WEBVTT 00:00.630 --> 00:03.170 Hallo und willkommen zu diesem Python-Tutorial. 00:03.170 --> 00:03.500 Gut. 00:03.510 --> 00:09.120 Nun werden wir in der nächsten Funktion, die wir implementieren, das tiefe neuronale Netzwerk trainieren, das 00:09.120 --> 00:11.470 sich in unserer künstlichen Intelligenz befindet. 00:11.490 --> 00:16.980 Im Grunde werden wir den gesamten Prozess für die Ausbreitung und dann für die Ausbreitung durchführen. 00:16.980 --> 00:19.140 Wir werden also unsere Ergebnisse erhalten. 00:19.200 --> 00:20.850 Wir werden das Ziel erreichen. 00:20.890 --> 00:26.020 Wir werden die Ausgabe des Ziels vergleichen, um den letzten Fehler zu berechnen, und dann diesen letzten Fehler 00:26.130 --> 00:28.410 zurück in das neue Netzwerk zu verbreiten. 00:28.680 --> 00:33.960 Und mit dem vorgeschlagenen Gradientenabstieg, der darauf warten muss, wie viel er zum letzten Fehler 00:33.960 --> 00:34.780 beigetragen hat. 00:35.190 --> 00:39.030 Also lasst uns das alles für diejenigen tun, die vom tiefen Marine Corps kommen. 00:39.030 --> 00:43.850 Das wird eine gute Sache sein, aber für die anderen sorgen Sie sich nicht, ich werde das noch einmal erweitern. 00:44.160 --> 00:51.630 Wir nennen diese neue Funktion "Lernen und Lernen". Die Funktion erfordert mehrere Argumente. 00:51.630 --> 00:57.350 Erstes Selbstverständnis, das sich auf den Gegenstand des Studienabschlusses bezieht. 00:57.510 --> 01:08.770 Dann nehmen wir unseren Batch-Status für den aktuellen Status, dann unseren nächsten Batch-Status, 01:08.860 --> 01:15.570 dann unsere That-Belohnung und schließlich die Arbat-Aktion. 01:15.590 --> 01:16.960 Warum nehmen wir das? 01:16.970 --> 01:19.770 Sie haben wahrscheinlich erkannt, was diese Serie ist. 01:19.880 --> 01:26.350 Nun, das ist natürlich ein Übergang, ein Übergang des Marktentscheidungsprozesses, der an der Basis liegt. 01:26.360 --> 01:27.440 Hast du gelernt. 01:27.500 --> 01:30.420 Und warum nehmen wir sie alle in ein paar Chargen auf. 01:30.560 --> 01:36.200 Nun, das ist so, weil Sie wissen, dass wir die Übergänge nicht nach einer Reihe der aktuellen 01:36.200 --> 01:39.630 Belohnungen und aktuellen Aktionen des obersten oder aktuellen Zustands betrachten. 01:39.650 --> 01:44.050 Wir haben hier dank der einfachen Funktion einige einfache Chargen erstellt. 01:44.210 --> 01:48.430 Und jetzt sind unsere Übergänge in Form einer ersten Charge für diesen Zustand. 01:48.500 --> 01:53.520 Eine zweite Charge für das nächste Datum, eine Charge für die Belohnung und eine Charge für die Aktion. 01:53.510 --> 01:59.090 Das ist jetzt die Form unseres Übergangs, und alle sind hinsichtlich der Zeit gut aufeinander 01:59.090 --> 02:04.150 abgestimmt, dank dieser Verkettung, die wir hier bezüglich der ersten Dimension vorgenommen haben. 02:04.160 --> 02:10.460 Der Punkt ist nun, dass wir diese Chargenübergänge eine Charge für jeden der nächsten Tage haben, an denen wir ihn in 02:10.450 --> 02:15.400 Aktion beobachten, und wir tun all dies, weil wir diesen Replay-Trick für die Erfahrung verwenden. 02:15.530 --> 02:18.580 Das heißt, unser tiefes neuronales Netzwerk kann etwas lernen. 02:18.590 --> 02:24.190 Denken Sie daran, wenn Sie nur einen Übergang hatten, was sofortiges Lernen wäre. 02:24.260 --> 02:28.930 Oder wenn Sie ein sehr kurzes Gedächtnislernen möchten und der Maulwurf daher nichts lernen würde. 02:29.180 --> 02:35.690 Also müssen wir diese Stapel aus dem Speicher nehmen, die zu unseren Übergängen werden, und schließlich werden wir für jeden 02:35.690 --> 02:40.940 der Zustände der Eingabezustände unterschiedliche Ausgaben erhalten, und wir werden dies für die Zustände und für 02:41.160 --> 02:45.620 die nächsten Zustände tun, da wir beide benötigen um den Verlust zu berechnen. 02:45.680 --> 02:51.860 Ich werde bald die Balance-Gleichung erinnern, die den Kern des Lernalgorithmus bildet. 02:51.860 --> 02:57.120 Gehen wir nun in die Funktion und lassen Sie uns zunächst die Ausgänge des Box-Status erhalten. 02:57.170 --> 03:04.740 Ich werde dies als erste brauchbare Ergebnisse bezeichnen und dann werden wir natürlich sagen, dass unser 03:04.740 --> 03:07.670 Selbstgespräch nicht alle so selbstständig ist. 03:07.740 --> 03:14.160 Nein, weil wir unsere Modellausgaben der Eingangszustände des Zustands erhalten möchten. 03:14.510 --> 03:19.110 Und da unser Modell tatsächlich eine Reihe von Eingabezuständen erwartet. 03:19.310 --> 03:25.330 Nun, wir können diesen Zustand jetzt vollständig für die Eingabe von allen eingeben. 03:25.340 --> 03:31.550 Genau so haben wir die Zustände, die mit Folterantworten ins Netz gehen, mit dieser 03:31.550 --> 03:35.080 vagen Dimension für die perfekte Charge initialisiert. 03:35.180 --> 03:37.720 Wir bekommen jetzt die Ausgaben von allen. 03:37.880 --> 03:45.680 Aber es gibt einen weiteren technischen Trick, wenn wir nur diesen Modellzustand verkaufen. Nun, wir werden die Ergebnisse aller möglichen Aktionen 03:45.860 --> 03:50.980 erhalten, die Sie kennen, 0 1 und 2, aber das wollen wir nicht. 03:50.990 --> 03:54.580 Wir sind nur an den Aktionen interessiert, die ausgewählt wurden. 03:54.740 --> 04:01.190 Die Aktionen, die das Netzwerk zu jedem Zeitpunkt ausgespielt hat, um diese 04:01.190 --> 04:09.320 tatsächlich zu interessieren, sind die gespielten Aktionen. Wir müssen diese Erfassungsfunktion verwenden, in die wir eine eingeben, 04:09.320 --> 04:16.840 weil wir nur die gewählte Aktion wollen und dann Wir fügen diese Aktion mit dieser hinzu. 04:16.880 --> 04:23.600 In diesem Abschnitt werden wir jedes Mal die beste Aktion für jeden der Eingabezustände des 04:23.600 --> 04:24.560 Staates zusammenstellen. 04:24.830 --> 04:30.690 Wir möchten nicht, dass die Aktion, die gespielt wird, die Aktion ist, die ausgewählt wird, und wir bekommen dies mit dieser Aktion, die 04:30.840 --> 04:31.770 diese Aktion sammelt. 04:32.130 --> 04:33.390 Aber dann sei vorsichtig. 04:33.450 --> 04:40.190 Der Staat hat diese gefälschten Diamanten und Schmiermittel in die Partie und dieser Abschnitt hat es nicht. 04:40.190 --> 04:46.190 Backstay hat es, weil wir hier mit Unsworth gearbeitet haben, aber wir haben noch keine Armdrücken für 04:46.430 --> 04:52.880 die Aktionen verwendet. Daher müssen wir es hier hinzufügen, damit die Bache-Aktion genau die gleiche Dimension hat wie der Zustand. 04:53.150 --> 05:02.710 Also fügen wir einen Punkt hinzu und quetschen dein Recht hier, und eigentlich ist dies nicht Null, sondern Eins, weil die Null-Antwort auf 05:03.200 --> 05:09.120 den Glauben nicht der Zustand ist und man der Prüfung der Handlungen entsprechen wird. 05:09.370 --> 05:16.540 Und das letzte, was wir hier tun müssen, ist, diese gefälschte Charge mit einem Druck zu töten. 05:16.600 --> 05:18.010 Warum müssen wir das tun? 05:18.130 --> 05:20.130 Weil wir uns jetzt außerhalb des neuronalen Netzwerks befinden. 05:20.200 --> 05:22.820 Wir haben unsere Outputs, wollen sie aber nicht zurück. 05:22.900 --> 05:24.080 Wir wollen sie. 05:24.190 --> 05:26.260 Und die einfache Antwort ist ein einfacher Vektor. 05:26.260 --> 05:31.540 Ein Vektor für die Ausgabe der Stapel, wenn wir im neuronalen Netzwerk arbeiten, weil das neuronale 05:31.540 --> 05:34.880 Netzwerk das Format von Sensoren in einem Stapel erwartet. 05:34.990 --> 05:40.510 Aber jetzt haben wir unsere Ergebnisse und in der nächsten Baluns-Gleichung des Tiefenlernens werden wir sie nicht 05:40.510 --> 05:41.530 mehr brauchen. 05:41.530 --> 05:48.130 Also töte ich das hier und töte die Glaubensdimension, um die einfache Form unserer Leistungen zurück zu bekommen. 05:48.160 --> 05:54.530 Also füge ich hier nur Dot hinzu und drücke dann und da ich die gefälschte Laminierung entsprechend der Rückseite 05:54.540 --> 05:56.120 der Aktion abtöten möchte. 05:56.250 --> 06:01.430 Nun, da die Spacetime-Engine einen Index hat, füge ich hier einen hinzu. 06:01.560 --> 06:02.050 Gut. 06:02.100 --> 06:05.480 Und jetzt haben wir unsere Ausgänge. 06:05.490 --> 06:05.910 OK. 06:06.000 --> 06:11.100 Wir haben eine kleine Warnung, dass die Ausgabe der lokalen Variablen zugewiesen wird, aber niemals verwendet wird. 06:11.190 --> 06:11.860 Kein Problem. 06:11.880 --> 06:13.510 Wir werden es sehr schnell nutzen. 06:13.920 --> 06:15.540 Das ist also unser Output. 06:15.600 --> 06:23.660 Und jetzt wollen wir unsere nächsten Überlistungen machen. Nun denken Sie vielleicht, warum wir die nächsten Ausgaben benötigen. 06:23.840 --> 06:29.160 Um dies zu verstehen, müssen wir auf den tiefen Lernalgorithmus zurückgreifen, der 06:29.180 --> 06:31.670 hier im Letak-Handbuch enthalten ist. 06:31.850 --> 06:33.820 Das ist also der ganze Diffusionsprozess. 06:33.860 --> 06:39.180 Am Anfang haben wir alle Schlüsselwerte initialisiert und dann zu jedem Zeitpunkt t. 06:39.440 --> 06:44.770 Nun, wir wählen die Aktion mit gesaugtem Max aus, wie wir es mit der Select-Action-Funktion gemacht haben. 06:44.870 --> 06:51.050 Dann haben wir den Übergang geöffnet und dann, wie Sie sehen können, bekommen wir die Vorhersage, dass wir das Ziel bekommen und wir können 06:51.050 --> 06:52.120 der Letzte sein. 06:52.190 --> 06:54.330 Warum brauchen wir auch die nächste Ausgabe? 06:54.350 --> 07:01.640 Das Ziel ist, dass das Ziel Ghana mal der nächsten Ausgabe plus dem von uns gewünschten Wert entspricht, und wir werden die 07:01.640 --> 07:06.060 Ziele direkt danach berechnen, da wir die nächste Ausgabe des Ziels benötigen. 07:06.200 --> 07:07.790 Lassen Sie uns das zuerst berechnen. 07:07.820 --> 07:14.060 Um das nächste Update sehr einfach zu machen, wird die nächste Ausgabe das Ergebnis unseres neuronalen 07:14.060 --> 07:19.180 Netzwerks sein, wenn der nächste Zustand im Stapelbetrieb als Eingabe in dieses eingeht. 07:19.190 --> 07:27.110 Wir nehmen also ganz einfach unser Modell, das unser neuronales Netzwerk ist, und diesmal wird der Eingang des 07:27.110 --> 07:33.020 neuronalen Netzwerks der nächste Zustand sein, der den nächsten nächsten Stapelvorgang enthält. 07:33.200 --> 07:41.290 Aber denken Sie jetzt daran, wenn wir zu dem frühen Algorithmus zurückkehren. Nun, Sie können sehen, dass die nächste Ausgabe das Maximum der 07:41.290 --> 07:45.530 q-Werte für den nächsten Zustand in Bezug auf alle Aktionen ist. 07:45.730 --> 07:51.790 Um also die nächste Ausgabe zu erhalten, benötigen wir das Maximum dieser q-Werte. Deshalb mache ich 07:51.790 --> 07:52.720 es hier. 07:52.840 --> 08:00.550 Trennen Sie das Wissen, um alle Ausgaben des Modells abzutrennen, da sich in diesem Stapel mehrere Zustände befinden. Nächste 08:00.550 --> 08:06.730 Zustände sind der Stapel aller nächsten Zustände in allen Übergängen, die aus dem Zufallsmuster unseres 08:06.730 --> 08:07.620 Speichers stammen. 08:07.840 --> 08:14.530 Also trenne ich alle mit der Detach-Funktion, und dann nehme ich das Maximum aller dieser beiden 08:14.530 --> 08:15.250 Werte. 08:15.340 --> 08:20.920 Und da wir das Maximum dieser beiden Werte in Bezug auf die Aktion verwenden, müssen wir angeben, dass 08:20.920 --> 08:23.080 es sich auf die Aktion bezieht. 08:23.080 --> 08:26.310 Und da die Aktion durch den Index Eins dargestellt wird. 08:26.530 --> 08:32.770 Nun, wir müssen die nächste noch einmal hier angeben und dann müssen wir angeben, dass wir die 08:33.290 --> 08:41.140 Cue-Werte als T plus 1 nehmen, was die nächste Stufe ist, und der nächste Zustand wird durch 0 dargestellt, da der Index 08:41.380 --> 08:47.370 Null den Zuständen und entspricht Daher müssen hier Klammern mit dem Index 0 hinzugefügt werden. 08:47.770 --> 08:54.400 Auf diese Weise erhalten wir das Maximum der Schlüsselwerte der nächsten Zustände, die durch 08:54.400 --> 09:01.490 die nächste Null repräsentiert werden, gemäß allen Aktionen, die durch den Index Eins dargestellt werden. 09:01.570 --> 09:02.860 Dies ist ein neues Set. 09:02.870 --> 09:04.320 Da hatten wir die Warnung. 09:04.320 --> 09:05.050 Aber das ist gut. 09:05.080 --> 09:07.950 Wir werden es jetzt verwenden, um das Ziel zu berechnen. 09:08.470 --> 09:12.510 Und wenn wir von dem Ziel sprechen, ist dies der nächste Schritt dieser bekannten Funktion. 09:12.520 --> 09:13.210 Also los geht's. 09:13.220 --> 09:15.460 Ziel ist gleich. 09:15.670 --> 09:18.220 Kommen wir nun zu unserem AI-Handbuch. 09:18.400 --> 09:24.800 Das Ziel ist gleich dem Wort plus Gamma, wenn die nächste Ausgabe das Maximum der Würfelwerte des nächsten 09:24.800 --> 09:25.710 Tages ist. 09:25.930 --> 09:29.290 Nach den Aktionen können wir das berechnen. 09:29.340 --> 09:35.590 Das ist also dem Gamma und dem Gamma gleich, das Gamma initialisiert wurde. 09:35.590 --> 09:45.100 Hier ist es eine Variable, die die Jungfrau Q ist. Ein Objekt selbst holt die nächsten Ausgaben, wie wir gerade 09:45.100 --> 09:49.910 sagten, plus. Wollen wir, dass wir das Beste wollen? 09:49.940 --> 09:57.400 Wir arbeiten hier mit Batches, also Batch, das wir wollen, und das ist das Ziel. 09:57.520 --> 10:03.820 In einer Probe des Speichers wird Gamma mit den nächsten Ausgängen multipliziert plus der Belohnung. 10:03.900 --> 10:04.480 Gut. 10:04.480 --> 10:05.080 Perfekt. 10:05.110 --> 10:07.100 Jetzt haben wir unsere Ausgänge. 10:07.180 --> 10:13.270 Wir haben auch unsere Ziele und können daher den Verlust berechnen, der den Fehler der 10:13.270 --> 10:14.260 Vorhersage darstellt. 10:14.500 --> 10:21.000 Nennen wir das letzte, die letzten beiden sind natürlich für den zeitlichen Unterschied. 10:21.040 --> 10:28.720 Das ist wieder der Kern des Q-Lernens, und dieses Tiddy wird der Veröffentlichung gleichkommen, die den 10:28.720 --> 10:30.330 Cunanan stark verbessert. 10:30.520 --> 10:34.730 Das ist die letzte Funktion, die wir für unsere künstliche Intelligenz wählen werden. 10:34.800 --> 10:38.640 Für diejenigen unter Ihnen, die vom tiefgrünen Platz kommen, ist dies wirklich der letzte, den ich empfehle. 10:38.680 --> 10:43.280 Wenn Sie die Coonerty implementieren wollen und wie sollen wir das bekommen? 10:43.510 --> 10:50.380 Nun, wieder nehmen wir eine Funktion aus dem Funktionsmodul, das durch F dargestellt 10:50.380 --> 10:57.970 wird, und deshalb werde ich hier unser Funktionsmodul verwenden, und die Hubble-Funktion kann dank der 10:57.970 --> 11:02.420 Funktion erhalten werden, die Smoots L-1 liebt. 11:02.420 --> 11:03.850 Drücken Sie also die Eingabetaste. 11:03.850 --> 11:07.910 Und das ist wirklich die beste verlorene Funktion, die ich für tiefes Lernen empfehle. 11:07.930 --> 11:09.680 Es verbessert wirklich den Culin. 11:09.820 --> 11:12.670 Aber dies ist eine Funktion, also füge ich einige Klammern hinzu. 11:12.850 --> 11:14.740 Und jetzt gibt es nichts Einfacheres. 11:14.830 --> 11:19.340 Die Argumente, die wir eingeben müssen, sind die Vorhersagen und Ziele. 11:19.420 --> 11:24.010 Die Vorhersagen sind also natürlich Ergebnisse, weil dies die Ausgabe des neuronalen Netzwerks ist. 11:24.190 --> 11:27.600 Nein, die Ausgabe des neuronalen Netzwerks ist das, was das neuronale Netzwerk vorhersagt. 11:27.730 --> 11:29.030 Das ist also die Vorhersage. 11:29.260 --> 11:35.900 Das erste Argument hier ist also Ausgaben und dann ist das zweite Argument natürlich das Ziel. 11:36.100 --> 11:40.110 Das, was wir versuchen zu bekommen und es ist bereits perfekt berechnet. 11:40.150 --> 11:43.150 Wir können direkt ein Ziel eingeben. 11:43.150 --> 11:43.630 Perfekt. 11:43.650 --> 11:48.200 Jetzt haben wir gesagt, dass wir hier etwas Tee bekommen. 11:48.220 --> 11:48.760 Da gehen wir. 11:48.760 --> 11:50.470 Nun sollte die Warnung verschwinden. 11:50.890 --> 11:51.420 Ja. 11:51.430 --> 11:52.110 Perfekt. 11:52.180 --> 11:58.090 Und jetzt, da wir den letzten Fehler haben, können wir den Fehler der Verbreiter zurück ins Netzwerk setzen, um 11:58.090 --> 12:03.230 die Gewichtungen mit dem stochastischen Gradientenabstieg zu aktualisieren. Genau das werden wir im nächsten Schritt tun. 12:03.490 --> 12:12.040 Natürlich müssen wir jetzt, wie Sie vielleicht denken, unseren Optimierer nehmen, den 12:12.190 --> 12:14.850 wir erneut einführen. 12:15.030 --> 12:21.430 Und das ist ein Atom-Optimierer, der eigentlich ein Objekt der Atom-Klasse ist und bereits mit den 12:21.580 --> 12:23.720 Parametern unseres Modells ausgestattet ist. 12:23.810 --> 12:31.480 Und wir haben bereits eine Lernrate von 0 gewählt. 1 Prozent zur Perfektionierung unseres Optimierers ist fertig, aber jetzt 12:31.480 --> 12:37.150 müssen wir es beim letzten Fehler spielen, um ein stochastisches Raster in Richtung und Datengewichtungen durchzuführen. 12:37.180 --> 12:43.540 Wenn wir mit Kämpfern zusammenarbeiten, müssen wir sie als erstes bei jeder Wiederholung der Schleife neu 12:43.540 --> 12:44.150 initialisieren. 12:44.200 --> 12:50.620 Wir müssen das Optimierungsprogramm von einer Interaktion zur anderen in der Schleife neu initialisieren, um das Raster im Satz 12:50.660 --> 12:53.310 zu erhalten und es neu zu initialisieren. 12:53.350 --> 12:54.820 Und jede Wiederholung der Schleife. 12:55.200 --> 12:59.410 Nun, wir werden die folgende Methode verwenden, die Null ist. 12:59.940 --> 13:00.400 Auf geht's. 13:00.410 --> 13:05.180 Nullgrad initialisiert den Optimierer bei jeder Wiederholung der Schleife neu. 13:05.230 --> 13:07.300 Dann vergessen wir nicht die Klammern. 13:07.390 --> 13:08.180 Perfekt. 13:08.200 --> 13:14.850 Und jetzt, da es neu initialisiert wird. Nun können wir mit unserem Optimierer eine Rückwärtsausbreitung durchführen. 13:15.190 --> 13:16.380 Und wie machen wir das? 13:16.540 --> 13:22.660 Nun, wir setzen uns an die Gesetze und werden sie zurück ins Netzwerk und zurück 13:22.660 --> 13:24.330 ins Netzwerk verbreiten. 13:24.460 --> 13:33.190 Wir müssen die Rückwärts-Funktion verwenden, und innerhalb dieser Rückwärts-Funktion empfehle ich, die Unterstrichvariablen einzugeben 13:33.220 --> 13:37.180 und auf true zu setzen. 13:37.240 --> 13:40.990 Ich empfehle, dies zu tun, da dies die Rückwärtsausbreitung verbessern wird. 13:41.200 --> 13:46.420 Die Verwendung von geschriebenen Variablen ist gleichbedeutend mit dem Festlegen von etwas Speicher und 13:46.420 --> 13:52.730 wir müssen den Speicher freigeben, da wir beim letzten Mal mehrmals vorgehen werden, um die Trainingsleistung definitiv zu verbessern. 13:52.900 --> 13:58.980 Der letzte Schritt dieser erlernten Funktion besteht schließlich darin, Datengewichtungen gemäß der Rückwärtsausbreitung zu haben. 13:58.980 --> 14:02.570 Je nachdem, um wie viel die Gewichte zum Fehler beigetragen haben. 14:02.800 --> 14:11.680 Um dies zu tun, nehmen wir unseren Optimierer erneut, der mit re-initialize initialisiert wurde, und verwenden 14:12.250 --> 14:17.560 die Schrittfunktion und einfach diese Codezeile mithilfe der Schrittfunktion. 14:17.560 --> 14:19.450 Dadurch werden die Gewichte aktualisiert. 14:19.480 --> 14:21.860 Das ist diese Codezeile, die die Gewichte aktualisiert. 14:21.910 --> 14:28.750 Diese Codezeile, die den Fehler an das neuronale Netzwerk weiterleitet, und diese Codezeile verwendet den Optimierer, um die 14:28.930 --> 14:31.510 Gewichte zu aktualisieren, und los geht's. 14:31.510 --> 14:36.800 Wir haben ein neuronales Lernnetzwerk, also herzlichen Glückwunsch. 14:36.840 --> 14:42.320 Dies war wahrscheinlich der technischste und schwierigste Teil dieses ganzen Streits oder des morgigen Tages. 14:42.450 --> 14:47.880 Ich weiß, dass meine Fackel manchmal mit Leichtigkeit und Quetschung und Quetschung schwierig sein kann, aber 14:47.880 --> 14:54.900 am Ende verspreche ich Ihnen, dass Sie ein sehr funktionelles neuronales Netzwerk erhalten und daher eigenartig modellieren und schließlich eine 14:54.960 --> 14:56.580 große künstliche Intelligenz haben. 14:56.580 --> 15:03.150 Gehen wir nun zum nächsten Schritt oder zum nächsten Lehrer und Modell über, das die Aktualisierungsfunktion sein wird, die 15:03.210 --> 15:07.170 natürlich aktualisiert wird, wenn die KI den neuen Zustand erkennt. 15:07.170 --> 15:11.420 Sie wissen also, dass es den neuen Zustand entdecken wird, und dann wird es die Belohnung erhalten. 15:11.520 --> 15:16.860 Abhängig von der angezeigten Aktion und diesem neuen Status wird dies mit der Aktualisierungsfunktion 15:16.860 --> 15:19.510 erledigt und im nächsten Lernprogramm ausgeführt. 15:19.710 --> 15:21.000 Bis dahin genießen. 15:21.020 --> 15:21.300 ICH.