tac-toe, dan dalam banyak jenis permainan, 
 ada tiga kemungkinan hasil. 
 Hasilnya adalah, O menang, X menang, atau tidak ada yang menang. 
 Jadi pemain satu menang, pemain dua menang, atau tidak ada yang menang. 
 Dan untuk sekarang, mari kita lanjutkan dan menetapkan masing-masing hasil yang mungkin 
 nilai yang berbeda. 
 Kami akan mengatakan O menang-- 
 yang akan memiliki nilai negatif 1. 
 Tidak ada yang menang - yang akan memiliki nilai 0. 
 Dan X menang - itu akan memiliki nilai 1. 
 Jadi kami baru saja menetapkan angka untuk masing-masing dari tiga hasil yang mungkin. 
 Dan sekarang, kami memiliki dua pemain. 
 Kami memiliki X player dan O player. 

Portuguese: 
 em uma grade para algo numérico, algo que o computador possa entender. 
 O computador normalmente não entende noções de vitória ou perda, 
 mas entende o conceito de maior e menor. 
 E então o que ainda podemos fazer é seguirmos uma das maneiras possíveis 
 que um jogo da velha pode desdobrar e atribuir um valor ou um utilitário, 
 para cada uma dessas maneiras possíveis. 
 E em um jogo da velha, e em muitos tipos de jogos, 
 existem três resultados possíveis. 
 Os resultados são: O vence, X vence ou ninguém vence. 
 Então o jogador um vence, o jogador dois vence ou ninguém vence. 
 E, por enquanto, vamos em frente e atribuir cada um desses possíveis resultados 
 um valor diferente. 
 Diremos O vencedor-- 
 isso terá um valor negativo 1. 
 Ninguém ganha - isso terá o valor 0. 
 E X vencendo - isso terá um valor de 1. 
 Acabamos de atribuir números a cada um desses três resultados possíveis. 
 E agora, temos dois jogadores. 
 Temos o X player e o O player. 

German: 
 auf einem Gitter zu etwas Numerischem, etwas, das der Computer verstehen kann. 
 Der Computer versteht normalerweise keine Vorstellungen von Gewinn oder Verlust. 
 aber es versteht das Konzept von größer und kleiner. 
 Was wir also noch tun könnten, ist, dass wir jeden der möglichen Wege gehen könnten 
 dass sich ein Tic-Tac-Toe-Spiel entfalten und einen Wert oder ein Dienstprogramm zuweisen kann, 
 zu jedem dieser möglichen Wege. 
 Und in einem Tic-Tac-Toe-Spiel und in vielen Arten von Spielen, 
 Es gibt drei mögliche Ergebnisse. 
 Die Ergebnisse sind: O gewinnt, X gewinnt oder niemand gewinnt. 
 Also gewinnt Spieler eins, Spieler zwei gewinnt oder niemand gewinnt. 
 Lassen Sie uns zunächst jedes dieser möglichen Ergebnisse zuweisen 
 ein anderer Wert. 
 Wir werden sagen, O gewinnt-- 
 das hat einen Wert von negativ 1. 
 Niemand gewinnt - das hat einen Wert von 0. 
 Und X gewinnt - das hat einen Wert von 1. 
 Deshalb haben wir jedem dieser drei möglichen Ergebnisse gerade Nummern zugewiesen. 
 Und jetzt haben wir zwei Spieler. 
 Wir haben den X-Spieler und den O-Spieler. 

English: 
on a grid to something numerical, something the computer can understand.
The computer doesn't normally understand notions of win or lose,
but it does understand the concept of bigger and smaller.
And so what we might yet do is, we might take each of the possible ways
that a tic-tac-toe game can unfold and assign a value, or a utility,
to each one of those possible ways.
And in a tic-tac-toe game, and in many types of games,
there are three possible outcomes.
The outcomes are, O wins, X wins, or nobody wins.
So player one wins, player two wins, or nobody wins.
And for now, let's go ahead and assign each of these possible outcomes
a different value.
We'll say O winning--
that'll have a value of negative 1.
Nobody winning-- that'll have a value of 0.
And X winning-- that will have a value of 1.
So we've just assigned numbers to each of these three possible outcomes.
And now, we have two players.
We have the X player and the O player.

Japanese: 
グリッド上で、数値、コンピュータが理解できるもの。 
コンピュータは通常、勝ち負けの概念を理解していません。 
しかし、それは大小の概念を理解しています。 
そして、私たちがまだやろうとしていることは、私たちは可能な方法のそれぞれを取るかもしれません
三目並べゲームが展開して値またはユーティリティを割り当てることができること
それらの可能な方法のそれぞれに。 
三目並べゲームや多くの種類のゲームでは、 
考えられる結果は3つあります。 
結果は、O勝、X勝、または誰も勝てません。 
つまり、プレーヤー1が勝利するか、プレーヤー2が勝利するか、誰も勝利しない。 
とりあえず、これらの可能な結果を​​それぞれ割り当ててみましょう
別の値。 
 Oが勝ったと言います- 
値は負の1になります。 
誰も勝ちません。値は0になります。 
そして、X勝ちです。値は1になります。 
したがって、これら3つの可能な結果のそれぞれに番号を割り当てました。 
そして今、私たちは2人のプレーヤーを持っています。 
 XプレーヤーとOプレーヤーがあります。 

Korean: 
 컴퓨터가 이해할 수있는 숫자로 된 그리드에. 
 컴퓨터는 일반적으로 승패 개념을 이해하지 못합니다. 
 그러나 그것은 더 크고 작은 개념을 이해합니다. 
 우리가 아직 할 수있는 일은 가능한 모든 방법을 취할 수 있다는 것입니다 
 틱택 토 게임이 전개되어 가치 또는 유틸리티를 
 그 가능한 방법들 각각에. 
 그리고 틱택 토 게임과 많은 유형의 게임에서 
 세 가지 가능한 결과가 있습니다. 
 결과는 O 승, X 승, 또는 아무도 승입니다. 
 따라서 플레이어 1이이기거나 플레이어 2가이기거나 아무도 이기지 않습니다. 
 그리고 지금 당장 가능한 결과를 각각 할당 해 봅시다. 
 다른 가치. 
 우리는 오 승리라고 말할 것이다. 
 음수 값은 1입니다. 
 이기는 사람은 없습니다. 값은 0입니다. 
 그리고 X 당첨-그 값은 1입니다. 
 따라서이 세 가지 가능한 결과 각각에 숫자를 할당했습니다. 
 그리고 지금, 우리는 두 선수가 있습니다. 
 X 플레이어와 O 플레이어가 있습니다. 

Arabic: 
 على شبكة إلى شيء رقمي ، شيء يمكن أن يفهمه الكمبيوتر. 
 عادة لا يفهم الكمبيوتر مفاهيم الفوز أو الخسارة ، 
 لكنه يفهم مفهوم أكبر وأصغر. 
 وبالتالي ما قد نفعله هو أننا قد نأخذ كل الطرق الممكنة 
 أن لعبة tic-tac-toe يمكن أن تتكشف وتعيين قيمة ، أو أداة ، 
 لكل طريقة من هذه الطرق الممكنة. 
 وفي لعبة تيك تاك تو ، وفي العديد من أنواع الألعاب ، 
 هناك ثلاث نتائج محتملة. 
 النتائج هي ، انتصارات O ، انتصارات X ، أو لا أحد يفوز. 
 لذا يفوز اللاعب واحد ، يفوز اللاعب ، أو لا أحد يفوز. 
 والآن ، دعنا نمضي قدمًا ونعين كل من هذه النتائج المحتملة 
 قيمة مختلفة. 
 سنقول يا رب-- 
 التي سيكون لها قيمة سالبة 1. 
 لا أحد يفوز - ستكون له قيمة 0. 
 والفوز X - سيكون له قيمة 1. 
 لذلك قمنا بتعيين أرقام لكل واحدة من هذه النتائج الثلاثة المحتملة. 
 والآن ، لدينا لاعبان. 
 لدينا لاعب X و O لاعب. 

Modern Greek (1453-): 
 σε ένα πλέγμα σε κάτι αριθμητικό, κάτι που ο υπολογιστής μπορεί να καταλάβει. 
 Ο υπολογιστής συνήθως δεν καταλαβαίνει τις έννοιες της νίκης ή της ήττας, 
 αλλά καταλαβαίνει την έννοια του μεγαλύτερου και του μικρότερου. 
 Και λοιπόν, αυτό που μπορούμε ακόμη να κάνουμε είναι, μπορούμε να πάρουμε καθέναν από τους πιθανούς τρόπους 
 ότι ένα παιχνίδι tic-tac-toe μπορεί να ξεδιπλωθεί και να εκχωρήσει μια αξία ή ένα βοηθητικό πρόγραμμα, 
 σε κάθε έναν από αυτούς τους πιθανούς τρόπους. 
 Και σε ένα παιχνίδι tic-tac-toe, και σε πολλούς τύπους παιχνιδιών, 
 υπάρχουν τρία πιθανά αποτελέσματα. 
 Τα αποτελέσματα είναι, O κερδίζει, X κερδίζει, ή κανείς δεν κερδίζει. 
 Έτσι ο παίκτης κερδίζει, ο παίκτης δύο κερδίζει ή κανένας δεν κερδίζει. 
 Και προς το παρόν, ας προχωρήσουμε και αναθέτουμε καθένα από αυτά τα πιθανά αποτελέσματα 
 διαφορετική τιμή. 
 Θα πούμε O κερδίζοντας-- 
 που θα έχει τιμή αρνητικού 1. 
 Κανείς δεν κερδίζει - αυτό θα έχει αξία 0. 
 Και X κερδίζοντας - αυτό θα έχει τιμή 1. 
 Έτσι, μόλις αντιστοιχίσουμε αριθμούς σε καθένα από αυτά τα τρία πιθανά αποτελέσματα. 
 Και τώρα, έχουμε δύο παίκτες. 
 Έχουμε το X player και το O player. 

Dutch: 
 op een rooster naar iets numerieks, iets wat de computer kan begrijpen. 
 De computer begrijpt normaal gesproken geen noties van winnen of verliezen, 
 maar het begrijpt wel het concept van groter en kleiner. 
 Dus wat we misschien nog doen, is dat we elk van de mogelijke manieren nemen 
 dat een tic-tac-toe-game zich kan ontvouwen en een waarde of een hulpprogramma kan toewijzen, 
 op elk van die mogelijke manieren. 
 En in een tic-tac-toe-game, en in veel soorten games, 
 er zijn drie mogelijke uitkomsten. 
 De uitkomsten zijn: O wint, X wint of niemand wint. 
 Dus speler één wint, speler twee wint of niemand wint. 
 En laten we nu al deze mogelijke resultaten toewijzen 
 een andere waarde. 
 We zullen zeggen O winnen-- 
 dat heeft een waarde van min 1. 
 Niemand wint - dat heeft een waarde van 0. 
 En X winnen - dat heeft een waarde van 1. 
 Dus we hebben zojuist nummers toegewezen aan elk van deze drie mogelijke resultaten. 
 En nu hebben we twee spelers. 
 We hebben de X-speler en de O-speler. 

Italian: 
 su una griglia a qualcosa di numerico, qualcosa che il computer può capire. 
 Il computer normalmente non capisce le nozioni di vittoria o perdita, 
 ma capisce il concetto di sempre più piccolo. 
 E quindi quello che potremmo ancora fare è, potremmo prendere ciascuno dei modi possibili 
 che un gioco tic-tac-toe può svolgersi e assegnare un valore o un'utilità, 
 a ciascuno di quei modi possibili. 
 E in un gioco tic-tac-toe e in molti tipi di giochi, 
 ci sono tre possibili esiti. 
 I risultati sono, O vince, X vince o nessuno vince. 
 Quindi il giocatore uno vince, il giocatore due vince o nessuno vince. 
 E per ora, andiamo avanti e assegniamo ciascuno di questi possibili risultati 
 un valore diverso. 
 Diremo O vincente-- 
 che avrà un valore di 1 negativo. 
 Nessuno che vince-- avrà un valore di 0. 
 E X vincente-- avrà un valore di 1. 
 Quindi abbiamo appena assegnato numeri a ciascuno di questi tre possibili risultati. 
 E ora abbiamo due giocatori. 
 Abbiamo l'X player e l'O player. 

Indonesian: 
 Dan kita akan pergi ke depan dan memanggil pemain X pemain maks. 
 Dan kami akan memanggil pemain O pemain mini. 
 Dan alasan mengapa karena dalam algoritma Minimax, 
 pemain maks, yang dalam hal ini adalah X, bertujuan untuk memaksimalkan skor. 
 Ini adalah opsi yang memungkinkan untuk skor, negatif 1, 0, dan 1. 
 X ingin memaksimalkan skor, artinya jika memungkinkan, 
 X ingin situasi ini di mana X memenangkan permainan. 
 Dan kami memberikan skor 1. 
 Tetapi jika ini tidak mungkin, jika X perlu memilih di antara keduanya 
 opsi, negatif 1 berarti O menang, atau 0 berarti tidak ada yang menang, 
 X lebih suka tidak ada yang menang, skor 0, dari skor negatif 1, 
 O menang. 
 Jadi ini gagasan menang dan kalah dalam waktu 
 telah direduksi secara matematis menjadi gagasan, coba, dan maksimalkan 
 nilai. 
 Pemain X selalu ingin skor menjadi lebih besar. 
 Dan di sisi lain, pemain min, dalam hal ini, O, 
 bertujuan untuk meminimalkan skor. 
 Pemain O ingin skor sekecil mungkin. 

Portuguese: 
 E vamos seguir em frente e chamar o X player de max player. 
 E chamaremos o jogador O de min. 
 E a razão é porque, no algoritmo Minimax, 
 o jogador máximo, que neste caso é X, tem como objetivo maximizar a pontuação. 
 Estas são as opções possíveis para a pontuação, negativo 1, 0 e 1. 
 X quer maximizar a pontuação, ou seja, se possível, 
 X gostaria desta situação em que X vence o jogo. 
 E atribuímos uma pontuação de 1. 
 Mas se isso não for possível, se X precisar escolher entre esses dois 
 opções, negativo 1 significa O vencedor, ou 0 significa que ninguém ganha, 
 X prefere que ninguém ganhe, pontuação 0, do que pontuação negativa 1, 
 Ó vencedor. 
 Portanto, essa noção de ganhar e perder no tempo 
 foi reduzido matematicamente a apenas essa ideia de, tente e maximize 
 a pontuação. 
 O jogador X sempre quer que a pontuação seja maior. 
 E por outro lado, o jogador min, neste caso, O, 
 tem como objetivo minimizar a pontuação. 
 O jogador O quer que a pontuação seja a menor possível. 

Spanish: 
 Y vamos a seguir adelante y llamar al jugador X el jugador máximo. 
 Y llamaremos al jugador O el jugador min. 
 Y la razón es porque en el algoritmo Minimax, 
 el jugador máximo, que en este caso es X, tiene como objetivo maximizar el puntaje. 
 Estas son las posibles opciones para el puntaje, negativo 1, 0 y 1. 
 X quiere maximizar la puntuación, es decir, si es posible, 
 A X le gustaría esta situación en la que X gana el juego. 
 Y le damos una puntuación de 1. 
 Pero si esto no es posible, si X necesita elegir entre estos dos 
 opciones, negativo 1 que significa O ganador, o 0 que significa que nadie gana, 
 X preferiría que nadie gane, puntaje de 0, que un puntaje negativo de 1, 
 Oh ganador. 
 Entonces esta noción de ganar y perder en el tiempo 
 se ha reducido matemáticamente a solo esta idea de, tratar de maximizar 
 el marcador. 
 El jugador X siempre quiere que la puntuación sea mayor. 
 Y por otro lado, el jugador min, en este caso, O, 
 tiene como objetivo minimizar el puntaje. 
 El jugador O quiere que el puntaje sea lo más pequeño posible. 

Modern Greek (1453-): 
 Και θα προχωρήσουμε και θα καλέσουμε τον παίκτη X ως τον μέγιστο παίκτη. 
 Και θα ονομάσουμε τον παίκτη Ο ως τον ελάχιστο παίκτη. 
 Και ο λόγος είναι γιατί στον αλγόριθμο Minimax, 
 ο μέγιστος παίκτης, ο οποίος σε αυτήν την περίπτωση είναι Χ, στοχεύει στη μεγιστοποίηση του σκορ. 
 Αυτές είναι οι πιθανές επιλογές για το σκορ, αρνητικά 1, 0 και 1. 
 Ο Χ θέλει να μεγιστοποιήσει το σκορ, που σημαίνει αν είναι δυνατόν, 
 Ο Χ θα ήθελε αυτήν την κατάσταση όπου ο Χ κερδίζει το παιχνίδι. 
 Και το δίνουμε 1. 
 Αλλά αν αυτό δεν είναι δυνατό, εάν ο Χ πρέπει να επιλέξει μεταξύ αυτών των δύο 
 επιλογές, αρνητικό 1 που σημαίνει νίκη, ή 0 που σημαίνει κανείς δεν κερδίζει, 
 Ο Χ θα προτιμούσε κανείς να μην κερδίσει, σκορ 0, παρά αρνητικό σκορ 1, 
 Νίκη. 
 Έτσι, αυτή η έννοια της νίκης και της απώλειας στο χρόνο 
 έχει μειωθεί μαθηματικά σε αυτήν ακριβώς την ιδέα, δοκιμάστε και μεγιστοποιήστε 
 το σκορ. 
 Ο παίκτης Χ θέλει πάντα το σκορ να είναι μεγαλύτερο. 
 Και από την άλλη πλευρά, ο ελάχιστος παίκτης, σε αυτήν την περίπτωση, O, 
 στοχεύει στην ελαχιστοποίηση του σκορ. 
 Ο παίκτης Ο θέλει το σκορ να είναι όσο το δυνατόν μικρότερο. 

Chinese: 
我們將繼續將X播放器稱為最大播放器。 
我們將O玩家稱為min玩家。 
原因是因為在Minimax算法中
最大玩家（在這種情況下為X）旨在最大程度提高得分。 
這些是分數的可能選項，負1、0和1。 
 X希望最大化分數，這意味著，如果有可能， 
 X希望X贏得比賽的這種情況。 
我們給它打1分。 
但是，如果這不可能，那麼X是否需要在這兩個之間進行選擇
選項，負1表示O獲勝，或0表示無人獲勝， 
 X寧願沒人贏，得分為0，而不是負1， 
 O贏了。 
因此，這種贏與輸的觀念
已經從數學上簡化為嘗試，最大化
比分。 
 X玩家總是希望分數更高。 
另一方面，最小玩家，在這種情況下為O 
旨在最小化分數。 
 O玩家希望分數盡可能小。 

Italian: 
 E andremo avanti e chiameremo il giocatore X il giocatore massimo. 
 E chiameremo il giocatore O il giocatore minimo. 
 E il motivo è perché nell'algoritmo Minimax, 
 il giocatore massimo, che in questo caso è X, punta a massimizzare il punteggio. 
 Queste sono le possibili opzioni per il punteggio, 1, 0 e 1 negativi. 
 X vuole massimizzare il punteggio, ovvero se possibile, 
 X vorrebbe questa situazione in cui X vince la partita. 
 E gli diamo un punteggio di 1. 
 Ma se questo non è possibile, se X deve scegliere tra questi due 
 opzioni, 1 negativo che significa O vincente o 0 che significa nessuno vincente, 
 X preferirebbe che nessuno vince, punteggio di 0, che punteggio di 1 negativo, 
 O vincente. 
 Quindi questa nozione di vincere e perdere nel tempo 
 è stato ridotto matematicamente a questa idea di, prova e massimizza 
 il punteggio. 
 Il giocatore X vuole sempre che il punteggio sia più grande. 
 E dall'altro lato, il giocatore minimo, in questo caso, O, 
 punta a minimizzare il punteggio. 
 Il giocatore O vuole che il punteggio sia il più piccolo possibile. 

Dutch: 
 En we gaan door en noemen de X-speler de maximale speler. 
 En we noemen de O-speler de min-speler. 
 En de reden waarom is omdat in het Minimax-algoritme, 
 de maximale speler, in dit geval X, streeft naar een maximale score. 
 Dit zijn de mogelijke opties voor de score, negatief 1, 0 en 1. 
 X wil de score maximaliseren, wat betekent dat als het enigszins mogelijk is, 
 X zou graag deze situatie willen waarin X het spel wint. 
 En we geven het een score van 1. 
 Maar als dit niet mogelijk is, als X tussen deze twee moet kiezen 
 opties, negatief 1 betekent O winnen, of 0 betekent niemand winnen, 
 X heeft liever dat niemand wint, score van 0, dan een score van min 1, 
 O winnen. 
 Dus dit idee van winnen en verliezen in de tijd 
 is wiskundig gereduceerd tot juist dit idee van, proberen te maximaliseren 
 de score. 
 De X-speler wil altijd dat de score hoger is. 
 En aan de andere kant, de min-speler, in dit geval, O, 
 streeft ernaar de score te minimaliseren. 
 De O-speler wil dat de score zo klein mogelijk is. 

Korean: 
 계속해서 X 플레이어를 최대 플레이어라고하겠습니다. 
 그리고 우리는 O 플레이어를 최소 플레이어라고 부를 것입니다. 
 그 이유는 Minimax 알고리즘에서 
 이 경우 X 인 최대 플레이어는 점수를 극대화하는 것을 목표로합니다. 
 음수 1, 0 및 1에 가능한 옵션입니다. 
 X는 점수를 극대화하려고합니다. 가능하다면 
 X는 X가 게임에서이기는 상황을 원합니다. 
 그리고 우리는 1 점을줍니다. 
 그러나 이것이 가능하지 않은 경우, X가이 두 가지 중에서 선택해야하는 경우 
 옵션, 음수 1은 O 승리, 0은 아무도 승리하지 않음, 
 X는 오히려 음수 1의 점수보다 아무도 0의 점수를 얻지 못합니다. 
 오 승리. 
 시간이 지남에 따라 이길 개념 
 이 아이디어를 수학적으로 축소하고 시도하고 최대화합니다. 
 점수. 
 X 플레이어는 항상 더 큰 점수를 원합니다. 
 반대로, 분 플레이어,이 경우에는 O, 
 점수를 최소화하는 것을 목표로하고 있습니다. 
 O 플레이어는 가능한 한 작은 점수를 원합니다. 

Turkish: 
 Ve devam edip X oynatıcıyı maksimum oyuncu olarak adlandıracağız. 
 Ve O oyuncuyu min. Oyuncu olarak adlandıracağız. 
 Bunun nedeni Minimax algoritmasında, 
 bu durumda X olan maksimum oyuncu skoru en üst düzeye çıkarmayı hedefliyor. 
 Bunlar skor için olası seçeneklerdir, negatif 1, 0 ve 1. 
 X skoru en üst düzeye çıkarmak istiyor, yani mümkünse, 
 X, X'in oyunu kazandığı bu durumu istiyor. 
 Ve ona 1 puan veriyoruz. 
 Ancak bu mümkün değilse, X'in bu ikisi arasında seçim yapması gerekiyorsa 
 seçenekler, negatif 1 O kazanan anlamına gelir veya 0 kimse kazanmaz anlamına gelir, 
 X, hiç kimsenin 0 puanını, negatif 1 puanından daha fazla kazanmamasını tercih eder, 
 O kazanıyor. 
 Yani zaman içinde kazanma ve kaybetme nosyonu 
 matematiksel olarak sadece bu fikir, deneme ve maksimize etme fikrine indirgenmiştir. 
 puan. 
 X oyuncusu her zaman skorun daha büyük olmasını ister. 
 Ve kapak tarafında, min oyuncu, bu durumda, O, 
 skoru en aza indirmeyi hedefliyor. 
 O oyuncusu skorun mümkün olduğunca küçük olmasını istiyor. 

Chinese: 
我们将继续将X播放器称为最大播放器。 
我们将O玩家称为min玩家。 
原因是因为在Minimax算法中
最大玩家（在这种情况下为X）旨在最大程度提高得分。 
这些是分数的可能选项，负1、0和1。 
 X希望最大化分数，这意味着，如果有可能， 
 X希望X赢得比赛的这种情况。 
我们给它打1分。 
但是，如果这不可能，那么X是否需要在这两个之间进行选择
选项，负1表示O获胜，或0表示无人获胜， 
 X宁愿没人赢，得分为0，而不是负1， 
 O赢了。 
因此，这种赢与输的观念
已经从数学上简化为尝试，最大化
比分。 
 X玩家总是希望分数更高。 
另一方面，最小玩家，在这种情况下为O 
旨在最小化分数。 
 O玩家希望分数尽可能小。 

Hindi: 
 और हम आगे जा रहे हैं और एक्स खिलाड़ी को अधिकतम खिलाड़ी कहते हैं। 
 और हम O प्लेयर को मिनि प्लेयर कहेंगे। 
 और यही कारण है कि मिनिमैक्स एल्गोरिथ्म में, 
 अधिकतम खिलाड़ी, जो इस मामले में एक्स है, का लक्ष्य अधिकतम स्कोर करना है। 
 ये स्कोर के लिए संभावित विकल्प हैं, नकारात्मक 1, 0 और 1। 
 एक्स स्कोर को अधिकतम करना चाहता है, जिसका अर्थ है कि यदि संभव हो तो, 
 एक्स इस स्थिति को पसंद करेगा जहां एक्स गेम जीतता है। 
 और हम इसे 1 का स्कोर देते हैं। 
 लेकिन अगर यह संभव नहीं है, अगर एक्स को इन दोनों के बीच चयन करने की आवश्यकता है 
 विकल्प, नकारात्मक 1 का अर्थ है ओ जीतना, या 0 का अर्थ है कोई भी जीतना, 
 एक्स के बजाय कोई भी नहीं जीतता है, 0 का स्कोर, नकारात्मक 1 के स्कोर से। 
 हे विजयी! 
 तो समय में जीतने और हारने की यह धारणा 
 गणितीय रूप से इस विचार को घटाया गया है, कोशिश करो और अधिकतम करो 
 स्कोर। 
 एक्स खिलाड़ी हमेशा चाहता है कि स्कोर बड़ा हो। 
 और फ्लिप पक्ष पर, इस मामले में, मिन खिलाड़ी, ओ। 
 लक्ष्य को न्यूनतम करना है। 
 ओ खिलाड़ी चाहता है कि स्कोर जितना संभव हो उतना छोटा हो। 

Japanese: 
そして先に進み、Xプレーヤーを最大プレーヤーと呼びます。 
そして、Oプレーヤーを最小プレーヤーと呼びます。 
ミニマックスアルゴリズムでは、 
最大プレーヤー（この場合はX）はスコアを最大化することを目的としています。 
これらはスコアの可能なオプションで、負の1、0、1です。 
 Xはスコアを最大化したいと考えています。 
 Xは、Xがゲームに勝つこの状況を望んでいます。 
そして、スコアを1にします。 
しかし、これが不可能な場合、Xがこれら2つの中から選択する必要がある場合
オプション、負の1はO勝利を意味し、0は誰も勝利を意味しない、 
 Xは、負の1のスコアよりも、0のスコアの方が勝つことを望まない
勝ちました。 
つまり、この勝ち負けの概念は
数学的にこの考えにまで減らされ、試して最大化する
スコア。 
 Xプレイヤーは常にスコアが大きくなることを望んでいます。 
裏側では、最小プレーヤー、この場合はO、 
スコアを最小限に抑えることを目的としています。 
 Oプレーヤーは、スコアをできるだけ小さくしたいと考えています。 

Arabic: 
 وسوف نمضي قدمًا ونطلق على اللاعب X الحد الأقصى للاعب. 
 وسنسمي لاعب O باللاعب الأدنى. 
 والسبب هو أنه في خوارزمية Minimax ، 
 أقصى لاعب ، في هذه الحالة هو X ، يهدف إلى تعظيم النتيجة. 
 هذه هي الخيارات الممكنة للنتيجة السلبية 1 و 0 و 1. 
 يريد X مضاعفة النتيجة ، مما يعني أنه إذا أمكن ذلك على الإطلاق ، 
 سيحب X هذا الموقف حيث يفوز X باللعبة. 
 ونعطيها درجة 1. 
 ولكن إذا لم يكن ذلك ممكنًا ، إذا كان X بحاجة إلى الاختيار بين هذين 
 خيارات ، سلبي 1 يعني O ربح ، أو 0 يعني لا أحد يفوز ، 
 يفضل X ألا يفوز أحد ، الدرجة 0 ، على الدرجة السلبية 1 ، 
 يا ربح. 
 لذا فإن فكرة الفوز والخسارة في الوقت المناسب 
 تم تخفيضها رياضيا لمجرد فكرة ، حاول وتعظيم 
 النتيجة. 
 يريد اللاعب X دائمًا أن تكون النتيجة أكبر. 
 وعلى الجانب الآخر ، اللاعب الصغير ، في هذه الحالة ، يا ، 
 تهدف إلى تقليل النتيجة. 
 يريد اللاعب O أن تكون النتيجة صغيرة قدر الإمكان. 

French: 
 Et nous allons continuer et appeler le joueur X le joueur max. 
 Et nous appellerons le joueur O le joueur min. 
 Et la raison en est que dans l'algorithme Minimax, 
 le joueur max, qui dans ce cas est X, vise à maximiser le score. 
 Ce sont les options possibles pour le score, négatif 1, 0 et 1. 
 X veut maximiser le score, ce qui signifie si possible, 
 X aimerait cette situation où X gagne la partie. 
 Et nous lui donnons un score de 1. 
 Mais si ce n'est pas possible, si X doit choisir entre ces deux 
 options, négatif 1 signifiant O gagnant, ou 0 signifiant personne ne gagnant, 
 X préfère que personne ne gagne, score de 0, plutôt qu'un score négatif de 1, 
 O gagnant. 
 Donc, cette notion de gagner et de perdre dans le temps 
 a été réduite mathématiquement à cette idée de, essayez de maximiser 
 le score. 
 Le joueur X veut toujours que le score soit plus élevé. 
 Et d'un autre côté, le joueur min, dans ce cas, O, 
 vise à minimiser le score. 
 Le joueur O veut que le score soit le plus petit possible. 

English: 
And we're going to go ahead and call the X player the max player.
And we'll call the O player the min player.
And the reason why is because in the Minimax algorithm,
the max player, which in this case is X, is aiming to maximize the score.
These are the possible options for the score, negative 1, 0, and 1.
X wants to maximize the score, meaning if at all possible,
X would like this situation where X wins the game.
And we give it a score of 1.
But if this isn't possible, if X needs to choose between these two
options, negative 1 meaning O winning, or 0 meaning nobody winning,
X would rather that nobody wins, score of 0, than a score of negative 1,
O winning.
So this notion of winning and losing in time
has been reduced mathematically to just this idea of, try and maximize
the score.
The X player always wants the score to be bigger.
And on the flip side, the min player, in this case, O,
is aiming to minimize the score.
The O player wants the score to be as small as possible.

Russian: 
 И мы собираемся назвать X-игрока максимальным игроком. 
 И мы назовем О игрока минимальным игроком. 
 И причина в том, что в алгоритме Minimax, 
 Максимальный игрок, который в данном случае X, стремится максимизировать счет. 
 Это возможные варианты для оценки, отрицательные 1, 0 и 1. 
 Х хочет максимизировать счет, имея в виду, если это вообще возможно, 
 Х хотел бы такую ​​ситуацию, когда Х выигрывает игру. 
 И мы даем ему 1 балл. 
 Но если это невозможно, если X нужно выбрать между этими двумя 
 варианты, отрицательный 1 означает O победа или 0 означает, что никто не выигрывает 
 Х предпочел бы, чтобы никто не выиграл, оценка 0, а не оценка 1, 
 О победа. 
 Так что это понятие выигрыша и проигрыша во времени 
 было сведено математически только к этой идее, попытаться максимизировать 
 счет. 
 Игрок Х всегда хочет, чтобы счет был больше. 
 И с другой стороны, мин игрок, в данном случае, О, 
 стремится минимизировать счет. 
 О игрок хочет, чтобы счет был как можно меньше. 

German: 
 Und wir werden weitermachen und den X-Spieler den Max-Spieler nennen. 
 Und wir nennen den O-Spieler den Min-Spieler. 
 Und der Grund dafür ist, dass im Minimax-Algorithmus 
 Der maximale Spieler, in diesem Fall X, versucht, die Punktzahl zu maximieren. 
 Dies sind die möglichen Optionen für die Punktzahl, negativ 1, 0 und 1. 
 X möchte die Punktzahl maximieren, dh wenn überhaupt möglich, 
 X möchte diese Situation, in der X das Spiel gewinnt. 
 Und wir geben ihm eine Punktzahl von 1. 
 Aber wenn dies nicht möglich ist, muss X zwischen diesen beiden wählen 
 Optionen, negativ 1 bedeutet O gewinnen oder 0 bedeutet, dass niemand gewinnt, 
 X möchte lieber, dass niemand gewinnt, Punktzahl 0, als Punktzahl 1, 
 O gewinnen. 
 Also diese Vorstellung, rechtzeitig zu gewinnen und zu verlieren 
 wurde mathematisch auf genau diese Idee reduziert, versuchen und maximieren 
 Die Punktzahl. 
 Der X-Spieler möchte immer, dass die Punktzahl größer ist. 
 Und auf der anderen Seite der Min-Spieler, in diesem Fall O, 
 zielt darauf ab, die Punktzahl zu minimieren. 
 Der O-Spieler möchte, dass die Punktzahl so klein wie möglich ist. 

Modern Greek (1453-): 
 Τώρα λοιπόν έχουμε πάρει αυτό το παιχνίδι των X και O και κερδίζουμε και χάνουμε 
 και το μετέτρεψαν σε κάτι μαθηματικό, κάτι 
 όπου ο X προσπαθεί να μεγιστοποιήσει το σκορ, ο O προσπαθεί να ελαχιστοποιήσει το σκορ. 
 Ας δούμε τώρα όλα τα μέρη του παιχνιδιού 
 που χρειαζόμαστε για να το κωδικοποιήσουμε σε ένα AI 
 έτσι ώστε ένα AI να μπορεί να παίξει ένα παιχνίδι όπως το tic-tac-toe. 
 Έτσι, το παιχνίδι θα χρειαστεί μερικά πράγματα. 
 Θα χρειαστούμε ένα είδος αρχικής κατάστασης, που σε αυτήν την περίπτωση 
 καλέστε το S0, έτσι ξεκινά το παιχνίδι, σαν ένα κενό χαρτόνι tic-tac-toe, 
 για παράδειγμα. 
 Θα χρειαζόμαστε επίσης μια λειτουργία που ονομάζεται player, 
 όπου η λειτουργία αναπαραγωγής πρόκειται να λάβει ως είσοδο μια κατάσταση, εδώ αναπαρίσταται 
 από τον S. Και η έξοδος της συνάρτησης του παίκτη θα είναι, 
 ποια σειρά του παίκτη είναι; 
 Πρέπει να είμαστε σε θέση να δώσουμε μια πλακέτα tic-tac-toe στον υπολογιστή, 
 τρέξτε μέσω μιας συνάρτησης και αυτή η συνάρτηση μας λέει ποιος είναι η σειρά του. 
 Θα χρειαστούμε κάποια ιδέα για ενέργειες που μπορούμε να κάνουμε. 
 Θα δούμε παραδείγματα αυτού σε μια στιγμή. 
 Χρειαζόμαστε κάποια ιδέα για ένα μοντέλο μετάβασης - όπως και πριν. 

Hindi: 
 तो अब हमने एक्स और ओ के इस खेल को लिया है और जीत और हार 
 और इसे कुछ गणितीय, कुछ में बदल दिया 
 जहां X स्कोर को अधिकतम करने की कोशिश कर रहा है, वहीं O स्कोर को कम करने की कोशिश कर रहा है। 
 आइए अब खेल के सभी हिस्सों को देखें 
 हमें इसे AI में एनकोड करने की आवश्यकता है 
 ताकि एक AI tic-tac-toe जैसा गेम खेल सके। 
 इसलिए खेल को कुछ चीजों की जरूरत है। 
 हमें कुछ प्रारंभिक अवस्था की आवश्यकता होगी, जो हम इस मामले में करेंगे 
 S0 को बुलाओ, जो कि खेल कैसे शुरू होता है, जैसे खाली टिक-टैक-टो बोर्ड, 
 उदाहरण के लिए। 
 हमें खिलाड़ी नामक एक फ़ंक्शन की भी आवश्यकता होगी, 
 जहां खिलाड़ी फ़ंक्शन इनपुट के रूप में एक राज्य लेने जा रहा है, यहां प्रतिनिधित्व किया गया है 
 एस। द्वारा और खिलाड़ी समारोह का उत्पादन होने जा रहा है, 
 किस खिलाड़ी की बारी है? 
 हमें कंप्यूटर को टिक-टैक-टो बोर्ड देने में सक्षम होना चाहिए, 
 इसे एक फ़ंक्शन के माध्यम से चलाएं, और यह फ़ंक्शन हमें बताता है कि यह किसका मोड़ है। 
 हमें उन कार्यों की कुछ धारणा की आवश्यकता होगी जो हम ले सकते हैं। 
 हम कुछ ही क्षणों में इसके उदाहरण देखेंगे। 
 हमें एक संक्रमण मॉडल की कुछ धारणा चाहिए- पहले जैसी। 

French: 
 Alors maintenant, nous avons pris ce jeu de X et O et gagner et perdre 
 et l'a transformé en quelque chose de mathématique, quelque chose 
 où X essaie de maximiser le score, O essaie de minimiser le score. 
 Regardons maintenant toutes les parties du jeu 
 dont nous avons besoin pour l'encoder dans une IA 
 pour qu'une IA puisse jouer à un jeu comme le tic-tac-toe. 
 Le jeu va donc avoir besoin de deux ou trois choses. 
 Nous aurons besoin d'une sorte d'état initial, que nous allons dans ce cas 
 appelez S0, c'est ainsi que le jeu commence, comme une planche de tic-tac-toe vide, 
 par exemple. 
 Nous aurons également besoin d'une fonction appelée player, 
 où la fonction joueur va prendre en entrée un état, ici représenté 
 par S. Et la sortie de la fonction joueur va être, 
 de quel joueur s'agit-il? 
 Nous devons être en mesure de donner une planche tic-tac-toe à l'ordinateur, 
 exécutez-le à travers une fonction, et cette fonction nous dit de qui c'est le tour. 
 Nous aurons besoin d'une notion des actions que nous pouvons prendre. 
 Nous en verrons des exemples dans un instant. 
 Nous avons besoin d'une certaine notion d'un modèle de transition - comme précédemment. 

English: 
So now we've taken this game of X's and O's and winning and losing
and turned it into something mathematical, something
where X is trying to maximize the score, O is trying to minimize the score.
Let's now look at all of the parts of the game
that we need in order to encode it in an AI
so that an AI can play a game like tic-tac-toe.
So the game is going to need a couple of things.
We'll need some sort of initial state, that we'll in this case
call S0, which is how the game begins, like an empty tic-tac-toe board,
for example.
We'll also need a function called player,
where the player function is going to take as input a state, here represented
by S. And the output of the player function is going to be,
which player's turn is it?
We need to be able to give a tic-tac-toe board to the computer,
run it through a function, and that function tells us whose turn it is.
We'll need some notion of actions that we can take.
We'll see examples of that in just a moment.
We need some notion of a transition model-- same as before.

Chinese: 
因此，現在我們進行了X和O的遊戲，輸贏
並把它變成數學的東西
 X試圖使分數最大化，而O試圖使分數最小化。 
現在讓我們看一下游戲的所有部分
我們需要在AI中對其進行編碼
以便AI可以玩井字遊戲。 
因此，遊戲將需要一些注意事項。 
我們需要某種初始狀態，在這種情況下
叫S0，這就是遊戲的開始方式，就像一個空的井字遊戲板， 
例如。 
我們還需要一個名為播放器的功能， 
播放器功能將輸入狀態的位置，此處表示
通過S。播放器功能的輸出將是
輪到哪個玩家了？ 
我們需要能夠為計算機提供一個井字遊戲板， 
通過一個函數運行它，該函數告訴我們它是誰。 
我們需要一些可以採取的行動的概念。 
我們將在短時間內看到示例。 
我們需要一些過渡模型的概念-與以前一樣。 

Italian: 
 Quindi ora abbiamo preso questo gioco di X e O, vincendo e perdendo 
 e lo ha trasformato in qualcosa di matematico, qualcosa 
 dove X sta cercando di massimizzare il punteggio, O sta cercando di minimizzare il punteggio. 
 Diamo ora un'occhiata a tutte le parti del gioco 
 di cui abbiamo bisogno per codificarlo in un'intelligenza artificiale 
 in modo che un'intelligenza artificiale possa giocare a un gioco come il tic-tac-toe. 
 Quindi il gioco avrà bisogno di un paio di cose. 
 Avremo bisogno di una sorta di stato iniziale, che in questo caso 
 chiama S0, ed è così che inizia il gioco, come un tabellone tic-tac-toe vuoto, 
 per esempio. 
 Avremo anche bisogno di una funzione chiamata player, 
 dove la funzione del giocatore prenderà come input uno stato, qui rappresentato 
 di S. E l'output della funzione player sarà, 
 che turno è il giocatore? 
 Dobbiamo essere in grado di dare una scheda tic-tac-toe al computer, 
 eseguilo attraverso una funzione e quella funzione ci dice di chi è il turno. 
 Avremo bisogno di alcune nozioni di azioni che possiamo intraprendere. 
 Ne vedremo esempi tra un momento. 
 Abbiamo bisogno di una nozione di modello di transizione, come prima. 

Spanish: 
 Así que ahora tomamos este juego de X y O y ganamos y perdemos 
 y lo convirtió en algo matemático, algo 
 donde X intenta maximizar el puntaje, O intenta minimizar el puntaje. 
 Veamos ahora todas las partes del juego. 
 que necesitamos para codificarlo en una IA 
 para que una IA pueda jugar un juego como tic-tac-toe. 
 Entonces el juego necesitará un par de cosas. 
 Necesitaremos algún tipo de estado inicial, que en este caso 
 llama a S0, que es como comienza el juego, como un tablero vacío de tres en raya, 
 por ejemplo. 
 También necesitaremos una función llamada jugador, 
 donde la función del reproductor tomará como entrada un estado, aquí representado 
 por S. Y la salida de la función del reproductor será, 
 qué turno de jugador es? 
 Necesitamos poder darle un tablero de tres en raya a la computadora, 
 ejecutarlo a través de una función, y esa función nos dice de quién es el turno. 
 Necesitaremos alguna noción de acciones que podamos tomar. 
 Veremos ejemplos de eso en un momento. 
 Necesitamos alguna noción de un modelo de transición, igual que antes. 

Japanese: 
 XとOのこのゲームを取り、勝ち負け
それを数学的なものに変えました
 Xはスコアを最大化しようとしていますが、Oはスコアを最小化しようとしています。 
ゲームのすべての部分を見てみましょう
 AIでエンコードするために必要なこと
 AIが三目並べのようなゲームをプレイできるようにします。 
したがって、ゲームにはいくつかのものが必要になります。 
この場合、ある種の初期状態が必要になります。 
空の三目並べボードのように、ゲームが始まる方法であるS0を呼び出します。 
例えば。 
また、playerという関数も必要です。 
プレーヤー関数が入力として状態をとる場所。ここでは、 
 Sによる。そして、プレイヤー関数の出力は、 
どのプレイヤーの番ですか？ 
三目並べボードをコンピューターに与えることができる必要があります。 
関数を介してそれを実行し、その関数はそれが誰であるかを私たちに伝えます。 
実行できるアクションの概念が必要です。 
その例をすぐに説明します。 
以前と同じように、遷移モデルの概念が必要です。 

Chinese: 
因此，现在我们进行了X和O的游戏，输赢
并把它变成数学的东西
 X试图使分数最大化，而O试图使分数最小化。 
现在让我们看一下游戏的所有部分
我们需要在AI中对其进行编码
以便AI可以玩井字游戏。 
因此，游戏将需要一些注意事项。 
我们需要某种初始状态，在这种情况下
叫S0，这就是游戏的开始方式，就像一个空的井字游戏板， 
例如。 
我们还需要一个称为播放器的功能， 
播放器功能将输入状态的位置，此处表示
通过S。播放器功能的输出将是
轮到哪个玩家了？ 
我们需要能够为计算机提供一个井字游戏板， 
通过一个函数运行它，该函数告诉我们它是谁。 
我们需要一些可以采取的行动的概念。 
我们将在短时间内看到示例。 
我们需要一些过渡模型的概念-与以前一样。 

Turkish: 
 Şimdi bu X ve O oyunlarını aldık ve kazanıp kaybettik 
 ve matematiksel bir şeye, bir şeye dönüştürdüm 
 burada X skoru en üst düzeye çıkarmaya çalışıyor, O skoru en aza indirmeye çalışıyor. 
 Şimdi oyunun tüm bölümlerine bakalım 
 bir AI'da kodlamak için ihtiyacımız olan 
 böylece yapay zeka tic-tac-toe gibi bir oyun oynayabilir. 
 Yani oyunun birkaç şeye ihtiyacı olacak. 
 Bir tür başlangıç ​​durumuna ihtiyacımız olacak, bu durumda 
 boş bir tic-tac-toe board gibi oyunun başlaması için S0'ı ara, 
 Örneğin. 
 Ayrıca oyuncu adlı bir fonksiyona ihtiyacımız olacak, 
 burada oyuncu işlevi bir durumu girdi olarak alacaktır, burada temsil 
 Ve oyuncu fonksiyonunun çıktısı, 
 hangi oyuncunun sırası? 
 Bilgisayara tic-tac-toe board verebilmeliyiz, 
 bir işlev üzerinden çalıştırırsanız, bu işlev bize kimin sırayla olduğunu söyler. 
 Yapabileceğimiz bazı eylemlere ihtiyacımız olacak. 
 Kısa bir süre içinde bunun örneklerini göreceğiz. 
 Daha önce olduğu gibi bir geçiş modeli fikrine ihtiyacımız var. 

Dutch: 
 Dus nu hebben we dit spel van X's en O's genomen en winnen en verliezen 
 en veranderde het in iets wiskundigs, iets 
 waar X de score probeert te maximaliseren, probeert O de score te minimaliseren. 
 Laten we nu eens kijken naar alle onderdelen van het spel 
 die we nodig hebben om het in een AI te coderen 
 zodat een AI een spel als tic-tac-toe kan spelen. 
 De game heeft dus een aantal dingen nodig. 
 We hebben een soort van initiële toestand nodig, die we in dit geval zullen hebben 
 bel S0, en zo begint het spel, als een leeg bord met tic-tac-toe, 
 bijvoorbeeld. 
 We hebben ook een functie nodig die speler heet, 
 waar de spelerfunctie als invoer een staat gaat nemen, hier weergegeven 
 door S. En de uitvoer van de spelerfunctie zal zijn, 
 welke speler is aan de beurt? 
 We moeten de computer een tic-tac-toe board kunnen geven, 
 voer het door een functie, en die functie vertelt ons wie aan de beurt is. 
 We hebben een idee nodig van de acties die we kunnen ondernemen. 
 We zullen daar dadelijk voorbeelden van zien. 
 We hebben een idee nodig van een overgangsmodel - hetzelfde als voorheen. 

Arabic: 
 حتى الآن لقد أخذنا هذه اللعبة من X و O والفوز والخسارة 
 وتحويلها إلى شيء رياضي ، شيء 
 حيث X يحاول زيادة النتيجة ، O يحاول تقليل النتيجة. 
 دعنا الآن نلقي نظرة على جميع أجزاء اللعبة 
 التي نحتاجها من أجل ترميزها في AI 
 حتى يتمكن الذكاء الاصطناعي من لعب لعبة مثل تيك تاك تو. 
 لذا ستحتاج اللعبة إلى شيئين. 
 سنحتاج إلى نوع من الحالة الأولية ، سنقوم في هذه الحالة 
 استدعاء S0 ، وهي الطريقة التي تبدأ بها اللعبة ، مثل لوحة tic-tac-toe فارغة ، 
 فمثلا. 
 سنحتاج أيضًا إلى وظيفة تسمى لاعب ، 
 حيث ستأخذ وظيفة اللاعب كإدخال حالة ، ممثلة هنا 
 بواسطة S. وسيكون ناتج وظيفة اللاعب هو ، 
 أي لاعب هو؟ 
 نحن بحاجة إلى أن نكون قادرين على إعطاء لوحة تيك تاك تو للكمبيوتر ، 
 قم بتشغيلها من خلال دالة ، وهذه الوظيفة تخبرنا عن دورها. 
 سنحتاج إلى بعض الأفكار عن الإجراءات التي يمكننا اتخاذها. 
 سنرى أمثلة على ذلك في لحظة واحدة. 
 نحتاج إلى فكرة عن نموذج انتقالي - كما كان من قبل. 

Indonesian: 
 Jadi sekarang kita telah mengambil game X dan O ini dan menang dan kalah 
 dan mengubahnya menjadi sesuatu yang matematika, sesuatu 
 di mana X mencoba untuk memaksimalkan skor, O sedang mencoba untuk meminimalkan skor. 
 Sekarang mari kita lihat semua bagian dari game 
 yang kita butuhkan untuk mengkodekannya dalam AI 
 sehingga AI dapat memainkan game seperti tic-tac-toe. 
 Jadi game ini akan membutuhkan beberapa hal. 
 Kita perlu semacam keadaan awal, bahwa kita akan dalam hal ini 
 sebut S0, yang merupakan awal permainan, seperti papan tic-tac-toe yang kosong, 
 sebagai contoh. 
 Kami juga membutuhkan fungsi yang disebut player, 
 di mana fungsi pemain akan mengambil sebagai input negara, diwakili di sini 
 oleh S. Dan output dari fungsi pemain akan menjadi, 
 giliran pemain mana yang benar? 
 Kita harus bisa memberikan papan tic-tac-toe ke komputer, 
 jalankan melalui suatu fungsi, dan fungsi itu memberi tahu kita giliran siapa. 
 Kita akan memerlukan beberapa gagasan tindakan yang bisa kita ambil. 
 Kita akan melihat contoh itu sebentar lagi. 
 Kami membutuhkan gagasan tentang model transisi - sama seperti sebelumnya. 

Portuguese: 
 Então agora nós pegamos esse jogo de X e O e ganhando e perdendo 
 e transformou em algo matemático, algo 
 onde X está tentando maximizar a pontuação, O está tentando minimizar a pontuação. 
 Vamos agora olhar para todas as partes do jogo 
 que precisamos para codificá-lo em uma IA 
 para que uma IA possa jogar um jogo como o jogo da velha. 
 Então o jogo vai precisar de algumas coisas. 
 Vamos precisar de algum tipo de estado inicial, que neste caso 
 ligue para S0, que é como o jogo começa, como um tabuleiro vazio do jogo da velha, 
 por exemplo. 
 Também precisaremos de uma função chamada player, 
 onde a função player terá como entrada um estado, aqui representado 
 por S. E a saída da função player será, 
 é a vez de qual jogador? 
 Precisamos ser capazes de fornecer uma placa do jogo da velha ao computador, 
 executá-lo através de uma função, e essa função nos diz de quem é a vez. 
 Vamos precisar de alguma noção de ações que possamos tomar. 
 Veremos exemplos disso em apenas um momento. 
 Precisamos de alguma noção de um modelo de transição - o mesmo de antes. 

Russian: 
 Итак, теперь мы взяли эту игру Х и О и выигрывают и проигрывают 
 и превратил это во что-то математическое, что-то 
 где X пытается максимизировать оценку, O пытается минимизировать оценку. 
 Давайте теперь посмотрим на все части игры 
 что нам нужно для того, чтобы закодировать его в AI 
 чтобы ИИ мог играть в такую ​​игру, как крестики-нолики. 
 Так что игре понадобится пара вещей. 
 Нам понадобится какое-то начальное состояние, которое мы будем в этом случае 
 назовите S0, так начинается игра, как пустая доска с крестиками-ноликами, 
 например. 
 Нам также понадобится функция с именем player, 
 где функция игрока будет принимать в качестве входных данных состояние, представленное здесь 
 по S. И выход функции игрока будет, 
 Какой ход игрока? 
 Мы должны быть в состоянии отдать компьютерную доску в крестики-нолики, 
 пропустите его через функцию, и эта функция сообщит нам, чья это очередь. 
 Нам понадобится некоторое представление о действиях, которые мы можем предпринять. 
 Мы увидим примеры этого через мгновение. 
 Нам нужно некоторое представление о модели перехода - так же, как и раньше. 

German: 
 Jetzt haben wir dieses Spiel mit X und O genommen und gewonnen und verloren 
 und verwandelte es in etwas Mathematisches, etwas 
 Während X versucht, die Punktzahl zu maximieren, versucht O, die Punktzahl zu minimieren. 
 Schauen wir uns nun alle Teile des Spiels an 
 das brauchen wir, um es in einer KI zu kodieren 
 damit eine KI ein Spiel wie Tic-Tac-Toe spielen kann. 
 Das Spiel wird also ein paar Dinge brauchen. 
 Wir brauchen einen Anfangszustand, den wir in diesem Fall haben werden 
 Rufen Sie S0 an, und so beginnt das Spiel wie ein leeres Tic-Tac-Toe-Brett. 
 zum Beispiel. 
 Wir brauchen auch eine Funktion namens Spieler, 
 wo die Player-Funktion als Eingabe einen Zustand annehmen wird, hier dargestellt 
 von S. Und die Ausgabe der Player-Funktion wird sein, 
 Welcher Spieler ist an der Reihe? 
 Wir müssen in der Lage sein, dem Computer ein Tic-Tac-Toe-Board zu geben. 
 Führen Sie es durch eine Funktion, und diese Funktion sagt uns, wer an der Reihe ist. 
 Wir brauchen eine Vorstellung von Maßnahmen, die wir ergreifen können. 
 Wir werden gleich Beispiele dafür sehen. 
 Wir brauchen eine Vorstellung von einem Übergangsmodell - wie zuvor. 

Korean: 
 이제 우리는이 게임을 X와 O로 가져갔습니다. 
 그것을 수학적 무언가로 바 꾸었습니다. 
 X가 점수를 최대화하려고하면 O는 점수를 최소화하려고합니다. 
 이제 게임의 모든 부분을 살펴 보겠습니다 
 AI로 인코딩하기 위해 필요한 
 AI가 틱택 토와 같은 게임을 할 수 있도록 
 게임에는 몇 가지가 필요합니다. 
 이 경우에는 일종의 초기 상태가 필요합니다. 
 빈 틱택 토 보드처럼 게임이 시작되는 방식 인 S0을 호출합니다. 
 예를 들어. 
 player라는 함수도 필요합니다 
 여기서 플레이어 함수는 입력으로 상태를 취할 것입니다. 
 그리고 플레이어 기능의 출력은 
 어느 선수 차례입니까? 
 컴퓨터에 틱택 토 보드를 줄 수 있어야합니다. 
 함수를 통해 실행하면 그 함수가 누구인지 알려줍니다. 
 우리는 취할 수있는 행동에 대한 개념이 필요합니다. 
 잠시 후에 그 예를 볼 수 있습니다. 
 이전과 같은 전환 모델 개념이 필요합니다. 

Modern Greek (1453-): 
 Εάν έχω μια κατάσταση, και κάνω μια ενέργεια, εγώ 
 πρέπει να γνωρίζουμε τι προκύπτει ως συνέπεια αυτού. 
 Χρειάζομαι κάποιον τρόπο να γνωρίζω πότε τελειώνει το παιχνίδι. 
 Άρα αυτό ισοδυναμεί με ένα είδος δοκιμής στόχου, 
 αλλά χρειάζομαι κάποια δοκιμή τερματικού, κάποιον τρόπο να ελέγξω 
 για να δείτε εάν μια κατάσταση είναι μια κατάσταση τερματικού, όπου σημαίνει μια κατάσταση τερματικού 
 το παιχνίδι τελείωσε. 
 Στο κλασικό παιχνίδι του tic-tac-toe, μια κατάσταση τερματικού σημαίνει είτε κάποιος έχει 
 πήρα τρία στη σειρά, ή όλα τα τετράγωνα της πλακέτας tic-tac-toe είναι 
 γέματο. 
 Οποιαδήποτε από αυτές τις συνθήκες το καθιστά τερματική κατάσταση. 
 Σε ένα παιχνίδι σκακιού, μπορεί να είναι κάτι σαν, 
 όταν υπάρχει ματ ή εάν δεν είναι πλέον δυνατή η ματ, 
 που γίνεται τερματική κατάσταση. 
 Και τελικά θα χρειαστεί μια συνάρτηση χρησιμότητας, μια συνάρτηση που παίρνει μια κατάσταση 
 και μας δίνει μια αριθμητική τιμή για αυτήν την κατάσταση τερματικού, με κάποιο τρόπο να πούμε, 
 αν ο Χ κερδίσει το παιχνίδι, αυτό έχει τιμή 1. 
 Εάν ο Ο έχει κερδίσει το παιχνίδι, αυτό έχει την τιμή του αρνητικού 1. 
 Εάν κανείς δεν έχει κερδίσει το παιχνίδι, αυτό έχει αξία 0. 
 Ας ρίξουμε μια ματιά σε κάθε ένα από αυτά με τη σειρά. 
 Στην αρχική κατάσταση, μπορούμε απλώς να αντιπροσωπεύσουμε στο tic-tac-toe ως το άδειο board του παιχνιδιού. 
 Εδώ ξεκινάμε. 

Arabic: 
 إذا كانت لدي دولة ، واتخذت إجراء ، فأنا 
 بحاجة إلى معرفة ما هي النتائج نتيجة لذلك. 
 أحتاج إلى طريقة لمعرفة متى تنتهي اللعبة. 
 هذا يعادل نوع اختبار الهدف ، 
 لكنني بحاجة إلى بعض الاختبارات النهائية ، بطريقة ما للتحقق 
 لمعرفة ما إذا كانت الدولة هي حالة نهائية ، حيث تعني حالة نهائية 
 انتهت اللعبة. 
 في لعبة tic-tac-toe الكلاسيكية ، تعني الحالة النهائية أن أي شخص لديه 
 حصلت على ثلاثة على التوالي ، أو كل المربعات من لوحة تيك تاك تو 
 معبأ. 
 أي من هذه الظروف تجعلها دولة نهائية. 
 في لعبة الشطرنج ، قد يكون شيء مثل ، 
 عندما يكون هناك كش ملك ، أو إذا كان كش ملك لم يعد ممكنا ، 
 تصبح دولة نهائية. 
 وأخيرًا ، سنحتاج إلى وظيفة مساعدة ، وظيفة تأخذ حالة 
 ويعطينا قيمة رقمية لتلك الحالة النهائية ، بطريقة ما لقول ، 
 إذا فاز X في اللعبة ، فستكون القيمة 1. 
 إذا ربح O اللعبة ، فستكون القيمة سالبة 1. 
 إذا لم يفز أحد في المباراة ، فستكون القيمة 0. 
 لذلك دعونا نلقي نظرة على كل من هذه بدورها. 
 الحالة الأولية ، يمكننا فقط تمثيل tic-tac-toe كلوحة ألعاب فارغة. 
 من هنا نبدأ. 

French: 
 Si j'ai un état et que j'entreprends une action, je 
 besoin de savoir quels résultats en conséquence. 
 J'ai besoin d'un moyen de savoir quand le jeu sera terminé. 
 Donc, cela équivaut à un peu comme un test d'objectif, 
 mais j'ai besoin d'un test terminal, d'un moyen de vérifier 
 pour voir si un état est un état terminal, où un état terminal signifie 
 le jeu est terminé. 
 Dans le jeu classique du tic-tac-toe, un état terminal signifie que quelqu'un a 
 obtenu trois dans une rangée, ou tous les carrés de la planche tic-tac-toe sont 
 rempli. 
 L'une ou l'autre de ces conditions en fait un état terminal. 
 Dans un jeu d'échecs, cela pourrait être quelque chose comme, 
 quand il y a mat, ou si mat n'est plus possible, 
 qui devient un état terminal. 
 Et puis finalement, nous aurons besoin d'une fonction d'utilité, une fonction qui prend un état 
 et nous donne une valeur numérique pour cet état terminal, une façon de dire, 
 si X gagne la partie, cela vaut 1. 
 Si O a gagné la partie, cela a une valeur négative de 1. 
 Si personne n'a gagné la partie, cela vaut 0. 
 Jetons donc un coup d'œil à chacun d'eux tour à tour. 
 L'état initial, nous pouvons simplement le représenter en tic-tac-toe comme le plateau de jeu vide. 
 C'est là que nous commençons. 

Turkish: 
 Eğer bir eyaletim varsa ve bir işlem yaparsam, 
 bunun sonucu olarak hangi sonuçların olduğunu bilmek gerekir. 
 Oyunun ne zaman biteceğini bilmem gerek. 
 Yani bu bir tür hedef testi gibi bir şey, 
 ama bazı terminal testlerine ihtiyacım var, kontrol etmenin bir yolu 
 bir durumun uçbirim durumu olup olmadığını, uçbirim durumunun 
 oyun bitti. 
 Klasik tic-tac-toe oyununda, bir terminal devlet, birinin 
 arka arkaya üç tane aldım, ya da tic-tac-toe board'un tüm kareleri 
 doldurdu. 
 Bu koşulların her ikisi de onu bir uç devlet haline getirir. 
 Bir satranç oyununda, böyle bir şey olabilir, 
 Şah mat olduğunda veya Şah mat artık mümkün değilse, 
 bu bir terminal haline gelir. 
 Ve son olarak bir fayda fonksiyonuna, bir durumu alan bir fonksiyona ihtiyacımız olacak 
 ve bu terminal durumu için bize sayısal bir değer verir, 
 X oyunu kazanırsa, değeri 1 olur. 
 O oyunu kazanırsa, bu negatif 1 değerine sahiptir. 
 Kimse oyunu kazanmazsa, bu değeri 0 olur. 
 Şimdi bunların her birine sırayla bakalım. 
 İlk durum, tic-tac-toe'de boş oyun tahtası olarak temsil edebiliriz. 
 Burası başladığımız yer. 

Chinese: 
如果我有状态，并且采取了行动，那么我
需要知道由此产生的结果。 
我需要某种方式来知道游戏何时结束。 
因此，这相当于一种目标测试， 
但是我需要一些终端测试，一些检查方法
查看状态是否为终端状态，其中终端状态表示
游戏结束了。 
在经典的井字游戏中，终端状态表示有人
连续三个，或者井字游戏板的所有正方形都是
填充。 
这些条件中的任何一个都使其成为终端状态。 
在下象棋时，可能是这样的， 
当有同伴或不再有同伴时， 
成为终端状态。 
最后，我们需要一个实用程序函数，该函数需要一个状态
并以某种方式为我们提供了该终端状态的数值
如果X赢得游戏，则值为1。 
如果O赢得了比赛，则该值为负1。 
如果没有人赢得比赛，则该值为0。 
因此，让我们依次看一下每个。 
初始状态下，我们可以在井字游戏中将其表示为空白游戏板。 
这是我们开始的地方。 

Spanish: 
 Si tengo un estado y tomo una acción, yo 
 necesita saber qué resultados como consecuencia de ello. 
 Necesito alguna forma de saber cuándo termina el juego. 
 Entonces esto es equivalente a una especie de prueba de gol, 
 pero necesito alguna prueba de terminal, alguna forma de verificar 
 para ver si un estado es un estado terminal, donde un estado terminal significa 
 el juego ha terminado. 
 En el clásico juego de tic-tac-toe, un estado terminal significa que alguien tiene 
 obtuvieron tres seguidos, o todos los cuadrados del tablero de tres en raya son 
 lleno. 
 Cualquiera de esas condiciones lo convierte en un estado terminal. 
 En un juego de ajedrez, podría ser algo como, 
 cuando hay jaque mate, o si jaque mate ya no es posible, 
 eso se convierte en un estado terminal. 
 Y finalmente, necesitaremos una función de utilidad, una función que tome un estado 
 y nos da un valor numérico para ese estado terminal, alguna forma de decir, 
 si X gana el juego, eso tiene un valor de 1. 
 Si O ha ganado el juego, eso tiene el valor de 1 negativo. 
 Si nadie ha ganado el juego, eso tiene un valor de 0. 
 Así que echemos un vistazo a cada uno de estos a su vez. 
 El estado inicial, podemos representarlo en tres en raya como el tablero de juego vacío. 
 Aquí es donde comenzamos. 

English: 
If I have a state, and I take an action, I
need to know what results as a consequence of it.
I need some way of knowing when the game is over.
So this is equivalent to kind of like a goal test,
but I need some terminal test, some way to check
to see if a state is a terminal state, where a terminal state means
the game is over.
In the classic game of tic-tac-toe , a terminal state means either someone has
gotten three in a row, or all of the squares of the tic-tac-toe board are
filled.
Either of those conditions make it a terminal state.
In a game of chess, it might be something like,
when there is checkmate, or if checkmate is no longer possible,
that becomes a terminal state.
And then finally we'll need a utility function, a function that takes a state
and gives us a numerical value for that terminal state, some way of saying,
if X wins the game, that has a value of 1.
If O has won the game, that has the value of negative 1.
If nobody has won the game, that has a value of 0.
So let's take a look at each of these in turn.
The initial state, we can just represent in tic-tac-toe as the empty game board.
This is where we begin.

German: 
 Wenn ich einen Staat habe und etwas unternehme, ich 
 müssen wissen, was sich daraus ergibt. 
 Ich muss wissen, wann das Spiel vorbei ist. 
 Das entspricht also einer Art Zieltest. 
 aber ich brauche einen Terminaltest, eine Möglichkeit zu überprüfen 
 um zu sehen, ob ein Zustand ein Endzustand ist, wobei ein Endzustand bedeutet 
 Das Spiel ist vorbei. 
 Im klassischen Tic-Tac-Toe-Spiel bedeutet ein Endzustand, dass entweder jemand hat 
 drei in einer Reihe bekommen, oder alle Quadrate des Tic-Tac-Toe-Boards sind 
 gefüllt. 
 Jede dieser Bedingungen macht es zu einem Endzustand. 
 In einer Schachpartie könnte es so etwas sein wie: 
 wenn es Schachmatt gibt oder wenn Schachmatt nicht mehr möglich ist, 
 das wird ein Endzustand. 
 Und schließlich brauchen wir eine Utility-Funktion, eine Funktion, die einen Status annimmt 
 und gibt uns einen numerischen Wert für diesen Endzustand, eine Art zu sagen: 
 Wenn X das Spiel gewinnt, hat das einen Wert von 1. 
 Wenn O das Spiel gewonnen hat, hat dies den Wert von negativ 1. 
 Wenn niemand das Spiel gewonnen hat, hat das einen Wert von 0. 
 Schauen wir uns diese nacheinander an. 
 Den Ausgangszustand können wir nur in Tic-Tac-Toe als leeres Spielbrett darstellen. 
 Hier fangen wir an. 

Japanese: 
状態があり、行動を起こす場合、 
その結果としてどのような結果になるかを知る必要があります。 
ゲームがいつ終わったかを知る方法が必要です。 
これは、ゴールテストのようなものに相当します。 
しかし、私はいくつかのターミナルテスト、チェックするいくつかの方法が必要です
状態が最終状態かどうかを確認するには、最終状態とは
ゲームは終りだ。 
三目並べの古典的なゲームでは、最終状態は誰かが持っていることを意味します
三目並べ、または三目並べボードのすべての正方形は
満たされた。 
これらの条件のいずれかがそれを最終状態にします。 
チェスのゲームでは、それは次のようなものかもしれません、 
チェックメイトがいる場合、またはチェックメイトが不可能になった場合、 
それが最終状態になります。 
そして最後に、ユーティリティ関数、つまり状態をとる関数が必要です。 
そして、その最終状態の数値を与えます
 Xがゲームに勝った場合、その値は1です。 
 Oがゲームに勝った場合、その値はマイナス1になります。 
誰もゲームに勝利していない場合、その値は0です。 
それでは、これらのそれぞれを順番に見ていきましょう。 
初期状態では、三目並べで空のゲームボードとして表すことができます。 
これが私たちが始めるところです。 

Italian: 
 Se ho uno stato e faccio un'azione, io 
 bisogno di sapere quali risultati ne conseguono. 
 Ho bisogno di un modo per sapere quando il gioco è finito. 
 Quindi questo equivale a un po 'come un goal test, 
 ma ho bisogno di un test terminale, un modo per verificare 
 per vedere se uno stato è uno stato terminale, dove significa uno stato terminale 
 il gioco è finito. 
 Nel classico gioco del tic-tac-toe, uno stato terminale significa che qualcuno ha 
 ottenuto tre di fila, o tutti i quadrati della tavola tic-tac-toe sono 
 riempita. 
 Entrambe queste condizioni lo rendono uno stato terminale. 
 In una partita a scacchi, potrebbe essere qualcosa come 
 quando c'è scacco matto o se scacco matto non è più possibile, 
 quello diventa uno stato terminale. 
 E infine avremo bisogno di una funzione di utilità, una funzione che assume uno stato 
 e ci dà un valore numerico per quello stato terminale, in qualche modo per dire, 
 se X vince il gioco, ha un valore di 1. 
 Se O ha vinto la partita, il valore è 1 negativo. 
 Se nessuno ha vinto la partita, questo ha un valore di 0. 
 Diamo un'occhiata a ciascuno di questi a turno. 
 Lo stato iniziale, possiamo semplicemente rappresentare in tic-tac-toe il tabellone vuoto. 
 Questo è dove iniziamo. 

Hindi: 
 यदि मेरे पास एक राज्य है, और मैं एक कार्रवाई करता हूं, तो मैं 
 यह जानने की जरूरत है कि इसका परिणाम क्या होता है। 
 मुझे यह जानने का कोई तरीका चाहिए कि खेल कब खत्म होगा। 
 तो यह एक लक्ष्य परीक्षण की तरह की तरह है, 
 लेकिन मुझे जांच के लिए कुछ टर्मिनल टेस्ट, किसी तरह की जरूरत है 
 यह देखने के लिए कि क्या एक राज्य एक टर्मिनल राज्य है, जहां एक टर्मिनल राज्य का मतलब है 
 खेल खत्म हुआ। 
 टिक-टैक-टो के क्लासिक खेल में, एक टर्मिनल राज्य का अर्थ है या तो किसी के पास 
 एक पंक्ति में तीन मिल गए, या टिक-टैक-टो बोर्ड के सभी वर्ग हैं 
 भर ग्या। 
 या तो उन शर्तों के एक टर्मिनल राज्य बनाते हैं। 
 शतरंज के खेल में, यह कुछ ऐसा हो सकता है, 
 जब चेकमेट है, या अगर चेकमेट संभव नहीं है, 
 यह एक टर्मिनल राज्य बन जाता है। 
 और फिर अंत में हमें एक उपयोगिता फ़ंक्शन, एक फ़ंक्शन की आवश्यकता होगी जो एक राज्य लेता है 
 और हमें उस टर्मिनल राज्य के लिए एक संख्यात्मक मूल्य देता है, किसी तरह का कहना है, 
 यदि X गेम जीतता है, तो उसका मान 1 है। 
 यदि O ने गेम जीता है, तो नकारात्मक 1 का मान है। 
 यदि किसी ने गेम नहीं जीता है, तो उसका मान 0 है। 
 तो आइए इनमें से प्रत्येक को बारी-बारी से देखें। 
 प्रारंभिक स्थिति, हम खाली गेम बोर्ड के रूप में टिक-टैक-टो में प्रतिनिधित्व कर सकते हैं। 
 यह वह जगह है जहाँ हम शुरू करते हैं। 

Chinese: 
如果我有狀態，並且採取了行動，那麼我
需要知道由此產生的結果。 
我需要某種方式來知道遊戲何時結束。 
因此，這相當於一種目標測試， 
但是我需要一些終端測試，一些檢查方法
查看狀態是否為終端狀態，其中終端狀態表示
遊戲結束了。 
在經典的井字遊戲中，終端狀態表示有人
連續三個，或者井字遊戲板的所有正方形都是
填充。 
這些條件中的任何一個都使其成為終端狀態。 
在下象棋時，可能是這樣的， 
當有同伴或不再有同伴時， 
成為終端狀態。 
最後，我們需要一個實用程序函數，該函數需要一個狀態
並以某種方式為我們提供了該終端狀態的數值
如果X贏得遊戲，則值為1。 
如果O贏得了比賽，則該值為負1。 
如果沒有人贏得比賽，則該值為0。 
因此，讓我們依次看一下每個。 
初始狀態下，我們可以在井字遊戲中將其表示為空白遊戲板。 
這是我們開始的地方。 

Indonesian: 
 Jika saya memiliki keadaan, dan saya mengambil tindakan, saya 
 perlu tahu apa akibatnya. 
 Saya perlu beberapa cara untuk mengetahui kapan pertandingan selesai. 
 Jadi ini setara dengan jenis seperti tes gol, 
 tapi saya perlu beberapa tes terminal, beberapa cara untuk memeriksa 
 untuk melihat apakah suatu keadaan adalah keadaan terminal, di mana keadaan terminal berarti 
 permainan sudah berakhir. 
 Dalam permainan klasik tic-tac-toe, status terminal berarti seseorang memiliki 
 mendapatkan tiga berturut-turut, atau semua kotak dari papan tic-tac-toe 
 terisi. 
 Salah satu dari kondisi tersebut menjadikannya keadaan terminal. 
 Dalam permainan catur, itu mungkin seperti, 
 ketika ada skakmat, atau jika skakmat tidak mungkin lagi, 
 yang menjadi kondisi terminal. 
 Dan akhirnya kita akan membutuhkan fungsi utilitas, fungsi yang membutuhkan status 
 dan memberi kita nilai numerik untuk kondisi terminal itu, beberapa cara untuk mengatakan, 
 jika X memenangkan permainan, itu memiliki nilai 1. 
 Jika O telah memenangkan permainan, itu memiliki nilai negatif 1. 
 Jika tidak ada yang memenangkan permainan, itu memiliki nilai 0. 
 Jadi mari kita lihat masing-masing secara bergantian. 
 Keadaan awal, kita bisa mewakili di tic-tac-toe sebagai papan permainan kosong. 
 Di sinilah kita mulai. 

Dutch: 
 Als ik een staat heb, en ik onderneem actie, ik 
 moeten weten welke resultaten daaruit voortvloeien. 
 Ik heb een manier nodig om te weten wanneer het spel voorbij is. 
 Dus dit komt overeen met een soort doeltest, 
 maar ik heb een terminale test nodig, een manier om te controleren 
 om te zien of een toestand een terminale toestand is, waar een terminale toestand betekent 
 het spel is voorbij. 
 In het klassieke spel van tic-tac-toe betekent een terminale toestand dat iemand dat heeft 
 drie achter elkaar gekregen, of alle vierkanten van het tic-tac-toe-bord zijn 
 gevuld. 
 Een van deze voorwaarden maakt het een terminale staat. 
 In een schaakspel kan het zoiets zijn als: 
 als er schaakmat is, of als schaakmat niet meer mogelijk is, 
 dat wordt een terminale toestand. 
 En dan hebben we eindelijk een utility-functie nodig, een functie die een status aanneemt 
 en geeft ons een numerieke waarde voor die terminale toestand, een manier om te zeggen: 
 als X het spel wint, heeft dat een waarde van 1. 
 Als O het spel heeft gewonnen, heeft dat de waarde van min 1. 
 Als niemand het spel heeft gewonnen, heeft dat een waarde van 0. 
 Dus laten we ze achtereenvolgens bekijken. 
 De begintoestand kunnen we in tic-tac-toe gewoon representeren als het lege bord. 
 Hier beginnen we. 

Russian: 
 Если у меня есть состояние, и я принимаю меры, я 
 нужно знать, что в результате этого. 
 Мне нужен какой-то способ узнать, когда игра закончится. 
 Так что это эквивалентно целевому тесту, 
 но мне нужен какой-то терминальный тест, какой-то способ проверить 
 чтобы увидеть, является ли состояние терминальным состоянием, где терминальное состояние означает 
 Игра окончена. 
 В классической игре в крестики-нолики состояние терминала означает, что любой 
 получил три в ряд, или все квадраты доски крестики-нолики 
 заполнены. 
 Любое из этих условий делает его конечным состоянием. 
 В игре в шахматы это может быть что-то вроде 
 когда есть мат или если мат больше не возможен, 
 это становится конечным состоянием. 
 И, наконец, нам понадобится вспомогательная функция, функция, которая принимает состояние 
 и дает нам числовое значение для этого состояния терминала, некоторый способ сказать, 
 если Х выигрывает в игре, это значение равно 1. 
 Если О выиграл игру, это имеет отрицательное значение 1. 
 Если никто не выиграл игру, значение равно 0. 
 Итак, давайте посмотрим на каждый из них по очереди. 
 Исходное состояние мы можем просто представить в крестики-нолики как пустую игровую доску. 
 Это где мы начинаем. 

Portuguese: 
 Se eu tenho um estado e tomo uma ação, eu 
 precisa saber quais resultados são uma conseqüência disso. 
 Preciso de alguma maneira de saber quando o jogo acaba. 
 Então isso é equivalente a um teste de objetivo, 
 mas eu preciso de algum teste terminal, alguma maneira de verificar 
 para ver se um estado é um estado terminal, onde um estado terminal significa 
 o jogo acabou. 
 No clássico jogo do jogo da velha, um estado terminal significa que alguém tem 
 conseguiu três seguidas, ou todos os quadrados do tabuleiro da velha 
 preenchidas. 
 Qualquer uma dessas condições o torna um estado terminal. 
 Em um jogo de xadrez, pode ser algo como, 
 quando houver xeque-mate ou se não for mais possível, 
 isso se torna um estado terminal. 
 E, finalmente, precisaremos de uma função utilitária, uma função que assume um estado 
 e nos fornece um valor numérico para esse estado terminal, de alguma forma, 
 se X vencer o jogo, esse valor é 1. 
 Se O ganhou o jogo, esse valor é 1 negativo. 
 Se ninguém ganhou o jogo, esse valor é 0. 
 Então, vamos dar uma olhada em cada um deles por vez. 
 O estado inicial, podemos apenas representar no jogo da velha como o tabuleiro vazio do jogo. 
 É aqui que começamos. 

Korean: 
 상태가 있고 조치를 취하면 
 그 결과로 어떤 결과가 나오는지 알아야합니다. 
 게임이 언제 끝났는지 알 수있는 방법이 필요합니다. 
 이것은 목표 테스트와 같습니다. 
 하지만 몇 가지 터미널 테스트가 필요합니다. 
 상태가 터미널 상태인지 확인하기 위해 여기서 터미널 상태는 
 게임은 끝났다. 
 tic-tac-toe의 고전 게임에서 터미널 상태는 누군가가 
 연속으로 3 개를 받거나 틱택 토 보드의 모든 사각형이 
 채우는. 
 이러한 조건 중 하나가 터미널 상태가됩니다. 
 체스 게임에서는 다음과 같습니다. 
 검사원이 있거나 검사원이 더 이상 가능하지 않은 경우, 
 터미널 상태가됩니다. 
 마지막으로 유틸리티 함수, 상태를 취하는 함수가 필요합니다. 
 터미널 상태에 대한 수치를 알려줍니다. 
 X가 게임에서 이기면 1의 값을 갖습니다. 
 O가 게임에서 이겼다면, 그 값은 -1입니다. 
 아무도 게임에서 이기지 못했다면, 그 값은 0입니다. 
 자, 이것들을 차례로 살펴 봅시다. 
 초기 상태는 빈 게임 보드로 틱택 토로 표현할 수 있습니다. 
 우리가 시작하는 곳입니다. 

Italian: 
 È il luogo da cui iniziamo questa ricerca. 
 E ancora, rappresenterò queste cose visivamente. 
 Ma puoi immaginarlo davvero 
 un array, o un array bidimensionale, di tutti questi possibili quadrati. 
 Quindi abbiamo bisogno della funzione giocatore che, di nuovo, assume uno stato 
 e ci dice di chi è il turno. 
 Supponendo che X faccia la prima mossa, se ho un tabellone vuoto, 
 quindi la mia funzione di lettore restituirà X 
 E se ho un tabellone in cui X ha fatto una mossa, quella è la funzione del mio giocatore 
 andando a restituire O. La funzione giocatore prende un tabellone da gioco tic-tac-toe 
 e ci dice di chi è il turno. 
 Successivamente, considereremo la funzione azioni. 
 La funzione delle azioni, proprio come nella ricerca classica, assume uno stato 
 e ci dà l'insieme di tutte le azioni possibili 
 possiamo prendere in quello stato. 
 Quindi immaginiamo che sia il turno di O di muoversi in un tabellone che assomiglia a questo. 
 Cosa succede quando lo passiamo nella funzione azioni? 
 Quindi la funzione azioni prende questo stato del gioco come input, 
 e l'output è un insieme di possibili azioni è un insieme di-- 

Dutch: 
 Het is de plaats waar we deze zoektocht beginnen. 
 En nogmaals, ik zal deze dingen visueel weergeven. 
 Maar je kunt je voorstellen dat dit echt alleen maar is 
 een array of een tweedimensionale array van al deze mogelijke vierkanten. 
 Dan hebben we de spelerfunctie nodig die opnieuw een status aanneemt 
 en vertelt ons wie aan de beurt is. 
 Ervan uitgaande dat X de eerste zet doet, als ik een leeg bord heb, 
 dan zal mijn spelerfunctie X teruggeven 
 En als ik een spelbord heb waar X een zet heeft gedaan, dan is dat mijn spelerfunctie 
 gaat terug naar O. De spelerfunctie neemt een tic-tac-toe spelbord 
 en vertelt ons wie aan de beurt is. 
 Vervolgens zullen we de actiefunctie overwegen. 
 De actiefunctie neemt, net als bij klassiek zoeken, een staat aan 
 en geeft ons de set van alle mogelijke acties 
 we kunnen die toestand aannemen. 
 Stel je voor dat het O's beurt is om te bewegen op een spelbord dat er zo uitziet. 
 Wat gebeurt er als we het doorgeven aan de acties-functie? 
 Dus de actiefunctie neemt deze status van het spel als input, 
 en de output is een set van mogelijke acties, het is een set van-- 

English: 
It's the place from which we begin this search.
And again, I'll be representing these things visually.
But you can imagine this really just being
an array, or a two-dimensional array, of all of these possible squares.
Then we need the player function that, again, takes a state
and tells us whose turn it is.
Assuming X makes the first move, if I have an empty game board,
then my player function is going to return X
And if I have a game board where X has made a move, that my player function is
going to return O. The player function takes a tic-tac-toe game board
and tells us whose turn it is.
Next up, we'll consider the actions function.
The actions function, much like it did in classical search, takes a state
and gives us the set of all of the possible actions
we can take in that state.
So let's imagine it's O's turn to move in a game board that looks like this.
What happens when we pass it into the actions function?
So the actions function takes this state of the game as input,
and the output is a set of possible actions it's a set of--

Russian: 
 Это место, с которого мы начинаем этот поиск. 
 И снова я буду представлять эти вещи визуально. 
 Но вы можете себе представить, что это просто 
 массив или двумерный массив всех этих возможных квадратов. 
 Тогда нам нужна функция игрока, которая, опять же, принимает состояние 
 и говорит нам, чья это очередь. 
 Предполагая, что Х делает первый ход, если у меня пустая игровая доска, 
 тогда моя функция игрока собирается вернуть X 
 И если у меня есть игровая доска, где Х сделал ход, то моя функция игрока 
 собираюсь вернуть O. Функция игрока занимает игровое поле крестики-нолики 
 и говорит нам, чья это очередь. 
 Далее мы рассмотрим функцию действий. 
 Функция действий, как и в классическом поиске, принимает состояние 
 и дает нам набор всех возможных действий 
 мы можем принять в этом состоянии. 
 Итак, давайте представим, что настала очередь O двигаться на игровой доске, которая выглядит следующим образом. 
 Что происходит, когда мы передаем его в функцию действий? 
 Таким образом, функция действий принимает это состояние игры в качестве входа, 
 и вывод представляет собой набор возможных действий, это набор-- 

Spanish: 
 Es el lugar desde donde comenzamos esta búsqueda. 
 Y nuevamente, estaré representando estas cosas visualmente. 
 Pero puedes imaginar esto realmente solo siendo 
 una matriz, o una matriz bidimensional, de todos estos cuadrados posibles. 
 Entonces necesitamos la función de jugador que, nuevamente, toma un estado 
 y nos dice de quién es el turno. 
 Suponiendo que X haga el primer movimiento, si tengo un tablero de juego vacío, 
 entonces mi función de reproductor va a devolver X 
 Y si tengo un tablero de juego donde X ha hecho un movimiento, esa es la función de mi jugador 
 va a regresar O. La función del jugador toma un tablero de juego de tres en raya 
 y nos dice de quién es el turno. 
 A continuación, consideraremos la función de acciones. 
 La función de acciones, al igual que lo hizo en la búsqueda clásica, toma un estado 
 y nos da el conjunto de todas las acciones posibles 
 podemos tomar en ese estado. 
 Así que imaginemos que le toca a O moverse en un tablero de juego que se ve así. 
 ¿Qué sucede cuando lo pasamos a la función de acciones? 
 Entonces la función de acciones toma este estado del juego como entrada, 
 y la salida es un conjunto de acciones posibles, es un conjunto de-- 

Indonesian: 
 Ini adalah tempat kami memulai pencarian ini. 
 Dan lagi, saya akan mewakili hal-hal ini secara visual. 
 Tapi Anda bisa membayangkan ini benar-benar hanya makhluk 
 sebuah array, atau array dua dimensi, dari semua kotak yang mungkin ini. 
 Maka kita membutuhkan fungsi pemain yang, sekali lagi, mengambil status 
 dan memberi tahu kita giliran siapa. 
 Dengan asumsi X membuat langkah pertama, jika saya memiliki papan permainan kosong, 
 maka fungsi pemain saya akan mengembalikan X 
 Dan jika saya memiliki papan permainan di mana X telah bergerak, itulah fungsi pemain saya 
 akan kembali O. Fungsi pemain mengambil papan permainan tic-tac-toe 
 dan memberi tahu kita giliran siapa. 
 Selanjutnya, kami akan mempertimbangkan fungsi tindakan. 
 Fungsi tindakan, seperti yang dilakukan dalam pencarian klasik, mengambil status 
 dan memberi kita set dari semua tindakan yang mungkin 
 kita bisa menerima keadaan itu. 
 Jadi mari kita bayangkan giliran O untuk bergerak di papan permainan yang terlihat seperti ini. 
 Apa yang terjadi ketika kita meneruskannya ke fungsi tindakan? 
 Jadi fungsi aksi mengambil kondisi permainan sebagai input, 
 dan output adalah satu set tindakan yang mungkin itu adalah set of-- 

German: 
 Es ist der Ort, von dem aus wir diese Suche beginnen. 
 Und wieder werde ich diese Dinge visuell darstellen. 
 Aber Sie können sich vorstellen, dass dies wirklich nur so ist 
 ein Array oder ein zweidimensionales Array aller dieser möglichen Quadrate. 
 Dann brauchen wir die Player-Funktion, die wieder einen Zustand annimmt 
 und sagt uns, wer an der Reihe ist. 
 Angenommen, X macht den ersten Zug, wenn ich ein leeres Spielbrett habe, 
 dann wird meine Player-Funktion X zurückgeben 
 Und wenn ich ein Spielbrett habe, auf dem X einen Zug gemacht hat, ist das meine Spielerfunktion 
 wird zurückkehren O. Die Spielerfunktion nimmt ein Tic-Tac-Toe-Spielbrett 
 und sagt uns, wer an der Reihe ist. 
 Als nächstes betrachten wir die Aktionsfunktion. 
 Die Aktionsfunktion nimmt, ähnlich wie bei der klassischen Suche, einen Zustand an 
 und gibt uns die Menge aller möglichen Aktionen 
 wir können diesen Zustand annehmen. 
 Stellen wir uns also vor, O ist an der Reihe, sich auf einem Spielbrett zu bewegen, das so aussieht. 
 Was passiert, wenn wir es an die Aktionsfunktion übergeben? 
 Die Aktionsfunktion verwendet also diesen Status des Spiels als Eingabe. 
 und die Ausgabe ist eine Reihe möglicher Aktionen, es ist eine Reihe von ... 

Chinese: 
這是我們開始搜索的地方。 
再一次，我將以視覺方式呈現這些東西。 
但是你可以想像這真的只是
所有這些可能的正方形的數組或二維數組。 
然後，我們需要播放器功能再次處於狀態
並告訴我們輪到誰了。 
假設X邁出了第一步，如果我的遊戲盤空白， 
然後我的播放器函數將返回X 
如果我有一個X出手的遊戲板，那我的播放器功能就是
將返回O。播放器功能帶有井字遊戲板
並告訴我們輪到誰了。 
接下來，我們將考慮動作功能。 
動作功能就像在經典搜索中一樣，處於狀態
並提供所有可能採取的行動
我們可以進入那種狀態。 
因此，讓我們想像一下輪到在這樣的遊戲板中移動了。 
當我們將其傳遞給動作函數時會發生什麼？ 
因此動作函數會將游戲的這種狀態作為輸入， 
並且輸出是一組可能的動作，它是一組- 

Modern Greek (1453-): 
 Είναι το μέρος από το οποίο ξεκινάμε αυτήν την αναζήτηση. 
 Και πάλι, θα εκπροσωπώ αυτά τα πράγματα οπτικά. 
 Αλλά μπορείτε να φανταστείτε αυτό το πραγματικά απλό ον 
 ένας πίνακας, ή ένας δισδιάστατος πίνακας, όλων αυτών των πιθανών τετραγώνων. 
 Τότε χρειαζόμαστε τη λειτουργία αναπαραγωγής που, πάλι, παίρνει μια κατάσταση 
 και μας λέει ποιος είναι η σειρά του. 
 Υποθέτοντας ότι το X κάνει την πρώτη κίνηση, εάν έχω ένα άδειο πίνακα παιχνιδιών, 
 τότε η λειτουργία αναπαραγωγής μου πρόκειται να επιστρέψει το Χ 
 Και αν έχω έναν πίνακα παιχνιδιών όπου ο Χ έχει κάνει κίνηση, αυτή είναι η λειτουργία του παίκτη μου 
 πρόκειται να επιστρέψει Ο. Η λειτουργία του παίκτη παίρνει έναν πίνακα παιχνιδιών tic-tac-toe 
 και μας λέει ποιος είναι η σειρά του. 
 Στη συνέχεια, θα εξετάσουμε τη λειτουργία των ενεργειών. 
 Η λειτουργία των ενεργειών, όπως έκανε στην κλασική αναζήτηση, παίρνει μια κατάσταση 
 και μας δίνει το σύνολο όλων των πιθανών ενεργειών 
 μπορούμε να πάρουμε σε αυτήν την κατάσταση. 
 Ας φανταστούμε λοιπόν ότι είναι η σειρά του Ο να κινηθεί σε έναν πίνακα παιχνιδιών που μοιάζει με αυτό. 
 Τι συμβαίνει όταν το μεταφέρουμε στη λειτουργία ενεργειών; 
 Έτσι, η λειτουργία ενεργειών παίρνει αυτήν την κατάσταση του παιχνιδιού ως είσοδο, 
 και η έξοδος είναι ένα σύνολο πιθανών ενεργειών, είναι ένα σύνολο-- 

Chinese: 
这是我们开始搜索的地方。 
再一次，我将以视觉方式呈现这些东西。 
但是你可以想象这真的只是
所有这些可能的正方形的数组或二维数组。 
然后，我们需要播放器功能再次处于状态
并告诉我们轮到谁了。 
假设X迈出了第一步，如果我的游戏盘空白， 
然后我的播放器函数将返回X 
如果我有一个X出手的游戏板，那我的播放器功能就是
将返回O。播放器功能带有井字游戏板
并告诉我们轮到谁了。 
接下来，我们将考虑动作功能。 
动作功能就像在经典搜索中一样，处于状态
并提供所有可能采取的行动
我们可以进入那种状态。 
因此，让我们想象一下轮到在这样的游戏板中移动了。 
当我们将其传递给动作函数时会发生什么？ 
因此动作函数会将游戏的这种状态作为输入， 
并且输出是一组可能的动作，它是一组- 

Japanese: 
この検索を開始する場所です。 
また、これらを視覚的に表現します。 
しかし、あなたはこれが本当にただあることを想像することができます
これらすべての可能な正方形の配列、または2次元配列。 
次に、再び状態をとるプレーヤー関数が必要です
誰の番か教えてくれます。 
 Xが最初の動きをすると仮定して、空のゲームボードがある場合、 
その後、私のプレーヤー関数はXを返します
 Xが移動したゲームボードがある場合、そのプレイヤー機能は
 Oを返します。player関数は、三目並べのゲームボードを取ります。 
誰の番か教えてくれます。 
次に、アクション機能について考えます。 
アクション機能は、従来の検索と同様に、状態を取ります
可能なすべてのアクションのセットを提供します
その状態で取ることができます。 
では、このようなゲームボードで移動するのはOの番だとしましょう。 
それをアクション関数に渡すとどうなりますか？ 
したがって、アクション関数はゲームのこの状態を入力として受け取り、 
出力は一連の可能なアクションのセットです- 

Turkish: 
 Bu aramaya başladığımız yer. 
 Ve yine, bunları görsel olarak temsil edeceğim. 
 Ama bunun gerçekten sadece 
 tüm bu olası karelerden oluşan bir dizi veya iki boyutlu bir dizi. 
 Sonra tekrar bir durum alan oyuncu işlevine ihtiyacımız var 
 ve kimin sırası olduğunu söyler. 
 X'in ilk hamleyi yaptığını varsayarsak, boş bir oyun kartım varsa, 
 o zaman oyuncu fonksiyonum X'a dönecek 
 Ve X'in hareket ettiği bir oyun tahtam varsa, oyuncu fonksiyonum 
 Oyuncu işlevi bir tic-tac-toe oyun tahtası alır 
 ve kimin sırası olduğunu söyler. 
 Şimdi, eylemler işlevini ele alacağız. 
 Klasik işlevde olduğu gibi eylem işlevi de bir durum alır 
 ve bize tüm olası eylemleri veriyor 
 bu duruma girebiliriz. 
 Öyleyse şuna benzer bir oyun tahtasında hareket etme sırası O. 
 İşlemler işlevine geçirdiğimizde ne olur? 
 İşlemler işlevi oyunun bu durumunu girdi olarak alır, 
 ve çıktı bir dizi olası eylemdir. 

French: 
 C'est l'endroit à partir duquel nous commençons cette recherche. 
 Et encore une fois, je vais représenter ces choses visuellement. 
 Mais vous pouvez imaginer que c'est vraiment juste 
 un tableau, ou un tableau à deux dimensions, de tous ces carrés possibles. 
 Ensuite, nous avons besoin de la fonction de joueur qui, encore une fois, prend un état 
 et nous dit de qui c'est le tour. 
 En supposant que X fasse le premier pas, si j'ai un plateau de jeu vide, 
 alors ma fonction de joueur va retourner X 
 Et si j'ai un plateau de jeu où X a fait un mouvement, que ma fonction de joueur est 
 va retourner O. La fonction joueur prend un plateau de jeu tic-tac-toe 
 et nous dit de qui c'est le tour. 
 Ensuite, nous considérerons la fonction actions. 
 La fonction d'actions, tout comme elle le faisait dans la recherche classique, prend un état 
 et nous donne l'ensemble de toutes les actions possibles 
 nous pouvons prendre dans cet état. 
 Imaginons donc que ce soit au tour de O de se déplacer dans un plateau de jeu qui ressemble à ceci. 
 Que se passe-t-il lorsque nous le passons dans la fonction actions? 
 La fonction actions prend donc cet état du jeu en entrée, 
 et la sortie est un ensemble d'actions possibles, c'est un ensemble de-- 

Korean: 
 이 검색을 시작하는 곳입니다. 
 그리고 다시, 나는 이것들을 시각적으로 표현할 것입니다. 
 하지만 당신은 이것이 정말로 존재한다고 상상할 수 있습니다 
 가능한 모든 정사각형의 배열 또는 2 차원 배열 
 그리고 다시 플레이어 상태가 필요한 플레이어 기능이 필요합니다 
 누구의 차례인지 알려줍니다. 
 빈 게임 보드가 있다면 X가 첫 번째 행동을한다고 가정하면, 
 내 플레이어 기능은 X를 반환합니다 
 X가 움직 인 게임 보드가 있다면 플레이어 기능은 
 플레이어 기능은 틱택 토 게임 보드를 사용합니다. 
 누구의 차례인지 알려줍니다. 
 다음으로 액션 기능을 살펴 보겠습니다. 
 액션 검색은 고전적인 검색에서와 마찬가지로 상태를 취합니다. 
 우리에게 가능한 모든 행동을 제공합니다 
 우리는 그 상태를 취할 수 있습니다. 
 O가 다음과 같은 게임 보드에서 움직일 차례라고 상상해 봅시다. 
 액션 함수에 전달하면 어떻게됩니까? 
 액션 함수는 게임의이 상태를 입력으로 받아들입니다. 
 출력은 일련의 가능한 작업입니다. 

Hindi: 
 यह वह स्थान है जहाँ से हम इस खोज को शुरू करते हैं। 
 और फिर, मैं इन बातों का प्रतिनिधित्व करता हूं। 
 लेकिन आप यह कल्पना कर सकते हैं कि यह वास्तव में है 
 इन सभी वर्गों में से एक सरणी, या दो आयामी सरणी। 
 फिर हमें प्लेयर फ़ंक्शन की आवश्यकता होती है, जो फिर से, एक राज्य लेता है 
 और हमें बताता है कि किसकी बारी है। 
 अगर मैं एक खाली खेल बोर्ड है, तो मान लें कि X पहला कदम रखता है, 
 फिर मेरा खिलाड़ी फंक्शन X वापस करने जा रहा है 
 और अगर मेरे पास एक गेम बोर्ड है जहां एक्स ने एक कदम रखा है, तो यह है कि मेरा खिलाड़ी फ़ंक्शन है 
 O लौटने जा रहा है। प्लेयर फ़ंक्शन एक टिक-टैक-टो खेल बोर्ड लेता है 
 और हमें बताता है कि किसकी बारी है। 
 अगला, हम क्रियाओं पर विचार करेंगे। 
 क्रियात्मक कार्य, जैसे कि यह शास्त्रीय खोज में था, एक अवस्था लेता है 
 और हमें सभी संभावित कार्यों का सेट देता है 
 हम उस अवस्था में ले जा सकते हैं। 
 तो आइए कल्पना करें कि गेम बोर्ड में स्थानांतरित करने के लिए ओ की बारी है जो इस तरह दिखता है। 
 जब हम इसे क्रिया फ़ंक्शन में पास करते हैं तो क्या होता है? 
 तो क्रिया फ़ंक्शन इनपुट के रूप में खेल की इस स्थिति को लेता है, 
 और आउटपुट संभावित क्रियाओं का एक समूह है, जिसका एक सेट है-- 

Arabic: 
 إنه المكان الذي نبدأ منه هذا البحث. 
 ومرة أخرى ، سأقوم بتمثيل هذه الأشياء بصريًا. 
 ولكن يمكنك أن تتخيل أن هذا مجرد وجود 
 صفيف ، أو صفيف ثنائي الأبعاد ، من جميع هذه المربعات المحتملة. 
 ثم نحتاج إلى وظيفة اللاعب التي تأخذ ، مرة أخرى ، حالة 
 ويخبرنا من جاء دوره. 
 على افتراض أن X يقوم بالخطوة الأولى ، إذا كان لدي لوحة لعبة فارغة ، 
 ثم وظيفة لاعب بلدي سيعود X 
 وإذا كان لدي لوحة ألعاب حيث قام X بحركة ، فإن وظيفة اللاعب الخاصة بي هي 
 ذاهب للعودة O. تأخذ وظيفة اللاعب لوحة لعبة تيك تاك تو 
 ويخبرنا من جاء دوره. 
 بعد ذلك ، سننظر في وظيفة الإجراءات. 
 وظيفة الإجراءات ، كما فعلت في البحث الكلاسيكي ، تأخذ حالة 
 ويعطينا مجموعة من جميع الإجراءات الممكنة 
 يمكننا أن نتخذها في تلك الحالة. 
 لذلك دعونا نتخيل أن دور O للتحرك في لوحة لعبة تبدو هكذا. 
 ماذا يحدث عندما نمرره في وظيفة الإجراءات؟ 
 لذا فإن وظيفة الإجراءات تأخذ هذه الحالة من اللعبة كمدخل ، 
 والنتيجة هي مجموعة من الإجراءات الممكنة وهي مجموعة من-- 

Portuguese: 
 É o local de onde começamos esta pesquisa. 
 E novamente, representarei essas coisas visualmente. 
 Mas você pode imaginar isso realmente apenas sendo 
 uma matriz, ou uma matriz bidimensional, de todos esses quadrados possíveis. 
 Então precisamos da função player que, novamente, assume um estado 
 e nos diz de quem é a vez. 
 Supondo que X faça a primeira jogada, se eu tiver um tabuleiro vazio, 
 então minha função player retornará X 
 E se eu tenho um tabuleiro de jogo em que X fez uma jogada, essa função do meu jogador é 
 retornará O. A função do jogador pega um tabuleiro de jogo da velha 
 e nos diz de quem é a vez. 
 A seguir, consideraremos a função de ações. 
 A função de ações, assim como na pesquisa clássica, assume um estado 
 e nos fornece o conjunto de todas as ações possíveis 
 nós podemos pegar nesse estado. 
 Então, vamos imaginar que é a vez de O se mover em um tabuleiro de jogo que se parece com isso. 
 O que acontece quando passamos para a função de ações? 
 Portanto, a função de ações toma esse estado do jogo como entrada, 
 e a saída é um conjunto de ações possíveis, é um conjunto de-- 

Korean: 
 왼쪽 상단으로 이동하거나 하단 중앙으로 이동할 수 있습니다. 
 이것이 내가 가진 두 가지 가능한 행동 선택입니다 
 이 특정 상태에서 시작할 때 
 이전과 마찬가지로 상태와 동작을 추가하면 
 우리에게 알려주려면 일종의 전환 모델이 필요합니다. 
 우리가 주에서이 행동을 취할 때, 우리가 얻는 새로운 상태는 무엇입니까? 
 그리고 여기서는 결과 함수를 사용하여 
 입력뿐만 아니라 조치와 같은 상태. 
 결과 함수를이 상태에 적용하면 
 이 왼쪽 상단 코너에서 O를 움직이게하자 
 이 결과 상태입니다. 여기서 O는 왼쪽 상단에 있습니다. 
 그리고 지금, 이것은 틱택 토를하는 법을 아는 사람에게는 분명해 보입니다. 
 물론, 당신은 왼쪽 상단에서 플레이합니다. 
 그것이 당신이 얻는 보드입니다. 
 그러나이 모든 정보는 AI로 인코딩해야합니다. 
 AI는 틱택 토 게임 방법을 모른다 
 틱택 토의 규칙이 어떻게 작동하는지 AI에게 알려줄 때까지 
 이 함수는 여기에서 함수를 정의합니다. 
 이 게임의 실제 작동 방식을 AI에 알려줍니다 

Arabic: 
 يمكنني التحرك في أعلى اليسار ، أو يمكنني التحرك في الوسط السفلي. 
 هذان هما خيارا العمل الممكنان لدي 
 عندما أبدأ في هذه الحالة بالذات. 
 الآن ، تمامًا كما كان من قبل ، عندما نضيف حالات وأفعال ، 
 نحن بحاجة إلى نوع من نموذج الانتقال لتخبرنا ، 
 عندما نتخذ هذا الإجراء في الدولة ، ما هي الدولة الجديدة التي نحصل عليها؟ 
 وهنا ، نحدد ذلك باستخدام دالة النتيجة التي تستغرقها 
 دولة كمدخل ، وكذلك عمل. 
 وعندما نطبق دالة النتيجة على هذه الحالة ، 
 قائلين: دعنا نتحرك يا في الزاوية العلوية اليسرى ، الحالة الجديدة التي نحصل عليها 
 هي هذه الحالة الناتجة ، حيث يكون O في الزاوية العلوية اليسرى. 
 والآن ، يبدو هذا واضحًا لشخص يعرف كيفية لعب لعبة tic-tac-toe. 
 بالطبع تلعب في الزاوية اليسرى العليا-- 
 هذه هي اللوحة التي تحصل عليها. 
 ولكن يجب ترميز كل هذه المعلومات في الذكاء الاصطناعي. 
 الذكاء الاصطناعي لا يعرف كيف يلعب لعبة تيك تاك تو 
 حتى تخبر منظمة العفو الدولية عن كيفية عمل قواعد تيك تاك تو. 
 وهذه الوظيفة ، تحدد الوظيفة هنا ، 
 يسمح لنا بإخبار منظمة العفو الدولية بكيفية عمل هذه اللعبة بالفعل 

Indonesian: 
 Saya bisa bergerak di kiri atas, atau saya bisa bergerak di tengah bawah. 
 Itulah dua pilihan tindakan yang mungkin saya miliki 
 ketika saya mulai dalam keadaan khusus ini. 
 Sekarang, sama seperti sebelumnya, ketika kita menambahkan status dan tindakan, 
 kita perlu semacam model transisi untuk memberi tahu kita, 
 ketika kita mengambil tindakan ini di negara bagian, apa keadaan baru yang kita dapatkan? 
 Dan di sini, kami mendefinisikan bahwa menggunakan fungsi hasil yang diambil 
 status sebagai input, serta tindakan. 
 Dan ketika kita menerapkan fungsi hasil ke status ini, 
 mengatakan bahwa mari kita biarkan O bergerak di sudut kiri atas ini, keadaan baru yang kita dapatkan 
 adalah kondisi yang dihasilkan ini, di mana O berada di sudut kiri atas. 
 Dan sekarang, ini tampak jelas bagi seseorang yang tahu cara bermain tic-tac-toe. 
 Tentu saja, Anda bermain di sudut kiri atas - 
 itulah papan yang Anda dapatkan. 
 Tetapi semua informasi ini perlu dikodekan ke dalam AI. 
 AI tidak tahu cara bermain tic-tac-toe 
 sampai Anda memberi tahu AI bagaimana aturan kerja tic-tac-toe. 
 Dan fungsi ini, mendefinisikan fungsi di sini, 
 memungkinkan kita untuk memberi tahu AI bagaimana game ini sebenarnya bekerja 

English: 
I could move in the upper left, or I could move in the bottom middle.
Those are the two possible action choices that I have
when I begin in this particular state.
Now, just as before, when we add states and actions,
we need some sort of transition model to tell us,
when we take this action in the state, what is the new state that we get?
And here, we define that using the result function that takes
a state as input, as well as an action.
And when we apply the result function to this state,
saying that let's let O move in this upper left corner, the new state we get
is this resulting state, where O is in the upper-left corner.
And now, this seems obvious to someone who knows how to play tic-tac-toe.
Of course, you play in the upper left corner--
that's the board you get.
But all of this information needs to be encoded into the AI.
The AI doesn't know how to play tic-tac-toe
until you tell the AI how the rules of tic-tac-toe work.
And this function, defining the function here,
allows us to tell the AI how this game actually works

French: 
 Je pouvais bouger en haut à gauche, ou je pouvais bouger en bas au milieu. 
 Ce sont les deux choix d'action possibles que j'ai 
 quand je commence dans cet état particulier. 
 Maintenant, comme auparavant, lorsque nous ajoutons des états et des actions, 
 nous avons besoin d'une sorte de modèle de transition pour nous dire, 
 lorsque nous prenons cette mesure dans l'État, quel est le nouvel État que nous obtenons? 
 Et ici, nous définissons que l'utilisation de la fonction de résultat qui prend 
 un état en entrée, ainsi qu'une action. 
 Et lorsque nous appliquons la fonction de résultat à cet état, 
 en disant que laissons O se déplacer dans ce coin supérieur gauche, le nouvel état que nous obtenons 
 est cet état résultant, où O est dans le coin supérieur gauche. 
 Et maintenant, cela semble évident pour quelqu'un qui sait jouer au tic-tac-toe. 
 Bien sûr, vous jouez dans le coin supérieur gauche ... 
 c'est le tableau que vous obtenez. 
 Mais toutes ces informations doivent être encodées dans l'IA. 
 L'IA ne sait pas jouer au tic-tac-toe 
 jusqu'à ce que vous disiez à l'IA comment fonctionnent les règles du tic-tac-toe. 
 Et cette fonction, définissant la fonction ici, 
 nous permet de dire à l'IA comment ce jeu fonctionne réellement 

Portuguese: 
 Eu poderia me mover no canto superior esquerdo ou no meio do fundo. 
 Essas são as duas opções de ação possíveis que eu tenho 
 quando eu começo neste estado particular. 
 Agora, como antes, quando adicionamos estados e ações, 
 precisamos de algum tipo de modelo de transição para nos dizer, 
 quando tomamos essa ação no estado, qual é o novo estado que obtemos? 
 E aqui, definimos que, usando a função result que leva 
 um estado como entrada, bem como uma ação. 
 E quando aplicamos a função result a esse estado, 
 dizendo que vamos deixar O mover neste canto superior esquerdo, o novo estado que temos 
 é esse estado resultante, em que O está no canto superior esquerdo. 
 E agora, isso parece óbvio para alguém que sabe jogar o jogo da velha. 
 Claro, você joga no canto superior esquerdo-- 
 esse é o quadro que você recebe. 
 Mas todas essas informações precisam ser codificadas na IA. 
 A IA não sabe jogar tic-tac-toe 
 até você dizer à IA como as regras do jogo da velha funcionam. 
 E essa função, definindo a função aqui, 
 nos permite dizer à IA como esse jogo realmente funciona 

Spanish: 
 Podría moverme en la esquina superior izquierda o moverme en la parte inferior central. 
 Esas son las dos posibles opciones de acción que tengo 
 cuando empiezo en este estado particular. 
 Ahora, igual que antes, cuando agregamos estados y acciones, 
 necesitamos algún tipo de modelo de transición para decirnos, 
 cuando tomamos esta acción en el estado, ¿cuál es el nuevo estado que tenemos? 
 Y aquí, definimos eso usando la función de resultado que toma 
 un estado como entrada, así como una acción. 
 Y cuando aplicamos la función de resultado a este estado, 
 diciendo que dejemos que O se mueva en esta esquina superior izquierda, el nuevo estado que tenemos 
 es este estado resultante, donde O está en la esquina superior izquierda. 
 Y ahora, esto parece obvio para alguien que sabe jugar tic-tac-toe. 
 Por supuesto, juegas en la esquina superior izquierda. 
 ese es el tablero que obtienes. 
 Pero toda esta información necesita ser codificada en la IA. 
 La IA no sabe jugar tic-tac-toe 
 hasta que le digas a la IA cómo funcionan las reglas del tic-tac-toe. 
 Y esta función, definiendo la función aquí, 
 nos permite decirle a la IA cómo funciona realmente este juego 

German: 
 Ich könnte mich oben links oder in der unteren Mitte bewegen. 
 Das sind die zwei möglichen Aktionsoptionen, die ich habe 
 wenn ich in diesem bestimmten Zustand beginne. 
 Jetzt, genau wie zuvor, wenn wir Zustände und Aktionen hinzufügen, 
 Wir brauchen eine Art Übergangsmodell, um uns zu sagen: 
 Was ist der neue Zustand, den wir bekommen, wenn wir diese Maßnahmen im Staat ergreifen? 
 Und hier definieren wir das mit der Ergebnisfunktion, die benötigt wird 
 ein Zustand als Eingabe sowie eine Aktion. 
 Und wenn wir die Ergebnisfunktion auf diesen Zustand anwenden, 
 Sagen wir, lass uns O in dieser oberen linken Ecke bewegen, dem neuen Zustand, den wir bekommen 
 ist dieser resultierende Zustand, in dem sich O in der oberen linken Ecke befindet. 
 Und jetzt scheint dies für jemanden offensichtlich zu sein, der weiß, wie man Tic-Tac-Toe spielt. 
 Natürlich spielst du in der oberen linken Ecke ... 
 Das ist das Board, das du bekommst. 
 Alle diese Informationen müssen jedoch in die KI codiert werden. 
 Die KI weiß nicht, wie man Tic-Tac-Toe spielt 
 bis Sie der KI sagen, wie die Regeln von Tic-Tac-Toe funktionieren. 
 Und diese Funktion, die hier die Funktion definiert, 
 ermöglicht es uns, der KI zu sagen, wie dieses Spiel tatsächlich funktioniert 

Dutch: 
 Ik zou linksboven kunnen bewegen, of ik zou middenonder kunnen bewegen. 
 Dat zijn de twee mogelijke actiekeuzes die ik heb 
 wanneer ik begin in deze specifieke staat. 
 Nu, net als voorheen, wanneer we staten en acties toevoegen, 
 we hebben een soort overgangsmodel nodig om ons te vertellen, 
 wanneer we deze actie ondernemen in de staat, wat is de nieuwe staat die we krijgen? 
 En hier definiëren we dat met behulp van de resultaatfunctie die nodig is 
 een staat als input, evenals een actie. 
 En wanneer we de resultaatfunctie op deze toestand toepassen, 
 zeggend dat laten we O bewegen in deze linkerbovenhoek, de nieuwe staat die we krijgen 
 is deze resulterende staat, waarbij O in de linkerbovenhoek staat. 
 En nu lijkt dit voor de hand liggend voor iemand die weet hoe je tic-tac-toe moet spelen. 
 Je speelt natuurlijk in de linkerbovenhoek-- 
 dat is het bord dat je krijgt. 
 Maar al deze informatie moet in de AI worden gecodeerd. 
 De AI weet niet hoe hij tic-tac-toe moet spelen 
 totdat je de AI vertelt hoe de regels van tic-tac-toe werken. 
 En deze functie, die de functie hier definieert, 
 kunnen we de AI vertellen hoe deze game eigenlijk werkt 

Hindi: 
 मैं ऊपरी बाएँ में जा सकता था, या मैं नीचे के मध्य में जा सकता था। 
 वे दो संभावित कार्रवाई विकल्प हैं जो मेरे पास हैं 
 जब मैं इस विशेष अवस्था में शुरू करता हूं। 
 अब, पहले की तरह, जब हम राज्यों और कार्यों को जोड़ते हैं, 
 हमें यह बताने के लिए किसी प्रकार के संक्रमण मॉडल की आवश्यकता है, 
 जब हम राज्य में यह कार्रवाई करते हैं, तो हमें क्या नया राज्य मिलता है? 
 और यहाँ, हम परिभाषित करते हैं कि परिणाम फ़ंक्शन का उपयोग करता है 
 इनपुट के रूप में एक राज्य और साथ ही एक कार्रवाई। 
 और जब हम इस राज्य में परिणाम फ़ंक्शन लागू करते हैं, 
 यह कहते हुए कि चलो O को इस ऊपरी बाएँ कोने में ले जाएँ, हमें जो नया राज्य मिलेगा 
 यह परिणामी अवस्था है, जहाँ O ऊपरी-बाएँ कोने में है। 
 और अब, यह किसी ऐसे व्यक्ति को स्पष्ट लगता है जो टिक-टैक-टो खेलना जानता है। 
 बेशक, आप ऊपरी बाएँ कोने में खेलते हैं - 
 आपको जो बोर्ड मिलेगा। 
 लेकिन इस जानकारी को सभी को एआई में एनकोड करना होगा। 
 AI को टिक-टैक-टो खेलना नहीं आता है 
 जब तक आप एआई को नहीं बताएंगे कि टिक-टैक-टो के नियम कैसे काम करते हैं। 
 और यह फंक्शन, यहाँ फंक्शन को परिभाषित करते हुए, 
 हमें एआई को यह बताने की अनुमति देता है कि यह गेम वास्तव में कैसे काम करता है 

Russian: 
 Я мог двигаться в левом верхнем углу, или я мог двигаться в нижней середине. 
 Это два возможных варианта действий, которые у меня есть 
 когда я начну в этом конкретном состоянии. 
 Теперь, как и раньше, когда мы добавляем состояния и действия, 
 нам нужна какая-то модель перехода, чтобы сказать нам, 
 когда мы совершаем это действие в государстве, какое новое состояние мы получаем? 
 И здесь мы определяем, используя функцию результата, которая принимает 
 состояние как вход, а также действие. 
 И когда мы применяем функцию результата к этому состоянию, 
 говоря, что давайте позволим O двигаться в этом верхнем левом углу, новое состояние, которое мы получаем 
 это результирующее состояние, где O находится в верхнем левом углу. 
 И теперь это кажется очевидным для тех, кто знает, как играть в крестики-нолики. 
 Конечно, вы играете в левом верхнем углу ... 
 это доска, которую вы получаете. 
 Но вся эта информация должна быть закодирована в AI. 
 ИИ не умеет играть в крестики-нолики 
 пока вы не скажете AI, как работают правила крестики-нолики. 
 И эта функция, определяя функцию здесь, 
 позволяет нам рассказать AI, как эта игра на самом деле работает 

Chinese: 
我可以在左上方移动，也可以在中下方移动。 
这是我有两个可能的动作选择
当我以这种特殊状态开始时。 
现在，就像以前一样，当我们添加状态和动作时， 
我们需要某种过渡模型来告诉我们， 
当我们在状态中执行此操作时，我们得到的新状态是什么？ 
在这里，我们使用结果函数定义
状态作为输入以及动作。 
当我们将结果函数应用于此状态时， 
说让我们让O在这个左上角移动，我们得到的新状态
是此结果状态，其中O在左上角。 
而现在，这对于知道如何打井字游戏的人来说似乎很明显。 
当然，您在左上角玩游戏- 
那就是你得到的董事会。 
但是所有这些信息都需要编码到AI中。 
 AI不知道如何打井字游戏
直到您告诉AI井字游戏规则如何工作。 
这个功能，在这里定义功能， 
让我们告诉AI这个游戏的实际运作方式

Japanese: 
左上に移動することも、中央下に移動することもできます。 
それらは私が持っている2つの可能なアクションの選択肢です
私がこの特定の状態から始めるとき。 
今、以前と同様に、状態とアクションを追加すると、 
何らかの遷移モデルが必要です
この状態でこのアクションを実行すると、どのような新しい状態になりますか？ 
そして、ここでは、 
入力としての状態、およびアクション。 
そして、この関数に結果関数を適用すると、 
 Oをこの左上隅に移動させましょう、新しい状態
この結果の状態です。Oは左上隅にあります。 
そして今、これは三目並べの遊び方を知っている人には明らかなようです。 
もちろん、左上隅でプレイします- 
それはあなたが得るボードです。 
ただし、この情報はすべてAIにエンコードする必要があります。 
 AIは三目並べをプレイする方法を知りません
三目並べのルールの仕組みをAIに伝えるまで。 
そしてこの関数は、ここで関数を定義し、 
このゲームの実際の仕組みをAIに伝えることができます

Chinese: 
我可以在左上方移動，也可以在中下方移動。 
這是我有兩個可能的動作選擇
當我以這種特殊狀態開始時。 
現在，就像以前一樣，當我們添加狀態和動作時， 
我們需要某種過渡模型來告訴我們， 
當我們在狀態中執行此操作時，我們得到的新狀態是什麼？ 
在這裡，我們使用結果函數定義
狀態作為輸入以及動作。 
當我們將結果函數應用於此狀態時， 
說讓我們讓O在這個左上角移動，我們得到的新狀態
是此結果狀態，其中O在左上角。 
而現在，這對於知道如何打井字遊戲的人來說似乎很明顯。 
當然，您在左上角玩
那就是你得到的董事會。 
但是所有這些信息都需要編碼到AI中。 
 AI不知道如何打井字遊戲
直到您告訴AI井字遊戲規則如何工作。 
這個功能，在這裡定義功能， 
讓我們告訴AI這個遊戲的實際運作方式

Turkish: 
 Sol üstte veya alt ortada hareket edebilirim. 
 Bunlar, sahip olduğum iki olası eylem seçeneğidir 
 bu özel durumda başladığımda. 
 Şimdi, daha önce olduğu gibi, devletler ve eylemler eklediğimizde, 
 bize bir çeşit geçiş modeline ihtiyacımız var, 
 devlette bu eylemi gerçekleştirdiğimizde, elde ettiğimiz yeni durum nedir? 
 Ve burada, 
 bir eylemin yanı sıra girdi olarak bir durum. 
 Sonuç işlevini bu duruma uyguladığımızda, 
 Diyelim ki O sol üst köşede, yeni durumumuzda 
 O, sol üst köşede bulunan bu durumdur. 
 Ve şimdi, bu tic-tac-toe oynamayı bilen biri için açık görünüyor. 
 Tabii ki, sol üst köşede oynuyorsun. 
 aldığın tahta bu. 
 Ancak tüm bu bilgilerin yapay zekaya kodlanması gerekir. 
 AI tic-tac-toe oynamayı bilmiyor 
 Yapay zekaya tic-tac-toe kurallarının nasıl çalıştığını anlayana kadar. 
 Ve bu işlev, burada işlevi tanımlayan, 
 yapay zekaya bu oyunun gerçekte nasıl çalıştığını söylememize izin veriyor 

Modern Greek (1453-): 
 Θα μπορούσα να κινηθώ πάνω αριστερά ή θα μπορούσα να κινηθώ στην κάτω μέση. 
 Αυτές είναι οι δύο πιθανές επιλογές δράσης που έχω 
 όταν ξεκινώ σε αυτή τη συγκεκριμένη κατάσταση. 
 Τώρα, όπως και πριν, όταν προσθέτουμε καταστάσεις και ενέργειες, 
 χρειαζόμαστε κάποιο είδος μοντέλου μετάβασης για να μας πείτε, 
 όταν αναλαμβάνουμε αυτήν την ενέργεια στην πολιτεία, ποια είναι η νέα κατάσταση που έχουμε; 
 Και εδώ, ορίζουμε ότι χρησιμοποιώντας τη συνάρτηση αποτελέσματος που χρειάζεται 
 μια κατάσταση ως είσοδος, καθώς και μια ενέργεια. 
 Και όταν εφαρμόζουμε τη συνάρτηση αποτελέσματος σε αυτήν την κατάσταση, 
 λέγοντας ότι ας αφήσουμε τον Ο να κινηθεί σε αυτήν την επάνω αριστερή γωνία, τη νέα κατάσταση που έχουμε 
 είναι αυτή η προκύπτουσα κατάσταση, όπου το O βρίσκεται στην επάνω αριστερή γωνία. 
 Και τώρα, αυτό φαίνεται προφανές σε κάποιον που ξέρει να παίζει tic-tac-toe. 
 Φυσικά, παίζετε στην επάνω αριστερή γωνία-- 
 αυτός είναι ο πίνακας που παίρνεις. 
 Αλλά όλες αυτές οι πληροφορίες πρέπει να κωδικοποιηθούν στο AI. 
 Το AI δεν ξέρει να παίζει tic-tac-toe 
 έως ότου πείτε στο AI πώς λειτουργούν οι κανόνες του tic-tac-toe. 
 Και αυτή η συνάρτηση, ορίζοντας τη συνάρτηση εδώ, 
 μας επιτρέπει να πούμε στο AI πώς λειτουργεί αυτό το παιχνίδι 

Italian: 
 Potrei muovermi in alto a sinistra, oppure potrei muovermi in basso al centro. 
 Queste sono le due possibili scelte di azione che ho 
 quando comincio in questo stato particolare. 
 Ora, proprio come prima, quando aggiungiamo stati e azioni, 
 abbiamo bisogno di una sorta di modello di transizione per dirci, 
 quando intraprendiamo questa azione nello stato, qual è il nuovo stato che otteniamo? 
 E qui, lo definiamo usando la funzione risultante che richiede 
 uno stato come input, nonché un'azione. 
 E quando applichiamo la funzione risultato a questo stato, 
 dicendo che lasciamo O spostare in questo angolo in alto a sinistra, il nuovo stato che otteniamo 
 è questo stato risultante, dove O si trova nell'angolo in alto a sinistra. 
 E ora, questo sembra ovvio a qualcuno che sa giocare a tic-tac-toe. 
 Certo, giochi nell'angolo in alto a sinistra-- 
 questa è la tavola che ottieni. 
 Ma tutte queste informazioni devono essere codificate nell'intelligenza artificiale. 
 L'intelligenza artificiale non sa giocare a tic-tac-toe 
 fino a quando non dici all'IA come funzionano le regole del tic-tac-toe. 
 E questa funzione, definendo la funzione qui, 
 ci permette di dire all'AI come funziona effettivamente questo gioco 

Russian: 
 и как действия на самом деле влияют на исход игры. 
 Поэтому ИИ должен знать, как работает игра. 
 ИИ также должен знать, когда игра закончится. 
 То есть путем определения функции, называемой терминал, который принимает в качестве входных данных 
 состояние S, такое, что если мы возьмем игру, которая еще не закончена, 
 передать его в функцию терминала, вывод ложен. 
 Игра не окончена. 
 Но если мы возьмем игру, которая закончена, потому что Х получил три 
 в ряд вдоль этой диагонали, передать это в терминальную функцию, 
 тогда результат будет правдой, потому что игра на самом деле окончена. 
 И, наконец, мы рассказали AI, как работает игра. 
 с точки зрения того, какие шаги могут быть сделаны и что происходит, когда вы делаете эти шаги. 
 Мы сказали ИИ, когда игра закончится. 
 Теперь нам нужно сообщить AI, какова ценность каждого из этих состояний. 
 И мы делаем это, определяя эту функцию полезности, которая принимает состояние, S, 
 и говорит нам счет или полезность этого состояния. 
 Итак, еще раз, мы сказали, что если Х выигрывает игру, эта утилита имеет значение 1, 
 тогда как если О выигрывает игру, то полезность этого равна 1. 

English: 
and how actions actually affect the outcome of the game.
So the AI needs to know how the game works.
The AI also needs to know when the game is over.
That is by defining a function called terminal that takes as input
a state S, such that if we take a game that is not yet over,
pass it into the terminal function, the output is false.
The game is not over.
But if we take a game that is over, because X has gotten three
in a row along that diagonal, pass that into the terminal function,
then the output is going to be true, because the game now is, in fact, over.
And finally, we've told the AI how the game works
in terms of what moves can be made and what happens when you make those moves.
We've told the AI when the game is over.
Now we need to tell the AI what the value of each of those states is.
And we do that by defining this utility function, that takes a state, S,
and tells us the score or the utility of that state.
So again, we said that if X wins the game, that utility is a value of 1,
whereas if O wins the game, then the utility of that is negative 1.

Turkish: 
 ve eylemlerin oyunun sonucunu nasıl etkilediği. 
 Bu yüzden AI oyunun nasıl çalıştığını bilmeli. 
 AI ayrıca oyunun ne zaman bittiğini de bilmelidir. 
 Bunun anlamı, giriş olarak adlandırılan terminal adı verilen bir işlevi tanımlamaktır. 
 bir devlet S, öyle ki eğer henüz bitmemiş bir oyun alırsak, 
 terminal fonksiyonuna geçir, çıkış yanlış. 
 Oyun bitmedi. 
 Ama bitmiş bir oyun alırsak, çünkü X üç 
 bu diyagonal boyunca üst üste, bunu terminal işlevine geçirin, 
 o zaman çıktı gerçek olacak, çünkü şimdi oyun aslında bitti. 
 Ve son olarak, AI'ye oyunun nasıl çalıştığını söyledik 
 hangi hareketlerin yapılabileceği ve bu hareketleri yaptığınızda ne olacağı açısından. 
 AI'ya oyun bittiğinde söyledik. 
 Şimdi yapay zekâya bu devletlerin her birinin değerinin ne olduğunu söylememiz gerekiyor. 
 Ve bunu, bir yardımcı program olan S, 
 ve bize bu devletin puanını veya faydasını söyler. 
 Tekrar söyledik, eğer X oyunu kazanırsa, bu yardımcı programın değeri 1, 
 oysa O oyunu kazanırsa, bunun faydası negatif 1 olur. 

Japanese: 
アクションが実際にゲームの結果にどのように影響するか。 
したがって、AIはゲームの仕組みを知る必要があります。 
 AIは、ゲームがいつ終了したかを知る必要もあります。 
それは、入力として受け取るterminalという関数を定義することです。 
まだ終わっていないゲームを取るなら、状態S 
それをターミナル関数に渡すと、出力はfalseになります。 
ゲームは終わっていません。 
 Xが3になったので
その対角線に沿って続けて、それを終端関数に渡します。 
すると、ゲームは実際には終わったので、出力はtrueになります。 
そして最後に、ゲームの仕組みをAIに伝えました
どのような動きができるか、そしてそれらの動きをしたときに何が起こるかという点で。 
ゲーム終了時にAIに通知しました。 
次に、これらの各状態の値が何であるかをAIに伝える必要があります。 
そして、このユーティリティ関数を定義することで、状態Sを取得します。 
スコアやその状態の効用を教えてくれます。 
繰り返しになりますが、Xがゲームに勝った場合、そのユーティリティは値1です。 
一方、Oがゲームに勝った場合、その有用性はマイナス1です。 

Portuguese: 
 e como as ações realmente afetam o resultado do jogo. 
 Portanto, a IA precisa saber como o jogo funciona. 
 A IA também precisa saber quando o jogo termina. 
 Ou seja, definindo uma função chamada terminal que recebe como entrada 
 um estado S, de modo que, se fizermos um jogo que ainda não acabou, 
 passá-lo para a função terminal, a saída é falsa. 
 O jogo ainda não acabou. 
 Mas se fizermos um jogo que acabou, porque X conseguiu três 
 em uma linha ao longo dessa diagonal, passe isso para a função terminal, 
 então a saída será verdadeira, porque o jogo agora acabou, de fato. 
 E finalmente, dissemos à IA como o jogo funciona 
 em termos de quais movimentos podem ser feitos e o que acontece quando você faz esses movimentos. 
 Dissemos à AI quando o jogo acabou. 
 Agora precisamos dizer à AI qual é o valor de cada um desses estados. 
 E fazemos isso definindo essa função de utilitário, que assume um estado, S, 
 e nos diz a pontuação ou a utilidade desse estado. 
 Então, novamente, dissemos que, se X vencer o jogo, esse utilitário terá o valor 1, 
 enquanto que O vence o jogo, então a utilidade disso é negativa 1. 

Spanish: 
 y cómo las acciones realmente afectan el resultado del juego. 
 Entonces, la IA necesita saber cómo funciona el juego. 
 La IA también necesita saber cuándo termina el juego. 
 Eso es definiendo una función llamada terminal que toma como entrada 
 un estado S, tal que si tomamos un juego que aún no ha terminado, 
 pasarlo a la función terminal, la salida es falsa. 
 El juego no ha terminado. 
 Pero si tomamos un juego que ha terminado, porque X ha obtenido tres 
 en una fila a lo largo de esa diagonal, pasa eso a la función terminal, 
 entonces el resultado será cierto, porque el juego ahora, de hecho, ha terminado. 
 Y finalmente, le hemos dicho a la IA cómo funciona el juego 
 en términos de qué movimientos se pueden hacer y qué sucede cuando haces esos movimientos. 
 Le hemos dicho a la IA cuando el juego ha terminado. 
 Ahora tenemos que decirle a la IA cuál es el valor de cada uno de esos estados. 
 Y lo hacemos definiendo esta función de utilidad, que toma un estado, S, 
 y nos dice la puntuación o la utilidad de ese estado. 
 Entonces, nuevamente, dijimos que si X gana el juego, esa utilidad es un valor de 1, 
 mientras que si O gana el juego, entonces la utilidad de eso es negativa 1. 

Dutch: 
 en hoe acties de uitkomst van het spel daadwerkelijk beïnvloeden. 
 De AI moet dus weten hoe de game werkt. 
 De AI moet ook weten wanneer het spel voorbij is. 
 Dat wil zeggen door een functie te definiëren die terminal wordt genoemd en die als invoer wordt genomen 
 een staat S, zodat als we een spel nemen dat nog niet voorbij is, 
 geef het door aan de terminalfunctie, de uitvoer is onwaar. 
 Het spel is nog niet voorbij. 
 Maar als we een game nemen die voorbij is, omdat X er drie heeft gekregen 
 in een rij langs die diagonaal, geef dat door aan de terminalfunctie, 
 dan zal de output waar zijn, omdat het spel nu in feite voorbij is. 
 En tot slot hebben we de AI verteld hoe de game werkt 
 wat betreft de bewegingen die gemaakt kunnen worden en wat er gebeurt als je die bewegingen maakt. 
 We hebben de AI verteld wanneer de game voorbij is. 
 Nu moeten we de AI vertellen wat de waarde van elk van die staten is. 
 En we doen dat door deze utility-functie te definiëren, die een toestand aanneemt, S, 
 en vertelt ons de score of het nut van die staat. 
 Dus nogmaals, we zeiden dat als X het spel wint, dat hulpprogramma de waarde 1 heeft, 
 terwijl als O het spel wint, het nut daarvan negatief 1 is. 

German: 
 und wie Aktionen das Ergebnis des Spiels tatsächlich beeinflussen. 
 Die KI muss also wissen, wie das Spiel funktioniert. 
 Die KI muss auch wissen, wann das Spiel vorbei ist. 
 Dies geschieht durch Definieren einer Funktion namens Terminal, die als Eingabe verwendet wird 
 ein Zustand S, so dass, wenn wir ein Spiel nehmen, das noch nicht vorbei ist, 
 Übergeben Sie es an die Terminalfunktion, die Ausgabe ist falsch. 
 Das Spiel ist noch nicht vorbei. 
 Aber wenn wir ein Spiel nehmen, das vorbei ist, weil X drei bekommen hat 
 Übergeben Sie diese in einer Reihe entlang dieser Diagonale an die Terminalfunktion. 
 dann wird die Ausgabe wahr sein, weil das Spiel jetzt tatsächlich vorbei ist. 
 Und schließlich haben wir der KI erklärt, wie das Spiel funktioniert 
 in Bezug darauf, welche Züge gemacht werden können und was passiert, wenn Sie diese Züge machen. 
 Wir haben der KI gesagt, wann das Spiel vorbei ist. 
 Jetzt müssen wir der KI mitteilen, welchen Wert jeder dieser Zustände hat. 
 Und wir tun dies, indem wir diese Dienstprogrammfunktion definieren, die einen Zustand annimmt, S, 
 und sagt uns die Punktzahl oder den Nutzen dieses Zustands. 
 Also sagten wir noch einmal, wenn X das Spiel gewinnt, ist dieses Dienstprogramm ein Wert von 1, 
 Wenn O das Spiel gewinnt, ist der Nutzen davon negativ 1. 

Arabic: 
 وكيف تؤثر الإجراءات فعليًا على نتيجة اللعبة. 
 لذا يحتاج الذكاء الاصطناعي إلى معرفة كيفية عمل اللعبة. 
 يحتاج الذكاء الاصطناعي أيضًا إلى معرفة متى تنتهي اللعبة. 
 وذلك عن طريق تحديد وظيفة تسمى الطرفية تأخذ كمدخل 
 حالة S ، بحيث إذا أخذنا لعبة لم تنته بعد ، 
 تمريرها في وظيفة المحطة ، الناتج غير صحيح. 
 اللعبة لم تنته بعد. 
 ولكن إذا أخذنا لعبة انتهت ، لأن X قد حصلت على ثلاثة 
 في صف على طول هذا القطر ، قم بتمريره إلى الوظيفة الطرفية ، 
 عندها سيكون الناتج صحيحًا ، لأن اللعبة الآن ، في الواقع ، انتهت. 
 وأخيرًا ، أخبرنا منظمة العفو الدولية كيف تعمل اللعبة 
 من حيث ما يمكن القيام به وما يحدث عندما تقوم بهذه التحركات. 
 لقد أخبرنا منظمة العفو الدولية عندما تنتهي اللعبة. 
 نحتاج الآن أن نقول لمنظمة العفو الدولية ما هي قيمة كل من هذه الدول. 
 ونحن نفعل ذلك من خلال تحديد وظيفة الأداة المساعدة ، التي تأخذ حالة ، S ، 
 ويخبرنا النتيجة أو فائدة تلك الدولة. 
 لذا مرة أخرى ، قلنا أنه إذا فاز X باللعبة ، فإن هذه الأداة تكون قيمة 1 ، 
 بينما إذا فاز O باللعبة ، فإن فائدة ذلك سلبية 1. 

Hindi: 
 और कार्रवाई वास्तव में खेल के परिणाम को कैसे प्रभावित करती है। 
 इसलिए एआई को यह जानना होगा कि खेल कैसे काम करता है। 
 खेल खत्म होने पर एआई को भी जानना होगा। 
 यह टर्मिनल नामक एक फ़ंक्शन को परिभाषित करता है जो इनपुट के रूप में लेता है 
 एक राज्य एस, जैसे कि अगर हम ऐसा खेल लेते हैं जो अभी खत्म नहीं हुआ है, 
 इसे टर्मिनल फ़ंक्शन में पास करें, आउटपुट झूठा है। 
 खेल खत्म नहीं हुआ है। 
 लेकिन अगर हम एक खेल लेते हैं जो खत्म हो गया है, क्योंकि एक्स ने तीन प्राप्त किए हैं 
 उस विकर्ण के साथ एक पंक्ति में, टर्मिनल फ़ंक्शन में पास करें, 
 तब आउटपुट सही होने वाला है, क्योंकि खेल अब वास्तव में खत्म हो चुका है। 
 और अंत में, हमने AI को बताया कि गेम कैसे काम करता है 
 क्या चालें बनाई जा सकती हैं और क्या होता है जब आप उन चालों को बनाते हैं। 
 खेल खत्म होने पर हमने AI को बताया है। 
 अब हमें एआई को यह बताने की जरूरत है कि उन राज्यों में से प्रत्येक का मूल्य क्या है। 
 और हम इस उपयोगिता फ़ंक्शन को परिभाषित करके ऐसा करते हैं, जो एक राज्य लेता है, एस, 
 और हमें उस राज्य की स्कोर या उपयोगिता बताता है। 
 तो फिर, हमने कहा कि यदि X गेम जीतता है, तो उपयोगिता 1 का मान है, 
 जबकि यदि ओ गेम जीतता है, तो उस की उपयोगिता नकारात्मक 1 है। 

Modern Greek (1453-): 
 και πώς οι ενέργειες επηρεάζουν πραγματικά το αποτέλεσμα του παιχνιδιού. 
 Έτσι, το AI πρέπει να γνωρίζει πώς λειτουργεί το παιχνίδι. 
 Το AI πρέπει επίσης να γνωρίζει πότε τελειώνει το παιχνίδι. 
 Δηλαδή ορίζοντας μια συνάρτηση που ονομάζεται τερματικό που λαμβάνει ως είσοδο 
 μια κατάσταση S, έτσι ώστε αν πάρουμε ένα παιχνίδι που δεν έχει τελειώσει ακόμη, 
 περάστε το στη λειτουργία τερματικού, η έξοδος είναι λανθασμένη. 
 Το παιχνίδι δεν τελείωσε. 
 Αλλά αν πάρουμε ένα παιχνίδι που έχει τελειώσει, γιατί ο Χ έχει πάρει τρία 
 σε μια σειρά κατά μήκος αυτής της διαγώνιας, περάστε το στη λειτουργία τερματικού, 
 τότε το αποτέλεσμα θα είναι αληθινό, επειδή το παιχνίδι τώρα, στην πραγματικότητα, τελείωσε. 
 Και τέλος, έχουμε πει στο AI πώς λειτουργεί το παιχνίδι 
 όσον αφορά τις κινήσεις που μπορούν να γίνουν και τι συμβαίνει όταν κάνετε αυτές τις κινήσεις. 
 Έχουμε πει στο AI όταν τελειώσει το παιχνίδι. 
 Τώρα πρέπει να πούμε στο AI ποια είναι η αξία καθεμιάς από αυτές τις καταστάσεις. 
 Και το κάνουμε αυτό καθορίζοντας αυτήν τη λειτουργία χρησιμότητας, που παίρνει μια κατάσταση, S, 
 και μας λέει το σκορ ή τη χρησιμότητα αυτής της κατάστασης. 
 Και πάλι, είπαμε ότι αν ο Χ κερδίσει το παιχνίδι, αυτό το βοηθητικό πρόγραμμα είναι μια τιμή 1, 
 ενώ αν ο O κερδίσει το παιχνίδι, τότε η χρησιμότητα αυτού είναι αρνητική 1. 

Korean: 
 액션이 실제로 게임 결과에 미치는 영향 
 따라서 AI는 게임의 작동 방식을 알아야합니다. 
 AI는 게임이 언제 끝났는지 알아야합니다. 
 즉, 입력으로 사용되는 터미널이라는 기능을 정의함으로써 
 우리가 아직 끝나지 않은 게임을하면 
 터미널 기능으로 전달하면 출력이 false입니다. 
 게임은 끝나지 않았습니다. 
 그러나 우리가 끝난 게임을한다면 X는 3을 얻었 기 때문에 
 대각선을 따라 연속해서 터미널 함수에 전달합니다. 
 게임이 실제로 끝났기 때문에 결과는 사실이됩니다. 
 마지막으로 AI에게 게임의 작동 방식을 알려주었습니다. 
 어떤 동작을 수행 할 수 있는지 그리고 그 동작을 수행 할 때 어떤 일이 발생하는지에 대해 
 우리는 게임이 끝나면 AI에게 말 했어요. 
 이제 각 상태의 가치가 무엇인지 AI에 알려야합니다. 
 그리고이 유틸리티 함수를 정의하여 상태 S를 취합니다. 
 해당 국가의 점수 나 유용성을 알려줍니다. 
 다시 말하지만, 우리가 X가 게임에서 이기면 그 유틸리티는 1의 값이라고합니다 
 반면 O가 게임에서 이기면 그 유틸리티는 음수 1입니다. 

French: 
 et comment les actions affectent réellement le résultat du jeu. 
 L'IA doit donc savoir comment fonctionne le jeu. 
 L'IA doit également savoir quand le jeu est terminé. 
 C'est en définissant une fonction appelée terminal qui prend en entrée 
 un état S, tel que si on prend un jeu qui n'est pas encore terminé, 
 passez-le dans la fonction terminal, la sortie est fausse. 
 Le jeu n'est pas terminé. 
 Mais si nous prenons un jeu qui est terminé, parce que X a obtenu trois 
 dans une rangée le long de cette diagonale, passez-la dans la fonction terminale, 
 alors la sortie va être vraie, car le jeu est maintenant terminé. 
 Et enfin, nous avons expliqué à l'IA comment fonctionne le jeu 
 en termes de mouvements qui peuvent être effectués et de ce qui se passe lorsque vous effectuez ces mouvements. 
 Nous avons prévenu l'IA lorsque le jeu est terminé. 
 Maintenant, nous devons dire à l'IA quelle est la valeur de chacun de ces états. 
 Et nous le faisons en définissant cette fonction d'utilité, qui prend un état, S, 
 et nous indique le score ou l'utilité de cet état. 
 Encore une fois, nous avons dit que si X gagne le jeu, cet utilitaire est une valeur de 1, 
 alors que si O gagne la partie, l'utilité de celui-ci est négative 1. 

Italian: 
 e in che modo le azioni influiscono sul risultato del gioco. 
 Quindi l'IA deve sapere come funziona il gioco. 
 L'intelligenza artificiale deve anche sapere quando il gioco è finito. 
 Cioè definendo una funzione chiamata terminale che accetta come input 
 uno stato S, tale che se prendiamo un gioco che non è ancora finito, 
 passalo nella funzione terminale, l'output è falso. 
 Il gioco non è finito. 
 Ma se prendiamo un gioco che è finito, perché X ha ottenuto tre 
 in fila lungo quella diagonale, passala nella funzione terminale, 
 allora l'output sarà vero, perché il gioco ora è, in effetti, finito. 
 E infine, abbiamo detto all'intelligenza artificiale come funziona il gioco 
 in termini di quali mosse possono essere fatte e cosa succede quando fai quelle mosse. 
 Abbiamo detto all'intelligenza artificiale quando il gioco è finito. 
 Ora dobbiamo dire all'AI quale sia il valore di ciascuno di quegli stati. 
 E lo facciamo definendo questa funzione di utilità, che richiede uno stato, S, 
 e ci dice il punteggio o l'utilità di quello stato. 
 Quindi, ancora una volta, abbiamo detto che se X vince il gioco, quell'utilità ha un valore di 1, 
 mentre se O vince il gioco, allora l'utilità è negativa 1. 

Chinese: 
以及动作如何真正影响游戏的结果。 
因此，AI需要知道游戏的运作方式。 
 AI还需要知道游戏何时结束。 
那就是通过定义一个叫做terminal的函数作为输入
状态S，以便我们进行尚未结束的游戏， 
将其传递给终端函数，输出为false。 
游戏还没有结束。 
但是如果我们结束游戏，因为X已经获得了三
沿着对角线连续，将其传递给终端函数， 
那么输出将是真实的，因为事实上游戏现在结束了。 
最后，我们告诉AI游戏的运作方式
在可以做出哪些动作以及做出这些动作时会发生什么方面。 
游戏结束时我们已经告诉AI。 
现在我们需要告诉AI每个状态的价值是什么。 
然后，我们通过定义此效用函数（状态为S）来实现这一目标
并告诉我们该州的得分或效用。 
再说一次，我们说如果X赢得游戏，则该效用值为1， 
反之，如果O赢了游戏，则其效用为负1。 

Indonesian: 
 dan bagaimana tindakan sebenarnya mempengaruhi hasil permainan. 
 Jadi AI perlu tahu cara kerja gim. 
 AI juga perlu tahu kapan game selesai. 
 Yaitu dengan mendefinisikan fungsi yang disebut terminal yang digunakan sebagai input 
 negara S, sehingga jika kita mengambil game yang belum berakhir, 
 kirimkan ke fungsi terminal, hasilnya salah. 
 Permainan belum berakhir. 
 Tetapi jika kita mengambil game yang sudah berakhir, karena X sudah mendapat tiga 
 berturut-turut sepanjang diagonal itu, berikan itu ke fungsi terminal, 
 maka hasilnya akan menjadi kenyataan, karena permainan sekarang, pada kenyataannya, sudah berakhir. 
 Dan akhirnya, kami telah memberi tahu AI bagaimana permainan itu bekerja 
 dalam hal apa gerakan dapat dilakukan dan apa yang terjadi ketika Anda melakukan gerakan itu. 
 Kami sudah memberi tahu AI saat pertandingan usai. 
 Sekarang kita perlu memberi tahu AI berapa nilai dari masing-masing negara tersebut. 
 Dan kami melakukannya dengan mendefinisikan fungsi utilitas ini, yang memerlukan status, S, 
 dan memberi tahu kami skor atau kegunaan negara itu. 
 Jadi sekali lagi, kami mengatakan bahwa jika X memenangkan permainan, utilitas itu bernilai 1, 
 sedangkan jika O memenangkan permainan, maka utilitas itu negatif 1. 

Chinese: 
以及動作如何真正影響遊戲的結果。 
因此，人工智能需要知道遊戲的運作方式。 
 AI還需要知道遊戲何時結束。 
那就是通過定義一個叫做terminal的函數作為輸入
狀態S，以便我們進行尚未結束的遊戲， 
將其傳遞給終端函數，輸出為false。 
遊戲還沒有結束。 
但是如果我們結束遊戲，因為X已經獲得了三
沿著對角線連續，將其傳遞給終端函數， 
那麼輸出將是真實的，因為事實上游戲現在結束了。 
最後，我們告訴AI遊戲的運作方式
在可以做出哪些動作以及做出這些動作時會發生什麼方面。 
遊戲結束時我們已經告訴AI。 
現在我們需要告訴AI每個狀態的價值是什麼。 
然後，我們通過定義此效用函數（狀態為S）來實現這一目標
並告訴我們該州的得分或效用。 
再說一次，我們說如果X贏得遊戲，則該效用值為1， 
反之，如果O贏了遊戲，則其效用為負1。 

Spanish: 
 Y la IA necesita saber, para cada uno de estos estados terminales 
 donde termina el juego, ¿cuál es la utilidad de ese estado? 
 Así que puedo darte un tablero de juego como este, donde el juego ha terminado, de hecho, 
 y le pido a la IA que me diga cuál es el valor de ese estado, podría hacerlo. 
 El valor del estado es 1. 
 Sin embargo, las cosas se ponen interesantes si el juego aún no ha terminado. 
 Imaginemos un tablero de juego como este. 
 Estamos en el medio del juego. 
 Es el turno de O de hacer un movimiento. 
 Entonces, ¿cómo sabemos que es el turno de O para hacer un movimiento? 
 Podemos calcular eso, usando la función de jugador. 
 Podemos decir, jugador de S, pasar en el estado. 
 O es la respuesta, entonces sabemos que es el turno de O de moverse. 
 Y ahora, ¿cuál es el valor de este foro y qué medidas debería tomar O? 
 Bueno, eso va a depender. 
 Tenemos que hacer algunos cálculos aquí. 
 Y aquí es donde realmente entra en juego el algoritmo Minimax. 
 Recuerde que X está tratando de maximizar la puntuación, lo que significa 
 O está tratando de minimizar el puntaje. 
 O quisiera minimizar el valor total que obtenemos al final del juego. 

German: 
 Und die KI muss es für jeden dieser Endzustände wissen 
 Wo ist das Spiel vorbei? Was nützt dieser Zustand? 
 Also kann ich Ihnen ein Spielbrett wie dieses geben, auf dem das Spiel tatsächlich vorbei ist. 
 und ich bitte die KI, mir zu sagen, was der Wert dieses Zustands ist, es könnte dies tun. 
 Der Wert des Zustands ist 1. 
 Interessant wird es jedoch, wenn das Spiel noch nicht beendet ist. 
 Stellen wir uns ein solches Spielbrett vor. 
 Wir sind mitten im Spiel. 
 Es ist an O, sich zu bewegen. 
 Woher wissen wir also, dass O an der Reihe ist, einen Schritt zu machen? 
 Wir können das mit der Player-Funktion berechnen. 
 Wir können sagen, Spieler von S, im Staat passen. 
 O ist die Antwort, also wissen wir, dass O an der Reihe ist, sich zu bewegen. 
 Und was ist nun der Wert dieses Boards und welche Maßnahmen sollte O ergreifen? 
 Nun, das wird davon abhängen. 
 Wir müssen hier einige Berechnungen durchführen. 
 Und hier kommt der Minimax-Algorithmus wirklich ins Spiel. 
 Denken Sie daran, dass X versucht, die Punktzahl zu maximieren, was bedeutet 
 dass O versucht, die Punktzahl zu minimieren. 
 O möchte den Gesamtwert minimieren, den wir am Ende des Spiels erhalten. 

Turkish: 
 Ve AI, bu terminal durumların her biri için bilmeli 
 oyun bittiğinde, bu durumun faydası nedir? 
 Böylece size oyunun şu anda olduğu bir oyun tahtası verebilirim, 
 ve yapay zekâdan bana bu devletin değerinin ne olduğunu söylemesini istiyorum, bunu yapabilirdi. 
 Devletin değeri 1'dir. 
 Yine de, işlerin ilginç olduğu yer, oyun henüz bitmemişse. 
 Böyle bir oyun tahtası hayal edelim. 
 Oyunun ortasındayız. 
 Bir hamle yapma sırası O. 
 Peki O'nun hamle yapma sırası geldiğini nasıl biliyoruz? 
 Oyuncu işlevini kullanarak bunu hesaplayabiliriz. 
 S'nin oyuncusu, devletten geçebilir diyebiliriz. 
 O cevaptır, bu yüzden O'nun hareket etme sırası olduğunu biliyoruz. 
 Ve şimdi, bu kurulun değeri nedir ve O hangi eylemi gerçekleştirmelidir? 
 Bu bağlı. 
 Burada biraz hesaplama yapmak zorundayız. 
 İşte bu noktada Minimax algoritması devreye giriyor. 
 X'in puanı en üst düzeye çıkarmaya çalıştığını hatırlayın, yani 
 O skoru en aza indirmeye çalışıyor. 
 Oyunun sonunda elde ettiğimiz toplam değeri en aza indirmek istiyoruz. 

Hindi: 
 और एआई को इन टर्मिनल राज्यों में से प्रत्येक के लिए, जानने की जरूरत है 
 जहां खेल खत्म हो गया है, उस राज्य की उपयोगिता क्या है? 
 तो मैं आपको इस तरह से एक गेम बोर्ड दे सकता हूं, जहां खेल वास्तव में, पर, 
 और मैं एआई से पूछता हूं कि मुझे बताएं कि उस राज्य का मूल्य क्या है, यह ऐसा कर सकता है। 
 राज्य का मान 1 है। 
 हालांकि चीजें दिलचस्प हो जाती हैं, हालांकि, अगर खेल अभी खत्म नहीं हुआ है। 
 आइए एक गेम बोर्ड की कल्पना करें। 
 हम खेल के बीच में हैं। 
 यह एक चाल बनाने के लिए ओ की बारी है। 
 तो हम कैसे जानते हैं कि यह एक कदम बनाने के लिए ओ की बारी है? 
 हम खिलाड़ी फ़ंक्शन का उपयोग करके, इसकी गणना कर सकते हैं। 
 हम कह सकते हैं, एस के खिलाड़ी, राज्य में पास। 
 O का उत्तर है, इसलिए हम जानते हैं कि इसे स्थानांतरित करने के लिए O की बारी है। 
 और अब, इस बोर्ड का मूल्य क्या है, और ओ को क्या कार्रवाई करनी चाहिए? 
 खैर यह निर्भर करने वाला है। 
 हमें यहां कुछ गणना करनी होगी। 
 और यह वह जगह है जहां वास्तव में मिनीमैक्स एल्गोरिथ्म आता है। 
 याद रखें कि X स्कोर को अधिकतम करने की कोशिश कर रहा है, जिसका मतलब है 
 कि O स्कोर को कम करने की कोशिश कर रहा है। 
 ओ खेल के अंत में मिलने वाले कुल मूल्य को कम से कम करना चाहेंगे। 

Indonesian: 
 Dan AI perlu tahu, untuk masing-masing status terminal ini 
 di mana permainan berakhir, apa kegunaan negara itu? 
 Jadi saya bisa memberi Anda papan permainan seperti ini, di mana permainan itu, pada kenyataannya, berakhir, 
 dan saya meminta AI untuk memberi tahu saya apa nilai keadaan itu, bisa melakukannya. 
 Nilai negara adalah 1. 
 Namun, hal-hal yang menarik adalah jika permainan belum berakhir. 
 Mari kita bayangkan papan permainan seperti ini. 
 Kami berada di tengah-tengah permainan. 
 Giliran O untuk bergerak. 
 Jadi bagaimana kita tahu giliran O untuk bergerak? 
 Kita bisa menghitungnya, menggunakan fungsi pemain. 
 Kita dapat mengatakan, pemain S, lulus di negara bagian. 
 O adalah jawabannya, jadi kita tahu giliran O untuk bergerak. 
 Dan sekarang, apa nilai dewan ini, dan tindakan apa yang harus diambil? 
 Nah itu akan tergantung. 
 Kami harus melakukan perhitungan di sini. 
 Dan di sinilah algoritma Minimax benar-benar masuk. 
 Ingatlah bahwa X sedang berusaha memaksimalkan skor, yang artinya 
 bahwa O sedang berusaha meminimalkan skor. 
 O ingin meminimalkan nilai total yang kami dapatkan di akhir permainan. 

Arabic: 
 ويجب أن يعرف الذكاء الاصطناعي لكل من هذه الحالات النهائية 
 حيث انتهت اللعبة ، ما فائدة تلك الدولة؟ 
 لذا يمكنني أن أعطيك لوحة ألعاب مثل هذه ، حيث انتهت اللعبة ، في الواقع ، 
 وأطلب من منظمة العفو الدولية أن تخبرني ما هي قيمة هذه الدولة ، يمكنها أن تفعل ذلك. 
 قيمة الدولة 1. 
 على الرغم من ذلك ، تكون الأشياء مثيرة للاهتمام إذا كانت اللعبة لم تنته بعد. 
 دعونا نتخيل لوحة لعبة مثل هذه. 
 نحن في منتصف اللعبة. 
 لقد حان دور O لاتخاذ خطوة. 
 إذن كيف نعرف أن دور O هو اتخاذ خطوة؟ 
 يمكننا حساب ذلك باستخدام وظيفة اللاعب. 
 يمكننا أن نقول ، لاعب S ، تمر في الدولة. 
 O هو الجواب ، لذلك نحن نعلم أن دور O للتحرك. 
 والآن ، ما هي قيمة هذا المجلس ، وما العمل الذي يجب أن أتخذه؟ 
 حسنًا ، هذا سيعتمد. 
 علينا القيام ببعض الحسابات هنا. 
 وهنا يأتي دور خوارزمية Minimax حقًا. 
 تذكر أن X يحاول زيادة النتيجة ، مما يعني 
 أن O يحاول تقليل النتيجة. 
 ترغب O في تقليل القيمة الإجمالية التي نحصل عليها في نهاية اللعبة. 

Italian: 
 E l'IA deve sapere, per ciascuno di questi stati terminali 
 dove finisce il gioco, qual è l'utilità di quello stato? 
 Quindi posso darti un tabellone di gioco come questo, in cui il gioco è, in effetti, finito, 
 e chiedo all'AI di dirmi qual è il valore di quello stato, potrebbe farlo. 
 Il valore dello stato è 1. 
 Dove le cose si fanno interessanti, però, è se il gioco non è ancora finito. 
 Immaginiamo un tabellone come questo. 
 Siamo nel mezzo del gioco. 
 È il turno di O di fare una mossa. 
 Quindi, come facciamo a sapere che è il turno di O di fare una mossa? 
 Possiamo calcolarlo, usando la funzione player. 
 Possiamo dire, giocatore di S, passare nello stato. 
 O è la risposta, quindi sappiamo che è il turno di O di muoversi. 
 E ora, qual è il valore di questo consiglio e quali azioni O dovrebbe intraprendere? 
 Bene, dipenderà. 
 Dobbiamo fare alcuni calcoli qui. 
 Ed è qui che entra in gioco l'algoritmo Minimax. 
 Ricorda che X sta cercando di massimizzare il punteggio, il che significa 
 che O sta cercando di minimizzare il punteggio. 
 O vorrebbe minimizzare il valore totale che otteniamo alla fine del gioco. 

Japanese: 
そしてAIはこれらの各終了状態について知る必要があります
ゲームが終わったところ、その状態のユーティリティは何ですか？ 
だから私はあなたにこのようなゲームボードを与えることができます、そこでゲームは実際には終わります、 
そして、AIにその状態の値が何であるかを教えてくれるように頼みます。 
状態の値は1です。 
しかし、興味深いのは、ゲームがまだ終わっていない場合です。 
このようなゲームボードを想像してみましょう。 
ゲームの最中です。 
移動するのはOの番です。 
それでは、Oが移動する番だとどうやって知るのでしょうか。 
これは、player関数を使用して計算できます。 
その状態でSの選手、合格と言えます。 
 Oが答えなので、Oが移動する番です。 
そして今、このボードの価値は何ですか、そしてOはどのような行動を取るべきですか？ 
まあそれは依存するだろう。 
ここで計算を行う必要があります。 
そして、これがMinimaxアルゴリズムが実際に登場する場所です。 
 Xがスコアを最大化しようとしていることを思い出してください。 
 Oがスコアを最小化しようとしていること。 
 Oは、ゲームの終了時に得られる合計値を最小化したいと考えています。 

English: 
And the AI needs to know, for each of these terminal states
where the game is over, what is the utility of that state?
So I can give you a game board like this, where the game is, in fact, over,
and I ask the AI to tell me what the value of that state is, it could do so.
The value of the state is 1.
Where things get interesting, though, is if the game is not yet over.
Let's imagine a game board like this.
We're in the middle of the game.
It's O's turn to make a move.
So how do we know it's O's turn to make a move?
We can calculate that, using the player function.
We can say, player of S, pass in the state.
O is the answer, so we know it's O's turn to move.
And now, what is the value of this board, and what action should O take?
Well that's going to depend.
We have to do some calculation here.
And this is where the Minimax algorithm really comes in.
Recall that X is trying to maximize the score, which means
that O is trying to minimize the score.
O would like to minimize the total value that we get at the end of the game.

Modern Greek (1453-): 
 Και το AI πρέπει να γνωρίζει, για καθεμία από αυτές τις καταληκτικές καταστάσεις 
 όπου το παιχνίδι τελείωσε, ποια είναι η χρησιμότητα αυτής της κατάστασης; 
 Έτσι μπορώ να σας δώσω έναν πίνακα παιχνιδιών όπως αυτό, όπου το παιχνίδι, στην πραγματικότητα, τελείωσε, 
 και ζητώ από το AI να μου πει ποια είναι η αξία αυτής της κατάστασης, θα μπορούσε να το κάνει. 
 Η τιμή της κατάστασης είναι 1. 
 Όπου τα πράγματα γίνονται ενδιαφέροντα, είναι αν το παιχνίδι δεν έχει τελειώσει ακόμη. 
 Ας φανταστούμε έναν πίνακα παιχνιδιών σαν αυτό. 
 Είμαστε στη μέση του παιχνιδιού. 
 Είναι η σειρά του Ο να κάνει μια κίνηση. 
 Πώς ξέρουμε λοιπόν ότι είναι η σειρά του Ο να κάνει μια κίνηση; 
 Μπορούμε να το υπολογίσουμε, χρησιμοποιώντας τη λειτουργία αναπαραγωγής. 
 Μπορούμε να πούμε, παίκτης του S, να περάσει στην πολιτεία. 
 Ο είναι η απάντηση, οπότε ξέρουμε ότι είναι η σειρά του Ο να κινηθεί. 
 Και τώρα, ποια είναι η αξία αυτού του διοικητικού συμβουλίου και ποια δράση πρέπει να λάβει ο O; 
 Λοιπόν αυτό θα εξαρτηθεί. 
 Πρέπει να κάνουμε κάποιον υπολογισμό εδώ. 
 Και εδώ μπαίνει ο αλγόριθμος Minimax. 
 Θυμηθείτε ότι ο Χ προσπαθεί να μεγιστοποιήσει το σκορ, που σημαίνει 
 ότι ο Ο προσπαθεί να ελαχιστοποιήσει το σκορ. 
 O θα ήθελα να ελαχιστοποιήσω τη συνολική αξία που έχουμε στο τέλος του παιχνιδιού. 

Dutch: 
 En de AI moet het weten, voor elk van deze eindtoestanden 
 waar het spel voorbij is, wat is het nut van die staat? 
 Dus ik kan je zo'n bord geven, waar het spel eigenlijk voorbij is, 
 en ik vraag de AI om me te vertellen wat de waarde van die staat is, het zou dat kunnen doen. 
 De waarde van de staat is 1. 
 Waar het echter interessant wordt, is als het spel nog niet voorbij is. 
 Stel je een spelbord voor zoals dit. 
 We zitten midden in het spel. 
 Het is O's beurt om een ​​zet te doen. 
 Dus hoe weten we dat het de beurt is aan O om een ​​zet te doen? 
 We kunnen dat berekenen met behulp van de spelerfunctie. 
 We kunnen zeggen, speler van S, passeren in de staat. 
 O is het antwoord, dus we weten dat het de beurt is aan O om te verhuizen. 
 En nu, wat is de waarde van dit bord en welke actie moet O ondernemen? 
 Dat hangt ervan af. 
 We moeten hier een berekening maken. 
 En dit is waar het Minimax-algoritme echt van pas komt. 
 Bedenk dat X probeert de score te maximaliseren, wat betekent 
 dat O de score probeert te minimaliseren. 
 O wil de totale waarde die we aan het einde van het spel krijgen minimaliseren. 

Chinese: 
對於每個終端狀態，人工智能都需要知道
遊戲結束了，那個國家的效用是什麼？ 
所以我可以給你這樣的遊戲板，實際上游戲結束了， 
我請AI告訴我該狀態的價值是什麼，它可以做到。 
狀態的值為1。 
但是，事情還算有趣的是，遊戲還沒有結束。 
讓我們想像一下這樣的遊戲板。 
我們在遊戲的中間。 
輪到我們採取行動了。 
那麼，我們怎麼知道該該採取行動了？ 
我們可以使用播放器功能進行計算。 
可以說，S的玩家通過狀態。 
 O是答案，所以我們知道該該走了。 
而現在，該委員會的價值是什麼，應該採取什麼行動？ 
那麼這將取決於。 
我們必須在這裡做一些計算。 
這就是Minimax算法真正出現的地方。 
回想一下X試圖最大化分數，這意味著
 O試圖最小化分數。 
 O希望最小化我們在遊戲結束時獲得的總價值。 

Russian: 
 И ИИ должен знать, для каждого из этих состояний терминала 
 где игра окончена, какая польза от этого состояния? 
 Так что я могу дать вам такую ​​игровую доску, где игра, на самом деле, закончена, 
 и я прошу ИИ сказать мне, какова ценность этого состояния, он мог бы это сделать. 
 Значение состояния 1. 
 Но все становится интереснее, если игра еще не закончена. 
 Давайте представим себе такую ​​игровую доску. 
 Мы находимся в середине игры. 
 Теперь ход О, чтобы сделать ход. 
 Итак, как мы узнаем, что настала очередь О сделать ход? 
 Мы можем рассчитать это, используя функцию игрока. 
 Можно сказать, игрок S, перейдите в состояние. 
 О - это ответ, поэтому мы знаем, что настала очередь О двигаться. 
 А теперь, какова ценность этой доски и какие действия следует предпринять? 
 Ну, это будет зависеть. 
 Мы должны сделать некоторые расчеты здесь. 
 И вот тут-то и появляется алгоритм Minimax. 
 Напомним, что X пытается максимизировать счет, что означает 
 что О пытается минимизировать счет. 
 О хотел бы минимизировать общую стоимость, которую мы получаем в конце игры. 

Korean: 
 AI는 이러한 각 터미널 상태에 대해 알아야합니다. 
 게임이 끝난 곳에서 그 상태의 유틸리티는 무엇입니까? 
 게임이 실제로 끝나는 곳에 게임 보드를 줄 수 있습니다. 
 AI에게 그 상태의 가치가 무엇인지 말해달라고 부탁합니다. 
 상태 값은 1입니다. 
 그러나 게임이 아직 끝나지 않은 것이 흥미로워지는 곳입니다. 
 이와 같은 게임 보드를 상상해 봅시다. 
 우리는 게임의 중간에 있습니다. 
 움직일 차례입니다. 
 그래서 우리가 움직일 O의 차례인지 어떻게 알 수 있습니까? 
 player 함수를 사용하여 계산할 수 있습니다. 
 우리는 S의 플레이어가 상태를 통과한다고 말할 수 있습니다. 
 O가 답이다. 그래서 우리는 O가 움직일 차례라는 것을 안다. 
 그리고 지금,이위원회의 가치는 무엇이며, 어떤 조치를 취해야합니까? 
 글쎄, 그것은 의존 할 것입니다. 
 여기서 계산을해야합니다. 
 그리고 이것이 바로 Minimax 알고리즘이 등장하는 곳입니다. 
 X가 점수를 극대화하려고한다는 것을 기억하십시오. 
 O가 점수를 최소화하려고합니다. 
 O는 게임이 끝날 때 얻는 총 가치를 최소화하고 싶습니다. 

Portuguese: 
 E a IA precisa saber, para cada um desses estados terminais 
 onde o jogo acabou, qual é a utilidade desse estado? 
 Para que eu possa lhe dar um tabuleiro de jogo como este, onde o jogo acabou, de fato, 
 e peço à AI que me diga qual é o valor desse estado, poderia fazê-lo. 
 O valor do estado é 1. 
 Onde as coisas ficam interessantes, no entanto, é se o jogo ainda não acabou. 
 Vamos imaginar um tabuleiro de jogo como este. 
 Estamos no meio do jogo. 
 É a vez de O fazer uma jogada. 
 Então, como sabemos que é a vez de O fazer uma jogada? 
 Podemos calcular isso usando a função player. 
 Podemos dizer, jogador de S, passar no estado. 
 O é a resposta, então sabemos que é a vez de O se mover. 
 E agora, qual é o valor deste fórum e que ação O deve tomar? 
 Bem, isso vai depender. 
 Temos que fazer alguns cálculos aqui. 
 E é aqui que o algoritmo Minimax realmente entra. 
 Lembre-se de que X está tentando maximizar a pontuação, o que significa 
 que O está tentando minimizar a pontuação. 
 O gostaria de minimizar o valor total que obtemos no final do jogo. 

French: 
 Et l'IA doit savoir, pour chacun de ces états terminaux 
 où le jeu est terminé, quelle est l'utilité de cet état? 
 Je peux donc vous donner un plateau de jeu comme celui-ci, où le jeu est, en fait, terminé, 
 et je demande à l'IA de me dire quelle est la valeur de cet état, il pourrait le faire. 
 La valeur de l'état est 1. 
 Mais là où les choses deviennent intéressantes, c'est si le jeu n'est pas encore terminé. 
 Imaginons un plateau de jeu comme celui-ci. 
 Nous sommes au milieu de la partie. 
 C'est au tour de O de bouger. 
 Alors, comment savons-nous que c'est au tour de O de bouger? 
 Nous pouvons calculer cela, en utilisant la fonction joueur. 
 On peut dire, joueur de S, passe en l'état. 
 O est la réponse, nous savons donc que c'est au tour de O de bouger. 
 Et maintenant, quelle est la valeur de ce tableau, et quelle action O devrait-il entreprendre? 
 Ça va dépendre. 
 Nous devons faire quelques calculs ici. 
 Et c'est là que l'algorithme Minimax entre vraiment en jeu. 
 Rappelez-vous que X essaie de maximiser le score, ce qui signifie 
 que O essaie de minimiser le score. 
 O voudrait minimiser la valeur totale que nous obtenons à la fin du jeu. 

Chinese: 
对于每个终端状态，人工智能都需要知道
游戏结束了，那个国家的效用是什么？ 
所以我可以给你这样的游戏板，实际上游戏结束了， 
我请AI告诉我该状态的价值是什么，它可以做到。 
状态的值为1。 
但是，事情还算有趣的是，游戏还没有结束。 
让我们想象一下这样的游戏板。 
我们在游戏的中间。 
轮到我们采取行动了。 
那么，我们怎么知道该该采取行动了？ 
我们可以使用播放器功能进行计算。 
可以说，S的玩家通过状态。 
 O是答案，所以我们知道该该走了。 
而现在，该委员会的价值是什么，应该采取什么行动？ 
好吧，这将取决于。 
我们必须在这里做一些计算。 
这就是Minimax算法真正出现的地方。 
回想一下X试图最大化分数，这意味着
 O试图最小化分数。 
 O希望最小化我们在游戏结束时获得的总价值。 

Japanese: 
このゲームはまだ終わっていないので、 
このゲームボードの価値をまだ知っています。 
それを理解するために、いくつかの計算を行う必要があります。 
では、このような計算をどのように行うのでしょうか。 
そうするために、私たちは検討します、 
古典的な検索の場合と同様に、 
次にどのような行動が起こり、どのような状態になるのでしょうか？ 
そして、この位置では、 
開いている正方形は2つだけです。つまり、2つの開いている場所しかありません。 
 Oは移動できます。 
 Oは左上に移動するか、 
またはOは下の真ん中に移動できます。 
そして、Minimaxは、箱から出してすぐにそれらのどれが動くかを知りません。 
より良くなるので、両方を検討します。 
しかし、今は同じ状況に遭遇します。 
これで、ゲームボードが2つ増えましたが、どちらも終わっていません。 
次は何が起こる？ 
そして今、この意味でミニマックスは
これを再帰アルゴリズムと呼びます。 
これでまったく同じプロセスが繰り返されますが、 
反対の観点から考えます。 

Spanish: 
 Y debido a que este juego aún no ha terminado, realmente no 
 saber todavía cuál es el valor de este tablero de juego. 
 Tenemos que hacer algunos cálculos para resolverlo. 
 Entonces, ¿cómo hacemos ese tipo de cálculo? 
 Bueno, para hacerlo, vamos a considerar, 
 tal como podríamos en una situación de búsqueda clásica, 
 ¿Qué acciones podrían suceder a continuación y a qué estados nos llevará eso? 
 Y resulta que en esta posición, hay 
 son solo dos cuadrados abiertos, lo que significa que solo hay dos lugares abiertos donde 
 O puedes hacer un movimiento. 
 O podría hacer un movimiento en la esquina superior izquierda, 
 o O puede hacer un movimiento en la parte inferior central. 
 Y Minimax no sabe de inmediato cuál de esos movimientos 
 va a ser mejor, así que considerará ambos. 
 Pero ahora nos encontramos con la misma situación. 
 Ahora tengo dos tableros más, ninguno de los cuales ha terminado. 
 ¿Qué pasa después? 
 Y ahora es en este sentido que Minimax es 
 lo que llamaremos un algoritmo recursivo. 
 Ahora va a repetir exactamente el mismo proceso, aunque ahora 
 considerándolo desde la perspectiva opuesta. 

English: 
And because this game isn't over yet, we don't really
know just yet what the value of this game board is.
We have to do some calculation in order to figure that out.
So how do we do that kind of calculation?
Well, in order to do so, we're going to consider,
just as we might in a classical search situation,
what actions could happen next, and what states will that take us to?
And it turns out that in this position, there
are only two open squares, which means there are only two open places where
O can make a move.
O could either make a move in the upper left,
or O can make a move in the bottom middle.
And Minimax doesn't know right out of the box which of those moves
is going to be better, so it's going to consider both.
But now we run into the same situation.
Now I have two more game boards, neither of which is over.
What happens next?
And now it's in this sense that Minimax is
what we'll call a recursive algorithm.
It's going to now repeat the exact same process, although now
considering it from the opposite perspective.

Turkish: 
 Ve bu oyun henüz bitmediği için, 
 henüz bu oyun tahtasının değerinin ne olduğunu bilmek. 
 Bunu anlamak için biraz hesaplama yapmak zorundayız. 
 Peki bu tür bir hesaplamayı nasıl yapacağız? 
 Bunu yapmak için dikkate alacağız, 
 tıpkı klasik bir arama durumunda olabileceğimiz gibi, 
 bundan sonra ne gibi eylemler olabilir ve bu bizi hangi devletlere götürecek? 
 Ve bu pozisyonda, orada 
 sadece iki açık karedir, yani sadece iki açık yer vardır. 
 O bir hamle yapabilir. 
 O ya sol üstte bir hamle yapabilir, 
 veya O alt ortada bir hareket yapabilir. 
 Ve Minimax kutudan çıktığını bilmiyor 
 daha iyi olacak, bu yüzden her ikisini de dikkate alacak. 
 Ama şimdi aynı duruma giriyoruz. 
 Şimdi iki oyun tahtası daha var, ikisi de bitmedi. 
 Sonra ne olur? 
 Ve şimdi bu anlamda Minimax 
 buna özyinelemeli algoritma diyoruz. 
 Şimdi aynı işlemi tekrarlayacak, ancak şimdi 
 zıt bakış açısıyla düşünüyor. 

Italian: 
 E poiché questo gioco non è ancora finito, non lo facciamo davvero 
 sai ancora qual è il valore di questo tabellone. 
 Dobbiamo fare alcuni calcoli per capirlo. 
 Quindi, come possiamo fare questo tipo di calcolo? 
 Bene, per fare ciò, prenderemo in considerazione, 
 proprio come potremmo in una situazione di ricerca classica, 
 quali azioni potrebbero accadere dopo e in quali stati ci porteranno? 
 E si scopre che in questa posizione, lì 
 sono solo due quadrati aperti, il che significa che ci sono solo due posti aperti in cui 
 O posso fare una mossa. 
 O potrebbe fare una mossa in alto a sinistra, 
 oppure O può fare una mossa nel mezzo in basso. 
 E Minimax non sa fin da subito quale di queste mosse 
 sarà migliore, quindi prenderà in considerazione entrambi. 
 Ma ora ci imbattiamo nella stessa situazione. 
 Ora ho altre due schede di gioco, nessuna delle quali è finita. 
 Cosa succede dopo? 
 E ora è in questo senso che Minimax è 
 quello che chiameremo un algoritmo ricorsivo. 
 Ora ripeterà lo stesso identico processo, anche se ora 
 considerandolo dalla prospettiva opposta. 

Russian: 
 И поскольку эта игра еще не закончена, мы на самом деле не 
 пока точно знаю, какова ценность этой игровой доски. 
 Мы должны сделать некоторые вычисления, чтобы понять это. 
 Итак, как мы можем сделать такой расчет? 
 Ну, чтобы сделать это, мы собираемся рассмотреть, 
 так же, как мы могли бы в классической ситуации поиска, 
 какие действия могут произойти дальше, и в каких штатах это нас приведет? 
 И оказывается, что в этой позиции 
 только два открытых квадрата, что означает, что есть только два открытых места, где 
 О может сделать ход. 
 О может сделать ход в левом верхнем углу, 
 или O может сделать ход в нижней середине. 
 И Минимакс не знает прямо из коробки, какой из этих ходов 
 будет лучше, поэтому он рассмотрит оба. 
 Но сейчас мы сталкиваемся с такой же ситуацией. 
 Теперь у меня есть еще две игровые доски, ни одна из которых не закончена. 
 Что происходит дальше? 
 И теперь в этом смысле Минимакс 
 что мы будем называть рекурсивным алгоритмом. 
 Это собирается теперь повторить точно такой же процесс, хотя сейчас 
 рассматривая это с противоположной точки зрения. 

Indonesian: 
 Dan karena game ini belum berakhir, kami belum benar-benar melakukannya 
 tahu dulu apa nilai papan permainan ini. 
 Kita harus melakukan beberapa perhitungan untuk mengetahuinya. 
 Jadi bagaimana kita melakukan perhitungan seperti itu? 
 Nah, untuk melakukannya, kita akan mempertimbangkan, 
 sama seperti kita dalam situasi pencarian klasik, 
 tindakan apa yang bisa terjadi selanjutnya, dan apa yang akan kita bawa? 
 Dan ternyata di posisi ini, di sana 
 hanya ada dua kotak terbuka, yang berarti hanya ada dua tempat terbuka di mana 
 O bisa bergerak. 
 O bisa bergerak di kiri atas, 
 atau O dapat bergerak di tengah bawah. 
 Dan Minimax tidak tahu dari kotak mana dari gerakan itu 
 akan menjadi lebih baik, jadi itu akan mempertimbangkan keduanya. 
 Tapi sekarang kita mengalami situasi yang sama. 
 Sekarang saya memiliki dua papan permainan lagi, yang keduanya belum berakhir. 
 Apa yang terjadi selanjutnya? 
 Dan sekarang dalam pengertian inilah Minimax 
 apa yang kita sebut algoritma rekursif. 
 Sekarang akan mengulangi proses yang sama persis, meskipun sekarang 
 mempertimbangkannya dari perspektif yang berlawanan. 

Hindi: 
 और क्योंकि यह खेल अभी खत्म नहीं हुआ है, हम वास्तव में नहीं हैं 
 अभी पता है कि इस गेम बोर्ड की कीमत क्या है। 
 यह पता लगाने के लिए हमें कुछ गणना करनी होगी। 
 तो हम उस तरह की गणना कैसे करते हैं? 
 ठीक है, ऐसा करने के लिए, हम विचार करने जा रहे हैं, 
 जैसे हम शास्त्रीय खोज स्थिति में हो सकते हैं, 
 आगे क्या कार्रवाई हो सकती है, और कौन से राज्य हमें ले जाएंगे? 
 और यह पता चला है कि इस स्थिति में, वहाँ 
 केवल दो खुले वर्ग हैं, जिसका अर्थ है कि केवल दो खुले स्थान हैं जहां 
 ओ एक चाल चल सकता है। 
 O या तो ऊपरी बाईं ओर एक चाल बना सकता है, 
 या O नीचे के मध्य में एक चाल बना सकता है। 
 और Minimax सही बॉक्स से बाहर नहीं जानता है जो उन चालों में से एक है 
 बेहतर होने जा रहा है, इसलिए यह दोनों पर विचार करने जा रहा है। 
 लेकिन अब हम उसी स्थिति में भाग रहे हैं। 
 अब मेरे पास दो और गेम बोर्ड हैं, जिनमें से कोई भी खत्म नहीं हुआ है। 
 आगे क्या होगा? 
 और अब यह इस अर्थ में है कि मिनीमैक्स है 
 हम एक पुनरावर्ती एल्गोरिदम को क्या कहेंगे। 
 अब यह ठीक उसी प्रक्रिया को दोहराने जा रहा है, हालांकि अब 
 इसे विपरीत दृष्टिकोण से देखते हुए। 

Dutch: 
 En omdat deze game nog niet voorbij is, doen we dat niet echt 
 weet nog niet wat de waarde van dit bord is. 
 We moeten een berekening maken om dat te achterhalen. 
 Dus hoe doen we dat soort berekening? 
 Om dit te doen, gaan we kijken, 
 net zoals we zouden kunnen in een klassieke zoeksituatie, 
 welke acties zouden er vervolgens kunnen gebeuren, en naar welke staten gaan we daarmee? 
 En het blijkt dat in deze positie, daar 
 zijn slechts twee open vierkanten, wat betekent dat er slechts twee open plekken zijn 
 O kan een zet doen. 
 O kan een beweging maken linksboven, 
 of O kan een beweging maken in het midden onderaan. 
 En Minimax weet niet direct uit de doos welke van die bewegingen 
 zal beter worden, dus het zal beide overwegen. 
 Maar nu komen we dezelfde situatie tegen. 
 Nu heb ik nog twee speelborden, geen van beide is voorbij. 
 Wat gebeurt er nu? 
 En nu is het in die zin dat Minimax is 
 wat we een recursief algoritme zullen noemen. 
 Het zal nu exact hetzelfde proces herhalen, hoewel nu 
 vanuit het tegenovergestelde perspectief. 

Portuguese: 
 E como esse jogo ainda não acabou, nós realmente não 
 saiba ainda qual é o valor deste tabuleiro de jogo. 
 Temos que fazer alguns cálculos para descobrir isso. 
 Então, como fazemos esse tipo de cálculo? 
 Bem, para fazer isso, vamos considerar, 
 assim como poderíamos em uma situação de pesquisa clássica, 
 Que ações podem acontecer a seguir e para quais estados isso nos levará? 
 E acontece que nesta posição, há 
 existem apenas dois quadrados abertos, o que significa que existem apenas dois locais abertos onde 
 O pode fazer um movimento. 
 O poderia fazer um movimento no canto superior esquerdo, 
 ou O pode fazer um movimento no meio inferior. 
 E a Minimax não sabe de imediato qual desses movimentos 
 vai ser melhor, então vai considerar os dois. 
 Mas agora nos deparamos com a mesma situação. 
 Agora eu tenho mais dois tabuleiros de jogo, nenhum dos quais acabou. 
 O que acontece depois? 
 E agora é nesse sentido que Minimax é 
 o que chamaremos de algoritmo recursivo. 
 Agora vai repetir exatamente o mesmo processo, embora agora 
 considerando-o da perspectiva oposta. 

Modern Greek (1453-): 
 Και επειδή αυτό το παιχνίδι δεν έχει τελειώσει ακόμα, δεν το κάνουμε 
 ξέρετε ακόμη ποια είναι η αξία αυτού του επιτραπέζιου παιχνιδιού. 
 Πρέπει να κάνουμε κάποιον υπολογισμό για να το καταλάβουμε. 
 Πώς γίνεται λοιπόν αυτός ο υπολογισμός; 
 Λοιπόν, για να το κάνουμε αυτό, θα εξετάσουμε, 
 όπως θα μπορούσαμε σε μια κλασική κατάσταση αναζήτησης, 
 σε ποιες ενέργειες θα μπορούσαν να συμβούν στη συνέχεια και σε ποιες πολιτικές θα μας οδηγήσουν; 
 Και αποδεικνύεται ότι σε αυτή τη θέση, εκεί 
 είναι μόνο δύο ανοιχτά τετράγωνα, που σημαίνει ότι υπάρχουν μόνο δύο ανοιχτά μέρη όπου 
 O μπορεί να κάνει μια κίνηση. 
 O θα μπορούσε είτε να κάνει μια κίνηση πάνω αριστερά, 
 ή O μπορεί να κάνει μια κίνηση στο κάτω μέσον. 
 Και το Minimax δεν ξέρει ακριβώς από το κουτί ποιες από αυτές τις κινήσεις 
 θα είναι καλύτερο, οπότε θα εξετάσουμε και τα δύο. 
 Αλλά τώρα αντιμετωπίζουμε την ίδια κατάσταση. 
 Τώρα έχω δύο ακόμη πίνακες παιχνιδιών, κανένα από τα οποία δεν έχει τελειώσει. 
 Τι συμβαίνει μετά? 
 Και τώρα με αυτήν την έννοια είναι το Minimax 
 αυτό που θα ονομάσουμε αναδρομικό αλγόριθμο. 
 Θα επαναλάβει τώρα την ίδια ακριβώς διαδικασία, αν και τώρα 
 το εξετάζουμε από την αντίθετη προοπτική. 

French: 
 Et parce que ce jeu n'est pas encore terminé, nous n'avons pas vraiment 
 sachez tout de suite quelle est la valeur de ce plateau de jeu. 
 Nous devons faire des calculs pour comprendre cela. 
 Alors, comment faisons-nous ce genre de calcul? 
 Eh bien, pour ce faire, nous allons considérer, 
 tout comme nous pourrions dans une situation de recherche classique, 
 quelles actions pourraient se produire ensuite, et vers quels États cela nous mènerait-il? 
 Et il se trouve que dans cette position, il y a 
 ne sont que deux carrés ouverts, ce qui signifie qu'il n'y a que deux endroits ouverts où 
 O peut faire un pas. 
 O pourrait soit faire un mouvement en haut à gauche, 
 ou O peut faire un mouvement en bas au milieu. 
 Et Minimax ne sait pas tout de suite lequel de ces mouvements 
 va être mieux, donc ça va considérer les deux. 
 Mais maintenant nous nous heurtons à la même situation. 
 Maintenant, j'ai encore deux plateaux de jeu, dont aucun n'est terminé. 
 Que se passe-t-il ensuite? 
 Et maintenant, c'est dans ce sens que Minimax est 
 ce que nous appellerons un algorithme récursif. 
 Il va maintenant répéter exactement le même processus, bien que maintenant 
 le considérer dans la perspective opposée. 

Arabic: 
 ولأن هذه اللعبة لم تنته بعد ، فنحن لا ننتهي حقًا 
 تعرف حتى الآن ما هي قيمة لوحة اللعبة هذه. 
 علينا القيام ببعض الحسابات من أجل معرفة ذلك. 
 فكيف نقوم بهذا النوع من الحساب؟ 
 حسنًا ، من أجل القيام بذلك ، سنفكر ، 
 تمامًا كما قد نفعل في مواقف البحث الكلاسيكية ، 
 ما الإجراءات التي يمكن أن تحدث بعد ذلك ، وما هي الدول التي ستأخذنا؟ 
 وتبين أنه في هذا الموقف هناك 
 يوجد مربعان مفتوحان فقط ، مما يعني أن هناك مكانين مفتوحين فقط 
 يا يمكن أن تتحرك. 
 يمكن لـ O أن يقوم بحركة في أعلى اليسار ، 
 أو O يمكنه القيام بحركة في المنتصف السفلي. 
 و Minimax لا يعرف مباشرة أي شيء من تلك التحركات 
 سيكون أفضل ، لذا سينظر في كليهما. 
 لكننا الآن نواجه نفس الوضع. 
 الآن لدي لوحان لعب آخران ، ولم ينته أي منهما. 
 ماذا حدث بعد ذلك؟ 
 والآن بهذا المعنى أن Minimax هو 
 ما نسميه خوارزمية تعاودية. 
 سيكرر الآن نفس العملية بالضبط ، على الرغم من الآن 
 معتبرة ذلك من منظور معاكس. 

Korean: 
 이 게임은 아직 끝나지 않았기 때문에 
 이 게임 보드의 가치가 무엇인지 아직 안다. 
 우리는 그것을 알아 내기 위해 계산을해야합니다. 
 그렇다면 우리는 어떻게 그런 계산을합니까? 
 그렇게하기 위해, 우리는 고려할 것입니다. 
 고전적인 검색 상황에서와 마찬가지로 
 다음에 어떤 행동이 일어날 수 있으며, 어떤 상태에서 우리를 데려 갈 것입니까? 
 그리고이 위치에서 
 열린 사각형이 두 개뿐입니다. 즉, 열린 장소가 두 개뿐입니다. 
 O는 움직일 수 있습니다. 
 O는 왼쪽 상단에서 움직일 수 있습니다. 
 또는 O는 하단 중앙에서 이동할 수 있습니다. 
 그리고 Minimax는 그 움직임 중 어떤 것을 즉시 알지 못합니다. 
 더 나아질 것이므로 두 가지를 모두 고려할 것입니다. 
 그러나 이제 우리는 같은 상황에 처하게됩니다. 
 이제 게임 보드가 두 개 더 있는데 둘 다 끝나지 않았습니다. 
 다음에는 어떻게 되나요? 
 그리고 이런 의미에서 Minimax는 
 우리는 재귀 알고리즘이라고 부릅니다. 
 이제는 똑같은 과정을 반복 할 것입니다. 
 반대의 관점에서 그것을 고려. 

German: 
 Und weil dieses Spiel noch nicht vorbei ist, tun wir es nicht wirklich 
 weiß gerade noch, was der Wert dieses Spielbretts ist. 
 Wir müssen einige Berechnungen durchführen, um das herauszufinden. 
 Wie machen wir diese Art von Berechnung? 
 Nun, um dies zu tun, werden wir überlegen, 
 so wie wir es in einer klassischen Suchsituation tun könnten, 
 Welche Aktionen könnten als nächstes passieren und in welche Zustände werden wir gebracht? 
 Und es stellt sich heraus, dass in dieser Position dort 
 sind nur zwei offene Quadrate, was bedeutet, dass es nur zwei offene Stellen gibt, an denen 
 O kann sich bewegen. 
 O könnte entweder oben links eine Bewegung machen, 
 oder O kann sich in der unteren Mitte bewegen. 
 Und Minimax weiß nicht sofort, welcher dieser Schritte ausgeführt wird 
 wird besser sein, also wird es beides berücksichtigen. 
 Aber jetzt stoßen wir auf die gleiche Situation. 
 Jetzt habe ich zwei weitere Spielbretter, von denen keines vorbei ist. 
 Was passiert als nächstes? 
 Und jetzt ist es in diesem Sinne Minimax 
 Was wir einen rekursiven Algorithmus nennen. 
 Es wird jetzt genau den gleichen Vorgang wiederholen, obwohl jetzt 
 Betrachtet man es aus der entgegengesetzten Perspektive. 

Chinese: 
而且由于这场比赛还没有结束，我们还没有真正
才知道此游戏板的价值是什么。 
我们必须做一些计算才能弄清楚。 
那么我们如何进行这种计算呢？ 
好吧，为此，我们将考虑， 
就像我们在经典搜索情况下一样， 
接下来会发生什么行动，以及将采​​取什么状态？ 
事实证明，在这个位置
只有两个开放的正方形，这意味着只有两个开放的地方
 O可以采取行动。 
 O可以在左上方移动， 
或O可以在底部中间移动。 
而且Minimax不知道开箱即用的哪些举动
将会变得更好，因此我们将同时考虑两者。 
但是现在我们遇到了同样的情况。 
现在我还有两个游戏板，两个都没有结束。 
接下来发生什么？ 
从这个意义上说，Minimax是
我们将其称为递归算法。 
现在要重复完全相同的过程，尽管现在
从相反的角度考虑它。 

Chinese: 
而且由於這場比賽還沒有結束，我們還沒有真正
才知道此遊戲板的價值是什麼。 
我們必須做一些計算才能弄清楚。 
那麼我們如何進行這種計算呢？ 
好吧，為此，我們將考慮， 
就像我們在經典搜索情況下一樣， 
接下來會發生什麼行動，以及將採取什麼狀態？ 
事實證明，在這個位置
只有兩個開放的正方形，這意味著只有兩個開放的地方
 O可以採取行動。 
 O可以在左上方移動， 
或O可以在底部中間移動。 
而且Minimax不知道開箱即用的哪些舉動
將會變得更好，因此我們將同時考慮兩者。 
但是現在我們遇到了同樣的情況。 
現在我還有兩個遊戲板，兩個都沒有結束。 
接下來發生什麼？ 
從這個意義上說，Minimax是
我們將其稱為遞歸算法。 
現在要重複完全相同的過程，儘管現在
從相反的角度考慮它。 

Dutch: 
 Het is alsof ik mezelf nu ga plaatsen - als ik de O-speler ben, 
 Ik ga mezelf in de schoenen van mijn tegenstander plaatsen, mijn tegenstander als de X-speler, 
 en bedenk, wat zou mijn tegenstander doen als hij in deze positie was? 
 Wat zou mijn tegenstander, de X-speler, doen als ze in die positie waren? 
 En wat zou er dan gebeuren? 
 Nou, de andere speler, mijn tegenstander, de X-speler, 
 probeert de score te maximaliseren, terwijl ik het probeer 
 om de score als de O-speler te minimaliseren. 
 Dus X probeert de maximaal mogelijke waarde te vinden die ze kunnen krijgen. 
 En wat gaat er dan gebeuren? 
 Welnu, vanuit deze bestuurspositie heeft X maar één keuze. 
 X gaat hier spelen en ze krijgen er drie op rij. 
 En we weten dat dat bord X wint ... 
 dat heeft een waarde van 1. 
 Als X het spel wint, is de waarde van dat bord 1. 
 En dus vanuit deze positie, als deze staat alleen maar naar deze staat kan leiden, 
 het is de enige mogelijke optie, en deze staat heeft een waarde van 1, 
 dan de maximaal mogelijke waarde die de X-speler van dit spelbord kan krijgen 
 is ook 1 vanaf hier. 

Korean: 
 마치 내가 자신을 넣는 것처럼 마치 O 플레이어라면 
 상대 선수의 신발, X 선수로서의 상대, 
 상대방이이 위치에 있다면 어떻게 할까? 
 X 플레이어가 상대방이라면 어떻게해야합니까? 
 그러면 어떻게 될까요? 
 다른 플레이어, 상대방, X 플레이어는 
 내가 노력하고있는 동안 점수를 극대화하려고 
 O 플레이어로 점수를 최소화합니다. 
 따라서 X는 가능한 최대 값을 찾으려고 노력하고 있습니다. 
 그리고 어떻게 될까요? 
 이 보드 위치에서 X는 한 가지 선택 만 할 수 있습니다. 
 X는 여기서 게임을 할 것이고, 그들은 연속으로 3을 얻을 것입니다. 
 그리고 우리는 그 보드 X가 승리한다는 것을 알고 있습니다. 
 그 값은 1입니다. 
 X가 게임에서 이기면 해당 게임 보드의 가치는 1입니다. 
 이 위치에서이 상태가이 상태로만 이어질 수 있다면 
 가능한 유일한 옵션이며이 상태의 값은 1입니다. 
 X 플레이어가이 게임 보드에서 얻을 수있는 최대 값 
 여기에서 1입니다. 

French: 
 C'est comme si je vais maintenant me mettre-- si je suis le joueur O, 
 Je vais me mettre à la place de mon adversaire, mon adversaire en tant que joueur X, 
 et considérer, que ferait mon adversaire s'il était dans cette position? 
 Que ferait mon adversaire, le joueur X, s'il était dans cette position? 
 Et que se passerait-il alors? 
 Eh bien, l'autre joueur, mon adversaire, le joueur X, 
 essaie de maximiser le score, alors que j'essaie 
 pour minimiser le score en tant que joueur O. 
 Alors X essaie de trouver la valeur maximale possible qu'ils peuvent obtenir. 
 Et que va-t-il se passer? 
 Eh bien, à partir de cette position, X n'a ​​qu'un seul choix. 
 X va jouer ici, et ils vont en avoir trois d'affilée. 
 Et nous savons que cette planche, X win-- 
 qui a une valeur de 1. 
 Si X gagne la partie, la valeur de ce plateau de jeu est 1. 
 Et donc de cette position, si cet état ne peut jamais conduire à cet état, 
 c'est la seule option possible, et cet état a une valeur de 1, 
 puis la valeur maximale possible que le joueur X peut obtenir de ce plateau de jeu 
 est aussi 1 d'ici. 

Turkish: 
 Sanki şimdi kendimi koyacağım - O oyuncusuysam, 
 Kendimi rakibimin yerine, X oyuncusu olarak rakibime koyacağım, 
 ve düşünün, rakibim bu pozisyonda olsaydı ne yapardı? 
 Eğer bu pozisyonda olsaydı, rakibim X oyuncusu ne yapardı? 
 Sonra ne olacaktı? 
 Diğer oyuncu, rakibim, X oyuncu, 
 skoru en üst düzeye çıkarmaya çalışıyor, oysa ben 
 O oyuncusu olarak skoru en aza indirmek için. 
 Böylece X, alabilecekleri maksimum değeri bulmaya çalışıyor. 
 Peki ne olacak? 
 Bu tahta konumundan X'in sadece bir seçeneği var. 
 X burada oynayacak ve üst üste üç alacaklar. 
 Ve biliyoruz ki bu tahta, X kazanıyor-- 
 değeri 1. 
 X oyunu kazanırsa, o oyun tahtasının değeri 1 olur. 
 Ve böylece bu konumdan, eğer bu durum ancak bu duruma yol açabilirse, 
 bu tek seçenek ve bu durumun değeri 1, 
 o zaman X oyuncunun bu oyun tahtasından alabileceği maksimum değer 
 buradan da 1. 

Russian: 
 Как будто я сейчас собираюсь поставить себя ... если я игрок O, 
 Я собираюсь поставить себя на место своего оппонента, своего оппонента как игрока Х, 
 и подумайте, что бы сделал мой оппонент, если бы он оказался в таком положении? 
 Что бы сделал мой противник, игрок Х, если бы они были в этой позиции? 
 И что тогда будет? 
 Ну, другой игрок, мой противник, игрок X, 
 пытается максимизировать счет, а я пытаюсь 
 чтобы свести к минимуму счет в качестве игрока. 
 Поэтому X пытается найти максимально возможное значение, которое они могут получить. 
 И так, что случится? 
 Что ж, с этой позиции на доске у Х есть только один выбор. 
 Х собирается играть здесь, и они получат три подряд. 
 И мы знаем, что на этой доске Х выигрывает ... 
 это имеет значение 1. 
 Если Х выигрывает игру, значение этой игровой доски равно 1. 
 И поэтому с этой позиции, если это состояние может привести только к этому состоянию, 
 это единственно возможный вариант, и это состояние имеет значение 1, 
 тогда максимально возможное значение, которое игрок X может получить с этой игровой доски 
 также 1 отсюда. 

Indonesian: 
 Seolah-olah saya sekarang akan menempatkan diri - jika saya adalah pemain O, 
 Saya akan menempatkan diri pada posisi lawan saya, lawan saya sebagai pemain X, 
 dan pertimbangkan, apa yang akan dilakukan lawan saya jika mereka berada di posisi ini? 
 Apa yang akan dilakukan lawan saya, pemain X, jika mereka berada di posisi itu? 
 Dan apa yang akan terjadi kemudian? 
 Pemain lain, lawan saya, pemain X, 
 mencoba memaksimalkan skor, sedangkan saya mencoba 
 untuk meminimalkan skor sebagai pemain O. 
 Jadi X sedang berusaha menemukan nilai maksimum yang bisa mereka dapatkan. 
 Jadi apa yang akan terjadi? 
 Nah, dari posisi dewan ini, X hanya punya satu pilihan. 
 X akan bermain di sini, dan mereka akan mendapat tiga berturut-turut. 
 Dan kita tahu papan itu, X pemenang-- 
 yang memiliki nilai 1. 
 Jika X memenangkan permainan, nilai papan permainan itu adalah 1. 
 Dan dari posisi ini, jika negara ini hanya bisa mengarah ke keadaan ini, 
 itu satu-satunya opsi yang mungkin, dan negara ini memiliki nilai 1, 
 maka nilai maksimum yang mungkin didapat X player dari board game ini 
 juga 1 dari sini. 

Spanish: 
 Es como si ahora me voy a poner a mí mismo, si soy el jugador O, 
 Voy a ponerme en el lugar de mi oponente, mi oponente como jugador X, 
 y considera, ¿qué haría mi oponente si estuviera en esta posición? 
 ¿Qué haría mi oponente, el jugador X, si estuviera en esa posición? 
 ¿Y qué pasaría entonces? 
 Bueno, el otro jugador, mi oponente, el jugador X, 
 está tratando de maximizar el puntaje, mientras que estoy tratando 
 para minimizar el puntaje como el jugador O. 
 Entonces X está tratando de encontrar el máximo valor posible que puedan obtener. 
 ¿Y qué va a pasar? 
 Bueno, desde esta posición en el tablero, X solo tiene una opción. 
 X va a jugar aquí, y van a obtener tres seguidos. 
 Y sabemos que ese tablero, X ganando-- 
 que tiene un valor de 1. 
 Si X gana el juego, el valor de ese tablero de juego es 1. 
 Y así, desde esta posición, si este estado solo puede conducir a este estado, 
 es la única opción posible, y este estado tiene un valor de 1, 
 entonces el valor máximo posible que el jugador X puede obtener de este tablero de juego 
 También es 1 de aquí. 

Chinese: 
好像我现在要放下自己-如果我是O牌手， 
我要把自己放在对手的鞋子里，我的对手是X玩家， 
考虑一下，如果对手处于这个位置，我会怎么做？ 
如果X玩家处于那个位置，我的对手会怎么做？ 
然后会发生什么？ 
好吧，另一个玩家，我的对手，X玩家， 
试图最大化分数，而我正在尝试
以最小化作为O玩家的分数。 
因此，X试图找到他们可以获得的最大可能值。 
那么会发生什么呢？ 
好吧，从这个董事会职位来看，X只有一种选择。 
 X将在这里比赛，他们将连续获得3个席位。 
我们知道那个董事会X赢得了
值为1。 
如果X赢得游戏，则该游戏板的价值为1。 
因此，从这个位置开始，如果这种状态只能导致这种状态， 
这是唯一可能的选项，并且此状态的值为1， 
那么X玩家可以从该游戏板上获得的最大可能价值
从这里也是1。 

Portuguese: 
 É como se eu fosse me colocar agora-- se eu sou o jogador O, 
 Vou me colocar no lugar do meu oponente, meu oponente como jogador do X, 
 e considere, o que meu oponente faria se estivesse nessa posição? 
 O que meu oponente faria, o jogador X, se estivesse nessa posição? 
 E o que aconteceria então? 
 Bem, o outro jogador, meu oponente, o jogador X, 
 está tentando maximizar a pontuação, enquanto eu estou tentando 
 para minimizar a pontuação como jogador O. 
 Então X está tentando encontrar o valor máximo possível que eles podem obter. 
 E então o que vai acontecer? 
 Bem, a partir desta posição no tabuleiro, X tem apenas uma escolha. 
 X vai jogar aqui, e eles receberão três seguidos. 
 E sabemos que esse quadro, X vencendo-- 
 que tem um valor de 1. 
 Se X vencer o jogo, o valor desse tabuleiro é 1. 
 E assim, a partir dessa posição, se esse estado puder apenas levar a esse estado, 
 é a única opção possível e esse estado tem o valor 1, 
 então o valor máximo possível que o jogador X pode obter deste tabuleiro de jogo 
 também é 1 daqui. 

Chinese: 
好像我現在要放下自己-如果我是O牌手， 
我要把自己放在對手的鞋子裡，我的對手是X玩家， 
考慮一下，如果對手處於這個位置，我會怎麼做？ 
如果X玩家處於那個位置，我的對手會怎麼做？ 
然後會發生什麼？ 
好吧，另一個玩家，我的對手，X玩家， 
試圖最大化分數，而我正在嘗試
以最小化作為O玩家的分數。 
因此，X試圖找到他們可以獲得的最大可能值。 
那麼會發生什麼呢？ 
好吧，從這個董事會職位來看，X只有一種選擇。 
 X將在這裡比賽，他們將連續獲得3個席位。 
我們知道那個董事會X贏得了
值為1。 
如果X贏得遊戲，則該遊戲板的價值為1。 
因此，從這個位置開始，如果這種狀態只能導致這種狀態， 
這是唯一可能的選項，並且此狀態的值為1， 
那麼X玩家可以從該遊戲板上獲得的最大可能價值
從這裡也是1。 

Hindi: 
 ऐसा लगता है जैसे मैं अब खुद को रखने जा रहा हूं - अगर मैं ओ खिलाड़ी हूं, 
 मैं अपने आप को अपने प्रतिद्वंद्वी के जूते में रखने जा रहा हूं, एक्स खिलाड़ी के रूप में मेरा प्रतिद्वंद्वी, 
 और विचार करें, यदि वे इस स्थिति में होते तो मेरे प्रतिद्वंद्वी क्या करते? 
 मेरे प्रतिद्वंद्वी, एक्स खिलाड़ी, अगर वे उस स्थिति में होते, तो क्या करते? 
 और फिर क्या होगा? 
 खैर, दूसरे खिलाड़ी, मेरे प्रतिद्वंद्वी, एक्स खिलाड़ी, 
 स्कोर को अधिकतम करने की कोशिश कर रहा हूं, जबकि मैं कोशिश कर रहा हूं 
 ओ खिलाड़ी के रूप में स्कोर को कम करने के लिए। 
 इसलिए एक्स अधिकतम संभव मूल्य खोजने की कोशिश कर रहा है जो उन्हें मिल सकता है। 
 और इसलिए क्या होने जा रहा है? 
 खैर, इस बोर्ड की स्थिति से, एक्स के पास केवल एक विकल्प है। 
 X यहां खेलने जा रहा है, और वे तीन पंक्ति में जा रहे हैं। 
 और हम जानते हैं कि बोर्ड, एक्स जीत-- 
 जिसका मान 1 है। 
 यदि X गेम जीतता है, तो उस गेम बोर्ड का मूल्य 1 है। 
 और इसलिए इस स्थिति से, यदि यह राज्य केवल इस राज्य का नेतृत्व कर सकता है, 
 यह एकमात्र संभव विकल्प है, और इस राज्य का मान 1 है, 
 फिर अधिकतम संभव मूल्य जो एक्स खिलाड़ी को इस गेम बोर्ड से मिल सकता है 
 यहाँ से भी 1 है। 

Arabic: 
 يبدو الأمر كما لو أنني سأضع نفسي الآن - إذا كنت لاعب O ، 
 سأضع نفسي في مكان أحذيتي ، خصمي كلاعب X ، 
 والنظر ، ماذا سيفعل خصمي إذا كانوا في هذا الموقف؟ 
 ماذا سيفعل خصمي ، لاعب X ، إذا كانوا في هذا المركز؟ 
 وماذا سيحدث بعد ذلك؟ 
 حسنًا ، اللاعب الآخر ، خصمي ، لاعب X ، 
 تحاول زيادة النتيجة ، بينما أحاول 
 لتقليل النتيجة كلاعب O. 
 لذا يحاول X إيجاد أقصى قيمة ممكنة يمكنهم الحصول عليها. 
 إذن ما الذي سيحدث؟ 
 حسنًا ، من هذا المنصب ، X لديه خيار واحد فقط. 
 X سيلعب هنا ، وسيحصلون على ثلاثة على التوالي. 
 ونعلم أن هذا اللوح ، X فاز-- 
 له قيمة 1. 
 إذا فاز X باللعبة ، فإن قيمة لوحة اللعبة هي 1. 
 وهكذا من هذا الموقف ، إذا كانت هذه الدولة يمكن أن تؤدي فقط إلى هذه الدولة ، 
 إنه الخيار الوحيد الممكن ، وهذه الحالة لها قيمة 1 ، 
 ثم أقصى قيمة ممكنة يمكن أن يحصل عليها اللاعب X من لوحة اللعبة هذه 
 هي أيضًا 1 من هنا. 

Modern Greek (1453-): 
 Είναι σαν να πρόκειται να βάλω τον εαυτό μου - αν είμαι ο παίκτης Ο, 
 Θα βάλω τον εαυτό μου στα παπούτσια του αντιπάλου μου, ο αντίπαλός μου ως παίκτης Χ, 
 και σκεφτείτε, τι θα έκανε ο αντίπαλός μου αν ήταν σε αυτή τη θέση; 
 Τι θα έκανε ο αντίπαλός μου, ο παίκτης Χ, εάν ήταν σε αυτή τη θέση; 
 Και τι θα συνέβαινε τότε; 
 Λοιπόν, ο άλλος παίκτης, ο αντίπαλός μου, ο παίκτης Χ, 
 προσπαθεί να μεγιστοποιήσει το σκορ, ενώ προσπαθώ 
 για να ελαχιστοποιήσετε το σκορ ως O player. 
 Έτσι, ο X προσπαθεί να βρει τη μέγιστη δυνατή τιμή που μπορούν να πάρουν. 
 Και τι θα συμβεί; 
 Λοιπόν, από αυτήν τη θέση του πίνακα, ο Χ έχει μόνο μία επιλογή. 
 Ο Χ πρόκειται να παίξει εδώ και θα πάρουν τρία στη σειρά. 
 Και ξέρουμε ότι αυτός ο πίνακας, X κερδίζοντας-- 
 που έχει τιμή 1. 
 Εάν ο X κερδίσει το παιχνίδι, η αξία αυτού του πίνακα παιχνιδιών είναι 1. 
 Και έτσι από αυτήν τη θέση, εάν αυτή η κατάσταση μπορεί να οδηγήσει μόνο σε αυτήν την κατάσταση, 
 είναι η μόνη δυνατή επιλογή και αυτή η κατάσταση έχει τιμή 1, 
 τότε η μέγιστη δυνατή τιμή που μπορεί να πάρει ο παίκτης X από αυτόν τον πίνακα παιχνιδιών 
 είναι επίσης 1 από εδώ. 

English: 
It's as if I am now going to put myself-- if I am the O player,
I'm going to put myself in my opponent's shoes, my opponent as the X player,
and consider, what would my opponent do if they were in this position?
What would my opponent do, the X player, if they were in that position?
And what would then happen?
Well, the other player, my opponent, the X player,
is trying to maximize the score, whereas I am trying
to minimize the score as the O player.
So X is trying to find the maximum possible value that they can get.
And so what's going to happen?
Well, from this board position, X only has one choice.
X is going to play here, and they're going to get three in a row.
And we know that that board, X winning--
that has a value of 1.
If X wins the game, the value of that game board is 1.
And so from this position, if this state can only ever lead to this state,
it's the only possible option, and this state has a value of 1,
then the maximum possible value that the X player can get from this game board
is also 1 from here.

Italian: 
 È come se ora mi mettessi-- se sono il giocatore O, 
 Mi metterò nei panni del mio avversario, il mio avversario come giocatore X, 
 e considera, cosa farebbe il mio avversario se fosse in questa posizione? 
 Cosa farebbe il mio avversario, il giocatore X, se fosse in quella posizione? 
 E cosa succederebbe allora? 
 Bene, l'altro giocatore, il mio avversario, il giocatore X, 
 sta cercando di massimizzare il punteggio, mentre io sto provando 
 per minimizzare il punteggio come O player. 
 Quindi X sta cercando di trovare il massimo valore possibile che possono ottenere. 
 E quindi cosa succederà? 
 Bene, da questa posizione sulla scacchiera, X ha solo una scelta. 
 X suonerà qui e ne riceveranno tre di fila. 
 E sappiamo che quella tavola, X vincente-- 
 che ha un valore di 1. 
 Se X vince il gioco, il valore di quel tabellone è 1. 
 E così da questa posizione, se questo stato può solo portare a questo stato, 
 è l'unica opzione possibile e questo stato ha un valore di 1, 
 quindi il massimo valore possibile che il giocatore X può ottenere da questo tabellone 
 è anche 1 da qui. 

Japanese: 
まるで自分を入れていくような感じです。Oプレイヤーなら、 
私は対戦相手の立場に立って、対戦相手をXプレーヤーにします。 
考えてみてください。もし相手がこの立場にいた場合、どうすればいいでしょうか。 
対戦相手、Xプレーヤーがその位置にいた場合、どうしますか？ 
そして、何が起こるでしょうか？ 
さて、他のプレイヤー、私の対戦相手、Xプレイヤー、 
スコアを最大化しようとしていますが、私は
 Oプレイヤーとしてスコアを最小化します。 
したがって、Xは取得できる最大値を見つけようとしています。 
そして、何が起こるのでしょうか？ 
さて、このボードポジションから、Xには1つの選択肢しかありません。 
 Xはここでプレイし、3つ続けて獲得します。 
そして、私たちはそのボード、Xが勝利したことを知っています- 
値は1です。 
 Xがゲームに勝った場合、そのゲームボードの値は1です。 
そしてこの立場から、この状態がこの状態につながることしかできない場合、 
これが唯一可能なオプションであり、この状態の値は1です。 
次に、Xプレーヤーがこのゲームボードから取得できる最大値
ここからも1です。 

German: 
 Es ist, als würde ich mich jetzt selbst stellen - wenn ich der O-Spieler bin, 
 Ich werde mich in die Lage meines Gegners versetzen, mein Gegner als X-Spieler, 
 und überlegen Sie, was würde mein Gegner tun, wenn er in dieser Position wäre? 
 Was würde mein Gegner, der X-Spieler, tun, wenn er in dieser Position wäre? 
 Und was würde dann passieren? 
 Nun, der andere Spieler, mein Gegner, der X-Spieler, 
 versucht, die Punktzahl zu maximieren, während ich es versuche 
 um die Punktzahl als O-Spieler zu minimieren. 
 Also versucht X, den maximal möglichen Wert zu finden, den sie bekommen können. 
 Und was wird also passieren? 
 Nun, von dieser Boardposition aus hat X nur eine Wahl. 
 X wird hier spielen und sie werden drei in einer Reihe bekommen. 
 Und wir wissen, dass dieses Board, X gewinnt ... 
 das hat einen Wert von 1. 
 Wenn X das Spiel gewinnt, beträgt der Wert dieses Spielbretts 1. 
 Und wenn dieser Zustand von dieser Position aus immer nur zu diesem Zustand führen kann, 
 Dies ist die einzig mögliche Option. Dieser Status hat den Wert 1. 
 dann der maximal mögliche Wert, den der X-Spieler von diesem Spielbrett erhalten kann 
 ist auch 1 von hier. 

Spanish: 
 El único lugar donde podemos llegar es a un juego con el valor de 1, 
 entonces este tablero también tiene un valor de 1. 
 Ahora consideramos este por aquí. 
 ¿Qué va a pasar ahora? 
 Bueno, X necesita hacer un movimiento. 
 El único movimiento que X puede hacer es en la esquina superior izquierda, por lo que X irá allí. 
 Y en este juego, nadie gana el juego. 
 Nadie tiene tres seguidos. 
 Entonces el valor de ese tablero de juego es 0. 
 Nadie ha ganado. 
 Y de nuevo, por la misma lógica, si desde esta posición en el tablero, el único lugar 
 podemos llegar a un tablero donde el valor es 0, 
 entonces este estado también debe tener un valor de 0. 
 Y ahora aquí viene la parte de elección, la idea de tratar de minimizar. 
 Yo, como jugador O, ahora sé que si hago esta elección, 
 moviéndose en la esquina superior izquierda, eso dará como resultado un juego con un valor de 1, 
 asumiendo que todos juegan de manera óptima. 
 Y si en cambio juego en el medio bajo, 
 elige esta bifurcación en el camino, que dará como resultado un tablero de juego 
 con un valor de 0. 
 Tengo dos opciones 
 Tengo un 1 y un 0 para elegir, y necesito elegir. 
 Y como jugador mínimo, preferiría elegir la opción 

German: 
 Der einzige Ort, den wir bekommen können, ist ein Spiel mit dem Wert 1, 
 Dieses Spielbrett hat also auch einen Wert von 1. 
 Jetzt betrachten wir diesen hier. 
 Was wird jetzt passieren? 
 Nun, X muss sich bewegen. 
 Der einzige Zug, den X machen kann, ist oben links, also geht X dorthin. 
 Und in diesem Spiel gewinnt niemand das Spiel. 
 Niemand hat drei in einer Reihe. 
 Der Wert dieses Spielbretts ist also 0. 
 Niemand hat gewonnen. 
 Und so wieder, nach der gleichen Logik, wenn von dieser Board-Position aus der einzige Ort 
 Wir können zu einer Tafel gelangen, auf der der Wert 0 ist. 
 dann muss dieser Zustand auch den Wert 0 haben. 
 Und jetzt kommt hier der Auswahlteil, die Idee zu versuchen, zu minimieren. 
 Ich als O-Spieler weiß jetzt, dass, wenn ich diese Wahl treffe, 
 Wenn Sie sich oben links bewegen, erhalten Sie ein Spiel mit dem Wert 1. 
 vorausgesetzt, jeder spielt optimal. 
 Und wenn ich stattdessen in der unteren Mitte spiele, 
 Wählen Sie diese Weggabelung, die zu einem Spielbrett führt 
 mit einem Wert von 0. 
 Ich habe zwei Möglichkeiten. 
 Ich habe eine 1 und eine 0 zur Auswahl, und ich muss auswählen. 
 Und als Min-Spieler würde ich lieber die Option wählen 

Korean: 
 우리가 얻을 수있는 유일한 곳은 1의 가치를 가진 게임입니다. 
 이 게임 보드의 값은 1입니다. 
 이제 우리는 이것을 여기에서 고려합니다. 
 지금 무슨 일이야? 
 X는 움직여야합니다. 
 X가 움직일 수있는 유일한 것은 왼쪽 상단에 있기 때문에 X는 거기에 갈 것입니다. 
 그리고이 게임에서 아무도이기는 게임은 없습니다. 
 아무도 연속으로 3 명을 가지고 있지 않습니다. 
 게임 보드의 값은 0입니다. 
 아무도 이겼다. 
 그리고 다시, 같은 논리에 의해이 보드 위치에서 유일한 곳이라면 
 우리는 값이 0 인 보드입니다. 
 이 상태의 값도 0이어야합니다. 
 그리고 이제 여기에 선택 부분이 있습니다. 최소화하려는 아이디어입니다. 
 저는 O 플레이어로서이 선택을하면 
 왼쪽 상단으로 이동하면 값이 1 인 게임이 생성됩니다. 
 모두가 최적으로 연주한다고 가정합니다. 
 대신 중간에서 연주하면 
 도로에서이 포크를 선택하면 게임 보드가 만들어집니다 
 값이 0입니다. 
 두 가지 옵션이 있습니다. 
 선택할 수있는 1과 0이 있으며 선택해야합니다. 
 그리고 최소 플레이어로서 옵션을 선택하고 싶습니다. 

Japanese: 
取得できる唯一の場所は、値が1のゲームです。 
したがって、このゲームボードの値も1です。 
これをここで考えます。 
今何が起こるのでしょうか？ 
さて、Xは移動する必要があります。 
 Xが行える唯一の移動は左上なので、Xはそこに行きます。 
そして、このゲームでは、誰もゲームに勝ちません。 
誰も3行続けていない。 
したがって、そのゲームボードの値は0です。 
誰も勝ちません。 
繰り返しますが、同じロジックで、このボードの位置から、唯一の場所
取得できるのは、値が0のボードです。 
この状態の値も0でなければなりません。 
そして今、選択の部分、つまり最小化を試みるという考えがやって来ます。 
私はOプレーヤーとして、この選択をすると、 
左上に移動すると、値が1のゲームになります。 
全員が最適にプレイすると仮定します。 
下の中央で演奏すると
道路でこのフォークを選択すると、ゲームボードになります
値は0です。 
 2つのオプションがあります。 
選択できる1と0があり、選択する必要があります。 
そして、最小プレーヤーとして、私はむしろオプションを選択したいと思います

Portuguese: 
 O único lugar que podemos encontrar é um jogo com o valor 1, 
 então este tabuleiro de jogo também tem o valor 1. 
 Agora consideramos este aqui. 
 O que vai acontecer agora? 
 Bem, X precisa fazer uma jogada. 
 O único movimento que X pode fazer é no canto superior esquerdo, então X irá para lá. 
 E neste jogo, ninguém vence o jogo. 
 Ninguém tem três seguidos. 
 Portanto, o valor desse tabuleiro de jogo é 0. 
 Ninguém ganhou. 
 E, novamente, pela mesma lógica, se desta posição do tabuleiro, o único lugar 
 podemos chegar a um quadro em que o valor é 0, 
 então esse estado também deve ter o valor 0. 
 E agora aqui vem a parte da escolha, a ideia de tentar minimizar. 
 Eu, como jogador O, agora sei que se eu fizer essa escolha, 
 movendo-se no canto superior esquerdo, isso resultará em um jogo com o valor 1, 
 assumindo que todo mundo joga da melhor maneira. 
 E se eu jogar no meio, 
 escolha esta bifurcação na estrada, que resultará em um tabuleiro de jogo 
 com um valor de 0. 
 Eu tenho duas opções 
 Eu tenho um 1 e um 0 para escolher e preciso escolher. 
 E como min player, eu prefiro escolher a opção 

English: 
The only place we can get is to a game with the value of 1,
so this game board also has a value of 1.
Now we consider this one over here.
What's going to happen now?
Well, X needs to make a move.
The only move X can make is in the upper left, so X will go there.
And in this game, no one wins the game.
Nobody has three in a row.
So the value of that game board is 0.
Nobody's won.
And so again, by the same logic, if from this board position, the only place
we can get to is a board where the value is 0,
then this state must also have a value of 0.
And now here comes the choice part, the idea of trying to minimize.
I, as the O player, now know that if I make this choice,
moving in the upper left, that is going to result in a game with a value of 1,
assuming everyone plays optimally.
And if I instead play in the lower middle,
choose this fork in the road, that is going to result in a game board
with a value of 0.
I have two options.
I have a 1 and a 0 to choose from, and I need to pick.
And as the min player, I would rather choose the option

Dutch: 
 De enige plaats die we kunnen krijgen is een spel met de waarde 1, 
 dus dit bord heeft ook een waarde van 1. 
 Nu beschouwen we deze hier. 
 Wat gaat er nu gebeuren? 
 Welnu, X moet een zet doen. 
 De enige beweging die X kan maken, is linksboven, dus X zal daarheen gaan. 
 En in dit spel wint niemand het spel. 
 Niemand heeft er drie op rij. 
 De waarde van dat bord is dus 0. 
 Niemand heeft gewonnen. 
 En nogmaals, volgens dezelfde logica, als vanuit deze bordpositie, de enige plaats 
 waar we kunnen komen is een bord met de waarde 0, 
 dan moet deze toestand ook een waarde van 0 hebben. 
 En nu komt hier het keuzegedeelte, het idee om te proberen te minimaliseren. 
 Ik, als O-speler, weet nu dat als ik deze keuze maak, 
 bewegen in de linkerbovenhoek, dat resulteert in een spel met een waarde van 1, 
 ervan uitgaande dat iedereen optimaal speelt. 
 En als ik in plaats daarvan in het midden speel, 
 kies deze splitsing in de weg, dat gaat resulteren in een speelbord 
 met een waarde van 0. 
 Ik heb twee opties. 
 Ik heb een 1 en een 0 om uit te kiezen en ik moet kiezen. 
 En als minispeler kies ik liever voor de optie 

Chinese: 
我们唯一可以得到的就是价值为1的游戏
因此此游戏板的值也为1。 
现在我们在这里考虑这一点。 
现在会发生什么？ 
好吧，X需要采取​​行动。 
 X唯一可以做的动作是在左上角，所以X会去那里。 
在这场比赛中，没有人赢得比赛。 
没有人连续三个。 
因此该游戏板的值为0。 
没有人赢。 
同样，按照同样的逻辑，如果从这个板子位置来看，唯一的位置
我们可以得到一个值为0的木板， 
那么此状态还必须具有0值。 
现在是选择部分，即最小化的想法。 
我作为O玩家现在知道，如果我做出选择， 
在左上方移动，将导致游戏值为1， 
假设每个人都发挥最佳。 
如果我改为在中低端玩， 
在路上选择这个叉子，这将导致游戏板
值为0。 
我有两个选择。 
我有1和0可供选择，我需要选择。 
作为最小玩家，我宁愿选择

Chinese: 
我們唯一可以得到的就是價值為1的遊戲
因此此遊戲板的值也為1。 
現在我們在這裡考慮這一點。 
現在會發生什麼？ 
好吧，X需要採取行動。 
 X唯一可以做的動作是在左上角，所以X會去那裡。 
在這場比賽中，沒有人贏得比賽。 
沒有人連續三個。 
因此，該遊戲板的值為0。 
沒有人贏。 
同樣，按照同樣的邏輯，如果從這個板子位置來看，唯一的位置
我們可以得到一個值為0的木板， 
那麼此狀態還必須具有0值。 
現在是選擇部分，即最小化的想法。 
我作為O玩家現在知道，如果我做出選擇， 
在左上方移動，將導致遊戲值為1， 
假設每個人都發揮最佳。 
如果我改為在中低端玩， 
在路上選擇這個叉子，這將導致遊戲板
值為0。 
我有兩個選擇。 
我有1和0可供選擇，我需要選擇。 
作為最小玩家，我寧願選擇

Arabic: 
 المكان الوحيد الذي يمكننا الحصول عليه هو لعبة بقيمة 1 ، 
 لذا فإن لوحة اللعبة هذه لديها أيضًا قيمة 1. 
 الآن نعتبر هذا واحد هنا. 
 ماذا سيحدث الآن؟ 
 حسنًا ، يحتاج X إلى اتخاذ خطوة. 
 الخطوة الوحيدة التي يمكن أن يتخذها X هي في أعلى اليسار ، لذلك سيذهب X هناك. 
 وفي هذه اللعبة ، لا أحد يفوز باللعبة. 
 لا أحد لديه ثلاثة على التوالي. 
 لذا فإن قيمة لوحة اللعبة هي 0. 
 لم يفز أحد. 
 وهكذا مرة أخرى ، وبنفس المنطق ، إذا كان هذا المكان الوحيد من هذا المنصب 
 يمكننا الوصول إلى لوحة حيث تكون القيمة 0 ، 
 ثم يجب أن يكون لهذه الحالة أيضًا قيمة 0. 
 والآن هنا يأتي جزء الاختيار ، فكرة محاولة التقليل. 
 أنا كلاعب O ، أعرف الآن أنه إذا اتخذت هذا الاختيار ، 
 تتحرك في أعلى اليسار ، سيؤدي ذلك إلى لعبة بقيمة 1 ، 
 على افتراض أن الجميع يلعب على النحو الأمثل. 
 وإذا لعبت بدلاً من ذلك في الوسط السفلي ، 
 اختر هذه الشوكة في الطريق ، مما سيؤدي إلى لوحة لعبة 
 بقيمة 0. 
 لدي خياران. 
 لدي 1 و 0 للاختيار من بينها ، وأحتاج إلى الاختيار. 
 وكلاعب صغير ، أفضل اختيار الخيار 

Italian: 
 L'unico posto che possiamo ottenere è un gioco con il valore di 1, 
 quindi anche questo tabellone ha un valore di 1. 
 Ora consideriamo questo qui. 
 Cosa succederà adesso? 
 Bene, X deve fare una mossa. 
 L'unica mossa che X può fare è in alto a sinistra, quindi X andrà lì. 
 E in questo gioco, nessuno vince il gioco. 
 Nessuno ne ha tre di fila. 
 Quindi il valore di quel tabellone è 0. 
 Nessuno ha vinto. 
 E così ancora, con la stessa logica, se da questa posizione sulla scacchiera, l'unico posto 
 possiamo arrivare a una scheda in cui il valore è 0, 
 quindi anche questo stato deve avere un valore pari a 0. 
 E ora ecco la parte scelta, l'idea di cercare di minimizzare. 
 Come giocatore O ora so che se faccio questa scelta, 
 spostandosi in alto a sinistra, si tradurrà in una partita con un valore di 1, 
 supponendo che tutti giochino in modo ottimale. 
 E se invece suono nella parte centrale inferiore, 
 scegli questo bivio, che si tradurrà in un tabellone 
 con un valore di 0. 
 Ho due opzioni. 
 Ho un 1 e uno 0 tra cui scegliere e devo scegliere. 
 E come giocatore minimo, preferirei scegliere l'opzione 

Indonesian: 
 Satu-satunya tempat yang bisa kita dapatkan adalah ke game dengan nilai 1, 
 jadi board game ini juga memiliki nilai 1. 
 Sekarang kami mempertimbangkan yang ini di sini. 
 Apa yang akan terjadi sekarang? 
 Nah, X perlu bergerak. 
 Satu-satunya langkah yang dapat dibuat X adalah di kiri atas, sehingga X akan pergi ke sana. 
 Dan dalam game ini, tidak ada yang memenangkan game. 
 Tidak ada yang memiliki tiga berturut-turut. 
 Jadi nilai papan permainan itu adalah 0. 
 Tidak ada yang menang. 
 Dan sekali lagi, dengan logika yang sama, jika dari posisi dewan ini, satu-satunya tempat 
 kita bisa dapatkan adalah papan di mana nilainya 0, 
 maka keadaan ini juga harus memiliki nilai 0. 
 Dan sekarang inilah bagian pilihan, gagasan mencoba meminimalkan. 
 Saya, sebagai pemain O, sekarang tahu bahwa jika saya membuat pilihan ini, 
 bergerak di kiri atas, yang akan menghasilkan game dengan nilai 1, 
 dengan asumsi semua orang bermain secara optimal. 
 Dan jika saya malah bermain di tengah bawah, 
 pilih garpu ini di jalan, yang akan menghasilkan papan permainan 
 dengan nilai 0. 
 Saya punya dua opsi. 
 Saya memiliki 1 dan 0 untuk dipilih, dan saya harus memilih. 
 Dan sebagai pemain min, saya lebih suka memilih opsi 

French: 
 Le seul endroit où nous pouvons obtenir est un jeu avec la valeur 1, 
 donc ce plateau de jeu a également une valeur de 1. 
 Maintenant, nous considérons celui-ci ici. 
 Que va-t-il se passer maintenant? 
 Eh bien, X doit bouger. 
 Le seul mouvement que X puisse faire est en haut à gauche, donc X y ira. 
 Et dans ce jeu, personne ne gagne le match. 
 Personne n'en a trois d'affilée. 
 La valeur de ce plateau de jeu est donc 0. 
 Personne n'a gagné. 
 Et encore une fois, par la même logique, si de cette position du conseil d'administration, le seul endroit 
 nous pouvons arriver à est un conseil d'administration où la valeur est 0, 
 cet état doit également avoir une valeur de 0. 
 Et maintenant, voici la partie choix, l'idée d'essayer de minimiser. 
 En tant que joueur O, je sais maintenant que si je fais ce choix, 
 se déplaçant en haut à gauche, cela va entraîner un jeu avec une valeur de 1, 
 en supposant que tout le monde joue de manière optimale. 
 Et si je joue plutôt dans le milieu inférieur, 
 choisissez cette fourche sur la route, qui va aboutir à un plateau de jeu 
 avec une valeur de 0. 
 J'ai deux options. 
 J'ai un 1 et un 0 parmi lesquels choisir, et je dois choisir. 
 Et en tant que joueur min, je préfère choisir l'option 

Russian: 
 Единственное место, которое мы можем получить, это игра со значением 1, 
 так что эта игровая доска также имеет значение 1. 
 Теперь мы рассмотрим это здесь. 
 Что сейчас будет? 
 Ну, Х должен сделать ход. 
 Единственный ход, который может сделать X, находится в левом верхнем углу, поэтому X пойдет туда. 
 И в этой игре никто не выигрывает игру. 
 Ни у кого нет трех подряд. 
 Таким образом, ценность этой игровой доски равна 0. 
 Никто не победил. 
 И опять же, по той же логике, если с этой позиции доски, единственное место 
 мы можем получить это доска, где значение равно 0, 
 тогда это состояние также должно иметь значение 0. 
 И теперь здесь возникает часть выбора, идея попытаться минимизировать. 
 Теперь я, как игрок О, знаю, что если я сделаю этот выбор, 
 перемещение в верхнем левом углу, что приведет к игре со значением 1, 
 при условии, что все играют оптимально. 
 И если я вместо этого играю в нижней середине, 
 выбирайте эту развилку в дороге, которая приведет к игровой доске 
 со значением 0. 
 У меня есть два варианта. 
 У меня есть 1 и 0 на выбор, и мне нужно выбрать. 
 И как мин игрок, я бы предпочел выбрать вариант 

Hindi: 
 एकमात्र स्थान जो हम प्राप्त कर सकते हैं वह 1 के मूल्य वाले खेल के लिए है, 
 इसलिए इस गेम बोर्ड का मूल्य भी 1 है। 
 अब हम इस पर विचार करते हैं। 
 अब क्या होने वाला है? 
 खैर, एक्स को एक चाल बनाने की जरूरत है। 
 केवल एक ही कदम X ऊपरी बाएँ में है, इसलिए X वहाँ जाएगा। 
 और इस खेल में, कोई भी खेल नहीं जीतता है। 
 किसी के पास एक पंक्ति में तीन नहीं है। 
 तो उस गेम बोर्ड का मूल्य 0 है। 
 किसी की जीत नहीं हुई। 
 और इसलिए फिर से, एक ही तर्क से, अगर इस बोर्ड की स्थिति से, एकमात्र स्थान 
 हम प्राप्त कर सकते हैं एक बोर्ड है जहाँ मूल्य 0 है, 
 तब इस अवस्था का मान 0 भी होना चाहिए। 
 और अब यहाँ विकल्प भाग आता है, न्यूनतम करने की कोशिश करने का विचार। 
 मैं, ओ खिलाड़ी के रूप में, अब जानता हूँ कि अगर मैं यह चुनाव करता हूँ, 
 ऊपरी बाएँ में घूमना, जो 1 के मान के साथ एक गेम में परिणाम करने वाला है, 
 यह मानते हुए कि हर कोई बेहतर खेलता है। 
 और अगर मैं इसके बजाय निचले मध्य में खेलता हूं, 
 सड़क में इस कांटे को चुनें, जिससे गेम बोर्ड का परिणाम होगा 
 0 के मान के साथ। 
 मेरे पास दो विकल्प हैं। 
 मेरे पास चुनने के लिए 1 और 0 है, और मुझे लेने की आवश्यकता है। 
 और एक खिलाड़ी के रूप में, मैं विकल्प चुनूंगा 

Modern Greek (1453-): 
 Το μόνο μέρος που μπορούμε να πάρουμε είναι να παίξουμε με ένα παιχνίδι με την αξία 1, 
 οπότε αυτός ο πίνακας παιχνιδιών έχει επίσης αξία 1. 
 Τώρα το θεωρούμε εδώ. 
 Τι θα συμβεί τώρα; 
 Λοιπόν, ο Χ πρέπει να κάνει μια κίνηση. 
 Η μόνη κίνηση που μπορεί να κάνει το Χ είναι στην επάνω αριστερή γωνία, οπότε ο Χ θα πάει εκεί. 
 Και σε αυτό το παιχνίδι, κανείς δεν κερδίζει το παιχνίδι. 
 Κανείς δεν έχει τρία στη σειρά. 
 Έτσι, η αξία αυτού του πίνακα παιχνιδιών είναι 0. 
 Κανείς δεν κέρδισε. 
 Και πάλι, με την ίδια λογική, εάν από αυτήν τη θέση του σκάφους, το μόνο μέρος 
 μπορούμε να φτάσουμε είναι ένας πίνακας όπου η τιμή είναι 0, 
 τότε αυτή η κατάσταση πρέπει επίσης να έχει τιμή 0. 
 Και τώρα έρχεται εδώ το μέρος επιλογής, η ιδέα της προσπάθειας ελαχιστοποίησης. 
 Εγώ, ως Ο παίκτης, ξέρω τώρα ότι αν κάνω αυτήν την επιλογή, 
 μετακινώντας επάνω αριστερά, αυτό θα οδηγήσει σε ένα παιχνίδι με τιμή 1, 
 υποθέτοντας ότι όλοι παίζουν βέλτιστα. 
 Και αν παίζω στην κάτω μέση, 
 επιλέξτε αυτό το πιρούνι στο δρόμο, που θα οδηγήσει σε έναν πίνακα παιχνιδιών 
 με τιμή 0. 
 Έχω δύο επιλογές. 
 Έχω 1 και 0 για να διαλέξω και πρέπει να διαλέξω. 
 Και ως ελάχιστος παίκτης, θα προτιμούσα να επιλέξω την επιλογή 

Turkish: 
 Alabileceğimiz tek yer değeri 1 olan bir oyuna, 
 bu oyun tahtası da 1 değerine sahip. 
 Şimdi bunu burada ele alacağız. 
 Şimdi ne olacak? 
 X'in harekete geçmesi gerekiyor. 
 X'in yapabileceği tek hareket sol üstte, bu yüzden X oraya gidecek. 
 Ve bu oyunda hiç kimse oyunu kazanmaz. 
 Kimse arka arkaya üç tane yok. 
 Yani o oyun tahtasının değeri 0. 
 Kimse kazanmadı. 
 Ve yine, aynı mantıkla, eğer bu tahta pozisyonundan, tek yer 
 ulaşabileceğimiz, değerin 0 olduğu bir tahta, 
 bu durumun da 0 değerine sahip olması gerekir. 
 Ve şimdi seçim kısmı geliyor, en aza indirmeye çalışmak fikri. 
 O oyuncu olarak şimdi biliyorum ki eğer bu seçimi yaparsam, 
 sol üstte hareket ettiğinde, 1 değerinde bir oyunla sonuçlanacak, 
 herkesin en iyi şekilde oynadığını varsayarsak. 
 Ve bunun yerine alt ortada oynarsam, 
 yoldaki bu çatalı seç, bir oyun tahtasına yol açacak 
 0 değerine sahip. 
 İki seçeneğim var. 
 Aralarından seçim yapabileceğim 1 ve 0 var ve seçmem gerekiyor. 
 Ve min oyuncu olarak, seçeneği tercih ederim 

Korean: 
 최소값으로. 
 플레이어가 여러 선택을 할 때마다 
 최소 플레이어는 가장 작은 값을 가진 옵션을 선택합니다. 
 최대 플레이어는 가장 큰 값을 가진 옵션을 선택합니다. 
 0의 1 사이에서 0은 작습니다. 
 게임을 잃는 것보다 게임을 묶는 것입니다. 
 이 게임 보드의 값은 0입니다. 
 내가 최적으로 놀고 있다면, 길에서이 포크를 선택할 것입니다. 
 X를 3 열로 막기 위해 O를 여기에 놓겠습니다. 
 X는 왼쪽 상단으로 이동하고 게임은 끝납니다. 
 아무도 게임에서 이길 수 없었습니다. 
 따라서 이것은 가능한 모든 옵션을 고려하기 위해 Minimax의 논리입니다. 
 내가 취할 수있는 모든 행동, 
 상대의 신발에 자신을 넣어. 
 어떤 움직임을 고려하여 지금 어떤 움직임을 할 것인지 결정합니다 
 상대는 다음 차례에 할 것입니다. 
 그렇게하기 위해, 나는 그 후 차례에 어떤 움직임을할지 고려합니다. 
 게임이 끝날 때까지 계속해서 
 이러한 소위 터미널 상태 중 하나에 
 사실, 바로이 결정 점은 

English: 
with the minimum value.
So whenever a player has multiple choices,
the min player will choose the option with the smallest value.
The max player will choose the option with the largest value.
Between the 1 in the 0, the 0 is smaller,
meaning I'd rather tie the game than lose the game.
And so this game board, we'll say, also has a value of 0,
because if I am playing optimally, I will pick this fork in the road.
I'll place my O here to block X's three in a row.
X will move in the upper left, and the game will be over,
and no one will have won the game.
So this is now the logic of Minimax, to consider all of the possible options
that I can take, all of the actions that I can take,
and then to put myself in my opponent's shoes.
I decide what move I'm going to make now by considering what move
my opponent will make on the next turn.
And to do that, I consider what move I would make on the turn after that,
so on and so forth, until I get all the way down to the end of the game,
to one of these so-called terminal states.
In fact, this very decision point, where I

Modern Greek (1453-): 
 με την ελάχιστη τιμή. 
 Έτσι, όταν ένας παίκτης έχει πολλαπλές επιλογές, 
 ο ελάχιστος παίκτης θα επιλέξει την επιλογή με τη μικρότερη τιμή. 
 Ο μέγιστος παίκτης θα ορίσει την επιλογή με τη μεγαλύτερη τιμή. 
 Μεταξύ του 1 στο 0, το 0 είναι μικρότερο, 
 που σημαίνει ότι θα προτιμούσα να δέσω το παιχνίδι παρά να χάσω το παιχνίδι. 
 Και έτσι αυτός ο πίνακας παιχνιδιών, θα πούμε, έχει επίσης αξία 0, 
 γιατί αν παίζω βέλτιστα, θα διαλέξω αυτό το πιρούνι στο δρόμο. 
 Θα βάλω το O μου εδώ για να μπλοκάρω τα τρία του X στη σειρά. 
 Ο Χ θα κινηθεί επάνω αριστερά και το παιχνίδι θα τελειώσει, 
 και κανείς δεν θα έχει κερδίσει το παιχνίδι. 
 Αυτή είναι λοιπόν η λογική του Minimax, για να εξετάσουμε όλες τις πιθανές επιλογές 
 που μπορώ να κάνω, όλες τις ενέργειες που μπορώ να κάνω, 
 και μετά να βάλω τον εαυτό μου στα παπούτσια του αντιπάλου μου. 
 Αποφασίζω τι κίνηση θα κάνω τώρα εξετάζοντας ποια κίνηση 
 ο αντίπαλός μου θα κάνει την επόμενη σειρά. 
 Και για να το κάνω αυτό, σκέφτομαι τι κίνηση θα έκανα στη σειρά μετά από αυτό, 
 και ούτω καθεξής, μέχρι να φτάσω μέχρι το τέλος του παιχνιδιού, 
 σε μία από αυτές τις λεγόμενες καταληκτικές καταστάσεις. 
 Στην πραγματικότητα, αυτό ακριβώς το σημείο απόφασης, όπου εγώ 

Hindi: 
 न्यूनतम मूल्य के साथ। 
 इसलिए जब भी किसी खिलाड़ी के पास कई विकल्प होते हैं, 
 न्यूनतम खिलाड़ी सबसे छोटे मूल्य के साथ विकल्प का चयन करेगा। 
 अधिकतम खिलाड़ी सबसे बड़े मूल्य के साथ विकल्प का चयन करेगा। 
 1 में 0 के बीच, 0 छोटा है, 
 मतलब मैं खेल को हारने के बजाय खेल को बाँधूंगा। 
 और इसलिए यह गेम बोर्ड, हम कहेंगे, इसका भी मान 0 है, 
 क्योंकि अगर मैं बेहतर खेल रहा हूं, तो मैं इस कांटे को सड़क पर चुनूंगा। 
 मैं X के तीन को एक पंक्ति में ब्लॉक करने के लिए अपना O यहां रखूंगा। 
 एक्स ऊपरी बाएँ में चला जाएगा, और खेल खत्म हो जाएगा, 
 और किसी ने भी गेम नहीं जीता होगा। 
 तो यह अब मिनिमैक्स का तर्क है, सभी संभावित विकल्पों पर विचार करने के लिए 
 मैं जो भी कार्य कर सकता हूं, वह सब कर सकता हूं, 
 और फिर अपने आप को मेरे प्रतिद्वंद्वी के जूते में डाल दिया। 
 मैं तय करता हूं कि मैं अब किस कदम पर विचार करने जा रहा हूं 
 मेरा प्रतिद्वंद्वी अगले मोड़ पर आ जाएगा। 
 और ऐसा करने के लिए, मैं इस बात पर विचार करता हूं कि उसके बाद मैं क्या कदम उठाऊंगा, 
 तब तक और आगे, जब तक मुझे खेल के अंत तक सभी रास्ते मिल न जाएं, 
 इन तथाकथित टर्मिनल राज्यों में से एक। 
 वास्तव में, यह बहुत ही महत्वपूर्ण बिंदु है, जहां मैं 

Chinese: 
最小值。 
因此，只要玩家有多种选择， 
最小玩家会选择值最小的选项。 
最大的玩家会选择具有最大价值的选项。 
在0中的1之间，0较小， 
意思是我宁愿打比赛而不是输掉比赛。 
因此，我们将假设这个游戏板的值为0， 
因为如果我发挥得最好，我会在路上选这把叉子。 
我将O放置在此处以连续阻止X的三个。 
 X将在左上方移动，游戏结束， 
没人会赢得比赛。 
因此，这是Minimax的逻辑，考虑所有可能的选项
我可以采取的所有措施， 
然后把自己放在对手的鞋里。 
我通过考虑什么动作来决定现在要采取的动作
我的对手会在下一回合转弯。 
为此，我考虑在那之后我会在转弯处采取什么行动， 
如此反复，直到我一路走到比赛结束， 
这些所谓的终端状态之一。 
实际上，这是我的决定点

Portuguese: 
 com o valor mínimo. 
 Portanto, sempre que um jogador tiver várias opções, 
 o jogador min irá escolher a opção com o menor valor. 
 O jogador máximo escolherá a opção com o maior valor. 
 Entre o 1 no 0, o 0 é menor, 
 ou seja, eu prefiro amarrar o jogo a perder o jogo. 
 E assim, este tabuleiro de jogo, digamos, também tem um valor de 0, 
 porque se estiver jogando da melhor maneira, vou pegar essa bifurcação na estrada. 
 Vou colocar meu O aqui para bloquear os três de X seguidos. 
 X se moverá no canto superior esquerdo e o jogo terminará, 
 e ninguém terá vencido o jogo. 
 Portanto, essa é agora a lógica do Minimax, para considerar todas as opções possíveis 
 que eu posso tomar, todas as ações que eu posso tomar, 
 e depois me colocar no lugar do meu oponente. 
 Eu decido qual jogada vou fazer agora, considerando qual jogada 
 meu oponente fará no próximo turno. 
 E para fazer isso, considero que jogada eu faria no turn depois disso, 
 e assim por diante, até chegar ao final do jogo, 
 para um desses chamados estados terminais. 
 De fato, neste mesmo ponto de decisão, onde eu 

German: 
 mit dem Mindestwert. 
 Wann immer ein Spieler mehrere Möglichkeiten hat, 
 Der Min-Spieler wählt die Option mit dem kleinsten Wert. 
 Der maximale Spieler wählt die Option mit dem größten Wert. 
 Zwischen der 1 in der 0 ist die 0 kleiner, 
 Das heißt, ich würde das Spiel lieber binden, als es zu verlieren. 
 Und so hat dieses Spielbrett, sagen wir, auch einen Wert von 0, 
 denn wenn ich optimal spiele, werde ich diese Weggabelung wählen. 
 Ich werde mein O hier platzieren, um X 'drei in einer Reihe zu blockieren. 
 X bewegt sich oben links und das Spiel ist beendet. 
 und niemand wird das Spiel gewonnen haben. 
 Dies ist nun die Logik von Minimax, alle möglichen Optionen zu berücksichtigen 
 dass ich alle Maßnahmen ergreifen kann, die ich ergreifen kann, 
 und mich dann in die Lage meines Gegners zu versetzen. 
 Ich entscheide, welchen Zug ich jetzt machen werde, indem ich überlege, welchen Zug ich machen soll 
 Mein Gegner wird in der nächsten Runde machen. 
 Und um das zu tun, überlege ich, welchen Schritt ich danach in der Kurve machen würde. 
 so weiter und so fort, bis ich bis zum Ende des Spiels komme, 
 zu einem dieser sogenannten Endzustände. 
 In der Tat genau dieser Entscheidungspunkt, wo ich 

Indonesian: 
 dengan nilai minimum. 
 Jadi setiap kali seorang pemain memiliki banyak pilihan, 
 pemain min akan memilih opsi dengan nilai terkecil. 
 Pemain maks akan memilih opsi dengan nilai terbesar. 
 Antara 1 dalam 0, 0 lebih kecil, 
 artinya saya lebih suka mengikat permainan daripada kalah. 
 Dan papan permainan ini, kami akan katakan, juga memiliki nilai 0, 
 karena jika saya bermain optimal, saya akan memilih garpu ini di jalan. 
 Saya akan menempatkan O saya di sini untuk memblokir tiga X berturut-turut. 
 X akan bergerak di kiri atas, dan permainan akan berakhir, 
 dan tidak ada yang akan memenangkan pertandingan. 
 Jadi ini sekarang adalah logika Minimax, untuk mempertimbangkan semua opsi yang mungkin 
 yang bisa saya ambil, semua tindakan yang bisa saya lakukan, 
 dan kemudian menempatkan diriku pada posisi lawan. 
 Saya memutuskan langkah apa yang akan saya buat sekarang dengan mempertimbangkan langkah apa 
 lawan saya akan membuat pada belokan berikutnya. 
 Dan untuk melakukan itu, saya mempertimbangkan langkah apa yang akan saya lakukan pada belokan setelah itu, 
 seterusnya dan seterusnya, sampai saya sampai di ujung permainan, 
 ke salah satu dari apa yang disebut terminal state. 
 Bahkan, ini titik keputusan, di mana saya 

Arabic: 
 بأقل قيمة. 
 لذلك كلما كان للاعب خيارات متعددة ، 
 سيختار اللاعب الأدنى الخيار بأقل قيمة. 
 سيختار اللاعب الأقصى الخيار ذو القيمة الأكبر. 
 بين 1 في 0 ، 0 أصغر ، 
 مما يعني أنني أفضل ربط اللعبة بدلاً من خسارتها. 
 لذا ، فإن لوحة اللعبة هذه ، سنقول ، لها أيضًا قيمة 0 ، 
 لأنه إذا كنت ألعب على النحو الأمثل ، سأختار هذه الشوكة في الطريق. 
 سأضع O الخاص بي هنا لمنع الثلاثة X على التوالي. 
 سينتقل X في أعلى اليسار ، وستنتهي اللعبة ، 
 ولن يفوز أحد في المباراة. 
 إذن هذا هو منطق Minimax ، للنظر في جميع الخيارات الممكنة 
 يمكنني القيام به ، كل الإجراءات التي يمكنني اتخاذها ، 
 ثم أضع نفسي في مكان خصمي. 
 أقرر ما الخطوة التي سأقوم بها الآن من خلال النظر في أي خطوة 
 سيصنع خصمي في المنعطف التالي. 
 وللقيام بذلك ، أفكر في الخطوة التي سأقوم بها بعد ذلك ، 
 وهكذا دواليك ، حتى أحصل على طول الطريق حتى نهاية اللعبة ، 
 إلى واحدة من هذه الحالات النهائية المسماة. 
 في الواقع ، هذه نقطة القرار ، حيث أنا 

Spanish: 
 con el valor mínimo 
 Entonces, cada vez que un jugador tiene múltiples opciones, 
 el jugador mínimo elegirá la opción con el valor más pequeño. 
 El jugador máximo elegirá la opción con el mayor valor. 
 Entre el 1 en el 0, el 0 es más pequeño, 
 lo que significa que prefiero empatar el juego que perder el juego. 
 Entonces, este tablero de juego, diremos, también tiene un valor de 0, 
 porque si juego de manera óptima, elegiré esta bifurcación en el camino. 
 Colocaré mi O aquí para bloquear las tres de X seguidas. 
 X se moverá en la esquina superior izquierda y el juego terminará, 
 y nadie habrá ganado el juego. 
 Esta es ahora la lógica de Minimax, considerar todas las opciones posibles. 
 que puedo tomar, todas las acciones que puedo tomar, 
 y luego ponerme en el lugar de mi oponente. 
 Decido qué movimiento voy a hacer ahora al considerar qué movimiento 
 mi oponente hará en el próximo turno. 
 Y para hacer eso, considero qué movimiento haría en el turno después de eso, 
 y así sucesivamente, hasta que llegue al final del juego, 
 a uno de estos llamados estados terminales. 
 De hecho, este mismo punto de decisión, donde yo 

Russian: 
 с минимальным значением. 
 Поэтому, когда у игрока есть несколько вариантов, 
 минимальный игрок выберет вариант с наименьшим значением. 
 Максимальный игрок выберет вариант с наибольшим значением. 
 Между 1 в 0, 0 меньше, 
 это значит, что я предпочел бы связать игру, чем проиграть. 
 Итак, эта игровая доска, скажем так, также имеет значение 0, 
 потому что, если я играю оптимально, я выберу эту вилку на дороге. 
 Я поставлю свой O здесь, чтобы заблокировать три X подряд. 
 X будет двигаться в левом верхнем углу, и игра будет закончена, 
 и никто не выиграет игру. 
 Так что теперь это логика Minimax, чтобы рассмотреть все возможные варианты 
 что я могу предпринять, все действия, которые я могу предпринять, 
 а затем поставить себя на место моего оппонента. 
 Я решаю, какой шаг я собираюсь сделать сейчас, учитывая, какой шаг 
 мой оппонент сделает на следующем ходу. 
 И чтобы сделать это, я считаю, какой ход я бы сделал на терне после этого, 
 и так далее, до тех пор, пока я не доберусь до конца игры, 
 в одно из этих так называемых терминальных состояний. 
 На самом деле, это тот самый момент принятия решения, где я 

Turkish: 
 minimum değer ile. 
 Yani bir oyuncunun birden fazla seçeneği olduğunda, 
 min. oyuncu en küçük değere sahip seçeneği seçecektir. 
 Maksimum oyuncu en büyük değere sahip seçeneği seçecektir. 
 0'daki 1 arasında, 0 daha küçüktür, 
 yani oyunu kaybetmektense oyunu bağlamayı tercih ederim. 
 Ve böylece, bu oyun tahtası, 0 değerine sahip, 
 çünkü en uygun şekilde oynarsam, bu çatalı yoldan seçeceğim. 
 O'yu buraya X'in üçünü arka arkaya engellemek için yerleştireceğim. 
 X sol üstte hareket edecek ve oyun bitecek, 
 ve hiç kimse oyunu kazanamayacak. 
 Bu, şimdi tüm olası seçenekleri göz önünde bulundurmak için Minimax'ın mantığı 
 alabileceğim, yapabileceğim tüm eylemleri, 
 ve sonra kendimi rakibimin yerine koyuyorum. 
 Hangi hamleyi yapacağımı düşünerek şimdi hangi hamleyi yapacağım 
 rakibim bir sonraki dönüşü yapacak. 
 Ve bunu yapmak için, bundan sonra dönüşte hangi hareketi yapacağımı düşünüyorum, 
 ve böylece, oyunun sonuna kadar gidene kadar, 
 sözde terminal durumlarından birine. 
 Aslında, bu karar noktası, nerede 

Chinese: 
最小值。 
因此，只要玩家有多種選擇， 
最小玩家會選擇值最小的選項。 
最大的玩家會選擇具有最大價值的選項。 
在0中的1之間，0較小， 
意思是我寧願打比賽而不是輸掉比賽。 
因此，我們將假設這個遊戲板的值為0， 
因為如果我發揮得最好，我會在路上選這把叉子。 
我將O放置在此處以連續阻止X的三個。 
 X將在左上方移動，遊戲結束， 
沒人會贏得比賽。 
因此，這是Minimax的邏輯，考慮所有可能的選項
我可以採取的所有措施， 
然後把自己放在對手的鞋裡。 
我通過考慮什麼動作來決定現在要採取的動作
我的對手會在下一回合轉彎。 
為此，我考慮在那之後我會在轉彎處採取什麼行動， 
如此反复，直到我一路走到比賽結束， 
這些所謂的終端狀態之一。 
實際上，這是我的決定點

Japanese: 
最小値で。 
つまり、プレーヤーに複数の選択肢がある場合は常に、 
最小プレーヤーは最小値のオプションを選択します。 
最大プレーヤーは、最大の値を持つオプションを選択します。 
 1と0の間で、0は小さく、 
つまり、ゲームを失うよりも、ゲームを引き分けたいということです。 
このゲームボードの値も0です。 
私が最適にプレーしているなら、私は道路でこのフォークを選ぶでしょうから。 
 Xの3つを連続してブロックするために、ここにOを配置します。 
 Xが左上に移動し、ゲームオーバーになります。 
そして誰もゲームに勝ったことはないでしょう。 
これが、可能なすべてのオプションを検討するための、Minimaxのロジックです。 
私が取ることができること、私が取ることができるすべての行動、 
それから自分を相手の立場に置く。 
どんな動きをするかを考えて、これからどうするかを決める
私の対戦相手は次のターンに作るでしょう。 
それをするために、私はその後のターンでどんな動きをするかを考えます、 
等々、ゲームが終わるまでずっと
これらのいわゆる最終状態の1つに。 
実際、この決定ポイントは、私が

Italian: 
 con il valore minimo. 
 Quindi ogni volta che un giocatore ha più scelte, 
 il giocatore minimo sceglierà l'opzione con il valore più piccolo. 
 Il giocatore massimo sceglierà l'opzione con il valore più grande. 
 Tra 1 in 0, lo 0 è più piccolo, 
 significa che preferirei legare il gioco piuttosto che perdere il gioco. 
 E quindi questo tabellone, diciamo, ha anche un valore di 0, 
 perché se sto giocando in modo ottimale, prenderò questo bivio. 
 Metterò la mia O qui per bloccare le tre di X di fila. 
 X si sposterà in alto a sinistra e il gioco sarà finito, 
 e nessuno avrà vinto la partita. 
 Quindi questa è ora la logica di Minimax, per considerare tutte le possibili opzioni 
 che posso intraprendere, tutte le azioni che posso intraprendere, 
 e poi mettermi nei panni del mio avversario. 
 Decido quale mossa farò ora considerando quale mossa 
 il mio avversario farà al prossimo turno. 
 E per farlo, considero quale mossa farei al turn dopo, 
 così via e così via, fino a quando non arrivo fino alla fine del gioco, 
 a uno di questi cosiddetti stati terminali. 
 In realtà, proprio questo punto decisionale, in cui io 

French: 
 avec la valeur minimale. 
 Donc, chaque fois qu'un joueur a plusieurs choix, 
 le joueur min choisira l'option avec la plus petite valeur. 
 Le joueur max choisira l'option avec la plus grande valeur. 
 Entre le 1 dans le 0, le 0 est plus petit, 
 ce qui signifie que je préfère lier le jeu plutôt que de le perdre. 
 Et donc ce plateau de jeu, nous dirons, a également une valeur de 0, 
 parce que si je joue de façon optimale, je choisirai cette fourche sur la route. 
 Je vais placer mon O ici pour bloquer les trois de X d'affilée. 
 X se déplacera en haut à gauche, et le jeu sera terminé, 
 et personne n'aura gagné le match. 
 C'est donc maintenant la logique de Minimax, de considérer toutes les options possibles 
 que je peux prendre, toutes les actions que je peux prendre, 
 puis de me mettre à la place de mon adversaire. 
 Je décide quel mouvement je vais faire maintenant en considérant quel mouvement 
 mon adversaire fera au prochain tour. 
 Et pour ce faire, je considère quel mouvement je ferais au tournant après cela, 
 et ainsi de suite, jusqu'à ce que j'arrive à la fin du jeu, 
 à l'un de ces états dits terminaux. 
 En fait, ce point de décision même, où je 

Dutch: 
 met de minimumwaarde. 
 Dus als een speler meerdere keuzes heeft, 
 de min speler kiest de optie met de kleinste waarde. 
 De maximale speler kiest de optie met de grootste waarde. 
 Tussen de 1 in de 0 is de 0 kleiner, 
 wat betekent dat ik liever het spel koppel dan het spel te verliezen. 
 Dus dit spelbord, we zullen zeggen, heeft ook een waarde van 0, 
 want als ik optimaal speel, kies ik deze vork in de weg. 
 Ik plaats mijn O hier om de drie op rij van X te blokkeren. 
 X beweegt linksboven en het spel is voorbij, 
 en niemand zal het spel hebben gewonnen. 
 Dus dit is nu de logica van Minimax, om alle mogelijke opties te overwegen 
 die ik kan nemen, alle acties die ik kan ondernemen, 
 en dan mezelf in de schoenen van mijn tegenstander te plaatsen. 
 Ik beslis welke zet ik nu ga maken door te overwegen welke zet 
 mijn tegenstander zal de volgende beurt maken. 
 En om dat te doen, bedenk ik wat ik daarna op de turn zou doen, 
 enzovoort, totdat ik helemaal tot het einde van het spel kom, 
 naar een van deze zogenaamde eindstanden. 
 In feite is dit beslissingspunt, waar ik 

Italian: 
 sto cercando di decidere come giocatore O su cosa prendere una decisione, 
 potrebbe essere stato solo una parte della logica secondo cui il giocatore X, il mio avversario, 
 stava usando la mossa prima di me. 
 Questo potrebbe far parte di un albero più grande dove 
 X sta provando a fare una mossa in questa situazione 
 e deve scegliere tra tre diverse opzioni 
 per prendere una decisione su cosa succedere. 
 E più ci allontaniamo dalla fine del gioco, 
 più profondo deve andare questo albero, perché ogni livello in questo albero 
 corrisponderà a una mossa, una mossa o un'azione che faccio, 
 una mossa o un'azione intrapresa dal mio avversario, al fine di decidere cosa succede. 
 E in effetti, risulta che se io sono il giocatore X in questa posizione, 
 e ricorsivamente faccio la logica e vedo che ho una scelta-- 
 tre scelte, infatti, una delle quali porta ad un valore di 0, se gioco qui, 
 e se tutti giocano in modo ottimale, il gioco sarà un pareggio. 
 Se gioco qui, allora O vincerà e perderò, giocando in modo ottimale. 
 O qui, dove io, il giocatore X, posso vincere ... 
 bene, tra un punteggio di 0 e 1 e 1 negativi, 
 Preferirei scegliere la scheda con un valore di 1, 

Modern Greek (1453-): 
 προσπαθώ να αποφασίσω ως παίκτης Ο τι να κάνω μια απόφαση, 
 θα μπορούσε να ήταν ένα κομμάτι της λογικής ότι ο παίκτης Χ, ο αντίπαλός μου, 
 χρησιμοποιούσε την κίνηση μπροστά μου. 
 Αυτό μπορεί να είναι μέρος κάποιου μεγαλύτερου δέντρου όπου 
 Ο Χ προσπαθεί να κάνει μια κίνηση σε αυτήν την κατάσταση 
 και πρέπει να διαλέξετε ανάμεσα σε τρεις διαφορετικές επιλογές 
 για να πάρουμε μια απόφαση για το τι θα συμβεί. 
 Και όσο πιο μακριά είμαστε από το τέλος του παιχνιδιού, 
 όσο πιο βαθιά πρέπει να πάει αυτό το δέντρο, γιατί κάθε επίπεδο σε αυτό το δέντρο 
 πρόκειται να αντιστοιχεί σε μία κίνηση, μία κίνηση ή δράση που κάνω, 
 μία κίνηση ή δράση που κάνει ο αντίπαλός μου, για να αποφασίσει τι θα συμβεί. 
 Και στην πραγματικότητα, αποδεικνύεται ότι αν είμαι ο παίκτης Χ σε αυτήν τη θέση, 
 και κάνω αναδρομικά τη λογική και βλέπω ότι έχω μια επιλογή-- 
 τρεις επιλογές, στην πραγματικότητα, μία από τις οποίες οδηγεί σε τιμή 0, εάν παίζω εδώ, 
 και αν όλοι παίζουν βέλτιστα, το παιχνίδι θα είναι ισοπαλία. 
 Αν παίξω εδώ, τότε ο Ο θα κερδίσει και θα χάσω, παίζοντας με τον καλύτερο τρόπο. 
 Ή εδώ, όπου εγώ, ο παίκτης Χ, μπορώ να κερδίσω-- 
 καλά, μεταξύ σκορ 0 και αρνητικού 1 και 1, 
 Θα προτιμούσα να διαλέξω το ταμπλό με τιμή 1, 

Spanish: 
 Estoy tratando de decidir como jugador O sobre qué tomar una decisión, 
 podría haber sido parte de la lógica de que el jugador X, mi oponente, 
 Estaba usando el movimiento delante de mí. 
 Esto podría ser parte de un árbol más grande donde 
 X está intentando moverse en esta situación 
 y necesita elegir entre tres opciones diferentes 
 para tomar una decisión sobre qué suceder. 
 Y cuanto más y más lejos estemos del final del juego, 
 cuanto más profundo tiene que ir este árbol, porque cada nivel en este árbol 
 va a corresponder a un movimiento, un movimiento o acción que tomo, 
 un movimiento o acción que realiza mi oponente, para decidir qué sucede. 
 Y de hecho, resulta que si soy el jugador X en esta posición, 
 y recursivamente hago la lógica y veo que tengo una opción 
 tres opciones, de hecho, una de las cuales lleva a un valor de 0, si juego aquí, 
 y si todos juegan de manera óptima, el juego será un empate. 
 Si juego aquí, entonces O va a ganar, y yo perderé, jugando de manera óptima. 
 O aquí, donde yo, el jugador X, puedo ganar ... 
 bueno, entre un puntaje de 0 y negativo 1 y 1, 
 Prefiero elegir el tablero con un valor de 1, 

Indonesian: 
 Saya mencoba untuk memutuskan sebagai pemain O apa yang harus membuat keputusan tentang, 
 mungkin saja menjadi bagian dari logika bahwa pemain X, lawan saya, 
 menggunakan langkah sebelum saya. 
 Ini mungkin bagian dari pohon besar di mana 
 X sedang berusaha bergerak dalam situasi ini 
 dan perlu memilih di antara tiga opsi yang berbeda 
 untuk membuat keputusan tentang apa yang akan terjadi. 
 Dan semakin jauh kita dari akhir pertandingan, 
 semakin dalam pohon ini harus pergi, karena setiap tingkat di pohon ini 
 akan sesuai dengan satu gerakan, satu gerakan atau tindakan yang saya ambil, 
 satu gerakan atau tindakan yang dilakukan lawan saya, untuk memutuskan apa yang terjadi. 
 Dan pada kenyataannya, ternyata jika saya adalah pemain X di posisi ini, 
 dan saya secara rekursif melakukan logika dan melihat saya punya pilihan-- 
 tiga pilihan, pada kenyataannya, salah satunya mengarah ke nilai 0, jika saya bermain di sini, 
 dan jika semua orang bermain optimal, permainan akan menjadi seri. 
 Jika saya bermain di sini, maka O akan menang, dan saya akan kalah, bermain optimal. 
 Atau di sini, tempat aku, pemain X, bisa menang-- 
 baik, antara skor 0 dan negatif 1 dan 1, 
 Saya lebih suka memilih papan dengan nilai 1, 

Arabic: 
 أحاول أن أقرر كلاعب O ما الذي يجب أن أتخذ قرارًا بشأنه ، 
 ربما كان مجرد جزء من المنطق أن لاعب X ، منافسي ، 
 كان يستخدم الخطوة أمامي. 
 قد يكون هذا جزءًا من شجرة أكبر حيث 
 X يحاول اتخاذ خطوة في هذه الحالة 
 ويحتاج إلى الاختيار من بين ثلاثة خيارات مختلفة 
 من أجل اتخاذ قرار بشأن ما سيحدث. 
 وكلما ابتعدنا أكثر عن نهاية اللعبة ، 
 كلما تعمقت هذه الشجرة ، لأن كل مستوى في هذه الشجرة 
 سيتوافق مع خطوة واحدة ، خطوة واحدة أو إجراء أتخذه ، 
 خطوة أو إجراء يقوم به خصمي من أجل تحديد ما سيحدث. 
 وفي الواقع ، اتضح أنه إذا كنت اللاعب X في هذا الموقف ، 
 وأنا أفعل المنطق بشكل متكرر وأرى أنه لدي خيار-- 
 ثلاثة خيارات ، في الواقع ، أحدها يؤدي إلى قيمة 0 ، إذا لعبت هنا ، 
 وإذا لعب الجميع على النحو الأمثل ، فإن اللعبة ستكون التعادل. 
 إذا لعبت هنا ، فسوف يفوز O وسأفقد اللعب بشكل مثالي. 
 أو هنا ، حيث يمكنني ، لاعب X ، الفوز-- 
 حسنًا ، بين درجة صفر وسلبية 1 و 1 ، 
 أفضل اختيار اللوحة بقيمة 1 ، 

German: 
 Ich versuche als O-Spieler zu entscheiden, worüber ich eine Entscheidung treffen soll. 
 könnte nur ein Teil der Logik gewesen sein, dass der X-Spieler, mein Gegner, 
 nutzte den Umzug vor mir. 
 Dies könnte Teil eines größeren Baumes sein, in dem 
 X versucht in dieser Situation einen Schritt zu machen 
 und muss zwischen drei verschiedenen Optionen wählen 
 um eine Entscheidung darüber zu treffen, was passieren soll. 
 Und je weiter und weiter wir vom Ende des Spiels entfernt sind, 
 Je tiefer dieser Baum gehen muss, desto mehr Level in diesem Baum 
 wird einem Zug, einem Zug oder einer Aktion entsprechen, die ich unternehme, 
 eine Bewegung oder Aktion, die mein Gegner unternimmt, um zu entscheiden, was passiert. 
 Und tatsächlich stellt sich heraus, dass, wenn ich der X-Spieler in dieser Position bin, 
 und ich mache rekursiv die Logik und sehe, dass ich eine Wahl habe - 
 Drei Auswahlmöglichkeiten, von denen eine zu einem Wert von 0 führt, wenn ich hier spiele. 
 und wenn alle optimal spielen, wird das Spiel ein Unentschieden sein. 
 Wenn ich hier spiele, wird O gewinnen und ich werde verlieren und optimal spielen. 
 Oder hier, wo ich, der X-Spieler, gewinnen kann ... 
 gut, zwischen einer Punktzahl von 0 und negativen 1 und 1, 
 Ich würde lieber das Brett mit dem Wert 1 auswählen, 

Dutch: 
 probeer als de O-speler te beslissen waarover hij een beslissing moet nemen, 
 misschien een onderdeel van de logica dat de X-speler, mijn tegenstander, 
 gebruikte de beweging voor mij. 
 Dit kan deel uitmaken van een grotere boom waar 
 X probeert in deze situatie een zet te doen 
 en moet kiezen tussen drie verschillende opties 
 om een ​​beslissing te nemen over wat er gaat gebeuren. 
 En hoe verder en verder we zijn van het einde van het spel, 
 hoe dieper deze boom moet gaan, want elk niveau in deze boom 
 komt overeen met één beweging, één beweging of actie die ik onderneem, 
 één zet of actie die mijn tegenstander onderneemt om te beslissen wat er gebeurt. 
 En in feite blijkt dat als ik de X-speler ben in deze positie, 
 en ik doe recursief de logica en zie dat ik een keuze heb-- 
 drie keuzes, waarvan er één leidt tot een waarde van 0, als ik hier speel, 
 en als iedereen optimaal speelt, wordt het spel een gelijkspel. 
 Als ik hier speel, dan wint O, en ik verlies, en speel optimaal. 
 Of hier, waar ik, de X-speler, kan winnen-- 
 Nou, tussen een score van 0 en min 1 en 1, 
 Ik kies liever het bord met een waarde van 1, 

Chinese: 
我正在嘗試決定作為O玩家要做出的決定， 
 X播放器（我的對手）可能只是其中一部分邏輯， 
在使用我之前的舉動。 
這可能是一些更大的樹的一部分， 
 X正在嘗試在這種情況下採取行動
並且需要在三個不同的選項之間進行選擇
為了對發生的事情做出決定。 
而且我們離比賽結束越來越遠， 
這棵樹必須走得更深，因為這棵樹的每個層次
對應於我的一招，一招或動作， 
我的對手採取的一招或一舉，以決定會發生什麼。 
實際上，事實證明，如果我是這個職位的X玩家， 
然後我遞歸地做邏輯，看得出我有選擇- 
實際上是三個選擇，如果我在這裡玩，其中一個會導致值為0， 
如果每個人都發揮出最佳狀態，那麼比賽將是平局。 
如果我在這裡比賽，那麼O會贏，而我會輸球，達到最佳狀態。 
或者在這裡，我（X玩家）可以贏得- 
好吧，介於0到負1與1之間
我寧願選擇值為1的木板

French: 
 j'essaie de décider en tant que joueur O sur quoi prendre une décision, 
 pourrait juste être une partie de la logique que le joueur X, mon adversaire, 
 utilisait le mouvement devant moi. 
 Cela pourrait faire partie d'un arbre plus grand où 
 X essaie de bouger dans cette situation 
 et doit choisir entre trois options différentes 
 afin de prendre une décision sur ce qui va se passer. 
 Et de plus en plus loin nous sommes de la fin du jeu, 
 plus cet arbre doit être profond, car chaque niveau de cet arbre 
 va correspondre à un mouvement, un mouvement ou une action que je prends, 
 un mouvement ou une action que mon adversaire prend, afin de décider de ce qui se passe. 
 Et en fait, il se trouve que si je suis le joueur X dans cette position, 
 et je fais récursivement la logique et vois que j'ai un choix-- 
 trois choix, en fait, dont l'un conduit à une valeur de 0, si je joue ici, 
 et si tout le monde joue de façon optimale, le match sera à égalité. 
 Si je joue ici, alors O va gagner et je vais perdre en jouant de manière optimale. 
 Ou ici, où moi, le joueur X, je peux gagner ... 
 eh bien, entre un score de 0 et un négatif de 1 et 1, 
 Je préfère choisir le tableau avec une valeur de 1, 

Hindi: 
 ओ खिलाड़ी के रूप में तय करने की कोशिश कर रहा हूं कि क्या निर्णय लेना है, 
 शायद तर्क का एक हिस्सा रहा हो सकता है कि एक्स खिलाड़ी, मेरे प्रतिद्वंद्वी, 
 मेरे सामने चाल का उपयोग कर रहा था। 
 यह किसी बड़े पेड़ का हिस्सा हो सकता है 
 एक्स इस स्थिति में एक चाल बनाने की कोशिश कर रहा है 
 और तीन अलग-अलग विकल्पों के बीच चुनने की जरूरत है 
 क्या होना है, इस बारे में निर्णय लेने के लिए। 
 और आगे और आगे हम खेल के अंत से दूर हैं, 
 गहरे इस वृक्ष को जाना है, क्योंकि इस वृक्ष में हर स्तर है 
 एक चाल, एक चाल या क्रिया के अनुरूप होने जा रहा है, जिसे मैं लेता हूं, 
 एक चाल या क्रिया जो मेरे प्रतिद्वंद्वी लेता है, ताकि यह तय हो सके कि क्या होता है। 
 और वास्तव में, यह पता चला है कि अगर मैं इस स्थिति में एक्स खिलाड़ी हूं, 
 और मैं पुन: तर्क करता हूं और देखता हूं कि मेरे पास एक विकल्प है-- 
 तीन विकल्प, वास्तव में, जिनमें से एक 0 के मान की ओर जाता है, अगर मैं यहां खेलता हूं, 
 और अगर हर कोई उम्मीद से खेलता है, तो खेल एक टाई होगा। 
 अगर मैं यहां खेलता हूं, तो ओ जीतने वाला है, और मैं हार जाऊंगा, बेहतर खेल रहा हूं। 
 या यहां, जहां मैं, एक्स खिलाड़ी, जीत सकता हूं-- 
 अच्छी तरह से, 0 और नकारात्मक 1 और 1 के स्कोर के बीच, 
 मैं 1 के मान के साथ बोर्ड चुनूंगा, 

Turkish: 
 O oyuncu olarak ne hakkında karar vereceğine karar vermeye çalışıyorum, 
 X oyuncusunun, rakibimin, 
 benden önce hareketi kullanıyordu. 
 Bu daha büyük bir ağacın parçası olabilir 
 X bu durumda harekete geçmeye çalışıyor 
 ve üç farklı seçenek arasından seçim yapmanız gerekiyor 
 ne olacağına karar vermek için. 
 Ve oyunun sonundan ne kadar uzaklaşırsak, 
 bu ağaç daha derine inmeli, çünkü bu ağaçtaki her seviye 
 bir hamle, bir hamle veya yaptığım eyleme karşılık gelecek, 
 ne olacağına karar vermek için rakibimin yaptığı bir hareket veya hareket. 
 Ve aslında, eğer bu pozisyonda X oyuncusuysam, 
 ve tekrar tekrar mantığı yapıyorum ve bir seçeneğim olduğunu görüyorum. 
 üç seçenek, aslında, bunlardan biri 0 değerine yol açar, eğer burada oynarsam, 
 ve eğer herkes en iyi şekilde oynarsa, oyun berabere biter. 
 Burada oynarsam, O kazanır ve en uygun şekilde oynayarak kaybederim. 
 Veya burada, X oyuncusu ben kazanabilirim-- 
 0 ile negatif 1 ve 1 arasında, 
 Tahtayı 1 değerinde seçmeyi tercih ederim, 

English: 
am trying to decide as the O player what to make a decision about,
might have just been a part of the logic that the X player, my opponent,
was using the move before me.
This might be part of some larger tree where
X is trying to make a move in this situation
and needs to pick between three different options
in order to make a decision about what to happen.
And the further and further away we are from the end of the game,
the deeper this tree has to go, because every level in this tree
is going to correspond to one move, one move or action that I take,
one move or action that my opponent takes, in order to decide what happens.
And in fact, it turns out that if I am the X player in this position,
and I recursively do the logic and see I have a choice--
three choices, in fact, one of which leads to a value of 0, if I play here,
and if everyone plays optimally, the game will be a tie.
If I play here, then O is going to win, and I'll lose, playing optimally.
Or here, where I, the X player, can win--
well, between a score of 0 and negative 1 and 1,
I'd rather pick the board with a value of 1,

Russian: 
 Я пытаюсь решить, как игрок О, что принимать решение, 
 возможно, это только часть логики, что игрок X, мой противник, 
 использовал ход передо мной. 
 Это может быть частью более крупного дерева, где 
 Х пытается сделать ход в этой ситуации 
 и нужно выбрать между тремя различными вариантами 
 для того, чтобы принять решение о том, что должно произойти. 
 И чем дальше и дальше мы от конца игры, 
 чем глубже должно пройти это дерево, потому что каждый уровень в этом дереве 
 будет соответствовать одному шагу, одному шагу или действию, которое я предприму, 
 один ход или действие, которое делает мой оппонент, чтобы решить, что произойдет. 
 И на самом деле, получается, что если я X-игрок в этой позиции, 
 и я рекурсивно делаю логику и вижу, что у меня есть выбор 
 фактически три варианта, один из которых приводит к значению 0, если я здесь играю, 
 и если все будут играть оптимально, в игре будет ничья. 
 Если я буду играть здесь, то О выиграет, а я проиграю, играя оптимально. 
 Или здесь, где я, игрок Х, могу выиграть ... 
 ну, между оценкой 0 и отрицательной 1 и 1, 
 Я бы предпочел выбрать доску со значением 1, 

Chinese: 
我正在尝试决定作为O玩家要做出的决定， 
 X播放器（我的对手）可能只是其中一部分逻辑， 
在使用我之前的举动。 
这可能是一些更大的树的一部分， 
 X正在尝试在这种情况下采取行动
并且需要在三个不同的选项之间进行选择
为了对发生的事情做出决定。 
而且我们离比赛结束越来越远， 
这棵树必须走得更深，因为这棵树的每个层次
对应于我的一招，一招或动作， 
我的对手采取的一招或一举，以决定会发生什么。 
实际上，事实证明，如果我是这个职位的X玩家， 
然后我递归地做逻辑，看得出我有选择- 
实际上是三个选择，如果我在这里玩，其中一个会导致值为0， 
如果每个人都发挥出最佳状态，那么比赛将是平局。 
如果我在这里比赛，那么O会赢，而我会输球，达到最佳状态。 
或者在这里，我（X玩家）可以赢得- 
好吧，介于0到负1与1之间
我宁愿选择值为1的木板

Portuguese: 
 estou tentando decidir como jogador O sobre o que tomar uma decisão, 
 pode ter sido apenas parte da lógica de que o jogador X, meu oponente, 
 estava usando o movimento diante de mim. 
 Isso pode fazer parte de uma árvore maior onde 
 X está tentando fazer uma jogada nessa situação 
 e precisa escolher entre três opções diferentes 
 para tomar uma decisão sobre o que acontecer. 
 E quanto mais longe estamos do final do jogo, 
 quanto mais profunda essa árvore tem que ir, porque todos os níveis nessa árvore 
 vai corresponder a um movimento, um movimento ou ação que tomo, 
 um movimento ou ação que meu oponente realiza, para decidir o que acontece. 
 E, de fato, acontece que se eu sou o jogador X nesta posição, 
 e eu recursivamente faço a lógica e vejo que tenho uma escolha-- 
 três opções, de fato, uma das quais leva a um valor 0, se eu jogar aqui, 
 e se todos jogarem da melhor maneira, o jogo será empatado. 
 Se eu jogar aqui, O vai ganhar e eu vou perder, jogando da melhor maneira. 
 Ou aqui, onde eu, o X player, posso ganhar-- 
 bem, entre uma pontuação de 0 e 1 e 1 negativo, 
 Prefiro escolher o quadro com o valor 1, 

Japanese: 
 Oプレイヤーとして何を決定するかを決定しようとしています。 
 Xプレーヤー、私の対戦相手、 
私の前でこの動きを使っていました。 
これはいくつかの大きな木の一部かもしれません
 Xはこの状況で行動しようとしています
 3つの異なるオプションから選択する必要があります
何が起こるかを決定するため。 
そして、ゲームの終わりからどんどん離れていきます。 
このツリーのすべてのレベルは、 
私が取る1つの動き、1つの動き、またはアクションに対応します。 
何が起こるかを決定するために、対戦相手が行う1つの動きまたはアクション。 
そして実際、私がこのポジションのXプレーヤーなら、 
そして、私はロジックを再帰的に実行し、選択肢があることを確認します- 
実際に3つの選択肢があります。ここでプレイすると、そのうちの1つが0の値になります。 
誰もが最適にプレイできれば、ゲームは引き分けになります。 
ここでプレーすると、Oが勝ち、負けて最適にプレーします。 
または、Xプレイヤーの私が勝てる場所- 
さて、スコアが0と負の1と1の間
値が1のボードを選びます

Korean: 
 O 플레이어로서 무엇을 결정해야할지 결정하려고합니다. 
 X 플레이어와 상대방의 논리의 일부일 수도 있습니다. 
 내 앞에 움직임을 사용하고 있었다. 
 이것은 더 큰 나무의 일부일 수 있습니다. 
 X는이 상황에서 움직이려고합니다 
 세 가지 옵션 중에서 선택해야합니다 
 무슨 일이 일어날 지 결정하기 위해. 
 게임의 끝에서 멀어 질수록 
 이 나무의 모든 수준은 
 내가 한 움직임, 한 움직임 또는 내가 취하는 행동에 해당 할 것입니다. 
 무슨 일이 일어나는지 결정하기 위해 상대방이 취하는 행동이나 행동. 
 사실, 내가이 위치에있는 X 플레이어라면 
 나는 재귀 적으로 논리를 수행하고 선택의 여지를 보았습니다. 
 세 가지 선택, 사실, 그중 하나는 0의 값으로 이어집니다. 
 모두가 최적으로 플레이하면 게임은 동점이 될 것입니다. 
 내가 여기서 게임을하면 O가 이길 것이고, 잃어 버릴 것입니다. 
 아니면 여기서 X 플레이어가 이길 수있는 곳- 
 음, 0과 1과 1 사이의 음수 사이에서 
 차라리 1의 값으로 보드를 고르고 싶습니다. 

Italian: 
 perché è il valore massimo che posso ottenere. 
 E quindi questa scheda avrebbe anche un valore massimo di 1. 
 E così questo albero può diventare molto, molto profondo, 
 soprattutto quando il gioco inizia ad avere sempre più mosse. 
 E questa logica funziona non solo per il tic-tac-toe, 
 ma uno di questi giochi in cui faccio una mossa, il mio avversario fa una mossa, 
 e alla fine, abbiamo questi obiettivi contraddittori. 
 E possiamo semplificare il diagramma in un diagramma che assomiglia a questo. 
 Questa è una versione più astratta dell'albero Minimax, 
 dove questi sono ciascuno degli stati, ma non li rappresento più esattamente 
 come le tavole tic-tac-toe. 
 Questo rappresenta solo un gioco generico che potrebbe essere tic-tac-toe, 
 potrebbe essere del tutto un altro gioco. 
 Una di queste frecce verdi che puntano verso l'alto-- 
 quello rappresenta uno stato massimizzante. 
 Vorrei che il punteggio fosse il più grande possibile. 
 E una qualsiasi di queste frecce rosse che punta verso il basso-- 
 quelli stanno minimizzando gli stati, in cui il giocatore è il giocatore minimo, 
 e stanno cercando di rendere il punteggio il più piccolo possibile. 
 Quindi, se immagini in questa situazione, io sono il giocatore che massimizza, questo giocatore 

Russian: 
 потому что это максимальное значение, которое я могу получить. 
 И поэтому эта доска также будет иметь максимальное значение 1. 
 И поэтому это дерево может стать очень, очень глубоким, 
 тем более что в игре появляется все больше и больше ходов. 
 И эта логика работает не только для крестики-нолики, 
 но в любой из этих игр, где я делаю ход, оппонент делает ход, 
 и, в конечном счете, у нас есть эти враждебные цели. 
 И мы можем упростить диаграмму до диаграммы, которая выглядит следующим образом. 
 Это более абстрактная версия дерева минимакса, 
 где эти государства, но я больше не представляю их как 
 как крестики-нолики. 
 Это просто представляет какую-то общую игру, которая может быть крестики-нолики, 
 может быть какая-то другая игра в целом. 
 Любая из этих зеленых стрелок, которые указывают вверх ... 
 это представляет максимизирующее состояние. 
 Я бы хотел, чтобы счет был как можно большим. 
 И любая из этих красных стрелок, указывающих вниз ... 
 это минимизирующие состояния, где игрок является минимальным игроком, 
 и они пытаются сделать счет как можно меньше. 
 Так что, если вы представите в этой ситуации, я максимальный игрок, этот игрок 

English: 
because that's the maximum value I can get.
And so this board would also have a maximum value of 1.
And so this tree can get very, very deep,
especially as the game starts to have more and more moves.
And this logic works not just for tic-tac-toe,
but any of these sorts of games where I make a move, my opponent makes a move,
and ultimately, we have these adversarial objectives.
And we can simplify the diagram into a diagram that looks like this.
This is a more abstract version of the Minimax tree,
where these are each states, but I'm no longer representing them as exactly
like tic-tac-toe boards.
This is just representing some generic game that might be tic-tac-toe,
might be some other game altogether.
Any of these green arrows that are pointing up--
that represents a maximizing state.
I would like the score to be as big as possible.
And any of these red arrows pointing down--
those are minimizing states, where the player is the min player,
and they are trying to make the score as small as possible.
So if you imagine in this situation, I am the maximizing player, this player

Portuguese: 
 porque esse é o valor máximo que posso obter. 
 E, portanto, este quadro também teria um valor máximo de 1. 
 E assim esta árvore pode ficar muito, muito profunda, 
 especialmente quando o jogo começa a ter mais e mais jogadas. 
 E essa lógica não funciona apenas para o jogo da velha, 
 mas qualquer um desses tipos de jogos em que eu faço um movimento, meu oponente faz um movimento, 
 e, finalmente, temos esses objetivos contraditórios. 
 E podemos simplificar o diagrama em um diagrama que se parece com isso. 
 Esta é uma versão mais abstrata da árvore Minimax, 
 onde esses são os estados, mas não estou mais os representando exatamente 
 como placas de jogo da velha. 
 Isso representa apenas um jogo genérico que pode ser tic-tac-toe, 
 pode ser algum outro jogo completamente. 
 Qualquer uma dessas setas verdes que estão apontando para cima-- 
 isso representa um estado maximizador. 
 Eu gostaria que a pontuação fosse o maior possível. 
 E qualquer uma dessas setas vermelhas apontando para baixo-- 
 esses são estados de minimização, onde o jogador é o jogador mínimo, 
 e eles estão tentando fazer a pontuação o menor possível. 
 Então, se você imaginar nesta situação, eu sou o jogador maximizador, esse jogador 

Chinese: 
因为那是我可以获得的最大值。 
因此，该板的最大值也为1。 
所以这棵树可以变得非常非常深
尤其是随着游戏开始有越来越多的动作。 
这种逻辑不仅适用于井字游戏， 
但是我采取任何此类行动，我的对手采取行动， 
最终，我们有了这些对抗目标。 
我们可以将图简化为如下所示的图。 
这是Minimax树的更抽象的版本， 
这些是每个州的位置，但我不再完全代表它们了
像井字游戏板。 
这只是代表一些可能是井字游戏的通用游戏， 
可能完全是其他游戏。 
这些向上的绿色箭头中的任何一个- 
表示最大化状态。 
我希望分数尽可能大。 
这些红色箭头指向下方的任何一个
那些是最小化状态，其中玩家是最小玩家， 
他们正在努力使分数尽可能小。 
因此，如果您想象在这种情况下，我就是最大的玩家

Korean: 
 그것이 내가 얻을 수있는 최대 값이기 때문입니다. 
 따라서이 보드의 최대 값은 1입니다. 
 이 나무는 아주 깊어 질 수 있습니다 
 특히 게임이 점점 더 움직이기 시작하면서. 
 이 논리는 틱택 토에만 적용되는 것이 아니라 
 하지만 내가 움직 인 곳, 상대가 움직 인 곳, 
 궁극적으로 우리는 이러한 대적 목표를 가지고 있습니다. 
 그리고 다이어그램을 다음과 같은 다이어그램으로 단순화 할 수 있습니다. 
 이것은 Minimax 트리의보다 추상적 인 버전입니다. 
 이 상태는 각각의 상태이지만 더 이상 정확하게 표시하지 않습니다. 
 틱택 토 보드 처럼요 
 이것은 단지 틱택 토일 수도있는 일반적인 게임을 나타냅니다. 
 다른 게임 일 수도 있습니다. 
 위의 초록색 화살표는 
 최대화 상태를 나타냅니다. 
 점수가 가능한 한 커지길 바랍니다. 
 이 빨간색 화살표가 아래쪽을 가리키면 
 플레이어가 최소 플레이어 인 상태를 최소화하는 것입니다. 
 그리고 그들은 가능한 한 작게 점수를 만들려고 노력하고 있습니다. 
 이 상황에서 상상한다면, 나는 최대의 플레이어입니다. 

Modern Greek (1453-): 
 γιατί αυτή είναι η μέγιστη τιμή που μπορώ να πάρω. 
 Και έτσι αυτός ο πίνακας θα έχει επίσης μέγιστη τιμή 1. 
 Και έτσι αυτό το δέντρο μπορεί να πάρει πολύ, πολύ βαθιά, 
 ειδικά καθώς το παιχνίδι αρχίζει να έχει όλο και περισσότερες κινήσεις. 
 Και αυτή η λογική λειτουργεί όχι μόνο για το tic-tac-toe, 
 αλλά οποιοδήποτε από αυτά τα είδη παιχνιδιών όπου κάνω κίνηση, ο αντίπαλός μου κάνει κίνηση, 
 και τελικά, έχουμε αυτούς τους εχθρικούς στόχους. 
 Και μπορούμε να απλοποιήσουμε το διάγραμμα σε ένα διάγραμμα που μοιάζει με αυτό. 
 Αυτή είναι μια πιο αφηρημένη έκδοση του δέντρου Minimax, 
 όπου αυτές είναι κάθε πολιτείες, αλλά δεν τις εκπροσωπούν πλέον ακριβώς 
 σαν σανίδες tic-tac-toe. 
 Αυτό απλώς αντιπροσωπεύει κάποιο γενικό παιχνίδι που μπορεί να είναι tic-tac-toe, 
 μπορεί να είναι εντελώς άλλο παιχνίδι. 
 Οποιοδήποτε από αυτά τα πράσινα βέλη που δείχνουν προς τα πάνω-- 
 που αντιπροσωπεύει μια κατάσταση μεγιστοποίησης. 
 Θα ήθελα το σκορ να είναι όσο το δυνατόν μεγαλύτερο. 
 Και οποιοδήποτε από αυτά τα κόκκινα βέλη δείχνουν προς τα κάτω-- 
 αυτές είναι οι καταστάσεις ελαχιστοποίησης, όπου ο παίκτης είναι ο ελάχιστος παίκτης, 
 και προσπαθούν να κάνουν το σκορ όσο το δυνατόν μικρότερο. 
 Έτσι, αν φαντάζεστε σε αυτήν την κατάσταση, είμαι ο μεγιστοποιός παίκτης, αυτός ο παίκτης 

Spanish: 
 porque ese es el valor máximo que puedo obtener. 
 Y entonces esta placa también tendría un valor máximo de 1. 
 Y entonces este árbol puede llegar a ser muy, muy profundo, 
 especialmente a medida que el juego comienza a tener más y más movimientos. 
 Y esta lógica funciona no solo para el tic-tac-toe, 
 pero en cualquiera de estos tipos de juegos donde hago un movimiento, mi oponente hace un movimiento, 
 y en última instancia, tenemos estos objetivos adversos. 
 Y podemos simplificar el diagrama en un diagrama que se vea así. 
 Esta es una versión más abstracta del árbol Minimax, 
 donde estos son cada estado, pero ya no los represento exactamente 
 como tableros de tres en raya. 
 Esto solo representa un juego genérico que podría ser tres en raya, 
 podría ser algún otro juego por completo. 
 Cualquiera de estas flechas verdes que apuntan hacia arriba 
 eso representa un estado maximizador. 
 Me gustaría que el puntaje sea lo más grande posible. 
 Y cualquiera de estas flechas rojas apuntando hacia abajo ... 
 esos son estados de minimización, donde el jugador es el jugador mínimo, 
 y están tratando de hacer que el puntaje sea lo más pequeño posible. 
 Entonces, si te imaginas en esta situación, yo soy el jugador maximizador, este jugador 

German: 
 denn das ist der maximale Wert, den ich bekommen kann. 
 Und so hätte dieses Board auch einen Maximalwert von 1. 
 Und so kann dieser Baum sehr, sehr tief werden, 
 zumal das Spiel immer mehr Züge hat. 
 Und diese Logik funktioniert nicht nur für Tic-Tac-Toe, 
 Aber bei jeder dieser Arten von Spielen, bei denen ich einen Zug mache, macht mein Gegner einen Zug. 
 und letztendlich haben wir diese widersprüchlichen Ziele. 
 Und wir können das Diagramm in ein Diagramm vereinfachen, das so aussieht. 
 Dies ist eine abstraktere Version des Minimax-Baums. 
 wo dies jeweils Staaten sind, aber ich vertrete sie nicht mehr so ​​genau 
 wie Tic-Tac-Toe-Bretter. 
 Dies ist nur ein generisches Spiel, das Tic-Tac-Toe sein könnte. 
 könnte ein anderes Spiel sein. 
 Jeder dieser grünen Pfeile, die nach oben zeigen ... 
 das ist ein maximierender Zustand. 
 Ich möchte, dass die Punktzahl so groß wie möglich ist. 
 Und jeder dieser roten Pfeile zeigt nach unten ... 
 das sind Minimierungszustände, in denen der Spieler der Min-Spieler ist, 
 und sie versuchen, die Punktzahl so klein wie möglich zu machen. 
 Wenn Sie sich in dieser Situation vorstellen, bin ich der maximierende Spieler, dieser Spieler 

Hindi: 
 क्योंकि मैं अधिकतम मूल्य प्राप्त कर सकता हूं। 
 और इसलिए इस बोर्ड का अधिकतम मूल्य भी 1 होगा। 
 और इसलिए यह वृक्ष बहुत गहरा, बहुत गहरा हो सकता है। 
 विशेष रूप से खेल अधिक से अधिक चाल है शुरू होता है। 
 और यह तर्क न केवल टिक-टैक-टो के लिए काम करता है, 
 लेकिन इनमें से कोई भी खेल जहाँ मैं एक चाल बनाता हूँ, मेरा प्रतिद्वंद्वी एक चाल बनाता है, 
 और अंत में, हमारे पास ये प्रतिकूल उद्देश्य हैं। 
 और हम आरेख को इस तरह दिखने वाले आरेख में सरल कर सकते हैं। 
 यह मिनिमैक्स पेड़ का एक अधिक सार संस्करण है, 
 जहां ये प्रत्येक राज्य हैं, लेकिन मैं अब इनका बिल्कुल प्रतिनिधित्व नहीं कर रहा हूं 
 टिक-टैक-टो बोर्ड की तरह। 
 यह कुछ सामान्य गेम का प्रतिनिधित्व कर रहा है जो टिक-टैक-टो हो सकता है, 
 पूरी तरह से कुछ अन्य खेल हो सकता है। 
 इन हरे बाणों में से कुछ जो इशारा कर रहे हैं - 
 जो अधिकतम स्थिति का प्रतिनिधित्व करता है। 
 मैं चाहूंगा कि स्कोर जितना बड़ा हो सके। 
 और इनमें से कोई भी लाल तीर नीचे की ओर इशारा करता है - 
 उन राज्यों को कम कर रहे हैं, जहां खिलाड़ी न्यूनतम खिलाड़ी है, 
 और वे स्कोर को यथासंभव छोटा बनाने की कोशिश कर रहे हैं। 
 इसलिए यदि आप इस स्थिति में कल्पना करते हैं, तो मैं अधिकतम खिलाड़ी हूं, यह खिलाड़ी हूं 

Turkish: 
 çünkü alabileceğim maksimum değer bu. 
 Ve böylece bu kartın maksimum değeri 1 olur. 
 Ve böylece bu ağaç çok, çok derinleşebilir, 
 özellikle oyun gittikçe daha fazla hamle yapmaya başladığında. 
 Ve bu mantık sadece tic-tac-toe için değil, 
 ama hamle yaptığım bu tür oyunlardan herhangi biri, rakibim hamle yapar, 
 ve nihayetinde, bu karşıt hedeflerimiz var. 
 Diyagramı şuna benzeyen bir diyagram haline getirebiliriz. 
 Bu Minimax ağacının daha soyut bir versiyonudur, 
 bunların her eyalet olduğu yerlerde, ama artık onları tam olarak temsil etmiyorum 
 tic-tac-toe panoları gibi. 
 Bu sadece tic-tac-toe olabilecek genel bir oyunu temsil ediyor, 
 tamamen başka bir oyun olabilir. 
 Yukarı dönük olan bu yeşil oklardan herhangi biri ... 
 bu, maksimize edici bir durumu temsil eder. 
 Puanın olabildiğince büyük olmasını istiyorum. 
 Ve bu kırmızı oklardan herhangi biri aşağı dönük. 
 bunlar, oyuncunun min. oyuncu olduğu durumları en aza indirir, 
 ve skoru olabildiğince küçültmeye çalışıyorlar. 
 Bu durumda hayal ediyorsanız, ben maksimize eden oyuncuyum, bu oyuncu 

Japanese: 
それは私が得ることができる最大値だからです。 
したがって、このボードの最大値も1になります。 
この木は非常に深くなる可能性があります
特に、ゲームがどんどん動き始めたとき。 
そして、このロジックは三目並べだけでなく、 
しかし、私が移動するこれらの種類のゲームのいずれか、私の対戦相手が移動する、 
そして最終的には、これらの敵対的な目的があります。 
そして、この図を次のような図に簡略化できます。 
これはミニマックスツリーのより抽象的なバージョンです。 
これらはそれぞれの州ですが、私はもはやそれらを正確に表現していません
三目並べボードのように。 
これは、三目並べのような一般的なゲームを表すだけです。 
完全に他のゲームかもしれません。 
上向きのこれらの緑の矢印のいずれか- 
それは最大化状態を表します。 
スコアはできるだけ大きくしてください。 
そして、これらの赤い矢印のいずれかが下向き
それらは最小化状態であり、プレーヤーは最小プレーヤーです。 
そして彼らはスコアをできるだけ小さくしようとしています。 
ですから、この状況で想像すると、私は最大化プレイヤーです。 

French: 
 parce que c'est la valeur maximale que je peux obtenir. 
 Et donc cette carte aurait également une valeur maximale de 1. 
 Et donc cet arbre peut devenir très, très profond, 
 d'autant plus que le jeu commence à avoir de plus en plus de coups. 
 Et cette logique ne fonctionne pas seulement pour le tic-tac-toe, 
 mais l'un de ces types de jeux où je fais un mouvement, mon adversaire fait un mouvement, 
 et finalement, nous avons ces objectifs contradictoires. 
 Et nous pouvons simplifier le diagramme en un diagramme qui ressemble à ceci. 
 Ceci est une version plus abstraite de l'arbre Minimax, 
 où ce sont chacun des états, mais je ne les représente plus exactement 
 comme les planches tic-tac-toe. 
 Ceci représente juste un jeu générique qui pourrait être tic-tac-toe, 
 pourrait être un autre jeu tout à fait. 
 N'importe laquelle de ces flèches vertes qui pointent vers le haut ... 
 cela représente un état de maximisation. 
 J'aimerais que le score soit aussi grand que possible. 
 Et n'importe laquelle de ces flèches rouges pointant vers le bas ... 
 ce sont des états minimisant, où le joueur est le joueur minimum, 
 et ils essaient de rendre le score aussi petit que possible. 
 Donc, si vous imaginez dans cette situation, je suis le joueur maximisant, ce joueur 

Indonesian: 
 karena itulah nilai maksimum yang bisa saya dapatkan. 
 Dan papan ini juga akan memiliki nilai maksimum 1. 
 Dan pohon ini bisa menjadi sangat, sangat dalam, 
 terutama karena permainan mulai memiliki gerakan yang semakin banyak. 
 Dan logika ini bekerja tidak hanya untuk tic-tac-toe, 
 tetapi salah satu dari jenis permainan ini di mana saya bergerak, lawan saya bergerak, 
 dan pada akhirnya, kami memiliki tujuan-tujuan permusuhan ini. 
 Dan kita dapat menyederhanakan diagram menjadi diagram yang terlihat seperti ini. 
 Ini adalah versi yang lebih abstrak dari pohon Minimax, 
 di mana ini adalah masing-masing negara bagian, tapi saya tidak lagi mewakili mereka secara tepat 
 seperti papan tic-tac-toe. 
 Ini hanya mewakili beberapa permainan generik yang mungkin tic-tac-toe, 
 mungkin ada game lain sama sekali. 
 Semua panah hijau yang mengarah ke atas - 
 yang mewakili keadaan maksimal. 
 Saya ingin skor menjadi sebesar mungkin. 
 Dan salah satu dari panah merah ini menunjuk ke bawah - 
 mereka adalah negara meminimalkan, di mana pemain adalah pemain min, 
 dan mereka berusaha membuat skor sekecil mungkin. 
 Jadi jika Anda bayangkan dalam situasi ini, saya adalah pemain yang memaksimalkan, pemain ini 

Chinese: 
因為那是我可以獲得的最大值。 
因此，該板的最大值也為1。 
所以這棵樹可以變得非常非常深
尤其是隨著遊戲開始有越來越多的動作。 
這種邏輯不僅適用於井字遊戲， 
但是我採取任何此類行動，我的對手採取行動， 
最終，我們有了這些對抗目標。 
我們可以將圖簡化為如下所示的圖。 
這是Minimax樹的更抽象的版本， 
這些是每個州的位置，但我不再完全代表它們了
像井字遊戲板一樣。 
這只是代表一些可能是井字遊戲的通用遊戲， 
可能完全是其他遊戲。 
這些向上的綠色箭頭中的任何一個- 
表示最大化狀態。 
我希望分數盡可能大。 
這些紅色箭頭指向下方的任何一個
那些是最小化狀態，其中玩家是最小玩家， 
他們正在努力使分數盡可能小。 
因此，如果您想像在這種情況下，我就是最大的玩家

Dutch: 
 want dat is de maximale waarde die ik kan krijgen. 
 En dus zou dit bord ook een maximale waarde van 1 hebben. 
 En dus kan deze boom heel, heel diep worden, 
 vooral omdat het spel steeds meer bewegingen begint te krijgen. 
 En deze logica werkt niet alleen voor tic-tac-toe, 
 maar bij elk van deze soorten spellen waarbij ik een zet doe, doet mijn tegenstander een zet, 
 en uiteindelijk hebben we deze tegenstrijdige doelstellingen. 
 En we kunnen het diagram vereenvoudigen tot een diagram dat er zo uitziet. 
 Dit is een meer abstracte versie van de Minimax-boom, 
 waar dit elke staat is, maar ik vertegenwoordig ze niet langer als exact 
 zoals tic-tac-toe boards. 
 Dit vertegenwoordigt slechts een generiek spel dat misschien een tic-tac-toe is, 
 is misschien een ander spel. 
 Elk van deze groene pijlen die naar boven wijzen-- 
 dat staat voor een maximaliserende toestand. 
 Ik wil graag dat de score zo groot mogelijk is. 
 En elk van deze rode pijlen die naar beneden wijzen ... 
 dat zijn minimaliserende staten, waar de speler de minispeler is, 
 en ze proberen de score zo klein mogelijk te maken. 
 Dus als je je in deze situatie voorstelt, ben ik de maximaliserende speler, deze speler 

Arabic: 
 لأن هذه هي أقصى قيمة يمكنني الحصول عليها. 
 وبالتالي سيكون لهذه اللوحة أيضًا قيمة قصوى تبلغ 1. 
 وبالتالي يمكن لهذه الشجرة أن تصبح عميقة جدًا ، 
 خاصة وأن اللعبة تبدأ في الحصول على المزيد والمزيد من التحركات. 
 وهذا المنطق لا يعمل فقط مع تيك تاك تو ، 
 ولكن في أي نوع من الألعاب التي أقوم فيها بالتحرك ، يقوم خصمي بالحركة ، 
 وفي النهاية ، لدينا هذه الأهداف العدائية. 
 ويمكننا تبسيط الرسم التخطيطي في رسم تخطيطي يبدو هكذا. 
 هذه نسخة أكثر تجريدية من شجرة Minimax ، 
 حيث توجد هذه الدول ، لكني لم أعد أمثلها بالضبط 
 مثل لوحات تيك تاك تو. 
 هذا يمثل فقط بعض الألعاب العامة التي قد تكون تيك تاك تو ، 
 قد تكون لعبة أخرى تمامًا. 
 أي من هذه الأسهم الخضراء التي تشير إلى الأعلى - 
 يمثل حالة تعظيم. 
 أود أن تكون النتيجة كبيرة قدر الإمكان. 
 وأي من هذه الأسهم الحمراء تشير لأسفل-- 
 تلك هي حالات التقليل ، حيث اللاعب هو لاعب الحد الأدنى ، 
 وهم يحاولون جعل النتيجة صغيرة قدر الإمكان. 
 لذا إذا كنت تتخيل في هذه الحالة ، فأنا اللاعب الأكبر ، هذا اللاعب 

Arabic: 
 هنا ، ولدي ثلاثة خيارات-- 
 خيار واحد يعطيني درجة 5 ، خيار واحد يعطيني درجة 3 ، 
 والاختيار يمنحني درجة 9. 
 حسنًا ، إذن ، بين هذه الخيارات الثلاثة ، أفضل خيار لي 
 هو اختيار 9 هنا ، النتيجة التي تزيد من خياراتي 
 من بين الخيارات الثلاثة. 
 ولذا يمكنني أن أعطي هذه الحالة قيمة 9 ، 
 لأنه من بين الخيارات الثلاثة ، هذا هو الأفضل 
 الاختيار المتاح لي. 
 هذا قراري الآن. 
 تتخيل أنها مثل الابتعاد عن نهاية اللعبة. 
 ولكن بعد ذلك يمكنك طرح سؤال معقول. 
 ما الذي يمكن لخصمي أن يفعله على بعد خطوتين من نهاية المباراة؟ 
 خصمي هو لاعب التصغير. 
 إنهم يحاولون جعل النتيجة أصغر ما يمكن. 
 تخيل ما كان سيحدث لو اضطروا إلى اختيار أي خيار يقومون به. 
 يقودنا خيار واحد إلى هذه الحالة ، حيث أنا ، اللاعب الأكثر تعظيمًا ، 
 سأختار 9 ، أكبر درجة يمكنني الحصول عليها. 
 ويؤدي المرء إلى هذه الحالة ، حيث أنا ، اللاعب الأكثر تعظيمًا ، 
 ستختار 8 ، وهي أكبر درجة يمكنني الحصول عليها. 

Italian: 
 qui, e ho tre scelte: 
 una scelta mi dà un punteggio di 5, una scelta mi dà un punteggio di 3, 
 e una scelta mi dà un punteggio di 9. 
 Bene, quindi, tra queste tre scelte, la mia migliore opzione 
 è scegliere questo 9 qui, il punteggio che massimizza le mie opzioni 
 di tutte e tre le opzioni. 
 E così posso dare a questo stato un valore di 9, 
 perché tra le mie tre opzioni, questa è la migliore 
 scelta che ho a disposizione per me. 
 Quindi questa è la mia decisione ora. 
 Immagina sia come allontanarsi dalla fine del gioco. 
 Ma poi potresti anche fare una domanda ragionevole. 
 Cosa potrebbe fare il mio avversario a due mosse dalla fine del gioco? 
 Il mio avversario è il giocatore minimizzante. 
 Stanno cercando di rendere il punteggio il più piccolo possibile. 
 Immagina cosa sarebbe successo se avessero dovuto scegliere quale scelta fare. 
 Una scelta ci porta a questo stato, dove io, il giocatore massimizzante, 
 opterò per 9, il punteggio più grande che posso ottenere. 
 E uno conduce a questo stato, dove io, il giocatore massimizzante, 
 sceglierei 8, che è quindi il punteggio più grande di quello che posso ottenere. 

Korean: 
 여기에 세 가지 선택이 있습니다. 
 하나의 선택은 5 점을주고, 하나의 선택은 3 점을줍니다. 
 하나의 선택으로 9 점을 얻습니다. 
 그렇다면이 세 가지 선택 중에서 최선의 선택은 
 여기 9를 선택하는 것입니다. 내 옵션을 극대화하는 점수 
 세 가지 옵션 중 하나입니다. 
 이 상태에 9의 값을 줄 수 있습니다. 
 내 세 가지 옵션 중 가장 좋기 때문에 
 내가 이용할 수있는 선택. 
 이것이 저의 결정입니다. 
 게임의 끝에서 한 번 멀어지는 것과 같다고 상상할 수 있습니다. 
 그러나 합리적인 질문을 할 수도 있습니다. 
 게임 종료 후 상대방이 두 번 움직일 수있는 것은 무엇입니까? 
 내 상대는 최소화 플레이어입니다. 
 그들은 가능한 한 작게 점수를 만들려고 노력하고 있습니다. 
 그들이 어떤 선택을해야한다면 어떻게되었을 지 상상해보십시오. 
 한 가지 선택은 우리를이 상태로 이끌어냅니다. 
 내가 얻을 수있는 가장 큰 점수 인 9를 선택합니다. 
 하나는이 상태로 이어집니다. 
 내가 선택할 수있는 것보다 가장 큰 점수 인 8을 선택합니다. 

Russian: 
 здесь, и у меня есть три варианта-- 
 один выбор дает мне оценку 5, один выбор дает мне оценку 3, 
 и один выбор дает мне оценку 9. 
 Ну, тогда между этими тремя вариантами мой лучший вариант 
 это выбрать это 9 здесь, счет, который максимизирует мои варианты из 
 из всех трех вариантов. 
 И поэтому я могу дать этому состоянию значение 9, 
 потому что среди моих трех вариантов, это лучший 
 выбор, который у меня есть. 
 Так что это мое решение сейчас. 
 Вы представляете, что это как один шаг от конца игры. 
 Но тогда вы также можете задать разумный вопрос. 
 Что может сделать мой противник в двух шагах от конца игры? 
 Мой противник - минимизирующий игрок. 
 Они пытаются сделать счет как можно меньше. 
 Представьте, что произошло бы, если бы им пришлось выбирать, какой выбор сделать. 
 Один выбор приводит нас к этому состоянию, где я, максимальный игрок, 
 Я собираюсь выбрать 9, самый большой счет, который я могу получить. 
 И один приводит к этому состоянию, где я, максимальный игрок, 
 выбрал бы 8, который является тогда самым большим счетом, чем я могу получить. 

French: 
 ici, et j'ai trois choix-- 
 un choix me donne un score de 5, un choix me donne un score de 3, 
 et un choix me donne un score de 9. 
 Eh bien, entre ces trois choix, ma meilleure option 
 est de choisir ce 9 ici, le score qui maximise mes options 
 des trois options. 
 Et donc je peux donner à cet état une valeur de 9, 
 parce que parmi mes trois options, c'est la meilleure 
 choix dont je dispose. 
 C'est ma décision maintenant. 
 Vous imaginez que c'est comme si vous vous éloigniez de la fin de la partie. 
 Mais alors vous pourriez aussi poser une question raisonnable. 
 Que pourrait faire mon adversaire à deux coups de distance de la fin de la partie? 
 Mon adversaire est le joueur qui minimise. 
 Ils essaient de rendre le score aussi petit que possible. 
 Imaginez ce qui se serait passé s'ils avaient dû choisir quel choix faire. 
 Un choix nous amène à cet état, où moi, le joueur maximisant, 
 je vais opter pour 9, le plus gros score que je puisse obtenir. 
 Et on mène à cet état, où moi, le joueur maximisant, 
 choisirait 8, qui est alors le score le plus élevé que je puisse obtenir. 

German: 
 hier, und ich habe drei Möglichkeiten - 
 eine Wahl gibt mir eine Punktzahl von 5, eine Wahl gibt mir eine Punktzahl von 3, 
 und eine Wahl gibt mir eine Punktzahl von 9. 
 Nun, zwischen diesen drei Möglichkeiten meine beste Option 
 ist, diese 9 hier zu wählen, die Punktzahl, die meine Optionen maximiert 
 aller drei Optionen. 
 Und so kann ich diesem Zustand einen Wert von 9 geben, 
 denn unter meinen drei Möglichkeiten ist das die beste 
 Wahl, die mir zur Verfügung steht. 
 Das ist jetzt meine Entscheidung. 
 Sie stellen sich vor, es ist wie eine Bewegung vom Ende des Spiels entfernt. 
 Dann könnten Sie aber auch eine vernünftige Frage stellen. 
 Was könnte mein Gegner zwei Züge vor dem Ende des Spiels tun? 
 Mein Gegner ist der Minimierungsspieler. 
 Sie versuchen, die Punktzahl so klein wie möglich zu halten. 
 Stellen Sie sich vor, was passiert wäre, wenn sie die Wahl treffen müssten. 
 Eine Wahl führt uns in diesen Zustand, in dem ich, der maximierende Spieler, 
 Ich werde mich für 9 entscheiden, die größte Punktzahl, die ich bekommen kann. 
 Und man führt zu diesem Zustand, in dem ich, der maximierende Spieler, 
 würde 8 wählen, was dann die größte Punktzahl ist, die ich bekommen kann. 

Modern Greek (1453-): 
 εδώ, και έχω τρεις επιλογές-- 
 μια επιλογή μου δίνει σκορ 5, μια επιλογή μου δίνει σκορ 3, 
 και μια επιλογή μου δίνει σκορ 9. 
 Λοιπόν, λοιπόν, μεταξύ αυτών των τριών επιλογών, η καλύτερη μου επιλογή 
 είναι να επιλέξετε αυτό το 9 εδώ, το σκορ που μεγιστοποιεί τις επιλογές μου 
 και των τριών επιλογών. 
 Και έτσι μπορώ να δώσω σε αυτήν την κατάσταση μια τιμή 9, 
 γιατί ανάμεσα στις τρεις επιλογές μου, αυτή είναι η καλύτερη 
 επιλογή που έχω στη διάθεσή μου. 
 Αυτή είναι η απόφασή μου τώρα. 
 Φαντάζεσαι σαν να απομακρύνεσαι από το τέλος του παιχνιδιού. 
 Αλλά τότε θα μπορούσατε επίσης να κάνετε μια λογική ερώτηση. 
 Τι θα μπορούσε ο αντίπαλός μου να κάνει δύο κινήσεις μακριά από το τέλος του παιχνιδιού; 
 Ο αντίπαλός μου είναι ο παίκτης ελαχιστοποίησης. 
 Προσπαθούν να κάνουν το σκορ όσο το δυνατόν μικρότερο. 
 Φανταστείτε τι θα συνέβαινε αν έπρεπε να διαλέξουν ποια επιλογή να κάνουν. 
 Μία επιλογή μας οδηγεί σε αυτήν την κατάσταση, όπου εγώ, ο μεγιστοποιός παίκτης, 
 θα επιλέξω το 9, το μεγαλύτερο σκορ που μπορώ να κερδίσω. 
 Και κάποιος οδηγεί σε αυτήν την κατάσταση, όπου εγώ, ο μεγιστοποιός παίκτης, 
 θα επέλεγα το 8, το οποίο είναι τότε το μεγαλύτερο σκορ από ό, τι μπορώ να πάρω. 

Portuguese: 
 aqui, e eu tenho três opções-- 
 uma escolha me dá uma pontuação de 5, uma escolha me dá uma pontuação de 3, 
 e uma opção me dá uma pontuação de 9. 
 Bem, então, entre essas três opções, minha melhor opção 
 é escolher esse 9 aqui, a pontuação que maximiza minhas opções 
 de todas as três opções. 
 E então eu posso dar a esse estado um valor de 9, 
 porque entre as minhas três opções, essa é a melhor 
 escolha que tenho disponível para mim. 
 Então essa é minha decisão agora. 
 Você imagina que é como se afastar do final do jogo. 
 Mas então você também pode fazer uma pergunta razoável. 
 O que meu oponente pode fazer dois movimentos longe do final do jogo? 
 Meu oponente é o jogador que minimiza. 
 Eles estão tentando fazer a pontuação o menor possível. 
 Imagine o que teria acontecido se eles tivessem que escolher qual opção fazer. 
 Uma escolha nos leva a este estado, onde eu, o jogador maximizador, 
 vou optar por 9, a maior pontuação que eu conseguir. 
 E um leva a esse estado, onde eu, o jogador maximizador, 
 escolheria 8, que é a maior pontuação possível. 

Chinese: 
在這裡，我有三個選擇
一種選擇會給我5分，一種選擇會給我3分， 
一種選擇給了我9分。 
好吧，那麼，在這三個選擇之間，我最好的選擇
是在這裡選擇這9個，使我的選擇最大化的分數
這三個選項中的一個。 
因此，我可以將此狀態的值設置為9 
因為在我的三個選擇中，那是最好的
我可以選擇的選擇。 
這就是我現在的決定。 
您可以想像這就像距遊戲結束一步之遙。 
但是隨後您也可以提出一個合理的問題。 
我的對手在比賽結束時有兩步走什麼？ 
我的對手是最小化的玩家。 
他們正在嘗試使分數盡可能小。 
想像一下，如果他們不得不選擇哪種選擇，那將會發生什麼。 
一種選擇導致我們進入這種狀態，在這種狀態下，我（最大化的玩家） 
我會選擇9分，這是我可以獲得的最高分。 
導致這種狀態，我，最大化玩家， 
會選擇8，這是我所能獲得的最大分數。 

English: 
here, and I have three choices--
one choice gives me a score of 5, one choice gives me a score of 3,
and one choice gives me a score of 9.
Well, then, between those three choices, my best option
is to choose this 9 over here, the score that maximizes my options out
of all the three options.
And so I can give this state a value of 9,
because among my three options, that is the best
choice that I have available to me.
So that's my decision now.
You imagine it's like one move away from the end of the game.
But then you could also ask a reasonable question.
What might my opponent do two moves away from the end of the game?
My opponent is the minimizing player.
They are trying to make the score as small as possible.
Imagine what would have happened if they had to pick which choice to make.
One choice leads us to this state, where I, the maximizing player,
am going to opt for 9, the biggest score that I can get.
And one leads to this state, where I, the maximizing player,
would choose 8, which is then the largest score than I can get.

Dutch: 
 hier, en ik heb drie keuzes-- 
 één keuze geeft me een score van 5, één keuze geeft me een score van 3, 
 en één keuze geeft me een score van 9. 
 Welnu, tussen die drie keuzes, mijn beste optie 
 is om hier deze 9 te kiezen, de score die mijn opties maximaliseert 
 van alle drie de opties. 
 En dus kan ik deze toestand een waarde van 9 geven, 
 want van mijn drie opties is dat het beste 
 keuze die ik voor mij beschikbaar heb. 
 Dus dat is nu mijn beslissing. 
 Je stelt je voor dat het een beweging verwijderd is van het einde van het spel. 
 Maar dan kun je ook een redelijke vraag stellen. 
 Wat zou mijn tegenstander twee zetten vanaf het einde van het spel kunnen doen? 
 Mijn tegenstander is de minimaliserende speler. 
 Ze proberen de score zo klein mogelijk te maken. 
 Stel je voor wat er zou zijn gebeurd als ze moesten kiezen welke keuze ze moesten maken. 
 Een keuze leidt ons naar deze staat, waar ik, de maximaliserende speler, 
 ga ik kiezen voor 9, de hoogste score die ik kan halen. 
 En één leidt naar deze toestand, waar ik, de maximaliserende speler, 
 zou 8 kiezen, wat dan de hoogste score is dan ik kan krijgen. 

Indonesian: 
 di sini, dan saya punya tiga pilihan-- 
 satu pilihan memberi saya skor 5, satu pilihan memberi saya skor 3, 
 dan satu pilihan memberi saya skor 9. 
 Jadi, di antara ketiga pilihan itu, pilihan terbaik saya 
 adalah memilih 9 ini di sini, skor yang memaksimalkan opsi saya keluar 
 dari ketiga opsi. 
 Jadi saya bisa memberikan nilai 9 pada kondisi ini, 
 karena di antara tiga opsi saya, itu yang terbaik 
 pilihan yang saya miliki tersedia untuk saya. 
 Jadi itu keputusan saya sekarang. 
 Anda bayangkan itu seperti satu langkah menjauh dari akhir permainan. 
 Tapi kemudian Anda juga bisa mengajukan pertanyaan yang masuk akal. 
 Apa yang mungkin dilakukan lawan saya dua langkah menjauh dari akhir pertandingan? 
 Lawan saya adalah pemain yang meminimalkan. 
 Mereka berusaha membuat skor sekecil mungkin. 
 Bayangkan apa yang akan terjadi jika mereka harus memilih pilihan mana yang harus diambil. 
 Satu pilihan membawa kita ke keadaan ini, di mana aku, pemain yang memaksimalkan, 
 Saya akan memilih 9, skor terbesar yang bisa saya dapatkan. 
 Dan satu mengarah ke keadaan ini, di mana saya, pemain memaksimalkan, 
 akan memilih 8, yang kemudian merupakan skor terbesar daripada yang bisa saya dapatkan. 

Japanese: 
ここで、私には3つの選択肢があります- 
 1つの選択肢は5のスコアを与え、1つの選択肢は3のスコアを与えます
 1つ選択すると、9点が得られます。 
さて、次に、これらの3つの選択肢の中で、私の最良の選択肢
ここでこの9を選択することです。私のオプションを最大化するスコア
 3つすべてのオプションの。 
この状態の値を9にすることができます
私の3つのオプションの中で、それが一番です。 
私が利用できる選択肢。 
それが今の私の決断です。 
あなたはそれがゲームの終わりから離れるようなものだと想像します。 
しかし、それからあなたはまた、合理的な質問をすることができます。 
対戦相手はゲームの終わりから2手を離れるとどうなりますか？ 
私の対戦相手は最小化プレイヤーです。 
彼らはスコアをできるだけ小さくしようとしています。 
彼らがどちらを選択するかを選択しなければならなかったとしたらどうなるだろうと想像してください。 
一つの選択は私たちをこの状態に導きます、私は最大化するプレーヤー、 
私が得ることができる最大のスコアである9を選びます。 
そして、最大化するプレーヤーである私が、 
 8を選択します。これは、私が取得できる最大のスコアです。 

Spanish: 
 aquí, y tengo tres opciones: 
 una opción me da una puntuación de 5, una opción me da una puntuación de 3, 
 y una opción me da un puntaje de 9. 
 Bueno, entonces, entre esas tres opciones, mi mejor opción 
 es elegir este 9 por aquí, el puntaje que maximiza mis opciones 
 de las tres opciones. 
 Y entonces puedo darle a este estado un valor de 9, 
 porque entre mis tres opciones, esa es la mejor 
 elección que tengo disponible para mí. 
 Entonces esa es mi decisión ahora. 
 Te imaginas que es como un movimiento desde el final del juego. 
 Pero entonces también podrías hacer una pregunta razonable. 
 ¿Qué podría hacer mi oponente a dos movimientos del final del juego? 
 Mi oponente es el jugador que minimiza. 
 Están tratando de hacer que el puntaje sea lo más pequeño posible. 
 Imagina lo que hubiera pasado si tuvieran que elegir qué opción tomar. 
 Una opción nos lleva a este estado, donde yo, el jugador maximizador, 
 voy a optar por 9, la mayor puntuación que puedo obtener. 
 Y uno lleva a este estado, donde yo, el jugador maximizador, 
 elegiría 8, que es el puntaje más grande que puedo obtener. 

Chinese: 
在这里，我有三个选择
一种选择会给我5分，一种选择会给我3分， 
一个选择给我的分数是9 
好吧，那么，在这三个选择之间，我最好的选择
是在这里选择这9个，使我的选择最大化的分数
这三个选项中的一个。 
因此，我可以将此状态的值设置为9 
因为在我的三个选择中，那是最好的
我可以选择的选择。 
这就是我现在的决定。 
您可以想象这就像距游戏结束一步之遥。 
但是随后您也可以提出一个合理的问题。 
我的对手在比赛结束时有两步走什么？ 
我的对手是最小化的玩家。 
他们正在尝试使分数尽可能小。 
想象一下，如果他们不得不选择哪种选择，那将会发生什么。 
一种选择导致我们进入这种状态，在这种状态下，我（最大化的玩家） 
我会选择9分，这是我可以获得的最高分。 
导致这种状态，我，最大化玩家， 
会选择8，这是我所能获得的最大分数。 

Turkish: 
 burada, üç seçeneğim var. 
 bir seçim bana 5 puan verir, bir seçim bana 3 puan verir, 
 ve bir seçim bana 9 puan veriyor. 
 O zaman, bu üç seçenek arasında, en iyi seçeneğim 
 bu 9'u burada seçmek, seçeneklerimi en üst düzeye çıkaran puan 
 üç seçeneğin tümü. 
 Ve bu duruma 9 değeri verebilirim, 
 çünkü üç seçeneğim arasında en iyisi bu 
 benim için mevcut olduğum seçim. 
 Şimdi bu benim kararım. 
 Bunun oyunun sonundan bir adım ötede olduğunu hayal ediyorsunuz. 
 Ama sonra makul bir soru da sorabilirsiniz. 
 Rakibim oyunun sonundan itibaren iki hamle ne yapabilir? 
 Rakibim en aza indiren oyuncu. 
 Skoru mümkün olduğunca küçültmeye çalışıyorlar. 
 Hangi seçimi yapacaklarını seçmek zorunda kalırlarsa ne olacağını hayal edin. 
 Bir seçenek bizi bu duruma götürür, burada ben, maksimize eden oyuncu, 
 alabileceğim en büyük puan olan 9'u tercih edeceğim. 
 Ve kişi bu duruma götürür, burada ben, maksimize eden oyuncu, 
 o zaman alabileceğimden daha büyük puan olan 8'i seçerdim. 

Hindi: 
 यहाँ, और मेरे पास तीन विकल्प हैं-- 
 एक विकल्प मुझे 5 का स्कोर देता है, एक विकल्प मुझे 3 का स्कोर देता है, 
 और एक विकल्प मुझे 9 का स्कोर देता है। 
 फिर, उन तीन विकल्पों के बीच, मेरा सबसे अच्छा विकल्प 
 इस 9 को यहाँ चुनना है, स्कोर जो मेरे विकल्पों को अधिकतम करता है 
 तीनों विकल्पों में से। 
 और इसलिए मैं इस राज्य को 9 का मान दे सकता हूं, 
 क्योंकि मेरे तीन विकल्पों में से वह सबसे अच्छा है 
 चुनाव जो मेरे पास उपलब्ध है। 
 तो अब मेरा फैसला है। 
 आप कल्पना करते हैं कि यह खेल के अंत से एक कदम दूर है। 
 लेकिन तब आप एक वाजिब सवाल भी पूछ सकते थे। 
 खेल के अंत से मेरे प्रतिद्वंद्वी दो चालों में क्या कर सकते हैं? 
 मेरा प्रतिद्वंद्वी न्यूनतम खिलाड़ी है। 
 वे स्कोर को यथासंभव छोटा बनाने की कोशिश कर रहे हैं। 
 सोचिए अगर उन्हें कौन सा विकल्प चुनना होता तो क्या होता। 
 एक विकल्प हमें इस राज्य की ओर ले जाता है, जहां मैं, अधिकतम खिलाड़ी, 
 मैं 9 का चयन करने जा रहा हूं, जो मुझे मिल सकता है सबसे बड़ा स्कोर। 
 और एक इस राज्य की ओर जाता है, जहां मैं, अधिकतम खिलाड़ी, 
 8 का चयन करेगा, जो कि तब तक का सबसे बड़ा स्कोर है जो मुझे मिल सकता है। 

Indonesian: 
 Sekarang, pemain yang meminimalkan, dipaksa untuk memilih antara angka 9 atau angka 8, 
 akan memilih skor sekecil mungkin, yang dalam hal ini adalah 8. 
 Dan itulah bagaimana proses ini akan berlangsung. 
 Tetapi pemain yang meminimalkan, dalam hal ini, mempertimbangkan 
 kedua opsi mereka, dan kemudian semua opsi 
 itu akan terjadi sebagai akibat dari itu. 
 Jadi ini sekarang adalah gambaran umum tentang bagaimana algoritma Minimax terlihat. 
 Sekarang mari kita coba memformalkannya menggunakan sedikit pseudocode. 
 Jadi apa sebenarnya yang terjadi dalam algoritma Minimax? 
 Nah, mengingat keadaan, S, kita perlu memutuskan apa yang akan terjadi. 
 Pemain maks - jika giliran pemain maks, maka 
 max akan memilih tindakan, A, dalam aksi S. Recall 
 bahwa tindakan adalah fungsi yang mengambil status 
 dan mengembalikan semua tindakan yang mungkin bisa saya lakukan. 
 Ini memberitahu saya semua gerakan yang mungkin dilakukan. 
 Pemain maks akan memilih secara khusus 
 suatu tindakan, A, dalam serangkaian tindakan yang memberi saya 

French: 
 Maintenant, le joueur minimisant, obligé de choisir entre un 9 ou un 8, 
 va choisir le score le plus petit possible, qui dans ce cas est un 8. 
 Et c'est ainsi que se déroulerait ce processus. 
 Mais le joueur minimisant, dans ce cas, considère 
 leurs deux options, puis toutes les options 
 cela se produirait à la suite de cela. 
 C'est donc maintenant une image générale de ce à quoi ressemble l'algorithme Minimax. 
 Essayons maintenant de le formaliser en utilisant un peu de pseudocode. 
 Alors, que se passe-t-il exactement dans l'algorithme Minimax? 
 Eh bien, étant donné un état, S, nous devons décider de ce qui va se passer. 
 Le joueur max-- si c'est le tour du joueur max, alors 
 max va choisir une action, A, dans les actions de S. Rappel 
 que les actions sont une fonction qui prend un état 
 et me rend toutes les actions possibles que je peux entreprendre. 
 Il me dit tous les mouvements possibles. 
 Le joueur max va choisir spécifiquement 
 une action, A, dans l'ensemble des actions qui me donne 

Modern Greek (1453-): 
 Τώρα, ο παίκτης ελαχιστοποίησης, αναγκασμένος να επιλέξει μεταξύ 9 ή 8, 
 πρόκειται να επιλέξει τη μικρότερη δυνατή βαθμολογία, η οποία σε αυτήν την περίπτωση είναι 8. 
 Και έτσι, λοιπόν, θα ξεδιπλώνεται αυτή η διαδικασία. 
 Αλλά ο παίκτης ελαχιστοποίησης, σε αυτήν την περίπτωση, θεωρεί 
 και τις δύο επιλογές τους και έπειτα όλες τις επιλογές 
 αυτό θα συνέβαινε ως αποτέλεσμα αυτού. 
 Αυτή είναι λοιπόν μια γενική εικόνα του αλγορίθμου Minimax. 
 Ας προσπαθήσουμε τώρα να το επισημοποιήσουμε χρησιμοποιώντας λίγο ψευδοκώδικα. 
 Τι συμβαίνει λοιπόν στον αλγόριθμο Minimax; 
 Λοιπόν, δεδομένης της κατάστασης, S, πρέπει να αποφασίσουμε τι θα συμβεί. 
 Ο μέγιστος παίκτης - αν είναι η σειρά του μέγιστου παίκτη, τότε 
 ο max θα επιλέξει μια δράση, Α, σε ενέργειες του S. Recall 
 ότι οι ενέργειες είναι μια συνάρτηση που παίρνει μια κατάσταση 
 και μου δίνει όλες τις πιθανές ενέργειες που μπορώ να κάνω. 
 Μου λέει όλες τις πιθανές κινήσεις. 
 Ο μέγιστος παίκτης θα επιλέξει συγκεκριμένα 
 μια δράση, Α, στο σύνολο των ενεργειών που μου δίνει 

Turkish: 
 Şimdi, küçültücü oyuncu, 9 veya 8 arasında seçim yapmak zorunda kaldı, 
 mümkün olan en küçük puanı seçecektir, bu durumda 8'dir. 
 İşte bu süreç bu şekilde ortaya çıkacaktı. 
 Ancak en aza indiren oyuncu, bu durumda, 
 her ikisinin de seçeneklerini ve ardından tüm seçenekleri 
 bunun sonucunda olur. 
 Şimdi bu, Minimax algoritmasının nasıl göründüğünün genel bir resmi. 
 Şimdi biraz sahte kod kullanarak resmileştirmeye çalışalım. 
 Peki Minimax algoritmasında tam olarak neler oluyor? 
 Bir devlet göz önüne alındığında, S, ne olacağına karar vermeliyiz. 
 Maksimum oyuncu-- eğer maksimum oyuncunun sırası buysa, o zaman 
 max, S. Recall'un eylemlerinde bir eylem seçecek, A. 
 bu eylemler durumu alan bir işlevdir 
 ve yapabileceğim tüm olası işlemleri geri veriyor. 
 Bana mümkün olan tüm hamleleri anlatıyor. 
 Maksimum oyuncu özellikle 
 bana bir dizi eylemde bir eylem, A, 

Dutch: 
 Nu, de minimaliserende speler, gedwongen om te kiezen tussen een 9 of een 8, 
 gaat de kleinst mogelijke score kiezen, in dit geval een 8. 
 En dat is dan hoe dit proces zou verlopen. 
 Maar de minimaliserende speler overweegt in dit geval 
 beide opties en vervolgens alle opties 
 dat zou daardoor gebeuren. 
 Dit is dus nu een algemeen beeld van hoe het Minimax-algoritme eruit ziet. 
 Laten we het nu proberen te formaliseren met een klein beetje pseudocode. 
 Dus wat gebeurt er precies in het Minimax-algoritme? 
 Welnu, gezien een staat, S, moeten we beslissen wat er gaat gebeuren. 
 De max speler - als het de beurt is aan de max speler, dan 
 max gaat een actie, A, kiezen in acties van S. Recall 
 dat acties een functie is die een status aanneemt 
 en geeft me alle mogelijke acties terug die ik kan ondernemen. 
 Het vertelt me ​​alle bewegingen die mogelijk zijn. 
 De max-speler gaat specifiek kiezen 
 een actie, A, in de reeks acties die mij geeft 

Spanish: 
 Ahora, el jugador que minimiza, obligado a elegir entre un 9 o un 8, 
 va a elegir la puntuación más pequeña posible, que en este caso es un 8. 
 Y así es como se desarrollaría este proceso. 
 Pero el jugador que minimiza, en este caso, considera 
 sus dos opciones, y luego todas las opciones 
 eso sucedería como resultado de eso. 
 Así que esta es una imagen general de cómo se ve el algoritmo Minimax. 
 Ahora tratemos de formalizarlo usando un poco de pseudocódigo. 
 Entonces, ¿qué está sucediendo exactamente en el algoritmo Minimax? 
 Bueno, dado un estado, S, necesitamos decidir qué sucederá. 
 El jugador máximo: si es el turno del jugador máximo, entonces 
 max elegirá una acción, A, en acciones de S. Recall 
 que acciones es una función que toma un estado 
 y me devuelve todas las acciones posibles que puedo tomar. 
 Me dice todos los movimientos que son posibles. 
 El jugador máximo elegirá específicamente 
 una acción, A, en el conjunto de acciones que me da 

Portuguese: 
 Agora, o jogador minimizador, forçado a escolher entre um 9 ou um 8, 
 vai escolher a menor pontuação possível, que neste caso é um 8. 
 E é assim que se desenrolaria esse processo. 
 Mas o jogador minimizador, neste caso, considera 
 ambas as opções e, em seguida, todas as opções 
 isso aconteceria como resultado disso. 
 Portanto, agora é uma imagem geral de como é o algoritmo Minimax. 
 Vamos agora tentar formalizá-lo usando um pouco de pseudocódigo. 
 Então, o que exatamente está acontecendo no algoritmo Minimax? 
 Bem, dado um estado, S, precisamos decidir o que acontecerá. 
 O jogador máximo-- se for a vez do jogador máximo, então 
 max vai escolher uma ação, A, nas ações de S. Lembre-se 
 que ações é uma função que assume um estado 
 e me devolve todas as ações possíveis que posso executar. 
 Diz-me todos os movimentos possíveis. 
 O jogador máximo vai escolher especificamente 
 uma ação, A, no conjunto de ações que me dá 

Arabic: 
 الآن ، لاعب التصغير ، اضطر للاختيار بين 9 أو 8 ، 
 سيختار أصغر درجة ممكنة ، وهي في هذه الحالة 8. 
 وهكذا ، كيف ستظهر هذه العملية. 
 لكن لاعب التقليل ، في هذه الحالة ، يعتبر 
 كلا الخيارين ، ثم كل الخيارات 
 هذا سيحدث نتيجة لذلك. 
 هذه صورة عامة لما تبدو عليه خوارزمية Minimax. 
 دعنا الآن نحاول إضفاء الطابع الرسمي عليه باستخدام القليل من الرمز الزائف. 
 ما الذي يحدث بالضبط في خوارزمية Minimax؟ 
 حسنًا ، بالنظر إلى الحالة ، S ، نحتاج إلى تحديد ما سيحدث. 
 اللاعب الأقصى - إذا كان دور اللاعب الأقصى ، إذن 
 ماكس سيختار إجراء ، أ ، في إجراءات S. Recall 
 أن الأفعال هي وظيفة تأخذ الدولة 
 ويعيد لي كل الإجراءات الممكنة التي يمكنني اتخاذها. 
 يخبرني كل التحركات الممكنة. 
 لاعب ماكس سيختار على وجه التحديد 
 فعل ، أ ، في مجموعة الإجراءات التي تعطيني 

English: 
Now, the minimizing player, forced to choose between a 9 or an 8,
is going to choose the smallest possible score, which in this case is an 8.
And that is, then, how this process would unfold.
But the minimizing player, in this case, considers
both of their options, and then all of the options
that would happen as a result of that.
So this now is a general picture of what the Minimax algorithm looks like.
Let's now try to formalize it using a little bit of pseudocode.
So what exactly is happening in the Minimax algorithm?
Well, given a state, S, we need to decide what to happen.
The max player-- if it's the max player's turn, then
max is going to pick an action, A, in actions of S. Recall
that actions is a function that takes a state
and gives me back all of the possible actions that I can take.
It tells me all of the moves that are possible.
The max player is going to specifically pick
an action, A, in the set of actions that gives me

Hindi: 
 अब, न्यूनतम खिलाड़ी, एक 9 या 8 के बीच चयन करने के लिए मजबूर, 
 सबसे छोटा संभव स्कोर चुनने जा रहा है, जो इस मामले में एक 8 है। 
 और फिर, यह प्रक्रिया कैसे सामने आएगी। 
 लेकिन न्यूनतम खिलाड़ी, इस मामले में, मानता है 
 उनके दोनों विकल्प, और फिर सभी विकल्प 
 उसी के परिणामस्वरूप ऐसा होगा। 
 तो अब यह एक सामान्य तस्वीर है कि मिनीमैक्स एल्गोरिथ्म कैसा दिखता है। 
 आइए अब थोड़ी सी स्यूडोकोड का उपयोग करके इसे औपचारिक रूप देने की कोशिश करें। 
 तो वास्तव में मिनिमैक्स एल्गोरिथ्म में क्या हो रहा है? 
 एक राज्य, एस को देखते हुए, हमें यह तय करने की आवश्यकता है कि क्या होना है। 
 अधिकतम खिलाड़ी - यदि यह अधिकतम खिलाड़ी की बारी है, तो 
 एस। रिकॉल की कार्रवाइयों में अधिकतम ए, ए, लेने जा रहा है 
 यह कार्य एक फ़ंक्शन है जो एक राज्य लेता है 
 और मुझे उन सभी संभावित कार्यों को वापस देता है जो मैं ले सकता हूं। 
 यह मुझे उन सभी चालों को बताता है जो संभव हैं। 
 अधिकतम खिलाड़ी विशेष रूप से लेने जा रहा है 
 एक क्रिया, ए, मुझे देने वाले कार्यों के सेट में 

Japanese: 
さて、最小化プレーヤーは、9または8のいずれかを選択する必要がありました。 
最小のスコアを選択します。この場合は8です。 
そしてそれが、このプロセスがどのように展開するかということです。 
しかし、この場合、最小化プレーヤーは
両方のオプション、そしてすべてのオプション
それはその結果として起こります。 
したがって、これはミニマックスアルゴリズムがどのように見えるかの全体像です。 
それでは、少しの疑似コードを使ってそれを形式化してみましょう。 
では、ミニマックスアルゴリズムで正確に何が起こっているのでしょうか。 
まあ、状態Sを考えると、何が起こるかを決定する必要があります。 
最大プレーヤー-最大プレーヤーのターンの場合、 
 maxはSのアクションでアクションAを選択します。 
そのアクションは状態を取る関数です
そして、私が取ることができるすべての可能な行動を私に返します。 
可能なすべての動きを教えてくれます。 
マックスプレイヤーは具体的に選ぶつもりです
アクションA、私に与える一連のアクション

Russian: 
 Теперь минимизирующий игрок вынужден выбирать между 9 или 8, 
 собирается выбрать наименьшую возможную оценку, которая в этом случае 8. 
 И вот как этот процесс развернется. 
 Но минимизирующий игрок в этом случае считает 
 оба их варианта, а затем все варианты 
 это произойдет в результате этого. 
 Так что теперь это общая картина того, как выглядит алгоритм Minimax. 
 Давайте теперь попробуем формализовать это, используя немного псевдокода. 
 Так что именно происходит в алгоритме Minimax? 
 Ну, учитывая состояние, S, мы должны решить, что произойдет. 
 Максимальный игрок - если ход максимального игрока, тогда 
 Макс собирается выбрать действие, А, в действиях С. Вспомните 
 что действия это функция, которая принимает состояние 
 и возвращает мне все возможные действия, которые я могу предпринять. 
 Это говорит мне обо всех возможных шагах. 
 Максимальный игрок собирается специально выбрать 
 действие, А, в наборе действий, который дает мне 

German: 
 Nun ist der Minimierungsspieler gezwungen, zwischen einer 9 oder einer 8 zu wählen. 
 wird die kleinstmögliche Punktzahl wählen, die in diesem Fall eine 8 ist. 
 Und so würde sich dieser Prozess entwickeln. 
 Aber der Minimierungsspieler berücksichtigt in diesem Fall 
 beide Optionen und dann alle Optionen 
 das würde als Ergebnis davon passieren. 
 Dies ist nun ein allgemeines Bild davon, wie der Minimax-Algorithmus aussieht. 
 Versuchen wir nun, es mit ein wenig Pseudocode zu formalisieren. 
 Was genau passiert also im Minimax-Algorithmus? 
 Nun, angesichts eines Zustands, S, müssen wir entscheiden, was passieren soll. 
 Der maximale Spieler - wenn der maximale Spieler an der Reihe ist, dann 
 max wird eine Aktion A in Aktionen von S. Recall auswählen 
 Diese Aktionen sind eine Funktion, die einen Status annimmt 
 und gibt mir alle möglichen Maßnahmen zurück, die ich ergreifen kann. 
 Es sagt mir alle Bewegungen, die möglich sind. 
 Der maximale Spieler wird speziell auswählen 
 eine Handlung, A, in der Reihe von Handlungen, die mir gibt 

Chinese: 
現在，最小化的玩家被迫在9或8之間進行選擇
將選擇最小的分數，在這種情況下為8。 
這就是這個過程將如何展開。 
但是在這種情況下，最小化的玩家會考慮
他們的兩個選項，然後是所有選項
結果會發生這種情況。 
現在，這是Minimax算法的大致概況。 
現在讓我們嘗試使用一些偽代碼對其進行形式化。 
那麼，Minimax算法到底發生了什麼？ 
好吧，給定狀態S，我們需要決定發生什麼。 
最大玩家-如果輪到最大玩家，則
 max將在S的動作中選擇一個動作A。 
動作是需要狀態的功能
並把所有可能採取的行動都還給我。 
它告訴我所有可能的動作。 
最高玩家將專門選擇
給我一個動作中的一個動作A 

Korean: 
 이제 최소화 플레이어는 9 또는 8 중에서 선택해야합니다. 
 가능한 가장 작은 점수를 선택합니다.이 경우에는 8입니다. 
 이것이 바로이 과정이 어떻게 전개 될 것인가입니다. 
 그러나이 경우 최소화 플레이어는 다음을 고려합니다. 
 두 옵션과 모든 옵션 
 그 결과로 일어날 것입니다. 
 이제 이것은 Minimax 알고리즘의 일반적인 모습입니다. 
 이제 약간의 의사 코드를 사용하여 형식화를 시도해 봅시다. 
 Minimax 알고리즘에서 정확히 무슨 일이 일어나고 있습니까? 
 음, 상태 S가 주어지면 우리는 어떻게 될지를 결정해야합니다. 
 최대 플레이어-최대 플레이어의 차례라면 
 max는 S의 행동에서 행동 A를 선택할 것입니다. 
 그 행동은 상태를 취하는 함수입니다 
 내가 취할 수있는 모든 가능한 조치를 다시 알려줍니다. 
 그것은 가능한 모든 움직임을 알려줍니다. 
 최대 플레이어는 구체적으로 선택합니다 
 나에게주는 일련의 행동에서 행동 A 

Chinese: 
现在，最小化的玩家被迫在9或8之间进行选择
将选择最小的分数，在这种情况下为8。 
这就是这个过程将如何展开。 
但是在这种情况下，最小化的玩家会考虑
他们的两个选项，然后是所有选项
结果会发生这种情况。 
现在，这是Minimax算法的大致概况。 
现在让我们尝试使用一些伪代码对其进行形式化。 
那么，Minimax算法到底发生了什么？ 
好吧，给定状态S，我们需要决定发生什么。 
最大玩家-如果轮到最大玩家，则
 max将在S的动作中选择一个动作A。 
动作是需要状态的功能
并把所有可能采取的行动都还给我。 
它告诉我所有可能的动作。 
最高玩家将专门选择
给我一个动作中的一个动作A 

Italian: 
 Ora, il giocatore minimizzante, costretto a scegliere tra un 9 o un 8, 
 sceglierà il punteggio più piccolo possibile, che in questo caso è un 8. 
 Ed è così che si svolgerà questo processo. 
 Ma il giocatore minimizzante, in questo caso, considera 
 entrambe le opzioni e quindi tutte le opzioni 
 ciò accadrebbe a seguito di ciò. 
 Quindi, questo è un quadro generale di come appare l'algoritmo Minimax. 
 Proviamo ora a formalizzarlo usando un po 'di pseudocodice. 
 Cosa sta succedendo esattamente nell'algoritmo Minimax? 
 Bene, dato uno stato, S, dobbiamo decidere cosa succede. 
 Il giocatore massimo: se è il turno del giocatore massimo, allora 
 max sceglierà un'azione, A, nelle azioni di S. Richiamo 
 che azioni è una funzione che assume uno stato 
 e mi restituisce tutte le possibili azioni che posso intraprendere. 
 Mi dice tutte le mosse possibili. 
 Il giocatore massimo sceglierà specificamente 
 un'azione, A, nell'insieme di azioni che mi dà 

Portuguese: 
 o valor mais alto do valor mínimo do resultado de S e A. Então, o que isso significa? 
 Bem, isso significa que eu quero fazer a opção que me dá 
 a pontuação mais alta de todas as ações, A. 
 Mas que pontuação isso vai ter? 
 Para calcular isso, preciso saber qual é o meu oponente, o jogador min, 
 vai fazer se eles tentam minimizar o valor do estado que resulta. 
 Por isso, dizemos que estado resulta depois de eu tomar essa ação, 
 e o que acontece quando o jogador min tenta 
 minimizar o valor desse estado? 
 Considero isso para todas as minhas opções possíveis. 
 E depois de considerar isso para todas as minhas opções possíveis, 
 Eu escolho a ação, A, que tem o maior valor. 
 Da mesma forma, o jogador min fará a mesma coisa, mas ao contrário. 
 Eles também vão considerar quais são todas as ações possíveis 
 pode levar se for a vez deles? 
 E eles vão escolher a ação, A, que tem o menor 
 valor possível de todas as opções. 
 E a maneira como eles sabem qual é o menor valor possível de todas as opções, 
 é considerando o que o máximo de jogadores fará, 

Russian: 
 наибольшее значение минимального значения результата S и A. Так что это значит? 
 Ну, это означает, что я хочу сделать вариант, который дает мне 
 Наивысшая оценка всех действий, А. 
 Но какой счет это будет иметь? 
 Чтобы рассчитать это, мне нужно знать, что мой противник, минимальный игрок, 
 будет делать, если они пытаются минимизировать значение состояния, которое в результате. 
 Итак, мы говорим, какое состояние заканчивается после того, как я предприму это действие, 
 и что происходит, когда мин игрок пытается 
 минимизировать значение этого состояния? 
 Я считаю, что для всех моих возможных вариантов. 
 И после того, как я рассмотрел это для всех моих возможных вариантов, 
 Я выбираю действие А, которое имеет наибольшее значение. 
 Аналогично, мин игрок собирается сделать то же самое, но в обратном направлении. 
 Они также собираются рассмотреть, каковы все возможные действия, которые они 
 можно взять, если это их очередь? 
 И они собираются выбрать действие, А, который имеет наименьшее 
 возможное значение всех вариантов. 
 И способ, которым они знают, какова наименьшая возможная ценность всех вариантов, 
 с учетом того, что собирается сделать максимальный игрок, 

Hindi: 
 एस और ए के परिणाम के न्यूनतम मूल्य का उच्चतम मूल्य तो इसका क्या मतलब है? 
 खैर, इसका मतलब है कि मैं उस विकल्प को बनाना चाहता हूं जो मुझे देता है 
 सभी क्रियाओं का उच्चतम स्कोर, ए। 
 लेकिन क्या स्कोर है? 
 यह गणना करने के लिए, मुझे यह जानना होगा कि मेरे प्रतिद्वंद्वी, न्यूनतम खिलाड़ी, 
 अगर वे राज्य के मूल्य को कम करने की कोशिश करते हैं जो परिणाम देता है। 
 इसलिए हम कहते हैं, इस कार्रवाई के बाद मैं कौन से राज्य का परिणाम देखूंगा, 
 और क्या होता है जब न्यूनतम खिलाड़ी कोशिश करता है 
 उस राज्य के मूल्य को कम करने के लिए? 
 मुझे लगता है कि मेरे सभी संभावित विकल्पों के लिए। 
 और मैं अपने सभी संभावित विकल्पों के लिए विचार करने के बाद, 
 मैं ए उठाता हूं, ए, जिसका उच्चतम मूल्य है। 
 इसी तरह, मिनि प्लेयर एक ही काम करने वाला है, लेकिन पीछे की तरफ। 
 वे भी विचार करने जा रहे हैं, वे सभी संभावित कार्य क्या हैं 
 अगर यह उनकी बारी है ले सकते हैं? 
 और वे ए, ए को चुनने जा रहे हैं, जिसमें सबसे छोटा है 
 सभी विकल्पों का संभावित मूल्य। 
 और जिस तरह से वे जानते हैं कि सभी विकल्पों में से सबसे छोटा संभव मूल्य क्या है, 
 अधिकतम खिलाड़ी क्या करने जा रहा है, इस पर विचार करके 

English: 
the highest value of min value of result of S and A. So what does that mean?
Well, it means that I want to make the option that gives me
the highest score of all of the actions, A.
But what score is that going to have?
To calculate that, I need to know what my opponent, the min player,
is going to do if they try to minimize the value of the state that results.
So we say, what state results after I take this action,
and what happens when the min player tries
to minimize the value of that state?
I consider that for all of my possible options.
And after I've considered that for all of my possible options,
I pick the action, A, that has the highest value.
Likewise, the min player is going to do the same thing, but backwards.
They're also going to consider, what are all of the possible actions they
can take if it's their turn?
And they're going to pick the action, A, that has the smallest
possible value of all the options.
And the way they know what the smallest possible value of all the options is,
is by considering what the max player is going to do,

Indonesian: 
 nilai tertinggi dari nilai min hasil S dan A. Jadi apa artinya? 
 Ya, itu berarti saya ingin membuat opsi yang memberi saya 
 skor tertinggi dari semua tindakan, A. 
 Tapi skor apa yang akan didapat? 
 Untuk menghitung itu, saya perlu tahu apa lawan saya, pemain min, 
 akan lakukan jika mereka mencoba untuk meminimalkan nilai dari keadaan yang dihasilkan. 
 Jadi kita katakan, apa hasil negara setelah saya mengambil tindakan ini, 
 dan apa yang terjadi ketika pemain min mencoba 
 untuk meminimalkan nilai kondisi itu? 
 Saya menganggap itu untuk semua opsi yang memungkinkan saya. 
 Dan setelah saya mempertimbangkan itu untuk semua opsi yang memungkinkan, 
 Saya memilih tindakan, A, yang memiliki nilai tertinggi. 
 Demikian juga, pemain min akan melakukan hal yang sama, tetapi mundur. 
 Mereka juga akan mempertimbangkan, apa saja tindakan yang mungkin mereka lakukan 
 dapat mengambil jika giliran mereka? 
 Dan mereka akan memilih aksinya, A, yang memiliki yang terkecil 
 nilai yang mungkin dari semua opsi. 
 Dan cara mereka tahu apa nilai terkecil dari semua opsi adalah, 
 adalah dengan mempertimbangkan apa yang akan dilakukan pemain maks, 

Korean: 
 S와 A 결과의 최소값 중 가장 높은 값입니다. 이것이 무엇을 의미합니까? 
 글쎄, 그것은 나에게주는 옵션을 만들고 싶다는 것을 의미합니다. 
 모든 행동 중 가장 높은 점수, A. 
 그러나 그 점수는 몇 점입니까? 
 이를 계산하려면 상대 선수, 최소 선수, 
 그들이 결과 상태의 값을 최소화하려고하면 할 것입니다. 
 우리는이 조치를 취한 후 어떤 상태가 발생하는지, 
 최소 플레이어가 시도 할 때 어떻게됩니까? 
 그 상태의 가치를 최소화하기 위해? 
 가능한 모든 옵션에 대해 고려합니다. 
 가능한 모든 옵션을 고려한 후에 
 가치가 가장 높은 작업 A를 선택합니다. 
 마찬가지로, min 플레이어는 같은 일을하지만 거꾸로 할 것입니다. 
 그들은 또한 고려할 것입니다. 가능한 모든 행동은 무엇입니까? 
 그들의 차례라면 걸릴 수 있습니까? 
 그리고 그들은 가장 작은 행동 A를 선택합니다. 
 모든 옵션의 가능한 가치. 
 모든 옵션의 가능한 최소값이 무엇인지 아는 방식은 
 max 플레이어가 무엇을할지 고려하는 것입니다. 

Turkish: 
 S ve A sonucunun min değerinin en yüksek değeri. Bu ne anlama geliyor? 
 Bu bana veren seçeneği yapmak istediğim anlamına geliyor 
 tüm eylemlerin en yüksek puanı olan A. 
 Ama bu puanın ne olacak? 
 Bunu hesaplamak için rakibimin, min oyuncunun, 
 ortaya çıkan durumun değerini en aza indirmeye çalışırlarsa yapacaklardır. 
 Bu eylemi gerçekleştirdikten sonra hangi devletin sonuç verdiğini söylüyoruz, 
 ve min. oyuncu denediğinde ne olur 
 bu devletin değerini en aza indirmek için? 
 Tüm olası seçeneklerim için bunu düşünüyorum. 
 Ve tüm olası seçeneklerim için bunu düşündükten sonra, 
 En yüksek değere sahip A eylemini seçiyorum. 
 Aynı şekilde, min. Oyuncu aynı şeyi yapacak, ancak geriye doğru. 
 Onlar da dikkate alacaklar, olası eylemlerin hepsi nelerdir 
 onların sırası varsa alabilir? 
 Ve en küçük olan A eylemini seçecekler. 
 tüm seçeneklerin olası değeri. 
 Ve tüm seçeneklerin mümkün olan en küçük değerinin ne olduğunu bildikleri, 
 maksimum oyuncunun ne yapacağını düşünerek, 

German: 
 der höchste Wert des Mindestwerts des Ergebnisses von S und A. Was bedeutet das? 
 Nun, es bedeutet, dass ich die Option machen möchte, die mir gibt 
 die höchste Punktzahl aller Aktionen, A. 
 Aber welche Punktzahl wird das haben? 
 Um das zu berechnen, muss ich wissen, was mein Gegner, der Min-Spieler, 
 wird tun, wenn sie versuchen, den Wert des resultierenden Zustands zu minimieren. 
 Wir sagen also, welcher Zustand sich ergibt, nachdem ich diese Maßnahme ergriffen habe. 
 und was passiert, wenn der Min-Spieler es versucht 
 den Wert dieses Zustands zu minimieren? 
 Ich betrachte das für alle meine möglichen Optionen. 
 Und nachdem ich das für alle meine möglichen Optionen in Betracht gezogen habe, 
 Ich wähle die Aktion A aus, die den höchsten Wert hat. 
 Ebenso wird der Min-Spieler dasselbe tun, aber rückwärts. 
 Sie werden auch überlegen, welche möglichen Aktionen sie ausführen 
 kann nehmen, wenn sie an der Reihe sind? 
 Und sie werden die Aktion auswählen, A, die die kleinste hat 
 möglicher Wert aller Optionen. 
 Und wie sie wissen, was der kleinstmögliche Wert aller Optionen ist, 
 ist durch Überlegen, was der maximale Spieler tun wird, 

French: 
 la valeur la plus élevée de la valeur min du résultat de S et A. Alors qu'est-ce que cela signifie? 
 Eh bien, cela signifie que je veux faire l'option qui me donne 
 le score le plus élevé de toutes les actions, A. 
 Mais quel score cela va-t-il avoir? 
 Pour calculer cela, j'ai besoin de savoir ce que mon adversaire, le joueur minimum, 
 va faire s'ils essaient de minimiser la valeur de l'état qui en résulte. 
 Nous disons donc, quel état résulte après avoir pris cette action, 
 et que se passe-t-il lorsque le joueur minimum essaie 
 pour minimiser la valeur de cet état? 
 Je considère cela pour toutes mes options possibles. 
 Et après avoir considéré cela pour toutes mes options possibles, 
 Je choisis l'action, A, qui a la valeur la plus élevée. 
 De même, le joueur min va faire la même chose, mais à l'envers. 
 Ils vont également considérer, quelles sont toutes les actions possibles qu'ils 
 peut prendre si c'est leur tour? 
 Et ils vont choisir l'action, A, qui a le plus petit 
 valeur possible de toutes les options. 
 Et la façon dont ils savent quelle est la plus petite valeur possible de toutes les options, 
 c'est en considérant ce que le joueur max va faire, 

Arabic: 
 أعلى قيمة للقيمة الدنيا لنتائج S و A. فماذا يعني ذلك؟ 
 حسنًا ، هذا يعني أنني أريد أن أجعل الخيار الذي يعطيني 
 أعلى درجة لجميع الإجراءات ، أ. 
 ولكن ما النتيجة التي ستحصل عليها؟ 
 لاحتساب ذلك ، أحتاج أن أعرف ما هو خصمي ، لاعب الحد الأدنى ، 
 ستفعل إذا حاولوا تقليل قيمة الحالة التي ينتج عنها. 
 لذلك نقول ، ما هي النتائج التي تظهر بعد اتخاذ هذا الإجراء ، 
 وماذا يحدث عندما يحاول لاعب الدقيقة 
 لتقليل قيمة تلك الدولة؟ 
 أنا أعتبر ذلك لجميع خياراتي الممكنة. 
 وبعد أن فكرت في ذلك لكل خياراتي الممكنة ، 
 أختار الإجراء ، أ ، الذي لديه أعلى قيمة. 
 وبالمثل ، فإن لاعب الدقيقة سيفعل نفس الشيء ، ولكن إلى الوراء. 
 سيأخذون في الاعتبار أيضًا ، ما هي جميع الإجراءات الممكنة 
 يمكن أن تأخذ إذا جاء دورهم؟ 
 وسيقومون باختيار الإجراء ، الذي لديه الأصغر 
 القيمة الممكنة لجميع الخيارات. 
 وطريقة معرفتهم لأصغر قيمة ممكنة لجميع الخيارات ، 
 هو النظر في ما سيفعله اللاعب الأقصى ، 

Italian: 
 il valore più alto del valore minimo del risultato di S e A. Quindi cosa significa? 
 Bene, significa che voglio fare l'opzione che mi dà 
 il punteggio più alto di tutte le azioni, A. 
 Ma quale punteggio avrà? 
 Per calcolarlo, devo sapere cosa sono il mio avversario, il giocatore minimo, 
 lo farà se provano a minimizzare il valore dello stato che ne risulta. 
 Quindi diciamo, quale stato risulta dopo che ho intrapreso questa azione, 
 e cosa succede quando il giocatore minimo prova 
 minimizzare il valore di quello stato? 
 Lo considero per tutte le mie possibili opzioni. 
 E dopo averlo considerato per tutte le mie possibili opzioni, 
 Scelgo l'azione, A, che ha il valore più alto. 
 Allo stesso modo, il giocatore minimo farà la stessa cosa, ma al contrario. 
 Prenderanno anche in considerazione quali sono tutte le possibili azioni che hanno 
 può prendere se è il loro turno? 
 E sceglieranno l'azione, A, che ha il più piccolo 
 valore possibile di tutte le opzioni. 
 E il modo in cui sanno qual è il valore più piccolo possibile di tutte le opzioni, 
 considerando ciò che farà il max player, 

Japanese: 
 SとAの結果の最小値の最高値。それはどういう意味ですか？ 
まあ、それは私が私に与えるオプションを作りたいということを意味します
すべてのアクションの最高スコア、A。 
しかし、それは何点になるでしょうか？ 
それを計算するために、対戦相手、最小プレーヤー、 
結果として生じる状態の値を最小化しようとするなら、そうするでしょう。 
つまり、このアクションを実行した後の状態は
そして、最小プレーヤーがしようとするとどうなりますか
その状態の値を最小化するには？ 
私は可能なすべてのオプションについてそれを考慮します。 
そして、私が可能なすべてのオプションについてそれを検討した後、 
最も高い値を持つアクションAを選択します。 
同様に、最小プレーヤーは同じことを行いますが、逆方向です。 
彼らはまた、彼らが可能な行動のすべては何であるかを検討します
彼らの番なら取れる？ 
そして、彼らは最小のアクションAを選びます
すべてのオプションの可能な値。 
そして、彼らがすべてのオプションの可能な最小値が何であるかを知る方法は、 
マックスプレイヤーが何をするかを考えることによって、 

Modern Greek (1453-): 
 η υψηλότερη τιμή της ελάχιστης τιμής του αποτελέσματος των S και A. Λοιπόν τι σημαίνει αυτό; 
 Λοιπόν, αυτό σημαίνει ότι θέλω να κάνω την επιλογή που μου δίνει 
 η υψηλότερη βαθμολογία όλων των ενεργειών, Α. 
 Αλλά τι σκορ θα έχει αυτό; 
 Για να το υπολογίσω αυτό, πρέπει να ξέρω τι είναι ο αντίπαλός μου, ο ελάχιστος παίκτης, 
 πρόκειται να κάνει εάν προσπαθήσει να ελαχιστοποιήσει την τιμή της κατάστασης που προκύπτει. 
 Λοιπόν λέμε, τι κατάσταση προκύπτει μετά την ανάληψη αυτής της δράσης, 
 και τι συμβαίνει όταν ο ελάχιστος παίκτης προσπαθεί 
 να ελαχιστοποιηθεί η τιμή αυτής της κατάστασης; 
 Το θεωρώ αυτό για όλες τις πιθανές επιλογές μου. 
 Και αφού το σκεφτώ για όλες τις πιθανές επιλογές μου, 
 Διαλέγω τη δράση, Α, που έχει την υψηλότερη τιμή. 
 Ομοίως, ο ελάχιστος παίκτης θα κάνει το ίδιο πράγμα, αλλά προς τα πίσω. 
 Θα εξετάσουν επίσης, ποιες είναι όλες οι πιθανές ενέργειες που κάνουν 
 μπορεί να πάρει αν είναι η σειρά τους; 
 Και θα επιλέξουν τη δράση, Α, που έχει το μικρότερο 
 πιθανή αξία όλων των επιλογών. 
 Και με τον τρόπο που γνωρίζουν ποια είναι η μικρότερη δυνατή τιμή όλων των επιλογών, 
 είναι να εξετάσουμε τι πρόκειται να κάνει ο μέγιστος παίκτης, 

Chinese: 
 S和A的结果的最小值的最大值。那是什么意思？ 
好吧，这意味着我要做出给我的选择
在所有动作中得分最高，A。 
但是那会有什么分数呢？ 
要计算这一点，我需要知道我的对手，最小玩家， 
如果他们试图使结果状态的值最小化，那将要做。 
所以我们说，我采取此行动后会产生什么状态， 
以及最小玩家尝试时会发生什么
最小化那个状态的价值？ 
我认为这是我所有可能的选择。 
在我考虑了所有可能的选择之后， 
我选择价值最高的动作A。 
同样，最小玩家将做同样的事情，但倒退。 
他们还将考虑，他们可能采取的所有行动是什么
该轮到他们了吗？ 
他们将选择最小的动作A 
所有选项的可能值。 
他们知道所有选项的最小可能值的方式是
是考虑最大的玩家会做什么， 

Spanish: 
 el valor más alto del valor mínimo del resultado de S y A. Entonces, ¿qué significa eso? 
 Bueno, significa que quiero hacer la opción que me da 
 El puntaje más alto de todas las acciones, A. 
 ¿Pero qué puntaje va a tener? 
 Para calcular eso, necesito saber cuál es mi oponente, el jugador mínimo, 
 va a hacer si intentan minimizar el valor del estado que resulta. 
 Entonces decimos, qué estado resulta después de tomar esta acción, 
 y qué sucede cuando el jugador mínimo intenta 
 para minimizar el valor de ese estado? 
 Lo considero para todas mis posibles opciones. 
 Y después de considerar eso para todas mis opciones posibles, 
 Elijo la acción, A, que tiene el valor más alto. 
 Del mismo modo, el jugador mínimo va a hacer lo mismo, pero al revés. 
 También van a considerar cuáles son todas las acciones posibles que 
 puede tomar si es su turno? 
 Y van a elegir la acción, A, que tiene la más pequeña 
 posible valor de todas las opciones. 
 Y la forma en que saben cuál es el valor más pequeño posible de todas las opciones, 
 es considerando lo que hará el jugador máximo, 

Chinese: 
 S和A的結果的最小值的最大值。那是什麼意思？ 
好吧，這意味著我要做出給我的選擇
在所有動作中得分最高，A。 
但是那會有什麼分數呢？ 
要計算這一點，我需要知道我的對手，最小玩家， 
如果他們試圖使結果狀態的值最小化，那將要做。 
所以我們說，我採取此行動後會產生什麼狀態， 
以及最小玩家嘗試時會發生什麼
最小化那個狀態的價值？ 
我認為這是我所有可能的選擇。 
在我考慮了所有可能的選擇之後， 
我選擇價值最高的動作A。 
同樣，最小玩家將做同樣的事情，但倒退。 
他們還將考慮，他們可能採取的所有行動是什麼
該輪到他們了嗎？ 
他們將選擇最小的動作A 
所有選項的可能值。 
他們知道所有選項的最小可能值的方式是
是考慮最大的玩家會做什麼， 

Dutch: 
 de hoogste waarde van min waarde van resultaat van S en A. Dus wat betekent dat? 
 Nou, het betekent dat ik de optie wil maken die mij geeft 
 de hoogste score van alle acties, A. 
 Maar wat gaat dat opleveren? 
 Om dat te berekenen, moet ik weten wat mijn tegenstander, de minispeler, 
 gaat doen als ze proberen de waarde van de resulterende staat te minimaliseren. 
 Dus we zeggen, welke status resulteert nadat ik deze actie heb ondernomen, 
 en wat er gebeurt als de min-speler het probeert 
 om de waarde van die staat te minimaliseren? 
 Ik overweeg dat voor al mijn mogelijke opties. 
 En nadat ik dat voor al mijn mogelijke opties heb overwogen, 
 Ik kies de actie, A, die de hoogste waarde heeft. 
 Evenzo gaat de min-speler hetzelfde doen, maar achteruit. 
 Ze gaan ook overwegen, wat zijn alle mogelijke acties die ze ondernemen 
 kunnen nemen als het hun beurt is? 
 En ze gaan de actie kiezen, A, die de kleinste heeft 
 mogelijke waarde van alle opties. 
 En de manier waarop ze weten wat de kleinst mogelijke waarde is van alle opties, 
 is door na te denken over wat de maximale speler gaat doen, 

Spanish: 
 al decir, cuál es el resultado de aplicar esta acción al estado actual, 
 y luego, ¿qué intentaría hacer el jugador máximo? 
 ¿Qué valor calcularía el jugador máximo para ese estado en particular? 
 Entonces todos toman su decisión basándose en tratar de estimar 
 lo que haría la otra persona. 
 Y ahora debemos centrar nuestra atención en estos dos 
 funciones, maxValue y minValue. 
 ¿Cómo se calcula realmente el valor de un estado? 
 si estás tratando de maximizar su valor y cómo 
 calcular el valor de un estado si está tratando de minimizar el valor? 
 Si puede hacer eso, entonces tenemos una implementación completa 
 de este algoritmo Minimax. 
 Entonces probémoslo. 
 Intentemos implementar esta función maxValue 
 que toma un estado y devuelve como salida el valor de ese estado 
 si estoy tratando de maximizar el valor del estado 
 Bueno, lo primero que puedo verificar es ver si el juego ha terminado, 
 porque si el juego ha terminado 
 en otras palabras, si el estado es un estado terminal: 
 entonces esto es fácil. 
 Ya tengo esta función de utilidad que me dice 
 cuál es el valor del tablero. 
 Si el juego termina, solo compruebo, ¿ganó X? 
 ¿O ganó? 

French: 
 en disant, quel est le résultat de l'application de cette action à l'état actuel, 
 et ensuite, qu'est-ce que le joueur max essayerait de faire? 
 Quelle valeur le joueur maximum calculerait-il pour cet état particulier? 
 Donc tout le monde prend sa décision en essayant d'estimer 
 ce que l'autre ferait. 
 Et maintenant, nous devons porter notre attention sur ces deux 
 fonctions, maxValue et minValue. 
 Comment calculez-vous réellement la valeur d'un état 
 si vous essayez de maximiser sa valeur, et comment voulez-vous 
 calculer la valeur d'un état si vous essayez de minimiser la valeur? 
 Si vous pouvez le faire, nous avons une implémentation complète 
 de cet algorithme Minimax. 
 Essayons donc. 
 Essayons d'implémenter cette fonction maxValue 
 qui prend un état et renvoie en sortie la valeur de cet état 
 si j'essaye de maximiser la valeur de l'état. 
 Eh bien, la première chose que je peux vérifier est de voir si le jeu est terminé, 
 parce que si le jeu est terminé ... 
 en d'autres termes, si l'état est un état terminal-- 
 alors c'est facile. 
 J'ai déjà cette fonction utilitaire qui me dit 
 quelle est la valeur du conseil. 
 Si le jeu est terminé, je vérifie simplement si X a gagné? 
 O a-t-il gagné? 

Hindi: 
 यह कहते हुए कि, इस कार्रवाई को वर्तमान स्थिति में लागू करने का क्या परिणाम है, 
 और फिर, अधिकतम खिलाड़ी क्या करने की कोशिश करेगा? 
 उस विशेष राज्य के लिए अधिकतम खिलाड़ी किस मूल्य की गणना करेगा? 
 इसलिए हर कोई अनुमान लगाने की कोशिश के आधार पर अपना निर्णय लेता है 
 दूसरा व्यक्ति क्या करेगा। 
 और अब हमें अपना ध्यान इन दोनों की ओर मोड़ने की जरूरत है 
 फ़ंक्शंस, मैक्सवेल और मिनवैल्यू। 
 आप वास्तव में किसी राज्य के मूल्य की गणना कैसे करते हैं 
 यदि आप इसके मूल्य को अधिकतम करने की कोशिश कर रहे हैं, और आप कैसे करते हैं 
 यदि आप मूल्य को कम करने की कोशिश कर रहे हैं तो एक राज्य के मूल्य की गणना करें? 
 यदि आप ऐसा कर सकते हैं, तो हमारे पास एक संपूर्ण कार्यान्वयन है 
 इस Minimax एल्गोरिथ्म की। 
 तो चलिए इसे आजमाते हैं। 
 आइए कोशिश करते हैं और इस मैक्सवेल फ़ंक्शन को लागू करते हैं 
 यह एक राज्य लेता है और उस राज्य के मूल्य को आउटपुट के रूप में देता है 
 अगर मैं राज्य के मूल्य को अधिकतम करने की कोशिश कर रहा हूं। 
 ठीक है, पहली चीज जो मैं देख सकता हूं, यह देखने के लिए कि क्या खेल खत्म हो गया है, 
 क्योंकि अगर खेल खत्म हो गया है - 
 दूसरे शब्दों में, यदि राज्य एक टर्मिनल राज्य है - 
 तब यह आसान है। 
 मेरे पास पहले से ही यह उपयोगिता फ़ंक्शन है जो मुझे बताता है 
 बोर्ड का मूल्य क्या है। 
 यदि खेल खत्म हो गया है, तो मैं अभी जांच करता हूं, क्या एक्स जीत गया? 
 क्या O जीत गया? 

Russian: 
 говоря, каков результат применения этого действия к текущему состоянию, 
 а затем, что будет пытаться сделать максимальный игрок? 
 Какое значение рассчитал бы максимальный игрок для этого конкретного состояния? 
 Таким образом, каждый принимает свое решение, основываясь на попытках оценить 
 что бы сделал другой человек. 
 И теперь нам нужно обратить наше внимание на эти два 
 функции, maxValue и minValue. 
 Как вы на самом деле рассчитываете стоимость государства? 
 если вы пытаетесь максимизировать его ценность, и как вы 
 рассчитать значение состояния, если вы пытаетесь минимизировать значение? 
 Если вы можете сделать это, то у нас есть целая реализация 
 этого минимаксного алгоритма. 
 Итак, давайте попробуем это. 
 Давайте попробуем реализовать эту функцию maxValue 
 который принимает состояние и возвращает в качестве выхода значение этого состояния 
 если я пытаюсь максимизировать ценность государства. 
 Ну, первое, что я могу проверить, чтобы увидеть, если игра окончена, 
 потому что если игра окончена 
 другими словами, если состояние является конечным состоянием-- 
 тогда это легко. 
 У меня уже есть эта служебная функция, которая говорит мне 
 какова ценность платы. 
 Если игра окончена, я просто проверяю, победил ли Х? 
 О победил? 

Arabic: 
 بقول ما هي نتيجة تطبيق هذا الإجراء على الحالة الحالية ، 
 ثم ، ماذا سيحاول اللاعب الأقصى القيام به؟ 
 ما القيمة التي سيحسبها اللاعب الأقصى لتلك الحالة المحددة؟ 
 لذلك يتخذ الجميع قرارهم بناءً على محاولة التقدير 
 ما يفعله الشخص الآخر. 
 والآن نحن بحاجة إلى تحويل انتباهنا إلى هذين 
 وظائف ، maxValue و minValue. 
 كيف تحسب بالفعل قيمة الدولة 
 إذا كنت تحاول زيادة قيمته إلى أقصى حد وكيف 
 احسب قيمة الدولة إذا كنت تحاول تقليل القيمة؟ 
 إذا كنت تستطيع أن تفعل ذلك ، لدينا تنفيذ كامل 
 خوارزمية Minimax هذه. 
 لنجربها. 
 دعونا نحاول ونطبق وظيفة maxValue 
 يأخذ حالة ويعود كمخرجات قيمة تلك الحالة 
 إذا كنت أحاول زيادة قيمة الدولة. 
 حسنًا ، أول شيء يمكنني التحقق منه هو معرفة ما إذا كانت اللعبة قد انتهت ، 
 لأنه إذا انتهت اللعبة-- 
 بعبارة أخرى ، إذا كانت الدولة دولة نهائية-- 
 فهذا سهل. 
 لدي بالفعل وظيفة الأداة المساعدة التي تخبرني 
 ما هي قيمة اللوحة. 
 إذا انتهت اللعبة ، أتحقق فقط ، هل فاز X؟ 
 هل ربحت يا؟ 

Chinese: 
通过说，将此操作应用于当前状态会有什么结果， 
然后，最大玩家会尝试做什么？ 
对于该特定状态，最大玩家会计算出什么值？ 
因此，每个人都基于估算来做出决定
另一个人会怎么做。 
现在我们需要将注意力转向这两个
函数maxValue和minValue。 
您如何实际计算状态值
如果您想最大程度地发挥其价值，以及如何
如果要最小化状态的值，请计算状态的值？ 
如果您可以做到，那么我们将提供完整的实施方案
此Minimax算法。 
因此，让我们尝试一下。 
让我们尝试实现此maxValue函数
接受一个状态并返回该状态的值作为输出
如果我试图最大化状态的价值。 
好吧，我要检查的第一件事是看游戏是否结束， 
因为如果游戏结束了
换句话说，如果状态为终极状态- 
那么这很容易。 
我已经有了这个实用程序功能，可以告诉我
董事会的价值是什么。 
如果游戏结束了，我只是检查一下，X赢了吗？ 
 O赢了吗？ 

Japanese: 
このアクションを現在の状態に適用した結果、 
そして、最大プレイヤーは何をしようとするのでしょうか？ 
最大プレーヤーはその特定の状態に対してどのような値を計算しますか？ 
誰もが推定しようとすることに基づいて決定を下します
他の人が何をするか。 
そして今、私たちはこれら二つに注意を向ける必要があります
関数、maxValueおよびminValue。 
どのようにして実際に状態の値を計算しますか
その価値を最大化しようとしているなら、そしてどうやって
値を最小化しようとしている場合、状態の値を計算しますか？ 
それができるなら、私たちは完全な実装を持っています
このMinimaxアルゴリズムの。 
それでは、試してみましょう。 
このmaxValue関数を実装してみましょう
状態を受け取り、その状態の値を出力として返します
州の価値を最大化しようとしている場合。 
さて、最初に確認できるのは、ゲームが終了したかどうかを確認することです。 
ゲームが終わったら
つまり、状態が最終状態の場合、 
これは簡単です。 
私はすでにこのユーティリティ関数を教えてくれます
ボードの価値は何ですか。 
ゲームが終わったら、私はチェックします、Xが勝ったのですか？ 
 O勝った？ 

Italian: 
 dicendo: qual è il risultato dell'applicazione di questa azione allo stato attuale, 
 e poi, cosa avrebbe cercato di fare il max player? 
 Quale valore calcolerebbe il giocatore massimo per quel particolare stato? 
 Quindi ognuno prende la propria decisione basandosi sul tentativo di stimare 
 cosa farebbe l'altra persona. 
 E ora dobbiamo rivolgere la nostra attenzione a questi due 
 funzioni, maxValue e minValue. 
 Come si calcola effettivamente il valore di uno stato? 
 se stai cercando di massimizzare il suo valore e come lo fai 
 calcolare il valore di uno stato se stai cercando di minimizzare il valore? 
 Se riesci a farlo, allora abbiamo un'intera implementazione 
 di questo algoritmo Minimax. 
 Quindi proviamo. 
 Proviamo a implementare questa funzione maxValue 
 che prende uno stato e restituisce come output il valore di quello stato 
 se sto cercando di massimizzare il valore dello stato. 
 Bene, la prima cosa che posso controllare è vedere se il gioco è finito, 
 perché se il gioco è finito ... 
 in altre parole, se lo stato è uno stato terminale-- 
 allora questo è facile. 
 Ho già questa funzione di utilità che mi dice 
 qual è il valore del consiglio di amministrazione. 
 Se il gioco è finito, controllo e X ha vinto? 
 O ha vinto? 

Indonesian: 
 dengan mengatakan, apa hasil dari menerapkan tindakan ini ke keadaan saat ini, 
 dan kemudian, apa yang akan coba dilakukan oleh pemain maks? 
 Nilai apa yang akan dihitung oleh pemain maks untuk kondisi tertentu itu? 
 Jadi, setiap orang membuat keputusan berdasarkan upaya memperkirakan 
 apa yang akan dilakukan orang lain. 
 Dan sekarang kita perlu mengalihkan perhatian kita pada keduanya 
 fungsi, maxValue dan minValue. 
 Bagaimana Anda benar-benar menghitung nilai suatu negara 
 jika Anda mencoba untuk memaksimalkan nilainya, dan bagaimana Anda melakukannya 
 menghitung nilai suatu negara jika Anda mencoba meminimalkan nilainya? 
 Jika Anda dapat melakukannya, maka kami memiliki seluruh implementasi 
 algoritma Minimax ini. 
 Jadi mari kita coba. 
 Mari kita coba dan terapkan fungsi maxValue ini 
 yang mengambil status dan mengembalikan sebagai output nilai dari status itu 
 jika saya mencoba memaksimalkan nilai negara. 
 Nah, hal pertama yang bisa saya periksa adalah untuk melihat apakah permainan sudah selesai, 
 karena jika permainan selesai - 
 dengan kata lain, jika negara adalah terminal state-- 
 maka ini mudah. 
 Saya sudah memiliki fungsi utilitas yang memberi tahu saya 
 berapa nilai papan itu. 
 Jika permainan selesai, saya hanya memeriksa, apakah X menang? 
 Apakah O menang? 

German: 
 indem Sie sagen, was ist das Ergebnis der Anwendung dieser Aktion auf den aktuellen Status? 
 und was würde der maximale Spieler dann versuchen zu tun? 
 Welchen Wert würde der maximale Spieler für diesen bestimmten Zustand berechnen? 
 Jeder trifft seine Entscheidung auf der Grundlage des Schätzversuchs 
 was die andere Person tun würde. 
 Und jetzt müssen wir unsere Aufmerksamkeit auf diese beiden richten 
 Funktionen, maxValue und minValue. 
 Wie berechnet man eigentlich den Wert eines Staates? 
 Wenn Sie versuchen, den Wert zu maximieren, und wie geht es Ihnen? 
 Berechnen Sie den Wert eines Zustands, wenn Sie versuchen, den Wert zu minimieren? 
 Wenn Sie das können, haben wir eine komplette Implementierung 
 dieses Minimax-Algorithmus. 
 Also lass es uns versuchen. 
 Versuchen wir, diese maxValue-Funktion zu implementieren 
 das nimmt einen Zustand an und gibt als Ausgabe den Wert dieses Zustands zurück 
 wenn ich versuche, den Wert des Staates zu maximieren. 
 Nun, das erste, worauf ich achten kann, ist zu sehen, ob das Spiel vorbei ist. 
 denn wenn das Spiel vorbei ist-- 
 mit anderen Worten, wenn der Zustand ein Endzustand ist - 
 dann ist das einfach. 
 Ich habe bereits diese Dienstprogrammfunktion, die mir sagt 
 Was ist der Wert der Tafel. 
 Wenn das Spiel vorbei ist, überprüfe ich nur, hat X gewonnen? 
 Hat O gewonnen? 

Portuguese: 
 dizendo, qual é o resultado da aplicação dessa ação ao estado atual, 
 e então, o que o jogador máximo tentaria fazer? 
 Qual valor o jogador máximo calcularia para esse estado em particular? 
 Então, todo mundo toma sua decisão com base na tentativa de estimar 
 o que a outra pessoa faria. 
 E agora precisamos voltar nossa atenção para esses dois 
 funções, maxValue e minValue. 
 Como você realmente calcula o valor de um estado 
 se você está tentando maximizar seu valor, e como você 
 calcular o valor de um estado se você estiver tentando minimizar o valor? 
 Se você pode fazer isso, temos uma implementação inteira 
 deste algoritmo Minimax. 
 Então, vamos tentar. 
 Vamos tentar implementar esta função maxValue 
 que assume um estado e retorna como saída o valor desse estado 
 se estou tentando maximizar o valor do estado. 
 Bem, a primeira coisa que posso verificar é ver se o jogo acabou, 
 porque se o jogo acabar-- 
 em outras palavras, se o estado for um terminal state-- 
 então isso é fácil. 
 Eu já tenho essa função utilitária que me diz 
 qual é o valor do conselho? 
 Se o jogo acabou, eu apenas verifiquei, X venceu? 
 O venceu? 

Chinese: 
通過說，將此操作應用於當前狀態會有什麼結果， 
然後，最大玩家會嘗試做什麼？ 
對於該特定狀態，最大玩家會計算出什麼值？ 
因此，每個人都基於嘗試估算來做出決定
另一個人會怎麼做。 
現在我們需要將注意力轉向這兩個
函數maxValue和minValue。 
您如何實際計算狀態值
如果您想最大程度地發揮其價值，以及如何
如果要最小化狀態的值，請計算狀態的值？ 
如果您可以做到，那麼我們將提供完整的實施方案
此Minimax算法。 
因此，讓我們嘗試一下。 
讓我們嘗試實現此maxValue函數
接受一個狀態並返回該狀態的值作為輸出
如果我試圖最大化狀態的價值。 
好吧，我要檢查的第一件事是看遊戲是否結束， 
因為如果遊戲結束了
換句話說，如果狀態是終極狀態- 
那麼這很容易。 
我已經有了這個實用程序功能，可以告訴我
董事會的價值是什麼。 
如果遊戲結束，我只是檢查一下，X贏了嗎？ 
 O贏了嗎？ 

Turkish: 
 diyerek, bu eylemin mevcut duruma uygulanmasının sonucu nedir, 
 ve sonra, maksimum oyuncu ne yapmaya çalışır? 
 Maksimum oyuncu bu belirli durum için hangi değeri hesaplar? 
 Böylece herkes karar vermeye çalışıyor 
 diğer kişinin ne yapacağı. 
 Ve şimdi dikkatimizi bu ikisine çevirmeliyiz 
 fonksiyonlar, maxValue ve minValue. 
 Bir devletin değerini gerçekten nasıl hesaplıyorsunuz? 
 değerini en üst düzeye çıkarmaya çalışıyorsanız ve nasıl 
 değeri en aza indirmeye çalışıyorsanız bir durumun değerini hesaplamak? 
 Bunu yapabilirseniz, tüm bir uygulamaya sahibiz 
 Bu Minimax algoritmasının 
 Hadi deneyelim. 
 Bu maxValue işlevini deneyip uygulayalım 
 bir durum alır ve bu durumun değerini çıktı olarak döndürür 
 devletin değerini en üst düzeye çıkarmaya çalışıyorsam. 
 Kontrol edebileceğim ilk şey oyunun bitip bitmediğini görmek, 
 çünkü oyun biterse-- 
 diğer bir deyişle, eğer devlet bir terminal devletse-- 
 o zaman bu kolaydır. 
 Bana söyleyen bu yardımcı program zaten var 
 Kurulun değeri nedir. 
 Oyun biterse, sadece kontrol ettim, X kazandı mı? 
 O kazandı mı? 

Korean: 
 이 조치를 현재 상태에 적용한 결과는 무엇입니까? 
 그렇다면 최대 플레이어는 무엇을하려고합니까? 
 최대 플레이어는 특정 상태에 대해 어떤 가치를 계산합니까? 
 따라서 모든 사람은 추정하려고 노력하여 결정합니다 
 다른 사람이하는 일 
 이제 우리는이 두 가지에주의를 기울여야합니다 
 함수, maxValue 및 minValue. 
 실제로 국가의 가치를 어떻게 계산합니까 
 가치를 극대화하려는 경우 어떻게해야합니까 
 값을 최소화하려는 경우 상태 값을 계산 하시겠습니까? 
 그렇게 할 수 있다면 전체 구현이 있습니다 
 이 Minimax 알고리즘의 
 시도해 봅시다. 
 이 maxValue 함수를 시도하고 구현해 봅시다 
 상태를 가져 와서 해당 상태의 값을 출력으로 반환합니다. 
 내가 국가의 가치를 극대화하려고한다면. 
 가장 먼저 확인할 수있는 것은 게임이 끝났는지 확인하는 것입니다. 
 게임이 끝나면 
 다시 말해서, 상태가 터미널 상태라면 
 그렇다면 이것은 쉽습니다. 
 나는 이미이 유틸리티 기능을 가지고 있습니다. 
 보드의 가치는 무엇인가. 
 게임이 끝나면 X를 이겼습니까? 
 O 이겼어? 

English: 
by saying, what's the result of applying this action to the current state,
and then, what would the max player try to do?
What value would the max player calculate for that particular state?
So everyone makes their decision based on trying to estimate
what the other person would do.
And now we need to turn our attention to these two
functions, maxValue and minValue.
How do you actually calculate the value of a state
if you're trying to maximize its value, and how do you
calculate the value of a state if you're trying to minimize the value?
If you can do that, then we have an entire implementation
of this Minimax algorithm.
So let's try it.
Let's try and implement this maxValue function
that takes a state and returns as output the value of that state
if I'm trying to maximize the value of the state.
Well, the first thing I can check for is to see if the game is over,
because if the game is over--
in other words, if the state is a terminal state--
then this is easy.
I already have this utility function that tells me
what the value of the board is.
If the game is over, I just check, did X win?
Did O win?

Modern Greek (1453-): 
 λέγοντας, ποιο είναι το αποτέλεσμα της εφαρμογής αυτής της ενέργειας στην τρέχουσα κατάσταση, 
 και τότε, τι θα προσπαθούσε να κάνει ο μέγιστος παίκτης; 
 Ποια τιμή θα υπολογίσει ο μέγιστος παίκτης για τη συγκεκριμένη κατάσταση; 
 Έτσι ο καθένας παίρνει την απόφασή του με βάση την προσπάθεια εκτίμησης 
 τι θα έκανε το άλλο άτομο. 
 Και τώρα πρέπει να στρέψουμε την προσοχή μας σε αυτά τα δύο 
 συναρτήσεις, maxValue και minValue. 
 Πώς υπολογίζετε πραγματικά την τιμή μιας κατάστασης 
 αν προσπαθείτε να μεγιστοποιήσετε την αξία του και πώς το κάνετε 
 υπολογίστε την τιμή μιας κατάστασης εάν προσπαθείτε να ελαχιστοποιήσετε την τιμή; 
 Εάν μπορείτε να το κάνετε αυτό, τότε έχουμε μια ολόκληρη εφαρμογή 
 αυτού του αλγορίθμου Minimax. 
 Ας το δοκιμάσουμε λοιπόν. 
 Ας προσπαθήσουμε να εφαρμόσουμε αυτήν τη συνάρτηση maxValue 
 που παίρνει μια κατάσταση και επιστρέφει ως έξοδο την τιμή αυτής της κατάστασης 
 αν προσπαθώ να μεγιστοποιήσω την αξία της πολιτείας. 
 Λοιπόν, το πρώτο πράγμα που μπορώ να ελέγξω είναι να δω αν το παιχνίδι τελείωσε, 
 γιατί αν το παιχνίδι τελειώσει-- 
 με άλλα λόγια, εάν το κράτος είναι κατάσταση τερματικού-- 
 τότε αυτό είναι εύκολο. 
 Έχω ήδη αυτή τη λειτουργία χρησιμότητας που μου λέει 
 ποια είναι η αξία του διοικητικού συμβουλίου. 
 Αν το παιχνίδι τελείωσε, απλώς έλεγξα, κέρδισε ο Χ; 
 Νίκησε ο O; 

Dutch: 
 door te zeggen, wat is het resultaat van het toepassen van deze actie op de huidige staat, 
 en wat zou de max-speler dan proberen te doen? 
 Welke waarde zou de maximale speler voor die specifieke staat berekenen? 
 Dus iedereen neemt zijn beslissing op basis van proberen te schatten 
 wat de andere persoon zou doen. 
 En nu moeten we onze aandacht op deze twee richten 
 functies, maxValue en minValue. 
 Hoe bereken je de waarde van een staat eigenlijk? 
 als u probeert de waarde ervan te maximaliseren, en hoe gaat het met u 
 de waarde van een staat berekenen als u de waarde probeert te minimaliseren? 
 Kunt u dat, dan hebben we een hele implementatie 
 van dit Minimax-algoritme. 
 Dus laten we het proberen. 
 Laten we proberen deze maxValue-functie te implementeren 
 die een toestand aanneemt en als output de waarde van die toestand teruggeeft 
 als ik de waarde van de staat probeer te maximaliseren. 
 Nou, het eerste waar ik naar kan kijken is om te zien of het spel voorbij is, 
 want als het spel voorbij is-- 
 met andere woorden, als de toestand een terminale toestand is-- 
 dan is dit gemakkelijk. 
 Ik heb al deze hulpprogramma-functie die me vertelt 
 wat de waarde van het bord is. 
 Als het spel voorbij is, controleer ik, heeft X gewonnen? 
 Heeft O gewonnen? 

Spanish: 
 ¿Es eso un empate? 
 Y la función de utilidad simplemente sabe cuál es el valor del estado. 
 Lo más complicado es que si el juego no ha terminado, 
 porque entonces necesito hacer este razonamiento recursivo sobre pensar, 
 ¿Qué va a hacer mi oponente en el próximo movimiento? 
 Entonces quiero calcular el valor de este estado, 
 y quiero que el valor del estado sea lo más alto posible. 
 Y haré un seguimiento de ese valor en una variable llamada v. 
 Y si quiero que el valor sea lo más alto posible, 
 Necesito darle a v un valor inicial. 
 E inicialmente, seguiré adelante y lo configuraré lo más bajo posible, 
 porque todavía no sé qué opciones tengo disponibles. 
 Inicialmente, estableceré v igual a infinito negativo, que 
 parece un poco extraño, pero la idea aquí 
 es decir, quiero que el valor inicialmente sea lo más bajo posible, 
 porque mientras considero mis acciones, siempre estoy 
 voy a intentar hacerlo mejor que v. Y si configuro v en infinito negativo, 
 Sé que siempre puedo hacerlo mejor que eso. 
 Entonces ahora considero mis acciones. 
 Y esto va a ser una especie de bucle, 

Portuguese: 
 Isso é um empate? 
 E a função utilidade apenas sabe qual é o valor do estado. 
 O mais difícil é que, se o jogo não terminar, 
 porque então eu preciso fazer esse raciocínio recursivo sobre pensar, 
 o que meu oponente vai fazer na próxima jogada? 
 Então eu quero calcular o valor desse estado, 
 e quero que o valor do estado seja o mais alto possível. 
 E vou acompanhar esse valor em uma variável chamada v. 
 E se eu quiser que o valor seja o mais alto possível, 
 Eu preciso dar a v um valor inicial. 
 E, inicialmente, vou seguir em frente e definir o mais baixo possível, 
 porque ainda não sei quais opções estão disponíveis para mim. 
 Então, inicialmente, vou definir v igual ao infinito negativo, que 
 parece um pouco estranho, mas a ideia aqui 
 é, quero que o valor seja o mais baixo possível, 
 porque, ao considerar minhas ações, estou sempre 
 vou tentar fazer melhor que v. E se eu definir v como infinito negativo, 
 Eu sei que sempre posso fazer melhor que isso. 
 Então agora eu considero minhas ações. 
 E isso vai ser algum tipo de loop, 

Hindi: 
 क्या वह टाई है? 
 और उपयोगिता फ़ंक्शन सिर्फ इतना जानता है कि राज्य का मूल्य क्या है। 
 खेल खत्म नहीं होने पर क्या मुश्किल है, 
 क्योंकि तब मुझे सोचने के बारे में इस पुनरावर्ती तर्क को करने की आवश्यकता है, 
 मेरे प्रतिद्वंद्वी अगले कदम पर क्या करने जा रहे हैं? 
 फिर मैं इस राज्य के मूल्य की गणना करना चाहता हूं, 
 और मैं चाहता हूं कि राज्य का मूल्य जितना संभव हो सके। 
 और मैं v नामक चर में उस मान का ट्रैक रखूँगा। 
 और अगर मैं चाहता हूं कि मूल्य जितना संभव हो सके, 
 मुझे वी को एक प्रारंभिक मूल्य देने की आवश्यकता है। 
 और शुरू में, मैं बस आगे बढ़ूंगा और इसे जितना संभव हो उतना कम सेट करूंगा, 
 क्योंकि मुझे नहीं पता कि मेरे लिए क्या विकल्प उपलब्ध हैं। 
 तो शुरू में, मैं v को नकारात्मक अनंत के बराबर सेट करूँगा, जो 
 थोड़ा अजीब लगता है, लेकिन यहाँ विचार 
 मैं चाहता हूं कि मूल्य शुरू में जितना संभव हो उतना कम हो, 
 क्योंकि मैं अपने कार्यों पर विचार करता हूं, मैं हमेशा से हूं 
 कोशिश करना और v से बेहतर करना। और अगर मैंने v को नकारात्मक अनंतता के लिए सेट कर दिया, 
 मुझे पता है कि मैं हमेशा इससे बेहतर कर सकता हूं। 
 इसलिए अब मैं अपने कार्यों पर विचार करता हूं। 
 और यह किसी प्रकार का पाश होने जा रहा है, 

Japanese: 
ネクタイですか？ 
そして、ユーティリティ関数は状態の値が何であるかを知っています。 
トリッキーなのは、ゲームが終わっていない場合、 
それで私は思考についてこの再帰的な推論をする必要があるので、 
私の対戦相手は次の動きで何をしますか？ 
次に、この状態の値を計算します。 
状態の値をできるだけ高くしたい。 
そして、その値をvという変数で追跡します。 
そして、値をできるだけ高くしたい場合は、 
 vに初期値を指定する必要があります。 
そして、最初は、できるだけ低く設定します。 
利用できるオプションがまだわからないからです。 
したがって、最初に、vを負の無限大に等しく設定します。 
少し奇妙に見えますが、ここの考え方は
つまり、最初はできるだけ低い値にしたいのですが、 
私の行動を考えると、私はいつも
 vよりも上手くやろうとします。vを負の無限大に設定すると、 
私はいつもそれよりもうまくやれることを知っています。 
だから今私は自分の行動を考えます。 
これはある種のループになります

Indonesian: 
 Apakah itu dasi? 
 Dan fungsi utilitas hanya tahu apa nilai negara. 
 Apa yang lebih sulit adalah jika permainan belum berakhir, 
 karena dengan begitu saya perlu melakukan penalaran berulang tentang berpikir, 
 apa yang lawan saya akan lakukan pada langkah selanjutnya? 
 Maka saya ingin menghitung nilai negara ini, 
 dan saya ingin nilai negara setinggi mungkin. 
 Dan saya akan melacak nilai itu dalam variabel yang disebut v. 
 Dan jika saya ingin nilainya setinggi mungkin, 
 Saya perlu memberikan nilai awal v. 
 Dan pada awalnya, saya hanya akan melanjutkan dan mengaturnya serendah mungkin, 
 karena saya belum tahu opsi apa yang tersedia untuk saya. 
 Jadi awalnya, saya akan menetapkan v sama dengan infinity negatif, yang 
 sepertinya sedikit aneh, tapi idenya di sini 
 adalah, saya ingin nilai awalnya serendah mungkin, 
 karena ketika saya mempertimbangkan tindakan saya, saya selalu 
 akan mencoba dan melakukan lebih baik daripada v. Dan jika saya mengatur v ke infinity negatif, 
 Saya tahu saya selalu bisa melakukan lebih baik dari itu. 
 Jadi sekarang saya mempertimbangkan tindakan saya. 
 Dan ini akan menjadi semacam lingkaran, 

Arabic: 
 هل هذا ربطة عنق؟ 
 ووظيفة الأداة تعرف فقط ما هي قيمة الدولة. 
 الأمر الأكثر صعوبة هو أنه إذا لم تنتهي اللعبة ، 
 لأنه عندها أحتاج إلى القيام بهذا التفكير التعاودي حول التفكير ، 
 ماذا سيفعل خصمي في الخطوة التالية؟ 
 ثم أريد أن أحسب قيمة هذه الحالة ، 
 وأريد أن تكون قيمة الدولة عالية قدر الإمكان. 
 وسأتابع هذه القيمة في متغير يسمى v. 
 وإذا أردت أن تكون القيمة عالية قدر الإمكان ، 
 أحتاج إلى إعطاء v قيمة أولية. 
 وفي البداية ، سوف أمضي قدمًا وأضعها في أدنى مستوى ممكن ، 
 لأنني لا أعرف الخيارات المتاحة لي حتى الآن. 
 لذا في البداية ، سأضع v مساوية لللامتناهي السلبي ، أي 
 تبدو غريبة بعض الشيء ، لكن الفكرة هنا 
 هو ، أريد أن تكون القيمة مبدئيًا عند أدنى مستوى ممكن ، 
 لأنني عندما أفكر في أفعالي ، أنا دائمًا 
 سأحاول أن أفعل أفضل من v. وإذا قمت بتعيين v إلى اللانهاية السلبية ، 
 أعلم أنه يمكنني دائمًا القيام بعمل أفضل من ذلك. 
 حتى الآن أنا أعتبر أفعالي. 
 وهذه ستكون حلقة من نوع ما ، 

Chinese: 
那是领带吗？ 
效用函数只知道状态的值是什么。 
更棘手的是，如果游戏还没有结束， 
因为那时我需要对思维进行这种递归推理， 
我的对手下一步将做什么？ 
然后我要计算此状态的值， 
我希望国家的价值尽可能高。 
我将在名为v的变量中跟踪该值。 
如果我希望价值尽可能高， 
我需要给v一个初始值。 
首先，我将其设置为尽可能低， 
因为我还不知道我可以使用哪些选项。 
所以最初，我将v设置为负无穷大
似乎有点奇怪，但是这里的想法
是，我希望最初的值尽可能低， 
因为当我考虑自己的行为时，我总是
会尝试比v做得更好。如果我将v设置为负无穷大， 
我知道我总是可以做得更好。 
所以现在我考虑我的行动。 
这将是某种循环， 

Chinese: 
那是領帶嗎？ 
效用函數只知道狀態的值是什麼。 
更棘手的是，如果遊戲還沒有結束， 
因為那時我需要對思維進行這種遞歸推理， 
我的對手下一步將做什麼？ 
然後我要計算此狀態的值， 
我希望國家的價值盡可能高。 
我將在名為v的變量中跟踪該值。 
如果我希望價值盡可能高， 
我需要給v一個初始值。 
首先，我將其設置為盡可能低， 
因為我還不知道我可以使用哪些選項。 
所以最初，我將v設置為負無窮大
似乎有點奇怪，但是這裡的想法
是，我希望最初的值盡可能低， 
因為當我考慮自己的行為時，我總是
會嘗試比v做得更好。如果我將v設置為負無窮大， 
我知道我總是可以做得更好。 
所以現在我考慮我的行動。 
這將是某種循環， 

Modern Greek (1453-): 
 Είναι ισοπαλία; 
 Και η λειτουργία χρησιμότητας ξέρει ακριβώς ποια είναι η τιμή της κατάστασης. 
 Αυτό που είναι πιο δύσκολο είναι εάν το παιχνίδι δεν τελειώσει, 
 γιατί τότε πρέπει να κάνω αυτόν τον αναδρομικό συλλογισμό για τη σκέψη, 
 τι θα κάνει ο αντίπαλός μου στην επόμενη κίνηση; 
 Τότε θέλω να υπολογίσω την αξία αυτής της κατάστασης, 
 και θέλω η αξία του κράτους να είναι όσο το δυνατόν υψηλότερη. 
 Και θα παρακολουθώ αυτήν την τιμή σε μια μεταβλητή που ονομάζεται v. 
 Και αν θέλω η τιμή να είναι όσο το δυνατόν μεγαλύτερη, 
 Πρέπει να δώσω v μια αρχική τιμή. 
 Και αρχικά, απλά θα προχωρήσω και θα το κάνω να είναι όσο το δυνατόν χαμηλότερο, 
 γιατί δεν ξέρω ποιες επιλογές είναι διαθέσιμες ακόμη. 
 Έτσι αρχικά, θα ορίσω το v ίσο με το αρνητικό άπειρο, το οποίο 
 φαίνεται λίγο περίεργο, αλλά η ιδέα εδώ 
 είναι, θέλω αρχικά η τιμή να είναι όσο το δυνατόν χαμηλότερη, 
 γιατί καθώς σκέφτομαι τις πράξεις μου, είμαι πάντα 
 θα προσπαθήσω να κάνω καλύτερα από το v. Και αν θέσω το v στο αρνητικό άπειρο, 
 Ξέρω ότι μπορώ πάντα να κάνω καλύτερα από αυτό. 
 Λοιπόν τώρα σκέφτομαι τις ενέργειές μου. 
 Και αυτό θα είναι ένα είδος βρόχου, 

French: 
 C'est une cravate? 
 Et la fonction d'utilité sait juste quelle est la valeur de l'état. 
 Ce qui est plus compliqué, c'est que si le jeu n'est pas terminé, 
 car alors je dois faire ce raisonnement récursif sur la pensée, 
 que va faire mon adversaire au prochain coup? 
 Ensuite, je veux calculer la valeur de cet état, 
 et je veux que la valeur de l'état soit aussi élevée que possible. 
 Et je garderai une trace de cette valeur dans une variable appelée v. 
 Et si je veux que la valeur soit aussi élevée que possible, 
 Je dois donner à v une valeur initiale. 
 Et au début, je vais juste aller de l'avant et le régler le plus bas possible, 
 parce que je ne sais pas encore quelles options me sont disponibles. 
 Donc, initialement, je vais mettre v égal à l'infini négatif, ce qui 
 semble un peu étrange, mais l'idée ici 
 est, je veux que la valeur soit aussi faible que possible au départ, 
 parce que je considère mes actions, je suis toujours 
 va essayer de faire mieux que v. Et si je mets v à l'infini négatif, 
 Je sais que je peux toujours faire mieux que ça. 
 Alors maintenant, je considère mes actions. 
 Et cela va être une sorte de boucle, 

Turkish: 
 Bu bir kravat mı? 
 Fayda fonksiyonu sadece devletin değerinin ne olduğunu bilir. 
 Daha zor olan şey oyun bitmezse, 
 çünkü o zaman düşünme ile ilgili bu yinelemeli akıl yürütmeyi yapmam gerekiyor 
 rakibim bir sonraki hamlede ne yapacak? 
 Sonra bu durumun değerini hesaplamak istiyorum, 
 ve devletin değerinin olabildiğince yüksek olmasını istiyorum. 
 Ve bu değeri v adlı bir değişkende izleyeceğim. 
 Ve değerin olabildiğince yüksek olmasını istersem, 
 V'ye bir başlangıç ​​değeri vermeliyim. 
 Ve başlangıçta, devam edip olabildiğince düşük olacak şekilde ayarlayacağım, 
 çünkü henüz hangi seçeneklerin mevcut olduğunu bilmiyorum. 
 Yani başlangıçta, v'yi negatif sonsuza eşit olarak ayarlayacağım. 
 biraz garip görünüyor, ama buradaki fikir 
 başlangıçta değerin mümkün olduğunca düşük olmasını istiyorum, 
 çünkü eylemlerimi düşündüğümde, her zaman 
 v'den daha iyisini yapmaya çalışacağım. Ve v'yi negatif sonsuza ayarlarsam, 
 Her zaman bundan daha iyisini yapabileceğimi biliyorum. 
 Şimdi eylemlerimi düşünüyorum. 
 Ve bu bir çeşit döngü olacak, 

Italian: 
 È una cravatta? 
 E la funzione di utilità sa solo quale sia il valore dello stato. 
 La cosa più complicata è se il gioco non è finito, 
 perché allora ho bisogno di fare questo ragionamento ricorsivo sul pensare, 
 cosa farà il mio avversario nella prossima mossa? 
 Quindi voglio calcolare il valore di questo stato, 
 e voglio che il valore dello stato sia il più alto possibile. 
 E terrò traccia di quel valore in una variabile chiamata v. 
 E se voglio che il valore sia il più alto possibile, 
 Devo dare a v un valore iniziale. 
 E inizialmente, andrò avanti e lo farò essere il più basso possibile, 
 perché non so quali opzioni sono ancora disponibili per me. 
 Quindi inizialmente imposterò v uguale a infinito negativo, che 
 sembra un po 'strano, ma l'idea qui 
 voglio che il valore inizialmente sia il più basso possibile, 
 perché, considerando le mie azioni, lo sono sempre 
 proverò a fare meglio di v. E se imposto v su infinito negativo, 
 So di poter sempre fare di meglio. 
 Quindi ora considero le mie azioni. 
 E questo sarà una specie di loop, 

German: 
 Ist das ein Unentschieden? 
 Und die Utility-Funktion weiß nur, was der Wert des Staates ist. 
 Was schwieriger ist, ist, wenn das Spiel nicht vorbei ist, 
 denn dann muss ich diese rekursive Argumentation über das Denken machen, 
 Was wird mein Gegner im nächsten Zug tun? 
 Dann möchte ich den Wert dieses Zustands berechnen, 
 und ich möchte, dass der Wert des Staates so hoch wie möglich ist. 
 Und ich werde diesen Wert in einer Variablen namens v verfolgen. 
 Und wenn ich möchte, dass der Wert so hoch wie möglich ist, 
 Ich muss v einen Anfangswert geben. 
 Und anfangs werde ich einfach weitermachen und es so niedrig wie möglich einstellen. 
 weil ich noch nicht weiß, welche Optionen mir zur Verfügung stehen. 
 Also setze ich zunächst v gleich negativ unendlich, was 
 scheint ein bisschen seltsam, aber die Idee hier 
 ist, ich möchte, dass der Wert anfangs so niedrig wie möglich ist, 
 denn wenn ich über meine Handlungen nachdenke, bin ich es immer 
 Ich werde versuchen, es besser zu machen als v. Und wenn ich v auf negative Unendlichkeit setze, 
 Ich weiß, dass ich es immer besser machen kann. 
 Also denke ich jetzt über meine Handlungen nach. 
 Und das wird eine Art Schleife sein, 

Dutch: 
 Is dat een gelijkspel? 
 En de utility-functie weet gewoon wat de waarde van de staat is. 
 Wat lastiger is, is dat het spel nog niet voorbij is, 
 want dan moet ik deze recursieve redenering over denken doen, 
 wat gaat mijn tegenstander doen bij de volgende zet? 
 Dan wil ik de waarde van deze staat berekenen, 
 en ik wil dat de waarde van de staat zo hoog mogelijk is. 
 En ik zal die waarde bijhouden in een variabele genaamd v. 
 En als ik wil dat de waarde zo hoog mogelijk is, 
 Ik moet v een beginwaarde geven. 
 En in eerste instantie zal ik gewoon doorgaan en het zo laag mogelijk instellen, 
 omdat ik nog niet weet welke opties voor mij beschikbaar zijn. 
 Dus in eerste instantie stel ik v gelijk aan negatieve oneindigheid, wat 
 lijkt een beetje vreemd, maar het idee hier 
 is, ik wil dat de waarde in eerste instantie zo laag mogelijk is, 
 want als ik mijn acties overweeg, ben ik altijd 
 proberen het beter te doen dan v. En als ik v op negatieve oneindigheid zet, 
 Ik weet dat ik het altijd beter kan. 
 Dus nu overweeg ik mijn acties. 
 En dit wordt een soort lus, 

Russian: 
 Это галстук? 
 А функция полезности просто знает, каково значение состояния. 
 Что сложнее, если игра не окончена, 
 потому что тогда мне нужно сделать это рекурсивное рассуждение о мышлении, 
 что мой оппонент собирается сделать на следующем ходу? 
 Затем я хочу рассчитать значение этого состояния, 
 и я хочу, чтобы ценность государства была как можно выше. 
 И я буду отслеживать это значение в переменной с именем v. 
 И если я хочу, чтобы значение было как можно выше, 
 Мне нужно дать начальное значение v. 
 И сначала я просто продолжу и установлю его как можно ниже, 
 потому что я еще не знаю, какие варианты доступны для меня. 
 Итак, изначально я установлю v равным отрицательной бесконечности, которая 
 кажется немного странным, но идея здесь 
 Я хочу, чтобы значение изначально было как можно ниже, 
 потому что, как я считаю свои действия, я всегда 
 собираюсь попытаться сделать лучше, чем v. И если я установлю v в отрицательную бесконечность, 
 Я знаю, что всегда могу добиться большего. 
 Так что теперь я рассматриваю свои действия. 
 И это будет какая-то петля, 

English: 
Is that a tie?
And the utility function just knows what the value of the state is.
What's trickier is if the game isn't over,
because then I need to do this recursive reasoning about thinking,
what is my opponent going to do on the next move?
Then I want to calculate the value of this state,
and I want the value of the state to be as high as possible.
And I'll keep track of that value in a variable called v.
And if I want the value to be as high as possible,
I need to give v an initial value.
And initially, I'll just go ahead and set it to be as low as possible,
because I don't know what options are available to me yet.
So initially, I'll set v equal to negative infinity, which
seems a little bit strange, but the idea here
is, I want the value initially to be as low as possible,
because as I consider my actions, I'm always
going to try and do better than v. And if I set v to negative infinity,
I know I can always do better than that.
So now I consider my actions.
And this is going to be some kind of loop,

Korean: 
 넥타이 야? 
 그리고 유틸리티 함수는 상태 값이 무엇인지 알뿐입니다. 
 까다로운 것은 게임이 끝나지 않으면 
 생각에 대한 재귀적인 추론을해야하기 때문입니다. 
 다음 행동에서 상대는 무엇을 할 것인가? 
 그런 다음이 상태의 값을 계산하고 싶습니다. 
 저는 국가의 가치가 가능한 한 높아지 길 바랍니다. 
 그리고 v라는 변수에서 그 값을 추적 할 것입니다. 
 값을 최대한 높이려면 
 v에 초기 값을 주어야합니다. 
 처음에는 가능한 한 낮게 설정하겠습니다. 
 아직 어떤 옵션을 사용할 수 있는지 모르기 때문입니다. 
 처음에는 v를 음의 무한대로 설정하겠습니다. 
 조금 이상해 보이지만 여기 아이디어는 
 처음에 값을 최대한 낮추고 싶습니다. 
 내 행동을 고려할 때 항상 
 v보다 음수를 높이려고합니다. v를 음의 무한대로 설정하면 
 나는 항상 그보다 더 잘할 수 있다는 것을 알고 있습니다. 
 이제 나는 내 행동을 고려합니다. 
 그리고 이것은 일종의 고리가 될 것입니다. 

Japanese: 
ここで、状態のアクションのすべてのアクションについて- 
思い出してください、アクションは私の状態をとる機能です
その状態で使用できるすべての可能なアクションを提供します。 
これらのアクションのそれぞれについて、それをvと比較して、 
はい、vはvとこの式の最大値に等しくなります。 
それで、この表現は何ですか？ 
さて、まずは、行動と状態の結果を取得し、 
そして、その最小値を取得します。 
言い換えれば、私は知りたいとしましょう
その状態から、最小プレーヤーができることは何であるか、 
彼らはスコアを最小化しようとするからです。 
結果として得られるスコアがその状態の最小値であっても、 
それを私の現在の最高値と比較し、それら2つの最大値を選択します。 
価値を最大化しようとしているからです。 
つまり、これらの3行のコードが実行していること
私の可能な行動のすべてを通過し、質問をしている、 
対戦相手がやろうとしていることを踏まえて、スコアを最大化するにはどうすればよいですか？ 

Chinese: 
国家行动中的每项行动在何处- 
回想一下，动作是一种需要我状态的功能
并提供在该状态下可以使用的所有可能操作。 
因此，对于每个动作，我想将其与v进行比较，然后说： 
好吧，v将等于v和该表达式的最大值。 
那么这个表达是什么呢？ 
好吧，首先是获得采取行动和采取行动的结果， 
然后得到那个的最小值。 
换句话说，我想找出
从那个状态来看，最小玩家能做的最好的事， 
因为他们将尝试尽量减少分数。 
因此，无论所得分数是该状态的最小值， 
将其与我目前的最佳价值进行比较，然后选择两者中的最大值， 
因为我正在努力使价值最大化。 
简而言之，这三行代码在做什么
正在经历我所有可能的动作并提出问题， 
考虑到对手要尝试做的事情，我如何最大化得分？ 

English: 
where for every action in actions of state--
recall, actions is a function that takes my state
and gives me all the possible actions that I can use in that state.
So for each one of those actions, I want to compare it to v and say,
all right, v is going to be equal to the maximum of v and this expression.
So what is this expression?
Well, first it is, get the result of taking the action and the state,
and then get the min value of that.
In other words, let's say, I want to find out
from that state what is the best that the min player can do,
because they are going to try and minimize the score.
So whatever the resulting score is of the min value of that state,
compare it to my current best value, and just pick the maximum of those two,
because I am trying to maximize the value.
In short, what these three lines of code are doing
are going through all of my possible actions and asking the question,
how do I maximize the score, given what my opponent is going to try to do?

Korean: 
 국가 행동의 모든 행동을위한 
 행동은 내 상태를 취하는 기능입니다 
 그 상태에서 사용할 수있는 모든 가능한 조치를 제공합니다. 
 각 동작마다 v와 비교하고 말하기를 원합니다. 
 v는 최대 v와이 식과 같습니다. 
 이 표현은 무엇입니까? 
 먼저 행동과 상태를 취한 결과를 얻으십시오. 
 그런 다음 최소값을 얻습니다. 
 다시 말해, 나는 알고 싶다 
 그 상태에서 최소 플레이어가 할 수있는 최선의 일, 
 그들은 점수를 시도하고 최소화하려고하기 때문에. 
 결과 점수가 해당 상태의 최소값 인 경우 
 내 현재 최고 가치와 비교하고 그 두 가지 중 최대치를 선택하십시오. 
 나는 가치를 극대화하려고하기 때문에. 
 간단히 말해이 세 줄의 코드가 수행하는 작업 
 가능한 모든 조치를 취하고 질문을합니다 
 상대방이하려고하는 것을 고려할 때 어떻게 점수를 최대화합니까? 

Dutch: 
 waar voor elke actie in acties van de staat-- 
 herinner me, acties is een functie die mijn staat inneemt 
 en geeft me alle mogelijke acties die ik in die staat kan gebruiken. 
 Dus voor elk van die acties wil ik het vergelijken met v en zeggen: 
 oke, v wordt gelijk aan het maximum van v en deze uitdrukking. 
 Dus wat is deze uitdrukking? 
 Nou, ten eerste, krijg het resultaat van het ondernemen van de actie en de staat, 
 en dan de minimale waarde daarvan krijgen. 
 Met andere woorden, laten we zeggen, ik wil erachter komen 
 vanuit die staat wat het beste is wat de min speler kan doen, 
 omdat ze de score proberen te minimaliseren. 
 Dus wat de resulterende score ook is van de minimale waarde van die staat, 
 vergelijk het met mijn huidige beste waarde en kies gewoon het maximum van die twee, 
 omdat ik de waarde probeer te maximaliseren. 
 Kortom, wat deze drie regels code doen 
 doorloop al mijn mogelijke acties en stel de vraag, 
 hoe kan ik de score maximaliseren, gezien wat mijn tegenstander gaat proberen te doen? 

Spanish: 
 donde para cada acción en acciones de estado 
 recuerda, las acciones son una función que toma mi estado 
 y me da todas las acciones posibles que puedo usar en ese estado. 
 Entonces, para cada una de esas acciones, quiero compararlo con v y decir: 
 Muy bien, v será igual al máximo de v y esta expresión. 
 Entonces, ¿cuál es esta expresión? 
 Bueno, primero es, obtener el resultado de tomar la acción y el estado, 
 y luego obtener el valor mínimo de eso. 
 En otras palabras, digamos, quiero averiguar 
 a partir de ese estado, qué es lo mejor que puede hacer el jugador mínimo, 
 porque van a intentar minimizar el puntaje. 
 Entonces, cualquiera que sea la puntuación resultante del valor mínimo de ese estado, 
 compárelo con mi mejor valor actual y simplemente elija el máximo de esos dos, 
 porque estoy tratando de maximizar el valor 
 En resumen, qué están haciendo estas tres líneas de código 
 están analizando todas mis acciones posibles y haciendo la pregunta, 
 ¿Cómo maximizo el puntaje, dado lo que mi oponente intentará hacer? 

Hindi: 
 जहां राज्य के कार्यों में हर कार्रवाई के लिए-- 
 याद रखें, क्रियाएं एक ऐसा कार्य है जो मेरा राज्य लेता है 
 और मुझे उस राज्य में उपयोग किए जा सकने वाले सभी संभावित कार्य देता है। 
 तो उन कार्यों में से प्रत्येक के लिए, मैं इसे v और कहना चाहता हूँ, 
 सब ठीक है, v अधिकतम v और इस अभिव्यक्ति के बराबर होने जा रहा है। 
 तो यह अभिव्यक्ति क्या है? 
 ठीक है, पहले यह है, कार्रवाई और राज्य लेने का परिणाम मिलता है, 
 और फिर उस का न्यूनतम मूल्य प्राप्त करें। 
 दूसरे शब्दों में, मान लें कि, मैं इसका पता लगाना चाहता हूं 
 उस अवस्था से, जो खिलाड़ी सबसे अच्छा कर सकता है, 
 क्योंकि वे कोशिश कर रहे हैं और स्कोर को कम करने के लिए। 
 तो परिणामी स्कोर जो भी उस राज्य के न्यूनतम मूल्य का है, 
 इसकी तुलना मेरे वर्तमान सर्वोत्तम मूल्य से करें, और बस उन दो में से अधिकतम चुनें, 
 क्योंकि मैं मूल्य को अधिकतम करने की कोशिश कर रहा हूं। 
 संक्षेप में, कोड की ये तीन लाइनें क्या कर रही हैं 
 मेरे सभी संभावित कार्यों से गुजर रहे हैं और सवाल पूछ रहे हैं, 
 मैं स्कोर को अधिकतम कैसे कर सकता हूं, यह देखते हुए कि मेरा प्रतिद्वंद्वी क्या करने की कोशिश करने जा रहा है? 

Turkish: 
 devlet eylemlerindeki her eylem için ... 
 hatırlayın, eylemler benim durumumu alan bir işlevdir 
 ve bu durumda kullanabileceğim tüm olası eylemleri bana veriyor. 
 Bu eylemlerin her biri için v ile karşılaştırmak ve 
 tamam, v, v ve bu ifadenin maksimuma eşit olacaktır. 
 Peki bu ifade nedir? 
 Öncelikle, eylemi ve devleti almanın sonucunu alın, 
 ve sonra bunun min değerini alın. 
 Başka bir deyişle, diyelim ki, öğrenmek istiyorum 
 bu durumdan min. oyuncunun yapabileceği en iyi şey nedir, 
 çünkü skoru en aza indirmeye çalışacaklar. 
 Sonuçta elde edilen puan ne olursa olsun o devletin asgari değeri, 
 mevcut en iyi değerimle karşılaştır ve bu ikisinden maksimumunu seç, 
 çünkü değeri en üst düzeye çıkarmaya çalışıyorum. 
 Kısacası, bu üç kod satırı ne yapıyor 
 tüm olası eylemlerimi yaşıyor ve soruyu soruyorlar, 
 rakibimin yapacağı şey göz önüne alındığında skoru nasıl en üst düzeye çıkarabilirim? 

French: 
 où pour chaque action dans les actions de state-- 
 rappelez-vous, les actions est une fonction qui prend mon état 
 et me donne toutes les actions possibles que je peux utiliser dans cet état. 
 Donc, pour chacune de ces actions, je veux le comparer à v et dire, 
 bien, v va être égal au maximum de v et cette expression. 
 Quelle est donc cette expression? 
 Eh bien, tout d'abord, obtenez le résultat de l'action et de l'état, 
 puis obtenez la valeur minimale de cela. 
 En d'autres termes, disons, je veux savoir 
 à partir de cet état, qu'est-ce que le joueur minimum peut faire de mieux, 
 car ils vont essayer de minimiser le score. 
 Donc, quel que soit le score résultant est de la valeur min de cet état, 
 comparer à ma meilleure valeur actuelle, et choisissez simplement le maximum de ces deux, 
 parce que j'essaie de maximiser la valeur. 
 En bref, ce que font ces trois lignes de code 
 passent par toutes mes actions possibles et posent la question, 
 comment puis-je maximiser le score, compte tenu de ce que mon adversaire va essayer de faire? 

Italian: 
 dove per ogni azione in azioni di stato-- 
 ricordo, le azioni è una funzione che prende il mio stato 
 e mi dà tutte le possibili azioni che posso usare in quello stato. 
 Quindi, per ciascuna di queste azioni, voglio confrontarlo con v e dire, 
 va bene, v sarà uguale al massimo di v e questa espressione. 
 Allora, qual è questa espressione? 
 Bene, prima lo è, ottieni il risultato dell'azione e dello stato, 
 e quindi ottenere il valore minimo di quello. 
 In altre parole, diciamo, voglio scoprirlo 
 da quello stato qual è il meglio che il giocatore minimo può fare, 
 perché proveranno a minimizzare il punteggio. 
 Quindi qualunque sia il punteggio risultante è del valore minimo di quello stato, 
 confrontalo con il mio attuale miglior valore e scegli il massimo di quei due, 
 perché sto cercando di massimizzare il valore. 
 In breve, cosa stanno facendo queste tre righe di codice 
 stanno attraversando tutte le mie possibili azioni e stanno ponendo la domanda, 
 come posso massimizzare il punteggio, visto che cosa proverà a fare il mio avversario? 

Indonesian: 
 di mana untuk setiap tindakan dalam tindakan state-- 
 ingat, tindakan adalah fungsi yang mengambil status saya 
 dan memberi saya semua tindakan yang mungkin bisa saya gunakan dalam keadaan itu. 
 Jadi untuk masing-masing tindakan itu, saya ingin membandingkannya dengan v dan berkata, 
 Baiklah, v akan sama dengan maksimum v dan ungkapan ini. 
 Jadi apa ungkapan ini? 
 Yah, pertama, dapatkan hasil dari mengambil tindakan dan negara, 
 dan kemudian dapatkan nilai min dari itu. 
 Dengan kata lain, katakanlah, saya ingin mencari tahu 
 dari kondisi itu apa yang terbaik yang bisa dilakukan pemain mini, 
 karena mereka akan mencoba dan meminimalkan skor. 
 Jadi, apa pun skor yang dihasilkan adalah dari nilai min negara itu, 
 bandingkan dengan nilai terbaik saya saat ini, dan pilih saja yang terbaik dari keduanya, 
 karena saya berusaha memaksimalkan nilainya. 
 Singkatnya, apa yang dilakukan tiga baris kode ini 
 akan melalui semua tindakan saya yang mungkin dan mengajukan pertanyaan, 
 bagaimana cara memaksimalkan skor, mengingat apa yang akan coba dilakukan lawan saya? 

Chinese: 
國家行動中的每項行動在何處- 
回想一下，動作是一種需要我狀態的功能
並提供在該狀態下可以使用的所有可能操作。 
因此，對於每個動作，我想將其與v進行比較，然後說： 
好吧，v將等於v和該表達式的最大值。 
那麼這個表達是什麼呢？ 
好吧，首先是獲得採取行動和採取行動的結果， 
然後得到那個的最小值。 
換句話說，我想找出
從那個狀態來看，最小玩家能做的最好的事， 
因為他們將嘗試使分數最小化。 
因此，無論所得分數是該狀態的最小值， 
將其與我目前的最佳價值進行比較，然後選擇兩者中的最大值， 
因為我正在努力使價值最大化。 
簡而言之，這三行代碼在做什麼
正在經歷我所有可能的動作並提出問題， 
考慮到對手要嘗試做的事情，我如何最大化得分？ 

Arabic: 
 حيث لكل عمل في تصرفات الدولة-- 
 تذكر أن الأفعال هي وظيفة تأخذ حالتي 
 ويعطيني كل الإجراءات الممكنة التي يمكنني استخدامها في هذه الحالة. 
 لذلك لكل واحد من هذه الإجراءات ، أريد مقارنتها بـ v وأقول ، 
 حسنًا ، v تساوي الحد الأقصى لـ v وهذا التعبير. 
 إذن ما هو هذا التعبير؟ 
 حسنًا ، أولاً ، احصل على نتيجة اتخاذ الإجراء والدولة ، 
 ثم نحصل على القيمة الدنيا لذلك. 
 بعبارة أخرى ، دعنا نقول ، أريد أن أعرف 
 من هذه الحالة ، ما هو أفضل ما يمكن أن يفعله اللاعب الصغير ، 
 لأنهم سوف يحاولون وتقليل النتيجة. 
 لذا مهما كانت النتيجة الناتجة من القيمة الدنيا لتلك الحالة ، 
 قارنته بأفضل قيمتي الحالية ، واختر الحد الأقصى لهذين ، 
 لأنني أحاول زيادة القيمة إلى أقصى حد. 
 باختصار ، ما تفعله هذه الأسطر الثلاثة من التعليمات البرمجية 
 تمر جميع أفعالي المحتملة وتسأل السؤال ، 
 كيف يمكنني زيادة النتيجة إلى أقصى حد ، بالنظر إلى ما سيحاول خصمي القيام به؟ 

Portuguese: 
 onde para cada ação em ações de state-- 
 lembre-se, ações é uma função que leva meu estado 
 e me fornece todas as ações possíveis que posso usar nesse estado. 
 Então, para cada uma dessas ações, eu quero compará-lo com ve dizer: 
 Tudo bem, v será igual ao máximo de ve esta expressão. 
 Então, qual é essa expressão? 
 Bem, primeiro, obtenha o resultado da ação e do estado, 
 e, em seguida, obtenha o valor mínimo disso. 
 Em outras palavras, digamos, eu quero descobrir 
 a partir desse estado, qual é o melhor que o jogador mínimo pode fazer, 
 porque eles tentarão minimizar a pontuação. 
 Portanto, qualquer que seja a pontuação resultante, tenha o valor mínimo desse estado, 
 compare-o com o meu melhor valor atual e escolha o máximo desses dois, 
 porque estou tentando maximizar o valor. 
 Em resumo, o que essas três linhas de código estão fazendo 
 estão passando por todas as minhas ações possíveis e fazendo a pergunta, 
 como maximizar a pontuação, considerando o que meu oponente tentará fazer? 

Modern Greek (1453-): 
 όπου για κάθε δράση σε δράσεις του κράτους-- 
 υπενθύμιση, οι ενέργειες είναι μια λειτουργία που παίρνει την κατάστασή μου 
 και μου δίνει όλες τις πιθανές ενέργειες που μπορώ να χρησιμοποιήσω σε αυτήν την κατάσταση. 
 Έτσι για κάθε μία από αυτές τις ενέργειες, θέλω να το συγκρίνω με το v και να πω, 
 εντάξει, το v θα είναι ίσο με το μέγιστο του v και αυτής της έκφρασης. 
 Ποια είναι λοιπόν αυτή η έκφραση; 
 Λοιπόν, πρώτα είναι, πάρτε το αποτέλεσμα της δράσης και του κράτους, 
 και μετά πάρτε την ελάχιστη τιμή αυτού. 
 Με άλλα λόγια, ας πούμε, θέλω να μάθω 
 από αυτήν την κατάσταση ποιο είναι το καλύτερο που μπορεί να κάνει ο ελάχιστος παίκτης, 
 γιατί πρόκειται να προσπαθήσουν και να ελαχιστοποιήσουν το σκορ. 
 Όποια και αν είναι η βαθμολογία που προκύπτει είναι της ελάχιστης τιμής αυτής της κατάστασης, 
 συγκρίνετέ το με την τρέχουσα καλύτερη τιμή μου και απλώς επιλέξτε το μέγιστο από αυτά τα δύο, 
 γιατί προσπαθώ να μεγιστοποιήσω την τιμή. 
 Εν ολίγοις, τι κάνουν αυτές οι τρεις γραμμές κώδικα 
 περνάω από όλες τις πιθανές ενέργειές μου και κάνω την ερώτηση, 
 Πώς μπορώ να μεγιστοποιήσω το σκορ, δεδομένου του τι θα προσπαθήσει να κάνει ο αντίπαλός μου; 

German: 
 wo für jede Handlung in Handlungen des Staates-- 
 Erinnern Sie sich, Aktionen ist eine Funktion, die meinen Zustand annimmt 
 und gibt mir alle möglichen Aktionen, die ich in diesem Zustand verwenden kann. 
 Für jede dieser Aktionen möchte ich sie mit v vergleichen und sagen: 
 In Ordnung, v wird gleich dem Maximum von v und diesem Ausdruck sein. 
 Was ist dieser Ausdruck? 
 Nun, zuerst ist es das Ergebnis der Aktion und des Staates zu erhalten, 
 und dann den minimalen Wert davon erhalten. 
 Mit anderen Worten, sagen wir, ich möchte es herausfinden 
 aus diesem Zustand, was ist das Beste, was der Min-Spieler tun kann, 
 weil sie versuchen werden, die Punktzahl zu minimieren. 
 Was auch immer die resultierende Punktzahl vom Mindestwert dieses Zustands ist, 
 Vergleichen Sie es mit meinem aktuellen besten Wert und wählen Sie einfach das Maximum dieser beiden aus. 
 weil ich versuche, den Wert zu maximieren. 
 Kurz gesagt, was diese drei Codezeilen tun 
 Ich gehe alle meine möglichen Aktionen durch und stelle die Frage: 
 Wie maximiere ich die Punktzahl, wenn mein Gegner versucht, dies zu tun? 

Russian: 
 где за каждое действие в действиях государства-- 
 напомним, действия это функция, которая принимает мое состояние 
 и дает мне все возможные действия, которые я могу использовать в этом состоянии. 
 Поэтому для каждого из этих действий я хочу сравнить его с v и сказать: 
 хорошо, v будет равен максимуму v и этому выражению. 
 Так что это за выражение? 
 Ну, во-первых, получить результат действия и государства, 
 а затем получить минимальное значение этого. 
 Другими словами, скажем, я хочу выяснить, 
 из этого состояния, что лучшее, что может сделать мин игрок, 
 потому что они собираются попытаться свести к минимуму счет. 
 Таким образом, независимо от того, какой результат будет иметь минимальное значение этого состояния, 
 сравните его с моим текущим лучшим значением и просто выберите максимум из этих двух, 
 потому что я пытаюсь максимизировать ценность. 
 Короче говоря, что делают эти три строки кода 
 проходят через все мои возможные действия и задают вопрос, 
 как я могу максимизировать счет, учитывая, что собирается делать мой оппонент? 

Turkish: 
 Tüm bu döngüden sonra, sadece v dönebilirim, 
 ve şimdi bu belirli durumun değeridir. 
 Ve min oyuncu için, bunun tam tersi, aynı mantık, 
 sadece geriye. 
 Bir durumun minimum değerini hesaplamak için, 
 önce bunun bir terminal durumu olup olmadığını kontrol ederiz. 
 Eğer öyleyse, yardımcı programını iade ederiz. 
 Aksi takdirde, şimdi devletin değerini en aza indirmeye çalışacağız, 
 tüm olası eylemlerim göz önüne alındığında. 
 Yani v için bir başlangıç ​​değerine ihtiyacım var, devletin değeri. 
 Ve başlangıçta, onu sonsuza ayarlayacağım, çünkü her zaman olabileceğini biliyorum 
 sonsuzdan daha az bir şey elde etmek. 
 V ile başlayarak sonsuzluğa eşittir, ilk eylemin 
 Buldum-- 
 bu v değerinden daha düşük olacaktır. 
 Ve sonra aynı şeyi yaparım. 
 tüm olası eylemlerim üzerinde ve her biri için 
 maksimum oyuncu kararını verirken alabileceğimiz sonuçların, 
 minimumunu ve şu anki v değerini alalım. 
 Sonuçta söyledikten ve yapıldıktan sonra v'nin en küçük değerini elde ediyorum, 
 sonra kullanıcıya geri dönüyorum. 
 Yani, aslında, Minimax için sözde kod. 

Indonesian: 
 Setelah seluruh loop ini, saya bisa mengembalikan v, 
 dan itu sekarang nilai dari kondisi khusus itu. 
 Dan untuk pemain min, itu kebalikan dari ini, logika yang sama, 
 hanya mundur. 
 Untuk menghitung nilai minimum suatu negara, 
 pertama kita periksa apakah itu keadaan terminal. 
 Jika ya, kami mengembalikan utilitasnya. 
 Kalau tidak, kita sekarang akan mencoba untuk meminimalkan nilai negara, 
 mengingat semua kemungkinan tindakan saya. 
 Jadi saya perlu nilai awal untuk v, nilai negara. 
 Dan pada awalnya, saya akan mengaturnya hingga tak terbatas, karena saya tahu itu selalu bisa 
 dapatkan sesuatu yang kurang dari tak terbatas. 
 Jadi dengan memulai dengan v sama dengan tak terhingga, saya memastikan bahwa tindakan pertama 
 Saya menemukan-- 
 yang akan lebih kecil dari nilai v ini. 
 Dan kemudian saya melakukan hal yang sama - 
 lingkaran semua tindakan saya yang mungkin, dan untuk masing-masing 
 dari hasil yang bisa kita dapatkan ketika pemain maks membuat keputusan mereka, 
 mari kita ambil yang minimum dan nilai saat ini dari v. 
 Jadi setelah semua dikatakan dan dilakukan saya mendapatkan nilai terkecil dari v, 
 bahwa saya kemudian kembali ke pengguna. 
 Jadi, pada dasarnya, adalah pseudocode untuk Minimax. 

Portuguese: 
 Após todo esse loop, posso retornar v, 
 e esse é agora o valor desse estado em particular. 
 E para o jogador min, é exatamente o oposto disso, a mesma lógica, 
 apenas para trás. 
 Para calcular o valor mínimo de um estado, 
 primeiro, verificamos se é um estado terminal. 
 Se for, retornamos sua utilidade. 
 Caso contrário, agora vamos tentar minimizar o valor do estado, 
 considerando todas as minhas ações possíveis. 
 Então, eu preciso de um valor inicial para v, o valor do estado. 
 E, inicialmente, vou configurá-lo para o infinito, porque sei que sempre pode 
 obtenha algo menos que infinito. 
 Então, começando com v igual a infinito, asseguro-me de que a primeira ação 
 Eu acho-- 
 isso será menor que esse valor de v. 
 E então eu faço a mesma coisa-- 
 loop sobre todas as minhas ações possíveis, e para cada 
 dos resultados que pudemos obter quando o jogador máximo toma sua decisão, 
 vamos usar o mínimo disso e o valor atual de v. 
 Então, depois de tudo dito e feito, recebo o menor valor possível de v, 
 que volto ao usuário. 
 Portanto, esse é o pseudocódigo do Minimax. 

Japanese: 
このループ全体の後、vを返すだけです。 
そして、それは今、その特定の状態の価値です。 
そして、ミニプレーヤーにとっては、これは正反対で、同じロジックです。 
ちょうど後方。 
状態の最小値を計算するには、 
最初に、それが最終状態かどうかを確認します。 
そうであれば、そのユーティリティを返します。 
それ以外の場合は、状態の値を最小化しようとします。 
私の可能な行動のすべてを与えられました。 
状態の値であるvの初期値が必要です。 
最初は無限に設定します
無限よりも少ないものを取得します。 
したがって、vが無限大に等しいことから始めることで、最初のアクションが
見つけた
これはvのこの値よりも小さくなります。 
それから私も同じことをしています
可能なすべてのアクションをループし、それぞれについて
マックスプレイヤーが決断したときに得られる結果の
その最小値と現在のvの値を見てみましょう。 
結局のところ、言われ終わったら、vの可能な最小値を取得します。 
その後、ユーザーに戻ります。 
つまり、これは事実上、Minimaxの疑似コードです。 

Spanish: 
 Después de todo este ciclo, puedo devolver v, 
 y ese es ahora el valor de ese estado en particular. 
 Y para el jugador mínimo, es exactamente lo contrario de esto, la misma lógica, 
 solo al revés. 
 Para calcular el valor mínimo de un estado, 
 Primero comprobamos si es un estado terminal. 
 Si es así, le devolvemos su utilidad. 
 De lo contrario, ahora trataremos de minimizar el valor del estado, 
 dadas todas mis acciones posibles. 
 Entonces necesito un valor inicial para v, el valor del estado. 
 E inicialmente, lo estableceré en infinito, porque sé que siempre puede 
 obtener algo menos que infinito. 
 Entonces, al comenzar con v es igual a infinito, me aseguro de que la primera acción 
 Encuentro-- 
 eso será menor que este valor de v. 
 Y luego hago lo mismo ... 
 recorrer todas mis acciones posibles, y para cada 
 de los resultados que podríamos obtener cuando el jugador máximo toma su decisión, 
 tomemos el mínimo de eso y el valor actual de v. 
 Entonces, después de todo dicho y hecho, obtengo el valor más pequeño posible de v, 
 que luego vuelvo al usuario. 
 De modo que, en efecto, es el pseudocódigo para Minimax. 

Modern Greek (1453-): 
 Μετά από όλο αυτό το βρόχο, μπορώ να επιστρέψω v, 
 και αυτή είναι τώρα η αξία αυτής της συγκεκριμένης κατάστασης. 
 Και για τον παίκτη min, είναι ακριβώς το αντίθετο από αυτό, η ίδια λογική, 
 ακριβώς πίσω. 
 Για να υπολογίσετε την ελάχιστη τιμή μιας κατάστασης, 
 πρώτα ελέγχουμε αν είναι κατάσταση τερματικού. 
 Εάν είναι, επιστρέφουμε τη χρησιμότητά του. 
 Διαφορετικά, θα προσπαθήσουμε τώρα να ελαχιστοποιήσουμε την αξία του κράτους, 
 δεδομένων όλων των πιθανών ενεργειών μου. 
 Επομένως, χρειάζομαι μια αρχική τιμή για το v, την τιμή της κατάστασης. 
 Και αρχικά, θα το θέσω στο άπειρο, γιατί ξέρω ότι μπορεί πάντα 
 πάρτε κάτι λιγότερο από το άπειρο. 
 Ξεκινώντας λοιπόν με το v ισούται με το άπειρο, βεβαιώνω ότι η πρώτη δράση 
 Βρίσκω-- 
 που θα είναι μικρότερη από αυτήν την τιμή του v. 
 Και μετά κάνω το ίδιο πράγμα-- 
 βροχή σε όλες τις πιθανές ενέργειές μου, και για κάθε μία 
 των αποτελεσμάτων που θα μπορούσαμε να πάρουμε όταν ο μέγιστος παίκτης λάβει την απόφασή του, 
 ας πάρουμε το ελάχιστο από αυτό και την τρέχουσα τιμή του v. 
 Έτσι, αφού όλα λέγονται και γίνονται, παίρνω τη μικρότερη δυνατή τιμή του v, 
 ότι στη συνέχεια επιστρέφω στον χρήστη. 
 Έτσι, στην πραγματικότητα, είναι ο ψευδοκώδικας για το Minimax. 

English: 
After this entire loop, I can just return v,
and that is now the value of that particular state.
And for the min player, it's the exact opposite of this, the same logic,
just backwards.
To calculate the minimum value of a state,
first we check if it's a terminal state.
If it is, we return its utility.
Otherwise, we're going to now try to minimize the value of the state,
given all of my possible actions.
So I need an initial value for v, the value of the state.
And initially, I'll set it to infinity, because I know it can always
get something less than infinity.
So by starting with v equals infinity, I make sure that the very first action
I find--
that will be less than this value of v.
And then I do the same thing--
loop over all of my possible actions, and for each
of the results that we could get when the max player makes their decision,
let's take the minimum of that and the current value of v.
So after all is said and done I get the smallest possible value of v,
that I then return back to the user.
So that, in effect, is the pseudocode for Minimax.

Arabic: 
 بعد هذه الحلقة بأكملها ، يمكنني فقط إرجاع v ، 
 وهذه هي الآن قيمة تلك الدولة بالذات. 
 وبالنسبة للاعب الصغير ، فإن العكس هو الصحيح ، نفس المنطق ، 
 الى الوراء فقط. 
 لحساب الحد الأدنى لقيمة الدولة ، 
 أولاً نتحقق مما إذا كانت حالة نهائية. 
 إذا كان الأمر كذلك ، فإننا نعيد فائدته. 
 خلاف ذلك ، سنحاول الآن تقليل قيمة الدولة ، 
 بالنظر إلى كل أفعالي المحتملة. 
 لذا أحتاج إلى قيمة أولية لـ v ، قيمة الدولة. 
 في البداية ، سأضبطه على اللانهاية ، لأنني أعلم أنه يمكن دائمًا 
 الحصول على شيء أقل من اللانهاية. 
 لذا بالبدء بـ v يساوي اللانهاية ، أتأكد من أن الإجراء الأول 
 وجدت-- 
 التي ستكون أقل من قيمة v. 
 ثم أفعل نفس الشيء-- 
 حلقة حول كل أفعالي المحتملة ، ولكل منها 
 من النتائج التي يمكن أن نحصل عليها عندما يتخذ اللاعب الأقصى قراره ، 
 لنأخذ الحد الأدنى من ذلك والقيمة الحالية لـ v. 
 بعد كل ما قيل وفعلت أحصل على أصغر قيمة ممكنة من v ، 
 ثم أعود إلى المستخدم. 
 إذن ، في الواقع ، هو الرمز الزائف لـ Minimax. 

German: 
 Nach dieser gesamten Schleife kann ich einfach v zurückgeben, 
 und das ist jetzt der Wert dieses bestimmten Zustands. 
 Und für den Min-Spieler ist es genau das Gegenteil davon, dieselbe Logik, 
 nur rückwärts. 
 Um den Mindestwert eines Zustands zu berechnen, 
 Zuerst prüfen wir, ob es sich um einen Terminalstatus handelt. 
 Wenn dies der Fall ist, geben wir den Dienstprogramm zurück. 
 Andernfalls werden wir jetzt versuchen, den Wert des Staates zu minimieren. 
 angesichts all meiner möglichen Handlungen. 
 Ich brauche also einen Anfangswert für v, den Wert des Zustands. 
 Und anfangs werde ich es auf unendlich setzen, weil ich weiß, dass es immer kann 
 Holen Sie sich etwas weniger als unendlich. 
 Wenn ich also mit v gleich unendlich beginne, stelle ich sicher, dass die allererste Aktion ausgeführt wird 
 Ich finde-- 
 das ist kleiner als dieser Wert von v. 
 Und dann mache ich das Gleiche ... 
 Schleife über alle meine möglichen Aktionen und für jede 
 von den Ergebnissen, die wir erzielen könnten, wenn der maximale Spieler seine Entscheidung trifft, 
 Nehmen wir das Minimum davon und den aktuellen Wert von v. 
 Nachdem alles gesagt und getan ist, erhalte ich den kleinstmöglichen Wert von v, 
 dass ich dann zurück zum Benutzer kehre. 
 Das ist also praktisch der Pseudocode für Minimax. 

Korean: 
 이 전체 루프 후에 v를 반환하면됩니다. 
 그리고 그것은 이제 그 특정한 상태의 가치입니다. 
 그리고 최소 플레이어에게는 동일한 논리와 정반대입니다. 
 거꾸로. 
 상태의 최소값을 계산하려면 
 먼저 터미널 상태인지 확인합니다. 
 그렇다면 유틸리티를 반환합니다. 
 그렇지 않으면 이제 상태 값을 최소화하려고합니다. 
 가능한 모든 조치를 취했습니다. 
 따라서 상태 값 인 v의 초기 값이 필요합니다. 
 처음에는 무한대로 설정하겠습니다. 
 무한대보다 적은 것을 얻으십시오. 
 따라서 v로 시작하면 무한대가되므로 첫 번째 조치는 
 나는- 
 이는 v의이 값보다 작습니다. 
 그리고 같은 일을합니다 
 가능한 모든 행동을 반복하고 각각에 대해 
 max 플레이어가 결정할 때 얻을 수있는 결과 중 
 그것의 최소값과 v의 현재 값을 취합시다. 
 모든 말을 마치고 v의 가능한 가장 작은 값을 얻습니다. 
 그런 다음 사용자에게 다시 돌아옵니다. 
 사실상 Minimax의 의사 코드입니다. 

Italian: 
 Dopo l'intero ciclo, posso solo restituire v, 
 e questo è ora il valore di quel particolare stato. 
 E per il giocatore minimo, è esattamente l'opposto di questo, la stessa logica, 
 solo al contrario. 
 Per calcolare il valore minimo di uno stato, 
 per prima cosa controlliamo se si tratta di uno stato terminale. 
 Se lo è, restituiamo la sua utilità. 
 Altrimenti, ora proveremo a ridurre al minimo il valore dello stato, 
 date tutte le mie possibili azioni. 
 Quindi ho bisogno di un valore iniziale per v, il valore dello stato. 
 E inizialmente, lo imposterò su infinito, perché so che può sempre 
 ottenere qualcosa di meno dell'infinito. 
 Quindi, iniziando con v è uguale a infinito, mi assicuro che sia la prima azione 
 Io trovo-- 
 che sarà inferiore a questo valore di v. 
 E poi faccio la stessa cosa ... 
 loop su tutte le mie possibili azioni, e per ognuna 
 dei risultati che potremmo ottenere quando il massimo giocatore prende la sua decisione, 
 prendiamo il minimo di quello e il valore corrente di v. 
 Quindi, dopo aver detto e fatto tutto, ottengo il valore più piccolo possibile di v, 
 che poi torno indietro all'utente. 
 Quindi, in effetti, è lo pseudocodice di Minimax. 

Russian: 
 После всего этого цикла я могу просто вернуть v, 
 и это теперь ценность этого конкретного государства. 
 И для минимального игрока, это полная противоположность этому, та же логика, 
 только задом наперед. 
 Чтобы рассчитать минимальное значение состояния, 
 Сначала мы проверим, является ли это терминальным состоянием. 
 Если это так, мы возвращаем его полезность. 
 В противном случае, мы собираемся теперь попытаться минимизировать значение состояния, 
 учитывая все мои возможные действия. 
 Поэтому мне нужно начальное значение для v, значение состояния. 
 И первоначально я установлю его на бесконечность, потому что я знаю, что это всегда может 
 получить что-то меньше, чем бесконечность. 
 Итак, начиная с v, равной бесконечности, я убедился, что самое первое действие 
 Я нахожу-- 
 это будет меньше, чем это значение v. 
 И тогда я делаю то же самое - 
 цикл по всем моим возможным действиям, и для каждого 
 из результатов, которые мы могли бы получить, когда максимальный игрок принимает свое решение, 
 давайте возьмем минимум этого и текущее значение v. 
 Итак, после того как все сказано и сделано, я получаю наименьшее возможное значение v, 
 что я потом вернусь обратно к пользователю. 
 Так что, по сути, это псевдокод для минимакса. 

Dutch: 
 Na deze hele lus kan ik gewoon v retourneren, 
 en dat is nu de waarde van die specifieke staat. 
 En voor de min speler is dit precies het tegenovergestelde hiervan, dezelfde logica, 
 gewoon achteruit. 
 Om de minimumwaarde van een staat te berekenen, 
 eerst controleren we of het een terminale staat is. 
 Als dat zo is, geven we het hulpprogramma terug. 
 Anders gaan we nu proberen de waarde van de staat te minimaliseren, 
 gezien al mijn mogelijke acties. 
 Dus ik heb een beginwaarde nodig voor v, de waarde van de staat. 
 En in eerste instantie zal ik het op oneindig zetten, omdat ik weet dat het altijd kan 
 krijg iets minder dan oneindig. 
 Dus door te beginnen met v is gelijk aan oneindigheid, zorg ik ervoor dat de allereerste actie 
 Ik vind-- 
 dat zal kleiner zijn dan deze waarde van v. 
 En dan doe ik hetzelfde ... 
 loop over al mijn mogelijke acties, en voor elk 
 van de resultaten die we zouden kunnen krijgen wanneer de max speler zijn beslissing neemt, 
 laten we het minimum daarvan en de huidige waarde van v nemen. 
 Dus tenslotte krijg ik de kleinst mogelijke waarde van v, 
 dat ik dan terug ga naar de gebruiker. 
 Dus dat is in feite de pseudocode voor Minimax. 

Chinese: 
在整個循環之後，我可以返回v， 
這就是那個特定狀態的價值。 
對於最小玩家，這是完全相反的邏輯
只是倒退。 
要計算狀態的最小值， 
首先，我們檢查它是否為終端狀態。 
如果是，我們將返回其實用程序。 
否則，我們現在將嘗試最小化狀態的值， 
給出我所有可能的動作。 
所以我需要v的初始值，即狀態的值。 
首先，我將其設置為無窮大，因為我知道它總是可以
得到的東西小於無限。 
因此，以v等於無窮大開始，我確保第一個動作
我發現 - 
會小於v的這個值。 
然後我做同樣的事情
遍歷我所有可能的動作，並針對每個動作
最大玩家做出決定時我們可以獲得的結果
讓我們取其中的最小值和v的當前值。 
說了這麼多以後，我得到了v的最小可能值， 
然後我返回給用戶。 
因此，實際上是Minimax的偽代碼。 

French: 
 Après toute cette boucle, je peux simplement retourner v, 
 et c'est maintenant la valeur de cet état particulier. 
 Et pour le joueur min, c'est exactement le contraire de cela, la même logique, 
 juste en arrière. 
 Pour calculer la valeur minimale d'un état, 
 nous vérifions d'abord s'il s'agit d'un état terminal. 
 Si c'est le cas, nous lui rendons son utilité. 
 Sinon, nous allons maintenant essayer de minimiser la valeur de l'état, 
 étant donné toutes mes actions possibles. 
 J'ai donc besoin d'une valeur initiale pour v, la valeur de l'état. 
 Et au départ, je vais le régler à l'infini, car je sais qu'il peut toujours 
 obtenir quelque chose de moins que l'infini. 
 Donc, en commençant par v est égal à l'infini, je m'assure que la toute première action 
 Je trouve-- 
 ce sera inférieur à cette valeur de v. 
 Et puis je fais la même chose ... 
 boucle sur toutes mes actions possibles, et pour chaque 
 des résultats que nous pourrions obtenir lorsque le joueur max prend sa décision, 
 Prenons le minimum et la valeur actuelle de v. 
 Donc, après tout est dit et fait, j'obtiens la plus petite valeur possible de v, 
 que je retourne ensuite à l'utilisateur. 
 Donc, en fait, c'est le pseudocode pour Minimax. 

Chinese: 
在整个循环之后，我可以返回v， 
这就是那个特定状态的价值。 
对于最小玩家，这是完全相反的逻辑
只是倒退。 
要计算状态的最小值， 
首先，我们检查它是否为终端状态。 
如果是，我们将返回其实用程序。 
否则，我们现在将尝试最小化状态的值， 
给出我所有可能的动作。 
所以我需要v的初始值，即状态的值。 
首先，我将其设置为无穷大，因为我知道它总是可以
得到的东西小于无限。 
因此，以v等于无穷大开始，我确保第一个动作
我发现 - 
会小于v的这个值。 
然后我做同样的事情
遍历我所有可能的动作，并针对每个动作
最大玩家做出决定时我们可以获得的结果
让我们取其中的最小值和v的当前值。 
说了这么多以后，我得到了v的最小可能值， 
然后我返回给用户。 
因此，实际上是Minimax的伪代码。 

Hindi: 
 इस पूरे लूप के बाद, मैं सिर्फ वी वापस कर सकता हूं, 
 और यह अब उस विशेष राज्य का मूल्य है। 
 और मिनी खिलाड़ी के लिए, यह इसके ठीक विपरीत है, एक ही तर्क है, 
 बस पीछे की तरफ। 
 किसी राज्य के न्यूनतम मूल्य की गणना करने के लिए, 
 पहले हम जांचते हैं कि यह टर्मिनल राज्य है या नहीं। 
 यदि यह है, तो हम इसकी उपयोगिता लौटाते हैं। 
 अन्यथा, हम अब राज्य के मूल्य को कम करने की कोशिश कर रहे हैं, 
 मेरे सभी संभावित कार्यों को दिया। 
 इसलिए मुझे v के लिए एक प्रारंभिक मूल्य, राज्य के मूल्य की आवश्यकता है। 
 और शुरू में, मैं इसे अनंत तक सेट करूँगा, क्योंकि मुझे पता है कि यह हमेशा हो सकता है 
 अनंत से कुछ कम मिलता है। 
 तो वी के साथ शुरू करके अनंत के बराबर है, मैं यह सुनिश्चित करता हूं कि बहुत ही पहली कार्रवाई 
 मुझे लगता है-- 
 यह v के मान से कम होगा। 
 और फिर मैं वही काम करता हूं-- 
 मेरे सभी संभावित कार्यों पर और प्रत्येक के लिए लूप 
 परिणाम जब हम प्राप्त कर सकते हैं जब अधिकतम खिलाड़ी अपना निर्णय लेता है, 
 चलो उस के न्यूनतम और v के वर्तमान मूल्य को लेते हैं। 
 इसलिए सभी के बाद कहा जाता है और मुझे v का सबसे छोटा संभव मूल्य मिलता है, 
 फिर मैं उपयोगकर्ता पर वापस लौटता हूं। 
 तो, प्रभाव में, मिनिमैक्स के लिए छद्मकोश है। 

Arabic: 
 هذه هي الطريقة التي نأخذ بها اللعبة ونكتشف ما هي أفضل خطوة نقوم بها 
 بشكل متكرر باستخدام وظائف maxValue و minValue ، حيث 
 مكالمات maxValue minValue ، مكالمات minValue maxValue ، رجوع 
 وإلى الأمام ، على طول الطريق حتى نصل إلى حالة نهائية ، عند هذه النقطة 
 يمكن للخوارزمية لدينا ببساطة إعادة فائدة تلك الحالة بالذات. 
 ما قد تتخيله هو أن هذا يحدث 
 لتبدأ عملية طويلة ، خاصة مع بدء الألعاب 
 للحصول على مزيد من التعقيد ، حيث نبدأ في إضافة المزيد من الحركات والمزيد من الخيارات الممكنة 
 والألعاب التي قد تستمر لفترة أطول قليلاً. 
 لذا فإن السؤال التالي الذي يجب طرحه هو ، ما نوع التحسينات التي يمكننا إجراؤها هنا؟ 
 كيف يمكننا القيام بعمل أفضل من أجل استخدام مساحة أقل 
 أو يستغرق وقتًا أقل للتمكن من حل هذا النوع من المشاكل؟ 
 وسنلقي نظرة على بعض التحسينات الممكنة. 
 ولكن أولاً ، سنلقي نظرة على هذا المثال. 
 مرة أخرى ، ننتقل إلى هذه الأسهم لأعلى ولأسفل. 
 دعونا نتخيل أنني الآن اللاعب الأقصى ، هذا السهم الأخضر. 
 أحاول جعل النتيجة عالية قدر الإمكان. 

Portuguese: 
 É assim que pegamos um jogo e descobrimos qual a melhor jogada a fazer 
 é usando recursivamente essas funções maxValue e minValue, em que 
 maxValue chama minValue, minValue chama maxValue, volta 
 e adiante, até chegarmos a um estado terminal, momento em que 
 nosso algoritmo pode simplesmente retornar a utilidade desse estado específico. 
 O que você pode imaginar é que isso está acontecendo 
 para começar a ser um processo longo, especialmente quando os jogos começam 
 para ficar mais complexo, à medida que começamos a adicionar mais movimentos e mais opções possíveis 
 e jogos que podem durar um pouco mais. 
 Portanto, a próxima pergunta a fazer é: que tipo de otimização podemos fazer aqui? 
 Como podemos fazer melhor para usar menos espaço 
 ou leva menos tempo para resolver esse tipo de problema? 
 E daremos uma olhada em algumas possíveis otimizações. 
 Mas, por um lado, vamos dar uma olhada neste exemplo. 
 Mais uma vez, estamos voltando para essas setas para cima e para baixo. 
 Vamos imaginar que agora sou o jogador máximo, essa seta verde. 
 Estou tentando fazer a pontuação o mais alta possível. 

Spanish: 
 Así es como tomamos un juego y descubrimos cuál es el mejor movimiento para hacer 
 es mediante el uso recursivo de estas funciones maxValue y minValue, donde 
 maxValue llama a minValue, minValue llama a maxValue, atrás 
 y adelante, todo el camino hasta llegar a un estado terminal, en cuyo punto 
 nuestro algoritmo simplemente puede devolver la utilidad de ese estado en particular. 
 Lo que puedes imaginar es que esto va 
 para comenzar a ser un proceso largo, especialmente cuando comienzan los juegos 
 para ser más complejo, a medida que comenzamos a agregar más movimientos y más opciones posibles 
 y juegos que podrían durar bastante más. 
 Entonces, la siguiente pregunta es, ¿qué tipo de optimizaciones podemos hacer aquí? 
 ¿Cómo podemos mejorar para usar menos espacio? 
 o toma menos tiempo para poder resolver este tipo de problema? 
 Y echaremos un vistazo a un par de posibles optimizaciones. 
 Pero por un lado, veremos este ejemplo. 
 Nuevamente, nos estamos volviendo hacia estas flechas hacia arriba y hacia abajo. 
 Imaginemos que ahora soy el jugador máximo, esta flecha verde. 
 Estoy tratando de hacer que el puntaje sea lo más alto posible. 

Dutch: 
 Dat is hoe we een spel nemen en uitzoeken wat de beste zet is om te maken 
 is door recursief gebruik van deze maxValue en minValue functies, waar 
 maxValue-oproepen minValue, minValue-oproepen maxValue, terug 
 en weer helemaal tot we een terminale toestand bereiken, op welk punt 
 ons algoritme kan eenvoudig het nut van die specifieke staat teruggeven. 
 Je zou je kunnen voorstellen dat dit gaat 
 om een ​​lang proces te worden, vooral als games beginnen 
 om complexer te worden, naarmate we meer bewegingen en meer mogelijke opties gaan toevoegen 
 en games die veel langer meegaan. 
 Dus de volgende vraag is: wat voor soort optimalisaties kunnen we hier maken? 
 Hoe kunnen we het beter doen om minder ruimte te gebruiken 
 of minder tijd nemen om dit soort problemen op te lossen? 
 En we zullen een paar mogelijke optimalisaties bekijken. 
 Maar eerst zullen we dit voorbeeld bekijken. 
 Nogmaals, we keren naar deze pijlen omhoog en omlaag. 
 Stel je voor dat ik nu de maximale speler ben, deze groene pijl. 
 Ik probeer de score zo hoog mogelijk te maken. 

French: 
 Voilà comment nous prenons un jeu et découvrons quelle est la meilleure décision à prendre 
 est en utilisant récursivement ces fonctions maxValue et minValue, où 
 maxValue appelle minValue, minValue appelle maxValue, retour 
 d'avant en arrière, jusqu'à ce que nous atteignions un état terminal, à quel point 
 notre algorithme peut simplement retourner l'utilité de cet état particulier. 
 Ce que vous pourriez imaginer, c'est que cela va 
 commencer à être un long processus, surtout lorsque les jeux commencent 
 pour devenir plus complexe, alors que nous commençons à ajouter plus de mouvements et plus d'options possibles 
 et des jeux qui pourraient durer un peu plus longtemps. 
 Donc, la prochaine question à poser est, quel genre d'optimisations pouvons-nous faire ici? 
 Comment faire mieux pour utiliser moins d'espace 
 ou prendre moins de temps pour résoudre ce genre de problème? 
 Et nous allons examiner quelques optimisations possibles. 
 Mais pour commencer, nous allons jeter un œil à cet exemple. 
 Encore une fois, nous nous tournons vers ces flèches vers le haut et vers le bas. 
 Imaginons que je sois maintenant le joueur max, cette flèche verte. 
 J'essaye de faire le score le plus haut possible. 

Japanese: 
それが私たちがゲームを取り、最善の動きを見つける方法です
これらのmaxValueおよびminValue関数を再帰的に使用することにより、 
 maxValueがminValueを呼び出し、minValueがmaxValueを呼び出し、戻る
最終的な状態に到達するまで、その時点で
私たちのアルゴリズムは、単にその特定の状態のユーティリティを返すことができます。 
あなたが想像するかもしれないことは、これが起こっていることです
特にゲームの開始時に、長いプロセスになり始める
より多くの動きと可能なオプションを追加し始めると、より複雑になります
そして、かなり長く続くかもしれないゲーム。 
そこで次に尋ねる質問は、ここでどのような最適化を行うことができるのでしょうか。 
より少ないスペースを使用するために、どうすればより良いことができるでしょうか
または、この種の問題を解決するためにかかる時間を短縮できますか？ 
そして、いくつかの可能な最適化を見ていきます。 
ただし、その1つとして、この例を見てみましょう。 
繰り返しますが、これらの上向き矢印と下向き矢印に目を向けています。 
私が今や最大のプレーヤー、この緑の矢印だと想像してみてください。 
できるだけ高いスコアを目指しています。 

Russian: 
 Вот так мы берем игру и выясняем, какой лучший ход сделать 
 с помощью этих функций maxValue и minValue, где 
 maxValue вызывает minValue, minValue вызывает maxValue, назад 
 и далее, вплоть до конечного состояния, после чего 
 наш алгоритм может просто вернуть полезность этого конкретного состояния. 
 Вы можете себе представить, что это происходит 
 начать долгий процесс, особенно когда игры начинаются 
 чтобы стать более сложным, так как мы начинаем добавлять больше ходов и больше возможных вариантов 
 и игры, которые могут длиться немного дольше. 
 Итак, следующий вопрос, который нужно задать, какую оптимизацию мы можем сделать здесь? 
 Как мы можем сделать лучше, чтобы использовать меньше места 
 или займет меньше времени, чтобы решить эту проблему? 
 И мы рассмотрим пару возможных оптимизаций. 
 Но для начала мы рассмотрим этот пример. 
 Мы снова поворачиваемся к этим стрелкам вверх и вниз. 
 Давайте представим, что я теперь максимальный игрок, эта зеленая стрелка. 
 Я пытаюсь сделать счет как можно выше. 

English: 
That is how we take a game and figure out what the best move to make
is by recursively using these maxValue and minValue functions, where
maxValue calls minValue, minValue calls maxValue, back
and forth, all the way until we reach a terminal state, at which point
our algorithm can simply return the utility of that particular state.
What you might imagine is that this is going
to start to be a long process, especially as games start
to get more complex, as we start to add more moves and more possible options
and games that might last quite a bit longer.
So the next question to ask is, what sort of optimizations can we make here?
How can we do better in order to use less space
or take less time to be able to solve this kind of problem?
And we'll take a look at a couple of possible optimizations.
But for one, we'll take a look at this example.
Again, we're turning to these up arrows and down arrows.
Let's imagine that I now am the max player, this green arrow.
I am trying to make the score as high as possible.

German: 
 So nehmen wir ein Spiel und finden heraus, was der beste Schritt ist 
 ist durch rekursive Verwendung dieser maxValue- und minValue-Funktionen, wobei 
 maxValue ruft minValue auf, minValue ruft maxValue zurück 
 und weiter, bis wir einen Endzustand erreichen, an welchem ​​Punkt 
 Unser Algorithmus kann einfach den Nutzen dieses bestimmten Zustands zurückgeben. 
 Was Sie sich vorstellen können, ist, dass dies geschieht 
 zu beginnen, ein langer Prozess zu sein, besonders wenn Spiele beginnen 
 um komplexer zu werden, wenn wir anfangen, mehr Züge und mehr mögliche Optionen hinzuzufügen 
 und Spiele, die etwas länger dauern könnten. 
 Die nächste Frage ist also, welche Art von Optimierungen können wir hier vornehmen? 
 Wie können wir es besser machen, um weniger Platz zu verbrauchen? 
 oder weniger Zeit brauchen, um diese Art von Problem zu lösen? 
 Und wir werden uns einige mögliche Optimierungen ansehen. 
 Aber zum einen schauen wir uns dieses Beispiel an. 
 Wieder wenden wir uns diesen Aufwärts- und Abwärtspfeilen zu. 
 Stellen wir uns vor, ich bin jetzt der maximale Spieler, dieser grüne Pfeil. 
 Ich versuche, die Punktzahl so hoch wie möglich zu halten. 

Hindi: 
 यही कारण है कि हम एक खेल लेते हैं और यह पता लगाते हैं कि सबसे अच्छा कदम क्या है 
 इन मैक्सवेल और मिनवेल्यू फ़ंक्शंस का उपयोग करके, जहाँ है 
 maxValue minValue, minValue, मैक्सवैल्यू, बैक कहता है 
 और आगे, जब तक हम एक टर्मिनल स्थिति तक नहीं पहुंच जाते, तब तक सभी रास्ते 
 हमारा एल्गोरिथ्म बस उस विशेष राज्य की उपयोगिता को वापस कर सकता है। 
 आप सोच सकते हैं कि यह क्या हो रहा है 
 एक लंबी प्रक्रिया शुरू करने के लिए, विशेष रूप से खेल शुरू होने के रूप में 
 अधिक जटिल होने के लिए, क्योंकि हम अधिक चाल और अधिक संभव विकल्प जोड़ना शुरू करते हैं 
 और खेल जो काफी लंबे समय तक चल सकते हैं। 
 तो अगला सवाल यह है कि हम यहाँ किस प्रकार के अनुकूलन कर सकते हैं? 
 कम जगह का उपयोग करने के लिए हम कैसे बेहतर कर सकते हैं 
 या इस तरह की समस्या को हल करने में सक्षम होने के लिए कम समय लें? 
 और हम संभावित अनुकूलन के एक जोड़े पर एक नज़र डालेंगे। 
 लेकिन एक के लिए, हम इस उदाहरण पर एक नज़र डालेंगे। 
 फिर से, हम इन अप ऐरो और डाउन एरो की ओर मुड़ रहे हैं। 
 आइए कल्पना करें कि मैं अब अधिकतम खिलाड़ी हूं, यह हरा तीर। 
 मैं स्कोर को यथासंभव उच्च बनाने की कोशिश कर रहा हूं। 

Italian: 
 È così che prendiamo un gioco e scopriamo quale sia la mossa migliore da fare 
 è ricorsivamente usando queste funzioni maxValue e minValue, dove 
 maxValue chiama minValue, minValue chiama maxValue, indietro 
 e avanti, fino a quando non raggiungiamo uno stato terminale, a quel punto 
 il nostro algoritmo può semplicemente restituire l'utilità di quel particolare stato. 
 Quello che potresti immaginare è che sta succedendo 
 per iniziare a essere un processo lungo, soprattutto all'inizio dei giochi 
 per diventare più complessi, poiché iniziamo ad aggiungere più mosse e più opzioni possibili 
 e giochi che potrebbero durare un po 'di più. 
 Quindi la prossima domanda da porsi è: che tipo di ottimizzazioni possiamo fare qui? 
 Come possiamo fare di meglio per usare meno spazio 
 o impiegare meno tempo per essere in grado di risolvere questo tipo di problema? 
 E daremo un'occhiata a un paio di possibili ottimizzazioni. 
 Ma per uno, daremo un'occhiata a questo esempio. 
 Ancora una volta, ci stiamo rivolgendo a queste frecce su e giù. 
 Immaginiamo che ora sono il giocatore massimo, questa freccia verde. 
 Sto cercando di ottenere il punteggio più alto possibile. 

Indonesian: 
 Itulah cara kami bermain dan mencari tahu langkah terbaik yang harus dilakukan 
 adalah dengan secara rekursif menggunakan fungsi-fungsi maxValue dan minValue ini, di mana 
 panggilan maxValue minValue, panggilan minValue maxValue, kembali 
 dan seterusnya, sampai kita mencapai keadaan terminal, pada titik mana 
 algoritme kami dapat dengan mudah mengembalikan utilitas kondisi tertentu. 
 Apa yang Anda bayangkan adalah bahwa ini terjadi 
 untuk memulai menjadi proses yang panjang, terutama saat game dimulai 
 untuk menjadi lebih kompleks, saat kami mulai menambahkan lebih banyak gerakan dan lebih banyak opsi yang mungkin 
 dan game yang mungkin bertahan sedikit lebih lama. 
 Jadi pertanyaan berikutnya adalah, optimasi seperti apa yang bisa kita lakukan di sini? 
 Bagaimana kita bisa melakukan yang lebih baik untuk menggunakan lebih sedikit ruang 
 atau membutuhkan waktu lebih sedikit untuk dapat memecahkan masalah seperti ini? 
 Dan kita akan melihat beberapa kemungkinan optimasi. 
 Tetapi untuk satu, kita akan melihat contoh ini. 
 Sekali lagi, kita beralih ke panah atas dan bawah ini. 
 Mari kita bayangkan bahwa saya sekarang adalah pemain maksimal, panah hijau ini. 
 Saya mencoba membuat skor setinggi mungkin. 

Chinese: 
这就是我们进行游戏并找出最有效的举动的方式
通过递归使用这些maxValue和minValue函数，其中
 maxValue调用minValue，minValue调用maxValue，返回
一直到到达终端状态为止
我们的算法可以简单地返回该特定状态的效用。 
您可能会想像的是
开始是一个漫长的过程，尤其是在游戏开始时
变得更加复杂，因为我们开始添加更多的动作和更多可能的选择
以及可能持续较长时间的游戏。 
因此，下一个要问的问题是，我们可以在此处进行哪种优化？ 
我们如何才能更好地利用更少的空间
或花费更少的时间来解决此类问题？ 
我们将研究一些可能的优化。 
但是，对于这一点，我们来看一下这个例子。 
同样，我们将转向这些向上箭头和向下箭头。 
假设我现在是最大的玩家，这个绿色箭头。 
我正在努力使分数尽可能高。 

Modern Greek (1453-): 
 Έτσι κάνουμε ένα παιχνίδι και καταλαβαίνουμε ποια είναι η καλύτερη κίνηση για να κάνουμε 
 χρησιμοποιεί αναδρομικά αυτές τις συναρτήσεις maxValue και minValue, όπου 
 maxValue κλήσεις minValue, minValue κλήσεις maxValue, πίσω 
 και πίσω, μέχρι να φτάσουμε σε μια τερματική κατάσταση, σε αυτό το σημείο 
 ο αλγόριθμός μας μπορεί απλώς να επιστρέψει τη χρησιμότητα αυτής της συγκεκριμένης κατάστασης. 
 Αυτό που μπορεί να φανταστείτε είναι ότι αυτό συμβαίνει 
 να αρχίσει να είναι μια μακρά διαδικασία, ειδικά καθώς ξεκινούν τα παιχνίδια 
 για να γίνουμε πιο περίπλοκο, καθώς αρχίζουμε να προσθέτουμε περισσότερες κινήσεις και περισσότερες πιθανές επιλογές 
 και παιχνίδια που μπορεί να διαρκέσουν λίγο περισσότερο. 
 Το επόμενο ερώτημα λοιπόν είναι, τι είδους βελτιστοποιήσεις μπορούμε να κάνουμε εδώ; 
 Πώς μπορούμε να κάνουμε καλύτερα προκειμένου να χρησιμοποιήσουμε λιγότερο χώρο 
 ή αφιερώστε λιγότερο χρόνο για να μπορέσετε να λύσετε αυτό το είδος προβλήματος; 
 Και θα ρίξουμε μια ματιά σε μερικές πιθανές βελτιστοποιήσεις. 
 Αλλά για ένα, θα ρίξουμε μια ματιά σε αυτό το παράδειγμα. 
 Και πάλι, στρέφουμε σε αυτά τα πάνω και κάτω βέλη. 
 Ας φανταστούμε ότι είμαι τώρα ο μέγιστος παίκτης, αυτό το πράσινο βέλος. 
 Προσπαθώ να κάνω το σκορ όσο το δυνατόν υψηλότερο. 

Korean: 
 이것이 우리가 게임을하고 최고의 움직임을 찾는 방법입니다 
 이러한 maxValue 및 minValue 함수를 재귀 적으로 사용하여 
 maxValue는 minValue를 호출하고 minValue는 maxValue를 호출합니다. 
 터미널 상태에 도달 할 때까지 
 우리 알고리즘은 단순히 특정 상태의 유틸리티를 반환 할 수 있습니다. 
 당신이 상상할 수있는 것은 이것이 가고 있다는 것입니다 
 특히 게임이 시작될 때 긴 과정을 시작합니다 
 더 많은 움직임과 더 많은 옵션을 추가하기 시작하면서 더 복잡해집니다. 
 그리고 꽤 오래 지속될 수있는 게임. 
 다음으로 물어볼 질문은 여기서 어떤 종류의 최적화를 할 수 있습니까? 
 적은 공간을 사용하기 위해 어떻게 더 잘할 수 있습니까? 
 아니면 이런 종류의 문제를 해결하는 데 시간이 덜 걸리나요? 
 그리고 우리는 몇 가지 가능한 최적화를 살펴볼 것입니다. 
 그러나 먼저이 예를 살펴 보겠습니다. 
 다시, 우리는이 위쪽 화살표와 아래쪽 화살표로 돌아갑니다. 
 내가 지금 최대 선수,이 녹색 화살표라고 상상해 봅시다. 
 점수를 최대한 높이려고합니다. 

Turkish: 
 İşte bu şekilde bir oyun alıyoruz ve en iyi hamle ne yapacağımızı anlıyoruz 
 bu maxValue ve minValue işlevlerini tekrar tekrar kullanarak 
 maxValue çağrıları minValue, minValue çağrıları maxValue, geri 
 ve ileriye, bir terminal duruma ulaşana kadar, o noktada 
 algoritmamız bu özel durumun faydasını döndürür. 
 Tahmin edebileceğiniz şey, bunun 
 özellikle oyunlar başladığında uzun bir süreç olmaya 
 daha karmaşık hale getirmek için, daha fazla hamle ve daha olası seçenekler eklemeye başladığımızda 
 ve biraz daha uzun sürebilen oyunlar. 
 Sorulacak bir sonraki soru, burada ne tür optimizasyonlar yapabiliriz? 
 Daha az yer kullanmak için nasıl daha iyi yapabiliriz? 
 ya da bu tür bir problemi çözmek için daha az zaman harcar mısın? 
 Ve birkaç olası optimizasyona göz atacağız. 
 Ama birincisi, bu örneğe bir göz atacağız. 
 Yine, bu yukarı oklara ve aşağı oklara dönüyoruz. 
 Şimdi maksimum oyuncu olduğumu hayal edelim, bu yeşil ok. 
 Skoru mümkün olduğunca yükseltmeye çalışıyorum. 

Chinese: 
這就是我們進行遊戲並找出最有效的舉動的方式
通過遞歸使用這些maxValue和minValue函數，其中
 maxValue調用minValue，minValue調用maxValue，返回
一直到到達終端狀態為止
我們的算法可以簡單地返回該特定狀態的效用。 
您可能會想像的是
開始是一個漫長的過程，尤其是在遊戲開始時
變得更加複雜，因為我們開始添加更多的動作和更多可能的選擇
以及可能持續較長時間的遊戲。 
因此，下一個要問的問題是，我們可以在此處進行哪種優化？ 
我們如何才能更好地利用更少的空間
或花費更少的時間來解決此類問題？ 
我們將研究一些可能的優化。 
但是，對於這一點，我們來看一下這個例子。 
同樣，我們將轉向這些向上箭頭和向下箭頭。 
假設我現在是最大的玩家，這個綠色箭頭。 
我正在努力使分數盡可能高。 

Dutch: 
 En dit is een eenvoudig spel, met slechts twee zetten. 
 Ik maak een zet, een van deze drie opties, 
 en dan doet mijn tegenstander een zet, een van deze drie opties, 
 gebaseerd op wat ik doe. 
 En als resultaat krijgen we wat waarde. 
 Laten we eens kijken naar de volgorde waarin ik deze berekeningen doe 
 en zoek uit of er optimalisaties zijn die ik zou kunnen maken 
 aan dit rekenproces. 
 Ik zal deze staten een voor een moeten bekijken. 
 Dus laten we zeggen dat ik hier links begin en nu in orde zeg 
 Ik ga nadenken, wat zal de min speler, mijn tegenstander, hier proberen te doen? 
 Welnu, de min-speler gaat kijken naar alle drie hun mogelijke acties 
 en kijk naar hun waarde, want dit zijn terminale toestanden. 
 Ze zijn het einde van het spel. 
 En dus zullen ze zien, oké, dit knooppunt heeft een waarde van 4, waarde van 8, 
 waarde van 5. 
 En de min-speler zal zeggen, nou, oké. 
 Tussen deze drie opties, 4, 8 en 5, 
 Ik neem de kleinste, ik neem de 4. 
 Deze toestand heeft dus nu een waarde van 4. 
 Dan zeg ik, zoals de maximale speler, oké, als ik deze actie onderneem, 
 het heeft een waarde van 4. 
 Dat is het beste wat ik kan doen, omdat min speler 
 gaat proberen mijn score te minimaliseren. 

Portuguese: 
 E este é um jogo fácil, onde há apenas dois movimentos. 
 Eu faço uma jogada, uma dessas três opções, 
 e então meu oponente faz um movimento, uma dessas três opções, 
 com base no que eu faço. 
 E, como resultado, obtemos algum valor. 
 Vejamos a ordem em que eu faço esses cálculos 
 e descobrir se há alguma otimização que eu possa fazer 
 para esse processo de cálculo. 
 Vou ter que olhar para esses estados, um de cada vez. 
 Então, digamos que eu comece aqui à esquerda e diga, tudo bem, agora 
 Vou considerar, o que o jogador min, meu oponente, tentará fazer aqui? 
 Bem, o jogador min vai olhar para as três ações possíveis 
 e observe seu valor, porque esses são estados terminais. 
 Eles são o fim do jogo. 
 E assim eles verão, tudo bem, este nó é um valor de 4, valor de 8, 
 valor de 5. 
 E o jogador min vai dizer, tudo bem. 
 Entre essas três opções, 4, 8 e 5, 
 Vou pegar o menor, vou pegar o 4. 
 Portanto, esse estado agora tem um valor de 4. 
 Então eu, como jogador máximo, digo, tudo bem, se eu tomar essa ação, 
 terá um valor de 4. 
 É o melhor que posso fazer, porque min player 
 vai tentar minimizar minha pontuação. 

Hindi: 
 और यह एक आसान खेल है, जहां सिर्फ दो चालें हैं। 
 मैं एक चाल बनाता हूं, इन तीन विकल्पों में से एक, 
 और फिर मेरा प्रतिद्वंद्वी एक चाल बनाता है, इन तीन विकल्पों में से एक, 
 मैं किस मूव पर आधारित हूं। 
 और परिणामस्वरूप, हमें कुछ मूल्य मिलते हैं। 
 आइए उस क्रम को देखें जिसमें मैं ये गणना करता हूं 
 और पता करें कि क्या कोई अनुकूलन है जो मैं करने में सक्षम हो सकता हूं 
 इस गणना प्रक्रिया के लिए। 
 मुझे इन राज्यों को एक बार में देखना होगा। 
 तो चलो कहते हैं कि मैं यहां बाईं ओर शुरू करता हूं और कहता हूं, ठीक है, अब 
 मैं विचार करने जा रहा हूं कि मेरे खिलाड़ी, मेरे प्रतिद्वंद्वी, यहां क्या करने की कोशिश करेंगे? 
 खैर, मंत्री खिलाड़ी अपने तीनों संभावित कार्यों को देखने जा रहा है 
 और उनके मूल्य को देखें, क्योंकि ये टर्मिनल राज्य हैं। 
 वे खेल के अंत में हैं। 
 और इसलिए वे देखेंगे, सब ठीक है, यह नोड 4 का मान है, 8 का मान है, 
 5 का मान। 
 और मंत्री का कहना है कि सब ठीक है। 
 इन तीन विकल्पों के बीच, 4, 8, और 5, 
 मैं सबसे छोटा ले जाऊंगा मैं 4 लूंगा। 
 तो इस अवस्था का मान अब 4 है। 
 तब मैं अधिकतम खिलाड़ी के रूप में कहता हूं, सब ठीक है, अगर मैं यह कार्रवाई करता हूं, 
 इसका मान 4 होगा। 
 यह सबसे अच्छा है जो मैं कर सकता हूं, क्योंकि न्यूनतम खिलाड़ी 
 मेरे स्कोर को कम करने की कोशिश करने जा रहा है। 

Turkish: 
 Ve bu sadece iki hamlenin olduğu kolay bir oyundur. 
 Bir hamle yapıyorum, bu üç seçenekten biri, 
 ve sonra rakibim hamle yapıyor, bu üç seçenekten biri, 
 yaptığım harekete bağlı olarak. 
 Sonuç olarak, bir miktar değer elde ederiz. 
 Bu hesaplamaları yaptığım sıraya bakalım 
 ve yapabileceğim herhangi bir optimizasyon olup olmadığını anlayın 
 bu hesaplama sürecine. 
 Bu eyaletlere birer birer bakmak zorunda kalacağım. 
 Diyelim ki burada soldan başlıyorum ve diyorum ki, tamam, şimdi 
 Ben düşüneceğim, minik oyuncu, rakibim burada ne yapmaya çalışacak? 
 Min. Oyuncu olası üç eylemine de bakacak. 
 ve değerlerine bakın, çünkü bunlar terminal durumlar. 
 Onlar oyunun sonu. 
 Ve görecekler ki, tamam, bu düğüm 4 değeri, 8 değeri, 
 değeri 5. 
 Ve min oyuncu iyi diyecektir. 
 Bu üç seçenek arasında, 4, 8 ve 5, 
 En küçük olanı alacağım, 4'ü alacağım. 
 Dolayısıyla bu durumun değeri 4'tür. 
 Sonra maksimum oyuncunun söylediği gibi, tamam, eğer bu işlemi yaparsam, 
 değeri 4 olacaktır. 
 Yapabileceğim en iyi şey bu, çünkü min. Oyuncu 
 puanımı en aza indirmeye çalışacak. 

Russian: 
 И это простая игра, в которой всего два хода. 
 Я делаю ход, один из этих трех вариантов, 
 а затем мой противник делает ход, один из этих трех вариантов, 
 основываясь на том, что я делаю. 
 И в результате мы получаем некоторую ценность. 
 Давайте посмотрим на порядок, в котором я делаю эти вычисления 
 и выяснить, есть ли какие-либо оптимизации, которые я мог бы сделать 
 к этому процессу расчета. 
 Я собираюсь посмотреть на эти состояния по одному. 
 Так скажем, я начинаю здесь слева и говорю, хорошо, сейчас 
 Я собираюсь рассмотреть, что минский игрок, мой противник, попытается сделать здесь? 
 Ну, мин игрок будет смотреть на все три своих возможных действий 
 и посмотрите на их ценность, потому что это терминальные состояния. 
 Они конец игры. 
 Итак, они увидят, хорошо, этот узел имеет значение 4, значение 8, 
 значение 5. 
 И минимальный игрок скажет, хорошо, все в порядке. 
 Между этими тремя вариантами, 4, 8 и 5, 
 Я возьму самый маленький, я возьму 4. 
 Таким образом, это состояние теперь имеет значение 4. 
 Тогда я как максимальный игрок говорю, хорошо, если я предприму это действие, 
 это будет иметь значение 4. 
 Это лучшее, что я могу сделать, потому что мин игрок 
 собирается попытаться свести к минимуму мой счет. 

German: 
 Und dies ist ein einfaches Spiel, bei dem es nur zwei Züge gibt. 
 Ich mache einen Schritt, eine dieser drei Optionen, 
 und dann macht mein Gegner einen Zug, eine dieser drei Optionen, 
 basierend darauf, welchen Zug ich mache. 
 Und als Ergebnis erhalten wir einen gewissen Wert. 
 Schauen wir uns die Reihenfolge an, in der ich diese Berechnungen durchführe 
 und herauszufinden, ob es Optimierungen gibt, die ich möglicherweise vornehmen kann 
 zu diesem Berechnungsprozess. 
 Ich werde mir diese Zustände einzeln ansehen müssen. 
 Nehmen wir also an, ich fange hier links an und sage jetzt: Alles klar 
 Ich werde überlegen, was der Min-Spieler, mein Gegner, hier versuchen wird. 
 Nun, der Min-Spieler wird sich alle drei möglichen Aktionen ansehen 
 und schauen Sie sich ihren Wert an, denn dies sind Endzustände. 
 Sie sind das Ende des Spiels. 
 Und so werden sie sehen, in Ordnung, dieser Knoten ist ein Wert von 4, ein Wert von 8, 
 Wert von 5. 
 Und der Min-Spieler wird sagen, alles klar. 
 Zwischen diesen drei Optionen 4, 8 und 5 
 Ich nehme den kleinsten Ich nehme den 4. 
 Dieser Zustand hat also jetzt einen Wert von 4. 
 Dann sage ich als Maximalspieler, alles klar, wenn ich diese Aktion mache, 
 es wird einen Wert von 4 haben. 
 Das ist das Beste, was ich tun kann, weil min Spieler 
 Ich werde versuchen, meine Punktzahl zu minimieren. 

English: 
And this is an easy game, where there are just two moves.
I make a move, one of these three options,
and then my opponent makes a move, one of these three options,
based on what move I make.
And as a result, we get some value.
Let's look at the order in which I do these calculations
and figure out if there are any optimizations I might be able to make
to this calculation process.
I'm going to have to look at these states one at a time.
So let's say I start here on the left and say, all right, now
I'm going to consider, what will the min player, my opponent, try to do here?
Well, the min player is going to look at all three of their possible actions
and look at their value, because these are terminal states.
They're the end of the game.
And so they'll see, all right, this node is a value of 4, value of 8,
value of 5.
And the min player is going to say, well, all right.
Between these three options, 4, 8, and 5,
I'll take the smallest one I'll take the 4.
So this state now has a value of 4.
Then I as the max player say, all right, if I take this action,
it will have a value of 4.
That's the best that I can do, because min player
is going to try and minimize my score.

Italian: 
 E questo è un gioco facile, in cui ci sono solo due mosse. 
 Faccio una mossa, una di queste tre opzioni, 
 e poi il mio avversario fa una mossa, una di queste tre opzioni, 
 in base alla mossa che faccio. 
 E di conseguenza, otteniamo un certo valore. 
 Diamo un'occhiata all'ordine in cui eseguo questi calcoli 
 e capire se ci sono delle ottimizzazioni che potrei essere in grado di fare 
 a questo processo di calcolo. 
 Dovrò guardare questi stati uno alla volta. 
 Quindi diciamo che inizio qui a sinistra e dico, va bene, ora 
 Prenderò in considerazione, cosa proverà a fare il giocatore minimo, il mio avversario? 
 Bene, il giocatore minimo esaminerà tutte e tre le loro possibili azioni 
 e guarda il loro valore, perché questi sono stati terminali. 
 Sono la fine del gioco. 
 E così vedranno, va bene, questo nodo ha un valore di 4, un valore di 8, 
 valore di 5. 
 E il giocatore minimo dirà, va bene. 
 Tra queste tre opzioni, 4, 8 e 5, 
 Prenderò il più piccolo Prenderò il 4. 
 Quindi questo stato ora ha un valore di 4. 
 Quindi come massimo giocatore dico, va bene, se prendo questa azione, 
 avrà un valore di 4. 
 Questo è il meglio che posso fare, perché giocatore minimo 
 proverà a minimizzare il mio punteggio. 

Modern Greek (1453-): 
 Και αυτό είναι ένα εύκολο παιχνίδι, όπου υπάρχουν μόνο δύο κινήσεις. 
 Κάνω μια κίνηση, μία από αυτές τις τρεις επιλογές, 
 και μετά ο αντίπαλός μου κάνει μια κίνηση, μία από αυτές τις τρεις επιλογές, 
 με βάση την κίνηση που κάνω. 
 Και ως αποτέλεσμα, έχουμε κάποια αξία. 
 Ας δούμε τη σειρά με την οποία κάνω αυτούς τους υπολογισμούς 
 και να μάθω αν υπάρχουν βελτιστοποιήσεις που θα μπορούσα να κάνω 
 σε αυτήν τη διαδικασία υπολογισμού. 
 Θα πρέπει να κοιτάξω αυτές τις πολιτείες μία κάθε φορά. 
 Ας πούμε λοιπόν ότι αρχίζω εδώ στα αριστερά και να πω, εντάξει, τώρα 
 Θα εξετάσω, τι θα προσπαθήσει να κάνει ο ελάχιστος παίκτης, ο αντίπαλός μου; 
 Λοιπόν, ο ελάχιστος παίκτης θα εξετάσει και τις τρεις πιθανές ενέργειές τους 
 και κοιτάξτε την αξία τους, επειδή αυτές είναι καταστάσεις τερματικών. 
 Είναι το τέλος του παιχνιδιού. 
 Και έτσι θα δουν, εντάξει, αυτός ο κόμβος είναι τιμή 4, τιμή 8, 
 τιμή 5. 
 Και ο ελάχιστος παίκτης θα πει, καλά, εντάξει. 
 Μεταξύ αυτών των τριών επιλογών, 4, 8 και 5, 
 Θα πάρω το μικρότερο που θα πάρω το 4. 
 Έτσι, αυτή η κατάσταση έχει τώρα τιμή 4. 
 Τότε, όπως λέω ο μέγιστος παίκτης, εντάξει, αν κάνω αυτήν την ενέργεια, 
 θα έχει τιμή 4. 
 Αυτό είναι το καλύτερο που μπορώ να κάνω, γιατί το ελάχιστο παίκτη 
 θα προσπαθήσει να ελαχιστοποιήσει το σκορ μου. 

Chinese: 
這是一個簡單的遊戲，只有兩步。 
我採取了以下三個選項之一， 
然後我的對手採取行動，這三個選項之一， 
根據我的行動。 
結果，我們獲得了一些價值。 
讓我們看一下這些計算的順序
並找出我是否可以進行任何優化
這個計算過程。 
我將不得不一次查看這些狀態。 
假設我從左邊開始，然後說，現在
我要考慮的是，最小玩家（我的對手）會在這裡嘗試做什麼？ 
好吧，小玩家要看一下他們所有三個可能的動作
並查看它們的值，因為它們是終端狀態。 
他們是遊戲的結局。 
所以他們會看到，這個節點的值為4，值為8 
值5。 
最小玩家會說，好吧。 
在這四個選項4、8和5之間
我選最小的一個，我選4。 
因此，此狀態現在的值為4。 
然後我作為最大的玩家說，好吧，如果我採取此行動， 
它的值為4。 
那是我所能做的最好的，因為最小的玩家
將嘗試盡量減少我的分數。 

Korean: 
 그리고 이것은 두 가지 움직임이있는 쉬운 게임입니다. 
 이 세 가지 옵션 중 하나를 움직입니다. 
 상대방이이 세 가지 옵션 중 하나를 움직입니다. 
 내가 어떤 움직임을했는지에 따라 
 결과적으로 우리는 가치를 얻습니다. 
 내가 계산하는 순서를 보자 
 내가 할 수있는 최적화가 있는지 알아 내십시오. 
 이 계산 과정에. 
 한 번에 하나씩 이러한 상태를 살펴 봐야합니다. 
 왼쪽에서 시작해서 지금부터 말해 봅시다. 
 고려할 것입니다. 상대방 플레이어는 어떻게하려고합니까? 
 분 플레이어는 가능한 세 가지 행동을 모두 볼 것입니다. 
 터미널 상태이기 때문에 그 값을 살펴보십시오. 
 그들은 게임의 끝입니다. 
 이 노드는 4, 8은 
 5의 가치. 
 그리고 최소 플레이어는 말할 것입니다. 
 이 세 가지 옵션 인 4, 8 및 5 사이에서 
 나는 4를 취할 가장 작은 것을 취할 것입니다. 
 따라서이 상태의 값은 4입니다. 
 그런 다음 최대 플레이어의 말에 따라이 작업을 수행하면 
 값은 4입니다. 
 그게 내가 할 수있는 최선이야 
 시도하고 내 점수를 최소화하려고합니다. 

Spanish: 
 Y este es un juego fácil, donde solo hay dos movimientos. 
 Hago un movimiento, una de estas tres opciones, 
 y luego mi oponente hace un movimiento, una de estas tres opciones, 
 basado en el movimiento que hago. 
 Y como resultado, obtenemos algo de valor. 
 Veamos el orden en que hago estos cálculos. 
 y averiguar si hay alguna optimización que pueda hacer 
 a este proceso de cálculo. 
 Voy a tener que mirar estos estados uno a la vez. 
 Digamos que empiezo aquí a la izquierda y digo, está bien, ahora 
 Voy a considerar, ¿qué intentará hacer el jugador min, mi oponente aquí? 
 Bueno, el jugador mínimo va a ver las tres posibles acciones. 
 y mira su valor, porque estos son estados terminales. 
 Son el final del juego. 
 Y entonces verán, de acuerdo, este nodo es un valor de 4, un valor de 8, 
 valor de 5. 
 Y el jugador min va a decir, bueno, está bien. 
 Entre estas tres opciones, 4, 8 y 5, 
 Tomaré el más pequeño, tomaré el 4. 
 Entonces este estado ahora tiene un valor de 4. 
 Entonces, como el jugador máximo dice, está bien, si tomo esta acción, 
 tendrá un valor de 4. 
 Eso es lo mejor que puedo hacer, porque min player 
 va a tratar de minimizar mi puntaje. 

Chinese: 
这是一个简单的游戏，只有两步。 
我采取了以下三个选项之一， 
然后我的对手采取行动，这三个选项之一， 
根据我的行动。 
结果，我们获得了一些价值。 
让我们看一下这些计算的顺序
并找出我是否可以进行任何优化
这个计算过程。 
我将不得不一次查看这些状态。 
假设我从左边开始，然后说，现在
我要考虑的是，最小玩家（我的对手）会在这里尝试做什么？ 
好吧，小玩家要看一下他们所有三个可能的动作
并查看它们的值，因为它们是终端状态。 
他们是游戏的结局。 
所以他们会看到，这个节点的值为4，值为8 
值5。 
最小玩家会说，好吧。 
在这四个选项4、8和5之间
我选最小的一个，我选4。 
因此，此状态现在的值为4。 
然后我作为最大的玩家说，好吧，如果我采取此行动， 
它的值为4。 
那是我所能做的最好的，因为最小的玩家
将尝试尽量减少我的分数。 

Arabic: 
 وهذه لعبة سهلة ، حيث لا يوجد سوى حركتين. 
 أتحرك ، أحد هذه الخيارات الثلاثة ، 
 ثم يقوم خصمي بالتحرك ، أحد هذه الخيارات الثلاثة ، 
 بناءً على الخطوة التي أتخذها. 
 ونتيجة لذلك ، نحصل على بعض القيمة. 
 دعونا نلقي نظرة على الترتيب الذي أجري به هذه الحسابات 
 ومعرفة ما إذا كان هناك أي تحسينات يمكنني إجراؤها 
 لهذه العملية الحسابية. 
 سأقوم بإلقاء نظرة على هذه الحالات في كل مرة. 
 لذا دعنا نقول إنني أبدأ هنا على اليسار ونقول ، حسنًا ، الآن 
 سأفكر ، ماذا سيحاول اللاعب المنافس ، منافسى ، أن يفعل هنا؟ 
 حسنًا ، سينظر اللاعب الصغير في جميع الإجراءات الثلاثة الممكنة 
 والنظر في قيمتها ، لأن هذه هي الحالات النهائية. 
 إنهم نهاية اللعبة. 
 لذا سيرون ، حسنًا ، هذه العقدة هي قيمة 4 ، قيمة 8 ، 
 قيمة 5. 
 واللاعب الصغير سيقول ، حسنًا ، حسنًا. 
 بين هذه الخيارات الثلاثة 4 و 8 و 5 ، 
 سآخذ أصغر واحد سآخذ الأربعة. 
 إذاً هذه الحالة لديها الآن قيمة 4. 
 ثم أنا كلاعب أقصى يقول ، حسنًا ، إذا اتخذت هذا الإجراء ، 
 سيكون لها قيمة 4. 
 هذا هو أفضل ما يمكنني فعله ، لأنه لاعب صغير 
 سيحاول وتقليل درجاتي. 

Indonesian: 
 Dan ini adalah permainan yang mudah, di mana hanya ada dua gerakan. 
 Saya bergerak, salah satu dari tiga opsi ini, 
 dan kemudian lawan saya bergerak, salah satu dari tiga opsi ini, 
 berdasarkan langkah apa yang saya buat. 
 Dan sebagai hasilnya, kami mendapatkan beberapa nilai. 
 Mari kita lihat urutan di mana saya melakukan perhitungan ini 
 dan mencari tahu apakah ada optimasi yang mungkin bisa saya lakukan 
 untuk proses perhitungan ini. 
 Saya harus melihat keadaan ini satu per satu. 
 Jadi katakanlah saya mulai di sini di sebelah kiri dan berkata, baiklah, sekarang 
 Saya akan mempertimbangkan, apa yang akan pemain min, lawan saya, coba lakukan di sini? 
 Nah, pemain min akan melihat ketiga tindakan mereka yang mungkin 
 dan lihat nilainya, karena ini adalah status terminal. 
 Mereka adalah akhir dari permainan. 
 Dan mereka akan melihat, oke, simpul ini adalah nilai 4, nilai 8, 
 nilai 5. 
 Dan pemain min akan mengatakan, baiklah. 
 Di antara ketiga opsi ini, 4, 8, dan 5, 
 Saya akan mengambil yang terkecil saya akan mengambil 4. 
 Jadi negara ini sekarang memiliki nilai 4. 
 Maka saya sebagai pemain max berkata, baiklah, jika saya mengambil tindakan ini, 
 itu akan memiliki nilai 4. 
 Itu yang terbaik yang bisa saya lakukan, karena pemain min 
 akan mencoba dan meminimalkan skor saya. 

French: 
 Et c'est un jeu facile, où il n'y a que deux coups. 
 Je fais un geste, l'une de ces trois options, 
 puis mon adversaire fait un mouvement, l'une de ces trois options, 
 en fonction de ce que je fais. 
 Et en conséquence, nous obtenons une certaine valeur. 
 Regardons l'ordre dans lequel je fais ces calculs 
 et savoir s'il y a des optimisations que je pourrais faire 
 à ce processus de calcul. 
 Je vais devoir examiner ces états un par un. 
 Alors disons que je commence ici à gauche et dis, d'accord, maintenant 
 Je vais considérer, qu'est-ce que le joueur min, mon adversaire, va essayer de faire ici? 
 Eh bien, le joueur min va regarder leurs trois actions possibles 
 et regardez leur valeur, car ce sont des états terminaux. 
 C'est la fin du jeu. 
 Et donc ils verront, très bien, ce nœud est une valeur de 4, une valeur de 8, 
 valeur de 5. 
 Et le joueur min va dire, eh bien, très bien. 
 Entre ces trois options, 4, 8 et 5, 
 Je prendrai le plus petit je prendrai le 4. 
 Cet état a donc maintenant une valeur de 4. 
 Ensuite, en tant que joueur max, je dis bien, si je prends cette action, 
 il aura une valeur de 4. 
 C'est le mieux que je puisse faire, car min player 
 va essayer de minimiser mon score. 

Japanese: 
そして、これは簡単なゲームで、たった2つの動きがあります。 
私はこれらの3つのオプションの1つである
そして、私の対戦相手は、これらの3つのオプションの1つである
私の行動に基づいています。 
その結果、私たちは何らかの価値を手に入れます。 
これらの計算を行う順序を見てみましょう
そして、私ができるかもしれない最適化があるかどうかを見つけます
この計算プロセスに。 
これらの状態を1つずつ確認する必要があります。 
ここで左から始めて、大丈夫だとしましょう。 
私は検討するつもりです、私の最小のプレイヤー、私の対戦相手は、ここで何をしようとしますか？ 
さて、最小プレーヤーは、可能な3つのアクションすべてを確認します。 
これらは最終状態なので、値を確認します。 
彼らはゲームの終わりです。 
そして、彼らが見ることができるように、このノードは値4、値8です。 
値5。 
そして、最小プレーヤーは、まあ、大丈夫だと言うつもりです。 
これらの3つのオプション、4、8、および5の間
一番小さいのは4です。 
したがって、この状態の値は4になります。 
それから、私はマックスプレイヤーが言うように、このアクションをとれば、 
値は4になります。 
それは私ができる最高のことです。 
スコアを最小化しようとします。 

Modern Greek (1453-): 
 Τώρα, τι γίνεται αν κάνω αυτήν την επιλογή; 
 Θα το εξερευνήσουμε στη συνέχεια. 
 Και τώρα εξερευνούμαι τι θα έκανε ο ελάχιστος παίκτης αν επιλέξω αυτήν τη δράση. 
 Και ο ελάχιστος παίκτης θα πει, εντάξει, ποιες είναι οι τρεις επιλογές; 
 Ο ελάχιστος παίκτης έχει επιλογές μεταξύ 9, 3 και 7, και έτσι 3 
 είναι το μικρότερο μεταξύ των 9, 3 και 7. 
 Έτσι θα προχωρήσουμε και θα πούμε ότι αυτή η κατάσταση έχει τιμή 3. 
 Τώρα λοιπόν εγώ, ως ο μέγιστος παίκτης-- 
 Έχω διερευνήσει δύο από τις τρεις επιλογές μου. 
 Ξέρω ότι μία από τις επιλογές μου θα μου εγγυηθεί βαθμολογία 4, τουλάχιστον, 
 και μία από τις επιλογές μου θα μου εγγυηθεί σκορ 3. 
 Και τώρα σκέφτομαι την τρίτη επιλογή μου και λέω, εντάξει, τι συμβαίνει εδώ; 
 Ίδια ακριβής λογική - ο ελάχιστος παίκτης πηγαίνει 
 να δούμε αυτές τις τρεις καταστάσεις, 2, 4 και 6, 
 ας πούμε ότι η ελάχιστη δυνατή επιλογή είναι 2, οπότε ο ελάχιστος παίκτης θέλει τα δύο. 
 Τώρα εγώ, ως ο μέγιστος παίκτης, υπολόγισα όλες τις πληροφορίες 
 κοιτάζοντας δύο επίπεδα βαθιά, κοιτάζοντας όλους αυτούς τους κόμβους. 
 Και μπορώ τώρα να πω, μεταξύ των 4, των 3 και των 2, ξέρετε τι; 
 Θα προτιμούσα να πάρω τα 4, γιατί αν το επιλέξω 
 αυτή η επιλογή, εάν ο αντίπαλός μου παίζει βέλτιστα, 

English: 
So now, what if I take this option?
We'll explore this next.
And now I explore what the min player would do if I choose this action.
And the min player is going to say, all right, what are the three options?
The min player has options between 9, 3, and 7, and so 3
is the smallest among 9, 3, and 7.
So we'll go ahead and say this state has a value of 3.
So now I, as the max player--
I have now explored two of my three options.
I know that one of my options will guarantee me a score of 4, at least,
and one of my options will guarantee me a score of 3.
And now I consider my third option and say, all right, what happens here?
Same exact logic-- the min player is going
to look at these three states, 2, 4, and 6,
say the minimum possible option is 2, so the min player wants the two.
Now I, as the max player, have calculated all of the information
by looking two layers deep, by looking at all of these nodes.
And I can now say, between the 4, the 3, and the 2, you know what?
I'd rather take the 4, because if I choose
this option, if my opponent plays optimally,

Russian: 
 Итак, что если я воспользуюсь этим вариантом? 
 Мы рассмотрим это дальше. 
 А теперь я исследую, что бы сделал минимальный игрок, если бы выбрал это действие. 
 И минимальный игрок скажет, хорошо, каковы три варианта? 
 Минимальный игрок имеет варианты от 9, 3 и 7, и так 3 
 самый маленький среди 9, 3 и 7. 
 Итак, мы продолжим и скажем, что это состояние имеет значение 3. 
 Так что теперь я, как максимальный игрок ... 
 Теперь я изучил два из трех моих вариантов. 
 Я знаю, что один из моих вариантов гарантирует мне 4 балла, по крайней мере, 
 и один из моих вариантов гарантирует мне 3 балла. 
 А теперь я рассматриваю свой третий вариант и говорю, хорошо, что здесь происходит? 
 Та же самая точная логика - минимальный игрок собирается 
 посмотреть на эти три состояния, 2, 4 и 6, 
 скажем, минимально возможный вариант - 2, поэтому минимальный игрок хочет два. 
 Теперь я, как максимальный игрок, рассчитал всю информацию 
 глядя на два слоя глубиной, глядя на все эти узлы. 
 И теперь я могу сказать, между 4, 3 и 2, знаете что? 
 Я бы предпочел взять 4, потому что если я выберу 
 этот вариант, если мой противник играет оптимально, 

Korean: 
 이제이 옵션을 선택하면 어떻게됩니까? 
 다음에 살펴 보겠습니다. 
 이제이 액션을 선택하면 최소 플레이어가 할 일을 탐색합니다. 
 그리고 최소 플레이어는 세 가지 옵션이 무엇입니까? 
 최소 플레이어는 9, 3 및 7 사이의 옵션이 있으므로 3 
 9, 3 및 7 중에서 가장 작습니다. 
 계속해서이 상태의 값이 3이라고합니다. 
 이제 최대 플레이어로서 
 이제 세 가지 옵션 중 두 가지를 살펴 보았습니다. 
 내 옵션 중 하나가 적어도 4 점을 보장한다는 것을 알고 있습니다. 
 내 옵션 중 하나가 3 점을 보장합니다. 
 이제 세 번째 옵션을 고려해 봅시다. 여기서 어떻게됩니까? 
 똑같은 논리-최소 플레이어가 가고 있습니다. 
 이 세 가지 상태 인 2, 4, 6을 살펴보고 
 가능한 최소 옵션이 2라고 말하면 최소 플레이어는 두 가지를 원합니다. 
 이제 최대 플레이어로서 모든 정보를 계산했습니다. 
 이 두 노드를 깊게 살펴보면이 모든 노드를 볼 수 있습니다. 
 그리고 저는 4, 3, 2 사이에서 무엇을 알 수 있습니까? 
 내가 4를 선택하면 
 이 옵션은 상대방이 최적으로 플레이하면 

Turkish: 
 Şimdi, bu seçeneği kullanırsam ne olur? 
 Bunu bir sonraki keşfedeceğiz. 
 Ve şimdi bu eylemi seçersem min oyuncunun ne yapacağını keşfediyorum. 
 Ve min oyuncu söyleyecek, tamam, üç seçenek nedir? 
 Min. Oyuncu 9, 3 ve 7, vb. 
 9, 3 ve 7 arasında en küçük olanıdır. 
 Bu yüzden devam edeceğiz ve bu durumun 3 değerine sahip olduğunu söyleyeceğiz. 
 Şimdi ben, maksimum oyuncu olarak-- 
 Şimdi üç seçeneğimden ikisini keşfettim. 
 Seçeneklerimden birinin bana en az 4 puan vereceğini biliyorum. 
 ve seçeneklerimden biri bana 3 puan vereceğim. 
 Ve şimdi üçüncü seçeneğimi değerlendiriyorum ve diyorum ki, tamam, burada ne oluyor? 
 Aynı mantık - min. Oyuncu gidiyor 
 bu üç duruma, 2, 4 ve 6'ya bakmak için, 
 diyelim ki mümkün olan en düşük seçenek 2, yani min. oyuncu ikisini istiyor. 
 Şimdi maksimum oyuncu olarak tüm bilgileri hesapladım 
 tüm bu düğümlere bakarak iki katman derinliğine bakarak. 
 Ve şimdi söyleyebilirim, 4, 3 ve 2 arasında, biliyor musunuz? 
 4'ü almayı tercih ederim, çünkü eğer seçersem 
 bu seçenek, rakibim en uygun şekilde oynarsa, 

Spanish: 
 Entonces, ¿qué pasa si tomo esta opción? 
 Exploraremos esto a continuación. 
 Y ahora exploro lo que haría el jugador min si elijo esta acción. 
 Y el jugador mínimo va a decir, de acuerdo, ¿cuáles son las tres opciones? 
 El jugador mínimo tiene opciones entre 9, 3 y 7, y así 3 
 es el más pequeño entre 9, 3 y 7. 
 Así que seguiremos adelante y diremos que este estado tiene un valor de 3. 
 Así que ahora yo, como jugador máximo ... 
 Ahora he explorado dos de mis tres opciones. 
 Sé que una de mis opciones me garantizará una puntuación de 4, al menos, 
 y una de mis opciones me garantizará una puntuación de 3. 
 Y ahora considero mi tercera opción y digo, está bien, ¿qué pasa aquí? 
 La misma lógica exacta: el jugador mínimo va 
 para mirar estos tres estados, 2, 4 y 6, 
 digamos que la opción mínima posible es 2, por lo que el jugador mínimo quiere los dos. 
 Ahora, como jugador máximo, he calculado toda la información 
 mirando dos capas de profundidad, mirando todos estos nodos. 
 Y ahora puedo decir, entre el 4, el 3 y el 2, ¿sabes qué? 
 Prefiero tomar el 4, porque si elijo 
 esta opción, si mi oponente juega de manera óptima, 

Italian: 
 Quindi ora, se prendo questa opzione? 
 Esploreremo questo dopo. 
 E ora esploro cosa farebbe il giocatore minimo se scelgo questa azione. 
 E il giocatore minimo dirà, va bene, quali sono le tre opzioni? 
 Il giocatore minimo ha opzioni tra 9, 3 e 7, e quindi 3 
 è il più piccolo tra 9, 3 e 7. 
 Quindi andremo avanti e diremo che questo stato ha un valore di 3. 
 Quindi ora io, come massimo giocatore ... 
 Ora ho esplorato due delle mie tre opzioni. 
 So che una delle mie opzioni mi garantirà un punteggio di 4, almeno, 
 e una delle mie opzioni mi garantirà un punteggio di 3. 
 E ora considero la mia terza opzione e dico, va bene, cosa succede qui? 
 Stessa logica esatta: il giocatore minimo sta andando 
 guardare questi tre stati, 2, 4 e 6, 
 dire che l'opzione minima possibile è 2, quindi il giocatore minimo vuole i due. 
 Ora io, come massimo giocatore, ho calcolato tutte le informazioni 
 osservando due strati in profondità, osservando tutti questi nodi. 
 E ora posso dire, tra il 4, il 3 e il 2, sai cosa? 
 Preferirei prendere il 4, perché se scelgo 
 questa opzione, se il mio avversario gioca in modo ottimale, 

Hindi: 
 तो अब, अगर मैं यह विकल्प लेता हूं तो क्या होगा? 
 हम इसे आगे देखेंगे। 
 और अब मैं इस बात का पता लगाता हूं कि अगर मैं इस क्रिया को चुनता हूं तो वह क्या करता है 
 और मिनी खिलाड़ी कहने वाला है, ठीक है, तीन विकल्प क्या हैं? 
 न्यूनतम खिलाड़ी के पास 9, 3, और 7 और 3 के बीच विकल्प हैं 
 9, 3 और 7 में सबसे छोटा है। 
 तो हम आगे बढ़ते हैं और कहते हैं कि इस राज्य का मूल्य 3 है। 
 तो अब मैं, अधिकतम खिलाड़ी के रूप में-- 
 मैंने अब अपने तीन विकल्पों में से दो का पता लगाया है। 
 मुझे पता है कि मेरा एक विकल्प मुझे 4 के स्कोर की गारंटी देगा, कम से कम, 
 और मेरा एक विकल्प मुझे 3 के स्कोर की गारंटी देगा। 
 और अब मैं अपने तीसरे विकल्प पर विचार करता हूं और कहता हूं, ठीक है, यहां क्या होता है? 
 एक ही सटीक तर्क - न्यूनतम खिलाड़ी जा रहा है 
 इन तीन अवस्थाओं को देखने के लिए, 2, 4, और 6, 
 न्यूनतम संभव विकल्प 2 है, इसलिए न्यूनतम खिलाड़ी दोनों चाहते हैं। 
 अब मैं, अधिकतम खिलाड़ी के रूप में, सभी सूचनाओं की गणना कर चुका हूं 
 इन सभी नोड्स को देखकर, दो परतों को गहरा करके। 
 और मैं अब कह सकता हूं कि 4, 3 और 2 के बीच, आप जानते हैं क्या? 
 अगर मैं चुनता हूं तो मैं 4 ले सकता हूं 
 यह विकल्प, यदि मेरा प्रतिद्वंद्वी बेहतर खेलता है, 

Japanese: 
では、このオプションを選択するとどうなるでしょうか。 
これについては、次で説明します。 
次に、このアクションを選択した場合の最小プレーヤーの動作を調べます。 
そして、最小プレーヤーは、3つのオプションは何であるといいますか？ 
最小プレーヤーには、9、3、および7、したがって3の間のオプションがあります。 
 9、3、7の中で最小です。 
したがって、この状態の値が3であるとしましょう。 
だから今、私はマックスプレイヤーとして- 
これで、3つのオプションのうち2つを検討しました。 
私の選択肢の1つは、少なくとも4点を保証することを知っています。 
私の選択肢の1つは、スコア3を保証します。 
そして今、私は私の3番目のオプションを検討し、大丈夫、ここで何が起こるのかと言います。 
同じ正確なロジック-最小プレーヤーが行きます
これら3つの状態、2、4、6を見て
可能な最小オプションは2なので、最小プレーヤーは2つを必要とします。 
今、私はマックスプレイヤーとして、すべての情報を計算しました
これらのノードすべてを調べることにより、2つの層の深さを調べることによって。 
そして、私は今、4、3、および2の間で、あなたは何を知っていると言うことができますか？ 
選択した場合、私はむしろ4を取るほうがいい
このオプションは、対戦相手が最適にプレーした場合、 

French: 
 Alors maintenant, que faire si je prends cette option? 
 Nous allons explorer cela ensuite. 
 Et maintenant, j'explore ce que le joueur min ferait si je choisis cette action. 
 Et le joueur min va dire, d'accord, quelles sont les trois options? 
 Le joueur min a des options entre 9, 3 et 7, et donc 3 
 est le plus petit parmi 9, 3 et 7. 
 Nous allons donc continuer et dire que cet état a une valeur de 3. 
 Alors maintenant, en tant que joueur max-- 
 J'ai maintenant exploré deux de mes trois options. 
 Je sais que l'une de mes options me garantira un score de 4, au moins, 
 et une de mes options me garantira un score de 3. 
 Et maintenant, je considère ma troisième option et je dis bien, que se passe-t-il ici? 
 Même logique exacte - le joueur minimum va 
 de regarder ces trois états, 2, 4 et 6, 
 disons que l'option minimale possible est de 2, donc le joueur minimum veut les deux. 
 Maintenant, en tant que joueur max, j'ai calculé toutes les informations 
 en regardant deux couches en profondeur, en regardant tous ces nœuds. 
 Et je peux maintenant dire, entre le 4, le 3 et le 2, vous savez quoi? 
 Je préfère prendre le 4, car si je choisis 
 cette option, si mon adversaire joue de façon optimale, 

Indonesian: 
 Jadi sekarang, bagaimana jika saya mengambil opsi ini? 
 Kami akan mengeksplorasi ini selanjutnya. 
 Dan sekarang saya mengeksplorasi apa yang pemain min akan lakukan jika saya memilih aksi ini. 
 Dan pemain min akan mengatakan, oke, apa tiga opsi? 
 Pemain min memiliki opsi antara 9, 3, dan 7, dan seterusnya 3 
 adalah yang terkecil di antara 9, 3, dan 7. 
 Jadi kita akan pergi ke depan dan mengatakan negara ini memiliki nilai 3. 
 Jadi sekarang saya, sebagai pemain max - 
 Saya sekarang telah menjelajahi dua dari tiga opsi saya. 
 Saya tahu bahwa salah satu opsi saya akan menjamin saya skor 4, setidaknya, 
 dan salah satu opsi saya akan menjamin saya skor 3. 
 Dan sekarang saya mempertimbangkan opsi ketiga saya dan berkata, baiklah, apa yang terjadi di sini? 
 Logika yang persis sama - pemain min berjalan 
 untuk melihat ketiga negara bagian ini, 2, 4, dan 6, 
 katakanlah opsi minimum yang mungkin adalah 2, jadi pemain min menginginkan keduanya. 
 Sekarang saya, sebagai pemain maksimal, telah menghitung semua informasi 
 dengan melihat dua lapisan dalam, dengan melihat semua node ini. 
 Dan sekarang saya dapat mengatakan, antara angka 4, angka 3, dan angka 2, Anda tahu? 
 Saya lebih suka mengambil 4, karena jika saya memilih 
 opsi ini, jika lawan saya bermain optimal, 

Chinese: 
所以現在，如果我選擇此選項怎麼辦？ 
接下來，我們將對此進行探討。 
現在，我探討瞭如果選擇此操作，最小玩家會做什麼。 
最小玩家會說，好的，這三個選項是什麼？ 
最小玩家的選項介於9、3和7之間，因此3 
是9、3和7中最小的
因此，我們繼續說該狀態的值為3。 
所以現在，我作為最大的球員
我現在探討了我的三個選擇中的兩個。 
我知道我的選擇之一至少可以保證我得到4分， 
而我的選擇之一將保證我得到3分。 
現在我考慮我的第三個選擇，然後說，好吧，這會發生什麼？ 
完全相同的邏輯-最小玩家正在前進
看一下這三個狀態2、4和6 
比如說最小的可能選項是2，那麼最小玩家想要兩個。 
現在，作為最大玩家，我已經計算了所有信息
通過查看所有這些節點，深入兩層。 
我現在可以說，在4、3和2之間，您知道什麼？ 
我寧願拿4，因為如果我選擇
如果我的對手打得最好， 

Dutch: 
 Dus nu, wat als ik deze optie neem? 
 We zullen dit hierna onderzoeken. 
 En nu onderzoek ik wat de minspeler zou doen als ik voor deze actie kies. 
 En de min-speler gaat zeggen, oké, wat zijn de drie opties? 
 De min-speler heeft opties tussen 9, 3 en 7, en dus 3 
 is de kleinste van 9, 3 en 7. 
 Dus we gaan door en zeggen dat deze staat een waarde van 3 heeft. 
 Dus nu ben ik, als de maximale speler ... 
 Ik heb nu twee van mijn drie opties onderzocht. 
 Ik weet dat een van mijn opties me een score van minstens 4 garandeert, 
 en een van mijn opties garandeert me een score van 3. 
 En nu overweeg ik mijn derde optie en zeg, oké, wat gebeurt hier? 
 Dezelfde exacte logica: de min-speler gaat 
 om naar deze drie staten te kijken, 2, 4 en 6, 
 stel dat de minimaal mogelijke optie 2 is, dus de min-speler wil de twee. 
 Nu heb ik, als maximale speler, alle informatie berekend 
 door twee lagen diep te kijken, door naar al deze knooppunten te kijken. 
 En ik kan nu zeggen, tussen de 4, de 3 en de 2, weet je wat? 
 Ik neem liever de 4, want als ik kies 
 deze optie, als mijn tegenstander optimaal speelt, 

Arabic: 
 إذن ، ماذا لو أخذت هذا الخيار؟ 
 سنستكشف هذا بعد ذلك. 
 والآن أستكشف ما سيفعله اللاعب الصغير إذا اخترت هذا الإجراء. 
 واللاعب الصغير سيقول ، حسنًا ، ما هي الخيارات الثلاثة؟ 
 لدى المشغل الصغير خيارات بين 9 و 3 و 7 وهكذا 3 
 هو الأصغر بين 9 و 3 و 7. 
 لذا سنمضي قدما ونقول أن هذه الحالة لها قيمة 3. 
 لذا الآن ، بصفتي أفضل لاعب-- 
 لقد استكشفت الآن خيارين من الخيارات الثلاثة المتاحة لي. 
 أعلم أن أحد الخيارات المتاحة لي سيضمن لي الحصول على 4 نقاط على الأقل ، 
 وسيضمن لي أحد خياراتي درجة 3. 
 والآن أنا أعتبر خياري الثالث وأقول ، حسنًا ، ماذا يحدث هنا؟ 
 نفس المنطق الدقيق - اللاعب الصغير ذاهب 
 للنظر في هذه الولايات الثلاث ، 2 ، 4 ، و 6 ، 
 لنفترض أن الحد الأدنى للخيار الممكن هو 2 ، لذا فإن لاعب الدقيقة يريد الاثنين. 
 الآن ، بصفتي اللاعب الأقصى ، قمت بحساب جميع المعلومات 
 بالنظر إلى طبقتين عميقتين ، بالنظر إلى كل هذه العقد. 
 ويمكنني الآن أن أقول ، بين 4 و 3 و 2 ، أتعلمون؟ 
 أفضل أخذ 4 ، لأنه إذا اخترت 
 هذا الخيار ، إذا لعب خصمي بشكل مثالي ، 

Portuguese: 
 Então agora, e se eu escolher esta opção? 
 Vamos explorar isso a seguir. 
 E agora eu exploro o que o jogador min faria se eu escolher essa ação. 
 E o jogador min vai dizer, tudo bem, quais são as três opções? 
 O min player tem opções entre 9, 3 e 7 e, portanto, 3 
 é o menor entre 9, 3 e 7. 
 Então, vamos seguir em frente e dizer que esse estado tem o valor 3. 
 Então agora eu, como jogador máximo-- 
 Eu agora explorei duas das minhas três opções. 
 Eu sei que uma das minhas opções me garantirá uma pontuação de 4, pelo menos, 
 e uma das minhas opções me garantirá uma pontuação de 3. 
 E agora considero minha terceira opção e digo, tudo bem, o que acontece aqui? 
 A mesma lógica exata - o jogador min está indo 
 para olhar para esses três estados, 2, 4 e 6, 
 digamos que a opção mínima possível é 2, então o jogador mínimo quer os dois. 
 Agora eu, como jogador máximo, calculei todas as informações 
 olhando duas camadas profundamente, olhando todos esses nós. 
 E agora posso dizer, entre o 4, o 3 e o 2, você sabe o que? 
 Eu prefiro pegar o 4, porque se eu escolher 
 esta opção, se meu oponente jogar da melhor maneira, 

Chinese: 
所以现在，如果我选择此选项怎么办？ 
接下来，我们将对此进行探讨。 
现在，我探讨了如果选择此操作，最小玩家会做什么。 
最小玩家会说，好的，这三个选项是什么？ 
最小玩家的选项介于9、3和7之间，因此3 
是9、3和7中最小的
因此，我们继续说该状态的值为3。 
所以现在，我作为最大的球员
现在，我探讨了三种选择中的两种。 
我知道我的选择之一至少可以保证我得到4分， 
而我的选择之一将保证我得到3分。 
现在我考虑我的第三个选择，然后说，好吧，这会发生什么？ 
完全相同的逻辑-最小玩家正在前进
看一下这三个状态2、4和6 
比如说最小的可能选项是2，那么最小玩家想要两个。 
现在，作为最大玩家，我已经计算了所有信息
通过查看所有这些节点，深入两层。 
我现在可以说，在4、3和2之间，您知道什么？ 
我宁愿拿4，因为如果我选择
如果我的对手打得最好， 

German: 
 Was ist nun, wenn ich diese Option nehme? 
 Wir werden das als nächstes untersuchen. 
 Und jetzt untersuche ich, was der Min-Spieler tun würde, wenn ich diese Aktion wähle. 
 Und der Min-Spieler wird sagen, in Ordnung, was sind die drei Optionen? 
 Der Min-Spieler hat Optionen zwischen 9, 3 und 7 und somit 3 
 ist die kleinste unter 9, 3 und 7. 
 Also werden wir weitermachen und sagen, dass dieser Zustand einen Wert von 3 hat. 
 Also jetzt ich, als der maximale Spieler-- 
 Ich habe jetzt zwei meiner drei Optionen untersucht. 
 Ich weiß, dass eine meiner Optionen mir eine Punktzahl von mindestens 4 garantiert. 
 und eine meiner Optionen garantiert mir eine Punktzahl von 3. 
 Und jetzt überlege ich mir meine dritte Option und sage: Okay, was passiert hier? 
 Gleiche genaue Logik - der Min-Spieler geht 
 um diese drei Zustände 2, 4 und 6 zu betrachten, 
 Angenommen, die minimal mögliche Option ist 2, also möchte der Min-Spieler die beiden. 
 Jetzt habe ich als Maximalspieler alle Informationen berechnet 
 indem Sie zwei Schichten tief betrachten, indem Sie alle diese Knoten betrachten. 
 Und ich kann jetzt sagen, zwischen der 4, der 3 und der 2, weißt du was? 
 Ich würde lieber die 4 nehmen, denn wenn ich wähle 
 diese Option, wenn mein Gegner optimal spielt, 

Indonesian: 
 mereka akan mencoba dan mendapatkan saya ke 4, tapi itu yang terbaik yang bisa saya lakukan. 
 Saya tidak dapat menjamin skor yang lebih tinggi, karena jika saya 
 pilih salah satu dari dua opsi ini, saya mungkin mendapatkan 3, atau saya mungkin mendapatkan 2. 
 Dan memang benar bahwa di sini adalah angka 9, dan itu 
 skor tertinggi dari skor mana pun. 
 Jadi saya mungkin tergoda untuk mengatakan, Anda tahu? 
 Mungkin saya harus mengambil opsi ini, karena saya mungkin mendapatkan 9. 
 Tetapi jika pemain min bermain dengan cerdas, 
 jika mereka membuat gerakan terbaik di setiap opsi yang memungkinkan 
 mereka memiliki ketika mereka membuat pilihan, saya akan dibiarkan dengan 3, 
 sedangkan saya bisa lebih baik, bermain secara optimal, 
 telah menjamin bahwa saya akan mendapatkan 4. 
 Jadi itu tidak mempengaruhi logika yang saya inginkan 
 gunakan sebagai pemain Minimax yang mencoba memaksimalkan skor saya dari simpul itu di sana. 
 Tapi ternyata, butuh sedikit perhitungan 
 bagi saya untuk mencari tahu. 
 Saya harus bernalar melalui semua node ini untuk menarik kesimpulan ini. 
 Dan ini untuk gim yang cukup sederhana, di mana saya memiliki tiga pilihan, 
 lawan saya memiliki tiga pilihan, dan kemudian permainan berakhir. 
 Jadi yang ingin saya lakukan adalah mencari cara untuk mengoptimalkan ini. 
 Mungkin saya tidak perlu melakukan semua perhitungan ini untuk tetap mencapai 

Italian: 
 cercheranno di portarmi al 4, ma è il massimo che posso fare. 
 Non posso garantire un punteggio più alto, perché se io 
 scegli una di queste due opzioni, potrei ottenere un 3 o potrei ottenere un 2. 
 Ed è vero che quaggiù è un 9, e questo è tutto 
 il punteggio più alto di uno qualsiasi dei punteggi. 
 Quindi potrei essere tentato di dire, sai una cosa? 
 Forse dovrei prendere questa opzione, perché potrei ottenere il 9. 
 Ma se il giocatore minimo sta giocando in modo intelligente, 
 se stanno facendo le mosse migliori per ogni possibile opzione 
 hanno quando possono fare una scelta, rimarrò con un 3, 
 mentre potrei fare meglio, giocando in modo ottimale, 
 ho garantito che avrei ottenuto il 4. 
 Quindi ciò non influisce sulla logica che vorrei 
 usare come giocatore di Minimax cercando di massimizzare il mio punteggio da quel nodo lì. 
 Ma si è scoperto che ci è voluto un po 'di calcolo 
 per me capirlo. 
 Ho dovuto ragionare su tutti questi nodi per trarre questa conclusione. 
 E questo è per un gioco piuttosto semplice, in cui ho tre scelte, 
 il mio avversario ha tre scelte e poi il gioco è finito. 
 Quindi quello che mi piacerebbe fare è trovare un modo per ottimizzarlo. 
 Forse non ho bisogno di fare tutto questo calcolo per raggiungere ancora 

Chinese: 
他们会尽力使我达到4级，但这是我能做的最好的。 
我不能保证更高的分数，因为如果我
选择这两个选项之一，我可能会得到3，或者我可能会得到2。 
的确是9，这是
所有分数中最高的分数。 
所以我可能会想说，你知道吗？ 
也许我应该选择这个选项，因为我可能会得到9。 
但是如果最小玩家玩得很聪明， 
如果他们在每个可能的选择上都做出了最好的动作
他们有选择权时，我会留下3， 
而我可以更好地发挥最佳状态
保证我会得到4。 
因此，这不会影响我的逻辑
用作Minimax播放器，尝试从该节点上最大化我的得分。 
但事实证明，这需要大量的计算
我来弄清楚。 
为了得出这个结论，我必须对所有这些节点进行推理。 
这是一个非常简单的游戏，我有三个选择， 
我的对手有三个选择，然后游戏结束了。 
因此，我想做的是想出一种优化此方法的方法。 
也许我不需要完成所有计算就可以达到

Portuguese: 
 eles vão tentar me levar para o 4, mas é o melhor que posso fazer. 
 Não posso garantir uma pontuação mais alta, porque se eu 
 Se você escolher uma dessas duas opções, posso obter um 3 ou 2. 
 E é verdade que aqui é um 9, e isso é 
 a pontuação mais alta de qualquer uma das pontuações. 
 Então, eu posso ficar tentado a dizer, quer saber? 
 Talvez eu deva escolher esta opção, porque eu posso pegar o 9. 
 Mas se o jogador min está jogando de forma inteligente, 
 se eles estão fazendo as melhores jogadas em cada opção possível 
 eles têm quando eles fazem uma escolha, eu vou ficar com um 3, 
 enquanto eu poderia melhor, jogando da melhor maneira, 
 garantimos que eu receberia o 4. 
 Então isso não afeta a lógica que eu faria 
 uso como um jogador Minimax tentando maximizar minha pontuação nesse nó lá. 
 Mas acontece que isso exigiu um pouco de computação 
 para eu descobrir isso. 
 Eu tive que raciocinar através de todos esses nós para tirar essa conclusão. 
 E isso é para um jogo bem simples, onde eu tenho três opções, 
 meu oponente tem três opções e o jogo acaba. 
 Então, o que eu gostaria de fazer é criar uma maneira de otimizar isso. 
 Talvez eu não precise fazer todo esse cálculo para alcançar ainda 

French: 
 ils vont essayer de m'amener au 4, mais c'est le mieux que je puisse faire. 
 Je ne peux pas garantir un score plus élevé, car si je 
 choisissez l'une de ces deux options, je pourrais obtenir un 3, ou je pourrais obtenir un 2. 
 Et il est vrai que ici est un 9, et c'est 
 le score le plus élevé de tous les scores. 
 Je pourrais donc être tenté de dire, tu sais quoi? 
 Je devrais peut-être prendre cette option, car je pourrais obtenir le 9. 
 Mais si le joueur min joue intelligemment, 
 s'ils font les meilleurs choix à chaque option possible 
 ils ont quand ils arrivent à faire un choix, je vais me retrouver avec un 3, 
 alors que je pourrais mieux, jouer de façon optimale, 
 ont garanti que j'obtiendrais le 4. 
 Donc, cela n'affecte pas la logique que je voudrais 
 utiliser comme un joueur Minimax essayant de maximiser mon score à partir de ce nœud là-bas. 
 Mais il s'avère que cela a pris pas mal de calcul 
 pour moi de comprendre cela. 
 J'ai dû raisonner à travers tous ces nœuds afin de tirer cette conclusion. 
 Et c'est pour un jeu assez simple, où j'ai trois choix, 
 mon adversaire a trois choix, puis la partie est terminée. 
 Donc, ce que j'aimerais faire, c'est trouver un moyen d'optimiser cela. 
 Peut-être que je n'ai pas besoin de faire tout ce calcul pour atteindre 

Japanese: 
彼らは私を4に連れて行こうとしますが、それが私ができる最善の方法です。 
より高いスコアを保証することはできません。 
これらの2つのオプションのいずれかを選択します。3を取得するか、2を取得します。 
そして、ここに9があり、それは
いずれかのスコアの最高スコア。 
だから私は言いたくなるかもしれません、あなたは何を知っていますか？ 
多分私は9を得るかもしれないので、このオプションを取るべきです。 
しかし、最小プレーヤーがインテリジェントにプレイしている場合、 
彼らが可能な各オプションで最高の動きをしているなら
彼らは選択をするときに持っています、私は3を残されます
私はより良い、最適なプレーをすることができましたが、 
私が4を手に入れることを保証しました。 
だから私がするロジックには影響しません
そのノードからのスコアを最大化しようとするミニマックスプレーヤーとして使用します。 
しかし、結局、それはかなりの計算を必要としました
それを理解するために。 
この結論を引き出すために、これらすべてのノードを推論する必要がありました。 
これはかなりシンプルなゲーム用で、3つの選択肢があります。 
私の対戦相手には3つの選択肢があり、それからゲームオーバーです。 
だから私がしたいのはこれを最適化する方法を考え出すことです。 
多分私はまだ到達するためにこの計算のすべてを行う必要はありません

English: 
they will try and get me to the 4, but that's the best I can do.
I can't guarantee a higher score, because if I
pick either of these two options, I might get a 3, or I might get a 2.
And it's true that down here is a 9, and that's
the highest score of any of the scores.
So I might be tempted to say, you know what?
Maybe I should take this option, because I might get the 9.
But if the min player is playing intelligently,
if they're making the best moves at each possible option
they have when they get to make a choice, I'll be left with a 3,
whereas I could better, playing optimally,
have guaranteed that I would get the 4.
So that doesn't affect the logic that I would
use as a Minimax player trying to maximize my score from that node there.
But it turns out, that took quite a bit of computation
for me to figure that out.
I had to reason through all of these nodes in order to draw this conclusion.
And this is for a pretty simple game, where I have three choices,
my opponent has three choices, and then the game's over.
So what I'd like to do is come up with some way to optimize this.
Maybe I don't need to do all of this calculation to still reach

Russian: 
 они попытаются отвести меня в четверку, но это лучшее, что я могу сделать. 
 Я не могу гарантировать более высокий балл, потому что если я 
 выберите любой из этих двух вариантов, я мог бы получить 3, или я мог бы получить 2. 
 И это правда, что здесь внизу 9, и это 
 самый высокий балл из любого из баллов. 
 Так что я могу испытать искушение сказать, знаешь что? 
 Может быть, я должен принять этот вариант, потому что я мог бы получить 9. 
 Но если минимальный игрок играет разумно, 
 если они делают лучшие ходы при каждом возможном варианте 
 у них есть, когда они сделают выбор, я останусь с 3, 
 в то время как я мог бы лучше, играя оптимально, 
 гарантировали, что я получу 4. 
 Так что это не влияет на логику, которую я бы 
 использовать в качестве минимаксного игрока, пытающегося максимизировать мой счет от этого узла там. 
 Но оказывается, что потребовалось немало вычислений 
 для меня, чтобы понять это. 
 Мне пришлось обдумать все эти узлы, чтобы сделать такой вывод. 
 И это для довольно простой игры, где у меня есть три варианта, 
 у моего оппонента есть три варианта, и игра окончена. 
 Поэтому я хотел бы найти способ оптимизировать это. 
 Может быть, мне не нужно делать все эти вычисления, чтобы все еще достичь 

Spanish: 
 intentarán llevarme a los 4, pero eso es lo mejor que puedo hacer. 
 No puedo garantizar una puntuación más alta, porque si yo 
 elija cualquiera de estas dos opciones, podría obtener un 3, o podría obtener un 2. 
 Y es cierto que aquí abajo hay un 9, y eso es 
 El puntaje más alto de cualquiera de los puntajes. 
 Entonces podría estar tentado a decir, ¿sabes qué? 
 Tal vez debería tomar esta opción, porque podría obtener el 9. 
 Pero si el jugador mínimo está jugando de manera inteligente, 
 si están haciendo los mejores movimientos en cada opción posible 
 tienen cuando tienen que elegir, me quedaré con un 3, 
 mientras que podría jugar mejor, 
 he garantizado que obtendría el 4. 
 Entonces eso no afecta la lógica que haría 
 usar como jugador de Minimax tratando de maximizar mi puntaje desde ese nodo allí. 
 Pero resulta que eso requirió bastante cálculo 
 para que yo pueda resolver eso. 
 Tuve que razonar a través de todos estos nodos para sacar esta conclusión. 
 Y esto es para un juego bastante simple, donde tengo tres opciones, 
 mi oponente tiene tres opciones, y luego se acabó el juego. 
 Entonces, lo que me gustaría hacer es encontrar alguna forma de optimizar esto. 
 Tal vez no necesito hacer todo este cálculo para alcanzar 

Korean: 
 그들은 나를 4에 데려다 줄 것이다. 그러나 그것은 내가 할 수있는 최선이다. 
 더 높은 점수를 보장 할 수 없습니다. 왜냐하면 
 이 두 옵션 중 하나를 선택하면 3을 얻거나 2를 얻을 수 있습니다. 
 그리고 여기에 9가 있다는 것은 사실입니다. 
 점수 중 가장 높은 점수 
 그래서 내가 말하고 싶은 유혹을받을 수도 있습니다. 
 9를 얻을 수 있기 때문에이 옵션을 사용해야 할 수도 있습니다. 
 하지만 최소 플레이어가 지능적으로 플레이한다면 
 그들이 각각의 가능한 옵션에서 최선을 다한다면 
 그들은 선택을 할 때, 나는 3을 남겨두고 
 최적으로 플레이하는 것이 더 좋았습니다. 
 내가 4를 얻을 것이라고 보장했습니다. 
 그래서 그것은 내가 할 논리에 영향을 미치지 않습니다 
 해당 노드에서 내 점수를 최대화하려는 Minimax 플레이어로 사용하십시오. 
 그러나 그것은 꽤 많은 계산이 필요하다는 것이 밝혀졌습니다. 
 내가 알아낼 수 있도록 
 나는이 결론을 도출하기 위해이 모든 노드들을 통해 추론해야했다. 
 이것은 매우 간단한 게임을위한 것이며, 세 가지 선택이 있습니다. 
 상대는 세 가지 선택을하고 게임은 끝납니다. 
 그래서 내가하고 싶은 것은 이것을 최적화하는 방법을 생각해내는 것입니다. 
 어쩌면 나는이 계산을 모두 수행하지 않아도 여전히 도달 할 수 있습니다. 

Chinese: 
他們會盡力使我達到4級，但這是我能做的最好的。 
我不能保證更高的分數，因為如果我
選擇這兩個選項之一，我可能會得到3，或者我可能會得到2。 
的確是9，這是
所有分數中最高的分數。 
所以我可能會想說，你知道嗎？ 
也許我應該選擇這個選項，因為我可能會得到9。 
但是如果最小玩家玩得很聰明， 
如果他們在每個可能的選擇上都做出了最好的動作
他們有選擇權時，我會留下3， 
而我可以更好地發揮最佳狀態
保證我會得到4。 
因此，這不會影響我的邏輯
用作Minimax播放器，嘗試從該節點上最大化我的得分。 
但事實證明，這需要大量的計算
我來弄清楚。 
為了得出這個結論，我必須對所有這些節點進行推理。 
這是一個非常簡單的遊戲，我有三個選擇， 
我的對手有三個選擇，然後遊戲結束了。 
因此，我想做的是想出一種優化此方法的方法。 
也許我不需要完成所有計算就可以達到

Modern Greek (1453-): 
 θα προσπαθήσουν να με πάρουν στο 4, αλλά αυτό είναι το καλύτερο που μπορώ να κάνω. 
 Δεν μπορώ να εγγυηθώ υψηλότερο σκορ, γιατί αν εγώ 
 διαλέξτε μία από αυτές τις δύο επιλογές, θα μπορούσα να πάρω 3 ή να πάρω 2. 
 Και είναι αλήθεια ότι εδώ είναι 9, και αυτό είναι 
 η υψηλότερη βαθμολογία οποιασδήποτε από τις βαθμολογίες. 
 Θα μπορούσα να μπω στον πειρασμό να πω, ξέρετε τι; 
 Ίσως πρέπει να κάνω αυτήν την επιλογή, γιατί θα μπορούσα να πάρω το 9. 
 Αλλά αν ο παίκτης min παίζει έξυπνα, 
 αν κάνουν τις καλύτερες κινήσεις σε κάθε πιθανή επιλογή 
 έχουν όταν κάνουν μια επιλογή, θα μείνω με 3, 
 ενώ θα μπορούσα καλύτερα, παίζοντας βέλτιστα, 
 έχω εγγυηθεί ότι θα έπαιρνα τα 4. 
 Αυτό δεν επηρεάζει τη λογική που θα ήθελα 
 χρήση ως παίκτης Minimax προσπαθώντας να μεγιστοποιήσω το σκορ μου από εκείνο τον κόμβο εκεί. 
 Αλλά αποδεικνύεται ότι χρειάστηκε αρκετός υπολογισμός 
 για να το καταλάβω. 
 Έπρεπε να σκεφτώ όλους αυτούς τους κόμβους για να καταλήξω σε αυτό το συμπέρασμα. 
 Και αυτό είναι για ένα πολύ απλό παιχνίδι, όπου έχω τρεις επιλογές, 
 ο αντίπαλός μου έχει τρεις επιλογές και μετά το παιχνίδι τελείωσε. 
 Αυτό που θα ήθελα να κάνω είναι να βρω έναν τρόπο βελτιστοποίησης αυτού. 
 Ίσως δεν χρειάζεται να κάνω όλο αυτό τον υπολογισμό για να φτάσω ακόμα 

Dutch: 
 ze zullen proberen me naar de 4 te krijgen, maar dat is het beste wat ik kan doen. 
 Ik kan geen hogere score garanderen, want als ik 
 kies een van deze twee opties, misschien krijg ik een 3 of krijg ik een 2. 
 En het is waar dat hier beneden een 9 is, en dat is 
 de hoogste score van alle scores. 
 Dus ik zou in de verleiding kunnen komen om te zeggen, weet je wat? 
 Misschien moet ik deze optie nemen, omdat ik misschien de 9 krijg. 
 Maar als de min-speler intelligent speelt, 
 als ze de beste zetten doen bij elke mogelijke optie 
 ze hebben wanneer ze een keuze mogen maken, ik blijf achter met een 3, 
 terwijl ik beter kan spelen door optimaal te spelen, 
 hebben gegarandeerd dat ik de 4 zou krijgen. 
 Dus dat heeft geen invloed op de logica die ik zou hebben 
 gebruik als een Minimax-speler die mijn score van dat knooppunt daar probeert te maximaliseren. 
 Maar het bleek dat dat nogal wat rekenwerk kostte 
 voor mij om dat uit te zoeken. 
 Ik moest door al deze knooppunten redeneren om deze conclusie te trekken. 
 En dit is voor een vrij eenvoudig spel, waarbij ik drie keuzes heb, 
 mijn tegenstander heeft drie keuzes, en dan is het spel afgelopen. 
 Dus wat ik zou willen doen, is een manier bedenken om dit te optimaliseren. 
 Misschien hoef ik niet al deze berekeningen uit te voeren om toch te bereiken 

Turkish: 
 onlar beni 4'e getirecekler, ama yapabileceğim en iyi şey bu. 
 Daha yüksek bir skoru garanti edemem, çünkü eğer 
 Bu iki seçenekten birini seçerseniz, 3 alabilir veya 2 alabilirim. 
 Ve burada 9 olduğu doğrudur ve bu 
 puanlardan herhangi birinin en yüksek puanı. 
 Söylemeye cazip gelebilirim, biliyor musun? 
 Belki de bu seçeneği kullanmalıyım, çünkü 9'u alabilirim. 
 Ancak min. Oyuncu akıllıca oynuyorsa, 
 mümkün olan her seçenekte en iyi hamleleri yapıyorlarsa 
 bir seçim yaptıklarında sahip olurlar, ben 3 ile kalacağım, 
 oysa en iyi şekilde oynayabilirim, 
 4 alacağımı garanti ettim. 
 Bu benim mantığımı etkilemez 
 oradaki düğümden puanımı en üst düzeye çıkarmaya çalışan bir Minimax oyuncusu olarak kullan. 
 Ama ortaya çıktı, bu biraz hesaplama aldı 
 benim bulmam için. 
 Bu sonucu çıkarmak için tüm bu düğümlerden akıl yürütmem gerekiyordu. 
 Ve bu, üç seçeneğim olduğu oldukça basit bir oyun için, 
 rakibimin üç seçeneği var ve oyun bitti. 
 Yapmak istediğim şey bunu optimize etmenin bir yolunu bulmak. 
 Belki hala ulaşmak için tüm bu hesaplamaları yapmama gerek yok 

German: 
 Sie werden versuchen, mich zu den 4 zu bringen, aber das ist das Beste, was ich tun kann. 
 Ich kann keine höhere Punktzahl garantieren, denn wenn ich 
 Wählen Sie eine dieser beiden Optionen. Ich erhalte möglicherweise eine 3 oder eine 2. 
 Und es ist wahr, dass hier unten eine 9 ist, und das ist 
 die höchste Punktzahl aller Punkte. 
 Ich könnte also versucht sein zu sagen, weißt du was? 
 Vielleicht sollte ich diese Option wählen, weil ich die 9 bekommen könnte. 
 Aber wenn der Min-Spieler intelligent spielt, 
 wenn sie bei jeder möglichen Option die besten Züge machen 
 Wenn sie eine Wahl treffen können, bleibt mir eine 3, 
 während ich besser, optimal spielen könnte, 
 habe garantiert, dass ich die 4 bekommen würde. 
 Das hat also keinen Einfluss auf die Logik, die ich würde 
 Verwenden Sie als Minimax-Spieler, um meine Punktzahl von diesem Knoten dort zu maximieren. 
 Aber es stellte sich heraus, dass dies einige Berechnungen erforderte 
 für mich, um das herauszufinden. 
 Ich musste alle diese Knoten durchdenken, um diese Schlussfolgerung zu ziehen. 
 Und dies ist für ein ziemlich einfaches Spiel, bei dem ich drei Möglichkeiten habe: 
 Mein Gegner hat drei Möglichkeiten, und dann ist das Spiel vorbei. 
 Ich möchte also einen Weg finden, dies zu optimieren. 
 Vielleicht muss ich nicht all diese Berechnungen durchführen, um noch zu erreichen 

Arabic: 
 سيحاولون إيصالهم إلى الـ 4 ، لكن هذا أفضل ما يمكنني فعله. 
 لا استطيع ضمان درجة أعلى ، لأنني إذا 
 اختر أحد هذين الخيارين ، قد أحصل على 3 ، أو قد أحصل على 2. 
 وصحيح أنه يوجد هنا 9 ، وهذا 
 أعلى الدرجات في أي من الدرجات. 
 لذا قد أميل إلى القول ، أتعلمون ماذا؟ 
 ربما ينبغي لي أن أغتنم هذا الخيار ، لأنني قد أحصل على 9. 
 ولكن إذا كان اللاعب الصغير يلعب بذكاء ، 
 إذا كانوا يقومون بأفضل التحركات في كل خيار ممكن 
 لديهم عندما يتمكنون من الاختيار ، سأترك مع 3 ، 
 بينما يمكنني اللعب بشكل أفضل ، 
 قد ضمنت أنني سأحصل على 4. 
 لذلك لا يؤثر على المنطق الذي أود 
 استخدامها كلاعب Minimax في محاولة لزيادة درجاتي من تلك العقدة هناك. 
 ولكن اتضح أن ذلك استغرق القليل من الحساب 
 بالنسبة لي لمعرفة ذلك. 
 كان علي أن أفكر في كل هذه العقد من أجل استخلاص هذا الاستنتاج. 
 وهذه لعبة بسيطة جدًا ، حيث لدي ثلاثة خيارات ، 
 أمام خصمي ثلاثة خيارات ، ثم تنتهي اللعبة. 
 لذا ما أود القيام به هو التوصل إلى طريقة لتحسين هذا. 
 ربما لست بحاجة إلى القيام بكل هذه الحسابات حتى أتمكن من الوصول 

Hindi: 
 वे कोशिश करेंगे और मुझे 4 पर ले जाएंगे, लेकिन मैं सबसे अच्छा कर सकता हूं। 
 मैं उच्च स्कोर की गारंटी नहीं दे सकता, क्योंकि अगर मैं 
 इन दोनों विकल्पों में से किसी एक को चुनें, मुझे 3 मिल सकता है, या मुझे 2 मिल सकता है। 
 और यह सच है कि यहाँ नीचे एक 9 है, और वह है 
 किसी भी स्कोर का उच्चतम स्कोर। 
 तो मुझे यह कहने के लिए लुभाया जा सकता है, आप जानते हैं क्या? 
 शायद मुझे यह विकल्प लेना चाहिए, क्योंकि मुझे 9 मिल सकते हैं। 
 लेकिन अगर मिनी खिलाड़ी समझदारी से खेल रहा हो, 
 यदि वे प्रत्येक संभव विकल्प पर सर्वोत्तम चाल चल रहे हैं 
 जब उनके पास एक विकल्प बनाने के लिए मिलता है, तो मुझे एक 3 के साथ छोड़ दिया जाएगा, 
 जबकि मैं बेहतर कर सकता था, बेहतर खेल रहा था, 
 गारंटी है कि मुझे 4 मिलेगा। 
 ताकि मैं उस तर्क को प्रभावित न करूं जो मैं करूंगा 
 मिनिमैक्स खिलाड़ी के रूप में उपयोग करने के लिए वहाँ उस नोड से मेरे स्कोर को अधिकतम करने की कोशिश कर रहा है। 
 लेकिन यह पता चला है, कि काफी संगणना हुई 
 मेरे लिए यह पता लगाने के लिए। 
 मुझे यह निष्कर्ष निकालने के लिए इन सभी नोड्स के माध्यम से तर्क करना था। 
 और यह एक बहुत ही सरल खेल के लिए है, जहाँ मेरे पास तीन विकल्प हैं, 
 मेरे प्रतिद्वंद्वी के पास तीन विकल्प हैं, और फिर खेल खत्म। 
 तो मैं क्या करना चाहता हूँ यह अनुकूलन करने के लिए कुछ तरीका है। 
 शायद मुझे अभी तक पहुँचने के लिए इस गणना के सभी करने की आवश्यकता नहीं है 

Italian: 
 la conclusione che, sai cosa? 
 Questa azione a sinistra-- 
 è il meglio che potrei fare. 
 Andiamo avanti e riproviamo e cerchiamo di essere un po 'più intelligenti 
 su come vado a fare questo. 
 Quindi, per prima cosa, inizio esattamente allo stesso modo. 
 Inizialmente non so cosa fare, quindi solo 
 considerare una delle opzioni e considerare cosa potrebbe fare il giocatore minimo. 
 Min ha tre opzioni, 4, 8 e 5. 
 E tra queste tre opzioni, dice min, 4 è il massimo che possono fare, 
 perché vogliono provare a minimizzare il punteggio. 
 Ora, io, il massimo giocatore, prenderò in considerazione la mia seconda opzione, 
 facendo questa mossa qui e considerando ciò che il mio avversario avrebbe fatto in risposta. 
 Cosa farà il giocatore minimo? 
 Bene, il giocatore minimo sta per, da quello stato, esaminare le loro opzioni. 
 E direi, va bene. 
 9 è un'opzione, 3 è un'opzione. 
 E se sto facendo la matematica da questo stato iniziale, 
 facendo tutto questo calcolo, quando vedo un 3, 
 quella dovrebbe essere immediatamente una bandiera rossa per me, 
 perché quando vedo un 3 quaggiù in questo stato, 

Chinese: 
结论是，您知道吗？ 
此动作向左- 
那是我所能做的最好的。 
让我们继续尝试，再尝试，变得更加聪明
关于我如何去做。 
所以首先，我以完全相同的方式开始。 
一开始我不知道该怎么办，所以我只是
必须考虑其中一种选择，并考虑最小玩家可能会做什么。 
最小有三个选项：4、8和5。 
敏说，在这三种选择之间，最好的是4种， 
因为他们想尽量减少分数。 
现在，我，最大的玩家，将考虑我的第二个选择， 
在此采取行动，并考虑我的对手会怎么做。 
最小玩家会做什么？ 
好吧，最小玩家将从该状态开始研究他们的选择。 
我会说，好的。 
 9是一个选项，3是一个选项。 
如果我从这个初始状态开始进行数学运算， 
做所有这些计算，当我看到3时， 
对我来说应该立即成为一个危险信号， 
因为当我在此状态下看到3时， 

Arabic: 
 الاستنتاج بأن ، أنت تعرف ماذا؟ 
 هذا الإجراء إلى اليسار-- 
 هذا أفضل ما يمكنني فعله. 
 دعونا نمضي قدما ونحاول مرة أخرى ونحاول أن نكون أكثر ذكاء 
 حول كيفية القيام بذلك. 
 لذا أولا ، أبدأ بنفس الطريقة بالضبط. 
 لا أعرف ماذا أفعل في البداية ، لذلك أنا فقط 
 عليك أن تفكر في أحد الخيارات وتفكر في ما يمكن أن يفعله اللاعب. 
 يحتوي Min على ثلاثة خيارات ، 4 و 8 و 5. 
 بين هذه الخيارات الثلاثة ، يقول مين ، 4 هو أفضل ما يمكنهم فعله ، 
 لأنهم يريدون محاولة تقليل النتيجة. 
 الآن ، أنا ، اللاعب الأقصى ، سأفكر في خياري الثاني ، 
 القيام بهذه الخطوة هنا والنظر في ما سيفعله خصمي في الرد. 
 ماذا سيفعل اللاعب الصغير؟ 
 حسنًا ، سيشغل اللاعب المصغر ، من تلك الحالة ، نظرة على خياراته. 
 وأود أن أقول ، حسنًا. 
 9 خيار ، 3 خيار. 
 وإذا كنت أقوم بالرياضيات من هذه الحالة الأولية ، 
 بالقيام بكل هذه الحسابات ، عندما أرى 3 ، 
 التي يجب أن تكون على الفور علامة حمراء بالنسبة لي ، 
 لأنه عندما أرى 3 هنا في هذه الحالة ، 

English: 
the conclusion that, you know what?
This action to the left--
that's the best that I could do.
Let's go ahead and try again and try and be a little more intelligent
about how I go about doing this.
So first, I start the exact same way.
I don't know what to do initially, so I just
have to consider one of the options and consider what the min player might do.
Min has three options, 4, 8, and 5.
And between those three options, min says, 4 is the best they can do,
because they want to try to minimize the score.
Now, I, the max player, will consider my second option,
making this move here and considering what my opponent would do in response.
What will the min player do?
Well, the min player is going to, from that state, look at their options.
And I would say, all right.
9 is an option, 3 is an option.
And if I am doing the math from this initial state,
doing all this calculation, when I see a 3,
that should immediately be a red flag for me,
because when I see a 3 down here at this state,

German: 
 die Schlussfolgerung, dass, weißt du was? 
 Diese Aktion auf der linken Seite-- 
 Das ist das Beste, was ich tun kann. 
 Versuchen wir es noch einmal und versuchen wir, ein bisschen intelligenter zu sein 
 darüber, wie ich das mache. 
 Also fange ich zuerst genauso an. 
 Ich weiß zunächst nicht, was ich tun soll, also habe ich es einfach getan 
 Ich muss eine der Optionen in Betracht ziehen und überlegen, was der Min-Spieler tun könnte. 
 Min hat drei Optionen, 4, 8 und 5. 
 Und zwischen diesen drei Optionen, sagt min, ist 4 das Beste, was sie tun können, 
 weil sie versuchen wollen, die Punktzahl zu minimieren. 
 Jetzt werde ich, der maximale Spieler, meine zweite Option in Betracht ziehen: 
 Machen Sie diesen Schritt hierher und überlegen Sie, was mein Gegner als Antwort tun würde. 
 Was wird der Min-Spieler tun? 
 Nun, der Min-Spieler wird von diesem Zustand aus seine Optionen prüfen. 
 Und ich würde sagen, alles klar. 
 9 ist eine Option, 3 ist eine Option. 
 Und wenn ich von diesem Ausgangszustand aus rechne, 
 mache all diese Berechnung, wenn ich eine 3 sehe, 
 das sollte sofort eine rote Fahne für mich sein, 
 denn wenn ich hier unten in diesem Zustand eine 3 sehe, 

Japanese: 
結論、あなたは何を知っていますか？ 
このアクションは左側にあります- 
それが私ができる最高のことです。 
先に進んで、もう一度試して、もう少しインテリジェントになってみましょう
これをどうやってやるかについて。 
最初に、私はまったく同じ方法で始めます。 
最初はどうしたらいいかわからないので
オプションの1つを検討し、最小プレーヤーが何をする可能性があるかを検討する必要があります。 
 Minには、4、8、および5の3つのオプションがあります。 
そして、これらの3つのオプションの間で、最小は言います、4は彼らがすることができる最高です、 
彼らはスコアを最小化しようとするので。 
ここで、最大プレイヤーである私が2番目のオプションを検討します。 
ここでこの動きをして、私の対戦相手がそれに応じて何をするかを考えます。 
最小プレーヤーは何をしますか？ 
さて、最小プレーヤーはその状態から、それらのオプションを見ていきます。 
そして、私は言う、大丈夫です。 
 9はオプション、3はオプションです。 
そして、私がこの初期状態から数学をしているなら、 
この計算をすべて実行すると、3が表示されます。 
それはすぐに私にとって赤旗になるはずです、 
この状態でここに3が表示されると、 

Portuguese: 
 a conclusão de que, você sabe o que? 
 Esta ação à esquerda-- 
 isso é o melhor que eu poderia fazer. 
 Vamos em frente e tente novamente e tente ser um pouco mais inteligente 
 sobre como eu faço isso. 
 Então, primeiro, começo exatamente da mesma maneira. 
 Eu não sei o que fazer inicialmente, então eu apenas 
 precisa considerar uma das opções e considerar o que o jogador mínimo pode fazer. 
 Min tem três opções, 4, 8 e 5. 
 E entre essas três opções, diz min, 4 é o melhor que podem fazer, 
 porque eles querem tentar minimizar a pontuação. 
 Agora, eu, o jogador máximo, considerarei minha segunda opção, 
 fazendo esse movimento aqui e considerando o que meu oponente faria em resposta. 
 O que o jogador min fará? 
 Bem, o jogador min vai, a partir desse estado, olhar para suas opções. 
 E eu diria, tudo bem. 
 9 é uma opção, 3 é uma opção. 
 E se eu estiver fazendo as contas desse estado inicial, 
 fazendo todo esse cálculo, quando vejo um 3, 
 isso deve ser imediatamente uma bandeira vermelha para mim, 
 porque quando vejo um 3 aqui em baixo neste estado, 

Dutch: 
 de conclusie dat, weet je wat? 
 Deze actie aan de linkerkant-- 
 dat is het beste wat ik kon doen. 
 Laten we doorgaan en het opnieuw proberen en proberen een beetje intelligenter te zijn 
 over hoe ik dit doe. 
 Dus eerst begin ik op precies dezelfde manier. 
 Ik weet in eerste instantie niet wat ik moet doen, dus ik weet het gewoon 
 moet een van de opties overwegen en overwegen wat de minispeler zou kunnen doen. 
 Min heeft drie opties, 4, 8 en 5. 
 En tussen die drie opties, zegt Min, is 4 het beste wat ze kunnen doen, 
 omdat ze de score willen minimaliseren. 
 Nu, ik, de maximale speler, zal mijn tweede optie overwegen, 
 deze stap hier maken en kijken wat mijn tegenstander zou doen als reactie. 
 Wat gaat de min speler doen? 
 Welnu, de min-speler gaat vanuit die staat kijken naar hun opties. 
 En ik zou zeggen, oké. 
 9 is een optie, 3 is een optie. 
 En als ik de wiskunde doe vanuit deze begintoestand, 
 bij al deze berekening, als ik een 3 zie, 
 dat zou voor mij meteen een rode vlag moeten zijn, 
 want als ik hier in deze toestand een 3 zie, 

Hindi: 
 निष्कर्ष है कि, तुम्हें पता है क्या? 
 बाईं ओर यह क्रिया-- 
 यह सबसे अच्छा है जो मैं कर सकता था। 
 आइए आगे बढ़ें और फिर से प्रयास करें और थोड़ा और बुद्धिमान बनें 
 मैं यह करने के बारे में कैसे जाना। 
 तो पहले, मैं ठीक उसी तरह से शुरू करता हूं। 
 मुझे नहीं पता कि शुरू में क्या करना है, इसलिए मैं अभी 
 विकल्पों में से एक पर विचार करें और विचार करें कि मिनि प्लेयर क्या कर सकता है। 
 मिन के तीन विकल्प हैं, 4, 8, और 5। 
 और उन तीन विकल्पों के बीच, मिन कहते हैं, 4 सबसे अच्छा वे कर सकते हैं, 
 क्योंकि वे स्कोर को कम करने की कोशिश करना चाहते हैं। 
 अब, मैं, अधिकतम खिलाड़ी, मेरे दूसरे विकल्प पर विचार करेगा, 
 यहाँ इस कदम को बनाने और मेरे प्रतिद्वंद्वी ने जवाब में क्या करना होगा पर विचार किया। 
 मिनि प्लेयर क्या करेगा? 
 खैर, उस राज्य से, जो खिलाड़ी जा रहा है, उनके विकल्प देखें। 
 और मैं कहूंगा, ठीक है। 
 9 एक विकल्प है, 3 एक विकल्प है। 
 और अगर मैं इस प्रारंभिक अवस्था से गणित कर रहा हूं, 
 यह सब गणना करते समय, जब मैं एक 3 देखता हूं, 
 मेरे लिए तुरंत एक लाल झंडा होना चाहिए, 
 क्योंकि जब मैं इस राज्य में 3 नीचे देखता हूं, 

French: 
 la conclusion que, vous savez quoi? 
 Cette action à gauche-- 
 c'est le mieux que je puisse faire. 
 Allons de l'avant et réessayons et essayons d'être un peu plus intelligents 
 sur la façon dont je fais cela. 
 Alors d'abord, je commence exactement de la même manière. 
 Je ne sais pas quoi faire au départ, donc je 
 avoir à considérer l'une des options et à réfléchir à ce que le joueur minimum pourrait faire. 
 Min a trois options, 4, 8 et 5. 
 Et entre ces trois options, min dit, 4 est le meilleur qu'ils peuvent faire, 
 parce qu'ils veulent essayer de minimiser le score. 
 Maintenant, moi, le joueur max, considérerai ma deuxième option, 
 faire ce mouvement ici et considérer ce que mon adversaire ferait en réponse. 
 Que fera le joueur min? 
 Eh bien, le joueur min va, à partir de cet état, regarder leurs options. 
 Et je dirais, très bien. 
 9 est une option, 3 est une option. 
 Et si je fais le calcul à partir de cet état initial, 
 faire tout ce calcul, quand je vois un 3, 
 cela devrait immédiatement être un drapeau rouge pour moi, 
 parce que quand je vois un 3 ici dans cet état, 

Chinese: 
結論是，您知道嗎？ 
此動作向左- 
那是我所能做的最好的。 
讓我們繼續嘗試，再嘗試，變得更加聰明
關於我如何去做。 
所以首先，我以完全相同的方式開始。 
一開始我不知道該怎麼辦，所以我只是
必須考慮其中一種選擇，並考慮最小玩家可能會做什麼。 
最小有三個選項：4、8和5。 
敏說，在這三種選擇之間，最好的是4種， 
因為他們想盡量減少分數。 
現在，我，最大的玩家，將考慮我的第二個選擇， 
在此採取行動，並考慮我的對手會怎麼做。 
最小玩家會做什麼？ 
好吧，最小玩家將從該狀態開始研究他們的選擇。 
我會說，好的。 
 9是一個選項，3是一個選項。 
如果我從這個初始狀態開始進行數學運算， 
做所有這些計算，當我看到3時， 
對我來說應該立即成為一個危險信號， 
因為當我在此狀態下看到3時， 

Modern Greek (1453-): 
 το συμπέρασμα ότι, ξέρετε τι; 
 Αυτή η δράση προς τα αριστερά-- 
 αυτό είναι το καλύτερο που θα μπορούσα να κάνω. 
 Ας προχωρήσουμε και προσπαθήστε ξανά και προσπαθήστε να γίνουμε λίγο πιο έξυπνοι 
 για το πώς θα το κάνω αυτό. 
 Πρώτα λοιπόν, ξεκινώ με τον ίδιο ακριβώς τρόπο. 
 Δεν ξέρω τι να κάνω αρχικά, έτσι απλά 
 πρέπει να εξετάσουμε μία από τις επιλογές και να σκεφτούμε τι μπορεί να κάνει ο ελάχιστος παίκτης. 
 Το Min έχει τρεις επιλογές, 4, 8 και 5. 
 Και μεταξύ αυτών των τριών επιλογών, λέει, το 4 είναι το καλύτερο που μπορούν να κάνουν, 
 επειδή θέλουν να προσπαθήσουν να ελαχιστοποιήσουν το σκορ. 
 Τώρα, εγώ, ο μέγιστος παίκτης, θα εξετάσω τη δεύτερη επιλογή μου, 
 κάνοντας αυτήν την κίνηση εδώ και εξετάζοντας τι θα έκανε ο αντίπαλός μου ως απάντηση. 
 Τι θα κάνει ο ελάχιστος παίκτης; 
 Λοιπόν, ο ελάχιστος παίκτης θα κοιτάξει, από αυτήν την κατάσταση, τις επιλογές του. 
 Και θα έλεγα, εντάξει. 
 Το 9 είναι μια επιλογή, το 3 είναι μια επιλογή. 
 Και αν κάνω τα μαθηματικά από αυτήν την αρχική κατάσταση, 
 κάνοντας όλο αυτόν τον υπολογισμό, όταν βλέπω ένα 3, 
 που θα έπρεπε αμέσως να είναι μια κόκκινη σημαία για μένα, 
 γιατί όταν βλέπω ένα 3 κάτω σε αυτήν την κατάσταση, 

Turkish: 
 sonuç ne biliyor musun? 
 Soldaki bu eylem-- 
 yapabileceğim en iyisi bu. 
 Devam edelim ve tekrar deneyelim ve biraz daha zeki olmaya çalışalım 
 bunu nasıl yapacağım hakkında. 
 İlk olarak, aynı şekilde başlıyorum. 
 Başlangıçta ne yapacağımı bilmiyorum, bu yüzden sadece 
 seçeneklerden birini ve min. oyuncunun neler yapabileceğini düşünmelisiniz. 
 Min'in üç seçeneği vardır, 4, 8 ve 5. 
 Ve bu üç seçenek arasında, min 4, yapabileceklerinin en iyisi olduğunu söylüyor, 
 çünkü skoru en aza indirmeye çalışıyorlar. 
 Şimdi, maksimum oyuncu olarak, ikinci seçeneğimi ele alacağım, 
 bu hareketi burada yapmak ve karşılık olarak rakibimin ne yapacağını düşünmek. 
 Min. Oyuncu ne yapacak? 
 Min oyuncu, bu durumdan seçeneklerine bakacak. 
 Ve söyleyebilirim, tamam. 
 9 bir seçenektir, 3 bir seçenektir. 
 Ve eğer bu başlangıç ​​durumundan matematiği yapıyorsam, 
 Tüm bu hesaplamayı yaparken, 3 gördüğümde, 
 bu benim için hemen kırmızı bir bayrak olmalı, 
 çünkü burada bu durumda bir 3 gördüğümde, 

Russian: 
 вывод что вы знаете что? 
 Это действие слева - 
 это лучшее, что я мог сделать. 
 Давайте попробуем снова и попробуем быть немного более умным 
 о том, как я делаю это. 
 Итак, сначала я начинаю точно так же. 
 Я не знаю, что делать вначале, поэтому я просто 
 Обдумайте один из вариантов и подумайте, что может сделать минимальный игрок. 
 Мин имеет три варианта, 4, 8 и 5. 
 И между этими тремя вариантами, говорит Мин, 4 - лучшее, что они могут сделать, 
 потому что они хотят попытаться свести к минимуму счет. 
 Теперь я, максимальный игрок, рассмотрю мой второй вариант, 
 сделать этот ход здесь и подумать, что мой противник сделает в ответ. 
 Что будет делать мин игрок? 
 Ну, минимальный игрок собирается из этого состояния посмотреть на их варианты. 
 И я бы сказал, все в порядке. 
 9 вариант, 3 вариант. 
 И если я делаю математику из этого начального состояния, 
 делая все эти вычисления, когда я вижу 3, 
 это должно быть сразу красный флаг для меня, 
 потому что когда я вижу 3 здесь в этом состоянии, 

Spanish: 
 La conclusión de que, ¿sabes qué? 
 Esta acción a la izquierda ... 
 eso es lo mejor que pude hacer. 
 Sigamos adelante e intentemos de nuevo e intentemos ser un poco más inteligentes 
 sobre cómo hago para hacer esto. 
 Entonces, primero, comienzo exactamente de la misma manera. 
 No sé qué hacer inicialmente, así que solo 
 tiene que considerar una de las opciones y considerar lo que el jugador mínimo podría hacer. 
 Min tiene tres opciones, 4, 8 y 5. 
 Y entre esas tres opciones, min dice, 4 es lo mejor que pueden hacer, 
 porque quieren intentar minimizar el puntaje. 
 Ahora, yo, el jugador máximo, consideraré mi segunda opción, 
 haciendo este movimiento aquí y considerando lo que haría mi oponente en respuesta. 
 ¿Qué hará el jugador min? 
 Bueno, el jugador mínimo va a, desde ese estado, ver sus opciones. 
 Y yo diría que está bien. 
 9 es una opción, 3 es una opción. 
 Y si estoy haciendo los cálculos de este estado inicial, 
 haciendo todo este cálculo, cuando veo un 3, 
 eso debería ser inmediatamente una bandera roja para mí, 
 porque cuando veo un 3 aquí abajo en este estado, 

Indonesian: 
 Kesimpulannya, Anda tahu apa? 
 Tindakan ini ke kiri-- 
 itu yang terbaik yang bisa saya lakukan. 
 Ayo maju dan coba lagi dan coba sedikit lebih cerdas 
 tentang bagaimana saya melakukan ini. 
 Jadi pertama, saya memulai dengan cara yang sama persis. 
 Saya tidak tahu apa yang harus saya lakukan pada awalnya, jadi saya hanya 
 harus mempertimbangkan salah satu opsi dan mempertimbangkan apa yang mungkin dilakukan pemain mini. 
 Min memiliki tiga opsi, 4, 8, dan 5. 
 Dan di antara ketiga opsi itu, kata min, 4 adalah yang terbaik yang bisa mereka lakukan, 
 karena mereka ingin mencoba meminimalkan skor. 
 Sekarang, saya, pemain maks, akan mempertimbangkan opsi kedua saya, 
 membuat gerakan ini di sini dan mempertimbangkan apa yang akan dilakukan lawan saya sebagai tanggapan. 
 Apa yang akan dilakukan pemain mini? 
 Nah, pemain min akan, dari kondisi itu, melihat opsi mereka. 
 Dan saya akan berkata, baiklah. 
 9 adalah opsi, 3 adalah opsi. 
 Dan jika saya melakukan matematika dari kondisi awal ini, 
 melakukan semua perhitungan ini, ketika saya melihat angka 3, 
 yang seharusnya segera menjadi bendera merah bagi saya, 
 karena ketika saya melihat 3 di sini di negara ini, 

Korean: 
 그 결론은 무엇입니까? 
 왼쪽의이 행동은- 
 그게 내가 할 수있는 최선이야 
 계속해서 다시 시도하고 좀 더 지능적으로 노력합시다 
 이 작업을 수행하는 방법에 대해 
 먼저, 똑같은 방식으로 시작합니다. 
 처음에 무엇을해야할지 모르겠 기 때문에 
 옵션 중 하나를 고려하고 최소 플레이어가 할 수있는 일을 고려해야합니다. 
 Min에는 4, 8 및 5의 세 가지 옵션이 있습니다. 
 그리고이 세 가지 옵션 중에서 4가 할 수있는 최선이라고 
 점수를 최소화하려고하기 때문입니다. 
 이제 최대 플레이어 인 저는 두 번째 옵션을 고려하겠습니다. 
 여기로 이동하고 상대방이 응답으로 무엇을 할 것인지 고려합니다. 
 최소 플레이어는 무엇을합니까? 
 음, 최소 플레이어는 그 상태에서 옵션을 살펴볼 것입니다. 
 그리고 저는 말할 것입니다. 
 9는 옵션이고 3은 옵션입니다. 
 이 초기 상태에서 수학을하고 있다면 
 이 계산을 모두 수행하면 3이 표시됩니다. 
 그것은 즉시 저에게 붉은 깃발이되어야합니다. 
 이 상태에서 3 아래를 보면 

Dutch: 
 Ik weet dat de waarde van deze staat hoogstens 3 zal zijn. 
 Het wordt 3 of iets minder dan 3, 
 ook al heb ik deze laatste actie of zelfs verdere acties nog niet bekeken 
 als er meer acties zouden kunnen worden ondernomen. 
 Hoe weet ik dat? 
 Ik weet dat de min-speler mijn score gaat proberen te minimaliseren. 
 En als ze een 3 zien, is de enige manier waarop dit iets anders kan zijn dan een 3 
 is als dit overgebleven ding waar ik nog niet naar heb gekeken minder is dan 3, 
 wat betekent dat deze waarde op geen enkele manier hoger kan zijn dan 3, 
 omdat de min speler al een 3 kan garanderen, 
 en ze proberen mijn score te minimaliseren. 
 Dus wat zegt dat mij? 
 Nou, het vertelt me ​​dat als ik deze actie kies, 
 mijn score zal 3 zijn, of misschien zelfs minder dan 3, als ik pech heb. 
 Maar ik weet al dat deze actie me een 4 zal garanderen. 
 En aangezien ik weet dat deze actie me een score van 4 garandeert, 
 en deze actie betekent dat ik niet beter kan doen dan 3, 
 als ik mijn opties probeer te maximaliseren, daar 
 ik hoef deze driehoek hier niet te beschouwen. 

Italian: 
 So che il valore di questo stato sarà al massimo 3. 
 Sarà 3 o qualcosa di meno di 3, 
 anche se non ho ancora esaminato quest'ultima azione o anche ulteriori azioni 
 se ci fossero più azioni che potrebbero essere prese qui. 
 Come lo so? 
 Bene, so che il giocatore minimo proverà a minimizzare il mio punteggio. 
 E se vedono un 3, l'unico modo potrebbe essere qualcosa di diverso da un 3 
 è se questa cosa rimanente che non ho ancora visto è inferiore a 3, 
 il che significa che non è possibile che questo valore sia qualcosa di più di 3, 
 perché il giocatore minimo può già garantire un 3, 
 e stanno cercando di minimizzare il mio punteggio. 
 Quindi cosa mi dice? 
 Bene, mi dice che se scelgo questa azione, 
 il mio punteggio sarà 3, o forse anche meno di 3, se sono sfortunato. 
 Ma so già che questa azione mi garantirà un 4. 
 E dato che so che questa azione mi garantisce un punteggio di 4, 
 e questa azione significa che non posso fare meglio di 3, 
 se sto cercando di massimizzare le mie opzioni, lì 
 non è necessario che io consideri questo triangolo qui. 

Chinese: 
我知道此状态的值最多为3。 
将会是3或小于3， 
即使我还没有看这最后的动作，甚至还没有进一步的动作
如果可以在此处采取更多的措施。 
我怎么知道
好吧，我知道最小玩家将尝试尽量减少我的得分。 
如果他们看到3，则唯一的办法可能是3以外的东西
如果我还没有看过的剩余东西少于3， 
这意味着该值不可能超过3， 
因为最小玩家已经可以保证3， 
他们正在努力使我的分数最小化。 
那这告诉我什么呢？ 
好吧，它告诉我，如果我选择此操作， 
如果我倒霉的话，我的分数将是3，或者甚至小于3。 
但是我已经知道，此举将使我获得4分。 
因此，鉴于我知道此操作可以确保我得到4分
这个动作意味着我做不到3个， 
如果我试图最大化我的选择，那里
我不需要在这里考虑这个三角形。 

Turkish: 
 Bu durumun değerinin en fazla 3 olacağını biliyorum. 
 3 veya 3'ten az bir şey olacak, 
 henüz bu son eyleme veya daha ileri eylemlere bakmamış olmama rağmen 
 burada yapılabilecek daha fazla işlem olsaydı. 
 Bunu nasıl bilebilirim? 
 Min oyuncunun skorumu en aza indirmeye çalışacağını biliyorum. 
 Ve eğer bir 3 görürlerse, bunun tek yolu 3'ten başka bir şey olabilir 
 henüz bakmadığım geriye kalan şey 3'ten küçükse, 
 yani bu değerin 3'ten fazla bir şey olması mümkün değil, 
 çünkü min oyuncu 3'ü zaten garanti edebilir, 
 ve puanımı en aza indirmeye çalışıyorlar. 
 Peki bu bana ne anlatıyor? 
 Bana bu eylemi seçersem, 
 şanssızsam puanım 3, hatta belki 3'ten az olacak. 
 Ama zaten bu eylemin bana 4 garanti edeceğini zaten biliyorum. 
 Ve bu eylemin bana 4 puan verdiğini bildiğim göz önüne alındığında, 
 ve bu eylem 3'ten daha iyisini yapamayacağım anlamına geliyor, 
 seçeneklerimi en üst düzeye çıkarmaya çalışıyorsam, 
 bu üçgeni burada düşünmeme gerek yok. 

Chinese: 
我知道此狀態的值最多為3。 
將會是3或小於3， 
即使我還沒有看這最後的動作，甚至還沒有進一步的動作
如果可以在此處採取更多的措施。 
我怎麼知道
好吧，我知道最小玩家將嘗試盡量減少我的得分。 
如果他們看到3，則唯一的辦法可能是3以外的東西
如果我還沒有看過的剩余東西少於3， 
這意味著該值不可能超過3， 
因為最小玩家已經可以保證3， 
他們正在努力使我的分數最小化。 
那這告訴我什麼呢？ 
好吧，它告訴我，如果我選擇此操作， 
如果我倒霉的話，我的分數將是3，或者甚至小於3。 
但是我已經知道，此舉將使我獲得4分。 
因此，鑑於我知道此操作可以確保我得到4分
這意味著我做不到3個， 
如果我試圖最大化我的選擇，那裡
我不需要在這裡考慮這個三角形。 

Arabic: 
 أعلم أن قيمة هذه الحالة ستكون على الأكثر 3. 
 سيكون 3 أو أقل من 3 ، 
 على الرغم من أنني لم ألقي نظرة حتى الآن على هذا الإجراء الأخير أو حتى إجراءات أخرى 
 إذا كان هناك المزيد من الإجراءات التي يمكن اتخاذها هنا. 
 كيف اعرف ذلك؟ 
 حسنًا ، أعرف أن لاعب الدقيقة سيحاول تقليل نتيجتي. 
 وإذا رأوا رقم 3 ، فإن الطريقة الوحيدة يمكن أن تكون شيئًا آخر غير 3 
 هو إذا كان هذا الشيء المتبقي الذي لم أنظر إليه بعد أقل من 3 ، 
 مما يعني أنه لا توجد طريقة لهذه القيمة لتكون أكثر من 3 ، 
 لأن اللاعب الصغير يمكنه بالفعل ضمان 3 ، 
 وهم يحاولون تقليل درجاتي. 
 فماذا يقول لي ذلك؟ 
 حسنًا ، يخبرني أنه إذا اخترت هذا الإجراء ، 
 نتيجتي ستكون 3 ، أو ربما أقل من 3 ، إذا كنت غير محظوظ. 
 لكنني أعلم بالفعل أن هذا الإجراء سيضمن لي 4. 
 وبالنظر إلى أنني أعلم أن هذا الإجراء يضمن لي درجة 4 ، 
 وهذا الإجراء يعني أنني لا أستطيع أن أفعل أفضل من 3 ، 
 إذا كنت أحاول تكبير خياراتي ، هناك 
 لا حاجة لي أن أعتبر هذا المثلث هنا. 

Russian: 
 Я знаю, что значение этого состояния будет не более 3. 
 Это будет 3 или что-то меньше 3, 
 хотя я еще не смотрел на это последнее действие или даже дальнейшие действия 
 если бы было больше действий, которые можно было бы предпринять здесь. 
 Откуда я это знаю? 
 Ну, я знаю, что минимальный игрок попытается минимизировать мой счет. 
 И если они видят 3, единственный способ это может быть что-то, кроме 3 
 если эта оставшаяся вещь, на которую я еще не смотрел, меньше 3, 
 что означает, что для этого значения не может быть ничего больше 3, 
 потому что мин игрок уже может гарантировать 3, 
 и они пытаются минимизировать мой счет. 
 Так что это говорит мне? 
 Ну, это говорит мне, что если я выберу это действие, 
 мой счет будет 3, а может быть, даже меньше 3, если мне не повезет. 
 Но я уже знаю, что это действие гарантирует мне 4. 
 И так, учитывая, что я знаю, что это действие гарантирует мне 4 балла, 
 и это действие означает, что я не могу сделать лучше, чем 3, 
 если я пытаюсь максимизировать свои варианты, там 
 мне не нужно рассматривать этот треугольник здесь. 

Korean: 
 이 상태의 가치는 최대 3이 될 것임을 알고 있습니다. 
 3 또는 3보다 작은 것이 될 것입니다. 
 아직이 마지막 동작이나 추가 동작을 보지 않았지만 
 여기서 취할 수있는 조치가 더 있다면 
 어떻게 알 수 있습니까? 
 글쎄, 나는 최소 플레이어가 내 점수를 최소화하려고 시도한다는 것을 알고 있습니다. 
 그리고 그들이 3을 보게되면 이것이 3이 아닌 다른 방법 일 수 있습니다 
 아직 보지 않은이 남은 것이 3보다 작 으면 
 이는이 값이 3을 초과 할 수있는 방법이 없다는 것을 의미합니다. 
 최소 플레이어는 이미 3을 보장 할 수 있기 때문에 
 그들은 내 점수를 최소화하려고 노력하고 있습니다. 
 그래서 그것은 무엇을 말합니까? 
 글쎄, 내가이 행동을 선택하면 
 내가 운이 없다면 내 점수는 3이 될 것입니다. 
 그러나 나는 이미이 행동이 나에게 4를 보장한다는 것을 알고 있습니다. 
 이 조치로 4 점을 얻습니다. 
 이 행동은 내가 3보다 더 잘할 수 없다는 것을 의미합니다. 
 옵션을 최대화하려는 경우 
 여기서이 삼각형을 고려할 필요는 없습니다. 

Hindi: 
 मुझे पता है कि इस राज्य का मूल्य अधिकतम 3 पर होने वाला है। 
 यह 3 या 3 से कम कुछ होने जा रहा है, 
 हालांकि मैंने अभी तक इस अंतिम क्रिया या आगे की कार्रवाइयों को नहीं देखा है 
 अगर यहां और कार्रवाई की जा सकती थी। 
 मुझे इस बात की जानकारी कैसे होगी? 
 खैर, मुझे पता है कि मेरा स्कोर कम से कम करने की कोशिश करने वाला है। 
 और अगर वे एक 3 देखते हैं, तो एकमात्र तरीका 3 के अलावा कुछ और हो सकता है 
 यदि यह शेष वस्तु जो मैंने अभी तक नहीं देखी है वह 3 से कम है, 
 जिसका अर्थ है कि इस मान का 3 से अधिक कुछ भी होने का कोई तरीका नहीं है, 
 क्योंकि min प्लेयर पहले से ही 3 की गारंटी दे सकता है, 
 और वे मेरे स्कोर को कम करने की कोशिश कर रहे हैं। 
 तो यह मुझे क्या बताता है? 
 खैर, यह मुझे बताता है कि अगर मैं इस कार्रवाई का चयन करता हूं, 
 अगर मैं बदकिस्मत हूं तो मेरा स्कोर 3 होने जा रहा है, या 3 से भी कम हो सकता है। 
 लेकिन मुझे पहले से ही पता है कि यह कार्रवाई मुझे 4 की गारंटी देगी। 
 और इसलिए कि मुझे पता है कि यह कार्रवाई मुझे 4 के स्कोर की गारंटी देती है, 
 और इस क्रिया का अर्थ है कि मैं 3 से बेहतर नहीं कर सकता, 
 अगर मैं अपने विकल्पों को अधिकतम करने की कोशिश कर रहा हूं, तो 
 मुझे इस त्रिकोण पर विचार करने की कोई आवश्यकता नहीं है। 

Portuguese: 
 Eu sei que o valor desse estado será no máximo 3. 
 Vai ser 3 ou algo menos que 3, 
 mesmo que eu ainda não tenha visto essa última ação ou mais ações 
 se houvesse mais ações que poderiam ser tomadas aqui. 
 Como eu sei disso? 
 Bem, eu sei que o jogador min vai tentar minimizar minha pontuação. 
 E se eles virem um 3, a única maneira de isso ser algo diferente de um 3 
 é se esse resto que eu ainda não vi for menor que 3, 
 o que significa que não há como esse valor ser maior que 3, 
 porque o jogador mínimo já pode garantir um 3, 
 e eles estão tentando minimizar minha pontuação. 
 Então, o que isso me diz? 
 Bem, isso me diz que se eu escolher essa ação, 
 minha pontuação será 3, ou talvez até menos que 3, se tiver azar. 
 Mas eu já sei que essa ação me garantirá um 4. 
 E, como sei que essa ação me garante uma pontuação de 4, 
 e essa ação significa que não posso fazer melhor que 3, 
 se estou tentando maximizar minhas opções, há 
 não há necessidade de considerar esse triângulo aqui. 

German: 
 Ich weiß, dass der Wert dieses Zustands höchstens 3 betragen wird. 
 Es wird 3 oder etwas weniger als 3 sein, 
 obwohl ich mir diese letzte Aktion oder noch weitere Aktionen noch nicht angesehen habe 
 wenn es mehr Maßnahmen gäbe, die hier ergriffen werden könnten. 
 Woher weiß ich das? 
 Nun, ich weiß, dass der Min-Spieler versuchen wird, meine Punktzahl zu minimieren. 
 Und wenn sie eine 3 sehen, könnte dies nur eine andere als eine 3 sein 
 ist, wenn dieses verbleibende Ding, das ich noch nicht angeschaut habe, weniger als 3 ist, 
 was bedeutet, dass es keine Möglichkeit gibt, dass dieser Wert mehr als 3 beträgt. 
 weil der min Spieler bereits eine 3 garantieren kann, 
 und sie versuchen meine Punktzahl zu minimieren. 
 Was sagt mir das? 
 Nun, es sagt mir, dass, wenn ich diese Aktion wähle, 
 Meine Punktzahl wird 3 sein, oder vielleicht sogar weniger als 3, wenn ich Pech habe. 
 Aber ich weiß bereits, dass diese Aktion mir eine 4 garantieren wird. 
 Und da ich weiß, dass diese Aktion mir eine Punktzahl von 4 garantiert, 
 und diese Aktion bedeutet, dass ich es nicht besser machen kann als 3, 
 Wenn ich versuche, meine Optionen zu maximieren, dort 
 Ich muss dieses Dreieck hier nicht betrachten. 

Indonesian: 
 Saya tahu bahwa nilai kondisi ini paling banyak 3. 
 Ini akan menjadi 3 atau kurang dari 3, 
 meskipun saya belum melihat tindakan terakhir ini atau bahkan tindakan lebih lanjut 
 jika ada lebih banyak tindakan yang bisa diambil di sini. 
 Bagaimana saya tahu itu? 
 Yah, saya tahu bahwa pemain min akan mencoba untuk meminimalkan skor saya. 
 Dan jika mereka melihat angka 3, satu-satunya cara ini bisa menjadi selain angka 3 
 adalah jika hal yang tersisa yang belum saya lihat kurang dari 3, 
 yang berarti tidak ada cara untuk nilai ini menjadi lebih dari 3, 
 karena pemain min sudah bisa menjamin 3, 
 dan mereka berusaha meminimalkan skor saya. 
 Jadi, apa artinya itu bagiku? 
 Ya, itu memberitahu saya bahwa jika saya memilih tindakan ini, 
 skor saya akan menjadi 3, atau mungkin bahkan kurang dari 3, jika saya beruntung. 
 Tapi saya sudah tahu bahwa tindakan ini akan menjamin saya angka 4. 
 Dan mengingat bahwa saya tahu bahwa tindakan ini menjamin saya skor 4, 
 dan tindakan ini berarti saya tidak bisa melakukan lebih baik dari 3, 
 jika saya mencoba untuk memaksimalkan opsi saya, di sana 
 tidak perlu bagi saya untuk mempertimbangkan segitiga ini di sini. 

Japanese: 
この状態の値が最大で3になることを知っています。 
それは3か3未満になるでしょう
この最後のアクションまたはそれ以上のアクションをまだ見ていないのに
ここで実行できるアクションが他にもあった場合。 
どうやってそれを知るのですか？ 
まあ、私は最小プレーヤーが私のスコアを最小化しようとするつもりであることを知っています。 
そして、3が表示された場合、これが3以外の方法である可能性があります。 
私がまだ見ていないこの残りのものが3未満の場合です
つまり、この値を3以上にすることはできません。 
最小プレーヤーはすでに3を保証できるため
そして彼らは私のスコアを最小化しようとしています。 
それでそれは私に何を伝えますか？ 
さて、このアクションを選択すると、 
私の運が悪いと、私のスコアは3になります。 
しかし、私はこの行動が私に4を保証することをすでに知っています。 
そして、私はこの行動が私に4のスコアを保証することを知っているので、 
このアクションは、私が3より上手にできないことを意味します
オプションを最大化しようとしている場合は、 
ここでこの三角形を考える必要はありません。 

Modern Greek (1453-): 
 Γνωρίζω ότι η αξία αυτής της κατάστασης θα είναι το πολύ 3. 
 Θα είναι 3 ή κάτι λιγότερο από 3, 
 παρόλο που δεν έχω κοιτάξει ακόμα αυτήν την τελευταία δράση ή ακόμα και άλλες ενέργειες 
 αν υπήρχαν περισσότερες ενέργειες που θα μπορούσαν να γίνουν εδώ. 
 Πώς το ξέρω αυτό; 
 Λοιπόν, ξέρω ότι ο ελάχιστος παίκτης θα προσπαθήσει να ελαχιστοποιήσει το σκορ μου. 
 Και αν δουν ένα 3, ο μόνος τρόπος θα μπορούσε να είναι κάτι διαφορετικό από το 3 
 είναι εάν αυτό το εναπομείναν πράγμα που δεν έχω δει ακόμη είναι μικρότερο από 3, 
 που σημαίνει ότι δεν υπάρχει τρόπος για αυτήν την τιμή να είναι κάτι παραπάνω από 3, 
 επειδή ο ελάχιστος παίκτης μπορεί ήδη να εγγυηθεί ένα 3, 
 και προσπαθούν να ελαχιστοποιήσουν το σκορ μου. 
 Τι μου λέει λοιπόν; 
 Λοιπόν, μου λέει ότι αν επιλέξω αυτήν την ενέργεια, 
 το σκορ μου θα είναι 3, ή ίσως ακόμη και λιγότερο από 3, αν είμαι άτυχος. 
 Αλλά ξέρω ήδη ότι αυτή η δράση θα μου εγγυηθεί 4. 
 Και δεδομένου ότι ξέρω ότι αυτή η δράση μου εγγυάται βαθμολογία 4, 
 και αυτή η δράση σημαίνει ότι δεν μπορώ να κάνω καλύτερα από το 3, 
 αν προσπαθώ να μεγιστοποιήσω τις επιλογές μου, εκεί 
 δεν χρειάζεται να εξετάσω αυτό το τρίγωνο εδώ. 

English: 
I know that the value of this state is going to be at most 3.
It's going to be 3 or something less than 3,
even though I haven't yet looked at this last action or even further actions
if there were more actions that could be taken here.
How do I know that?
Well, I know that the min player is going to try to minimize my score.
And if they see a 3, the only way this could be something other than a 3
is if this remaining thing that I haven't yet looked at is less than 3,
which means there is no way for this value to be anything more than 3,
because the min player can already guarantee a 3,
and they are trying to minimize my score.
So what does that tell me?
Well, it tells me that if I choose this action,
my score is going to be 3, or maybe even less than 3, if I'm unlucky.
But I already know that this action will guarantee me a 4.
And so given that I know that this action guarantees me a score of 4,
and this action means I can't do better than 3,
if I'm trying to maximize my options, there
is no need for me to consider this triangle here.

French: 
 Je sais que la valeur de cet état va être au maximum de 3. 
 Ça va être 3 ou quelque chose de moins de 3, 
 même si je n'ai pas encore regardé cette dernière action ni même d'autres actions 
 s'il y avait plus d'actions qui pourraient être prises ici. 
 Comment le sais-je? 
 Eh bien, je sais que le joueur min va essayer de minimiser mon score. 
 Et s'ils voient un 3, la seule façon que cela pourrait être autre chose qu'un 3 
 est si cette chose restante que je n'ai pas encore regardée est inférieure à 3, 
 ce qui signifie qu'il est impossible que cette valeur soit supérieure à 3, 
 parce que le joueur min peut déjà garantir un 3, 
 et ils essaient de minimiser mon score. 
 Alors qu'est-ce que cela me dit? 
 Eh bien, ça me dit que si je choisis cette action, 
 mon score va être de 3, voire peut-être même moins de 3, si je n'ai pas de chance. 
 Mais je sais déjà que cette action me garantira un 4. 
 Et donc étant donné que je sais que cette action me garantit un score de 4, 
 et cette action signifie que je ne peux pas faire mieux que 3, 
 si j'essaie de maximiser mes options, 
 n'est pas nécessaire pour moi de considérer ce triangle ici. 

Spanish: 
 Sé que el valor de este estado será como máximo 3. 
 Va a ser 3 o algo menos de 3, 
 a pesar de que aún no he visto esta última acción o incluso más acciones 
 si hubiera más acciones que podrían tomarse aquí. 
 ¿Cómo sé eso? 
 Bueno, sé que el jugador mínimo tratará de minimizar mi puntaje. 
 Y si ven un 3, la única forma en que esto podría ser algo más que un 3 
 si esta cosa restante que aún no he mirado es inferior a 3, 
 lo que significa que no hay forma de que este valor sea más de 3, 
 porque el jugador mínimo ya puede garantizar un 3, 
 y están tratando de minimizar mi puntaje. 
 Entonces, ¿qué me dice eso? 
 Bueno, me dice que si elijo esta acción, 
 mi puntaje será 3, o tal vez incluso menos de 3, si tengo mala suerte. 
 Pero ya sé que esta acción me garantizará un 4. 
 Y dado que sé que esta acción me garantiza una puntuación de 4, 
 y esta acción significa que no puedo hacerlo mejor que 3, 
 si estoy tratando de maximizar mis opciones, hay 
 No es necesario que considere este triángulo aquí. 

Portuguese: 
 Não há valor, não há número que possa ir aqui, 
 isso mudaria de idéia entre essas duas opções. 
 Eu sempre vou optar por esse caminho que me dá 4, 
 em oposição a esse caminho, onde o melhor que posso fazer é um 3, 
 se meu oponente jogar da melhor maneira. 
 E isso será verdade para todos os estados futuros que eu olho também. 
 Mas se eu olhar aqui, o que o jogador mínimo pode fazer por aqui, 
 se vejo que esse estado é 2, sei que esse estado é no máximo 2, 
 porque a única maneira desse valor ser algo diferente de 2 
 é se um desses estados restantes for menor que 2, 
 e assim o jogador min optaria por isso. 
 Portanto, mesmo sem olhar para esses estados restantes, 
 Eu, como jogador maximizador, posso saber que escolher esse caminho para a esquerda 
 será melhor do que escolher um desses dois caminhos para a direita, 
 porque este não pode ser melhor que 3, este não pode ser melhor que 2, 
 e assim 4 neste caso é o melhor que posso fazer. 
 E posso dizer agora que esse estado tem um valor de 4. 

Indonesian: 
 Tidak ada nilai, tidak ada angka yang bisa masuk ke sini, 
 itu akan mengubah pikiran saya di antara dua opsi ini. 
 Saya selalu akan memilih jalur ini yang membuat saya 4, 
 sebagai lawan dari jalan ini, di mana yang terbaik yang bisa saya lakukan adalah 3, 
 jika lawan saya bermain optimal. 
 Dan ini akan berlaku untuk semua kondisi masa depan yang saya lihat juga. 
 Tetapi jika saya melihat ke sini, apa yang mungkin dilakukan pemain mini di sini, 
 jika saya melihat bahwa keadaan ini adalah 2, saya tahu bahwa keadaan ini paling banyak 2, 
 karena satu-satunya cara nilai ini bisa menjadi selain 2 
 adalah jika salah satu dari status yang tersisa ini kurang dari 2, 
 dan jadi pemain min akan memilih untuk itu. 
 Jadi bahkan tanpa melihat keadaan yang tersisa ini, 
 Saya, sebagai pemain maksimal, dapat mengetahui bahwa memilih jalur ini ke kiri 
 akan menjadi lebih baik daripada memilih salah satu dari dua jalan ke kanan, 
 karena yang ini tidak bisa lebih baik dari 3, yang ini tidak bisa lebih baik dari 2, 
 dan 4 dalam hal ini adalah yang terbaik yang bisa saya lakukan. 
 Dan saya dapat mengatakan sekarang bahwa negara ini memiliki nilai 4. 

Modern Greek (1453-): 
 Δεν υπάρχει τιμή, κανένας αριθμός που θα μπορούσε να πάει εδώ, 
 αυτό θα άλλαζε γνώμη μεταξύ αυτών των δύο επιλογών. 
 Πάντα θα επιλέγω αυτό το μονοπάτι που με παίρνει 4, 
 σε αντίθεση με αυτό το μονοπάτι, όπου το καλύτερο που μπορώ να κάνω είναι το 3, 
 αν ο αντίπαλός μου παίζει βέλτιστα. 
 Και αυτό θα ισχύει για όλα τα μελλοντικά κράτη που βλέπω επίσης. 
 Αλλά αν κοιτάξω εδώ, τι θα μπορούσε να κάνει ο ελάχιστος παίκτης εδώ, 
 αν βλέπω ότι αυτή η κατάσταση είναι 2, ξέρω ότι αυτή η κατάσταση είναι το πολύ 2, 
 γιατί ο μόνος τρόπος με τον οποίο αυτή η τιμή θα μπορούσε να είναι κάτι διαφορετικό από το 2 
 είναι εάν μία από αυτές τις υπόλοιπες καταστάσεις είναι μικρότερη από 2, 
 και έτσι ο ελάχιστος παίκτης θα επέλεγε αυτό. 
 Έτσι, ακόμη και χωρίς να κοιτάξουμε αυτές τις καταστάσεις 
 Εγώ, ως μεγιστοποιός παίκτης, μπορώ να ξέρω ότι επιλέγοντας αυτό το μονοπάτι προς τα αριστερά 
 θα είναι καλύτερο από την επιλογή ενός από αυτά τα δύο μονοπάτια προς τα δεξιά, 
 γιατί αυτό δεν μπορεί να είναι καλύτερο από το 3, αυτό δεν μπορεί να είναι καλύτερο από το 2, 
 και έτσι 4 σε αυτήν την περίπτωση είναι το καλύτερο που μπορώ να κάνω. 
 Και μπορώ να πω τώρα ότι αυτή η κατάσταση έχει τιμή 4. 

English: 
There is no value, no number that could go here,
that would change my mind between these two options.
I'm always going to opt for this path that gets me a 4,
as opposed to this path, where the best I can do is a 3,
if my opponent plays optimally.
And this is going to be true for all of the future states that I look at, too.
But if I look over here, at what min player might do over here,
if I see that this state is a 2, I know that this state is at most a 2,
because the only way this value could be something other than 2
is if one of these remaining states is less than a 2,
and so the min player would opt for that instead.
So even without looking at these remaining states,
I, as the maximizing player, can know that choosing this path to the left
is going to be better than choosing either of those two paths to the right,
because this one can't be better than 3, this one can't be better than 2,
and so 4 in this case is the best that I can do.
And I can say now that this state has a value of 4.

Hindi: 
 कोई मूल्य नहीं है, कोई संख्या नहीं है जो यहां जा सकती है, 
 इन दो विकल्पों के बीच मेरा मन बदल जाएगा। 
 मैं हमेशा इस रास्ते को चुनने जा रहा हूँ जो मुझे 4 
 इस पथ के विपरीत, जहां मैं सबसे अच्छा कर सकता हूं वह है 3, 
 अगर मेरा प्रतिद्वंद्वी बेहतर खेलता है। 
 और यह भविष्य के सभी राज्यों के लिए सच होने जा रहा है जो मैं भी देखता हूं। 
 लेकिन अगर मैं यहाँ पर देखता हूँ, यहाँ पर कौन सा खिलाड़ी क्या कर सकता है, 
 अगर मैं देखता हूं कि यह राज्य 2 है, तो मुझे पता है कि यह राज्य अधिकतम 2 पर है, 
 क्योंकि यह एकमात्र तरीका 2 के अलावा कुछ और हो सकता है 
 यदि इन शेष राज्यों में से एक 2 से कम है, 
 और इसलिए मंत्री खिलाड़ी इसके बदले विकल्प चुनते। 
 तो इन बचे हुए राज्यों को देखे बिना भी, 
 मैं, अधिकतम खिलाड़ी के रूप में, यह जान सकता हूं कि बाईं ओर इस पथ को चुनना 
 उन दो रास्तों में से किसी एक को चुनने से बेहतर होगा, 
 क्योंकि यह एक 3 से बेहतर नहीं हो सकता है, यह 2 से बेहतर नहीं हो सकता है। 
 और इसलिए इस मामले में 4 सबसे अच्छा है जो मैं कर सकता हूं। 
 और मैं अब कह सकता हूं कि इस राज्य का मूल्य 4 है। 

Italian: 
 Non esiste alcun valore, nessun numero che potrebbe andare qui, 
 ciò cambierebbe idea tra queste due opzioni. 
 Opterò sempre per questo percorso che mi farà guadagnare un 4, 
 al contrario di questo percorso, dove il meglio che posso fare è un 3, 
 se il mio avversario gioca in modo ottimale. 
 E questo sarà vero anche per tutti gli stati futuri che guarderò. 
 Ma se guardo qui, cosa potrebbe fare il giocatore minimo qui, 
 se vedo che questo stato è un 2, so che questo stato è al massimo un 2, 
 perché l'unico modo in cui questo valore potrebbe essere diverso da 2 
 è se uno di questi stati rimanenti è inferiore a 2, 
 e quindi il giocatore minimo avrebbe optato per quello. 
 Quindi, anche senza guardare a questi stati rimanenti, 
 Come giocatore che massimizza, posso sapere che scegliendo questo percorso a sinistra 
 sarà meglio che scegliere uno di quei due percorsi a destra, 
 perché questo non può essere migliore di 3, questo non può essere migliore di 2, 
 e quindi 4 in questo caso è il massimo che posso fare. 
 E posso dire ora che questo stato ha un valore di 4. 

Spanish: 
 No hay ningún valor, ningún número que pueda ir aquí, 
 eso cambiaría de opinión entre estas dos opciones. 
 Siempre voy a optar por este camino que me da un 4, 
 a diferencia de este camino, donde lo mejor que puedo hacer es un 3, 
 si mi oponente juega de manera óptima. 
 Y esto va a ser cierto para todos los estados futuros que miro también. 
 Pero si miro aquí, qué min jugador podría hacer aquí, 
 si veo que este estado es un 2, sé que este estado es como máximo un 2, 
 porque la única forma en que este valor podría ser algo más que 2 
 es si uno de estos estados restantes es menor que un 2, 
 y entonces el jugador mínimo optaría por eso en su lugar. 
 Entonces, incluso sin mirar estos estados restantes, 
 Yo, como jugador maximizador, puedo saber que elegir este camino a la izquierda 
 va a ser mejor que elegir cualquiera de esos dos caminos a la derecha, 
 porque este no puede ser mejor que 3, este no puede ser mejor que 2, 
 y 4 en este caso es lo mejor que puedo hacer. 
 Y puedo decir ahora que este estado tiene un valor de 4. 

Turkish: 
 Buraya gidebilecek değer yok, sayı yok, 
 bu iki seçenek arasında fikrimi değiştirecekti. 
 Her zaman beni 4 yapan bu yolu tercih edeceğim, 
 yapabileceğim en iyi şeyin 3 olduğu bu yolun aksine, 
 rakibim en uygun şekilde oynarsa. 
 Ve bu, bakacağım gelecekteki tüm durumlar için de geçerli olacak. 
 Ama buraya bakarsam, min oyuncunun burada ne yapabileceğini düşünürsem, 
 bu durumun 2 olduğunu görürsem, bu durumun en fazla 2 olduğunu biliyorum, 
 çünkü bu değerin tek yolu 2 dışında bir şey olabilir 
 bu kalan durumlardan birinin 2'den küçük olması, 
 ve böylece min oyuncu bunun yerine bunu seçer. 
 Yani bu kalan durumlara bakmadan bile, 
 Maksimize eden oyuncu olarak, soldaki bu yolu seçmenin 
 sağdaki bu iki yoldan birini seçmekten daha iyi olacak, 
 çünkü bu 3'ten daha iyi olamaz, bu 2'den daha iyi olamaz, 
 ve böylece bu durumda 4 yapabileceğim en iyisi. 
 Ve şimdi bu durumun 4 değerine sahip olduğunu söyleyebilirim. 

Japanese: 
価値はありません、ここに行くことができる数はありません、 
これらの2つのオプションの間で私の心を変えるでしょう。 
私は常に私に4を与えるこのパスを選ぶつもりです。 
このパスとは対照的に、私ができる最善は3 
私の対戦相手が最適にプレーした場合。 
そして、これは私が見る将来の州すべてにも当てはまります。 
しかし、ここを見れば、プレイヤーが何をするのか、 
この状態が2であることがわかった場合、この状態は多くても2であることがわかります。 
この値が2以外の唯一の方法である可能性があるため
これらの残りの状態の1つが2未満の場合
そのため、最小プレーヤーは代わりにそれを選択します。 
したがって、これらの残りの状態を調べなくても、 
私は、最大化プレイヤーとして、左へのこのパスを選択することを知ることができます
右側の2つのパスのいずれかを選択するよりも優れています。 
これは3より良くすることはできないので、これは2より良くすることはできません。 
したがって、この場合は4が最善です。 
そして今、この状態の値は4であると言えます。 

Chinese: 
沒有價值，沒有數字可以在這裡
這會改變我在這兩種選擇之間的想法。 
我總是會選擇這條路，讓我得到4， 
與這條路相反，我能做的最好的是3， 
如果我的對手發揮最佳。 
對於我所關注的所有未來狀態，這都是正確的。 
但是如果我看看這裡，最小的玩家可能會在這裡做什麼， 
如果我看到這個狀態是2，我知道這個狀態最多是2， 
因為此值的唯一方法可能不是2 
是如果這些剩餘狀態之一小於2， 
所以最小玩家會選擇那個。 
因此，即使不查看這些剩餘狀態， 
作為最大的玩家，我知道選擇左邊的這條路徑
比選擇右邊這兩個路徑中的任何一個要好， 
因為這個不能比3好，所以這個不能比2好
所以在這種情況下4是我能做的最好的
我現在可以說該狀態的值為4。 

German: 
 Es gibt keinen Wert, keine Zahl, die hierher kommen könnte, 
 das würde meine Meinung zwischen diesen beiden Optionen ändern. 
 Ich werde mich immer für diesen Weg entscheiden, der mir eine 4 bringt. 
 im Gegensatz zu diesem Weg, wo das Beste, was ich tun kann, eine 3 ist, 
 wenn mein Gegner optimal spielt. 
 Und dies wird auch für alle zukünftigen Zustände gelten, die ich betrachte. 
 Aber wenn ich hier rüber schaue, was Min-Spieler hier machen könnten, 
 Wenn ich sehe, dass dieser Zustand eine 2 ist, weiß ich, dass dieser Zustand höchstens eine 2 ist. 
 denn der einzige Weg, wie dieser Wert etwas anderes als 2 sein könnte 
 ist, wenn einer dieser verbleibenden Zustände kleiner als eine 2 ist, 
 und so würde sich der Min-Spieler stattdessen dafür entscheiden. 
 Also auch ohne diese verbleibenden Zustände zu betrachten, 
 Ich als maximierender Spieler kann wissen, dass ich diesen Pfad links wähle 
 wird besser sein, als einen dieser beiden Pfade rechts zu wählen, 
 weil dieser nicht besser als 3 sein kann, kann dieser nicht besser als 2 sein, 
 und so ist 4 in diesem Fall das Beste, was ich tun kann. 
 Und ich kann jetzt sagen, dass dieser Zustand einen Wert von 4 hat. 

Arabic: 
 ليس هناك قيمة ، لا يوجد رقم يمكن أن يذهب هنا ، 
 من شأنه أن يغير رأيي بين هذين الخيارين. 
 سأختار دائمًا هذا المسار الذي يجعلني 4 ، 
 على عكس هذا المسار ، حيث أفضل ما يمكنني فعله هو 3 ، 
 إذا لعب خصمي بشكل مثالي. 
 وهذا سيكون صحيحًا لجميع الدول المستقبلية التي أنظر إليها أيضًا. 
 ولكن إذا نظرت هنا ، في ما قد يفعله اللاعب هنا ، 
 إذا رأيت أن هذه الحالة هي 2 ، فأنا أعلم أن هذه الحالة هي 2 على الأكثر ، 
 لأن الطريقة الوحيدة يمكن أن تكون هذه القيمة شيء آخر غير 2 
 هو إذا كانت إحدى هذه الحالات المتبقية أقل من 2 ، 
 وبالتالي فإن لاعب الدقيقة سيختار ذلك بدلاً من ذلك. 
 لذلك حتى من دون النظر إلى هذه الحالات المتبقية ، 
 أنا ، بصفتي اللاعب الأمثل ، أستطيع أن أعرف أن اختيار هذا المسار إلى اليسار 
 سيكون أفضل من اختيار أي من هذين المسارين إلى اليمين ، 
 لأن هذا الشخص لا يمكن أن يكون أفضل من 3 ، هذا لا يمكن أن يكون أفضل من 2 ، 
 وبالتالي فإن 4 في هذه الحالة هو أفضل ما يمكنني القيام به. 
 ويمكنني أن أقول الآن أن هذه الحالة لها قيمة 4. 

French: 
 Il n'y a aucune valeur, aucun nombre qui pourrait aller ici, 
 cela changerait d'avis entre ces deux options. 
 Je vais toujours opter pour ce chemin qui me vaut un 4, 
 par opposition à ce chemin, où le mieux que je puisse faire est un 3, 
 si mon adversaire joue de façon optimale. 
 Et cela va être vrai pour tous les futurs États que je regarde aussi. 
 Mais si je regarde ici, ce que le joueur min pourrait faire ici, 
 si je vois que cet état est un 2, je sais que cet état est tout au plus un 2, 
 car la seule façon dont cette valeur pourrait être autre que 2 
 est si l'un de ces états restants est inférieur à 2, 
 et donc le joueur min opterait pour cela à la place. 
 Donc, même sans regarder ces états restants, 
 En tant que joueur maximisant, je peux savoir que choisir ce chemin vers la gauche 
 va être mieux que de choisir l'un de ces deux chemins vers la droite, 
 parce que celui-ci ne peut pas être meilleur que 3, celui-ci ne peut pas être meilleur que 2, 
 et donc 4 dans ce cas est le meilleur que je puisse faire. 
 Et je peux dire maintenant que cet état a une valeur de 4. 

Korean: 
 여기에는 갈 가치가없고 숫자도없고 
 이 두 옵션 사이에서 내 마음이 바뀔 것입니다. 
 나는 항상이 길을 선택하여 4를 얻는다. 
 내가 할 수있는 최선의 방법은 3과 
 상대방이 최적으로 플레이한다면 
 그리고 이것은 제가 보는 미래의 모든 주에서도 마찬가지입니다. 
 하지만 여기를 보면, 최소 플레이어가 여기에서 무엇을 할 수 있는지, 
 이 상태가 2 인 경우이 상태는 최대 2라는 것을 알고 있습니다. 
 이 값이 2가 아닌 유일한 방법 일 수 있기 때문에 
 이 나머지 상태 중 하나가 2보다 작은 경우 
 분 플레이어가 대신 선택합니다. 
 나머지 상태를 보지 않아도 
 최대화 플레이어 인 저는이 경로를 왼쪽으로 선택하면 
 오른쪽에있는 두 경로 중 하나를 선택하는 것보다 낫습니다. 
 이것은 3보다 낫을 수 없기 때문에 2보다 낫을 수 없습니다. 
 이 경우 4는 내가 할 수있는 최선입니다. 
 이제이 상태의 값이 4라고 말할 수 있습니다. 

Russian: 
 Там нет значения, нет номера, который мог бы пойти сюда, 
 это изменило бы мое мнение между этими двумя вариантами. 
 Я всегда собираюсь выбрать этот путь, который дает мне 4, 
 в отличие от этого пути, где лучшее, что я могу сделать, это 3, 
 если мой противник играет оптимально. 
 И это будет верно для всех будущих состояний, на которые я смотрю. 
 Но если я посмотрю здесь, то, что мин игрок может сделать здесь, 
 если я вижу, что это состояние 2, я знаю, что это состояние не более 2, 
 потому что единственный способ, которым это значение может быть чем-то отличным от 2 
 если одно из этих оставшихся состояний меньше 2, 
 и поэтому минимальный игрок выбрал бы это вместо этого. 
 Так что даже не глядя на эти оставшиеся состояния, 
 Я, как максимизирующий игрок, могу знать, что выбирая этот путь налево 
 будет лучше, чем выбрать любой из этих двух путей справа, 
 потому что этот не может быть лучше, чем 3, этот не может быть лучше, чем 2, 
 и поэтому 4 в этом случае - лучшее, что я могу сделать. 
 И теперь я могу сказать, что это состояние имеет значение 4. 

Chinese: 
没有价值，没有数字可以在这里
这会改变我在这两种选择之间的想法。 
我总是会选择这条路，让我得到4， 
与这条路相反，我能做的最好的是3， 
如果我的对手发挥最佳。 
对于我所关注的所有未来状态，这都是正确的。 
但是如果我看看这里，最小的玩家可能会在这里做什么， 
如果我看到这个状态是2，我知道这个状态最多是2， 
因为此值的唯一方法可能不是2 
是如果这些剩余状态之一小于2， 
所以最小玩家会选择那个。 
因此，即使不查看这些剩余状态， 
作为最大的玩家，我知道选择左边的这条路径
比选择右边这两个路径中的任何一个要好， 
因为这个不能比3好，所以这个不能比2好
所以在这种情况下4是我能做的最好的
我现在可以说该状态的值为4。 

Dutch: 
 Er is geen waarde, geen nummer dat hier zou kunnen komen, 
 dat zou mijn mening veranderen tussen deze twee opties. 
 Ik ga altijd voor dit pad kiezen dat me een 4 geeft, 
 in tegenstelling tot dit pad, waar het beste wat ik kan doen een 3 is, 
 als mijn tegenstander optimaal speelt. 
 En dit zal gelden voor alle toekomstige staten waar ik ook naar kijk. 
 Maar als ik hier kijk, wat min-speler hier zou kunnen doen, 
 als ik zie dat deze toestand een 2 is, dan weet ik dat deze toestand hoogstens een 2 is, 
 omdat de enige manier waarop deze waarde iets anders kan zijn dan 2 
 is als een van deze resterende toestanden kleiner is dan een 2, 
 en dus zou de min-speler daarvoor kiezen. 
 Dus zelfs zonder naar deze resterende staten te kijken, 
 Ik, als maximaliserende speler, weet dat ik dit pad naar links kies 
 gaat beter zijn dan een van deze twee paden naar rechts te kiezen, 
 want deze kan niet beter zijn dan 3, deze kan niet beter zijn dan 2, 
 en dus is 4 in dit geval het beste dat ik kan doen. 
 En ik kan nu zeggen dat deze toestand een waarde van 4 heeft. 

Chinese: 
因此，为了进行这种类型的计算， 
我做了更多的簿记，跟踪事情， 
一直跟踪，我能做的最好的事， 
我能做的最坏的事情是什么？对于每个州来说， 
好吧，好吧，如果我已经知道我可以拿到4， 
如果在这种状态下我能做的最好的是3， 
我没有理由考虑它。 
我可以从树上有效修剪这片叶子和它下面的任何东西。 
因此，这种方法，对Minimax的优化， 
称为alpha-beta修剪。 
 Alpha和Beta代表这两个值
您必须要跟踪的，到目前为止可以做的最好的
到目前为止您所能做的最坏的事情。 
修剪的想法是，如果我有一棵又长又长的深层搜索树， 
如果不这样做，我也许可以更有效地搜索它
需要搜索所有内容，如果我可以删除一些节点
尝试优化在整个搜索空间中的浏览方式。 
所以alpha-beta修剪绝对可以为我们节省很多时间
通过提高搜索效率来进行搜索过程。 

English: 
So in order to do this type of calculation,
I was doing a little bit more bookkeeping, keeping track of things,
keeping track all the time of, what is the best that I can do,
what is the worst that I can do, and for each of these states, saying,
all right, well, if I already know that I can get a 4,
then if the best I can do at this state is a 3,
no reason for me to consider it.
I can effectively prune this leaf and anything below it from the tree.
And it's for that reason this approach, this optimization to Minimax,
is called alpha-beta pruning.
Alpha and beta stand for these two values
that you'll have to keep track of, the best you can do so far
and the worst you can do so far.
And pruning is the idea of, if I have a big, long, deep search tree,
I might be able to search it more efficiently if I don't
need to search through everything, if I can remove some of the nodes
to try and optimize the way that I look through this entire search space.
So alpha-beta pruning can definitely save us a lot of time
as we go about the search process by making our searches more efficient.

Turkish: 
 Bu tür bir hesaplama yapmak için, 
 Biraz daha defter tutma yapıyordum, işleri takip ediyordum, 
 her zaman takip etmek, yapabileceğim en iyi şey ne, 
 yapabileceğim en kötü şey nedir ve bu eyaletlerin her biri için, 
 tamam, eğer 4 alabilirim zaten, 
 bu durumda yapabileceğim en iyi şey 3 ise, 
 düşünmem için bir sebep yok. 
 Bu yaprağı ve altındaki her şeyi ağaçtan etkili bir şekilde bulabilirim. 
 İşte bu nedenle bu yaklaşım, Minimax'a yapılan bu optimizasyon, 
 alfa-beta budama denir. 
 Alfa ve beta bu iki değeri temsil eder 
 takip etmeniz gerekecek, şimdiye kadar yapabileceğiniz en iyi şey 
 ve şimdiye kadar yapabileceğiniz en kötüsü. 
 Ve budama, eğer büyük, uzun, derin bir arama ağacım varsa, 
 Yapmazsam daha verimli bir şekilde arama yapabilirim 
 bazı düğümleri kaldırabilirsem, her şeyi aramalıyım 
 tüm arama alanına baktığım yolu optimize etmeye çalışıyorum. 
 Alfa-beta budama kesinlikle bize çok zaman kazandırabilir 
 aramalarımızı daha verimli hale getirerek arama sürecine devam ediyoruz. 

German: 
 Um diese Art der Berechnung durchzuführen, 
 Ich habe ein bisschen mehr Buchhaltung betrieben und den Überblick behalten. 
 Ich habe die ganze Zeit den Überblick darüber, was das Beste ist, was ich tun kann. 
 Was ist das Schlimmste, was ich tun kann, und für jeden dieser Zustände: 
 Also gut, wenn ich schon weiß, dass ich eine 4 bekommen kann, 
 Wenn das Beste, was ich in diesem Zustand tun kann, eine 3 ist, 
 Kein Grund für mich, darüber nachzudenken. 
 Ich kann dieses Blatt und alles darunter effektiv vom Baum abschneiden. 
 Und aus diesem Grund ist dieser Ansatz, diese Optimierung für Minimax, 
 wird als Alpha-Beta-Schnitt bezeichnet. 
 Alpha und Beta stehen für diese beiden Werte 
 dass Sie den Überblick behalten müssen, das Beste, was Sie bisher tun können 
 und das Schlimmste, was Sie bisher tun können. 
 Und Beschneiden ist die Idee, wenn ich einen großen, langen, tiefen Suchbaum habe, 
 Ich könnte es möglicherweise effizienter suchen, wenn ich es nicht tue 
 Ich muss alles durchsuchen, wenn ich einige der Knoten entfernen kann 
 um zu versuchen, die Art und Weise zu optimieren, wie ich durch diesen gesamten Suchraum schaue. 
 Das Beschneiden mit Alpha-Beta kann uns also definitiv viel Zeit sparen 
 während wir den Suchprozess durchführen, indem wir unsere Suche effizienter gestalten. 

Hindi: 
 तो इस प्रकार की गणना करने के लिए, 
 मैं थोड़ा और बहीखाता कर रहा था, चीजों पर नज़र रख रहा था, 
 हर समय नज़र रखना, मैं क्या कर सकता हूँ जो सबसे अच्छा है, 
 सबसे खराब चीज जो मैं कर सकता हूं, और इनमें से प्रत्येक राज्य के लिए यह कहते हुए, 
 सब ठीक है, ठीक है, अगर मुझे पहले से पता है कि मुझे एक 4 मिल सकता है, 
 अगर इस राज्य में मैं सबसे अच्छा कर सकता हूं तो वह 3 है, 
 मेरे लिए इस पर विचार करने का कोई कारण नहीं। 
 मैं प्रभावी रूप से इस पत्ते और पेड़ से इसके नीचे कुछ भी लिख सकता हूं। 
 और यह इस दृष्टिकोण के कारण है, मिनिमैक्स के लिए यह अनुकूलन, 
 अल्फा-बीटा प्रूनिंग कहा जाता है। 
 इन दो मूल्यों के लिए अल्फा और बीटा स्टैंड 
 कि आप पर नज़र रखने के लिए, सबसे अच्छा आप अब तक कर सकते हैं होगा 
 और सबसे बुरा आप अब तक कर सकते हैं। 
 और प्रूनिंग का विचार है, अगर मेरे पास एक बड़ा, लंबा, गहरा खोज पेड़ है, 
 यदि मैं ऐसा नहीं करता तो मैं इसे अधिक कुशलता से खोज सकता हूं 
 सब कुछ के माध्यम से खोज करने की आवश्यकता है, अगर मैं कुछ नोड्स को हटा सकता हूं 
 इस पूरे खोज स्थान के माध्यम से जिस तरह से मैं देख रहा हूँ, उसे अनुकूलित करने का प्रयास करें। 
 तो अल्फा-बीटा प्रूनिंग निश्चित रूप से हमें बहुत समय बचा सकती है 
 जैसा कि हम अपनी खोजों को अधिक कुशल बनाकर खोज प्रक्रिया के बारे में जानते हैं। 

French: 
 Donc, pour faire ce type de calcul, 
 Je faisais un peu plus de comptabilité, je suivais les choses, 
 garder une trace tout le temps de, qu'est-ce que je peux faire de mieux, 
 quel est le pire que je puisse faire, et pour chacun de ces états, en disant: 
 très bien, si je sais déjà que je peux obtenir un 4, 
 alors si le mieux que je puisse faire dans cet état est un 3, 
 aucune raison pour moi d'en tenir compte. 
 Je peux tailler efficacement cette feuille et tout ce qui se trouve en dessous de l'arbre. 
 Et c'est pour cette raison que cette approche, cette optimisation pour Minimax, 
 est appelé élagage alpha-bêta. 
 Alpha et beta représentent ces deux valeurs 
 que vous devrez suivre, le mieux que vous puissiez faire jusqu'à présent 
 et le pire que vous puissiez faire jusqu'à présent. 
 Et l'élagage est l'idée de, si j'ai un grand arbre de recherche long et profond, 
 Je pourrais être en mesure de le rechercher plus efficacement si je ne le fais pas 
 besoin de rechercher à travers tout, si je peux supprimer certains des nœuds 
 pour essayer d'optimiser la façon dont je regarde à travers tout cet espace de recherche. 
 L'élagage alpha-bêta peut donc nous faire gagner beaucoup de temps 
 que nous avançons dans le processus de recherche en rendant nos recherches plus efficaces. 

Spanish: 
 Entonces, para hacer este tipo de cálculo, 
 Estaba haciendo un poco más de contabilidad, haciendo un seguimiento de las cosas, 
 haciendo un seguimiento todo el tiempo de, qué es lo mejor que puedo hacer, 
 qué es lo peor que puedo hacer, y para cada uno de estos estados, decir: 
 Muy bien, bueno, si ya sé que puedo obtener un 4, 
 entonces, si lo mejor que puedo hacer en este estado es un 3, 
 No hay razón para que lo considere. 
 Puedo podar efectivamente esta hoja y cualquier cosa debajo del árbol. 
 Y es por eso este enfoque, esta optimización para Minimax, 
 se llama poda alfa-beta. 
 Alfa y beta representan estos dos valores 
 que tendrá que seguir, lo mejor que puede hacer hasta ahora 
 y lo peor que puedes hacer hasta ahora. 
 Y la poda es la idea de, si tengo un árbol de búsqueda grande, largo y profundo, 
 Podría buscarlo de manera más eficiente si no lo hago 
 Necesito buscar a través de todo, si puedo eliminar algunos de los nodos 
 para tratar de optimizar la forma en que miro a través de todo este espacio de búsqueda. 
 Por lo tanto, la poda alfa-beta definitivamente nos puede ahorrar mucho tiempo 
 a medida que avanzamos en el proceso de búsqueda haciendo que nuestras búsquedas sean más eficientes. 

Arabic: 
 لذلك من أجل القيام بهذا النوع من الحسابات ، 
 كنت أقوم بعمل المزيد من مسك الدفاتر ، وتتبع الأشياء ، 
 تتبع طوال الوقت ، ما هو أفضل ما يمكنني القيام به ، 
 ما هو أسوأ ما يمكنني فعله ، ولكل من هذه الدول ، قائلة ، 
 حسنًا ، إذا كنت أعلم بالفعل أنه يمكنني الحصول على 4 ، 
 ثم إذا كان أفضل ما يمكنني فعله في هذه الحالة هو 3 ، 
 لا يوجد سبب لي للنظر فيها. 
 يمكنني تقليم هذه الورقة بشكل فعال وأي شيء تحتها من الشجرة. 
 ولهذا السبب هذا النهج ، هذا التحسين لـ Minimax ، 
 يسمى تقليم ألفا بيتا. 
 ألفا وبيتا تعني هاتين القيمتين 
 أفضل ما يمكنك فعله حتى الآن 
 وأسوأ ما يمكنك القيام به حتى الآن. 
 والتقليم هو فكرة ، إذا كان لدي شجرة بحث كبيرة وطويلة وعميقة ، 
 قد أتمكن من البحث عنه بكفاءة أكبر إذا لم أتمكن من ذلك 
 بحاجة إلى البحث في كل شيء ، إذا كان بإمكاني إزالة بعض العقد 
 لمحاولة تحسين الطريقة التي أتصفح بها مساحة البحث بالكامل. 
 لذا فإن تقليم ألفا بيتا يمكن أن يوفر لنا بالتأكيد الكثير من الوقت 
 بينما نبدأ في عملية البحث بجعل عمليات البحث لدينا أكثر كفاءة. 

Italian: 
 Quindi per fare questo tipo di calcolo, 
 Stavo facendo un po 'più di contabilità, tenendo traccia delle cose, 
 tenendo traccia di tutto il tempo, qual è il meglio che posso fare, 
 qual è il peggio che posso fare, e per ciascuno di questi stati, dicendo: 
 bene, bene, se so già che posso ottenere un 4, 
 quindi se il meglio che posso fare in questo stato è un 3, 
 nessuna ragione per me di prenderlo in considerazione. 
 Posso effettivamente potare questa foglia e qualsiasi cosa sotto di essa dall'albero. 
 Ed è per questo motivo questo approccio, questa ottimizzazione di Minimax, 
 si chiama potatura alfa-beta. 
 Alpha e beta rappresentano questi due valori 
 di cui dovrai tenere traccia, il meglio che puoi fare finora 
 e il peggio che puoi fare finora. 
 E la potatura è l'idea di, se ho un albero di ricerca grande, lungo e profondo, 
 Potrei essere in grado di cercarlo in modo più efficiente se non lo facessi 
 ho bisogno di cercare in tutto, se riesco a rimuovere alcuni dei nodi 
 per cercare di ottimizzare il modo in cui guardo attraverso l'intero spazio di ricerca. 
 Quindi la potatura alfa-beta può sicuramente farci risparmiare un sacco di tempo 
 mentre procediamo nel processo di ricerca rendendo le nostre ricerche più efficienti. 

Russian: 
 Таким образом, чтобы сделать этот тип расчета, 
 Я делал немного больше бухгалтерии, следил за вещами, 
 отслеживать все время, что самое лучшее, что я могу сделать, 
 что худшее, что я могу сделать, и для каждого из этих состояний, говоря, 
 хорошо, хорошо, если я уже знаю, что я могу получить 4, 
 тогда, если лучшее, что я могу сделать в этом состоянии, это 3, 
 нет причин для меня, чтобы рассмотреть это. 
 Я могу эффективно обрезать этот лист и все что угодно под ним с дерева. 
 И именно по этой причине этот подход, эта оптимизация для Minimax, 
 называется альфа-бета-обрезка. 
 Альфа и бета означают эти два значения 
 что вам придется следить, лучшее, что вы можете сделать до сих пор 
 и худшее, что вы можете сделать до сих пор. 
 И обрезка - идея, если у меня есть большое, длинное, глубокое дерево поиска, 
 Я мог бы искать его более эффективно, если я не 
 нужно искать через все, если я могу удалить некоторые из узлов 
 чтобы попытаться оптимизировать то, как я просматриваю все пространство поиска. 
 Таким образом, обрезка альфа-бета определенно может сэкономить нам много времени 
 как мы идем о процессе поиска, делая наши поиски более эффективными. 

Indonesian: 
 Jadi untuk melakukan perhitungan jenis ini, 
 Saya melakukan sedikit lebih banyak pembukuan, melacak hal-hal, 
 melacak sepanjang waktu, apa yang terbaik yang bisa saya lakukan, 
 apa yang terburuk yang bisa saya lakukan, dan untuk masing-masing negara ini, mengatakan, 
 baiklah, jika saya sudah tahu bahwa saya bisa mendapatkan 4, 
 maka jika yang terbaik yang bisa saya lakukan di negara ini adalah 3, 
 tidak ada alasan bagi saya untuk mempertimbangkannya. 
 Saya dapat memangkas daun ini secara efektif dan apa pun di bawahnya dari pohon. 
 Dan karena alasan inilah pendekatan ini, optimasi ini ke Minimax, 
 disebut pemangkasan alpha-beta. 
 Alpha dan beta mewakili kedua nilai ini 
 Anda harus melacak, yang terbaik yang bisa Anda lakukan sejauh ini 
 dan yang terburuk yang bisa Anda lakukan sejauh ini. 
 Dan pemangkasan adalah ide, jika saya memiliki pohon pencarian yang besar, panjang, dalam, 
 Saya mungkin dapat mencarinya dengan lebih efisien jika tidak 
 perlu mencari melalui semuanya, jika saya dapat menghapus beberapa node 
 untuk mencoba dan mengoptimalkan cara saya melihat seluruh ruang pencarian ini. 
 Jadi pemangkasan alpha-beta pasti bisa menghemat banyak waktu 
 seiring kami melanjutkan proses pencarian dengan membuat pencarian kami lebih efisien. 

Dutch: 
 Dus om dit type berekening uit te voeren, 
 Ik deed een beetje meer boekhouding, hield dingen bij, 
 de hele tijd bijhouden, wat is het beste dat ik kan doen, 
 wat is het ergste dat ik kan doen, en voor elk van deze staten zeggend: 
 oke, nou, als ik al weet dat ik een 4 kan krijgen, 
 als het beste wat ik in deze staat kan doen een 3 is, 
 voor mij geen reden om erover na te denken. 
 Ik kan dit blad en alles eronder van de boom effectief snoeien. 
 En daarom is deze aanpak, deze optimalisatie naar Minimax, 
 heet alpha-beta snoeien. 
 Alpha en beta staan ​​voor deze twee waarden 
 die u moet bijhouden, het beste wat u tot nu toe kunt doen 
 en het ergste wat je tot nu toe kunt doen. 
 En snoeien is het idee van, als ik een grote, lange, diepe zoekboom heb, 
 Ik kan het misschien efficiënter zoeken als ik dat niet doe 
 moet alles doorzoeken, als ik enkele knooppunten kan verwijderen 
 om te proberen de manier waarop ik door deze hele zoekruimte kijk te optimaliseren. 
 Dus alpha-beta snoeien kan ons zeker veel tijd besparen 
 terwijl we het zoekproces uitvoeren door onze zoekopdrachten efficiënter te maken. 

Portuguese: 
 Então, para fazer esse tipo de cálculo, 
 Eu estava fazendo um pouco mais de contabilidade, acompanhando as coisas, 
 mantendo o controle o tempo todo, o que é o melhor que posso fazer, 
 o que é o pior que posso fazer e, para cada um desses estados, dizendo: 
 tudo bem, bem, se eu já sei que posso conseguir um 4, 
 então, se o melhor que posso fazer nesse estado é 3, 
 não há razão para eu considerar isso. 
 Posso podar efetivamente esta folha e qualquer coisa abaixo dela da árvore. 
 E é por esse motivo que essa abordagem, essa otimização para o Minimax, 
 é chamado de poda alfa-beta. 
 Alfa e beta representam esses dois valores 
 que você terá que acompanhar, o melhor que você pode fazer até agora 
 e o pior que você pode fazer até agora. 
 E poda é a ideia de, se eu tiver uma árvore de pesquisa grande, longa e profunda, 
 Talvez eu consiga pesquisar com mais eficiência se não o fizer 
 preciso pesquisar tudo, se eu conseguir remover alguns nós 
 para tentar otimizar a aparência de todo esse espaço de pesquisa. 
 Portanto, a poda alfa-beta definitivamente pode nos poupar muito tempo 
 à medida que avançamos no processo de pesquisa, tornando nossas pesquisas mais eficientes. 

Korean: 
 이러한 유형의 계산을 수행하려면 
 좀 더 부기를하고 물건을 추적하고 있었어요 
 항상 최선을 다해 추적하고 
 내가 할 수있는 최악의 상황은 무엇입니까? 
 내가 4를받을 수 있다는 것을 이미 알고 있다면 
 이 상태에서 내가 할 수있는 최선이 3이라면 
 내가 그것을 고려할 이유가 없습니다. 
 나는이 잎과 그 아래의 것을 나무에서 효과적으로자를 수 있습니다. 
 이런 이유로 Minimax에 대한 최적화, 
 알파-베타 가지 치기라고합니다. 
 알파와 베타는이 두 가지 가치를 나타냅니다 
 추적해야합니다. 지금까지 할 수있는 최선 
 최악의 상황은 지금까지 할 수 있습니다. 
 가지 치기는 크고 길고 깊은 검색 트리가 있다면 
 내가하지 않으면 더 효율적으로 검색 할 수 있습니다 
 일부 노드를 제거 할 수 있으면 모든 것을 검색해야합니다. 
 이 전체 검색 공간을 살펴 보는 방식을 시도하고 최적화합니다. 
 알파-베타 가지 치기는 확실히 많은 시간을 절약 할 수 있습니다. 
 보다 효율적인 검색을 통해 검색 프로세스를 진행합니다. 

Chinese: 
因此，為了進行這種類型的計算， 
我做了更多的簿記，跟踪事情， 
一直跟踪，我能做的最好的事， 
我能做的最壞的事情是什麼？對於每個州來說， 
好吧，好吧，如果我已經知道我可以拿到4， 
如果在這種狀態下我能做的最好的是3， 
我沒有理由考慮它。 
我可以從樹上有效修剪這片葉子和它下面的任何東西。 
因此，這種方法，對Minimax的優化， 
稱為alpha-beta修剪。 
 Alpha和Beta代表這兩個值
您必須要跟踪的，到目前為止可以做的最好的
到目前為止您所能做的最壞的事情。 
修剪的想法是，如果我有一棵又長又長的深層搜索樹， 
如果不這樣做，我也許可以更有效地搜索它
需要搜索所有內容，如果我可以刪除一些節點
嘗試優化在整個搜索空間中的瀏覽方式。 
所以alpha-beta修剪絕對可以為我們節省很多時間
通過提高搜索效率來進行搜索過程。 

Modern Greek (1453-): 
 Για να γίνει αυτός ο τύπος υπολογισμού, 
 Έκανα λίγο περισσότερη τήρηση βιβλίων, παρακολουθώντας τα πράγματα, 
 παρακολουθώντας όλη την ώρα, ποιο είναι το καλύτερο που μπορώ να κάνω, 
 ποιο είναι το χειρότερο που μπορώ να κάνω, και για καθένα από αυτά τα κράτη, λέγοντας, 
 εντάξει, καλά, αν γνωρίζω ήδη ότι μπορώ να πάρω 4, 
 τότε αν το καλύτερο που μπορώ να κάνω σε αυτήν την κατάσταση είναι το 3, 
 δεν υπάρχει λόγος να το εξετάσω. 
 Μπορώ να κλαδέψω αποτελεσματικά αυτό το φύλλο και οτιδήποτε κάτω από αυτό από το δέντρο. 
 Και για αυτόν τον λόγο αυτή η προσέγγιση, αυτή η βελτιστοποίηση στο Minimax, 
 ονομάζεται κλάδεμα άλφα-βήτα. 
 Alpha και beta αντιπροσωπεύουν αυτές τις δύο τιμές 
 ότι θα πρέπει να παρακολουθείτε, το καλύτερο που μπορείτε να κάνετε μέχρι στιγμής 
 και το χειρότερο που μπορείτε να κάνετε μέχρι τώρα. 
 Και το κλάδεμα είναι η ιδέα, αν έχω ένα μεγάλο, μακρύ, βαθύ δέντρο αναζήτησης, 
 Ίσως μπορώ να το αναζητήσω πιο αποτελεσματικά αν δεν το κάνω 
 πρέπει να αναζητήσω τα πάντα, αν μπορώ να αφαιρέσω μερικούς από τους κόμβους 
 να δοκιμάσω και να βελτιστοποιήσω τον τρόπο που κοιτάζω σε ολόκληρο τον χώρο αναζήτησης. 
 Έτσι το κλάδεμα άλφα-βήτα μπορεί σίγουρα να μας εξοικονομήσει πολύ χρόνο 
 καθώς προχωράμε στη διαδικασία αναζήτησης κάνοντας τις αναζητήσεις μας πιο αποτελεσματικές. 

Japanese: 
このタイプの計算を行うには、 
私はもう少し簿記をして、物事を追跡していました。 
私ができる最善のことは何ですか
私ができる最も悪いことは何ですか、そしてこれらの州のそれぞれについて、 
よし、ええと、もし私が4を手に入れることができるとすでに知っているなら
この状態で私ができる最善のことは3、 
私がそれを検討する理由はありません。 
私はこの葉とその下にあるものを木から効果的に剪定することができます。 
そのため、このアプローチ、Minimaxへの最適化、 
アルファベータ剪定と呼ばれています。 
アルファとベータはこれら2つの値を表します
あなたが追跡する必要があること、あなたがこれまでにできる最善のこと
そして、あなたが今までにできる最悪の事態。 
そして剪定は、大きくて長くて深い検索ツリーがある場合、 
そうしないと、より効率的に検索できる可能性があります
一部のノードを削除できる場合は、すべてを検索する必要があります
この検索スペース全体の見方を最適化するために。 
だからアルファベータ剪定は間違いなく私たちに多くの時間を節約することができます
検索をより効率的にすることで検索プロセスを進めます。 

Arabic: 
 ولكن حتى ذلك الحين ، لا يزال الأمر غير رائع حيث تصبح الألعاب أكثر تعقيدًا. 
 لحسن الحظ ، لعبة Tic-tac-toe هي لعبة بسيطة نسبيًا ، 
 وقد نسأل بشكل معقول سؤالاً مثل 
 كم عدد ألعاب تيك تاك تو المتاحة؟ 
 يمكنك التفكير في الأمر. 
 يمكنك المحاولة والتقدير ، كم عدد التحركات الموجودة في أي نقطة معينة؟ 
 كم عدد التحركات طويلة يمكن أن تستمر اللعبة؟ 
 اتضح أن هناك حوالي 255000 لعبة تيك تاك تو ممكنة 
 يمكن لعبها. 
 لكن قارن ذلك بلعبة أكثر تعقيدًا ، شيء ما 
 مثل لعبة الشطرنج ، على سبيل المثال-- 
 قطع أكثر بكثير ، حركات أكثر بكثير ، ألعاب تدوم لفترة أطول. 
 كم عدد ألعاب الشطرنج المحتملة المحتملة؟ 
 اتضح أنه بعد أربع حركات فقط لكل واحدة ، 
 أربع حركات للاعب الأبيض ، وأربع حركات للاعب الأسود ، 
 أن هناك 288 مليار شطرنج محتمل 
 الألعاب التي يمكن أن تنتج عن هذا الموقف ، بعد أربع حركات فقط لكل منها. 
 وتذهب أبعد من ذلك. 
 إذا نظرت إلى ألعاب الشطرنج بأكملها وعدد ألعاب الشطرنج الممكنة هناك 
 يمكن أن يكون نتيجة لذلك هناك أكثر من 10 

Chinese: 
但是即使那樣，隨著遊戲變得越來越複雜，它仍然不是很好。 
井字遊戲是一個相對簡單的遊戲， 
我們可能會合理地問一個問題， 
總共有多少個井字遊戲？ 
您可以考慮一下。 
您可以嘗試估計在任何給定點有多少移動？ 
遊戲可以持續多少步？ 
事實證明，大約有255,000種井字遊戲
可以播放。 
但是，將其與更複雜的遊戲進行比較
例如像下象棋一樣- 
遊戲更多，動作更多，遊戲持續更長時間。 
總共可能有多少種國際象棋遊戲？ 
事實證明，每個動作僅需四步， 
白棋手四招，黑棋手四招， 
有2880億可能的國際象棋
在這種情況下，每次僅需四步移動就可以產生遊戲。 
並進一步發展。 
如果您看整個國際象棋遊戲以及那裡可能有多少種國際象棋遊戲
結果可能是那裡有十多個

Italian: 
 Ma anche in questo caso, non è comunque eccezionale poiché i giochi diventano più complessi. 
 Tic-tac-toe, fortunatamente, è un gioco relativamente semplice, 
 e potremmo ragionevolmente porre una domanda come, 
 quanti giochi possibili totali di tic-tac-toe ci sono? 
 Puoi pensarci. 
 Puoi provare e stimare, quante mosse ci sono in un dato punto? 
 Quante mosse può durare il gioco? 
 Si scopre che ci sono circa 255.000 possibili giochi di tic-tac-toe 
 può essere giocato. 
 Ma confrontalo con un gioco più complesso, qualcosa 
 come una partita a scacchi, per esempio ... 
 molti più pezzi, molte più mosse, giochi che durano molto più a lungo. 
 Quante partite di scacchi possibili totali potrebbero esserci? 
 Si scopre che dopo solo quattro mosse ciascuna, 
 quattro mosse dal giocatore bianco, quattro mosse dal giocatore nero, 
 che ci sono 288 miliardi di possibili scacchi 
 giochi che possono derivare da quella situazione, dopo solo quattro mosse ciascuno. 
 E andare ancora oltre. 
 Se guardi intere partite di scacchi e quante possibili partite di scacchi ci sono 
 potrebbe essere di conseguenza lì, ci sono più di 10 

Japanese: 
しかしそれでも、ゲームがより複雑になるので、それはまだ素晴らしいことではありません。 
三目並べは幸い、比較的シンプルなゲームです。 
そして、私たちは合理的に次のような質問をするかもしれません、 
可能な三目並べゲームは合計でいくつありますか？ 
あなたはそれについて考えることができます。 
あなたは試して推定することができます、ある時点でいくつの動きがありますか？ 
ゲームは何回続くことができますか？ 
約255,000の三目並べゲームが考えられます。 
再生することができます。 
しかし、それをより複雑なゲームと比較すると、 
たとえばチェスのゲームのように
はるかに多くのピース、はるかに多くの動き、はるかに長く続くゲーム。 
チェスのゲームは合計でいくつありますか？ 
たった4つの動きの後で、 
白のプレーヤーが4手、黒のプレーヤーが4手、 
可能なチェスは2,880億あります
そのような状況から発生する可能性のあるゲームです。 
そしてさらに先へ。 
チェスのゲーム全体とそこにあるチェスのゲームの数を見ると
結果としてそこにあるかもしれません、10以上あります

English: 
But even then, it's still not great as games get more complex.
Tic-tac-toe, fortunately, is a relatively simple game,
and we might reasonably ask a question like,
how many total possible tic-tac-toe games are there?
You can think about it.
You can try and estimate, how many moves are there at any given point?
How many moves long can the game last?
It turns out there are about 255,000 possible tic-tac-toe games that
can be played.
But compare that to a more complex game, something
like a game of chess, for example--
far more pieces, far more moves, games that last much longer.
How many total possible chess games could there be?
It turns out that after just four moves each,
four moves by the white player, four moves by the black player,
that there are 288 billion possible chess
games that can result from that situation, after just four moves each.
And going even further.
If you look at entire chess games and how many possible chess games there
could be as a result there, there are more than 10

Chinese: 
但是即使那样，随着游戏变得越来越复杂，它仍然不是很好。 
井字游戏是一个相对简单的游戏， 
我们可能会合理地问一个问题， 
总共有多少个井字游戏？ 
您可以考虑一下。 
您可以尝试估计在任何给定点有多少移动？ 
游戏可以持续多少步？ 
事实证明，大约有255,000种井字游戏
可以播放。 
但是将其与更复杂的游戏进行比较
例如像下象棋一样- 
游戏更多，动作更多，游戏持续更长时间。 
总共可能有多少种国际象棋游戏？ 
事实证明，每个动作仅需四步， 
白棋手四招，黑棋手四招， 
有2880亿可能的国际象棋
在这种情况下，每次仅需四步移动就可以产生游戏。 
并进一步发展。 
如果您看整个国际象棋游戏以及那里可能有多少种国际象棋游戏
结果可能是那里有十多个

Korean: 
 그러나 그럼에도 불구하고 게임이 더 복잡 해짐에 따라 여전히 좋지 않습니다. 
 다행스럽게도 틱택 토는 비교적 간단한 게임입니다. 
 우리는 합리적으로 다음과 같은 질문을 할 수 있습니다. 
 가능한 총 틱택 토 게임은 몇 개입니까? 
 당신은 그것에 대해 생각할 수 있습니다. 
 당신은 시도하고 추정 할 수 있습니다, 주어진 지점에 얼마나 많은 움직임이 있습니까? 
 게임이 얼마나 오래 지속될 수 있습니까? 
 약 255,000 개의 틱택 토 게임이있을 수 있습니다. 
 재생할 수 있습니다. 
 하지만 좀 더 복잡한 게임과 비교하면 
 예를 들어 체스 게임처럼 
 훨씬 더 많은 조각, 더 많은 움직임, 더 오래 지속되는 게임. 
 가능한 총 체스 게임 수는 몇 개입니까? 
 각각 4 번만 움직 인 후에 
 백인 플레이어는 4 번, 흑인 플레이어는 4 번 
 가능한 2,880 억 개의 체스가 있습니다 
 각각 4 번만 움직 인 후 그 상황에서 발생할 수있는 게임. 
 그리고 더 나아가. 
 전체 체스 게임과 가능한 많은 체스 게임을 보면 
 결과적으로 10 이상이있을 수 있습니다. 

French: 
 Mais même alors, ce n'est toujours pas génial car les jeux deviennent plus complexes. 
 Tic-tac-toe, heureusement, est un jeu relativement simple, 
 et nous pourrions raisonnablement poser une question comme, 
 Combien y a-t-il de jeux de tic-tac-toe possibles? 
 Vous pouvez y penser. 
 Vous pouvez essayer d'estimer combien de mouvements y a-t-il à un moment donné? 
 Combien de coups peut durer le jeu? 
 Il s'avère qu'il y a environ 255 000 jeux de tic-tac-toe possibles qui 
 peut être joué. 
 Mais comparez cela à un jeu plus complexe, quelque chose 
 comme une partie d'échecs, par exemple ... 
 beaucoup plus de pièces, beaucoup plus de mouvements, des jeux qui durent beaucoup plus longtemps. 
 Combien de parties d'échecs possibles au total pourrait-il y avoir? 
 Il s'avère qu’après seulement quatre mouvements chacun, 
 quatre coups par le joueur blanc, quatre coups par le joueur noir, 
 qu'il y a 288 milliards d'échecs possibles 
 jeux qui peuvent résulter de cette situation, après seulement quatre coups chacun. 
 Et aller encore plus loin. 
 Si vous regardez des parties d'échecs entières et combien de parties d'échecs possibles 
 pourrait être le résultat, il y a plus de 10 

Turkish: 
 Ancak o zaman bile, oyunlar daha karmaşık hale geldikçe hala harika değil. 
 Tic-tac-toe, neyse ki, nispeten basit bir oyundur, 
 ve makul bir soru sorabiliriz, 
 Toplam kaç tane tic-tac-toe oyunu var? 
 Bunu düşünebilirsiniz. 
 Herhangi bir noktada kaç hamle olduğunu deneyebilir ve tahmin edebilirsiniz. 
 Oyun kaç hamle uzun sürebilir? 
 Yaklaşık 255.000 olası tic-tac-toe oyunu olduğu ortaya çıktı 
 oynanabilir. 
 Ama bunu daha karmaşık bir oyunla karşılaştırın 
 mesela satranç oyunu gibi-- 
 çok daha fazla parça, çok daha fazla hamle, daha uzun süre dayanan oyunlar. 
 Toplam kaç olası satranç oyunu olabilir? 
 Her biri sadece dört hareketten sonra, 
 beyaz oyuncu tarafından dört hamle, siyah oyuncu tarafından dört hamle, 
 288 milyar olası satranç olduğunu 
 Her biri sadece dört hamleden sonra bu durumdan kaynaklanabilecek oyunlar. 
 Ve daha da ileri gidiyor. 
 Tüm satranç oyunlarına ve kaç olası satranç oyununa bakarsanız 
 orada bir sonuç olabilir, 10'dan fazla var 

German: 
 Aber selbst dann ist es immer noch nicht großartig, da Spiele immer komplexer werden. 
 Tic-Tac-Toe ist zum Glück ein relativ einfaches Spiel, 
 und wir könnten vernünftigerweise eine Frage stellen wie: 
 Wie viele mögliche Tic-Tac-Toe-Spiele gibt es insgesamt? 
 Sie können darüber nachdenken. 
 Sie können versuchen zu schätzen, wie viele Züge es zu einem bestimmten Zeitpunkt gibt. 
 Wie viele Züge kann das Spiel dauern? 
 Es stellt sich heraus, dass es ungefähr 255.000 mögliche Tic-Tac-Toe-Spiele gibt 
 kann gespielt werden. 
 Aber vergleichen Sie das mit einem komplexeren Spiel 
 wie eine Partie Schach zum Beispiel ... 
 viel mehr Stücke, viel mehr Züge, Spiele, die viel länger dauern. 
 Wie viele mögliche Schachspiele könnte es insgesamt geben? 
 Es stellt sich heraus, dass nach jeweils nur vier Zügen 
 vier Züge des weißen Spielers, vier Züge des schwarzen Spielers, 
 dass es 288 Milliarden mögliche Schach gibt 
 Spiele, die sich aus dieser Situation ergeben können, nach jeweils nur vier Zügen. 
 Und noch weiter gehen. 
 Wenn Sie sich ganze Schachspiele ansehen und wie viele mögliche Schachspiele es gibt 
 Als Ergebnis könnte es dort mehr als 10 geben 

Indonesian: 
 Tetapi meskipun begitu, itu masih tidak bagus karena permainan menjadi lebih kompleks. 
 Tic-tac-toe, untungnya, adalah permainan yang relatif sederhana, 
 dan kami mungkin mengajukan pertanyaan seperti, 
 berapa banyak total game tic-tac-toe yang mungkin ada? 
 Anda bisa memikirkannya. 
 Anda dapat mencoba dan memperkirakan, berapa banyak gerakan yang ada pada titik tertentu? 
 Berapa banyak gerakan yang bisa bertahan dalam game? 
 Ternyata ada sekitar 255.000 kemungkinan game tic-tac-toe itu 
 bisa dimainkan. 
 Tapi bandingkan itu dengan game yang lebih kompleks, sesuatu 
 seperti permainan catur, misalnya-- 
 potongan jauh lebih banyak, gerakan jauh lebih banyak, game yang bertahan lebih lama. 
 Berapa banyak total permainan catur yang mungkin ada? 
 Ternyata setelah masing-masing hanya empat langkah, 
 empat langkah oleh pemain putih, empat langkah oleh pemain hitam, 
 bahwa ada 288 miliar catur yang memungkinkan 
 permainan yang bisa dihasilkan dari situasi itu, setelah masing-masing hanya empat gerakan. 
 Dan melangkah lebih jauh. 
 Jika Anda melihat seluruh permainan catur dan berapa banyak permainan catur di sana 
 bisa jadi hasilnya ada, ada lebih dari 10 

Hindi: 
 लेकिन फिर भी, यह अभी भी महान नहीं है क्योंकि खेल अधिक जटिल हो जाते हैं। 
 टिक-टैक-टो, सौभाग्य से, एक अपेक्षाकृत सरल खेल है, 
 और हम यथोचित प्रश्न पूछ सकते हैं, 
 कितने संभव टिक-टैक-टो खेल हैं? 
 आप इसके बारे में सोच सकते हैं। 
 आप किसी भी बिंदु पर कितनी चाल चल सकते हैं और अनुमान लगा सकते हैं? 
 खेल कितने समय तक चल सकता है? 
 यह पता चलता है कि लगभग 255,000 संभव टिक-टैक-टो खेल हैं 
 खेला जा सकता है। 
 लेकिन तुलना करें कि अधिक जटिल खेल के लिए, कुछ 
 उदाहरण के लिए शतरंज का खेल - 
 कहीं अधिक टुकड़े, कहीं अधिक चाल, ऐसे खेल जो अधिक समय तक चलते हैं। 
 शतरंज के कुल कितने संभावित खेल हो सकते हैं? 
 यह पता चला है कि सिर्फ चार चालों के बाद, 
 सफेद खिलाड़ी द्वारा चार चाल, काले खिलाड़ी द्वारा चार चाल, 
 288 बिलियन संभावित शतरंज हैं 
 खेल है कि सिर्फ चार चाल के बाद उस स्थिति से परिणाम कर सकते हैं। 
 और आगे भी जा रहा है। 
 यदि आप पूरे शतरंज के खेल और कितने संभावित शतरंज के खेल देखते हैं 
 वहाँ परिणाम के रूप में हो सकता है, वहाँ 10 से अधिक हैं 

Dutch: 
 Maar zelfs dan is het nog steeds niet geweldig omdat games complexer worden. 
 Tic-tac-toe is gelukkig een relatief eenvoudig spel, 
 en we kunnen redelijkerwijs een vraag stellen als: 
 hoeveel totaal mogelijke tic-tac-toe-spellen zijn er? 
 Je kunt erover nadenken. 
 U kunt proberen in te schatten hoeveel zetten er op een bepaald moment zijn? 
 Hoeveel zetten kan het spel duren? 
 Het blijkt dat er ongeveer 255.000 mogelijke tic-tac-toe-spellen zijn 
 kan worden gespeeld. 
 Maar vergelijk dat eens met een complexer spel, zoiets 
 zoals een spelletje schaak, bijvoorbeeld-- 
 veel meer stukken, veel meer moves, games die veel langer duren. 
 Hoeveel totaal mogelijke schaakpartijen kunnen er zijn? 
 Het blijkt dat na slechts vier zetten elk, 
 vier zetten door de witte speler, vier zetten door de zwarte speler, 
 dat er 288 miljard mogelijke schaken zijn 
 games die uit die situatie kunnen voortvloeien, na slechts vier zetten per stuk. 
 En nog verder gaan. 
 Als je kijkt naar hele schaakpartijen en hoeveel mogelijke schaakpartijen daar zijn 
 kan daar het gevolg zijn, er zijn er meer dan 10 

Russian: 
 Но даже тогда, это все еще не здорово, поскольку игры становятся более сложными. 
 Крестики-нолики, к счастью, это относительно простая игра, 
 и мы могли бы разумно задать вопрос, как, 
 сколько всего возможных игр в крестики-нолики? 
 Вы можете подумать об этом. 
 Вы можете попытаться оценить, сколько ходов в любой точке? 
 Сколько ходов может длиться игра? 
 Оказывается, существует около 255 000 возможных игр в крестики-нолики, которые 
 можно играть 
 Но сравните это с более сложной игрой, чем-то 
 как игра в шахматы, например: 
 гораздо больше фигур, гораздо больше ходов, игры, которые длятся намного дольше. 
 Сколько всего возможных шахматных партий может быть? 
 Оказывается, что после всего четырех ходов каждый, 
 четыре хода белого игрока, четыре хода черного игрока, 
 что существует 288 миллиардов возможных шахмат 
 игры, которые могут возникнуть в результате этой ситуации, после всего четырех ходов в каждой. 
 И идти еще дальше. 
 Если вы посмотрите на все шахматные игры и сколько там возможных шахматных игр 
 может быть в результате там более 10 

Portuguese: 
 Mas mesmo assim, ainda não é ótimo, pois os jogos ficam mais complexos. 
 Tic-tac-toe, felizmente, é um jogo relativamente simples, 
 e podemos razoavelmente fazer uma pergunta como, 
 Quantos jogos possíveis possíveis jogo da velha existem? 
 Você pode pensar sobre isso. 
 Você pode tentar estimar quantas jogadas existem em um determinado momento? 
 Quantos movimentos podem durar o jogo? 
 Acontece que existem cerca de 255.000 jogos possíveis de jogo da velha 
 pode ser jogado. 
 Mas compare isso com um jogo mais complexo, algo 
 como um jogo de xadrez, por exemplo-- 
 muito mais peças, muito mais jogadas, jogos que duram muito mais tempo. 
 Quantos jogos totais possíveis de xadrez poderia haver? 
 Acontece que, após apenas quatro movimentos cada, 
 quatro jogadas pelo jogador branco, quatro jogadas pelo jogador preto, 
 que existem 288 bilhões de xadrez possível 
 jogos que podem resultar dessa situação, após apenas quatro movimentos cada. 
 E indo ainda mais longe. 
 Se você olhar para jogos inteiros de xadrez e quantos possíveis jogos de xadrez existem 
 Como resultado, existem mais de 10 

Modern Greek (1453-): 
 Αλλά ακόμα και τότε, δεν είναι υπέροχο καθώς τα παιχνίδια γίνονται πιο περίπλοκα. 
 Το Tic-tac-toe, ευτυχώς, είναι ένα σχετικά απλό παιχνίδι, 
 και θα μπορούσαμε λογικά να θέσουμε μια ερώτηση όπως, 
 πόσα συνολικά πιθανά παιχνίδια tic-tac-toe υπάρχουν; 
 Μπορείτε να το σκεφτείτε. 
 Μπορείτε να δοκιμάσετε και να εκτιμήσετε, πόσες κινήσεις υπάρχουν σε οποιοδήποτε σημείο; 
 Πόσες κινήσεις μπορεί να διαρκέσει το παιχνίδι; 
 Αποδεικνύεται ότι υπάρχουν περίπου 255.000 πιθανά παιχνίδια tic-tac-toe που 
 μπορεί να παιχτεί. 
 Αλλά συγκρίνετέ το με ένα πιο περίπλοκο παιχνίδι, κάτι 
 σαν ένα παιχνίδι σκακιού, για παράδειγμα-- 
 πολύ περισσότερα κομμάτια, πολύ περισσότερες κινήσεις, παιχνίδια που διαρκούν πολύ περισσότερο. 
 Πόσα συνολικά πιθανά παιχνίδια σκακιού θα μπορούσαν να υπάρχουν; 
 Αποδεικνύεται ότι μετά από τέσσερις κινήσεις η καθεμία, 
 τέσσερις κινήσεις από τον λευκό παίκτη, τέσσερις κινήσεις από τον μαύρο παίκτη, 
 ότι υπάρχουν 288 δισεκατομμύρια πιθανά σκάκι 
 παιχνίδια που μπορούν να προκύψουν από αυτήν την κατάσταση, μετά από μόλις τέσσερις κινήσεις η καθεμία. 
 Και προχωρώντας ακόμη πιο μακριά. 
 Αν κοιτάξετε ολόκληρα παιχνίδια σκακιού και πόσα πιθανά παιχνίδια σκακιού εκεί 
 ως αποτέλεσμα, υπάρχουν περισσότερα από 10 

Spanish: 
 Pero incluso entonces, todavía no es genial a medida que los juegos se vuelven más complejos. 
 Tic-tac-toe, afortunadamente, es un juego relativamente simple, 
 y razonablemente podríamos hacer una pregunta como, 
 ¿Cuántos juegos posibles de tres en raya hay? 
 Puedes pensarlo. 
 Puedes intentar estimar, ¿cuántos movimientos hay en un punto dado? 
 ¿Cuántos movimientos puede durar el juego? 
 Resulta que hay alrededor de 255,000 posibles juegos de tres en raya que 
 se puede jugar 
 Pero compara eso con un juego más complejo, algo 
 como un juego de ajedrez, por ejemplo: 
 muchas más piezas, muchos más movimientos, juegos que duran mucho más. 
 ¿Cuántos juegos de ajedrez posibles en total podría haber? 
 Resulta que después de solo cuatro movimientos cada uno, 
 cuatro movimientos del jugador blanco, cuatro movimientos del jugador negro, 
 que hay 288 mil millones de ajedrez posible 
 juegos que pueden resultar de esa situación, después de solo cuatro movimientos cada uno. 
 Y yendo aún más lejos. 
 Si observa juegos de ajedrez completos y cuántos juegos de ajedrez posibles hay 
 podría ser como resultado allí, hay más de 10 

Korean: 
 29,000 개의 가능한 체스 게임, 훨씬 더 많은 체스 게임 
 생각보다 훨씬. 
 그리고 이것은 Minimax 알고리즘에있어 매우 큰 문제입니다. Minimax는 
 알고리즘은 초기 상태로 시작하여 가능한 모든 동작을 고려합니다. 
 그 이후에 가능한 모든 행동을 
 게임이 끝날 때까지 
 컴퓨터가 문제라면 
 이 많은 상태를 살펴 봐야합니다. 
 합리적인 시간에 컴퓨터가 할 수있는 것보다 훨씬 더 많은 것입니다. 
 이 문제를 해결하기 위해 무엇을해야합니까? 
 이 모든 상태를 살펴 보는 대신 
 컴퓨터에는 전혀 문제가되지 않습니다. 더 나은 접근 방식이 필요합니다. 
 더 나은 접근 방식은 일반적으로 무언가의 형태를 취한다는 것이 밝혀졌습니다 
 깊이 제한 Minimax라고합니다. 
 일반적으로 Minimax가 깊이 제한이없는 경우- 
 우리는 단지 계속 가고, 층마다, 이동 후, 
 게임이 끝날 때까지 
 깊이 제한 Minimax가 대신 말할 것입니다. 
 일정 횟수의 움직임이 있은 후 아마도 
 10은 앞으로 움직입니다. 아마도 12는 앞으로 움직일 것입니다. 

Hindi: 
 29,000 संभावित शतरंज के खेल, कहीं अधिक शतरंज के खेल 
 कभी भी विचार किया जा सकता है। 
 और यह मिनीमाक्स एल्गोरिथ्म के लिए एक बहुत बड़ी समस्या है, क्योंकि मिनीमैक्स 
 एल्गोरिथ्म एक प्रारंभिक अवस्था से शुरू होता है, सभी संभावित कार्यों पर विचार करता है 
 और उसके बाद सभी संभव कार्य, सभी तरह से 
 जब तक हम खेल के अंत तक नहीं पहुंच जाते। 
 और अगर कंप्यूटर है तो यह एक समस्या है 
 इस कई राज्यों के माध्यम से देखने की जरूरत है, जो 
 किसी भी कंप्यूटर से कहीं अधिक समय में किसी भी उचित मात्रा में कर सकता है। 
 तो इस समस्या को हल करने के लिए हम क्या करते हैं? 
 इन सभी राज्यों को देखने के बजाय, जो 
 कंप्यूटर के लिए पूरी तरह से अलग है, हमें कुछ बेहतर दृष्टिकोण की आवश्यकता है। 
 और यह पता चला है कि बेहतर दृष्टिकोण आमतौर पर कुछ का रूप लेता है 
 जिसे गहराई-सीमित मिनीमैक्स कहा जाता है। 
 जहां सामान्य रूप से मिनिमैक्स गहराई-असीमित है - 
 हम बस जा रहे हैं, परत दर परत, चलते रहने के बाद, 
 जब तक हम खेल के अंत तक नहीं पहुंच जाते - 
 गहराई से सीमित मिनिमैक्स कहने के बजाय, आप जानते हैं कि क्या है? 
 चाल की एक निश्चित संख्या के बाद - शायद मैं करूँगा 
 10 कदम आगे देखो, शायद मैं 12 कदम आगे देखूंगा, लेकिन उस बिंदु के बाद, 

Italian: 
 alle 29.000 possibili partite di scacchi, molte più partite di scacchi 
 di quanto si possa mai considerare. 
 E questo è un grosso problema per l'algoritmo Minimax, perché Minimax 
 l'algoritmo inizia con uno stato iniziale, considera tutte le azioni possibili 
 e tutte le possibili azioni successive, fino in fondo 
 fino alla fine del gioco. 
 E questo sarà un problema se il computer lo è 
 avrà bisogno di guardare attraverso questi molti stati, che 
 è molto più di quanto qualsiasi computer possa mai fare in un ragionevole lasso di tempo. 
 Quindi cosa facciamo per risolvere questo problema? 
 Invece di guardare attraverso tutti questi stati, che 
 è totalmente intrattabile per un computer, abbiamo bisogno di un approccio migliore. 
 E si scopre che un approccio migliore generalmente prende la forma di qualcosa 
 chiamato Minimax a profondità limitata. 
 Dove normalmente Minimax è illimitato in profondità-- 
 continuiamo ad andare avanti, strato dopo strato, muoviamo dopo spostiamo, 
 fino a quando non arriveremo alla fine del gioco-- 
 Minimax a profondità limitata invece dirà, sai una cosa? 
 Dopo un certo numero di mosse, forse lo farò 
 guarda 10 passi avanti, forse guarderò 12 passi avanti, ma dopo quel punto, 

Spanish: 
 a los 29,000 juegos de ajedrez posibles, muchos más juegos de ajedrez 
 de lo que podría considerarse. 
 Y este es un problema bastante grande para el algoritmo Minimax, porque el Minimax 
 El algoritmo comienza con un estado inicial, considera todas las acciones posibles 
 y todas las acciones posibles después de eso, hasta el final 
 hasta que lleguemos al final del juego. 
 Y eso va a ser un problema si la computadora está 
 va a necesitar mirar a través de tantos estados, que 
 es mucho más de lo que cualquier computadora podría hacer en un período de tiempo razonable. 
 Entonces, ¿qué hacemos para resolver este problema? 
 En lugar de mirar a través de todos estos estados, que 
 es totalmente intratable para una computadora, necesitamos un mejor enfoque. 
 Y resulta que un mejor enfoque generalmente toma la forma de algo 
 llamado Minimax de profundidad limitada. 
 Donde normalmente Minimax es de profundidad ilimitada 
 seguimos adelante, capa tras capa, nos movemos tras otro, 
 hasta que lleguemos al final del juego 
 Minimax de profundidad limitada va a decir, ¿sabes qué? 
 Después de una cierta cantidad de movimientos, tal vez 
 mira 10 movimientos hacia adelante, tal vez miraré 12 movimientos hacia adelante, pero después de ese punto, 

Modern Greek (1453-): 
 στα 29.000 πιθανά παιχνίδια σκακιού, πολύ περισσότερα παιχνίδια σκακιού 
 από ό, τι θα μπορούσε ποτέ να θεωρηθεί. 
 Και αυτό είναι ένα πολύ μεγάλο πρόβλημα για τον αλγόριθμο Minimax, επειδή το Minimax 
 ο αλγόριθμος ξεκινά με μια αρχική κατάσταση, εξετάζει όλες τις πιθανές ενέργειες 
 και όλες τις πιθανές ενέργειες μετά από αυτό, εντελώς 
 μέχρι να φτάσουμε στο τέλος του παιχνιδιού. 
 Και αυτό θα είναι πρόβλημα εάν ο υπολογιστής είναι 
 θα χρειαστεί να κοιτάξουμε πολλά από αυτά τα κράτη, τα οποία 
 είναι πολύ περισσότερο από οποιονδήποτε υπολογιστή θα μπορούσε ποτέ να κάνει σε οποιοδήποτε εύλογο χρονικό διάστημα. 
 Τι κάνουμε λοιπόν για να λύσουμε αυτό το πρόβλημα; 
 Αντί να κοιτάξουμε όλα αυτά τα κράτη, τα οποία 
 είναι εντελώς απαράδεκτο για έναν υπολογιστή, χρειαζόμαστε κάποια καλύτερη προσέγγιση. 
 Και αποδεικνύεται ότι η καλύτερη προσέγγιση παίρνει γενικά τη μορφή κάτι 
 ονομάζεται Minimax περιορισμένου βάθους. 
 Όπου συνήθως το Minimax είναι απεριόριστο βάθους - 
 συνεχίζουμε, στρώμα μετά στρώμα, κινούμαστε μετά την κίνηση, 
 μέχρι να φτάσουμε στο τέλος του παιχνιδιού-- 
 Αντίθετα, το Minimax με περιορισμένο βάθος θα πει, ξέρετε τι; 
 Μετά από έναν ορισμένο αριθμό κινήσεων - ίσως εγώ 
 Κοίτα 10 κινήσεις μπροστά, ίσως θα κοιτάξω 12 κινήσεις μπροστά, αλλά μετά από αυτό το σημείο, 

Dutch: 
 aan de 29.000 mogelijke schaakpartijen, veel meer schaakpartijen 
 dan ooit zou kunnen worden overwogen. 
 En dit is een behoorlijk groot probleem voor het Minimax-algoritme, omdat de Minimax 
 algoritme begint met een begintoestand, overweegt alle mogelijke acties 
 en alle mogelijke acties daarna, helemaal 
 totdat we aan het einde van het spel komen. 
 En dat wordt een probleem als de computer dat is 
 moeten door deze vele staten heen kijken, die 
 is veel meer dan welke computer dan ook in een redelijke tijd zou kunnen doen. 
 Dus wat doen we om dit probleem op te lossen? 
 In plaats van al deze staten te bekijken, die 
 is totaal onhandelbaar voor een computer, we hebben een betere aanpak nodig. 
 En het blijkt dat een betere aanpak over het algemeen de vorm aanneemt van iets 
 genaamd diepte-beperkte Minimax. 
 Waar normaal Minimax diepte-onbeperkt is - 
 we gaan gewoon door, laag na laag, bewegen na beweging, 
 totdat we aan het einde van het spel komen-- 
 diepte-beperkte Minimax gaat in plaats daarvan zeggen, weet je wat? 
 Na een bepaald aantal zetten ... misschien wel 
 kijk 10 zetten vooruit, misschien kijk ik 12 zetten vooruit, maar na dat punt, 

Indonesian: 
 ke 29.000 kemungkinan game catur, jauh lebih banyak game catur 
 daripada yang bisa dipertimbangkan. 
 Dan ini adalah masalah yang cukup besar untuk algoritma Minimax, karena Minimax 
 Algoritma dimulai dengan keadaan awal, mempertimbangkan semua tindakan yang mungkin 
 dan semua tindakan yang mungkin setelah itu, sepanjang jalan 
 sampai kita mencapai akhir permainan. 
 Dan itu akan menjadi masalah jika komputer itu 
 akan perlu melihat melalui banyak negara ini, yang 
 jauh lebih dari yang bisa dilakukan komputer mana pun dalam jumlah waktu yang wajar. 
 Jadi apa yang kita lakukan untuk menyelesaikan masalah ini? 
 Alih-alih melihat melalui semua negara ini, yang 
 benar-benar sulit untuk komputer, kita perlu pendekatan yang lebih baik. 
 Dan ternyata pendekatan yang lebih baik umumnya berbentuk sesuatu 
 disebut Minimax dengan kedalaman terbatas. 
 Di mana biasanya Minimax adalah depth-unlimited-- 
 kita terus berjalan, lapisan demi lapisan, langkah demi langkah, 
 sampai kita mencapai akhir game-- 
 Minimax kedalaman-terbatas bukannya akan mengatakan, Anda tahu apa? 
 Setelah sejumlah gerakan - mungkin aku akan melakukannya 
 lihat 10 bergerak ke depan, mungkin saya akan melihat 12 bergerak ke depan, tetapi setelah titik itu, 

German: 
 zu den 29.000 möglichen Schachspielen weit mehr Schachspiele 
 als jemals in Betracht gezogen werden könnte. 
 Und das ist ein ziemlich großes Problem für den Minimax-Algorithmus, weil der Minimax 
 Der Algorithmus beginnt mit einem Anfangszustand und berücksichtigt alle möglichen Aktionen 
 und alle möglichen Aktionen danach den ganzen Weg 
 bis wir zum Ende des Spiels kommen. 
 Und das wird ein Problem sein, wenn der Computer ist 
 Ich werde durch so viele Staaten schauen müssen, die 
 ist weit mehr als jeder Computer jemals in angemessener Zeit tun könnte. 
 Was tun wir also, um dieses Problem zu lösen? 
 Anstatt durch all diese Zustände zu schauen, die 
 ist für einen Computer völlig unlösbar, wir brauchen einen besseren Ansatz. 
 Und es stellt sich heraus, dass ein besserer Ansatz im Allgemeinen die Form von etwas hat 
 genannt tiefenbegrenzter Minimax. 
 Wo normalerweise Minimax tiefenbegrenzt ist-- 
 wir machen einfach weiter, Schicht für Schicht, Bewegung für Bewegung, 
 bis wir zum Ende des Spiels kommen-- 
 Tiefenbegrenzter Minimax wird stattdessen sagen, weißt du was? 
 Nach einer bestimmten Anzahl von Zügen - vielleicht werde ich 
 schau 10 Züge voraus, vielleicht schaue ich 12 Züge voraus, aber nach diesem Punkt, 

Japanese: 
 29,000の可能なチェスゲーム、はるかに多くのチェスゲームに
これまで考えられなかったよりも。 
そして、これはミニマックスアルゴリズムにとってかなり大きな問題です。 
アルゴリズムは初期状態から始まり、すべての可能なアクションを考慮します
そしてその後のすべての可能なアクション
ゲームが終わるまで。 
そして、コンピュータが
この多くの状態を調べる必要があります。 
どのコンピュータもこれまでに妥当な時間内に実行できるものをはるかに超えています。 
では、この問題を解決するために私たちは何をすべきでしょうか？ 
これらすべての状態を調べる代わりに、 
コンピュータにとって完全に扱いにくいので、もっと良いアプローチが必要です。 
そして、より良いアプローチは一般的に何かの形をとることが判明しました
深度制限付きミニマックスと呼ばれます。 
通常ミニマックスが深さ無制限である場合- 
続けますレイヤーごとに移動ごとに移動します
ゲームが終わるまで
深さ制限のあるミニマックスは代わりに言うつもりです、あなたは何を知っていますか？ 
一定の数の動きの後-多分私は
 10先を見て、12先を見るかもしれませんが、その後は

English: 
to the 29,000 possible chess games, far more chess games
than could ever be considered.
And this is a pretty big problem for the Minimax algorithm, because the Minimax
algorithm starts with an initial state, considers all the possible actions
and all the possible actions after that, all the way
until we get to the end of the game.
And that's going to be a problem if the computer is
going to need to look through this many states, which
is far more than any computer could ever do in any reasonable amount of time.
So what do we do in order to solve this problem?
Instead of looking through all these states, which
is totally intractable for a computer, we need some better approach.
And it turns out that better approach generally takes the form of something
called depth-limited Minimax.
Where normally Minimax is depth-unlimited--
we just keep going, layer after layer, move after move,
until we get to the end of the game--
depth-limited Minimax is instead going to say, you know what?
After a certain number of moves-- maybe I'll
look 10 moves ahead, maybe I'll look 12 moves ahead, but after that point,

Arabic: 
 إلى 29000 لعبة شطرنج محتملة ، المزيد من ألعاب الشطرنج 
 مما يمكن اعتباره. 
 وهذه مشكلة كبيرة جدًا لخوارزمية Minimax ، لأن Minimax 
 تبدأ الخوارزمية بحالة أولية ، وتعتبر جميع الإجراءات الممكنة 
 وجميع الإجراءات الممكنة بعد ذلك ، على طول الطريق 
 حتى نصل إلى نهاية اللعبة. 
 وستكون هذه مشكلة إذا كان الكمبيوتر 
 سنحتاج إلى النظر في هذه الحالات العديدة ، التي 
 هو أكثر بكثير مما يمكن لأي كمبيوتر القيام به في أي وقت معقول. 
 إذن ماذا نفعل من أجل حل هذه المشكلة؟ 
 بدلا من النظر في كل هذه الدول التي 
 مستعصية تمامًا على جهاز الكمبيوتر ، نحن بحاجة إلى نهج أفضل. 
 واتضح أن النهج الأفضل بشكل عام يأخذ شكل شيء 
 دعا Minimax محدودة العمق. 
 حيث يكون Minimax عادة غير محدود العمق-- 
 نستمر فقط ، طبقة بعد طبقة ، نتحرك بعد خطوة ، 
 حتى نصل إلى نهاية اللعبة-- 
 وبدلاً من ذلك ، ستقول Minimax محدودة العمق ، أتعلم ماذا؟ 
 بعد عدد معين من التحركات - ربما سأفعل 
 انظر 10 خطوات إلى الأمام ، ربما سأنظر 12 خطوة إلى الأمام ، ولكن بعد تلك النقطة ، 

Chinese: 
到29,000種可能的國際象棋遊戲，更多的國際象棋遊戲
比以往任何時候都可以考慮的。 
對於Minimax算法，這是一個很大的問題，因為Minimax 
算法從初始狀態開始，考慮所有可能的動作
以及此後所有可能的動作
直到遊戲結束。 
如果計算機是
需要仔細檢查許多州， 
遠遠超過任何計算機在任何合理的時間內所能完成的工作。 
那麼我們該怎麼做才能解決這個問題呢？ 
而不是瀏覽所有這些狀態， 
對於計算機來說是完全難處理的，我們需要一些更好的方法。 
事實證明，更好的方法通常採用某種形式
稱為深度限制的Minimax。 
通常，Minimax不受深度限制- 
我們只是繼續前進，一層又一層，一步一步走， 
直到遊戲結束- 
深度受限的Minimax會說，你知道嗎？ 
經過一定的動作-也許我會
向前看10步，也許我會向前看12步，但是在那之後， 

Portuguese: 
 para os 29.000 jogos possíveis de xadrez, muito mais jogos de xadrez 
 do que jamais poderia ser considerado. 
 E esse é um grande problema para o algoritmo Minimax, porque o Minimax 
 algoritmo começa com um estado inicial, considera todas as ações possíveis 
 e todas as ações possíveis depois disso, até o fim 
 até chegarmos ao final do jogo. 
 E isso será um problema se o computador estiver 
 vai precisar olhar através de muitos estados, que 
 é muito mais do que qualquer computador poderia fazer em um período de tempo razoável. 
 Então, o que fazemos para resolver este problema? 
 Em vez de examinar todos esses estados, que 
 é totalmente intratável para um computador, precisamos de uma abordagem melhor. 
 E acontece que uma melhor abordagem geralmente toma a forma de algo 
 chamado Minimax com profundidade limitada. 
 Onde normalmente o Minimax é ilimitado em profundidade-- 
 continuamos, camada após camada, movimento após movimento, 
 até chegarmos ao final do game-- 
 de profundidade limitada, o Minimax vai dizer, quer saber? 
 Depois de um certo número de movimentos-- talvez eu 
 olhe 10 movimentos à frente, talvez eu olhe 12 movimentos à frente, mas depois desse ponto, 

French: 
 aux 29 000 parties d'échecs possibles, beaucoup plus de parties d'échecs 
 que jamais envisageable. 
 Et c'est un assez gros problème pour l'algorithme Minimax, car le Minimax 
 l'algorithme commence par un état initial, considère toutes les actions possibles 
 et toutes les actions possibles après cela, tout le long 
 jusqu'à la fin de la partie. 
 Et ça va être un problème si l'ordinateur est 
 va avoir besoin de regarder à travers ces nombreux États, qui 
 est bien plus qu'un ordinateur ne pourrait jamais le faire en un temps raisonnable. 
 Alors, que faisons-nous pour résoudre ce problème? 
 Au lieu de regarder à travers tous ces états, qui 
 est totalement intraitable pour un ordinateur, nous avons besoin d'une meilleure approche. 
 Et il s'avère qu'une meilleure approche prend généralement la forme de quelque chose 
 appelé Minimax à profondeur limitée. 
 Où normalement Minimax est sans profondeur - 
 nous continuons simplement, couche après couche, mouvement après mouvement, 
 jusqu'à ce que nous arrivions à la fin du game-- 
 Minimax à profondeur limitée va plutôt dire, vous savez quoi? 
 Après un certain nombre de mouvements, je vais peut-être 
 regarder 10 coups d'avance, peut-être que je vais regarder 12 coups d'avance, mais après ce point, 

Chinese: 
到29,000种可能的国际象棋游戏，更多的国际象棋游戏
比以往任何时候都可以考虑的。 
对于Minimax算法，这是一个很大的问题，因为Minimax 
算法从初始状态开始，考虑所有可能的动作
以及此后所有可能的动作
直到游戏结束。 
如果计算机是
需要仔细检查许多州， 
远远超过任何计算机在任何合理的时间内所能完成的工作。 
那么我们该怎么做才能解决这个问题呢？ 
而不是浏览所有这些状态， 
对于计算机来说是完全难处理的，我们需要一些更好的方法。 
事实证明，更好的方法通常采用某种形式
称为深度限制的Minimax。 
通常，Minimax不受深度限制- 
我们只是继续前进，一层又一层，一步一步走， 
直到游戏结束- 
深度受限的Minimax会说，你知道吗？ 
经过一定的动作-也许我会
向前看10步，也许我会向前看12步，但是在那之后， 

Turkish: 
 29.000 olası satranç oyununa, çok daha fazla satranç oyununa 
 hiç düşünülemedi. 
 Ve bu Minimax algoritması için oldukça büyük bir problem, çünkü Minimax 
 algoritma başlangıç ​​durumuyla başlar, tüm olası eylemleri dikkate alır 
 ve bundan sonraki tüm olası eylemler 
 biz oyunun sonuna kadar. 
 Ve eğer bilgisayar 
 bu birçok devlete bakmamız gerekecek. 
 herhangi bir bilgisayarın makul bir sürede yapabileceğinden çok daha fazlasıdır. 
 Peki bu sorunu çözmek için ne yapıyoruz? 
 Bütün bu devletlere bakmak yerine 
 bir bilgisayar için tamamen zor, biraz daha iyi bir yaklaşıma ihtiyacımız var. 
 Ve daha iyi bir yaklaşımın genellikle bir şey biçiminde olduğu ortaya çıkıyor 
 derinliği sınırlı Minimax denir. 
 Normalde Minimax'ın derinlik sınırsız olduğu yerlerde-- 
 biz sadece devam ediyoruz, katman katman sonra, hamle sonrası hareket ediyoruz, 
 oyunun sonuna kadar-- 
 derinliği sınırlı Minimax bunun yerine söyleyecek, biliyor musunuz? 
 Belli sayıda hamleden sonra - belki 
 10 hamle ileri bak, belki 12 hamle ileri bakarım ama o noktadan sonra, 

Russian: 
 на 29 000 возможных шахматных игр, гораздо больше шахматных игр 
 чем когда-либо можно было бы рассмотреть. 
 И это довольно большая проблема для алгоритма Minimax, потому что Minimax 
 Алгоритм запускается с исходного состояния, учитывает все возможные действия 
 и все возможные действия после этого, всю дорогу 
 пока мы не доберемся до конца игры. 
 И это будет проблемой, если компьютер 
 нужно будет просмотреть это много государств, которые 
 это гораздо больше, чем любой компьютер может сделать за любое разумное количество времени. 
 Итак, что мы делаем, чтобы решить эту проблему? 
 Вместо того, чтобы просматривать все эти состояния, которые 
 совершенно неразрешимо для компьютера, нам нужен лучший подход. 
 И оказывается, что лучший подход обычно принимает форму чего-то 
 называется ограниченным по глубине минимаксом. 
 Где обычно минимакс не ограничен по глубине 
 мы просто продолжаем, слой за слоем, двигаемся за движением, 
 пока мы не доберемся до конца игры 
 Ограниченный по глубине минимакс вместо этого скажет, вы знаете что? 
 После определенного количества ходов - может быть, я 
 посмотри на 10 ходов вперед, может быть, я посмотрю на 12 ходов вперед, но после этого 

Chinese: 
我要停下來，不考慮其他動作
可能會在那之後，只是因為它會
考慮所有這些可能的選擇時，在計算上是棘手的。 
但是，當我們深入10或12步之後，我們該怎麼做， 
我們遇到了遊戲還沒有結束的情況？ 
 Minimax仍然需要一種方法來為遊戲板或遊戲狀態分配分數
弄清楚它的當前值是什麼
遊戲結束很容易做到，但事實並非如此
如果遊戲還沒有結束，那就很容易做到。 
因此，為了做到這一點，我們需要添加一個附加功能
深度受限的Minimax（稱為評估函數）， 
這只是即將發生的一些功能
從給定狀態估計遊戲的預期效用。 
因此，在像國際象棋這樣的遊戲中，如果您想像一個遊戲值為1 
表示白贏，負1表示黑贏，0表示平局， 
那麼您可能會想像0.8的分數意味著白人很有可能獲勝， 
雖然當然不能保證。 
您將擁有一個評估功能，可以估算
遊戲狀態碰巧有多好。 

Modern Greek (1453-): 
 Θα σταματήσω και δεν θα εξετάσω επιπλέον κινήσεις 
 μπορεί να έρθει μετά από αυτό, απλώς και μόνο επειδή θα 
 να είναι υπολογιστικά ακατανόητο να εξετάσουμε όλες αυτές τις πιθανές επιλογές. 
 Αλλά τι κάνουμε αφού έχουμε 10 ή 12 κινήσεις βαθιά, 
 και φτάνουμε σε μια κατάσταση όπου το παιχνίδι δεν τελείωσε; 
 Το Minimax χρειάζεται ακόμα έναν τρόπο για να αποδώσει ένα σκορ σε αυτό το παιχνίδι ή την κατάσταση του παιχνιδιού 
 για να καταλάβουμε ποια είναι η τρέχουσα αξία του, ποια 
 είναι εύκολο να γίνει αν το παιχνίδι τελειώσει, αλλά όχι έτσι 
 εύκολο να γίνει αν το παιχνίδι δεν έχει τελειώσει ακόμη. 
 Για να γίνει αυτό, πρέπει να προσθέσουμε ένα επιπλέον χαρακτηριστικό 
 σε περιορισμένο βάθος Minimax που ονομάζεται συνάρτηση αξιολόγησης, 
 που είναι απλώς κάποια λειτουργία 
 για την εκτίμηση της αναμενόμενης χρησιμότητας ενός παιχνιδιού από μια δεδομένη κατάσταση. 
 Έτσι, σε ένα παιχνίδι όπως το σκάκι, αν φαντάζεστε ότι η αξία του παιχνιδιού είναι 1 
 σημαίνει λευκές νίκες, αρνητικές 1 σημαίνει μαύρες νίκες, 0 σημαίνει ισοπαλία, 
 τότε ίσως φανταστείτε ότι το σκορ 0,8 σημαίνει ότι το λευκό είναι πολύ πιθανό να κερδίσει, 
 αν και σίγουρα δεν είναι εγγυημένη. 
 Και θα έχετε μια λειτουργία αξιολόγησης που εκτιμά 
 πόσο καλή είναι η κατάσταση του παιχνιδιού. 

English: 
I'm going to stop and not consider additional moves that
might come after that, just because it would
be computationally intractable to consider all of those possible options.
But what do we do after we get 10 or 12 moves deep,
and we arrive at a situation where the game's not over?
Minimax still needs a way to assign a score to that game board or game state
to figure out what its current value is, which
is easy to do if the game is over, but not so
easy to do if the game is not yet over.
So in order to do that, we need to add one additional feature
to depth-limited Minimax called an evaluation function,
which is just some function that is going
to estimate the expected utility of a game from a given state.
So in a game like chess, if you imagine that a game value of 1
means white wins, negative 1 means black wins, 0 means it's a draw,
then you might imagine that a score of 0.8 means white is very likely to win,
though certainly not guaranteed.
And you would have an evaluation function that estimates
how good the game state happens to be.

Arabic: 
 سأتوقف ولن أعتبر ذلك تحركات إضافية 
 قد يأتي بعد ذلك ، لمجرد أنه سيحدث 
 يكون من الصعب حسابيا للنظر في كل هذه الخيارات الممكنة. 
 ولكن ماذا نفعل بعد أن نحصل على 10 أو 12 حركة عميقة ، 
 ونصل إلى موقف لم تنته فيه اللعبة؟ 
 لا يزال Minimax بحاجة إلى طريقة لتعيين درجة إلى لوحة اللعبة أو حالة اللعبة 
 لمعرفة قيمتها الحالية ، أي 
 من السهل القيام به إذا انتهت اللعبة ، ولكن ليس كذلك 
 من السهل القيام به إذا لم تكن اللعبة قد انتهت بعد. 
 لذلك من أجل القيام بذلك ، نحتاج إلى إضافة ميزة إضافية 
 ل Minimax محدودة العمق تسمى وظيفة التقييم ، 
 وهي مجرد وظيفة مستمرة 
 لتقدير الفائدة المتوقعة للعبة من حالة معينة. 
 لذلك في لعبة مثل الشطرنج ، إذا كنت تتخيل أن قيمة اللعبة هي 1 
 يعني انتصارات بيضاء ، سلبية 1 تعني انتصارات سوداء ، 0 تعني أنها تعادل ، 
 ثم قد تتخيل أن النتيجة 0.8 تعني أن اللون الأبيض من المرجح أن يفوز ، 
 على الرغم من أنه بالتأكيد غير مضمون. 
 وسيكون لديك وظيفة تقييم تقدر 
 مدى جودة حالة اللعبة. 

Indonesian: 
 Saya akan berhenti dan tidak mempertimbangkan langkah tambahan itu 
 mungkin datang setelah itu, hanya karena itu akan terjadi 
 menjadi sulit secara komputasi untuk mempertimbangkan semua opsi yang mungkin. 
 Tapi apa yang kita lakukan setelah kita mendapatkan 10 atau 12 langkah dalam, 
 dan kami tiba di situasi di mana permainan belum berakhir? 
 Minimax masih membutuhkan cara untuk menetapkan skor pada papan permainan atau status permainan itu 
 untuk mencari tahu apa nilainya saat ini, yang 
 mudah dilakukan jika gim ini berakhir, tetapi tidak demikian 
 mudah dilakukan jika game belum berakhir. 
 Jadi untuk melakukan itu, kita perlu menambahkan satu fitur tambahan 
 untuk Minimax terbatas-dalam yang disebut fungsi evaluasi, 
 yang hanya beberapa fungsi yang sedang berjalan 
 untuk memperkirakan utilitas yang diharapkan dari sebuah game dari kondisi tertentu. 
 Jadi dalam game seperti catur, jika Anda bayangkan nilai game itu 1 
 berarti menang putih, negatif 1 berarti menang hitam, 0 berarti itu seri, 
 maka Anda mungkin membayangkan bahwa skor 0,8 berarti putih sangat mungkin untuk menang, 
 meski tentu saja tidak dijamin. 
 Dan Anda akan memiliki fungsi evaluasi yang memperkirakan 
 seberapa baik keadaan game itu terjadi. 

Italian: 
 Mi fermerò e non prenderò in considerazione ulteriori mosse 
 potrebbe venire dopo, solo perché lo farebbe 
 essere computazionalmente intrattabile per considerare tutte quelle possibili opzioni. 
 Ma cosa facciamo dopo aver fatto 10 o 12 mosse in profondità, 
 e arriviamo a una situazione in cui il gioco non è finito? 
 Minimax ha ancora bisogno di un modo per assegnare un punteggio a quel tabellone o stato di gioco 
 per capire qual è il suo valore attuale, quale 
 è facile da fare se il gioco è finito, ma non è così 
 facile da fare se il gioco non è ancora finito. 
 Quindi, per farlo, dobbiamo aggiungere un'ulteriore funzionalità 
 al Minimax a profondità limitata chiamato funzione di valutazione, 
 che è solo una funzione che sta andando 
 per stimare l'utilità attesa di un gioco da un determinato stato. 
 Quindi in una partita come gli scacchi, se immagini che il valore di gioco sia 1 
 significa bianco vince, negativo 1 significa nero vince, 0 significa che è un pareggio, 
 allora potresti immaginare che un punteggio di 0,8 significa che il bianco ha molte probabilità di vincere, 
 sebbene certamente non garantito. 
 E avresti una funzione di valutazione che stima 
 quanto è buono lo stato del gioco. 

Chinese: 
我要停下来，不考虑其他动作
可能会在那之后，只是因为它会
考虑所有这些可能的选择时，在计算上是棘手的。 
但是，当我们深入10或12步之后，我们该怎么做， 
我们遇到了游戏还没有结束的情况？ 
 Minimax仍然需要一种方法来为游戏板或游戏状态分配分数
弄清楚它的当前值是什么
游戏结束很容易做到，但事实并非如此
如果游戏还没有结束，那就很容易做到。 
因此，为了做到这一点，我们需要添加一个附加功能
深度受限的Minimax（称为评估函数）， 
这只是即将发生的一些功能
从给定状态估计游戏的预期效用。 
因此，在像国际象棋这样的游戏中，如果您想象一个游戏值为1 
表示白赢，负1表示黑赢，0表示平局， 
那么您可能会想像0.8的分数意味着白人很有可能获胜， 
虽然当然不能保证。 
您将拥有一个评估功能，可以估算
游戏状态碰巧有多好。 

Dutch: 
 Ik ga stoppen en denk niet na over extra bewegingen 
 kan daarna komen, gewoon omdat het zou gebeuren 
 rekenkundig onhandelbaar zijn om al deze mogelijke opties te overwegen. 
 Maar wat doen we nadat we 10 of 12 bewegingen diep hebben gemaakt, 
 en we komen in een situatie waarin het spel nog niet voorbij is? 
 Minimax heeft nog steeds een manier nodig om een ​​score toe te kennen aan dat spelbord of die spelstatus 
 om erachter te komen wat de huidige waarde is, welke 
 is gemakkelijk te doen als het spel voorbij is, maar niet zo 
 makkelijk te doen als het spel nog niet voorbij is. 
 Dus om dat te doen, moeten we een extra functie toevoegen 
 tot dieptebeperkte Minimax, een evaluatiefunctie genoemd, 
 wat slechts een functie is die aan de gang is 
 om het verwachte nut van een spel vanuit een bepaalde staat in te schatten. 
 Dus in een spel als schaken, als je je voorstelt dat een spelwaarde van 1 
 betekent wit wint, negatief 1 betekent zwart wint, 0 betekent gelijkspel, 
 dan zou je je kunnen voorstellen dat een score van 0,8 betekent dat wit zeer waarschijnlijk wint, 
 hoewel zeker niet gegarandeerd. 
 En je zou een evaluatiefunctie hebben die schat 
 hoe goed de spelstatus is. 

French: 
 Je vais m'arrêter et ne pas envisager de mouvements supplémentaires 
 pourrait venir après cela, juste parce que ce serait 
 être intraitable sur le plan informatique pour considérer toutes ces options possibles. 
 Mais que faisons-nous après avoir atteint 10 ou 12 mouvements de profondeur, 
 et nous arrivons à une situation où le jeu n'est pas terminé? 
 Minimax a encore besoin d'un moyen d'attribuer un score à ce plateau de jeu ou à cet état de jeu 
 pour savoir quelle est sa valeur actuelle, ce qui 
 est facile à faire si le jeu est terminé, mais pas si 
 facile à faire si le jeu n'est pas encore terminé. 
 Donc, pour ce faire, nous devons ajouter une fonctionnalité supplémentaire 
 au Minimax limité en profondeur appelé fonction d'évaluation, 
 qui est juste une fonction qui va 
 pour estimer l'utilité attendue d'un jeu à partir d'un état donné. 
 Donc, dans un jeu comme les échecs, si vous imaginez qu'une valeur de jeu de 1 
 signifie blanc gagne, négatif 1 signifie noir gagne, 0 signifie que c'est un match nul, 
 alors vous pourriez imaginer qu'un score de 0,8 signifie que les blancs sont très susceptibles de gagner, 
 mais certainement pas garanti. 
 Et vous auriez une fonction d'évaluation qui estime 
 à quel point l'état du jeu est bon. 

Spanish: 
 Voy a parar y no considerar movimientos adicionales que 
 podría venir después de eso, solo porque sería 
 ser computacionalmente intratable para considerar todas esas opciones posibles. 
 Pero, ¿qué hacemos después de obtener 10 o 12 movimientos de profundidad, 
 y llegamos a una situación donde el juego no ha terminado? 
 Minimax todavía necesita una forma de asignar una puntuación a ese tablero de juego o estado del juego 
 para averiguar cuál es su valor actual, que 
 es fácil de hacer si el juego ha terminado, pero no es así 
 fácil de hacer si el juego aún no ha terminado. 
 Entonces, para hacer eso, necesitamos agregar una característica adicional 
 a Minimax limitado en profundidad llamado función de evaluación, 
 que es solo una función que va 
 para estimar la utilidad esperada de un juego desde un estado dado. 
 Entonces, en un juego como el ajedrez, si imaginas que un valor de juego de 1 
 significa que el blanco gana, negativo 1 significa que el negro gana, 0 significa que es un empate, 
 entonces podrías imaginar que un puntaje de 0.8 significa que es muy probable que las blancas ganen, 
 aunque ciertamente no está garantizado. 
 Y tendrías una función de evaluación que estima 
 qué tan bueno es el estado del juego. 

Turkish: 
 Ben duracağım ve ek hamleler düşünmeyeceğim 
 bundan sonra gelebilir, çünkü 
 tüm bu olası seçenekleri göz önünde bulundurmak için hesaplamaya zorlanmayın. 
 Fakat 10 veya 12 hamle derinleştikten sonra ne yapacağız, 
 ve oyunun bitmediği bir duruma varıyoruz? 
 Minimax'ın hala o oyun tahtasına veya oyun durumuna puan atamak için bir yola ihtiyacı var 
 mevcut değerinin ne olduğunu, hangisinin 
 oyun bittiğinde bunu yapmak kolaydır, ama öyle değil 
 oyun henüz bitmediyse kolay. 
 Bunu yapmak için bir ek özellik eklememiz gerekiyor 
 değerlendirme fonksiyonu olarak adlandırılan derinlemesine sınırlı Minimax'a, 
 ki bu sadece devam eden bir işlev 
 bir oyunun belirli bir durumdan beklenen faydasını tahmin etmek. 
 Yani satranç gibi bir oyunda, bir oyun değeri hayal ediyorsanız 1 
 beyaz kazanç, negatif 1 siyah kazanç, 0 berabere anlamına gelir, 
 0,8 puanının beyazın kazanma olasılığının yüksek olduğunu düşünebilirsiniz, 
 ama kesinlikle garanti edilmez. 
 Ve tahmin eden bir değerlendirme fonksiyonunuz olur. 
 oyun durumunun ne kadar iyi olduğu. 

Hindi: 
 मैं बंद करने जा रहा हूं और अतिरिक्त चाल पर विचार नहीं कर रहा हूं 
 उसके बाद आ सकता है, सिर्फ इसलिए कि यह होगा 
 उन सभी संभावित विकल्पों पर विचार करने के लिए कम्प्यूटेशनल रूप से इंट्रेक्टेबल होना चाहिए। 
 लेकिन हम 10 या 12 चालों में गहरी होने के बाद क्या करते हैं, 
 और हम एक ऐसी स्थिति में पहुंच गए जहां खेल खत्म नहीं हुआ? 
 मिनिमैक्स को अभी भी उस गेम बोर्ड या गेम स्टेट को स्कोर असाइन करने का एक तरीका चाहिए 
 यह जानने के लिए कि इसका वर्तमान मूल्य क्या है, कौन सा 
 खेल खत्म हो गया है, लेकिन ऐसा करने के लिए आसान है 
 यदि खेल अभी खत्म नहीं हुआ है तो करना आसान है। 
 तो ऐसा करने के लिए, हमें एक अतिरिक्त सुविधा जोड़ने की आवश्यकता है 
 गहराई तक सीमित मिनीमाक्स को मूल्यांकन कार्य कहा जाता है, 
 जो अभी चल रहा है 
 किसी दिए गए राज्य से एक खेल की अपेक्षित उपयोगिता का अनुमान लगाने के लिए। 
 तो शतरंज जैसे खेल में, यदि आप कल्पना करते हैं कि 1 का खेल मूल्य है 
 सफेद जीत का मतलब है, नकारात्मक 1 का मतलब काली जीत है, 0 का मतलब है कि यह ड्रा है, 
 तब आप सोच सकते हैं कि 0.8 का स्कोर सफेद का मतलब जीतने की संभावना है, 
 हालांकि निश्चित रूप से गारंटी नहीं है। 
 और आपके पास एक मूल्यांकन फ़ंक्शन होगा जो अनुमान लगाता है 
 कितना अच्छा खेल राज्य होता है। 

Russian: 
 Я собираюсь остановиться и не рассматривать дополнительные ходы, которые 
 может прийти после этого, просто потому что это 
 быть в вычислительном отношении трудно рассмотреть все эти возможные варианты. 
 Но что мы будем делать после того, как получим 10 или 12 ходов, 
 и мы приходим к ситуации, когда игра еще не закончена? 
 Минимаксу все еще нужен способ присвоить счет этой игровой доске или игровому состоянию. 
 выяснить, какова его текущая стоимость, которая 
 это легко сделать, если игра окончена, но не так 
 это легко сделать, если игра еще не окончена. 
 Таким образом, чтобы сделать это, нам нужно добавить еще одну функцию 
 в ограниченный по глубине минимакс, называемый функцией оценки, 
 что это просто какая-то функция, которая собирается 
 оценить ожидаемую полезность игры из данного состояния. 
 Так что в такой игре, как шахматы, если вы представляете, что игровое значение 1 
 означает белые победы, отрицательный 1 означает черные победы, 0 означает ничью, 
 тогда вы можете представить, что 0,8 означает, что белые, скорее всего, выиграют, 
 хотя конечно не гарантировано. 
 И у вас будет функция оценки, которая оценивает 
 Насколько хорошим является состояние игры. 

German: 
 Ich werde aufhören und keine zusätzlichen Schritte in Betracht ziehen 
 könnte danach kommen, nur weil es würde 
 rechenintensiv sein, um all diese möglichen Optionen zu berücksichtigen. 
 Aber was machen wir, wenn wir 10 oder 12 Züge tief sind? 
 und wir kommen zu einer Situation, in der das Spiel noch nicht vorbei ist? 
 Minimax benötigt noch eine Möglichkeit, diesem Spielbrett oder Spielstatus eine Punktzahl zuzuweisen 
 um herauszufinden, was sein aktueller Wert ist, welcher 
 ist einfach zu machen, wenn das Spiel vorbei ist, aber nicht so 
 einfach zu machen, wenn das Spiel noch nicht vorbei ist. 
 Dazu müssen wir eine zusätzliche Funktion hinzufügen 
 zu Tiefenbegrenzter Minimax genannt eine Bewertungsfunktion, 
 Das ist nur eine Funktion, die läuft 
 den erwarteten Nutzen eines Spiels aus einem bestimmten Zustand abzuschätzen. 
 Also in einem Spiel wie Schach, wenn Sie sich vorstellen, dass ein Spielwert von 1 
 bedeutet, dass Weiß gewinnt, negativ 1 bedeutet, dass Schwarz gewinnt, 0 bedeutet, dass es ein Unentschieden ist, 
 dann könnten Sie sich vorstellen, dass eine Punktzahl von 0,8 bedeutet, dass Weiß sehr wahrscheinlich gewinnt, 
 obwohl sicherlich nicht garantiert. 
 Und Sie hätten eine Bewertungsfunktion, die schätzt 
 wie gut der Spielzustand ist. 

Japanese: 
私は停止し、それ以上の動きを考慮しません
後に来るかもしれません
これらの可能なオプションをすべて検討するには、計算上扱いにくいものにします。 
しかし、10か12の深さを取得した後、私たちは何をしますか
ゲームが終わっていない状況に到達しましたか？ 
ミニマックスには、そのゲームボードまたはゲームの状態にスコアを割り当てる方法が必要です
現在の値が何であるかを理解する
ゲームが終わったら簡単ですが、そうではありません
ゲームがまだ終わっていない場合は簡単です。 
そのためには、1つの機能を追加する必要があります。 
評価関数と呼ばれる深さ制限のあるミニマックスに、 
これは、実行されているいくつかの機能です
与えられた状態からゲームの予想される有用性を推定する。 
チェスのようなゲームでは、ゲームの価値が1だと想像すると
白の勝利、負の1は黒の勝利、0は引き分け、 
そして、0.8のスコアが白が勝つ可能性が非常に高いことを意味すると想像するかもしれませんが、 
確かではありませんが。 
そして、あなたは推定する評価関数を持っているでしょう
ゲームの状態がどの程度良好か。 

Korean: 
 나는 멈추고 추가 움직임을 고려하지 않을 것입니다. 
 그 이후에 올 수 있습니다 
 가능한 모든 옵션을 고려하기 위해 계산이 어렵습니다. 
 그러나 우리가 10 또는 12의 움직임을 얻은 후에는 무엇을해야합니까? 
 게임이 끝나지 않은 상황에 도달 했습니까? 
 Minimax는 여전히 해당 게임 보드 또는 게임 상태에 점수를 할당하는 방법이 필요합니다 
 현재 값이 무엇인지 파악하기 위해 
 게임이 끝나면 쉽게 할 수 있지만 그렇지 않은 경우 
 게임이 아직 끝나지 않은 경우 쉽게 할 수 있습니다. 
 그러기 위해서는 하나의 기능을 추가해야합니다 
 평가 기능이라고하는 깊이 제한 Minimax에 
 그것은 가고있는 일부 기능입니다. 
 주어진 상태에서 게임의 예상 유틸리티를 추정합니다. 
 체스와 같은 게임에서 1의 게임 가치를 상상하면 
 흰색 승리, 음수 1은 검은 승리, 0은 무승부, 
 0.8 점은 흰색이 이길 가능성이 높다는 것을 상상할 수 있습니다. 
 확실히 보장되지는 않았습니다. 
 그리고 당신은 추정하는 평가 기능을 가질 것입니다 
 게임 상태가 얼마나 좋은지. 

Portuguese: 
 Vou parar e não considerar movimentos adicionais que 
 pode vir depois disso, apenas porque 
 ser computacionalmente intratável para considerar todas essas opções possíveis. 
 Mas o que fazemos depois que temos 10 ou 12 movimentos profundos, 
 e chegamos a uma situação em que o jogo não acabou? 
 O Minimax ainda precisa de uma maneira de atribuir uma pontuação a esse tabuleiro ou estado do jogo 
 para descobrir qual é o seu valor atual, o que 
 é fácil de fazer se o jogo terminar, mas não tão 
 fácil de fazer se o jogo ainda não acabou. 
 Então, para fazer isso, precisamos adicionar um recurso adicional 
 a Minimax de profundidade limitada chamada função de avaliação, 
 que é apenas uma função que está acontecendo 
 estimar a utilidade esperada de um jogo de um determinado estado. 
 Então, em um jogo como o xadrez, se você imaginar que o valor do jogo é 1 
 significa vitórias brancas, negativo 1 significa vitórias negras, 0 significa empate, 
 então você pode imaginar que uma pontuação de 0,8 significa que as brancas provavelmente ganharão, 
 embora certamente não seja garantido. 
 E você teria uma função de avaliação que estima 
 quão bom é o estado do jogo. 

Chinese: 
根据评估功能的好坏， 
最终，这将约束AI的性能。 
人工智能在评估效果方面越好
或任何特定游戏状态有多糟糕，人工智能
将能够玩该游戏。 
如果评估功能较差而不是那么好
估计预期的效用是什么
那就要困难得多了。 
您可以想象尝试提出这些评估功能。 
例如，在国际象棋中，您可以编写评估函数
根据您有多少件
对手有几块，因为每一块
在您的评估功能中具有价值。 
可能需要再多一点
比考虑其他可能的情况更复杂
可能也会出现。 
在Minimax上还有许多其他变体
添加其他功能以帮助其更好地执行
在这些更大，更难以处理的情况下
在某些情况下，我们无法探索所有可能的动作， 
所以我们需要弄清楚如何使用评估

Arabic: 
 واعتمادًا على مدى جودة وظيفة التقييم هذه ، 
 وهذا في النهاية ما سيحد من جودة الذكاء الاصطناعي. 
 كلما كان الذكاء الاصطناعي أفضل في تقدير مدى جودة ذلك 
 أو مدى سوء حالة أي لعبة معينة ، كان الذكاء الاصطناعي أفضل 
 ستكون قادرة على لعب تلك اللعبة. 
 إذا كانت وظيفة التقييم أسوأ وليست جيدة 
 تقدير ما هي الفائدة المتوقعة ، 
 سيكون الأمر أصعب بكثير. 
 ويمكنك أن تتخيل محاولة التوصل إلى وظائف التقييم هذه. 
 في الشطرنج ، على سبيل المثال ، يمكنك كتابة وظيفة تقييم 
 بناءً على عدد القطع التي لديك ، مقارنة 
 إلى عدد القطع التي يمتلكها خصمك ، لأن كل قطعة 
 له قيمة في وظيفة التقييم الخاصة بك. 
 ربما تحتاج إلى أن تكون أكثر قليلاً 
 معقدة من ذلك للنظر في المواقف المحتملة الأخرى التي 
 قد تنشأ كذلك. 
 وهناك العديد من المتغيرات الأخرى على Minimax 
 التي تضيف ميزات إضافية من أجل مساعدتها على الأداء بشكل أفضل 
 تحت هذه أكبر وأكثر استعصاء حسابيا 
 المواقف ، حيث لم نتمكن من استكشاف كل التحركات المحتملة ، 
 لذلك نحن بحاجة لمعرفة كيفية استخدام التقييم 

Spanish: 
 Y dependiendo de cuán buena sea esa función de evaluación, 
 eso es lo que en última instancia va a limitar lo buena que es la IA. 
 Cuanto mejor sea la IA para estimar qué tan bueno 
 o qué tan malo es un estado de juego en particular, mejor será la IA 
 va a poder jugar ese juego. 
 Si la función de evaluación es peor y no tan buena 
 como estimar cuál es la utilidad esperada, 
 entonces va a ser mucho más difícil. 
 Y te puedes imaginar tratando de llegar a estas funciones de evaluación. 
 En ajedrez, por ejemplo, podrías escribir una función de evaluación 
 basado en cuántas piezas tienes, en comparación 
 a cuántas piezas tiene tu oponente, porque cada una 
 tiene un valor en su función de evaluación. 
 Probablemente necesite ser un poco más 
 complicado que eso para considerar otras posibles situaciones que 
 podría surgir también. 
 Y hay muchas otras variantes en Minimax 
 que agregan funciones adicionales para ayudarlo a funcionar mejor 
 bajo estos más grandes y más intratable computacionalmente 
 situaciones, donde no podríamos explorar todos los movimientos posibles, 
 así que tenemos que descubrir cómo usar la evaluación 

Indonesian: 
 Dan tergantung pada seberapa baik fungsi evaluasi itu, 
 pada akhirnya itulah yang akan membatasi seberapa bagus AI itu. 
 Semakin baik AI dalam memperkirakan seberapa baik 
 atau seberapa buruk keadaan game tertentu, semakin baik AI 
 akan dapat memainkan game itu. 
 Jika fungsi evaluasi lebih buruk dan tidak sebagus 
 memperkirakan apa utilitas yang diharapkan, 
 maka itu akan menjadi jauh lebih sulit. 
 Dan Anda dapat membayangkan mencoba memunculkan fungsi-fungsi evaluasi ini. 
 Dalam catur, misalnya, Anda dapat menulis fungsi evaluasi 
 berdasarkan berapa banyak potongan yang Anda miliki, dibandingkan 
 berapa banyak potongan yang dimiliki lawan, karena masing-masing 
 memiliki nilai dalam fungsi evaluasi Anda. 
 Mungkin perlu sedikit lebih 
 rumit dari itu untuk mempertimbangkan kemungkinan situasi lain itu 
 mungkin muncul juga. 
 Dan ada banyak varian lain di Minimax 
 yang menambahkan fitur tambahan untuk membantu kinerjanya lebih baik 
 di bawah ini lebih besar dan lebih sulit secara komputasi 
 situasi, di mana kami tidak bisa mengeksplorasi semua gerakan yang mungkin, 
 jadi kita perlu mencari tahu bagaimana menggunakan evaluasi 

Chinese: 
根據評估功能的好壞， 
最終，這將約束AI的性能。 
人工智能在評估效果方面越好
或任何特定遊戲狀態有多糟糕，人工智能
將能夠玩該遊戲。 
如果評估功能較差而不是那麼好
估計預期的效用是什麼， 
那就要困難得多了。 
您可以想像嘗試提出這些評估功能。 
例如，在國際象棋中，您可以編寫評估函數
根據您有多少件
對手有幾塊，因為每一塊
在您的評估功能中具有價值。 
可能需要再多一點
比考慮其他可能的情況更複雜
可能也會出現。 
在Minimax上還有許多其他變體
添加其他功能以幫助其更好地執行
在這些更大，更難以處理的情況下
在某些情況下，我們無法探索所有可能的動作， 
所以我們需要弄清楚如何使用評估

Turkish: 
 Ve bu değerlendirme fonksiyonunun ne kadar iyi olduğuna bağlı olarak, 
 nihayetinde yapay zekanın ne kadar iyi olduğunu kısıtlayacak olan şey budur. 
 Yapay zeka ne kadar iyi olduğunu tahmin ederken o kadar iyi 
 veya belirli bir oyun durumunun ne kadar kötü olduğu, AI'nin daha iyi olması 
 o oyunu oynayabilecek. 
 Değerlendirme fonksiyonu daha kötü ise ve o kadar iyi değilse 
 beklenen yararın ne olduğunu tahmin ederek, 
 o zaman çok daha zor olacak. 
 Ve bu değerlendirme fonksiyonlarını bulmaya çalıştığınızı hayal edebilirsiniz. 
 Örneğin satrançta bir değerlendirme fonksiyonu yazabilirsiniz 
 karşılaştırıldığında, kaç parçanız olduğuna göre 
 rakibinizin kaç parçasına 
 değerlendirme işlevinizde bir değere sahiptir. 
 Muhtemelen biraz daha fazla olması gerekiyor 
 diğer olası durumları dikkate almaktan daha karmaşık 
 olabilir. 
 Ve Minimax'ta birçok varyant var 
 daha iyi performans göstermesine yardımcı olmak için ek özellikler ekleyen 
 bu daha büyük ve daha hesaplanabilir olarak 
 tüm olası hareketleri keşfedemediğimiz durumlar, 
 bu yüzden değerlendirmeyi nasıl kullanacağımızı bulmalıyız 

Hindi: 
 और मूल्यांकन समारोह कितना अच्छा है, इसके आधार पर, 
 कि आखिरकार एआई कितना अच्छा है, यह अड़चन है। 
 एआई कितना अच्छा है, इसका अनुमान लगाने में बेहतर है 
 या किसी विशेष खेल की स्थिति कितनी खराब है, एआई जितना अच्छा है 
 उस खेल को खेलने में सक्षम होने जा रहा है। 
 यदि मूल्यांकन कार्य बदतर है और उतना अच्छा नहीं है 
 यह अनुमान लगाने के रूप में कि अपेक्षित उपयोगिता क्या है, 
 तो यह एक पूरी बहुत मुश्किल होने जा रहा है। 
 और आप इन मूल्यांकन कार्यों के साथ आने की कोशिश कर सकते हैं। 
 उदाहरण के लिए, शतरंज में, आप एक मूल्यांकन कार्य लिख सकते हैं 
 तुलना के अनुसार आपके पास कितने टुकड़े हैं 
 आपके प्रतिद्वंद्वी के कितने टुकड़े हैं, क्योंकि हर एक 
 आपके मूल्यांकन समारोह में एक मूल्य है। 
 यह शायद थोड़ा और अधिक होने की आवश्यकता है 
 अन्य संभावित स्थितियों पर विचार करने के लिए इससे जटिल 
 साथ ही उत्पन्न हो सकता है। 
 और मिनिमैक्स पर कई अन्य संस्करण हैं 
 बेहतर प्रदर्शन करने में मदद करने के लिए अतिरिक्त सुविधाएँ जोड़ें 
 इन बड़े और अधिक कम्प्यूटेशनल रूप से अव्यावहारिक के तहत 
 परिस्थितियाँ, जहाँ हम संभवतः सभी संभावित चालों का पता नहीं लगा सकते, 
 इसलिए हमें यह जानने की जरूरत है कि मूल्यांकन का उपयोग कैसे करें 

French: 
 Et selon la qualité de cette fonction d'évaluation, 
 c'est finalement ce qui va limiter la qualité de l'IA. 
 Meilleure est l'IA pour estimer à quel point 
 ou à quel point un état de jeu particulier est mauvais, meilleure est l'IA 
 va pouvoir jouer à ce jeu. 
 Si la fonction d'évaluation est pire et moins bonne 
 comme estimer l'utilité attendue, 
 alors ça va être beaucoup plus difficile. 
 Et vous pouvez imaginer essayer de proposer ces fonctions d'évaluation. 
 Aux échecs, par exemple, vous pouvez écrire une fonction d'évaluation 
 en fonction du nombre de pièces que vous avez, par rapport 
 au nombre de pièces que possède votre adversaire, car chacune 
 a une valeur dans votre fonction d'évaluation. 
 Cela doit probablement être un peu plus 
 compliqué que celui d'envisager d'autres situations possibles qui 
 pourrait également survenir. 
 Et il existe de nombreuses autres variantes sur Minimax 
 qui ajoutent des fonctionnalités supplémentaires afin de l'aider à mieux fonctionner 
 sous ces plus grandes et plus difficiles à calculer 
 situations, où nous ne pouvions pas explorer tous les mouvements possibles, 
 nous devons donc comprendre comment utiliser l'évaluation 

Russian: 
 И в зависимости от того, насколько хорошо эта функция оценки, 
 это в конечном счете ограничит то, насколько хорош ИИ. 
 Чем лучше ИИ оценивает, насколько хорошо 
 или насколько плохое состояние игры, тем лучше ИИ 
 будет в состоянии играть в эту игру. 
 Если функция оценки хуже и не так хорошо 
 как оценка ожидаемой полезности, 
 тогда это будет намного сложнее. 
 И вы можете себе представить, пытаясь придумать эти функции оценки. 
 Например, в шахматах вы можете написать оценочную функцию 
 в зависимости от количества произведений 
 сколько фигур у вашего противника, потому что каждый 
 имеет значение в вашей функции оценки. 
 Наверное, должно быть немного больше 
 сложнее, чем рассматривать другие возможные ситуации, которые 
 может возникнуть также. 
 И есть много других вариантов на Minimax 
 которые добавляют дополнительные функции, чтобы помочь ему работать лучше 
 под эти большие и вычислительно неразрешимые 
 ситуации, когда мы не могли исследовать все возможные ходы, 
 поэтому нам нужно выяснить, как использовать оценку 

German: 
 Und je nachdem, wie gut diese Bewertungsfunktion ist, 
 das wird letztendlich einschränken, wie gut die KI ist. 
 Je besser die KI einschätzen kann, wie gut sie ist 
 oder wie schlecht ein bestimmter Spielzustand ist, desto besser ist die KI 
 wird in der Lage sein, dieses Spiel zu spielen. 
 Wenn die Bewertungsfunktion schlechter und nicht so gut ist 
 als Schätzung, was der erwartete Nutzen ist, 
 dann wird es viel schwieriger. 
 Und Sie können sich vorstellen, diese Bewertungsfunktionen zu entwickeln. 
 Im Schach könnten Sie beispielsweise eine Bewertungsfunktion schreiben 
 basierend darauf, wie viele Stücke Sie im Vergleich haben 
 zu wie vielen Stücken dein Gegner hat, weil jeder 
 hat einen Wert in Ihrer Bewertungsfunktion. 
 Es muss wahrscheinlich ein bisschen mehr sein 
 kompliziert als das, um andere mögliche Situationen zu berücksichtigen, die 
 könnte auch entstehen. 
 Und es gibt viele andere Varianten von Minimax 
 die zusätzliche Funktionen hinzufügen, um eine bessere Leistung zu erzielen 
 unter diesen größeren und rechenintensiveren 
 Situationen, in denen wir unmöglich alle möglichen Bewegungen erkunden konnten, 
 Wir müssen also herausfinden, wie die Bewertung verwendet wird 

English: 
And depending on how good that evaluation function is,
that is ultimately what's going to constrain how good the AI is.
The better the AI is at estimating how good
or how bad any particular game state is, the better the AI
is going to be able to play that game.
If the evaluation function is worse and not as good
as estimating what the expected utility is,
then it's going to be a whole lot harder.
And you can imagine trying to come up with these evaluation functions.
In chess, for example, you might write an evaluation function
based on how many pieces you have, as compared
to how many pieces your opponent has, because each one
has a value in your evaluation function.
It probably needs to be a little bit more
complicated than that to consider other possible situations that
might arise as well.
And there are many other variants on Minimax
that add additional features in order to help it perform better
under these larger and more computationally intractable
situations, where we couldn't possibly explore all of the possible moves,
so we need to figure out how to use evaluation

Portuguese: 
 E dependendo de quão boa é essa função de avaliação, 
 isso é, em última análise, o que restringirá o quão boa é a IA. 
 Quanto melhor a IA estiver estimando quão boa 
 ou quão ruim é um estado de jogo em particular, melhor a IA 
 será capaz de jogar esse jogo. 
 Se a função de avaliação for pior e não tão boa 
 como estimar qual é a utilidade esperada, 
 então será muito mais difícil. 
 E você pode imaginar tentando criar essas funções de avaliação. 
 No xadrez, por exemplo, você pode escrever uma função de avaliação 
 com base em quantas peças você tem, em comparação 
 quantas peças seu oponente tem, porque cada uma 
 tem um valor na sua função de avaliação. 
 Provavelmente precisa ser um pouco mais 
 complicado do que isso considerar outras situações possíveis que 
 pode surgir também. 
 E existem muitas outras variantes no Minimax 
 que adicionam recursos adicionais para ajudá-lo a ter melhor desempenho 
 sob estes maiores e mais computacionalmente intratáveis 
 situações em que não poderíamos explorar todos os movimentos possíveis, 
 então precisamos descobrir como usar a avaliação 

Korean: 
 평가 기능이 얼마나 좋은지에 따라 
 그것이 궁극적으로 AI가 얼마나 좋은지를 제한 할 것입니다. 
 AI가 얼마나 좋은지 추정할수록 좋다 
 특정 게임 상태가 얼마나 나쁘면 AI가 더 나을지 
 그 게임을 할 수있을 것입니다. 
 평가 기능이 나쁘고 좋지 않은 경우 
 예상되는 유틸리티가 무엇인지 추정 할 때 
 그러면 훨씬 더 어려워 질 것입니다. 
 그리고 당신은 이러한 평가 기능을 생각해내는 것을 상상할 수 있습니다. 
 예를 들어 체스에서는 평가 함수를 작성할 수 있습니다. 
 비교할 때 몇 조각이 있는지에 따라 
 상대방이 몇 조각을 가지고 있는지 
 평가 기능에 가치가 있습니다. 
 아마 조금 더 필요할 것입니다 
 다른 가능한 상황을 고려하는 것보다 복잡한 
 발생할 수도 있습니다. 
 그리고 Minimax에는 다른 많은 변형이 있습니다 
 더 나은 성능을 위해 추가 기능을 추가 
 이 더 크고 계산하기 어려운 
 가능한 모든 움직임을 탐색 할 수없는 상황, 
 평가 사용 방법을 알아 내야합니다 

Japanese: 
そして、その評価関数がどれほど優れているかに応じて、 
それが最終的に、AIがいかに優れているかを制約することになります。 
 AIがどれほど良いかを推定するのが上手い
または特定のゲーム状態がどれほど悪いか、AIはより良い
そのゲームをプレイできるようになります。 
評価関数が悪く、それほど良くない場合
期待される効用が何であるかを推定するとき、 
それからそれはずっと大変になるでしょう。 
そして、これらの評価関数を考え出そうとすることを想像できます。 
たとえばチェスでは、評価関数を書くことができます
持っているピースの数に基づいて
対戦相手が持っている駒の数に
評価関数に値があります。 
それはおそらくもう少し必要です
他の考えられる状況を考慮するためにそれよりも複雑です
同様に発生する可能性があります。 
そして、ミニマックスには他にも多くのバリエーションがあります
パフォーマンスを向上させるために追加の機能を追加する
これらの大規模で計算困難な状況下では
すべての可能な動きを探ることができなかった状況、 
評価の使い方を理解する必要があります

Modern Greek (1453-): 
 Και ανάλογα με το πόσο καλή είναι αυτή η λειτουργία αξιολόγησης, 
 Αυτό είναι τελικά αυτό που θα περιορίσει πόσο καλή είναι η AI. 
 Όσο καλύτερο είναι το AI, εκτιμά πόσο καλά 
 ή πόσο κακή είναι μια συγκεκριμένη κατάσταση παιχνιδιού, τόσο καλύτερη είναι η AI 
 θα είναι σε θέση να παίξει αυτό το παιχνίδι. 
 Εάν η λειτουργία αξιολόγησης είναι χειρότερη και όχι τόσο καλή 
 ως εκτίμηση της αναμενόμενης χρησιμότητας, 
 τότε θα είναι πολύ πιο δύσκολο. 
 Και μπορείτε να φανταστείτε ότι προσπαθείτε να βρείτε αυτές τις λειτουργίες αξιολόγησης. 
 Στο σκάκι, για παράδειγμα, μπορείτε να γράψετε μια συνάρτηση αξιολόγησης 
 με βάση το πόσα κομμάτια έχετε, σε σύγκριση 
 σε πόσα κομμάτια έχει ο αντίπαλός σας, γιατί κάθε ένα 
 έχει μια τιμή στη λειτουργία αξιολόγησης. 
 Πιθανότατα πρέπει να είναι λίγο περισσότερο 
 περίπλοκο από αυτό για να εξετάσει άλλες πιθανές καταστάσεις που 
 μπορεί να προκύψει επίσης. 
 Και υπάρχουν πολλές άλλες παραλλαγές στο Minimax 
 που προσθέτουν πρόσθετες λειτουργίες για να την βοηθήσουν να αποδώσει καλύτερα 
 κάτω από αυτά τα μεγαλύτερα και πιο υπολογιστικά απαράδεκτα 
 καταστάσεις, όπου δεν μπορούσαμε να εξερευνήσουμε όλες τις πιθανές κινήσεις, 
 οπότε πρέπει να καταλάβουμε πώς να χρησιμοποιήσουμε την αξιολόγηση 

Dutch: 
 En afhankelijk van hoe goed die evaluatiefunctie is, 
 dat is uiteindelijk wat zal beperken hoe goed de AI is. 
 Hoe beter de AI kan inschatten hoe goed 
 of hoe slecht een bepaalde spelstatus is, hoe beter de AI 
 kan dat spel spelen. 
 Als de evaluatiefunctie slechter is en niet zo goed 
 als schatting van wat het verwachte hulpprogramma is, 
 dan wordt het een stuk moeilijker. 
 En je kunt je voorstellen dat je probeert om met deze evaluatiefuncties te komen. 
 Bij schaken zou je bijvoorbeeld een evaluatiefunctie kunnen schrijven 
 gebaseerd op hoeveel stuks je hebt, vergeleken 
 tot hoeveel stukken je tegenstander heeft, omdat elk stuk 
 heeft een waarde in uw evaluatiefunctie. 
 Het moet waarschijnlijk een beetje meer zijn 
 ingewikkelder dan dat om andere mogelijke situaties te overwegen 
 kan ook ontstaan. 
 En er zijn veel andere varianten op Minimax 
 die extra functies toevoegen om het beter te laten presteren 
 onder deze grotere en meer rekenkundig onhandelbare 
 situaties waarin we onmogelijk alle mogelijke bewegingen konden onderzoeken, 
 dus we moeten uitzoeken hoe we evaluatie kunnen gebruiken 

Italian: 
 E a seconda di quanto è buona quella funzione di valutazione, 
 questo è in definitiva ciò che vincerà quanto è buona l'IA. 
 Migliore è l'IA nel valutare quanto è buono 
 o quanto è brutto un particolare stato del gioco, migliore è l'IA 
 sarà in grado di giocare a quel gioco. 
 Se la funzione di valutazione è peggiore e non altrettanto buona 
 come stima dell'utilità attesa, 
 allora sarà molto più difficile. 
 E puoi immaginare di provare a inventare queste funzioni di valutazione. 
 Negli scacchi, ad esempio, potresti scrivere una funzione di valutazione 
 in base a quanti pezzi hai, rispetto 
 a quanti pezzi ha il tuo avversario, perché ognuno 
 ha un valore nella tua funzione di valutazione. 
 Probabilmente deve essere un po 'di più 
 complicato da quello di considerare altre possibili situazioni che 
 potrebbe anche sorgere. 
 E ci sono molte altre varianti su Minimax 
 che aggiungono funzionalità aggiuntive per aiutarlo a ottenere prestazioni migliori 
 sotto questi più grandi e più computazionalmente intrattabili 
 situazioni in cui non potremmo assolutamente esplorare tutte le mosse possibili, 
 quindi dobbiamo capire come usare la valutazione 

Korean: 
 이러한 게임을 플레이 할 수있는 기능 및 기타 기술 
 보다 나은. 
 그러나 이것은 이제 이런 종류의 적대적 검색, 
 내가 노력하고있는 상황에 처한 문제 
 어떤 종류의 상대와 대결합니다. 
 이러한 검색 문제는 모든 곳에서 나타납니다 
 인공 지능을 통해. 
 우리는 오늘날 더 고전적인 검색 문제에 대해 많은 이야기를 해왔습니다. 
 한 위치에서 다른 위치로가는 길을 찾으려고합니다. 
 그러나 AI가 결정을 내리려고 할 때마다 
 합리적인 일을하기 위해 지금 무엇을해야합니까? 
 지능적이거나 게임을하려는 일을하거나 
 어떤 종류의 알고리즘을 만들 것인지 파악하는 것과 같은 알고리즘 
 정말 유용 할 수 있습니다. 
 틱택 토의 경우 해결책은 매우 간단합니다. 
 작은 게임이기 때문입니다. 
 XKCD는 웹 코믹을 유명하게 만들었습니다 
 그는 최적의 움직임으로 무엇을 움직일 것인지 정확하게 알려줄 것입니다. 
 상대가 무엇을 하든지간에 
 이 유형의 것은 가능한 한 그렇지 않습니다 
 체커 또는 체스와 같은 훨씬 더 큰 게임의 경우 
 예를 들어 체스가 완전히 계산적으로 
 대부분의 컴퓨터가 탐색 할 수없는 
 가능한 모든 상태. 

Italian: 
 funzioni e altre tecniche per poter giocare a questi giochi, in definitiva, 
 meglio. 
 Ma questo ora era uno sguardo a questo tipo di ricerca contraddittoria, queste ricerche 
 problemi in cui abbiamo situazioni in cui sto provando 
 giocare contro una specie di avversario. 
 E questi problemi di ricerca si manifestano ovunque 
 attraverso l'intelligenza artificiale. 
 Oggi abbiamo parlato molto di problemi di ricerca più classici, 
 come cercare di trovare indicazioni stradali da una posizione a un'altra. 
 Ma ogni volta che un'intelligenza artificiale deve affrontare il tentativo di prendere una decisione come, 
 cosa devo fare ora per fare qualcosa di razionale, 
 o fare qualcosa di intelligente o provare a giocare, 
 come capire quale mossa fare, questo tipo di algoritmi 
 può davvero tornare utile. 
 Si scopre che per tic-tac-toe la soluzione è piuttosto semplice, 
 perché è un piccolo gioco. 
 XKCD ha messo insieme un webcomic 
 dove ti dirà esattamente quale mossa fare come mossa ottimale 
 da fare, qualunque cosa accada il tuo avversario. 
 Questo tipo di cose non è del tutto possibile 
 per un gioco molto più grande come dama o scacchi, 
 per esempio, dove gli scacchi sono totalmente computazionali 
 intrattabile per la maggior parte dei computer per essere in grado di esplorare 
 tutti gli stati possibili. 

Chinese: 
功能和其他能夠玩這些遊戲的技術，最終， 
更好。 
但這是對這種對抗性搜索的一種觀察，這些搜索
我們在嘗試的情況下遇到的問題
與某種對手對抗
這些搜索問題隨處可見
整個人工智能。 
今天，我們討論了更多經典搜索問題， 
就像試圖找到從一個位置到另一個位置的路線。 
但是只要AI面臨嘗試做出這樣的決定， 
我現在該怎麼做才能做一些合理的事情， 
或做一些聰明的事，或嘗試玩遊戲， 
像弄清楚要做什麼，這些算法
真的可以派上用場。 
事實證明，對於井字遊戲，解決方案非常簡單， 
因為這是一個小遊戲。 
 XKCD著名地匯集了一個網絡漫畫
他會在其中準確地告訴您要採取的最佳行動
做，不管對手碰巧做什麼。 
這種事情不太可能
對於更大的遊戲，如跳棋或國際象棋， 
例如，象棋完全是在計算上
大多數計算機難以探索
所有可能的狀態。 

Modern Greek (1453-): 
 λειτουργίες και άλλες τεχνικές για να μπορέσετε να παίξετε αυτά τα παιχνίδια, τελικά, 
 καλύτερα. 
 Αλλά αυτή ήταν τώρα μια ματιά σε αυτού του είδους την εχθρική αναζήτηση, αυτές τις αναζητήσεις 
 προβλήματα όπου έχουμε καταστάσεις όπου προσπαθώ 
 για να παίξετε εναντίον κάποιου αντιπάλου. 
 Και αυτά τα προβλήματα αναζήτησης εμφανίζονται παντού 
 σε όλη την τεχνητή νοημοσύνη. 
 Μιλάμε πολύ σήμερα για πιο κλασικά προβλήματα αναζήτησης, 
 σαν να προσπαθείτε να βρείτε οδηγίες από τη μία τοποθεσία στην άλλη. 
 Αλλά όποτε μια AI αντιμετωπίζει την προσπάθειά της να πάρει μια απόφαση όπως, 
 τι να κάνω τώρα για να κάνω κάτι που είναι λογικό, 
 ή κάντε κάτι που είναι έξυπνο ή προσπαθείτε να παίξετε ένα παιχνίδι, 
 όπως να καταλάβω τι κίνηση να κάνεις, τέτοιου είδους αλγόριθμους 
 μπορεί πραγματικά να είναι βολικό. 
 Αποδεικνύεται ότι για το tic-tac-toe, η λύση είναι αρκετά απλή, 
 γιατί είναι ένα μικρό παιχνίδι. 
 Το XKCD έχει φημίσει ένα webcomic 
 όπου θα σας πει ακριβώς τι κίνηση να κάνετε ως τη βέλτιστη κίνηση 
 να κάνει, ανεξάρτητα από το τι συμβαίνει να κάνει ο αντίπαλός σας. 
 Αυτός ο τύπος πραγμάτων δεν είναι όσο το δυνατόν πιο δυνατός 
 για ένα πολύ μεγαλύτερο παιχνίδι όπως πούλια ή σκάκι, 
 για παράδειγμα, όπου το σκάκι είναι εντελώς υπολογιστικό 
 δύσκολο για τους περισσότερους υπολογιστές να είναι σε θέση να εξερευνήσουν 
 όλες τις πιθανές καταστάσεις. 

Indonesian: 
 fungsi dan teknik lain untuk dapat memainkan game-game ini, pada akhirnya, 
 lebih baik. 
 Tapi sekarang ini adalah melihat pencarian permusuhan semacam ini, pencarian ini 
 masalah di mana kami memiliki situasi di mana saya mencoba 
 untuk bermain melawan semacam lawan. 
 Dan masalah pencarian ini muncul di semua tempat 
 sepanjang kecerdasan buatan. 
 Kami telah berbicara banyak hari ini tentang masalah pencarian yang lebih klasik, 
 seperti mencoba menemukan arah dari satu lokasi ke lokasi lain. 
 Tapi kapan saja seorang AI dihadapkan dengan mencoba membuat keputusan seperti, 
 apa yang saya lakukan sekarang untuk melakukan sesuatu yang rasional, 
 atau melakukan sesuatu yang cerdas, atau mencoba bermain game, 
 seperti mencari tahu apa yang harus dilakukan, algoritma semacam ini 
 benar-benar bisa berguna. 
 Ternyata untuk tic-tac-toe, solusinya cukup sederhana, 
 karena ini adalah permainan kecil. 
 XKCD telah terkenal mengumpulkan webcomic 
 di mana dia akan memberi tahu Anda apa yang harus dilakukan sebagai langkah optimal 
 untuk membuat, tidak peduli apa yang lawan Anda lakukan. 
 Jenis hal ini tidak semaksimal mungkin 
 untuk permainan yang jauh lebih besar seperti catur atau catur, 
 misalnya, di mana catur benar-benar komputasional 
 sulit bagi kebanyakan komputer untuk dapat menjelajah 
 semua status yang mungkin. 

Turkish: 
 nihayetinde bu oyunları oynayabilmek için fonksiyonlar ve diğer teknikler, 
 daha iyi. 
 Ama bu şimdi bu tür bir düşman araştırmasına, 
 denediğim durumların olduğu problemler 
 bir çeşit rakibe karşı oynamak. 
 Ve bu arama sorunları her yerde ortaya çıkıyor 
 yapay zeka boyunca. 
 Bugün daha klasik arama problemleri hakkında çok konuşuyoruz, 
 bir konumdan diğerine yön bulmaya çalışmak gibi. 
 Ancak bir AI her ne zaman böyle bir karar vermeye çalışsa, 
 rasyonel olan bir şey yapmak için şimdi ne yapacağım, 
 ya da akıllı bir şey yapın ya da bir oyun oynamaya çalışın, 
 hangi hareketi yapacağını bulmak gibi, bu tür algoritmalar 
 gerçekten kullanışlı olabilir. 
 Tic-tac-toe için çözümün oldukça basit olduğu ortaya çıkıyor, 
 çünkü bu küçük bir oyun. 
 XKCD ünlü bir webcomic bir araya 
 burada size tam olarak hangi hareketi yapacağınızı söyleyecektir. 
 Rakibiniz ne yaparsa yapsın. 
 Bu tür bir şey mümkün değil 
 dama veya satranç gibi çok daha büyük bir oyun için, 
 örneğin, satrancın tamamen hesaplamalı olduğu 
 çoğu bilgisayarın keşfedebilmesi için inatçı 
 tüm olası durumlar. 

Japanese: 
これらのゲームをプレイするための機能やその他のテクニック
より良い。 
しかし、これは今、この種の敵対的な検索、これらの検索
私がしようとしている状況がある問題
ある種の対戦相手と対戦します。 
そして、これらの検索問題はいたるところに現れます
人工知能全体。 
今日は、より古典的な検索の問題について多く話し合いました。 
ある場所から別の場所への道順を見つけようとするようなものです。 
しかし、AIが次のような決定をしようとすることに直面しているときはいつでも、 
合理的なことをするために今何をすべきか
知的なことをしたり、ゲームをしたり、 
どのような動きをするのかを考えるように、この種のアルゴリズムは
本当に重宝します。 
三目並べの場合、解決策は非常にシンプルであることがわかります。 
それは小さなゲームだからです。 
 XKCDは有名にウェブコミックをまとめました
最適な動きとしてどのような動きをするかを正確に教えてくれます
相手がたまたま何をしたとしても、 
このタイプのものは可能な限りではありません
チェッカーやチェスのようなはるかに大きなゲームでは
たとえば、チェスが完全に計算上である場合
ほとんどのコンピュータが探索できるように扱いにくい
すべての可能な状態。 

Dutch: 
 functies en andere technieken om deze spellen uiteindelijk te kunnen spelen, 
 beter. 
 Maar dit was nu een blik op dit soort vijandige zoektocht, deze zoektocht 
 problemen waar we situaties hebben waarin ik probeer 
 om tegen een soort tegenstander te spelen. 
 En deze zoekproblemen duiken overal op 
 gedurende kunstmatige intelligentie. 
 We hebben vandaag veel gepraat over meer klassieke zoekproblemen, 
 zoals het zoeken naar een routebeschrijving van de ene locatie naar de andere. 
 Maar elke keer dat een AI wordt geconfronteerd met een beslissing zoals: 
 wat moet ik nu doen om iets te doen dat rationeel is, 
 of iets intelligents doet, of een spel probeert te spelen, 
 zoals uitzoeken welke beweging er moet worden gemaakt, dit soort algoritmen 
 kan echt van pas komen. 
 Het blijkt dat voor tic-tac-toe de oplossing vrij eenvoudig is, 
 omdat het een klein spel is. 
 XKCD heeft beroemd een webcomic samengesteld 
 waar hij je precies zal vertellen welke zet je moet maken als de optimale zet 
 te maken, wat je tegenstander ook doet. 
 Dit soort dingen is niet helemaal mogelijk 
 voor een veel groter spel zoals dammen of schaken, 
 bijvoorbeeld, waar schaken volledig computationeel is 
 onhandelbaar voor de meeste computers om te kunnen verkennen 
 alle mogelijke staten. 

Hindi: 
 फ़ंक्शंस और अन्य तकनीकें इन खेलों को खेलने में सक्षम होने के लिए, अंततः, 
 बेहतर। 
 लेकिन यह अब इस तरह की प्रतिकूल खोज, इन खोज पर एक नज़र थी 
 समस्याओं जहां हम स्थितियों मैं कहाँ कोशिश कर रहा हूँ 
 प्रतिद्वंद्वी के कुछ प्रकार के खिलाफ खेलने के लिए। 
 और ये खोज समस्याएं सभी जगह दिखाई देती हैं 
 पूरे कृत्रिम बुद्धि में। 
 हम आज और अधिक शास्त्रीय खोज समस्याओं के बारे में बात कर रहे हैं, 
 एक स्थान से दूसरे स्थान तक दिशा-निर्देश खोजने का प्रयास करना। 
 लेकिन कभी भी एक एआई का सामना करने की कोशिश के साथ सामना करना पड़ता है जैसे, 
 मैं ऐसा कुछ करने के लिए क्या कर रहा हूं जो तर्कसंगत हो, 
 या ऐसा कुछ करें जो बुद्धिमान हो, या कोई खेल खेलने की कोशिश कर रहा हो, 
 यह पता लगाने के लिए कि क्या बनाना है, इन प्रकार के एल्गोरिदम 
 वास्तव में काम आ सकता है। 
 यह पता चला है कि टिक-टैक-टो के लिए, समाधान बहुत सरल है, 
 क्योंकि यह एक छोटा खेल है। 
 XKCD ने प्रसिद्ध रूप से एक वेबकॉमिक को एक साथ रखा है 
 जहां वह आपको बताएगा कि इष्टतम चाल के रूप में वास्तव में क्या करना है 
 कोई फर्क नहीं पड़ता कि आपके प्रतिद्वंद्वी को क्या करना है। 
 इस तरह की बात बहुत संभव नहीं है 
 चेकर्स या शतरंज जैसे बहुत बड़े खेल के लिए, 
 उदाहरण के लिए, जहां शतरंज पूरी तरह से कम्प्यूटेशनल है 
 अधिकांश कंप्यूटरों का पता लगाने में सक्षम होने के लिए अट्रैक्टिव 
 सभी संभव अवस्थाएँ। 

English: 
functions and other techniques to be able to play these games, ultimately,
better.
But this now was a look at this kind of adversarial search, these search
problems where we have situations where I am trying
to play against some sort of opponent.
And these search problems show up all over the place
throughout artificial intelligence.
We've been talking a lot today about more classical search problems,
like trying to find directions from one location to another.
But anytime an AI is faced with trying to make a decision like,
what do I do now in order to do something that is rational,
or do something that is intelligent, or trying to play a game,
like figuring out what move to make, these sort of algorithms
can really come in handy.
It turns out that for tic-tac-toe, the solution is pretty simple,
because it's a small game.
XKCD has famously put together a webcomic
where he will tell you exactly what move to make as the optimal move
to make, no matter what your opponent happens to do.
This type of thing is not quite as possible
for a much larger game like checkers or chess,
for example, where chess is totally computationally
intractable for most computers to be able to explore
all the possible states.

Spanish: 
 funciones y otras técnicas para poder jugar estos juegos, en última instancia, 
 mejor. 
 Pero esto ahora era un vistazo a este tipo de búsqueda contenciosa, estas búsquedas 
 problemas donde tenemos situaciones donde estoy tratando 
 jugar contra algún tipo de oponente. 
 Y estos problemas de búsqueda aparecen por todas partes 
 a lo largo de la inteligencia artificial. 
 Hemos estado hablando mucho hoy sobre problemas de búsqueda más clásicos, 
 como tratar de encontrar direcciones de un lugar a otro. 
 Pero cada vez que una IA se enfrenta a intentar tomar una decisión como, 
 ¿Qué hago ahora para hacer algo racional? 
 o hacer algo inteligente, o intentar jugar un juego, 
 como averiguar qué movimiento hacer, este tipo de algoritmos 
 Realmente puede ser útil. 
 Resulta que para tic-tac-toe, la solución es bastante simple, 
 porque es un juego pequeño 
 XKCD ha creado un cómic web 
 donde él te dirá exactamente qué movimiento hacer como el movimiento óptimo 
 hacer, sin importar lo que haga tu oponente. 
 Este tipo de cosas no es tan posible 
 para un juego mucho más grande como damas o ajedrez, 
 por ejemplo, donde el ajedrez es totalmente computacional 
 intratable para la mayoría de las computadoras para poder explorar 
 Todos los estados posibles. 

Portuguese: 
 funções e outras técnicas para poder jogar esses jogos, finalmente, 
 Melhor. 
 Mas agora esse era um tipo de pesquisa contraditória, essas pesquisas 
 problemas em que temos situações em que estou tentando 
 para jogar contra algum tipo de oponente. 
 E esses problemas de pesquisa aparecem em todo o lugar 
 em toda a inteligência artificial. 
 Hoje falamos muito sobre problemas de pesquisa mais clássicos, 
 como tentar encontrar rotas de um local para outro. 
 Mas sempre que uma IA é confrontada com uma tentativa de tomar uma decisão como, 
 o que eu faço agora para fazer algo racional, 
 ou fazer algo inteligente, ou tentar jogar um jogo, 
 como descobrir o que fazer, esse tipo de algoritmo 
 pode realmente ser útil. 
 Acontece que, para o jogo da velha, a solução é bem simples, 
 porque é um jogo pequeno. 
 O XKCD montou um famoso webcomic 
 onde ele lhe dirá exatamente qual jogada fazer como a jogada ideal 
 para fazer, não importa o que seu oponente faça. 
 Esse tipo de coisa não é tão possível 
 para um jogo muito maior, como damas ou xadrez, 
 por exemplo, onde o xadrez é totalmente computacional 
 intratável para a maioria dos computadores poder explorar 
 todos os estados possíveis. 

Arabic: 
 وظائف وتقنيات أخرى لتكون قادرة على لعب هذه الألعاب ، في نهاية المطاف ، 
 أفضل. 
 لكن هذه كانت الآن نظرة على هذا النوع من البحث العدائي ، هذا البحث 
 مشاكل حيث لدينا مواقف أحاول فيها 
 للعب ضد نوع من الخصم. 
 وتظهر مشاكل البحث هذه في كل مكان 
 عبر الذكاء الاصطناعي. 
 لقد تحدثنا كثيرًا اليوم عن المزيد من مشكلات البحث الكلاسيكية ، 
 مثل محاولة العثور على اتجاهات من موقع إلى آخر. 
 ولكن في أي وقت يواجه الذكاء الاصطناعي محاولة اتخاذ قرار مثل ، 
 ماذا أفعل الآن من أجل القيام بشيء عقلاني ، 
 أو القيام بشيء ذكي ، أو محاولة لعب لعبة ، 
 مثل معرفة ما يجب القيام به ، هذا النوع من الخوارزميات 
 يمكن أن يكون مفيدًا حقًا. 
 اتضح أن الحل بالنسبة لـ tic-tac-toe بسيط للغاية ، 
 لأنها لعبة صغيرة. 
 اشتهر XKCD بشبكة كوميدية 
 حيث سيخبرك بالضبط بالتحرك الذي يجب القيام به كخطوة مثالية 
 بصرف النظر عما يفعله خصمك. 
 هذا النوع من الأشياء ليس ممكنًا تمامًا 
 للعبة أكبر مثل لعبة الداما أو الشطرنج ، 
 على سبيل المثال ، حيث يكون الشطرنج حسابيًا تمامًا 
 مستعصية على معظم أجهزة الكمبيوتر لتكون قادرة على الاستكشاف 
 جميع الدول الممكنة. 

German: 
 Funktionen und andere Techniken, um diese Spiele letztendlich spielen zu können, 
 besser. 
 Aber dies war nun ein Blick auf diese Art der kontroversen Suche, diese Suche 
 Probleme, in denen wir Situationen haben, in denen ich es versuche 
 gegen einen Gegner spielen. 
 Und diese Suchprobleme tauchen überall auf 
 in der künstlichen Intelligenz. 
 Wir haben heute viel über klassischere Suchprobleme gesprochen. 
 als würde man versuchen, eine Wegbeschreibung von einem Ort zum anderen zu finden. 
 Aber immer wenn eine KI vor dem Versuch steht, eine Entscheidung zu treffen wie: 
 Was mache ich jetzt, um etwas Rationales zu tun? 
 oder etwas tun, das intelligent ist oder versucht, ein Spiel zu spielen, 
 wie herauszufinden, welche Bewegung zu machen ist, diese Art von Algorithmen 
 kann wirklich nützlich sein. 
 Es stellt sich heraus, dass für Tic-Tac-Toe die Lösung ziemlich einfach ist, 
 weil es ein kleines Spiel ist. 
 XKCD hat bekanntlich ein Webcomic zusammengestellt 
 wo er Ihnen genau sagt, welchen Zug Sie als optimalen Zug machen sollen 
 zu machen, egal was dein Gegner gerade tut. 
 Diese Art von Dingen ist nicht ganz so möglich 
 für ein viel größeres Spiel wie Dame oder Schach, 
 Zum Beispiel, wenn Schach völlig rechnerisch ist 
 Für die meisten Computer unlösbar, um sie erkunden zu können 
 alle möglichen Zustände. 

French: 
 fonctions et autres techniques pour pouvoir jouer à ces jeux, en fin de compte, 
 meilleur. 
 Mais c'était maintenant un regard sur ce genre de recherche contradictoire, ces recherches 
 problèmes où nous avons des situations où j'essaie 
 pour jouer contre une sorte d'adversaire. 
 Et ces problèmes de recherche apparaissent partout 
 à travers l'intelligence artificielle. 
 Nous avons beaucoup parlé aujourd'hui de problèmes de recherche plus classiques, 
 comme essayer de trouver un itinéraire d'un endroit à un autre. 
 Mais chaque fois qu'une IA est confrontée à essayer de prendre une décision comme, 
 que dois-je faire maintenant pour faire quelque chose de rationnel, 
 ou faire quelque chose d'intelligent, ou essayer de jouer à un jeu, 
 comme déterminer ce qu'il faut faire, ce genre d'algorithmes 
 peut vraiment être utile. 
 Il s'avère que pour le tic-tac-toe, la solution est assez simple, 
 parce que c'est un petit jeu. 
 XKCD a mis en place un webcomic célèbre 
 où il vous dira exactement quel mouvement faire comme mouvement optimal 
 à faire, peu importe ce que votre adversaire arrive à faire. 
 Ce genre de chose n'est pas aussi possible que possible 
 pour un jeu beaucoup plus grand comme les dames ou les échecs, 
 par exemple, où les échecs sont totalement calculatoires 
 intraitable pour la plupart des ordinateurs pour pouvoir explorer 
 tous les états possibles. 

Chinese: 
功能和其他能够玩这些游戏的技术，最终， 
更好。 
但这是对这种对抗性搜索的一种观察，这些搜索
我们在尝试的情况下遇到的问题
与某种对手对抗
这些搜索问题随处可见
整个人工智能。 
今天，我们讨论了更多经典搜索问题， 
就像试图找到从一个位置到另一个位置的路线。 
但是只要AI面临尝试做出这样的决定， 
我现在该怎么做才能做一些合理的事情， 
或做一些聪明的事情，或尝试玩游戏， 
像弄清楚要做什么，这些算法
真的可以派上用场。 
事实证明，对于井字游戏，解决方案非常简单， 
因为这是一个小游戏。 
 XKCD著名地汇集了一个网络漫画
他会确切告诉您要采取的最佳举动
做，不管对手碰巧做什么。 
这种事情不太可能
对于更大的游戏，如跳棋或国际象棋， 
例如，象棋完全是在计算上
大多数计算机难以探索
所有可能的状态。 

Russian: 
 функции и другие методы, чтобы иметь возможность играть в эти игры, в конечном итоге, 
 лучше. 
 Но это теперь был взгляд на этот вид состязательного поиска, эти поиски 
 проблемы, когда у нас есть ситуации, когда я пытаюсь 
 играть против какого-то противника. 
 И эти проблемы поиска появляются повсюду 
 на протяжении всего искусственного интеллекта. 
 Сегодня мы много говорили о более классических проблемах поиска, 
 как пытаться найти направление от одного места к другому. 
 Но всякий раз, когда ИИ сталкивается с попыткой принять решение, как, 
 что я делаю сейчас, чтобы сделать что-то рациональное, 
 или делать что-то умное, или пытаться играть в игру, 
 как выяснить, что делать, такие алгоритмы 
 действительно может пригодиться. 
 Оказывается, что для крестики-нолики, решение довольно простое, 
 потому что это маленькая игра. 
 XKCD классно собрал вебкомик 
 где он скажет вам точно, какой ход сделать как оптимальный ход 
 чтобы сделать, независимо от того, что ваш оппонент происходит. 
 Этот тип вещей не совсем так, как это возможно 
 для гораздо более крупной игры, такой как шашки или шахматы, 
 например, где шахматы полностью вычислительно 
 неразрешимым для большинства компьютеров, чтобы иметь возможность исследовать 
 все возможные состояния. 

Indonesian: 
 Jadi kita benar-benar membutuhkan AI kita untuk menjadi jauh lebih pintar tentang caranya 
 mereka mencoba menangani masalah-masalah ini 
 dan bagaimana mereka mengambil lingkungan ini 
 bahwa mereka menemukan diri mereka dalam dan pada akhirnya 
 mencari salah satu solusi ini. 
 Jadi ini adalah pencarian dan kecerdasan buatan. 
 Lain kali kita akan melihat pengetahuan, 
 memikirkan bagaimana AI kami dapat mengetahui informasi, alasan 
 tentang informasi itu, dan menarik kesimpulan, semua dalam pandangan kami di AI 
 dan prinsip-prinsip di baliknya. 
 Kami akan menemuimu lain kali. 

Japanese: 
ですから、AIがどのようにして
彼らはこれらの問題に対処しようとします
そして、彼らがこの環境をどうやって取るか
彼らは自分自身を見つけ、最終的に
これらのソリューションの1つを検索します。 
つまり、これは検索と人工知能の調査でした。 
次回は知識を見ていきます
私たちのAIが情報、理由を知ることができるということを考えます
その情報について、そして結論を​​導きます。 
そしてその背後にある原則。 
またお会いしましょう。 

Turkish: 
 Bu yüzden yapay zekamıza nasıl daha akıllı davranmamız gerekiyor? 
 bu sorunlarla başa çıkmaya çalışıyorlar 
 ve bu ortamı nasıl ele aldıklarını 
 kendilerini eninde sonunda bulduklarını 
 bu çözümlerden birini arıyor. 
 O halde bu, arama ve yapay zekaya bir göz attı. 
 Bir dahaki sefere bilgiye bakacağız, 
 Yapay zekalarımızın bilgiyi, sebebini nasıl bildiklerini düşünmek 
 yapay zekaya bakışımızda bu bilgiler hakkında ve sonuçlar çıkarıyoruz. 
 ve arkasındaki ilkeler. 
 Bir dahaki sefere görüşürüz. 

German: 
 Wir brauchen also wirklich unsere KI, um viel intelligenter darüber zu sein, wie 
 Sie versuchen, mit diesen Problemen umzugehen 
 und wie sie diese Umgebung einnehmen 
 dass sie sich in und letztendlich befinden 
 Suche nach einer dieser Lösungen. 
 Das war also ein Blick auf Suche und künstliche Intelligenz. 
 Nächstes Mal werfen wir einen Blick auf Wissen, 
 Denken Sie darüber nach, wie es ist, dass unsere AIs Informationen und Gründe kennen 
 über diese Informationen und ziehen Sie Schlussfolgerungen, alles in unserem Blick auf AI 
 und die Prinzipien dahinter. 
 Wir sehen uns beim nächsten Mal. 

Arabic: 
 لذا فنحن نحتاج حقًا أن يكون الذكاء الاصطناعي الخاص بنا أكثر ذكاءً بشأن الكيفية 
 يذهبون حول محاولة التعامل مع هذه المشاكل 
 وكيف يقومون بأخذ هذه البيئة 
 التي يجدون أنفسهم فيها وفي النهاية 
 البحث عن أحد هذه الحلول. 
 إذن هذه كانت نظرة على البحث والذكاء الاصطناعي. 
 في المرة القادمة سنلقي نظرة على المعرفة ، 
 التفكير في كيف أن الذكاء الاصطناعي لدينا قادر على معرفة المعلومات والمنطق 
 حول هذه المعلومات ، واستخلاص النتائج ، كل ذلك في نظرتنا إلى الذكاء الاصطناعي 
 والمبادئ وراء ذلك. 
 سنراكم في المرة القادمة. 

Portuguese: 
 Então, realmente precisamos que nossa IA seja muito mais inteligente sobre como 
 eles tentam lidar com esses problemas 
 e como eles adotam esse ambiente 
 que eles se encontram e, finalmente, 
 procurando por uma dessas soluções. 
 Portanto, este foi um olhar sobre pesquisa e inteligência artificial. 
 Na próxima vez, examinaremos o conhecimento, 
 pensando em como é que nossas IAs são capazes de conhecer informações, razões 
 sobre essas informações e tirar conclusões, tudo em nosso olhar para a IA 
 e os princípios por trás disso. 
 Vejo você na próxima vez. 

Italian: 
 Quindi abbiamo davvero bisogno che la nostra IA sia molto più intelligente su come 
 cercano di affrontare questi problemi 
 e come fanno a prendere questo ambiente 
 in cui si trovano e alla fine 
 alla ricerca di una di queste soluzioni. 
 Quindi questo, quindi, era uno sguardo alla ricerca e all'intelligenza artificiale. 
 La prossima volta daremo un'occhiata alla conoscenza, 
 pensando a come i nostri IA sono in grado di conoscere informazioni, ragione 
 su tali informazioni e trarre conclusioni, tutto nel nostro sguardo sull'intelligenza artificiale 
 e i principi alla base. 
 Ci vediamo la prossima volta. 

Spanish: 
 Así que realmente necesitamos que nuestra IA sea mucho más inteligente sobre cómo 
 intentan lidiar con estos problemas 
 y cómo hacen para tomar este ambiente 
 que se encuentran y finalmente 
 buscando una de estas soluciones. 
 Entonces, esto fue una mirada a la búsqueda y la inteligencia artificial. 
 La próxima vez veremos el conocimiento, 
 pensando en cómo es que nuestras IA pueden conocer información, razón 
 sobre esa información y sacar conclusiones, todo en nuestra mirada a la IA 
 y los principios detrás de esto. 
 Nos vemos la próxima vez. 

French: 
 Nous avons donc vraiment besoin que notre IA soit beaucoup plus intelligente sur la façon dont 
 ils essaient de résoudre ces problèmes 
 et comment ils prennent cet environnement 
 qu'ils se retrouvent et, finalement, 
 la recherche d'une de ces solutions. 
 C'était donc un regard sur la recherche et l'intelligence artificielle. 
 La prochaine fois, nous examinerons les connaissances, 
 penser à comment nos IA sont capables de connaître les informations, la raison 
 à propos de ces informations et tirer des conclusions, le tout dans notre regard sur l'IA 
 et les principes qui le sous-tendent. 
 On se revoit la prochaine fois. 

Russian: 
 Поэтому нам действительно нужно, чтобы наш ИИ был гораздо более умным о том, как 
 они пытаются справиться с этими проблемами 
 и как они идут о взятии этой среды 
 что они оказываются и в конечном итоге 
 в поисках одного из этих решений. 
 Итак, это был взгляд на поиск и искусственный интеллект. 
 В следующий раз мы посмотрим на знания, 
 думая о том, как наши ИИ могут знать информацию, причину 
 об этой информации и делать выводы, все в нашем взгляде на AI 
 и принципы, стоящие за этим. 
 Увидимся в следующий раз. 

Hindi: 
 तो हम वास्तव में हमारे एआई की जरूरत है कि कैसे के बारे में अधिक बुद्धिमान हो 
 वे इन समस्याओं से निपटने की कोशिश करते हैं 
 और वे इस माहौल को लेकर कैसे चलते हैं 
 कि वे अपने आप को और अंत में पाते हैं 
 इन समाधानों में से एक के लिए खोज। 
 तो, यह, खोज और कृत्रिम बुद्धिमत्ता पर एक नज़र थी। 
 अगली बार हम ज्ञान पर एक नज़र डालेंगे, 
 यह सोचने के बारे में कि हमारे एआई जानकारी, कारण जानने में सक्षम हैं 
 उस जानकारी के बारे में, और निष्कर्ष निकालना, एआई पर हमारे सभी नज़रिए में 
 और इसके पीछे के सिद्धांत। 
 हम आपको अगली बार देखेंगे। 

Korean: 
 우리는 인공 지능이 훨씬 더 지능적이어야합니다. 
 그들은 이러한 문제를 해결하려고 노력합니다. 
 그리고 그들이이 환경을 취하는 방법에 대해 
 그들은 자신을 발견하고 궁극적으로 
 이러한 솔루션 중 하나를 검색합니다. 
 따라서 이것은 검색과 인공 지능에 대한 것입니다. 
 다음에 우리는 지식을 살펴볼 것입니다. 
 AI가 정보, 이유를 알 수있는 방법에 대해 생각 
 AI를 살펴보면 정보에 대한 결론을 도출하고 결론을 도출 할 수 있습니다 
 그리고 그 배후의 원리. 
 다음에 see겠습니다. 

Chinese: 
所以我們真的需要我們的AI對如何
他們去嘗試解決這些問題
以及他們如何採取這種環境
他們發現自己並最終
尋找這些解決方案之一。 
因此，這就是對搜索和人工智能的關注。 
下次我們來看知識
考慮我們的AI如何知道信息，原因
關於這些信息並得出結論，所有這些我們都在看AI 
及其背後的原理。 
下次見。 

Dutch: 
 Dus we hebben onze AI echt nodig om veel intelligenter te zijn in hoe 
 ze proberen deze problemen aan te pakken 
 en hoe ze omgaan met deze omgeving 
 waarin ze zich bevinden en uiteindelijk 
 op zoek naar een van deze oplossingen. 
 Dit was dus een blik op zoeken en kunstmatige intelligentie. 
 De volgende keer dat we kennis bekijken, 
 nadenken over hoe het komt dat onze AI's informatie, reden kunnen kennen 
 over die informatie en conclusies trekken, allemaal in onze blik op AI 
 en de principes erachter. 
 We zien je de volgende keer. 

English: 
So we really need our AI to be far more intelligent about how
they go about trying to deal with these problems
and how they go about taking this environment
that they find themselves in and ultimately
searching for one of these solutions.
So this, then, was a look at search and artificial intelligence.
Next time we'll take a look at knowledge,
thinking about how it is that our AIs are able to know information, reason
about that information, and draw conclusions, all in our look at AI
and the principles behind it.
We'll see you next time.

Chinese: 
所以我们真的需要我们的AI对如何
他们去尝试解决这些问题
以及他们如何采取这种环境
他们发现自己并最终
寻找这些解决方案之一。 
因此，这就是对搜索和人工智能的关注。 
下次我们来看知识
考虑我们的AI如何知道信息，原因
关于这些信息并得出结论，所有这些我们都在看AI 
及其背后的原理。 
下次见。 

Modern Greek (1453-): 
 Χρειαζόμαστε λοιπόν την τεχνητή νοημοσύνη μας για να είμαστε πολύ πιο έξυπνοι για το πώς 
 προσπαθούν να αντιμετωπίσουν αυτά τα προβλήματα 
 και πώς παίρνουν αυτό το περιβάλλον 
 που βρίσκονται και τελικά 
 αναζητώντας μία από αυτές τις λύσεις. 
 Αυτό λοιπόν ήταν μια ματιά στην αναζήτηση και την τεχνητή νοημοσύνη. 
 Την επόμενη φορά θα ρίξουμε μια ματιά στη γνώση, 
 να σκεφτόμαστε πώς είναι δυνατό οι AI μας να γνωρίζουν πληροφορίες, λογικά 
 σχετικά με αυτές τις πληροφορίες και να εξαγάγουμε συμπεράσματα, όλα στη ματιά μας στο AI 
 και τις αρχές πίσω από αυτό. 
 Θα σας δούμε την επόμενη φορά. 
