and code examplesThis book provides readers with practical knowledge of Reinforcement Learning techniques that can be applied to realworld problems and projects. It covers topics such as Markov Decision Processes, Qlearning, Deep QNetworks, Policy Gradients, Actor Critic Methods, and more. The book starts by introducing the concepts of Reinforcement Learning and its applications, followed by an overview of the most popular frameworks available today, including TensorFlow and PyTorch. Readers will then delve into developing their own RL environments, experimenting with different algorithms, and finally building their own projects. Book OutlineI Introduction II History of Technology EvolutionIII Applications and Importance of Reinforcement LearningIV RL Basics and FrameworksV Exploration Exploitation DilemmaVI The Markov Decision ProcessVII QLearning and Deep QNetworksVIII Policy Gradient MethodsIX Actor Critic MethodsX Reinforcement Learning in RealWorld ProjectsXI Advanced TopicsXII Conclusion and Future of RLReinforcement learning is a subfield of machine learning that involves learning an agent's policy to interact with a complex, uncertain environment. The goal is to maximize the cumulative reward over time. This book provides practical knowledge of reinforcement learning techniques that can be applied to realworld problems and projects. It covers topics such as Markov decision processes, Qlearning, deep Qnetworks, policy gradients, actor critic methods, and more. The book starts by introducing the concepts of reinforcement learning and its applications, followed by an overview of the most popular frameworks available today, including TensorFlow and PyTorch. Readers will then delve into developing their own RL environments, experimenting with different algorithms, and finally building their own projects. Table of Contents I Introduction II History of Technology Evolution III Applications and Importance of Reinforcement Learning IV RL Basics and Frameworks V Exploration Exploitation Dilemma VI The Markov Decision Process VII QLearning and Deep QNetworks VIII Policy Gradient Methods IX Actor Critic Methods X Reinforcement Learning in RealWorld Projects XI Advanced Topics XII Conclusion and Future of RLThe book is divided into 12 chapters, each focusing on a specific aspect of reinforcement learning. Chapter One introduces the concept of reinforcement learning and its importance in modern technology, while Chapter Two provides an overview of the history of technology evolution and how it has led us to where we are today. Chapters Three and Four delve into the basics of reinforcement learning, covering topics such as Markov decision processes, Qlearning, deep Qnetworks, policy gradients, actor critic methods, and more. Chapters Five through Nine provide handsontutorials for developing practical smart agents using TensorFlow and PyTorch, including realworld projects such as robotics and game playing. Finally, Chapters Ten and Eleven explore advanced topics such as multiagent systems and transfer learning, before concluding with a discussion on the future of reinforcement learning in Chapter Twelve. The book provides readers with a comprehensive understanding of reinforcement learning techniques and their applications in various fields, as well as practical experience in implementing these techniques using popular frameworks like TensorFlow and PyTorch. IntroductionReinforcement learning (RL) is a subfield of machine learning that involves learning an agent's policy to interact with a complex, uncertain environment. It has many applications in areas such as robotics, game playing, recommendation systems, finance, and healthcare. This book aims to provide readers with practical knowledge of RL techniques that can be applied to realworld problems and projects. History of Technology EvolutionThe history of technology evolution is crucial to understanding how we have arrived at our current state of AI development.

и примеры кода Эта книга предоставляет читателям практические знания о методах обучения с подкреплением, которые можно применять к реальным проблемам и проектам. Он охватывает такие темы, как марковские процессы принятия решений, Qlearning, Deep QNetworks, градиенты политики, методы Actor Critic и многое другое. Книга начинается с представления концепций «Обучения с подкреплением» и его приложений, после чего следует обзор самых популярных фреймворков, доступных на сегодняшний день, включая TensorFlow и PyTorch.Readers затем углубятся в разработку собственных RL-сред, экспериментируют с разными алгоритмами и, наконец, построят собственные проекты. Book OutlineI Введение II История развития технологийIII Приложения и важность изучения подкрепленияIV Основы и основы RLV Дилемма разведки и эксплуатацииVI Марковский процесс принятия решенийVII Qarning и Deep QNetworksVIII Методы градиента политикиIX Actor Critic MethodsX Обучение с подкреплением в RealWorld ProjectsXI Advanced TopicsXII Заключение и будущее RLReinforcement learning - это подраздел машинного обучения, который включает в себя изучение политики агента для взаимодействия со сложной, неопределенной средой. Цель - максимизировать совокупное вознаграждение с течением времени. Эта книга предоставляет практические знания о методах обучения с подкреплением, которые могут быть применены к реальным проблемам и проектам. Он охватывает такие темы, как марковские процессы принятия решений, Qlearning, глубокий Qnetworks, градиенты политики, методы акторских критиков и многое другое. Книга начинается с представления концепций обучения подкреплению и его приложений, после чего следует обзор самых популярных фреймворков, доступных на сегодняшний день, включая TensorFlow и PyTorch.Readers, затем углубятся в разработку собственных RL-сред, экспериментируют с разными алгоритмами и, наконец, построят собственные проекты. Содержание I Введение II История развития технологий III Приложения и важность обучения подкреплению IV Основы и основы RL V Дилемма разведки и эксплуатации VI Марковский процесс принятия решений VII Qarning и Deep QNetworks VIII Методы градиента политики IX Методы критика акторов X Обучение с подкреплением в проектах RealWorld XI Дополнительные темы XII Заключение и будущее RLВ книге 12 глав, каждая из которых посвящена конкретному аспекту обучения с подкреплением. В первой главе рассматривается концепция обучения с подкреплением и ее значение в современных технологиях, а во второй главе дается обзор истории эволюции технологий и того, как она привела нас к тому, где мы находимся сегодня. Главы третья и четвертая углубляются в основы обучения с подкреплением, охватывая такие темы, как марковские процессы принятия решений, Qlearning, глубокий Qnetworks, градиенты политики, методы акторских критиков и многое другое. Главы с пятой по девятую содержат руководства для разработки практических интеллектуальных агентов с использованием TensorFlow и PyTorch, включая проекты реального мира, такие как робототехника и игры. Наконец, в главах 10 и 11 рассматриваются такие передовые темы, как многоагентные системы и обучение передаче, прежде чем завершить обсуждение будущего обучения с подкреплением в Главе Twelve. Книга дает читателям полное понимание методов обучения с подкреплением и их применения в различных областях, а также практический опыт реализации этих методов с использованием популярных фреймворков, таких как TensorFlow и PyTorch.IntroductionEnforcement learning (RL) является подполем машинного обучения, которое включает в себя изучение политики агента для взаимодействия со сложной, неопределенной средой. Он имеет много применений в таких областях, как робототехника, игры, рекомендательные системы, финансы и здравоохранение. Цель этой книги - предоставить читателям практические знания о методах RL, которые могут быть применены к реальным проблемам и проектам. История развития технологий История развития технологий имеет решающее значение для понимания того, как мы пришли к нашему текущему состоянию развития ИИ.

et exemples de code Ce livre fournit aux lecteurs une connaissance pratique des méthodes d'enseignement avec des renforts qui peuvent être appliqués à des problèmes et des projets réels. Il couvre des sujets tels que les processus décisionnels de Markov, Qlearning, Deep QNetworks, les gradients de politique, les méthodes Actor Critic et bien plus encore. livre commence par une présentation des concepts de « Formation avec renforcement » et de ses applications, suivie d'un aperçu des cadres les plus populaires disponibles à ce jour, y compris TensorFlow et PyTorch.Readers vont ensuite approfondir le développement de leurs propres environnements RL, expérimenter différents algorithmes et enfin construire leurs propres projets. Book OutlineI Introduction II Histoire du développement technologiqueIII Applications et importance de l'étude des renfortsIV Bases et bases du RLV Dilemme de l'exploration et de l'exploitationVI Processus décisionnelVII Qarning et Deep QNetworksVIII Méthodes de gradient politiqueIX X Actor Critic MethodsX Formation avec renforcement dans les projets RealWorldXI Advanced TopicsXII Conclusion et avenir RLReinforcement learning. - Il s'agit d'une sous-section d'apprentissage automatique qui comprend l'étude de la politique de l'agent pour interagir avec un environnement complexe et incertain. L'objectif est de maximiser la rémunération globale dans le temps. Ce livre fournit une connaissance pratique des méthodes d'apprentissage avec des renforts qui peuvent être appliqués à des problèmes et des projets réels. Il couvre des sujets tels que les processus décisionnels de Markov, Qlearning, Qnetworks profonds, les gradients de politique, les méthodes des critiques d'acteurs et bien plus encore. livre commence par une présentation des concepts de formation au renforcement et de ses applications, suivie d'un aperçu des cadres les plus populaires disponibles à ce jour, y compris TensorFlow et PyTorch.Readers, puis va approfondir le développement de leurs propres environnements RL, expérimenter avec différents algorithmes et enfin construire leurs propres projets. Table des matières I Introduction II Historique du développement technologique III Annexes et importance de la formation au renforcement IV Bases et bases RL V Dilemme d'exploration et d'exploitation VI Processus décisionnel VII Qarning et Deep QNetworks VIII Méthodes de gradient de la politique IX Méthodes de critique des acteurs X Formation avec renforcement des projets RealWorld XI Thèmes complémentaires XII Conclusion et avenir RLB Livre 12 chapitres, chacun consacré à un aspect particulier de l'apprentissage avec des renforts. premier chapitre traite du concept d'apprentissage renforcé et de son importance dans les technologies modernes, tandis que le deuxième chapitre donne un aperçu de l'histoire de l'évolution de la technologie et de la façon dont elle nous a conduits à l'endroit où nous en sommes aujourd'hui. s chapitres 3 et 4 examinent les bases de l'apprentissage avec des renforts, couvrant des sujets tels que les processus décisionnels de Markov, le Qlearning, les Qnetworks profonds, les gradients de politique, les méthodes de critique des acteurs et bien plus encore. s chapitres 5 à 9 contiennent des guides pour le développement d'agents intelligents pratiques utilisant TensorFlow et PyTorch, y compris des projets du monde réel tels que la robotique et les jeux. Enfin, les chapitres 10 et 11 traitent de sujets de pointe tels que les systèmes multi-agents et l'apprentissage de la transmission, avant de conclure la discussion sur l'avenir de l'apprentissage avec des renforts dans le chapitre Twelve. livre donne aux lecteurs une compréhension complète des méthodes d'apprentissage avec des renforts et de leurs applications dans différents domaines, ainsi qu'une expérience pratique de la mise en œuvre de ces méthodes à l'aide de cadres populaires tels que TensorFlow et PyTorch.IntroductionL'apprentissage intensif (RL) est un sous-sol d'apprentissage automatique qui comprend l'étude de la politique de l'agent pour interagir avec complexe, un environnement incertain. Il a de nombreuses applications dans des domaines tels que la robotique, les jeux, les systèmes de recommandation, la finance et la santé. L'objectif de ce livre est de fournir aux lecteurs une connaissance pratique des techniques de RL qui peuvent être appliquées à des problèmes et des projets réels.L'histoire du développement technologique L'histoire du développement technologique est essentielle pour comprendre comment nous en sommes arrivés à notre état actuel de développement de l'IA.

y ejemplos de código Este libro proporciona a los lectores un conocimiento práctico de los métodos de aprendizaje con refuerzos que se pueden aplicar a problemas y proyectos reales. Cubre temas como los procesos de toma de decisiones de Markov, Qlearning, Deep QNetworks, gradientes de política, métodos de Actor Critic y más. libro comienza presentando los conceptos de «Aprendizaje con refuerzos» y sus aplicaciones, seguido de una revisión de los frameworks más populares disponibles hasta la fecha, incluyendo TensorFlow y PyTorch. lectores luego profundizarán en el desarrollo de sus propios entornos de RL, experimentarán con diferentes algoritmos y finalmente construirán sus propios proyectos. Book OutlineI Introducción II Historia del desarrollo de la tecnologíaIII Aplicaciones e importancia del estudio de los refuerzosIV Fundamentos y fundamentos del RLV Dilema de exploración y explotaciónVI Proceso de toma de decisionesVII Qarning y Deep QNetworksVIII Métodos de gradiente de políticasIX Actor Critic MethodsX Formación con refuerzos en RealWorld ProjectsXI Advanced TopicsXII Conclusión y futuro del RLReinforcement learning. es una subsección del aprendizaje automático que incluye el estudio de la política del agente para interactuar con un entorno complejo e incierto. objetivo es maximizar la recompensa agregada a lo largo del tiempo. Este libro proporciona conocimientos prácticos sobre métodos de aprendizaje con refuerzos que pueden aplicarse a problemas y proyectos reales. Abarca temas como los procesos de toma de decisiones de Markov, Qlearning, Qnetworks profundos, gradientes de política, técnicas de crítica de actores y más. libro comienza presentando los conceptos de entrenamiento de refuerzo y sus aplicaciones, seguido de una revisión de los frameworks más populares disponibles hasta la fecha, incluyendo TensorFlow y PyTorch.Readers, luego profundizarán en el desarrollo de sus propios entornos de RL, experimentarán con diferentes algoritmos y finalmente construirán sus propios proyectos. Contenido I Introducción II Historia del Desarrollo Tecnológico III Aplicaciones e Importancia de la Formación en Refuerzos IV Fundamentos y Fundamentos de RL V Dilema de Exploración y Explotación VI Proceso de Toma de Decisiones VII Qarning y Deep QNetworks VIII Métodos de Gradiente de Políticas IX Métodos de Crítica de Actores X Formación con refuerzo en proyectos RealWorld XI Temas complementarios XII Conclusión y futuro RLB de 12 capítulos, cada uno dedicado a un aspecto específico del aprendizaje con refuerzo. En el primer capítulo se aborda el concepto de aprendizaje con refuerzo y su importancia en la tecnología actual, y en el segundo capítulo se repasa la historia de la evolución de la tecnología y cómo nos ha llevado a donde estamos hoy. capítulos tercero y cuarto profundizan en los fundamentos del aprendizaje con refuerzos, abarcando temas como los procesos de toma de decisiones de Markov, Qlearning, Qnetworks profundos, gradientes de política, técnicas de crítica de actos y más. capítulos quinto a noveno contienen guías para el desarrollo de agentes inteligentes prácticos utilizando TensorFlow y PyTorch, incluyendo proyectos del mundo real como robótica y juegos. Por último, los capítulos 10 y 11 abordan temas tan avanzados como los sistemas multiagente y el aprendizaje de la transmisión antes de terminar la discusión sobre el aprendizaje futuro con refuerzos en el Capítulo Twelve. libro proporciona a los lectores una comprensión completa de los métodos de aprendizaje con refuerzos y sus aplicaciones en diferentes campos, así como experiencia práctica en la implementación de estos métodos utilizando marcos populares como TensorFlow y PyTorch.IntroductionEnforcement learning (RL) es un sub-campo de aprendizaje automático que incluye el estudio de la política del agente para interactuar con un entorno complejo e incierto. Tiene muchas aplicaciones en áreas como robótica, juegos, sistemas de recomendación, finanzas y salud. objetivo de este libro es proporcionar a los lectores un conocimiento práctico de las técnicas de RL que pueden aplicarse a problemas y proyectos reales.Historia del desarrollo de la tecnología La historia del desarrollo de la tecnología es crucial para entender cómo hemos llegado a nuestro estado actual de desarrollo de la IA.

e exemplos de código Este livro oferece aos leitores conhecimento prático de métodos de treinamento com reforços que podem ser aplicados a problemas e projetos reais. Ele abrange temas como processos decisórios de Marco, Qlearning, Deep QNetworks, gradientes de política, métodos de Ator Crítico e muito mais. O livro começa apresentando os conceitos de «Treinamento com reforços» e suas aplicações, seguindo uma visão geral dos quadros mais populares disponíveis até agora, incluindo TensorFlow e PyTorch.Readers depois se aprofundarão no desenvolvimento de seus próprios ambientes RL, experimentarão diferentes algoritmos e, finalmente, construirão seus próprios projetos. Book Introdução II Histórico de Desenvolvimento do III Aplicativos e a importância de estudar o IV Fundamentos e Fundamentos do RLV Dilema de Inteligência e VI Processo de adoção de VII Qarning e Deep Métodos de gradiente IX Ator Crítico Treinamento com reforços em Advanced Conclusão Futuro RLReinforcement learning. é uma seção de aprendizado de máquina que inclui o estudo da política do agente para interagir com ambientes complexos e incertos. O objetivo é maximizar a remuneração total ao longo do tempo. Este livro fornece conhecimento prático sobre métodos de treinamento com reforços que podem ser aplicados a problemas e projetos reais. Ele abrange temas como processos decisórios de Marcos, Qlearning, Qnetworks profundo, gradientes de política, métodos críticos de acção e muito mais. O livro começa apresentando os conceitos de treinamento de reforços e seus aplicativos, seguindo uma visão geral dos quadros mais populares disponíveis até agora, incluindo TensorFlow e PyTorch.Readers, aprofundando-se em seus próprios ambientes RL, experimentando vários algoritmos e, finalmente, construindo seus próprios projetos. Conteúdo I Introdução II Histórico de Desenvolvimento de Tecnologias III Aplicativos e a importância de ensinar reforços IV Fundamentos e fundamentos RL V Dilema de Exploração e Operação VI Processo de Tomada de Decisões VII Qarning e Deep QNetworks VIII Métodos de Gradiente Política IX Criticos de Atores X RealWorld XI Temas adicionais XII Conclusão e futuro do livro RLB 12 capítulos, cada um sobre um aspecto específico do aprendizado com reforços. O primeiro capítulo aborda o conceito de aprendizado com reforços e sua importância nas tecnologias modernas, e o segundo capítulo apresenta a história da evolução da tecnologia e como ela nos levou a onde estamos hoje. Os capítulos 3 e 4 se aprofundam nos fundamentos da formação com reforços, abrangendo temas como os processos decisórios de Marcos, Qlearning, Qnetworks profundo, gradientes de política, métodos críticos de ação e muito mais. Os capítulos de cinco a nove contêm guias para desenvolver agentes inteligentes práticos usando TensorFlow e PyTorch, incluindo projetos do mundo real, como robótica e jogos. Por fim, os capítulos 10 e 11 tratam de temas avançados como sistemas de múltiplas agências e treinamento de transmissão antes de concluir a discussão sobre o futuro do treinamento com reforços no Capítulo Twelve. O livro oferece aos leitores uma compreensão completa dos métodos de aprendizado com reforços e suas aplicações em várias áreas, bem como a experiência prática de implementar estes métodos usando quadros populares, tais como TensorFlow e PyTorch.IntroductionEnforcement learning (RL) é um subproduto de aprendizado de máquina, que inclui o estudo de políticas do agente para interagir com ambientes complexos e incertos. Ele tem muitas aplicações em áreas como robótica, jogos, sistemas de recomendação, finanças e saúde. O objetivo deste livro é fornecer aos leitores conhecimento prático sobre técnicas RL que podem ser aplicadas a problemas e projetos reais.Histórico de desenvolvimento da tecnologia Histórico de desenvolvimento da tecnologia é fundamental para entender como chegamos ao nosso estado atual de desenvolvimento da IA.

e esempi di codice Questo libro fornisce ai lettori conoscenze pratiche sui metodi di apprendimento con rinforzi che possono essere applicati a problemi e progetti reali. Include argomenti quali i processi decisionali di Markov, Qlearning, Deep QNetworks, le sfumature dei criteri, i metodi di Attore Critic e molto altro ancora. Il libro inizia presentando i concetti dì Apprendimento con rinforzi "e le sue applicazioni, seguito da una panoramica dei framework più popolari disponibili fino ad oggi, inclusi i TensorFlow e i PyTorch.Readers che si approfondiscono nello sviluppo dei propri ambienti RL, sperimentando algoritmi diversi e costruendo infine i propri progetti. Book Introduzione II Storia di sviluppo dell'allegato III e l'importanza di studiare la Base IV del Dilemma RLV di Intelligence e VI Processo di adozione di VII Qarning e Deep Metodi di gradiente di IX Actor Critic Formazione con rinforzi in «Advanced» il futuro di RLReinforcement learning. - è una sezione di apprendimento automatico che include lo studio della politica dell'agente per interagire con un ambiente complesso e incerto. L'obiettivo è massimizzare la ricompensa complessiva nel tempo. Questo libro fornisce conoscenze pratiche sui metodi di apprendimento con rinforzi che possono essere applicati a problemi e progetti reali. Include argomenti quali i processi decisionali di Markov, Qlearning, Qnetworks profondo, le gradienti delle regole, i metodi dei critici di azione e molto altro ancora. Il libro inizia con la presentazione dei concetti di apprendimento dei rinforzi e delle sue applicazioni, seguito da una panoramica dei framework più popolari attualmente disponibili, inclusi i TensorFlow e i PyTorch.Readers, poi approfondirà lo sviluppo dei propri ambienti RL, sperimenterà diversi algoritmi e infine realizzerà i propri progetti. Contenuti I Introduzione II Storia dello sviluppo delle tecnologie III Allegato e l'importanza di insegnare ai rinforzi IV Basi e basi RL V Dilemma di esplorazione e di funzionamento VI Processo decisionale di Markova VII Qarning e Deep QNetworks Metodi di gradiente IX Metodi di critica degli attori X Formazione con rinforzi nei progetti RealWorld XI Argomenti aggiuntivi XII Conclusione e futuro del libro RLB di capitoli 12, ciascuno dedicato a un aspetto specifico dell'apprendimento con rinforzi. Il primo capitolo affronta il concetto di apprendimento con rinforzi e il suo significato nella tecnologia moderna, mentre il secondo capitolo fornisce una panoramica della storia dell'evoluzione della tecnologia e di come ci ha portato a dove siamo oggi. I capitoli terzo e quarto vengono approfonditi in base all'apprendimento con rinforzi, trattando argomenti quali i processi decisionali di Markov, Qlearning, Qnetworks profondo, gradienti di policy, metodi di critica d'azione e molto altro ancora. I capitoli dal quinto al nono contengono manuali per lo sviluppo di agenti intelligenti pratici utilizzando TensorFlow e PyTorch, inclusi progetti del mondo reale come la robotica e i giochi. Infine, i capitoli 10 e 11 affrontano temi avanzati come i sistemi multi-agenti e l'apprendimento della trasmissione prima di completare la discussione sul futuro dell'apprendimento con i rinforzi del capitolo Twelve. Il libro offre ai lettori una piena comprensione dei metodi di apprendimento con rinforzi e delle loro applicazioni in diversi ambiti, nonché un'esperienza pratica nell'implementazione di questi metodi utilizzando frame popolari, come il e il learning (RL) è un sottoprodotto di apprendimento automatico che comprende lo studio della politica dell'agente per interagire con un ambiente complesso e incerto. Ha molte applicazioni in settori quali robotica, giochi, sistemi di raccomandazione, finanza e sanità. Lo scopo di questo libro è fornire ai lettori conoscenze pratiche sui metodi RL che possono essere applicati a problemi e progetti reali.Storia dello sviluppo tecnologico La storia della tecnologia è fondamentale per capire come siamo arrivati al nostro attuale stato di sviluppo dell'IA.

und Codebeispiele Dieses Buch vermittelt den sern praktisches Wissen über verstärkende rnmethoden, das auf reale Probleme und Projekte angewendet werden kann. Es umfasst Themen wie Markov-Entscheidungsprozesse, Qlearning, Deep QNetworks, Policy Gradienten, Actor Critic-Methoden und vieles mehr. Das Buch beginnt mit der Vorstellung der Konzepte von „arning with Amplification“ und seinen Anwendungen, gefolgt von einem Überblick über die beliebtesten bisher verfügbaren Frameworks, darunter TensorFlow und PyTorch. Die ser werden dann tiefer in die Entwicklung eigener RL-Umgebungen eintauchen, mit verschiedenen Algorithmen experimentieren und schließlich eigene Projekte aufbauen. Buch OutlineI Einleitung II Die Geschichte der TechnologieentwicklungIII Anwendungen und die Bedeutung des Studiums der VerstärkungIV Grundlagen und Grundlagen des RLV Das Dilemma von Exploration und AusbeutungVI Der Entscheidungsprozess von MarkovVII Qarning und Deep QNetworksVIII Methoden des PolitikgradientenIX Akteur Kritische Metrik hodsX rnen mit Verstärkung in RealWorld ProjectsXI Advanced TopicsXII Fazit und Zukunft RLReinforcement learning. ist ein Teilbereich des maschinellen rnens, der das Erlernen der Agentenrichtlinie für die Interaktion mit einer komplexen, unsicheren Umgebung umfasst. Ziel ist es, die Gesamtvergütung im Laufe der Zeit zu maximieren. Dieses Buch bietet praktisches Wissen über verstärkende hrmethoden, die auf reale Probleme und Projekte angewendet werden können. Es deckt Themen wie Markov Entscheidungsprozesse, Qlearning, tiefe Qnetworks, Politik Gradienten, Akteur Kritiker Methoden und vieles mehr. Das Buch beginnt mit einer Einführung in die Konzepte des Verstärkungstrainings und seiner Anwendungen, gefolgt von einem Überblick über die beliebtesten bisher verfügbaren Frameworks, darunter TensorFlow und PyTorch.Reader werden dann tiefer in die Entwicklung eigener RL-Umgebungen eintauchen, mit verschiedenen Algorithmen experimentieren und schließlich eigene Projekte aufbauen. Inhalt I Einleitung II Technologieentwicklungsgeschichte III Anwendungen und Bedeutung des Verstärkungstrainings IV Grundlagen und Grundlagen RL V Exploration und Ausbeutung Dilemma VI Entscheidungsprozess Markov VII Qarning und Deep QNetworks VIII Methoden des Politikgradienten IX Methoden der Akteurskritik X Verstärkungstrainings in Real-Projekten Welt XI Weitere Themen XII Abschluss und Zukunft RLB Buch 12 Kapitel, die jeweils auf einen bestimmten Aspekt des rnens mit Verstärkung gewidmet. Das erste Kapitel befasst sich mit dem Konzept des verstärkenden rnens und seiner Bedeutung in der modernen Technologie, und das zweite Kapitel gibt einen Überblick über die Geschichte der Technologieentwicklung und wie sie uns dahin gebracht hat, wo wir heute sind. Die Kapitel drei und vier vertiefen sich in die Grundlagen des verstärkenden rnens und decken Themen wie Markov-Entscheidungsprozesse, Qlearning, Deep Qnetworks, politische Gradienten, Methoden von Akteurskritikern und mehr ab. Die Kapitel fünf bis neun enthalten Anleitungen für die Entwicklung praktischer intelligenter Agenten mit TensorFlow und PyTorch, einschließlich realer Projekte wie Robotik und Spiele. Schließlich werden in den Kapiteln 10 und 11 fortgeschrittene Themen wie Multi-Agentensysteme und Transfer-Training behandelt, bevor die Diskussion über die Zukunft des Trainings mit Verstärkung in Kapitel Zwölf abgeschlossen wird. Das Buch vermittelt den sern ein umfassendes Verständnis der Methoden des verstärkenden rnens und ihrer Anwendung in verschiedenen Bereichen sowie praktische Erfahrungen mit der Implementierung dieser Methoden unter Verwendung gängiger Frameworks wie TensorFlow und PyTorch.EinführungEnforcement arning (RL) ist ein Teilfeld des maschinellen rnens, bei dem die Politik eines Agenten untersucht wird, um mit einer komplexen, unsicheren Umgebung zu interagieren Es hat viele Anwendungen in Bereichen wie Robotik, Spiele, Empfehlungssysteme, Finanzen und Gesundheitswesen. Das Ziel dieses Buches ist es, den sern praktisches Wissen über RL-Techniken zu vermitteln, das auf reale Probleme und Projekte angewendet werden kann.Geschichte der Technologieentwicklung Die Geschichte der Technologieentwicklung ist entscheidend für das Verständnis, wie wir zu unserem aktuellen Stand der KI-Entwicklung gekommen sind.

i próbki kodu Ta książka zapewnia czytelnikom praktyczną wiedzę na temat metod uczenia się wzmacniania, które mogą być stosowane do problemów i projektów świata rzeczywistego. Obejmuje on takie tematy jak procesy decyzyjne Markova, Qlearning, Deep QNetworks, gradienty polityki, metody krytyki aktora i wiele innych. Książka rozpoczyna się od wprowadzenia koncepcji Reinforcement arning i jej aplikacji, a następnie przeglądu najpopularniejszych ram dostępnych do tej pory, w tym TensorFlow i PyTorch. Książka Wyjście I Wprowadzenie II Technologia III Zastosowania i Znaczenie uczenia się WzmocnieIV Podstawy i podstawy RLV inteligencji i eksploatacji Dylemat VI Decyzja Markov Procesy VII Qarning i głębokie QNetworksVIII Gradient polityki IX Actor Critical Meth hodsX Szkolenie wzmacniające w zakresie zaawansowanego Topi XII i przyszłego uczenia się RLReinforcement. jest podsekcją uczenia maszynowego, która obejmuje politykę uczenia się agenta do interakcji ze złożonym, niepewnym środowiskiem. Celem jest maksymalizacja nagrody sumarycznej w czasie. Książka ta dostarcza praktycznej wiedzy na temat metod uczenia się wzmacniania, które mogą być stosowane do problemów i projektów świata rzeczywistego. Obejmuje ona takie tematy jak procesy decyzyjne Markova, Qlearning, głębokie Qnetworks, gradienty polityki, metody krytyków aktorskich, i więcej. Książka rozpoczyna się od wprowadzenia koncepcji uczenia się wzmacniającego i jego aplikacji, a następnie przeglądu najpopularniejszych ram dostępnych do tej pory, w tym TensorFlow i PyTorch.Czytelnicy, następnie odkłada się do rozwoju własnych środowisk RL, eksperymentując z różnymi algorytmami i wreszcie budować własne projekty. Tabela Treści I Wprowadzenie II Historia Rozwoju Technologii III Dodatki i Znaczenie Szkolenia Wzmacniającego IV Podstawy i Podstawy Rozwoju Technologii RL V Dylemat Wywiadu i Eksploatacji VI Proces Decyzji Markowa VII Qarning i Deep QNetworks VIII Polityka Graov dient Metody IX Metody krytyki aktora X Szkolenie wzmacniające w realnych projektach Świat XI Dodatkowe tematy XII RLB Zakończenie i przyszła książka 12 rozdziałów, każdy z nich zajmuje się konkretnym aspektem uczenia się wzmacniania. Pierwszy rozdział przygląda się koncepcji uczenia się wzmacniającego i jego skutkom we współczesnej technologii, natomiast drugi rozdział zawiera przegląd historii ewolucji technologii i tego, jak doprowadziła nas ona do tego, gdzie jesteśmy dzisiaj. Rozdziały trzy i cztery zagłębiają się w podstawy uczenia się wzmacniania, obejmujące takie tematy jak procesy decyzyjne Markova, Qlearning, głębokie Qnetworks, gradienty polityki, metody krytyków aktorów, i więcej. Rozdziały od pięciu do dziewięciu zapewniają przewodniki dla rozwoju praktycznych inteligentnych agentów za pomocą TensorFlow i PyTorch, w tym projektów świata rzeczywistego, takich jak robotyka i gry. Wreszcie, rozdziały 10 i 11 dotyczą takich najnowocześniejszych tematów, jak systemy wielorakie i uczenie się transmisji przed zakończeniem dyskusji na temat przyszłego uczenia się wzmacniającego w rozdziale dwunastym. Książka daje czytelnikom pełne zrozumienie metod uczenia się wzmacniającego i ich stosowania w różnych dziedzinach, a także praktyczne doświadczenie we wdrażaniu tych metod przy użyciu popularnych ram, takich jak TensorFlow i PyTorch. (RL) jest subfield uczenia maszynowego, który wiąże się z polityką uczenia się agenta do interakcji ze złożonym, niepewnym środowiskiem Ma wiele zastosowań w dziedzinach takich jak robotyka, gry, systemy rekomendacji, finanse i opieka zdrowotna. Celem niniejszej książki jest dostarczenie czytelnikom praktycznej wiedzy na temat technik RL, które mogą być stosowane do rzeczywistych problemów i projektów. Historia rozwoju technologii Historia rozwoju technologii ma kluczowe znaczenie dla zrozumienia, jak doszliśmy do naszego obecnego stanu rozwoju sztucznej inteligencji.

ודגימות קוד ספר זה מספק לקוראים ידע ידני על שיטות למידת חיזוק שניתן ליישם לבעיות ומיזמים בעולם האמיתי. היא עוסקת בנושאים כגון תהליך קבלת החלטות במרקוב, Qlearning, Deep QNetworks, גרדיאנטי מדיניות, שיטות מבקר שחקנים ועוד. הספר מתחיל בהצגת המושגים של למידת חיזוק ויישומיו, ואחריו סקירה של המסגרות הפופולריות ביותר עד היום, כולל TensorFlow ו-PyTorch.Readers יתעמקו בפיתוח סביבות RL משלהם, יתנסו באלגוריתמים שונים, ולבסוף יבנו פרויקטים משלהם. Book Outleflici Introduction II Technology Factions and the Experience of arning Reinformentals IV Fundamentals and Fundmentals of RLV Intelligence and EVVVIIIIIIIIIi DVVIKKIIKKKKKKKKKKKKNIIIEIIIIIEEMMm IX Critical Meath hoßX Importation Training in ReallWorld XI Advanced TopeXI Advanced ToXII and Future RLReinformation arning. הוא תת-חלק של למידת מכונה הכרוך בלמידת מדיניות הסוכן כדי ליצור אינטראקציה עם סביבה מורכבת ולא בטוחה. המטרה היא למקסם גמול מצטבר לאורך זמן. ספר זה מספק ידע ידני על שיטות למידת חיזוק שניתן ליישם לבעיות ופרויקטים בעולם האמיתי. היא עוסקת בנושאים כמו תהליכי קבלת ההחלטות של מרקוב, קלרינג, Knetworks, גרדיאנטי מדיניות, שיטות של מבקרי שחקנים ועוד. הספר מתחיל בהצגת המושגים של למידת חיזוק ויישומיו, ואחריו סקירה של המסגרות הפופולריות ביותר עד היום, כולל TensorFlow ו-PyTorch.Readers, לאחר מכן מתעמק בפיתוח סביבות RL משלך, מתנסה באלגוריתמים שונים, ולבסוף בונה פרויקטים משלך. טבלת התוכן I מבוא II להיסטוריה של פיתוח טכנולוגי III נספחים וחשיבות של אימוני חיזוק IV פונדמנטליסטים ופונדמנטליסטים של RL V אינטליגנציה וניצול דילמה VI מרקוב תהליך החלטה VII QLaining ו-Deep QNetworks VII Policy Gradient Methods IX Actor Critics Method X Reventure Teachment in Real Projects World XI Authore Topics XII RLB Recorder Temment 12 פרקים. הפרק הראשון בוחן את המושג של למידת חיזוק והשלכותיו בטכנולוגיה המודרנית, בעוד הפרק השני מספק סקירה של ההיסטוריה של האבולוציה של הטכנולוגיה פרקים 3 ו-4 מתעמקים ביסודות של למידת חיזוק, מסקרים נושאים כגון תהליכי קבלת ההחלטות של מרקוב, קלרינג, Knetworks עמוקים, גרדיאנטי מדיניות, שיטות של מבקרי שחקנים ועוד. פרקים 5 עד 9 מספקים מדריכים לפיתוח סוכנים אינטליגנטיים מעשיים באמצעות TensorFlow ו-PyTorch, כולל פרויקטים בעולם האמיתי כגון רובוטיקה ומשחקים. לבסוף, פרקים 10 11 פונים לנושאים חדשניים כגון מערכות רב-סוכניות ולימוד העברה לפני סיום הדיון על למידת חיזוק עתידי בפרק 12. הספר מעניק לקוראים הבנה מלאה של שיטות למידת חיזוק ויישומם בתחומים שונים, וכן ניסיון ביישום שיטות אלה באמצעות מסגרות פופולריות כגון TensorFlow ו ־ PyTorch.Acporting arning (RL) הוא תת-תחום של למידת מכונה הכרוך בלמידת מדיניות סוכן לאינטראקציה עם סביבה מורכבת ולא בטוחה יש לו יישומים רבים בתחומים כמו רובוטיקה, משחקים, מערכות המלצה, פיננסים ובריאות. מטרת הספר היא לספק לקוראים ידע מעשי בטכניקות RL שניתן ליישם על בעיות ופרויקטים אמיתיים. ההיסטוריה של התפתחות הטכנולוגיה היא קריטית להבנת האופן בו הגענו למצב הנוכחי של התפתחות בינה מלאכותית.''

cm'den 118219 |. "Audiobook Autobiography of Luka Modric'adlı kitap, 21. yüzyılın en olağanüstü futbolcularından biri olan Luka Modric'i anlatıyor. 9 Eylül 1985'te Hırvat Zadar'da doğan Modric, genç yaşta futbol oynamaya başladı ve hızla yükseldi ve dünyanın en iyi orta saha oyuncularından biri oldu. Kitap, okuyucuları Modric'in çocukluk günlerinden profesyonel kariyerine, mücadelelerini, zaferlerini ve kişisel gelişimini kapsayan bir yolculuğa çıkarıyor. Kitap, Modric'in genç yaşta futbol tutkusunu geliştirdiği ilk yıllarıyla başlıyor. Becerilerini geliştirmek, tekniğini geliştirmek, oyununu geliştirmek için saatler harcadı. Gençliğinde Hırvatistan'ın yerel kulüplerinde oynayan Modric, ülkenin önde gelen kulüplerinden Dinamo Zagreb'e transfer oldu. Yeteneği erken yaşlardan itibaren belirgindi ve hızla kulübünde ve ülkesinde yıldız bir oyuncu oldu. Modric, 2003 yılında Dinamo Zagreb formasıyla ilk profesyonel maçına çıktı ve 2005 yılına kadar Chelsea ve Manchester United gibi önde gelen Avrupa kulüplerinin dikkatini çekti. Ancak, sonuçta onunla bir sözleşme imzalayan Tottenham Hotspur'du ve kulüpte olağanüstü bir sezon geçirdi.

وعينات الكود يوفر هذا الكتاب للقراء معرفة عملية بأساليب التعلم المعزز التي يمكن تطبيقها على مشاكل ومشاريع العالم الحقيقي. يغطي موضوعات مثل عمليات قرار ماركوف و Qlearning و Deep QNetworks وتدرجات السياسة وأساليب نقد الممثل والمزيد. يبدأ الكتاب بتقديم مفاهيم التعلم المعزز وتطبيقاته، تليها نظرة عامة على الأطر الأكثر شعبية المتاحة حتى الآن، بما في ذلك TensorFlow و PyTorch. ثم يتعمق القراء في تطوير بيئات RL الخاصة بهم، وتجربة خوارزميات مختلفة، وأخيراً بناء مشاريعهم الخاصة. مخطط الكتاب الأول مقدمة II تطبيقات التاريخ التكنولوجي III وأهمية تعزيز التعلم أساسيات وأساسيات ذكاء واستغلال RLV معضلة قرار VI Markov ProcessVII Qarning و Deep QNetworksVIIطرق التدرج السياسيةIX ممثل Critical Meth hodsX تعزيز التدريب في مشاريع RealWorldXI الموضوعات المتقدمة استنتاج XII والتعلم المستقبلي RLReinformation. هو جزء فرعي من التعلم الآلي يتضمن سياسة وكيل التعلم للتفاعل مع بيئة معقدة وغير مؤكدة. الهدف هو تعظيم المكافأة الإجمالية بمرور الوقت. يوفر هذا الكتاب معرفة عملية بأساليب التعلم المعزز التي يمكن تطبيقها على مشاكل ومشاريع العالم الحقيقي. يغطي موضوعات مثل عمليات صنع القرار في ماركوف، و Qlearning، و Qnetworks العميقة، وتدرجات السياسة، وأساليب نقاد الممثلين، والمزيد. يبدأ الكتاب بتقديم مفاهيم التعلم المعزز وتطبيقاته، يليه نظرة عامة على الأطر الأكثر شيوعًا المتاحة حتى الآن، بما في ذلك TensorFlow و PyTorch. ثم يتعمق القراء في تطوير بيئات RL الخاصة بك، وتجربة خوارزميات مختلفة، وأخيراً بناء مشاريعك الخاصة. المرفق الثالث وأهمية التدريب على التعزيز الرابع أساسيات وأساسيات استخبارات RL V واستغلالها معضلة القرار VI Markov Process VII Qarning and Deep QNetworks VIII الأساليب التدرجية للسياسات IX طرق نقد الممثلين X التدريب على تعزيز المشاريع الحقيقية المواضيع الإضافية الحادي عشر استنتاج RLB الثاني عشر وفصول 12 كتاب المستقبل، كل منها يتناول جانبًا محددًا من التعلم المعزز. يتناول الفصل الأول مفهوم التعلم المعزز وآثاره في التكنولوجيا الحديثة، بينما يقدم الفصل الثاني لمحة عامة عن تاريخ تطور التكنولوجيا وكيف قادنا إلى ما نحن عليه اليوم. يتعمق الفصلان الثالث والرابع في أساسيات التعلم المعزز، ويغطيان موضوعات مثل عمليات صنع القرار في ماركوف، و Qlearning، و Qnetworks العميقة، وتدرجات السياسة، وأساليب نقاد الممثلين، والمزيد. توفر الفصول من الخامس إلى التاسع أدلة لتطوير عوامل ذكية عملية باستخدام TensorFlow و PyTorch، بما في ذلك مشاريع العالم الحقيقي مثل الروبوتات والألعاب. وأخيراً، يتناول الفصلان 10 و11 مواضيع متطورة مثل النظم المتعددة العوامل والتعلم في مجال النقل قبل اختتام مناقشة التعلم في مجال التعزيز في المستقبل في الفصل الثاني عشر. يمنح الكتاب القراء فهمًا كاملاً لأساليب التعلم المعزز وتطبيقها في مجالات مختلفة، بالإضافة إلى الخبرة العملية في تنفيذ هذه الأساليب باستخدام الأطر الشائعة مثل TensorFlow و PyTorch.IntroductionEnforcement learning (RL) هو مجال فرعي للتعلم الآلي يتضمن سياسة وكيل التعلم للتفاعل مع بيئة معقدة وغير مؤكدة. له العديد من التطبيقات في مجالات مثل الروبوتات والألعاب وأنظمة التوصيات والتمويل والرعاية الصحية. الغرض من هذا الكتاب هو تزويد القراء بمعرفة عملية بتقنيات RL التي يمكن تطبيقها على المشكلات والمشاريع الحقيقية. تاريخ تطوير التكنولوجيا يعد تاريخ تطوير التكنولوجيا أمرًا بالغ الأهمية لفهم كيفية وصولنا إلى وضعنا الحالي لتطوير الذكاء الاصطناعي.

및 코드 샘플이 책은 독자들에게 실제 문제 및 프로젝트에 적용될 수있는 강화 학습 방법에 대한 실습 지식을 제공합니다. Markov 의사 결정 프로세스, Qlearning, Deep QNetworks, 정책 그라디언트, Actor Critic 메소드 등과 같은 주제를 다룹니다. 이 책은 강화 학습과 응용 프로그램의 개념을 소개하고 TensorFlow 및 PyTorch를 포함하여 현재까지 사용 가능한 가장 인기있는 프레임 워크에 대한 개요를 도입하여 시작합니다. 자신의 프로젝트. Book OutlineI 소개 II 기술 HistoryIII 응용 프로그램 및 학습 강화 IV 기본 및 RLV 지능 및 착취의 중요성 딜레마 VI Markov 결정 ProcessVII Qarning 및 딥 QNetworksVIII 정책 그라디언트 메소드 IX 배우 중요한 메스 HodsX 고급 XXII 훈련 결론과 미래의 RLinfercement 학습. 복잡하고 불확실한 환경과 상호 작용하기위한 학습 에이전트 정책을 포함하는 머신 러닝의 하위 섹션입니다. 목표는 시간이 지남에 따라 집계 보상을 극대화하는 것입니다. 이 책은 실제 문제와 프로젝트에 적용될 수있는 강화 학습 방법에 대한 실무 지식을 제공합니다. Markov의 의사 결정 프로세스, Qlearning, 딥 Qnetwork, 정책 그라디언트, 배우 비평가 방법 등과 같은 주제를 다룹니다. 이 책은 강화 학습과 응용 프로그램의 개념을 소개 한 다음 TensorFlow 및 PyTorch를 포함하여 현재까지 사용 가능한 가장 인기있는 프레임 워크에 대한 개요를 소개 한 다음 자체 RL 환경 개발, 다양한 알고리즘 실험 및 마지막으로 자신의 프로젝트 구축. RL V 지능 및 착취 딜레마 VI Markov 결정 프로세스 VII 학습 및 딥 QNetworks VIII 정책 그라디언트 방법 IX 배우 비판 방법 실제 프로젝트 XI 추가 토픽 XRB 결론 및 미래 결론 12 개의 챕터, 각각 강화 학습의 특정 측면을 다룹니다. 첫 번째 장은 강화 학습의 개념과 현대 기술에 미치는 영향을 살펴 보는 반면, 두 번째 장은 기술 진화의 역사와 그것이 오늘날의 위치로 어떻게 이끌어 왔는지에 대한 개요를 제공합니다. 3 장과 4 장은 Markov의 의사 결정 과정, Qlearning, 딥 Qnetwork, 정책 그라디언트, 배우 비평가의 방법 등과 같은 주제를 다루는 강화 학습의 기본 사항을 탐구합니다. 5 장에서 9 장까지는 로봇 공학 및 게임과 같은 실제 프로젝트를 포함하여 TensorFlow 및 PyTorch를 사용하는 실용적인 지능형 에이전트 개발을위한 가이드를 제공합니다. 마지막으로, 10 장과 11 장은 12 장에서 향후 강화 학습에 대한 논의를 마치기 전에 멀티 에이전트 시스템 및 전송 학습과 같은 최첨단 주제를 다룹니다. 이 책은 독자들에게 강화 학습 방법과 다양한 분야에서의 응용 프로그램에 대한 완전한 이해와 TensorFlow 및 PyTorch와 같은 인기있는 프레임 워크를 사용하여 이러한 방법을 구현하는 실습 경험을 제공합니다. (RL) 은 복잡하고 불확실한 환경과 상호 작용하기위한 학습 에이전트 정책을 포함하는 기계 학습의 하위 분야입니다. 로봇 공학, 게임, 추천 시스템, 금융 및 건강 관리와 같은 분야에 많은 응용 분야가 있습니다. 이 책의 목적은 독자들에게 실제 문제와 프로젝트에 적용될 수있는 RL 기술에 대한 실질적인 지식을 제공하는 것입니다. 기술 개발의 역사 기술 개발의 역사는 현재 AI 개발 상태에 어떻게 도달했는지 이해하는 데 중요합니다.

和示例代碼本書為讀者提供了有關教學方法的實用知識，並提供了可用於實際問題和項目的支持。它涵蓋了諸如馬爾可夫決策過程，Qlearning，Deep QNetworks，策略梯度，Actor Critic方法等主題。該書首先介紹了「強化學習」概念及其應用程序，然後回顧了迄今為止最受歡迎的框架，包括TensorFlow和PyTorch。讀者隨後將深入研究自己的RL環境的開發，嘗試不同的算法，最後構建自己的項目。Book OutlineI簡介II技術發展歷史III應用和研究增援的重要性IV基礎和基礎RLV勘探和運營困境VI Markovsky決策過程VII Qarning和Deep QNetworksVIII策略梯度方法MethodsX RealWorld ProjectsXI Advanced TopicsXII結論和未來RLReinforcement學習. 是機器學習的一個分節，涉及研究代理策略以與復雜的，不確定的環境進行交互。目標是隨著時間的推移最大化累積獎勵。本書提供了有關教學方法的實用知識，並提供了可應用於實際問題和項目的支持。它涵蓋了諸如馬爾可夫決策過程，Qlearning，深度Qnetworks，政策梯度，反駁批評家的方法等主題。這本書首先介紹了強化培訓的概念及其應用，然後回顧了迄今為止最流行的框架，包括TensorFlow和PyTorch.Readers，然後將深入研究自己的RL環境的開發，嘗試不同的算法，最後構建自己的項目。內容一導言II技術發展歷史III附錄和IV增強訓練的重要性RL V情報和操作困境VI Markovsky決策過程VII Qarning和Deep QNetworks VIII政策梯度方法IX演員批評方法X實質性項目強化培訓XI World XI其他主題XII RLB書的結論和未來12章,每個章節都涉及強化學習的特定方面。第一章探討了強化學習的概念及其在現代技術中的重要性，第二章回顧了技術演變的歷史以及它如何將我們帶到今天的位置。第三章和第四章深入研究了強化學習的基礎，涵蓋了諸如馬爾可夫決策過程，Qlearning，深度Qnetworks，政策梯度，主張批評的方法等主題。第五至第九章提供了使用TensorFlow和PyTorch開發實用智能代理的指南，包括機器人技術和遊戲等現實世界項目。最後，第10章和第11章討論了諸如多機構系統和傳輸學習之類的高級主題，然後在第二章中進行了有關未來學習的討論。該書為讀者提供了對強化學習方法及其在各個領域的應用的充分理解，並提供了使用流行框架（例如TensorFlow和PyTorch）實施這些方法的實踐經驗。IntroductionEnforcement learning（RL）是機器學習的子領域，涉及研究代理策略以與復雜框架進行交互。不確定的環境。它在機器人技術，遊戲，推薦系統，金融和醫療保健等領域具有許多應用。本書的目的是為讀者提供有關可用於實際問題和項目的RL方法的實用知識。技術發展史技術發展史對於了解我們如何進入目前的AI發展狀況至關重要。