what is artificial intelligence, machine learning and deep learning?

최근에는 인공 지능과 기계 학습에 대해 많이 듣고있다 나는되었다 AI와 기계 좀 더 알아보기로보고 관심 내 질문에 대한 답변을 얻을 노력했다

인공 지능 (AI) 란 무엇입니까? 기계 학습은 무엇인가? 그리고 정확히 어떻게 그들이 다릅니 까? 이 거 재미있는 비디오가 될 것입니다 인공 지능 또는 AI는 단순히 컴퓨터 과학의 한 분야 "로 정의 할 수 있습니다 컴퓨터의 지능적인 행동의 시뮬레이션 "또는"능력을 다루는 "는 메리 엄에서 두 정의를 지능형 인간의 행동을 모방하는 기계의 웹스터 온라인 사전 이 두 정의는 컴퓨터의 개념이 일에 대해 갈 수있는 처리 그 자체로 복잡한 작업은,이 경우, 우리는 간단한 과정의 말하기되지 않습니다 우리는 필요없이 그 자체로 완전하게 행동하는 기계의 능력을 말하는 것 인간의 개입 음, 후는 물론 생성된다 이 많은 장소이다의 우리는 예를 볼 수 있지만 가장 일반적인 WALL-E와 같은 영화입니다

당신은 WALL-E 인공 지능 로봇 고려할 수 있습니다 그는, 자신을 위해 생각하는 그는 자신을 위해 할 필요가 무엇을 수행하고, 뭔가를 가지 양심과 유사합니다 우리는 실제로 디즈니와 픽사 영화 무생물의 대부분에서 볼 수 있습니다 삶에 와서 자신의 결정을 내릴 그것의 꽤 흥미 내 연구를하고하면, 내가주고 진행 매우 흥미로운 기사를 건너 왔어요 AI의 역사에 좀 더 정보를 제공합니다

여기 버나드 마르, 포브스에서 작가에서 짧은 추출물이다 "인공 지능은 오랜 시간 동안 주변되었습니다 – 그리스 신화에 포함 설계 기계 남자의 이야기는 우리 자신의 행동을 모방한다 아주 초기 유럽의 컴퓨터는 "논리적 기계"로 재생으로 잉태되었다 이러한 기본적인 연산 및 메모리 등의 기능은, 엔지니어, 근본적으로 자신의 일을 보았다 기계적인 두뇌를 만들려고있다 중요한 것은 기술, 그리고, 우리의 마음이 작동하는 방법에 대한 우리의 이해가 진행되고, 우리의 AI를 구성하는 것에 대한 개념이 변경되었습니다 오히려 더욱 복잡한 계산보다 AI 분야의 모방 작업에 집중 인간의 의사 결정 과정을 만들고 점점 더 인간의 방법으로 작업을 수행

" 이제 개인적으로, 나는 기계를 만들려고 미국 사람의 아이디어를 좋아하지 않는 난 아무데도 긍정적으로 가고 그것을 볼 수 없습니다 주로 때문에, 스스로 생각할 수 있습니다 나는거야 깊이 갈거야,하지만 좋은 생각은, 일이 너무 많은 잘못 갈 수 있습니다 방법 그리고 기술 분야에 큰 영향을 미친다 및 자동화는 느낌이 다른 사람 같은 길 엘론 머스크 오늘날의 위치에 테슬라을 주도하고있다 거대한뿐만 아니라 차량의 자동화뿐만 또한 세계의 많은 청정 에너지 스테이션의 창조이다

그러나 흥미로운 그는 내 관심을 끌었 말했다 이것은 내 관심을 얻었 는가 다시 2017 년과뿐만 아니라이었다, 그러나 관심을 가지고 거기에 많은 기술 매니아 엘론 머스크는 아마도 더 큰 AI의 개발과 관련된 위험에 참조 된 북한보다 더 위협 그리고 우리는 그들의 손에 공세를 시작 할 수있는 힘을 가진 국가에 대해 얘기하고 미국에서 그리고 아마도 핵 미사일의 또 다른 세계 대전을 시작합니다 CNBC에서이 글에서, "테슬라 CEO 엘론 머스크의 새로운 불길한 경고를 해고 인공 지능에 대한 일 금요일, 신흥 기술을 제안하는 것은 더 큰 포즈 북한과의 핵 화재보다 세계에 위험이 있습니다

머스크 – 한 번 "악마를 소환 '에 비유 AI의 치열한 긴 시간 평론가 공포에 사람들이 걱정해야하는 트위터 게시물에 영화-말했다 그들보다 기계의 상승 뉴스에 반응 자치 기술은 전자에 경쟁 선수를 이겼했다고 스포츠 경쟁, 사향은 냉각 베어링 포스터의 사진 인 것처럼 보였던 게시 결국 말은 "기계가 이길 것이다 그의 벤처 스페이스 엑스와 상업 우주 여행을 주도하고있다 머스크는 또한이다 OpenAI, AI의 "안전"개발을 촉진하는 비영리 단체의 설립자 그의 자세는 기술 업계의 많은과 확률에 그를두고 있지만, 눈에 띄는의 발언을 메아리 스티븐 호킹 – 또한 기계 학습에 대한 무서운 경고를 발행 같은 목소리 " 견적의 끝

그것은 모든 사람이 옆에 있는지 보여주기 때문에 지금 이것은 참으로 재미있다 결국, 우리는 이제 원하지 알고하지 않기 때문에, 인공 지능을 개발하고 있습니다 그리고 그 존재가 우리에게 설명하는 방법에서, 그 정말 안전을보고 있지 애매한 테스트는 OK 것 같다하지만 과학자들은이 밖으로을 얻고 AI의 존재를 연결할 때 실제로 인터넷에와 것은 그들을 거기 나가, 나는 그것을 볼 수있는 좋은 시간이라고 생각 너의 뒤 이제 기계 학습에 대해 조금 말할 수 있습니다 유선에 따르면, 기계 학습에 컴퓨터를 얻기의 과학 "으로 정의된다 명시 적으로 그들은 대학에서이 정의를 얻었다 "프로그램을받지 않고 행동 내가 개념의 아이디어를 얻을 동안 스탠포드와 함께 일종의 크로스 오버있다 정의 및 인공 지능과 기계 학습의 이해

또, 유선에서 인용 "구글과 엔비디아와 같은 큰 기술 플레이어는 현재 이 기계 학습을 개발하는 작업; 필사적으로 배우고 컴퓨터를 밀어 인간 위해 많은 기술의 다음 혁명을 호출하는 것을 진행하는 것입니다 방법 – 기계 인간처럼 '생각' 지난 10 년 동안, 기계 학습은 우리에게 스스로 운전하는 자동차를 실제 연설을 부여하고있다 인식, 효과적인 웹 검색, 인간 게놈의 대폭 개선 된 이해 " 견적의 끝 지금은 그 기계 학습이 명시해야 AI 아래에 하위 범주의 종류 위로 포브스 기사에 "기계 학습 기반으로 AI의 현재 응용 프로그램입니다 우리가 정말 기계에게 데이터에 대한 액세스 권한을 부여하고이를 할 수 있어야한다는 생각 스스로 배우게됩니다 " 전형적인 예는 구글의 자동 완성이다

당신이 오타를 만들 때 구글에서 검색하는 동안, 예를 들어, 그것은 당신에게 메시지를 제공합니다 : "그런 뜻 이었습니까"? 이는 구글의 기계 학습 알고리즘 중 하나의 결과입니다; 감지 시스템 어떻게하면 특정 검색을 한 후 몇 초을 검색합니다 당신이 한 가지를 검색한다면, 그것을 잘못 입력, 당신은 실수를 실현하고, 그 수정합니다

구글은 그런 실수에서 배운다 구글의 알고리즘은 사용자가 검색 한 후 뭔가를 몇 초를 검색을 인식 뭔가 다른, 그것은 유사한 입력을 미래의 사용자를 위해이 점을 염두에 유지 잘못 그 결과, 구글 '배운다'는 당신을 위해 그것을 수정합니다 즉 가장 간단한 형태의 기계 학습입니다 우리는 인공 지능과 기계 학습에 대해 이야기를 나눴습니다

하지만 내 연구에 걸쳐 온 또 다른 흥미로운 점은 용어 깊은 학습이다 매우 흥미로운 뭔가 Mediumcom의 캘럼 맥 켈랜에 따르면, "깊은 학습은 많은 방법 중 하나입니다 기계 학습합니다 깊은 학습은 뇌의 구조와 기능, 즉 상호 연결에 의해 영감을했다 많은 뉴런

인공 신경 회로망 (앤스)는 생체의 구조를 모방하는 알고리즘이다 뇌 앤스에서 다른 "뉴런"이산 계층과 연결이 "뉴런"이있다 각 층은 화상 인식 커브 / 에지로서, 학습, 특정 기능을 골라낸다 그것은 깊은 이름을 학습 부여합니다이 레이어의 깊이는 복수를 사용하여 만든 층은 하나의 층에 대향한다 " 견적의 끝

이름, 깊은 학습을 의미 수 있도록 허용 무언가로 이해 될 수있다 시스템 분석 및 수신하는 데이터와 깊이 이동합니다 자세한 내용은 얻었을 때 더 많은 레이어를 추가 나는 엔비디아가 제대로 이러한 조건을 전환하고 어떤 기계의 더 나은 이해를 제공합니다 생각 학습과 깊은 학습을 의미한다 가장 기본적인에서 기계 학습, 데이터를 분석하는 알고리즘을 사용하는 방법입니다 그것으로부터 배우고, 다음 세상에서 무엇인가에 대한 결정 또는 예측을합니다 그래서보다는 달성하기 위해 특정 명령 세트와 소프트웨어 루틴을 코딩으로 손 특정 작업, 기계는 데이터와 알고리즘의 많은 양을 사용 "훈련"입니다 그게에게 작업을 수행하는 방법을 배울 수있는 능력을 제공합니다

깊은 학습, 신경망은 생물학에 대한 우리의 이해에 의해 영감을 우리의 뇌 – 신경 세포 사이의 모든 상호 그러나, 생물학적 뇌와는 달리 어떤 신경 세포는 특정 내에서 다른 신경 세포에 연결할 수있는 물리적 거리, 이러한 인공 신경 네트워크는 개별 층, 연결이 데이터 전파의 방향 당신은, 예를 들어, 이미지를 촬영, 입력되는 타일의 무리로 그것을 잘라 수 뉴럴 네트워크의 제 1 층으로 제 층 개별 뉴런 후, 제 2 층에 데이터를 전달한다 뉴런의 두 번째 층은 최종 층과 마지막까지 등의 작업을 수행하고, 출력이 생성된다

각 뉴런은 입력에 가중치를 할당 – 그것은 상대가 얼마나 올바른 또는 잘못된 작업에 수행되는 최종 출력은 그 가중치의 합계에 의해 결정된다 우리는 AI가 많은 것을 포함 볼 수 있습니다 그리고 내가 할 수있는 다른 많은 것이있다 에 대해 이야기하지만 대부분이 비디오 내 목적을 달성했습니다 이 비디오를 시청 주셔서 감사합니다 그래서 당신이 그것을 즐길 경우, 새로운 것을 배운 이상을 원한다

아래에 의견을 언급, 구독 자유롭게과 같은 둡니다 나는 또한 당신이 설명에 제공된 링크를 사용하여 이전 동영상을 확인하는 것이 좋습니다 아래 또는 화면 나는 당신이이 비디오에서 그와 함께 새로운 무언가를 배운 희망, 나는 당신을 볼 수 있습니다 다음 중 하나

How Machine Learning Is Impacting E-Commerce @AmeenKazerouni #DataTalk

– 우리는 똑똑한 사람들의 일부 얘기 데이터 과학에서 작업, 오늘 우리는 기계 학습에 대해 얘기 어떻게는 Ameen Kazerouni와 전자 상거래에 영향을 미치는 것 누가 포스에서 데이터 과학자 역할 Ameen, 나는 당신의 마지막 이름은 바로 말 했는가? – 충분히 가까이, Kazerouni (웃음) – Ameen은 매우 인상적인 배경을 가지고, 그는 과학 학사 학위를 취득 생물학에서 미성년자와 컴퓨터 과학 웨스트 조지아 대학에서, 그는 그의 석사 학위를 적립했다 컴퓨터 공학 학사 학위, 계산 생명 과학의 농도, 에 모리 대학에서, 어디 그 다음, 그는 휴가에 이제 그는 컴퓨터 과학 박사 학위 작업을했다 에 모리 대학, 그는 지금, 거기에두고있다 하지만 데이터 과학 분야에서 매우 활동적인, 분명히 기계 학습에서 작업, 자 포스에서, Ameen이 참여 해주셔서 너무 감사합니다 우리의 데이터 이야기 오늘의

– 물론 저를 가지고 내 기쁨 덕분입니다 – 그래서 Ameen은, 당신의 여행에 대해 우리에게 조금 이야기 무슨 작업을 시작을했다, 또는 컴퓨터 과학에 대해 배울 원하는 시작 무슨 일이 필드에 당신을 했습니까? – 그래서 나는 내 학부 대학을 시작했다 꽤 젊은 웨스트 조지아의 고급 아카데미라는 프로그램, 그것은 초기 대학 프로그램이었다, 그것은 멋진 기회였다, 그들은 전 세계에서 많은 사람들을했다 우리는 모두 함께 기숙사에 있었다 종류의 단지 흥미로운 주제를 공부하고, 서로 영감, 그것은 꽤 굉장했다 및 UWG에서 컴퓨터 과학학과, 놀랍다 의미에서 그것은 놀라운 능력을 한 것으로 그 훌륭한 기회를 제공 다른 프로젝트를 탐험, 다른 절삭 날 영역 거기에 내 고문 윌 로이드 예레미야 Bartman 및 의사 아델 Abuvas 나를 포기 로봇의 데이터 집단의 기회, 모든 유행은 당시 '09한다이었다 – 그게 최고입니다 – 우리가 로봇을 일을해야 같았다 그리고 미래입니다, 그래서 그 과목 학습을 주도 지능형 시스템에 대한, 그리고 나는 우리가 일 프로젝트가 있었다 기억 우리가 클립을 사용하여 정보 시스템을 구축 위치에, 이는 NASA가 개발 한 언어이었다, 그것은 오래된 학교이었다, 그러나 많은 재미 있었다, 나는 것을 깨달았다 어디서 난 그 생각 물건의 로봇 측면은, 내를 조금 아니었다 그것은 지루하지 않았다 그냥, 내 잼 아니었다 나는 지능형 시스템을 좋아했다 그것의 숫자 부분, 나는 항상 생물학에 관심 다음 에머리,이 학교 프로그램을했다 그것은 수학 및 과학했다, 컴퓨터 과학학과, 의학의 학교와 함께, 이 좋은 소리처럼 나는이었다 난 그 일이 있었는지하지 않았다, 그래서 내가 거기 가서 우리가에서 시작 에 모리에서 의사 애쉬시 샤르마, 나는 의료 데이터를 다시 제공합니다 생각 이렇게 많은 다른 양식, 당신은 이미지 데이터를 가지고 병리학 데이터, 임상 데이터, 그래서 당신은, 자연 언어 처리있어 화상 처리, 이렇게 많은 다른 기회, 그래서 컴퓨터 과학에서 유기 변화했다 데이터 과학에, 나는 기계 학습 학위를 가진 적이 없어 또는 자체 데이터 과학, 사람들은 모든 경력 밤입니다, 모두의는 석사 학위를 받았습니다

– (웃음) 그래, 그들은 모든 버즈 단어입니다 – 모든 유행어, 하지만 난 그게 더 컴퓨터 과학 같았다 다시 생각한다 계산 생명 과학, 우리가 이것을 어떻게 설명, 이들은 가지 유기적으로 이동했다 내 모든 클래스는, 데이터 및 기계 학습에 대한 인 난 그냥 그 이후로 그 일을했습니다 – 즉, 굉 그래서 당신은 학교에있을 때, 분명 당신은 과학에 관심을 가지고, 생물학, 당신은 전산 생명 과학을 언급, 그래서 당신은 어쩌면 입력에 대해 생각했다 의료 분야에? – 아 절대적으로, 전체 공개, 시도하고 실패했습니다 두 부모님은 외과 의사가 있으며, 그리고 그게 내가 분명히 일을해야 무엇 같았다, 나는 계속 어떤 전원에 매우 감사 해요 의대에 들어가기에서 저, '내가 지금 뭘하는지 사랑 원인, 나는 끔찍한 결정을했다 하지만, 확실히 관심 하지만 내가 생각하는 의료 분야 사이의 하이브리드, 데이터 과학, 내가 박사 과정을하는 동안 적어도, 그것은 훌륭했다, 매우 괄목 할, 지금은 물론 내가 Zappo의에서 일하기 위해 같은 지식을 사용, 이 방법 점과 AI가 클릭 놀라운, 당신은 단지 하나 개의 도메인 및 스틱에서 걸릴 수 있습니다 다른에, 그리고 그것에 대해 환상적인 것입니다 당신은 상관없이 도메인이 성장 유지할 수 없다 당신은에 최선을 다하고 있습니다 하지만 그래 목표는 결국 다시 얻을 수 있습니다 확실히 의료 공간에 기계 학습을 사용합니다

– 네, 몇 가지 놀라운 발전이있었습니다, 나는 통해 생각하는 방법에 대한 최근 기사를 읽고 기계 학습은보고 돕고있다 빠른 의사가 할 수있는 것보다 엑스레이에서 – 그래, 그것은 미친 짓이야, 이들은 매우 새처럼 그것은 물건처럼 보인다 그리고, 놀라운 내가 공부를 할 때 나는 내 마음을 날려 한 생각 그것은 대학원 학생으로, 우리는 매우 비슷한 일을했다, 전체 슬라이드 이미지로 알려진 것에 핵 탐지와 같은, 슈퍼 초고 해상도있는 조직 병리 슬라이드 사진, 이 연구는 년 동안 진행되고있다 그것은 이루어지고 놀라운 발전은,이다 평소대로, 나는 더 높은 기계 학습이 의미 있다고 생각 전문가를 증대하기 위해, 나는 인간의 터치 분명히 중요하다 생각 특히 의료 분야에서, 통화의 그런 종류를 만들기 하지만 그것에 대해 생각하는 것은 매우입니다 매우 지능 보조 디바이스, 확실히 우리를 추진 도움이 될 것입니다 확실히 미래 – 물론 특정처럼하지 않았다 기계 학습 수업, 하지만 당신은 단지 종류의, 길을 따라 그것을 배웠다 다만 때문에 모든 일을 당신이하고 있었다, 그 권리는? – 그것은 혼합이었다, 나는 수업이 많이 걸릴 않았다고 말할 것 기계 학습, 대학원에 많은하지, 나는 인공에 하나 개의 클래스를했다 생각 학부 등의 정보, 대학원에서 나는, 기계 학습을했다 자연 언어 처리, 고성능 컴퓨팅과 같은 것들, 서로 다른 영역의 모든 다양한 있다는 가지 중요한 데이터 과학자로 알고있다, 하지만 확실히 기회와 함께 작동합니다 모든 데이터를 서로 다른 양식은 도움이, 때문에 데이터 분석 및 데이터 과학의 실제 이론적 매우 다르다 그리고 실제 모든 데이터를 적용하는 옵션을 가지고, 좋은 학습 경험이었다 확실히 내가 오늘 내 일을 할 수 있습니다 – 최고, 그래서 당신은 기계 학습을 어떻게 설명, 나는 우리가 전에 거기서부터 시작해야한다고 생각 우리는 전자 상거래에 뛰어 특히 비즈니스에서 우리의 사람들을 위해 때문에 나는 데이터 과학에서 작동하지 않습니다, 그래서 당신은 비즈니스 사례를 구축 할 때, 또는 고위 지도자들과 이야기하는 사람들 어쩌면 데이터 과학에 대한 배경 지식이없는, 당신은, 기계 학습 솔루션을 제안하기 위해 노력하고 어떻게 가지 도움이 방법으로 그것을 설명 할, 내 다섯 살 두뇌? – 그 질문이기 때문에 그래서 아주 멋진 내가 물어 사랑, 당신은 어떻게 클러스터링을 설명 할, 또는 특정 기계 학습 알고리즘 다섯 살에, 때문에 당신은 당신이 진정으로 그것을 잘 이해 할 수 있다면? 그래서 나는 그것의 손이 닿지 않는 점 떨어져 첫번째 생각 여기서 AI 같은 많은 전문 용어가있다, 기계 학습, 빅 데이터이, 그, 그것은 사방의 모두가 매우를 사용하고 있습니다 종류의 서로에 대한 대체로서 같은, 첫 번째 도전은 항상 권리를 찾는 것입니다 이해 관계자가 좋아하지만, 단어, 그들은 모두 상호 교환이 거의이기 때문에, 하지만 특히 비즈니스 문제에 관해서 지금 내 경험에서, 나는 그것을 포함하는 것이 좋은 것을 발견 바로 처음부터 도메인 전문가, 당신은 과학자 학습 컴퓨터를 가지고 싶지 않아, 이것은 당신이 잘못하고있는 일처럼하고, 수 이 잘 할 수있는 것입니다, 일반적으로 화려한 문서가 있기 때문에 하버드 비즈니스 리뷰 (Harvard Business Review)에서, 내가 생각 며칠 전에 나왔다 기계 학습의 오용, 잘못 사용하면 그것은 매우, 매우 잘못 될 수 있습니다 그래서 도메인을 이해하는 것이 중요합니다 하는 당신은 기계 학습을 사용하는 와 도메인을 이해하는 과정에서 진행중, 당신의 도메인 전문가를 포함하여, 우리의 경우처럼 패션을 이해하는 사람이 될 수 그리고 신발은 신발과 작품을 구입 제품과 함께 참호에서, 가지 우리가 도울 수있는 등, 무슨 일이, 어려운 와, 기능 엔지니어링 프로세스에서 그들을 포함 어떤 데이터 것은 우리가 사용하고자하는, 우리는 모든 문제에 우리의 모든 데이터를 사용하지 않는 그래서 빅 데이터는 단지 사람이 낚시를 가기 같이하지 않습니다, 그리고 가능한 정보의 모든 조각을 받고, 그것은 논쟁의 매우 고통스러운 과정이다 밖으로 무엇을 당신에게 대답을 줄 것입니다, 데이터 과학에 관심있는 모든 사람에게 공정한 경고, 그것은 거짓말 아니에요 작업의 80 %는 데이터 청소 서비스가 될 것입니다 항상 그런입니다, 그래서 당신은, 그 작은 조각을 얻을 수있어 그 조각을 얻는 과정에서, 그 일을하는 동안 도메인 전문가들과 함께 작업하는 경우, 문제의 양쪽에서 주인 의식이있다, 비즈니스에서와 과학에서 그리고 그것은 어떻게 모든 질문입니다 당신은이 결론에 도달 우리는 당신이 한 방법을 알고, 우리는에 갔다 데이터를 볼 수 및 도메인 전문가로, 나는 가지, 어떻게 데이터를 이해할 수 정보의 그 조각이 답변에 이르게하는 방법, 나는 분명히 규모로 그것을 할 수 없습니다 그것은 나에게 시간이 걸리는 원인 전체 보병, 우리가 어디서 왔는지 그래서 그건, 우리는 규모 그것을 할 우리는 규모에서 그 신호를 찾을 수 그리고 당신이하고 그렇게되면 생각 당신은 신뢰 관계를 발전, 당신은, 당신의 반대 문제에서 찾을 수 있습니다 당신은 기계 학습을 사용하는 사람들을 설득하지 않는 경우, 모든 사람이 모든 것을 기계 학습을 사용하고 싶어, 그리고 당신은 어쩌면 그냥 포기하지 않는다면 같아 모든 문제에서 어쩌면 단지 회귀를 실행 또는 상관 관계, 우리는 신경 네트워크를 사용하기 전에 계속 모두를위한, 그래서 역 것처럼 차례 거 야

– 기계 학습의 좋아하는 사용 사례가 있습니까 당신은 전자 상거래에서 수행되는 본 것을? – 사람 아, 그래서 전자 상거래, 두 가지 종류가있다, 당신이 당신의 얼굴과 선행에 볼 것이다 물건이있다, 당신이 당신의 개인화있어 당신의 추천 엔진, 내 말처럼 당신은, 참조 월마트와 아마존 같은 웹 사이트, 그들은 모든 웹 사이트의 자신의 개인화 알려져있어, 그것은 멋진 외모 하지만, 후드 물건 아래도있다 이는 매우 중대하다, 우리는 검색 알고리즘이 의미에서, 우리는, 동적 가격 등등이 매우 유용하고 고객 경험을 위해 매우 중요합니다, 그리고 나는 당신이 그 일의 종류 생각 오픈에서 표시되지 않습니다, 하지만 여행 고객에 중요하다 웹 사이트를 취한다, 모든 전자 상거래 플랫폼, 나는, 그 놀라운 생각 하려고 할 때 당신은 추천 엔진있어 당신이보고 싶은 보여줍니다 무엇을 탐색하기 위해, 온라인 예를 들어 미디어 소매 업체의 많은, 단지 측면에서 당신을 수용하지 않을 것이다 그들이 당신을 보여주는하는지 컨텐츠, 하지만 그들은 당신에게 그 내용을 표시 방법도 심지어 쇼의 로고가 스왑이 사용되고, 당신이하려고하는 사람에 따라, 나는 이것이 무엇을 알고 너무 그것은 문제가 아니다 당신이보고 싶어, 나는 이것이 당신이보고 싶은 것입니다 알의 그것은 문제입니다 당신은 나를 신뢰하지 않을 수 있습니다, 그래서 이것은 당신을 말할 수있는 권리 포장입니다 나는 이것이 당신이보고 싶은 것을 알고, 그래서, 확실히 재미있다 다른 공간의 많은 거기에있는 그것은 보편적으로 사용되고 그래서 그 혁명이 일어날보고 놀랍군요 – 당신은 우리에게 A / B 테스트에 대해 조금 말할 수 그 뒤에서 가지에 대한 것입니다 기계 학습의 어떻게 당신이 좋아하는 수를 예측하는 배우는? – 그래서 A / B 테스트는 다른 짐승, 그 자체입니다 의미에서 그, A / B 형 시험은, 전통적으로 기계 학습 아니다 그것은 더 많은 통계 분석처럼 그러나 그것은 매우 중요합니다 아무리 우리가 얼마나 확신 때문에 알고리즘이 작동하는 것입니다, 모든의 최종 판단은 고객이다, 나는 개인적으로 A / B 테스트를 사랑 자 포스 같은 장소 모든 고객에 대해이기 때문에, 우리는 고객 중심입니다, 우리는 우리의 고객 와우 원하는 우리가하는 모든 고객 경험을 유익하는 것입니다, 얻을 수있는 더 좋은 방법이 없다 당신이 작동하고있는 일이 만족, 이어서 A / B 테스트 여기서 고객은, 예를 말하고있다 이것은 우리를 위해 쉽게하고있다 이것은 더 나은 우리를 위해 그것을하고있다 그래서 A / B 테스팅 균형 행위 통계적 유의성을 달성, 가능한 한 빨리 거기에 당신의 기능을 가져 오는 동안, 그래서 당신은, 그것은 급격하게 작동 이틀 동안 참조 비즈니스 이해 관계자, 그것을 밀어처럼 될 것입니다 그것은 작업의 라이브 밀어 (마이크 웃음) 일요일 구매자는 그런 일이 온다처럼 정말입니다 완전히 다른 인구 통계 학적하기 위해, 그냥 침체 기능, 그래서 우리는 현실을 밀어하지 말자처럼 의 그것에게 시간을 좀하자 의 그것을 보내고 영향을 이해하자 나는이 더 웹 로그 분석의 책임처럼 말할 것입니다, 웹 분석의 책임, 데이터 과학 및 기계 학습 될 수있는 기능이있는 / B 테스트, 하지만 당신은, A / B 테스트 글꼴을 수 텍스트, 크기, 같은 웹 사이트와 가지의 버튼의 색상, 아무것도가 될 수 있습니다 / B는, 테스트 와 매우 성공적인 것으로 입증 거기에 여러 기업 – 그래, 나는 특히 넷플릭스에 대해 생각 의미 어떻게 그들은 항상 밖으로 변경하고 다른 영화 커버의 이미지, 그래서 때로는 커버 나는 그것에 전혀 관심이 없다, 하지만 그들은 커버를 변경 내가 같이있어 갑자기 "우이 흥미로운 보인다" -이 같은 때문에 그래, 그래서 우리가 그것을 부르는이 많이있다, 잠재 의식의 접촉이 많이있다, 당신은을 통해 고객에게 얻을 수 있습니다 컴퓨터 화면, 이는 매우 멋지다, 예를 들어 우리가 본 것처럼 사회적 관련성은 매우입니다 매우 중요한 주제, 당신은 하나의 제품을 찾기 위해 노력하고있다, 제품의 바다와 같은에서, 그래서 우리는, 그 A / B 테스트 서로 다른 알고리즘을 발견 즉, 검색 결과의 순서를 변경합니다 같은 매우, 매우, 매우 미세한 변화, 같은 당신이 뭔가 네 슬롯 슬롯 여섯에서 이동 볼 수 있습니다 당신은, 바로 효과를 볼 수 그 이유를 알고 어렵다, 그러나 수백만의 사람들이 일을하고, 또한처럼 조금 거만 나는 모든 사람의 머리 속에서 무슨 일이 일어나고 있는지 즉, 당신이 바로 테스트 할 필요가 무엇 내가, 내가 정말 좋아하는 비유를 사용하여 생각 나는 그것을 듣고 어디에 내 인생 내가 기억할 수없는, 또는 뭔가 여부가 바로, 그냥 난 그냥 좋아하는 것들 중 하나입니다 비유 나는 확신 감 모두가 왈도의 경우에 대해 알고 과 그렇지 않은 사람들을 위해, 그것은, 거기에 물건의 무리와 함께 거대한 그림처럼 거기에이 사람에게 왈도을 그리고 당신이 찾고있는 그에게 그림에, 나는 그것과 전자 상거래를 동일시하고있어, 우리가 Zappo의에서 무엇 때문에 우리가 고객에게 판매되고, 당신은 왈도의 경우 재생으로 고객을 생각하면, 그들은 웹 사이트에서 일부 제품을 찾고 단지 왈도에서 가리 키지에 우리의 목표이며, 하나 때문에, 그것의 재미를합니다 두, 난 그냥 잘못된 것을 가리키는있어 틀렸다면, 이는 바로 말도 안되는, 기계의 목표는 전자 상거래 학습 당신이 찾고있는 그 공간을하고있다 작은 왈도를 들어, 실수로 어딘가에 상자를 놓을 필요없이, 상자 밖에서 왈도을 가하고, 다음 때문에 우리가 잘못된 위치에 볼을 말 했어요, 그래서 가지 문제의 범위를 좁히는 것 하지만 당신이 찾고있는 무엇을 찾고 재미를, 그것은, 쇼핑의 당신은 그것을 즐기고있어, 재미를, 하지만 어쩌면 등을 통해 검색하지 않습니다 40,000 다른 제품, 우리는 당신의 100 또는 200을 말해주지 당신의 선택은 숨겨져 있습니다 – 그 사랑, 즉, 기계 학습의 훌륭한 예입니다 당신이 왈도의 경우와 액자 어떻게 좋아 왈도가 어디 있는지 정확히 지적하지, 그러나 여기에서 일반 영역의 종류이다, 쇼핑 과정이 재미 있기 때문에, 그리고, 당신은 말을하려는거야 당신이 쇼핑과 선택의 재미를 제거하지 않습니다, 즉, 동기 부여의 큰 부분이기 때문에 실제로 뭔가를 구입합니다

– 그래, 당신이 가서 찾아, 그리고 그 승리 느낌, 나는 개인적으로 즐길 때, 나는 온라인으로 뭔가를 찾고있을 때, 내가 검색됩니다, 내가 검색을 좋아합니까, 즉 내가 찾던 것입니다 오 하지만 내가 처음 보는 일이 있다면, 나는 옳은 일을 찾아 갈 수 있습니다, 실현하지 않고 나는 이미 그것을 보았다, 그래서 고객을 압도하지 않고 거기를 가지고, 나는 우리가 그것을 해결했습니다 말하는 게 아니에요, 하지만, 성배의 종류의 우리가 바로 향하고 곳의 종류입니다 – 그래, 즉 아름다운 예를 생각 뭔가 내가 생각하지 당신이 말하는 것 같은 원인 당신이 알고있을 것을 구매자가 실제로 수도 구매하고자, 하지만 당신은 반드시 거기 넣어 싶지 않아, 어쩌면 그들은 준비가되어 있지 때문에 그들은 그 쇼핑 과정을 즐기고 싶다 – 우리는 잘못 될 수 그것은, 더 큰 필드의 더 큰 경계 상자, 더 정확한 우리는 아마이다 당신이 웹 사이트에 오면, 모든 웹 사이트는 하나 개의 제품이었다 내가 당신을 알고처럼 단지 점멸, 한 번의 클릭 – 즉 오싹하다 – 그런 다음 그것을이다, 우리는 이미 잃었습니다, 당신이 돌아올 할 수있는 건 아무것도 없어 잘못된 권장 사항을 제공하십시오

당신이해야 할 일, 당신은 잘 할 일을, 노력의 철학의 종류 기계 학습에 의해 얻을 수 있습니다 – 사람들이 작업 과제는 무엇인가 기계 학습 및 전자 상거래는이에, 난 그냥 대해 생각하고 있기 때문에 몇 가지 자신의 모바일 장치에서, 그들은 자신의 바탕 화면에있어, 함께 그 사람을 묶어하려고, 나는 항상 당신이 직면 과제에 대한 종류의 궁금 과학자들은이 분야에서 직면하고있는 데이터를 도전 – 그래서 소음이 많은 양의 데이터를 확실히이다, 때문에 하루의 끝에, 그것은 고객의 행동처럼 그것은 인간의 그리고 그게 가장 어려운 방정식 생각, 사람이 생각을 이해하려고 노력 그들이하는 일을 수행 할 때, 매우 어렵다, 그 모델을 시도, 같은 우리가 수용 할 수 있도록 몇 가지 신호를 얻을 그 경험은 변경할 것 그들이하는 일은조차 어렵습니다 그것은 큰 있다는 사실과 함께 있도록 데이터의 볼륨, 데이터 정리 절대 악몽이며 데이터를 가지고 지점에 그걸 얻기 위해 노력하고 같은 실제로 알고리즘에서 작동하는 경우, 그래서, 더이 그 기계 학습이 없다 이 기능은 존재하지 않습니다 당신이있어 만 단계가있다 거기에 도착하기 위해 통과, 다음 판매, 피치, 비즈니스 이해 관계자에 가고, 이 같이있는 것은 문제에 대한 답이며, 또한이 문제라고 할 수있는 기계 학습을 필요로하지 않습니다, 그래서 당신은 바로 문제에 최선을 다하고 있습니다 도전 무엇이다 그리고 그냥 잘못 가끔있는 당신은, 당신이 그것을 통과하는 알고리즘을 얻을 역사적으로는 작동하는 것 같군, 당신은 그냥하지 않는 웹 사이트에 넣어 당신이 그것을 할 줄 알았는데, 받아 들일와 종류의 다음 일은로 이동, 즉, 단지 우울 하지만 난 그것에 익숙해했습니다 (마이크 웃음) 기계 학습의 아름다움은 때 당신은, 당신은 큰 승리 승리 이 어려운 분야이기 때문에하지만 당신은 종종 잃게됩니다 – 난 당신이 실패 양상에 대해 이야기하는 방법을 좋아한다, 당신은, 알고리즘 작업이 모든 시간을 보냈다 이 모든 테스트에서 잘 작동하는 것 같다, 다음은 살고 시작하고 그것은 단지 당신이 생각하는 방법을 수행하지 않는, 당신이 새로운 데이터 과학자에 가져 오는 경우, 당신은 종류의 실망을 위해 그들을 준비하고있다? – 그래서 운이 좋게 데이터 과학과, 나는 실망 빠르고 일찍 올 생각 (마이크 웃음) 많은 그 무엇을의 그대로는 실망 아니다 좋은 데이터 과학자를 만들고, 즉, 데이터 과학 같은 좋은 데이터 과학자를 만드는거야 과 도전 그 권리, 어려운 아니었고 경우는 매우 쉬웠다 그것은 함께 수학 및 컴퓨터 과학이다 그것은 어려운 분야입니다, 그리고, 흥미로운 예를의 하지만, 어렵다 이 배우고 최신 상태로 유지하기 위해 헌신이 많이 걸립니다, 끊임없이 변화하고 있으며 많은 노력을한다, 그래서 당신은이 분야에서 동기 부여 사람들은 필요 및 동기 부여 사람들이 도전을 좋아한다, 그래서 실패 때문에 아무것도 사람의없는 잘못하고있다, 그것은 당신의 문제는 데이터 집합의 경우 모르겠어 당신이 찾고있는 답을해야 할 것입니다, 당신이 전에해야 할 일이 많습니다 당신이이 것을 알고 어디 지점에 도착 당신이 여부를 찾고있는 대답은, 그리고 나는 그것을 바꿔하려면, 어쩌면 실패를 호출하지, 지금 그 대답은 그 데이터 세트에서 아니라는 것을 알고 있기 때문에 그 지식을 가지고, 당신이 데이터를 본 것을 당신은 알고있다, 그 다음 문제를 해결하기 위해 지식을 사용하여, 그래서, 어떤 데이터 과학자보다 더 많은 생각 나는 개인적 지적 호기심을 찾습니다 데이터 과학이 같은 잘못 정의 된 필드가 있기 때문에, 그것에 너무 많은 다른 측면이있다, 그래서 당신이 호기심 사람을 찾으려면, 몇 안타를 취할 기꺼이 배울 기꺼이, 친절 단지, 그것으로 계속 그리고 문제를 계속 실행

– 나는 어떤 의견에 대한 호기심이야 어떤 기계의 미래에 대해 흥분 전자 상거래에 관해서 배우는? – 내 생각에는, 이것은 개인적인 의견입니다 나는 기계 학습 가능성이 가장 높은 것입니다 생각 기존의 전자 상거래가 작동하는 방식을 많이 재정의하고, 우리는 이미 그것의 흔적을보고있다 다른 회사들이 복용하는 것을 의미 그들이 수용하는 방법을 서로 다른 접근 방식에 전자 상거래 고객에게, 등등 미리 선택된 제품과 상자를 발송, 나는 인공 지능과 기계를보고 흥분 학습은 민주화 얻을 그냥 더 쉽게 사용할 수있게 거기에 많은 사람들에게, 나는 어떤 힘을 보는 것은 매우 흥미 롭다 인공 지능과 기계 학습 해방의 모양을, 그것은 예를 들어 권리를 엑셀 기능이 때, 및보다는 사람들의 팀을 필요로 모든 회사에서 여섯 명 엘리트 데이터 과학자, 나는 나의 두려움은 당신이 거 필요하지 않은 생각 모든 회사의 데이터 과학자, 당신은 데이터 과학자를 필요거야 및 기계 학습 전문 단지 기계 학습 회사에서, 그들은, 소프트웨어 도구를 생산 될거야 데이터 과학 단지 계산기된다 경우, 단지 수학자, 계산기를 사용하지 않는 나는 도메인 전문가를 생각하는 곳은 거 지점에 도착 있어요 단지 한 부분으로 기계 학습을 사용하는 일상 툴킷, 그렇게되면 내가 생각 그것은, 엔진을 업그레이드 같다 우리의 혁신 차에 그냥거야, 앞으로 추진 될 것 나는 아마 직장에서있을거야하지만 괜찮아요, 나는 그것이거야 매우 ​​재미있을 것 같아요 일보고 매우 멋진, 하지만 극복하기 위해 많이있다, 그와 관련된 두려움과 미지의 많은있다, 그래서 그것을 확실히 냄비로 토사를 씻는 방법을 배웅 궁금 해요 – 좋아요 그래서 우리는의 끝으로오고있어 우리가 같은 다섯 개 가지 질문을 통해 이동 쇼 모든 손님과 함께, 그리고 첫 번째는 무엇인가 좋아하는 프로그래밍 언어와 그 이유는 무엇입니까? – 그래서 재미 하나의 권리이며, 그래서 한 가지 내 팀이다, 포스 데이터 과학 팀은 언어 무신론자입니다 우리는 상관없이 당신이 사용하는 어떤 언어 당신이 없습니다 나는 목표는 당신이 일을 끝낼 수있는 경우이다 생각 메모리에 효율적이고 계산적으로 효율적인 패션, 컴퓨터가 폭발하고 종료하지 않고, 그것은 바로 작동합니다 나는 개인적으로, 자바로 개발하는 방법을 배울 수 그래서, 자바에서 편안 해요 이는 내가 상상 정답이 아닌, 많은 사람들이 파이썬이 될 것으로 기대됩니다 선택의 언어, 하지만, 나는 또한으로 실행하는 것 같아요 이것은 다시 의견이다, 있는 사람은 아마 매우 흥분 나는 파이썬을 선호 내 팀의 데이터 과학자가 그녀와 나는 정기적으로 인수를해야합니다 올바른 선택이 무엇인지에 관해서는, 하지만 당신은 내가 큰 함께 문제로 실행했습니다 알고 파이썬을 사용하여 데이터의 양, 그들은 아가미라는이 일이 있기 때문에, 그리고 나는 너무 기술적 싶지 않아, 하지만, 개인적으로 자바를 선호 그러나 다시 나는 불가지론 언어 생각 상황의 종류 – 당신은 당신의 대학원 일을했을 때, 당신은 자바는 사용 않았거나 다른 것을 사용 했습니까? – 대학원 작업은 C에 불행히도했다 ++ 화상 처리 것들 때문에, 이제 내가에서 일을 한 언어이다 과에서 일하는 좋아하지 않는다

(마이크 웃음) 그 것을 유감 이 지배적 인 언어, 자바는, 학부했다 잠시 동안 매우 고통스러운 것, 하지만 지금은 필요한 것을 단지 혼합물의 온다 어떤 문제 – 니스, 좋아 두 번째 질문은 당신이 뭘 조언을 데이터 과학 분야를 입력하고자하는 사람을위한, 하지만 시작하는 방법을 알고하지 않는 이유는 무엇입니까? – 그래서 놀라운 많은 자원이 온라인으로있다, 하지만 난 하나 개 매우 중요한 것은 생각 데이터 과학의 어느 부분이 이해입니다 당신은에 싶어 그래서 여기 뻔뻔한 플러그, 우리는 최근에, 또는 우리는 열거 나 인턴 응용 프로그램이 될거야 곧 데이터 과학 팀, 우리는 3 개 개의 위치 열려있어 내가 생각하는 것을 이해하는 좋은 방법입니다, 내가보기 어떻게 여기에, 우리는 데이터 분석 위치를 가지고 데이터 과학 소프트웨어 공학의 위치, 그리고 데이터 과학 기계 학습 위치, 많은 사람들은 거 할 수 있도록하려는있다 그것의 모든 작업을 수행하려면 같은 규모의 소프트웨어 엔지니어에 좋을 화려한 기계, 과학자 학습 그리고 놀라운 데이터 분석 및 통계 동시에, 하루의 끝에서, 수학 소프트웨어 엔지니어링 및 비즈니스 통찰력 모두 한 사람에 번들되어, 그 사람은, 유니콘입니다 당신이 그 사람에게 모든 시간을 찾을 거 아니에요, 쉽지 않을거야 밤새 그 사람이 와서, 그래서 그 지역 중 하나를 선택하고 그것을 엑셀, 그냥 데이터를 이해합니다 그리고만큼 당신이 그렇게로서, 당신은 팀의 위치에 자신을 찾을거야 누군가가 다른 사람, 다른 일에 뛰어 그냥 서로 배우고 그 기회를, 실제보다 더 가치 아무것도 없다 실제 경험, 온라인 가서 사용할 수있는 데이터 세트 작업, 온라인에 게시되는 문제를 해결, 다음 코스 교육, 나가서 바로 얻을 해당 컴퓨터 과학 석사, 또는 같은, 수학 석사처럼, 이 단계에서, 할 수 있다면, 그것은 의심 할 여지없이 귀중 절대적으로 필요하지 아니하는 경우, 나는 데이터 과학자를 작업했습니다, 생물 학자이다 화학자, 누구, 모든 당신이 알고 여기 저기에서 물리학 자들은 누구인가 – 우리는 여기 질문이 있습니다, 누군가가 당신이 데이터 과학을 적용 할 수 있습니다 요구하고있다 생물학 같은 다른 분야에? – 그래서 그래 물론 의미에서 할 수있는 데이터 과학 도구의 매우 연결하고 칙칙 푹푹하는 소리의 종류이다 하루 모든 것의 끝 번호까지 제공, 모든 데이터 과학, 사전 지식을 복용하고있다 그리고 추측을, 그래서 나에게 매우 흥미로운 연구의 영역, 환경 생물학입니다 우리는 서로 다른 영향을 이해하려고 노력하고 있습니다 생태계에서의 특정 가지 방법 야생 동물 등등에 영향을 미칠 것 나는 여기 생물학적 학술서를 도살에 대 한 미안 해요 오랜만이야, 그 지역의, 한 수집에 대한 사전 지식이 거기로, 당신은 기계 학습 문제로 바꿀 수 나는 무엇을 중요하는 것은 이해 생각이 그것은 모든 분야에 적용 할 수있는, 하지만 시도해서는 안 그것으로 분야를 교체하려면, 그리고는 의견이다 나는 많은 사람들이 믿음이의 생각 AI 많은 것들을 자동화하는 것입니다, 하지만 우리는 작업을 자동화 보았다 또는 특정 일상적인 작업은, 과거에 실패 그리고 내가보고 이해의 문제이다 AI에서, 의무 등이 아닌 교체로 작업을 쉽게하기위한 것 있어요 그리고, 빠르게 반복 할 대신 우리는이를 얻었다 가장 좋은 마음을 가지고 발견에 올려 새로운 일의, AI가 물건을 처리 할 수 ​​있기 때문에 그것은 이미 나는 그것을보고하는 방법을 완전히 구체화 된 것은

– 멋진 대답, 이제 문제는 사람들을위한 더 디자인입니다 보고 데이터 과학 또는 비즈니스 리더는 데이터 과학 팀을 고용, 무엇을, 당신의 조언이 될 것입니다 팀의 유형을 형성하고 무엇을보고 후보에? – 그래서 데이터 과학 팀 예, 내가 도울 수있을 정도로 운이 좋았어요 , 응용 프로그램의 주요 부분을 구축 있는 좋은 기회가되어 왔으며 나를 위해 좋은 학습 경험, 나는 종류의 다양성에 취사 생각 데이터 과학의 다른 기술 성공적인 팀에 필요한 즉, 중요하다 이해 당신은에서 원하는 정확히 데이터 과학 팀, 데이터 과학 팀은 생산 고급 API에 직면 고객, 개인화 서비스를 제공하기 위해, 당신은 어떤 소프트웨어 엔지니어가 필요거야 기계 학습 과학자와 분석가, 데이터 과학 팀은 임시 분석을 수행하기위한 것입니다, 그들은 재고 리스크 관리에 당신을 돕고있는 경우, 또는 예측 판매, 당신은 거의 더 필요하고 통계학 기계 학습 과학자 콤보, 하지 많은 소프트웨어 공학 전문 지식, 그래서 당신은 당신의 데이터 과학 팀으로부터 원하는 것이 무엇인지를 이해하는, 다음을 통해 그것을 분해 할 수있는 이 세 가지 기술 세트가 중요하다 또한, 추천 다시 내가에서 변경 한 실수 그 모집 사냥 쫓고 과거 그 모든 것을 할 수있는 사람을 찾기 위해, 그 거 폐기물 모집 시간 때문에 모집 달러, 팀에 손의 여분의 쌍을 가지고 있지 그 유니콘을 찾기 위해 탐구에 많은 일을 할 수 있었다 그리고 중요한 것은 당신이 보는한다고 생각합니다 새로운 것들을 배울 수있는 능력의 종류, 필요한 경우 동기가 실제로 작업을 수행하려면 그 판단 열심히 때문에 우리는 잘못 당신이 현재 후보로 얻는 15 ~ 20 분, 또는 당신이 후보와 함께 얻을 어떤 시간이나, 하지만 당신은 그것을 찾을 수 있다면, 무엇 이건 당신은을 유지하기 위해 할 수있는, 그것은 매우 드문이기 때문에, 그리고 그것은 확실히 매우 중요합니다 특히이 분야 – 어쩌면 질문 당신이 물어 보곤 될 것입니다 무슨 의미 20 분 인터뷰하는 동안 그 후보 당신은 측정하려고 그들과 함께해야 호기심 및 드라이브? – 그래서 우리는의 종류가 우리는 모집 때, 우리는 휴대 전화 화면을, 전화 화면의 기술 종류, 다음 현장 인터뷰, 그 사람은 인상적인 경우 기술적 전화 화면, 하지만 자신의 지식 격차와 같은 명확한 영역이 있습니다 툴킷, 내가 무엇을 말하고 일을 좋아, 당신이 사이트에있을 때 나는거야 그 대해 물어거야 괜찮아, 및 현장 인터뷰는 나중에 보통 일주일입니다 다음 단지에 깊이가 수 얼마나 참조 그 완전히 새로운 주제를 이해하기 시간의 짧은 기간에, 내가 좋아하는 또 다른 재미 질문은 정확히 당신이 한 말 내가 다섯 살이야처럼 나에게 그것을 설명 그것은 깊은 이해를 보여주기 때문에 현상이다, 하지만 당신은 때때로 흥분을 볼 수 있습니다 그들은 그것을 설명하고있는 사람으로, 나는 과학이 아무리 마법없는 데이터를 의미 당신은 뒤에 이론을 이해 정도, 알고리즘을보고 그냥 기쁨은 무엇인가를 예측, 나는 아직도, 단지 같은 아 너무 멋진 맞아입니다 나는 그 뒤에 수학을 알면서도, 그래서 흥분을 찾고, 중요하다 그 흥분이 거 때문에 당신을 수행 새로운 것을 학습에 전달합니다 – 굉장 우리가 가야 할, 하지만 청중의 마지막 질문이 있습니다, 그것이 얼마나 중요 대해 물어 누가 업계 통계를 알고 즉, 다른 기계 학습 모델 뒤에 간다? – 그럼 그 좋은 질문이다, 그 사람들이 뭔가, 솔직히 나는이 정확히 생각하지 않는다 기계 학습의 모든 작업을 커버하는 정답, 당신은 AI 회사에서 작업하는 경우 때문에, 예 그것은 중요 당신이 개선 알고리즘에 최선을 다하고 있기 때문에, 당신은 새로운 알고리즘을 만들기에 최선을 다하고 있습니다 당신은 사물의 이러한 종류를 이해한다 그러나 동시에 당신이 전자 상거래에 있다면, 값은 누군가 분명히 있다는 것을 기존 모델을 적용 경험을 가지고 다른 데이터 세트에, 이론을 이해하지 못하는 사람 모든 알고리즘 뒤에 재단

그래서, 당신이하려는 작업에 따라 달라집니다 당신은 기계 인 계획하는 경우 연구 과학자 학습, 내가 아는 왜하지 않는 따옴표로 그 퍼팅, 같은 작업에 대한 많은 다른 이름이있다, 기술 세트의 서로 다른 다양한 수준 전문 지식의 다른 영역에서, 하지만 당신은 예 연구 과학자처럼되고 싶은 경우에, 당신은 기계 학습 사람이되고 싶다면 비즈니스 인텔리전스에 초점을 맞추고 자 비즈니스 분석, 그것은 좋은 순서가 더 중요하다 깊은 이해의 오른쪽 종류를 얻을 수 모델 뒤에 통계, 그것은 정말, 당신이 가고있는 작업에 따라 달라집니다 그리고, 바로 자신에게 정직한 질문 당신이 설명을보고 나는이 작업을 수행 할 수 있습니까? 당신이 확신한다면 당신은 할 수 있습니다 그것은 당신을 위해 아마 올바른 일이 아니다 또는 당신을위한 데이터 과학 직업, 그러나 동시에 그게 중요하지 않습니다 의미하지 않는다 즉, 현재의 기존 툴 벨트를 충족시켜 또는 추가 할 수있는 도구의 몇 가지가 아니다 당신의 도구 벨트에 옳은 것을 만드는 – 훌륭한, Ameen는 당신에게 당신의 시간 오늘 너무 감사합니다 당신은 멋진 손님 봤는데, 나는 톤을 배웠습니다, 여기 모든 사람이 이렇게 많은을 가지고 있음을 알고 다른 질문을 요청합니다 어디 사람들이 당신의 보류를 얻을 수 있습니다, 어디 당신에 대해 더 많은 정보를 얻을 수 있습니까? – 그래서 소셜 미디어에 적극적 아니에요, 나는, 경우에 트윗 않습니다 그래서 내 트위터 핸들이 @AmeenKazerouni이며, 거기 초 동안 무엇 나는 잊었다 그것은 @AmeenKazerouni입니다 당신은,이 나에게 질문을 촬영할 수 있습니다 나는 흥미있는 기사를 공유하려고 그 나는 인터넷을 통해 내 stumblings에 건너 이 있는지뿐만 아니라 단지 링크드 인에 띄워 줘 좀 더 자세히에 뛰어 원하는 무엇이든, 당신은 링크드 인에 나를 찾을 수 있습니다 시간, 나는 대화에 들어갈 행복 해요 허용 심지어 통화 뛰어 무엇에 대해 채팅 당신은에 관심이 – 좋아 멋진, 에서 조정되어 모든 사람을위한, 또는, 팟 캐스트를 듣고 있습니다 짧은 URL은 Ameen의 링크드 인 프로필에 도착합니다 단지 AMEEN, expn/ameen한다 또한 당신도 비디오를 시청하는 경우 페이스 북이나 유튜브에, 나는 정보 섹션에서해야합니다 또는 Ameen의 트위터 계정에 코멘트 링크에서 링크드 인 프로필은 당신이 거기에 그를 따를 수 있도록 확실히 당신의 레이더에 Ameen을 유지하려면 모든 일을 그가 해왔 사용자들은, Ameen는 오늘 우리의 쇼에 참여 해주셔서 너무 감사합니다 곧 다시 말을 기대

– 나에게 마이크를 가진에 대한 나의 즐거움 덕분에, 언제든지 다시 내가 행복 해요이 작업을 수행 할 수 – 최고 돌봐 – 안녕, 당신도 감사합니다

장문 오늘은 진짜 잠이들지 않는 정말 신기한 …

장문 오늘은 진짜 잠이들지 않는 정말 신기한 날이다 피곤하다고 누워서 정말 눈을 말똥말똥 뜨고 하늘만 아니 어두운 천장만 쳐다봤다 살면서 피곤한 일이 많을 팔자인지 모든 비극을 액땜이라 여기며 긍정에너지로 달려온 내가 오늘은 살짝 우울하다 왜냐하면 나는 내가 가장 큰 내 단점을 아직 못 고치고 있기 때문 나의 가장 큰 단점은 애초에 이런 싹쑤가 보이는 문제를 알면서도 의리란 이름으로 내자신을 속인다 아주 잘 원래 성격이 불같은 사람과 내면의 불길을 열정으로 보여주는 사람과는 조금 다르지 공과 사 구분할 줄 알아야하는게 맞지만 아직은 난 내가 좋아하는 사람과 같이 일하고싶어 근데 그러기엔 내가 아직 너무 작지 아니 그 크기를 옆에서 말해줘 그냥 내가 작은 사람으로 겸손하고싶다 내가 작은 사람이라고 정하는건 적어도 넌 아냐 원래 난 이렇게 말해 라고 하는 나의 소중한 친구여 난 원래 그 대사를 이렇게 멀뚱멀뚱 그냥 듣는 사람이어서 가만히 있는 것 같아 자주 듣는 질문 답변 1 그냥 못 해줘 그냥 해줄 수는 있는데 그 말 듣고는 힘들다 2 그 때는 해주고 왜 지금은 그 때는 너가 나한테 정말로 고마워 했음 3 너 뭐 되냐 암 것도 아니긴한데 그렇담 이제 아쉬울 때 나같은 조빱찾지마라 4 야 얘 정상같냐 날 다른 사람들 앞에서 너의 아래로 봐도 되지만 그 생각은 속으로만 좀 부탁 좀 한다 5 몇 대 맞을래 나이 먹고 실화냐 후 6 너 왜 이렇게 입냐 7 요새 연애 안하냐 못하는중 8 너 방금 뭐라했냐 다시 말해줌 9 너 대가리 굴리지 마라 나는 생각을 하고 말하려고 함 10 4 4

What is backpropagation really doing? | Chapter 3, deep learning

이 문제는 우리는 역 전파의 관점에서가 즉 신경망 학습의 핵심 알고리즘 다시 우리가 전에 얘기 곳에서 조금 살펴 후 우선 나는 다시 시각적으로 언급하지 수식을 치워 버리고 싶어 무엇을해야 하는지를 결국 알고리즘 당신의 일부가 원하는 경우 수학 내부 좋은 모습을 촬영합니다 나는이 모든 뒤에 수학을 설명 할 것이다 다음 비디오 첫 번째 두 개의 비디오를 읽는다면 또는 당신은, 직접 공수 비디오의이 문제에 대한 충분한 배경이있는 경우 당신은 신경 네트워크가 무엇인지 알고 있어야하며 정보를 피드 포워드 방법 여기서 우리는 고전적인 예는 손으로 쓴 숫자 인식 고려해야 디지털 픽셀 값은 뉴런 네트워크 (784)의 제 1 층에 입력된다 여기에는 숨겨진 레이어 2 개 (16 개) 뉴런이 있다는 것을 보여 출력 뉴런 층 (10)은 네트워크 선택 궁극적 수득 나타낸다 나는 또한 그라데이션 하강에 올 때 당신이 이전 기간을 이해했다고 가정 소위 학습 이해를 참조 우리는 비중 바이어스를 찾으려면 있도록 비용 함수의 최소화 약간의 알림 훈련 샘플의 비용을 계산하는 당신은 네트워크 출력을 찾을 필요 그리고 예상 출력 그리고 각각의 차이의 제곱 그리고 수십 같은 훈련 샘플의 수천을 위해 다시 마지막 수를 평균을 이는 전체 네트워크의 비용 가치있다 당신이 충분히 복잡하지 않은 의심되는 경우, 다음 또한 파트의 내용에 대해 이야기 우리가 요구하는 비용 함수의 부정적인 그라데이션 그것은 모든 연결 무거운 편견의 권리를 변경하는 방법을 알려줍니다 가격에 가장 빠른 감소 가자 역 전파의 현재 세트의 센터 이 단지는 버스트의 기울기를 찾는 데 사용됩니다 우리가 염두에 단단히 것을 언급에 집중할 수 있기를 바랍니다 결국 13,000 차원 그라데이션 벡터 상상하기 너무 어렵지 않다 그래서 여기에 우리가 기억하는 그 아이디어의 또 다른 세트 그라데이션 벡터의 각각의 크기는 당신에게 말할 것입니다 각 매개 변수에 대한 비용 함수 얼마나 민감 이제 당신은 내가이 과정에 대해 이야기하고 잠시 동안 이동한다고 가정 해 봅시다 음의 기울기를 계산 이 라인은 32과 동일한 중량의 중량에 상당 그리고이 0

1 동일한 에지에 대응 그래서 당신은 이해 될 수있다 비용 함수의 값의 32 배 중량 제 영향 당신은 조금에게 최초의 무게를 변경하는 경우 그것은 비용 값 변화에 의한 두 번째는 중량을 동일의 32 배의 크기를 변경하는 것 개인적으로 나를 위해, 내가 다시 전파 시간을 배우기 시작 나는 가장 중요한 부분은 첨자, 다양한 기호와 첨자를 혼동하기 쉬운 생각 그러나 알고리즘의 명확한 아이디어 당신이 한 번 스트로크 사실, 알고리즘의 모든 단계는 매우 직관적 사실, 갈 층으로 천 개 작은 조정 레이어에 넣어 그래서 나는 완전히 모든 기호를 포기 설명하기 시작했을 때 당신이 단계의 설명에 의해 단계를 제공 각 훈련 샘플 무게는 어떤 영향 오프셋 조정됩니다 비용 함수가 포함하기 때문에 샘플 수천 훈련의 비용은 평균 그래서 우리는 체중 바이어스 그라데이션 하강의 모든 단계를 조정 그것은 교육의 모든 샘플을 기반으로합니다 원리는 말을하는 것입니다 그러나 효율성을 계산하기 위해 우리는 영리를 논의 후 그래서 모든 단계를 계산하지 않아도 모든 훈련 샘플해야 또한 당신은 가리 키도록해야합니다 우리는 단지 훈련 샘플 2이에 관심을 이 훈련 샘플 무게와 바이어스 조정에 미치는 영향이 어떤 종류의 원인이됩니다입니까? 이제 네트워크가 아직 완전히 잘 훈련되지 않은 것으로 가정 그런 다음 출력 층의 활성화는 매우 무작위 보인다 아마도 훨씬 더있을 것입니다 05 08 02 우리는 직접적으로이 값은 변경 무게와 바이어스 값을 활성화 할 수 있습니다 변경할 수 없습니다 하지만 우리는 여전히 매우 유용 출력 층이 발생 변경할 기억 우리가 원하는 때문에 최종 이미지 분류 결과는 2 우리는 세 번째 출력 값이 다른 작은 값을 증가 기대 그리고 크기 변화에 비례 한 전류와 목표 값 사이의 차이가 있어야 그리고 크기 변화에 비례 한 전류와 목표 값 사이의 차이가 있어야 예를 들어, 증가하는 숫자 "2"신경 활성 값 그것은해야 뉴런의 수를 줄이기보다 "8"활성화 값이 더 중요하다 후자의 목표에 매우 근접하기 때문에 그럼 더이 다음 하나 개의 신경 세포에 초점을 우리에게 올 우리는 더 큰 값의 내부를 활성화하려면 이 활성화 값입니다 기억 이전 층의 모든 가중치의 활성화 바이어스 플러스 다시 시그 모이 ReLU 같은 기능을 눌러 그 중 마지막 카운트 그래서 활성화 값을 높이기 위해 우리는 세 가지 길을 가야 두 증가는 체중 증가를 상쇄 또는 활성 값의 제 3 변형의 상층 가중치를 조정하는 방법에 대해 먼저 살펴 개별 무게 영향력이 변화의 신경 세포의 연결이 가장 큰 힘이되기 전에 밝은 권리의 무거운 영향 일 이러한 가중치는 활성화의 큰 값을 곱한 것 때문에 이 샘플 적어도 교육의 관점에서 그래서 발생하는 비용 함수의 최종 무게 값에 이들의 영향을 증가 권리에 영향을 미치는 것은 무거운에 의한 신경 세포보다 더 황량한 연결을 증가 Shanghao에 배의 우리가 그라데이션 하강의 말할 때 마음에 계속 우리는 그 증가 또는 감소하고 각 인수에 보이지 않는 우리는 또한 어떤 매개 변수 가장 높은 가격을보고 그런데,이 설명 생물처럼 약간 가지고 방법 신경망 학습의 이론 요약 "허브 이론은" "함께 뉴런의 활성화와 관련" 연결 부분이 강해진다 가장 큰 증가 가중치를 여기에 무거운입니다 이미 그것은 가장 활동적인 신경 세포에서 발생 원하는 흥분과 뉴런 사이 신경 자극을보고라고 할 수 2시 그리고 더 밀접하게 연결하는 뉴런 "2 생각"영감됩니다 여기에 설명 I 여부를 개인적으로 정말 ANN을 생물학적 작은 말을 모방 뇌에 작업 "함께 뉴런의 활성화와 관련

"이 문장은 별표 코멘트를 공격하고 그러나 거친 비교 나는 그것이 매우 흥미로운 생각 신경 활성화 방법의 가치를 증가시킬 수 세 번째 집 가까이 이는 이전 계층의 활성 값을 변경하는 것 구체적으로는, 모든 긍정적 인 신경 연결 가중치 밝은 원한다면 신경 세포는 모든 부정적인 무게 어두운 단어를 연결 그런 다음 신경 세포의 숫자 2는 더 강하게 흥분 될 것입니다 그리고 무거운 무게 유사한 변화는 우리가 더 큰 영향을 만들려는 경우 활성화의 값에 비례하여 대응하는 가중치를 변경하는 데 필요한 크기에 따라 물론, 우리는 직접 활성화 값을 변경할 수 없습니다 우리는 손 무게와 편견을 제어 할 수 있습니다 그러나 마지막 층 인을 위해 우리가 빛의 변화에 ​​앞으로 도움이 나보고 기억 하지만이 예상되는 변화의 신경 세포 번호 2보기의 글로벌 관점에서 잊지 마세요 우리는 또한 신경 세포의 마지막 층 약화 자극 휴식이 필요 그러나 나머지 출력 뉴런의 각 끝에서 두 번째 레이어를 변경하는 방법에 대한 자신의 생각을 가지고 그래서 우리는 2 번 신경을 기대 그리고 다른 출력 뉴런의 기대를 모두 추가 할 끝에서 두 번째 뉴런 층을 변경하는 방법의 표시로서 이러한 변화는 단지의 배수에 해당하는 가중치를 기대하지 각 뉴런 여러 값 변화를 활성화 이것은 실제로 "다시 전파"개념의 실현 변경까지 추가에 우리 모두가 기대 변화의 끝에서 두 번째 시리즈의 변화량을 구하려면 다음으로 우리는이 과정을 반복 할 수 있습니다 제 2 층 신경의 영향의 파라미터를 변경 활성화 역수 값 이 과정 후 이전 레이어에 레이어가 첫 번째 레이어에 재활용 된 큰 그림을보고 우리는 얘기 기억 당신이 훈련의 모든 무게의 단일 샘플의 영향을 오프셋? 우리는 필요 포커스 경우 그 "2" 마지막으로, 모든 이미지를 넣어 것입니다 네트워크는 "2"로 분류된다 그래서 당신은 다른 모든 훈련 샘플 다시 전파 동일한 방법이 될했다 각각의 샘플을 기록 가중치 및 바이어스를 수정하는 방법을 궁금해 마지막으로, 평균 값을 복용 여기서 일련의 크기 바이어스의 평균 중량을 미세 조정 느슨하게 말하기 동영상에서 명시된 기간의 비용 함수의 음의 기울기이고 그것은 적어도 스칼라의 배수 여기 엄격 나는이 스피너를 정량화하는 방법을 정확히 설명하지 않은 것을 의미하지 않습니다 모든 변경 사항을 알고 있다면 그러나 나는 언급 왜 어떤 번호는 다른 디지털의 몇 시간은있다 그리고 마지막으로, 모든 방법을 추가 당신은 반 전파의 진정한 원리를 알고 또한, 만약 각각의 단계 구배 하강의 실제 작동 다음 너무 오래 될 경우에 소요되는 시간을 계산하기 위해 각 훈련 샘플을 지출해야 우리는 일반적으로 할 첫째, 훈련 샘플은 다음 여러 그룹으로 나누어 화가 minibatch 훈련 샘플이 아니라 100가 포함되어있는 경우 각 minibatch 그럼 당신은이 minibatch의 드롭 단계를 계산 이 비용 함수의 기울기의 사실이 아니다 결국, 우리는 진정한 기울기를 계산보다는 샘플이 모든 부분 집합을 지출해야 그래서이 다운되지 가장 효율적인 단계입니다 그러나 각 minibatch는 당신에게 좋은 근사치를 줄 것이다 그리고 더 중요한 것은, 당신은 계산을 많이 줄일 수 당신이 경로 밖으로 그려 아래로 비용 함수의 표면을 따라 네트워크 싶은 경우에, 그것은 술에 취해 같은 비트가 훌쩍 적어도 속도 빨리 언덕 아래로 산책 만 보인다 첫째 정확하게 내리막 세심한 사람처럼 스테핑 전에 좋은 방향을 계산하지 않고 그런 다음 그 방향으로 다시 조심스럽게 천천히 한 단계 이동 이 기술은 "확률 그라데이션 하강"이라고합니다 선한 일의 내용의 많은 우리 첫째 요약 역 전파 알고리즘은 계산됩니다 가중치 및 바이어스를 수정하는 방법에 개별 훈련 샘플 생각 각 매개 변수는 말은 안 크거나 작게 또한 포함 된 가장 빠른 비용을 줄이기 위해 이러한 변화의 어떤 비율입니다 진정한 그라데이션 하강 훈련 예 수만 그렇게 작동 얻으려면 그런 다음이 값 변화에 평균을 하지만 숫자가 너무 느립니다 그래서 당신은 갈 minibatch 각각에 할당 된 모든 샘플을 넣을 수 있습니다 하강 기울기로서 계산 단계 minibatch 기울기 조정 파라미터는 연속적인 사이클 minibatch마다 계산 당신은 결국에 비용 함수의 로컬 최소로 수렴됩니다 이 시점에서 우리는 훈련 데이터를 처리하기 위해 당신의 신경 네트워크가 아주 좋은되었습니다 말할 수 모두 모두에서 우리는 코드의 모든 사람에게 역 전파 알고리즘을 달성 사실, 어느 정도 대응은 콘텐츠에 우리가 이미 알고있는 하지만 가끔은 절반 만 수행 수학적 원리의 이해 어떻게 이런 일이 혼동 명에서 그렇게 할 것 깰 그래서 여기에이 사건을 논의하려는 경우 다음 비디오, 우리는 수학의 형태로 제공 콘텐츠 발행합니다 다음 비디오, 우리는 수학의 형태로 제공 콘텐츠 발행합니다 본 희망 한 후 그 중 일부는 받아 들일 쉬울 때 다른 정보를 봐 종료하기 전에 나는 재 방문을 생각한다 그들에게 일을 만들기 위해 학습을 포함한 신경 네트워크를 포함한 모든 기계를 포함하여 역 전파 알고리즘, 당신은 훈련 데이터의 큰 덩어리를 필요 우리가 사용하는 손으로 쓴 숫자의 예로는 쉽게 MNIST 데이터베이스가 있기 때문에 좋은 사람 분류 된 모든 샘플 그래서 가장 익숙한 기계 학습 장애 분야 학습 데이터보다 좋은 점수를 받기 이미지 마크의 사람이 수천 전화 여부 아니면 언급 할 가치가 다른 유형의 데이터를 표시합니다 그래서 여기에 우리가 CrowdFlower 소개 오늘날의 스폰서를 활용할 수 있습니다 데이터 과학자들은 훈련 데이터와 소프트웨어 플랫폼 개발에 주력하고 기계 학습 팀을 만들 데이터 과학자들은 훈련 데이터와 소프트웨어 플랫폼 개발에 주력하고 기계 학습 팀을 만들 그들은 당신이 오디오 또는 텍스트 데이터 이미지를 업로드 할 수 있도록 그런 다음 표시 현실을 보자 당신은 인간 – 인 – 더 – 루프 "개입"방법을 들어있을 수 있습니다 사실, 여기 경우입니다 기계 지능을 훈련하는 인간의 지능의 사용 여기에 그들은 또한 지능형 품질 관리 메커니즘을 많이 배치 데이터 깨끗하고 정확한 확인 그들은 시간의 테스트를 수천에게 AI 프로젝트 데이터를 도왔다 더 많은 재미는 우리가 무료 T 셔츠를받을 수있는이 시간 액세스 3b1bco/crowdflower 또는 정보 화면에서 유일하게 지정된 링크입니다 당신은 당신의 새 프로젝트를 만들려면 새 계정을 등록 완료 당신은 무료 T 셔츠를 얻을 수 있습니다 나는 좀이 매우 멋지다 좋아 그래서 현재의 기간 동안 CrowdFlower 지원 감사 또한 모든 방법 자금이 시리즈 Patreon의 모든 후원자에게 감사를 표합니다