WEBVTT

00:00.590 --> 00:03.970
Ciao e bentornati al corso sull'intelligenza artificiale.

00:04.070 --> 00:05.420
Spero che ti piaccia il corso finora.

00:05.420 --> 00:09.050
E oggi stiamo parlando dell'azione delle politiche di selezione.

00:09.050 --> 00:11.010
Bene, entriamo subito.

00:11.030 --> 00:17.930
In precedenza abbiamo parlato dell'aggiunta di una rete neurale al nostro semplice apprendimento e

00:18.020 --> 00:21.230
finora stiamo entrando abbastanza in profondità nell'apprendimento.

00:21.230 --> 00:26.620
Abbiamo parlato abbastanza della parte di apprendimento includendo alcuni elementi.

00:26.630 --> 00:30.020
E oggi stiamo parlando di questa parte, stiamo parlando della recitazione.

00:30.020 --> 00:31.290
Quindi diamo un'occhiata.

00:31.310 --> 00:38.690
Quindi qui abbiamo quello che abbiamo discusso sulla recitazione che una volta immessi i valori i parametri sono il vettore

00:38.690 --> 00:45.230
che descrive l'agente di stato è chiaramente in quell'ambiente, quindi dopo tutto è stato fatto l'apprendimento o anche

00:45.230 --> 00:47.290
prima che l'apprendimento sia fatto.

00:47.420 --> 00:52.000
Fondamentalmente otteniamo tutti i valori di q quindi non siamo interessati all'apprendimento in questo momento,

00:52.010 --> 00:57.350
insistiamo nel recitare così una volta che avremo questi valori chiave come possiamo capire quale dobbiamo usare.

00:57.350 --> 00:58.910
Beh, se ci pensi.

00:58.910 --> 01:01.890
I valori Q sono semplicemente previsioni per il cubo.

01:01.910 --> 01:08.630
Così come abbiamo fatto nell'algoritmo di apprendimento semplice, cosa abbiamo fatto, abbiamo appena selezionato quello con il migliore del

01:09.180 --> 01:10.420
valore più alto.

01:10.430 --> 01:15.380
Una volta ottenuto quello con il valore di QI più alto, adottiamo questa azione solo perché ci porta

01:15.380 --> 01:20.330
il valore più alto e sappiamo che il guadagno immediato della calcolatrice di Duval che ci aspettiamo di

01:20.360 --> 01:23.100
ricevere Plus il fattore DK moltiplicherà il valore della prossima data.

01:23.120 --> 01:29.480
Ed è un calcolo ricorsivo, quindi perché non perché non si dovrebbe prendere il miglior valore e questo è un po

01:29.480 --> 01:30.570
'la fine di esso.

01:30.800 --> 01:35.360
qui stiamo usando una funzione soft max ed è qui che parleremo delle attuali politiche di selezione.

01:35.360 --> 01:37.910
Ma come puoi vedere qui non è così semplice

01:37.940 --> 01:41.210
Quindi qui in realtà non dobbiamo avere solo una funzione software.

01:41.300 --> 01:49.190
Possiamo avere diverse politiche di selezione delle azioni, ad esempio Epsilon è avido di Epsilon's soft e noi abbiamo i soft Mac

01:49.470 --> 01:54.950
e quelli sono un po 'come le più comuni politiche di selezione delle azioni, naturalmente

01:54.960 --> 01:56.300
ce ne sono altri.

01:56.300 --> 02:02.120
Ad esempio, il più elementare è un'azione molto semplice, ma è sufficiente selezionare il migliore.

02:02.120 --> 02:03.770
Quello con il valore Q più alto.

02:03.980 --> 02:09.800
questo impulso di azione non vola e perché abbiamo diversi tipi di politiche di selezione delle azioni di impulso d'azione.

02:09.800 --> 02:10.510
Ma perché

02:10.520 --> 02:15.270
Bene, tutto si riduce all'esplorazione contro lo sfruttamento.

02:15.560 --> 02:22.670
E questo è il cuore dell'apprendimento rinforzato perché abbiamo già parlato un po 'del fatto che il tuo

02:22.880 --> 02:28.400
agente quando opera in un ambiente potrebbe predire certi valori di coda che potrebbero

02:28.400 --> 02:34.970
essere buoni e potrebbe rivelarsi ottimo potrebbe risultare che quelli sono disponibili e sarà costretto ad esplorare.

02:34.970 --> 02:40.640
Quindi, se per esempio in questo caso prevediamo che Q2 sia il migliore e quindi ci vuole che

02:40.640 --> 02:42.350
Q To intervenga per farlo.

02:42.500 --> 02:46.880
Quindi da qui alla Sezione 2 e poi ottiene ottiene una ricompensa molto negativa.

02:46.880 --> 02:51.980
Quindi l'ambiente sta costringendo l'agente ad andare ed esplodere perché ora imparerà che, in

02:51.980 --> 02:56.740
realtà, pensavo che la Q2 sarebbe stata molto buona, ma è andata molto male.

02:56.780 --> 02:58.370
Quindi i risultati non sono pessimi.

02:58.370 --> 03:02.730
Quindi le reti possono aggiornarsi, quindi la prossima volta che sarà nello stato in cui probabilmente mangerà

03:02.720 --> 03:04.010
la mia anima ci arriveremo.

03:04.190 --> 03:09.470
Sai come se fosse molto molto favorevole quindi potresti pensare che è come se tu sapessi che potresti

03:09.470 --> 03:14.900
aver bisogno di un paio di volte di un paio di sanzioni o punizioni per imparare che riguarda l'azione.

03:14.990 --> 03:20.030
per compiere un'azione diversa e prendere l'azione del polso perché ora ha il miglior valore.

03:20.030 --> 03:22.020
Ma forse imparerà presto che sto

03:22.160 --> 03:28.880
Quindi, a volte l'ambiente impone all'agente di essere diverso per esplorare diverse azioni, ma a volte l'agente

03:29.180 --> 03:36.860
potrebbe ottenere che si trovi bloccato in un massimo locale, potrebbe scoprire che ha seguito la sua esplorazione iniziale e

03:36.860 --> 03:42.110
ha scoperto che questa è un'azione piuttosto interessante come Ho intenzione di andare qui.

03:42.200 --> 03:43.920
E quella collezione d'esprit.

03:43.940 --> 03:49.760
l'azione migliore semplicemente perché non è stata esplorata è esplorata andando sul suo naso o andando a sinistra è esplorazione

03:49.760 --> 03:55.850
andando a destra ma non ha esplorato andando giù da quello stato specifico in cui è dentro e ora che è

03:56.360 --> 04:01.490
un po 'come tendenzioso verso questa azione e pensa che una buona azione continui a prendere continuerà a crescere.

04:01.490 --> 04:03.800
Ma il problema è che pensa che sia

04:03.840 --> 04:06.570
Sta andando a prendere in realtà sta andando a ottenere sempre una buona ricompensa.

04:06.620 --> 04:14.000
Ma cosa succederebbe se questa azione sarebbe stata ancora meglio se questa azione sarebbe stata molto meglio che se fosse a

04:14.060 --> 04:19.310
conoscenza di questa azione passerebbe a questa azione, ma poiché è rimasta bloccata in un

04:19.310 --> 04:23.580
massimo locale sta ottenendo queste buone ricompense sta andando essere rinforzato.

04:23.630 --> 04:27.770
Continuerà a rinforzare se stesso o la violenza a rafforzarlo, che questa è una buona azione

04:27.770 --> 04:29.450
da intraprendere per continuare a farlo.

04:29.510 --> 04:35.330
Ma in realtà la realtà è che c'è un'altra azione che non ha ancora trovato o che non ha nemmeno esplorato.

04:35.570 --> 04:37.090
Sarebbe stato molto meglio.

04:37.130 --> 04:43.790
Quindi, quello che vogliamo fare è che vogliamo elaborare una vera politica di selezione che permetta al nostro agente di

04:43.910 --> 04:45.800
non rimanere bloccato al massimo locale.

04:45.800 --> 04:50.120
Sì, è importante sapere che continui a fare le buone azioni che è la parte dello sfruttamento.

04:50.180 --> 04:52.000
Non sfrutteremo ciò che abbiamo trovato.

04:52.100 --> 04:56.720
Ma allo stesso tempo vogliamo ancora esplorare, non vogliamo mai smettere di esplorare come nella vita non

04:56.720 --> 04:59.000
vuoi smettere di imparare, smetti di imparare a morire.

04:59.120 --> 05:05.030
morendo o qualcosa è diventato così vuoi continuare ad imparare e il tuo agente vuole continuare ad imparare.

05:05.090 --> 05:07.580
È così che quando non stai crescendo stai

05:07.760 --> 05:10.200
Ed è qui che entrano in gioco queste politiche di selezione delle azioni.

05:10.400 --> 05:16.190
Ne abbiamo tre qui elencati, quindi il primo è Epsilon avido, è molto semplice, sembra

05:16.190 --> 05:22.140
piuttosto complesso, nel senso che ha un nome interessante e di solito ha nomi chirurgici.

05:22.370 --> 05:23.170
In realtà no.

05:23.180 --> 05:31.530
Quindi in pratica quello che fa è selezionare quello con il miglior valore di Q e epsilon come Epsilon potresti

05:31.540 --> 05:35.240
sentire altri posti è come una politica di selezione.

05:35.240 --> 05:41.210
vendite come quella con il valore Q più alto tutto il tempo tranne che per la percentuale Epsilon del tempo.

05:41.540 --> 05:45.980
Quindi in questo caso lo usiamo per chiazzare così i nostri valori Al-Q sono da

05:45.980 --> 05:53.300
Ad esempio, se imposti epsilon al 10 percento, allora stai andando a 0. 1 del 10 percento delle volte

05:53.300 --> 05:56.740
che l'azione verrà selezionata casualmente.

05:56.750 --> 06:01.990
Quindi il 90 percento delle volte continuerai a selezionare l'azione migliore in base al valore più alto.

06:02.120 --> 06:05.580
Ma il 10 percento delle volte selezionerà un'azione casuale.

06:05.600 --> 06:11.120
Uniforme sta per prendere assolutamente un'azione a caso o se hai detto

06:11.420 --> 06:18.380
epsilon al punto zero cinque per 0. 05 significa che il 95 percento delle volte che l'agente eseguirà l'azione con il

06:18.380 --> 06:19.200
valore più alto.

06:19.220 --> 06:22.470
Ma il 5 percento delle volte continuerà a selezionare e ad agire casualmente.

06:22.490 --> 06:25.550
Quindi andrà là fuori ed esplorerà.

06:25.790 --> 06:31.640
Quindi il soft di Epsilon è molto simile al modo in cui il genere è il motivo

06:31.750 --> 06:39.780
per cui viene chiamato avido FCL perché in questo modo stai selezionando avidamente l'azione, ma l'azione buona è fatta eccezione per quel piccolo episodio.

06:39.780 --> 06:40.290
Qualche volta.

06:40.280 --> 06:46.970
Quindi più basso è il prezzo per l'EPS che abbasseranno il Lepp Epsilon, più untuosamente sceglierai quel

06:46.970 --> 06:53.870
tipo di azione che è l'azione ottimale e meno ne lascerai meno le possibilità che lasci per l'esplorazione.

06:53.870 --> 06:56.000
Il soft di Epsilon è l'opposto.

06:56.000 --> 07:02.000
Quindi, in pratica, stai selezionando a caso che stai selezionando un centesimo di Epsus meno il tempo.

07:02.000 --> 07:08.240
Quindi se a epsilons piace 0. Dall'1 al 10 percento, solo il 10 percento delle volte che esegui questa azione.

07:08.490 --> 07:12.410
E il 90 percento delle volte stai selezionando un'azione casuale.

07:12.410 --> 07:19.000
Quindi molto molto semplice, solo gli algoritmi invertiti e un soft Max è un po 'come il prossimo passo da o

07:19.070 --> 07:24.350
è una versione più avanzata che direi sopra epsilon dell'algoritmo greedy epsilon anche se entrambi hanno

07:24.350 --> 07:26.570
un merito ed entrambi hanno un posto.

07:26.610 --> 07:30.860
Useremo l'autofinanziamento nella nostra codifica nel nostro genere di cose pratiche.

07:30.860 --> 07:35.270
Ecco cosa parleremo un po 'più in dettaglio su soft max.

07:35.330 --> 07:36.380
Quindi diamo un'occhiata.

07:36.380 --> 07:38.440
Quindi passiamo alla prossima speranza.

07:38.450 --> 07:42.800
È abbastanza chiaro che Ebsen è d'accordo sul fatto che sia un algoritmo piuttosto semplice.

07:42.800 --> 07:45.100
Seleziona questo.

07:45.230 --> 07:47.790
La maggior parte delle volte tranne che a volte andare ed esplorare.

07:47.800 --> 07:53.820
E ora vediamo anche perché è importante fare questa esplorazione in modo da non finire nei massimi locali

07:53.840 --> 07:58.780
nel nostro processo di ottimizzazione, quindi ora parleremo un po 'di più dei soft Mac.

07:58.880 --> 08:02.680
C'è un tutorial sui soft marks alla fine del corso.

08:02.750 --> 08:09.560
Penso che si tratti di un allegato numero due in cui parliamo del concetto di Maxim, perché ci si rinfresca un

08:09.560 --> 08:14.650
po 'qui, quindi stiamo parlando di reti neurali e del modo in cui copriremo tutto il

08:14.720 --> 08:15.290
convoluzionale.

08:15.290 --> 08:18.170
Non stiamo trattando le reti neurali dell'evoluzione in questa sezione.

08:18.210 --> 08:21.470
Naturalmente in questa sezione stiamo ancora usando un vettore.

08:21.800 --> 08:27.770
Ma nella prossima sezione del corso, quando stiamo creando un'IA per giocare a Doom, utilizzeremo una rete

08:27.770 --> 08:32.870
neurale convoluzionale, quindi potrebbe essere utile per te esaminare le reti neurali relazionali e poi

08:32.870 --> 08:38.300
prendere un auto-max funzione o si può imparare un po 'di più su soft Max.

08:38.300 --> 08:43.020
Dopo aver preso le reti neurali convoluzionali e, naturalmente, più tardi.

08:43.250 --> 08:48.130
Ma ecco un rapido aggiornamento Quindi qui abbiamo la nostra rete neurale convoluzionale che decide se si tratta di un cane

08:48.130 --> 08:48.950
o di un gatto.

08:48.950 --> 08:56.090
Quindi qui abbiamo il processo di votazione tra questi neuroni e questo dice che è un ha le caratteristiche

08:56.090 --> 09:04.250
che conosci le orecchie soffici Qual è il tipo di faccia a punta a punta e il tipo di caratteristiche sono i

09:04.250 --> 09:09.930
tipi di occhi l'occhio con gli occhi guardano tutte queste caratteristiche che appartengono a un cane.

09:09.930 --> 09:13.890
Quindi è una probabilità del 95% che sia un cane e il 5% di probabilità che sia un gatto.

09:13.910 --> 09:19.460
come siamo entrati in quel Tauriel di cui stiamo parlando, come possiamo ottenere che questi valori si sommano a uno.

09:19.490 --> 09:20.530
Ma la domanda è:

09:20.870 --> 09:27.650
Bene, qualsiasi convoluzionale tutte le nostre reti neurali sono la rete neurale convoluzionale più il Lares pienamente

09:27.650 --> 09:33.300
connesso, qualunque sia la cosa peggiore, qualunque sia il valore che applichiamo alla funzione

09:33.300 --> 09:33.980
soft max.

09:34.010 --> 09:37.720
È qui che abbiamo introdotto la formula per la funzione successiva morbida.

09:37.810 --> 09:38.620
È quello che sembra

09:38.780 --> 09:40.420
E poi abbiamo questi valori.

09:40.620 --> 09:43.460
E così fondamentalmente è un rapido aggiornamento.

09:43.460 --> 09:46.050
Questa è la formula per il morbido Max.

09:46.100 --> 09:50.900
È quello che fa è ci vuole comunque molte uscite che hai non importa.

09:50.900 --> 09:58.130
Li prenderà e li schiaccerà tutti in valori compresi tra 0 e 1, indipendentemente da quanto siano grandi solo per il fatto che

09:58.130 --> 10:03.720
per me è possibile vedere che c'è una somma totale nella parte inferiore, quindi questi dispositivi saranno pari

10:03.720 --> 10:04.860
a zero e inclusi.

10:04.860 --> 10:08.630
E anche tutti questi valori si aggiungeranno a uno sempre.

10:08.700 --> 10:16.770
Ecco perché è molto vantaggioso per noi, perché quando usiamo la funzione max max, ciò che accade è

10:16.800 --> 10:21.390
che otteniamo questi valori selezioniamo questo miglior valore di visualizzazione.

10:21.390 --> 10:26.740
Ma in realtà quello che succede è che questi valori che otteniamo ci sono numeri reali corretti.

10:26.750 --> 10:28.760
Quindi questa è una specie di numeri.

10:28.920 --> 10:31.720
Non devono sommare tutti a uno e non devono essere tra 0 e 1.

10:31.730 --> 10:32.830
Solo alcuni numeri.

10:33.140 --> 10:38.520
Ma quando applichiamo il soft Max non selezioniamo solo il migliore in realtà otteniamo numeri come quello in

10:38.520 --> 10:44.310
modo da ottenere i nostri numeri nell'intervallo tra 0 e 1 e che sono anche quelli che sommano anche 1.

10:44.310 --> 10:47.220
E quindi, quale altra cosa sappiamo che si aggiunge a uno.

10:47.340 --> 10:53.010
possiamo dire che qui abbiamo valori di q, ma qui all'improvviso siamo diventati deboli o abbiamo avuto probabilità.

10:53.010 --> 10:57.990
Bene, le probabilità sappiamo che le probabilità devono sempre aggiungere fino a 1, ecco perché

10:57.990 --> 11:02.740
Quindi possiamo dire che la probabilità che questa sia l'azione migliore è del 90 percento.

11:02.840 --> 11:08.610
Questa sezione lesbica 5 percento 2 percento 3 percento perché sappiamo che maggiore è il valore, migliore

11:08.610 --> 11:09.290
è l'azione.

11:09.390 --> 11:14.920
Quindi se li schiacciamo a 0 a 1, questi diventano possibilità e possiamo gestirli come tali.

11:15.090 --> 11:22.840
E quindi ora è quando l'azione viene selezionata ed è così che arriviamo con Q2.

11:22.890 --> 11:28.580
Ma se lo guardi da vicino questo non è un rigoroso 100 percento e questi non sono Saroo 0 percento.

11:28.590 --> 11:30.670
Quindi questo è dal 5 al 3 percento.

11:30.810 --> 11:42.360
Quindi il modo più naturale per applicare il Max morbido al fine di preservare l'esplorazione nell'algoritmo consiste nell'usare

11:42.480 --> 11:48.600
queste esatte probabilità quanto spesso ci accingiamo a compiere quell'azione.

11:48.600 --> 11:55.710
Quindi queste probabilità presentano effettivamente la distribuzione di queste azioni che stiamo prendendo in modo così semplice che

11:55.890 --> 12:01.740
Max rende molto facile per noi trovare un modo per combinare lo sfruttamento e l'esplorazione.

12:01.740 --> 12:06.930
Quindi, il migliore, l'azione migliore avrà sempre un'alta probabilità perché ha il valore Q più alto e quindi

12:06.930 --> 12:11.190
qui li utilizzeremo solo come distribuzione o diremo ok, assumeremo Q2 Il 90 percento delle

12:11.190 --> 12:16.080
volte ma il 5 percento delle volte continuiamo a prendere il Q1 e il 2 percento delle

12:16.120 --> 12:21.170
volte che arriviamo al 3 e al 3 percento delle volte che andremo a prendere il Q4.

12:21.420 --> 12:27.090
E il bello qui è che, man mano che questi valori si aggiornano man mano

12:27.090 --> 12:35.220
che l'agente passa attraverso la rete, diventa sempre più familiare con l'ambiente e quindi questi aggiornamenti, quindi questo valore, ad esempio,

12:35.210 --> 12:41.640
potrebbe diventare come potrebbe accertare che questo valore è in realtà inferiore o in realtà è più

12:41.640 --> 12:47.060
elevato e quindi anche queste probabilità cambieranno man mano che un agente passa.

12:47.070 --> 12:49.190
Quindi anche se qui abbiamo Choo-Choo.

12:49.200 --> 12:55.560
Nessuno può dire che a volte il 5 percento delle volte per essere più precisi selezioneremo Q1 come

12:55.560 --> 13:00.040
azione da intraprendere e, a volte, o l'azione che uno intraprenderà l'azione 1.

13:00.180 --> 13:05.280
un'azione due tre per cento del tempo e l'azione per prenderà circa il 3 per cento.

13:05.280 --> 13:06.400
A volte agirà attraverso

13:06.420 --> 13:13.800
Quindi ogni azione ha la possibilità di giocare in questo processo fintanto che abbiamo abbastanza iterazioni un agente passa attraverso

13:13.800 --> 13:17.930
un sacco di volte attraverso questi stati in cui si trovano.

13:17.940 --> 13:23.880
Ed è così che questo è il modo in cui funziona qualsiasi tipo di algoritmo di

13:23.880 --> 13:30.030
deep learning che vuoi fare tante volte così che impari dall'esperienza e quindi come puoi vedere qui

13:30.030 --> 13:31.840
è una transizione molto naturale.

13:31.860 --> 13:37.590
fa sì che abbia qualche logica dietro non solo il 10% casuale del tempo stiamo selezionando un'azione casuale,

13:37.590 --> 13:44.100
ma c'è una logica dietro a come lo stiamo facendo e in base ai valori chiave che abbiamo esplorato.

13:44.190 --> 13:48.780
Non siamo solo casualmente come un algoritmo arrabbiato di Epson e non solo selezioniamo

13:48.780 --> 13:53.200
casualmente le azioni che selezioniamo in base ai loro valori massimi morbidi, il che

13:53.280 --> 13:58.620
E questa è la politica di selezione delle azioni che utilizzeremo in questo corso.

13:58.620 --> 14:04.590
Ti invitiamo a dare un'occhiata alla polemica azione avida di Ebsen Polsce, se preferisci,

14:04.590 --> 14:10.920
ma useremo prevalentemente la politica della sezione di azioni Max e ho una lettura interessante

14:10.920 --> 14:11.490
per te.

14:11.490 --> 14:17.430
Quindi questo è chiamato esplorazione avida di Epsilon adattabile nell'apprendimento rinforzato basato sulle differenze di valore,

14:17.430 --> 14:18.870
è l'articolo del 2010.

14:18.930 --> 14:27.270
Ed è interessante perché Mike Michel non sono sicuro di come pronunciare Michelle e Miquel tossici introduce un

14:27.450 --> 14:36.420
diverso tipo di Algren e aggiustato l'algoritmo di Epsilon avido e chiamato l'algoritmo VDB VDB o l'algoritmo VDB avido

14:37.230 --> 14:40.030
di epsilon che puoi vedere qui.

14:40.410 --> 14:46.590
E in realtà confronta i paragoni con l'avido Ebsen e il Max morbido ed è un algoritmo

14:46.650 --> 14:55.740
assoluto e avido che fondamentalmente l'idea principale dietro di esso è quella di regolare il valore di epsilon a seconda dello stato in cui si

14:55.740 --> 14:56.550
trova l'agente.

14:56.550 --> 15:01.820
Quindi, se l'agente è molto sicuro dello stato in poi Epsilon dovrebbe essere più piccolo, quindi dovrebbero essere

15:01.820 --> 15:06.340
meno esplorazione se l'agente ha una risposta, Epson dovrebbe essere più alto dovrebbe essere più esplorazione.

15:06.350 --> 15:08.930
Quindi è un articolo del 2010.

15:09.260 --> 15:17.930
Non sono sicuro se questo nuovo algoritmo proposto sia ampiamente utilizzato o accettato dalla comunità o se il

15:18.010 --> 15:23.090
Times artificiale abbia una sorta di strada da questo suggerimento.

15:23.090 --> 15:29.450
Ciononostante ti aiuterà sicuramente a rafforzare le tue conoscenze sulle politiche di selezione delle azioni che

15:29.450 --> 15:33.180
abbiamo discusso su Epsom Ingredion, il soft Naxal ti

15:33.200 --> 15:38.900
aiuta a darti l'opportunità di costringere il sito Subha e anche vedere in quale

15:38.900 --> 15:46.040
direzione le persone effettivamente pensano quando vogliono migliorare l'intelligenza artificiale quindi se hai intenzione di creare algoritmi davvero

15:46.040 --> 15:51.770
interessanti che stanno spingendo al limite dell'intelligenza artificiale Elche e spingi la busta in questo

15:52.130 --> 16:00.140
spazio, allora questo potrebbe essere un buon modo per vedere in quale direzione la gente pensa a volte quando prova

16:00.200 --> 16:04.070
migliorare le norme dell'intelligenza artificiale o le norme esistenti nel 2010.

16:04.070 --> 16:04.760
Quindi eccoci.

16:04.790 --> 16:11.020
Speriamo che ti sia piaciuto il tutorial di oggi sulle politiche di selezione delle azioni e che abbiamo imparato

16:11.060 --> 16:18.240
a conoscere Abusil avido di Epson e i soft Mac e ora sei ancora più preparato per il lato pratico delle cose.

16:18.290 --> 16:20.840
E su quella nota non vedo l'ora di vedere il tuo prossimo passo.

16:20.840 --> 16:22.570
E fino ad allora goditi l'intelligenza artificiale.