▶ 최은희 별세 신정균 감독 영화같은 삶 ▶ KDH 긴급 속보

최은희 별세 신정균 감독 영화같은 삶  배우 겸 영화감독 최은희 씨가 어제 별세 하셨습니다 故 최은희의 장남 신정균 감독은 “어머니가 오늘 오후 병원에 신장투석을 받으러 가셨다가 임종하셨다”고 밝혔는데요

그녀는 영화보다 더 영화 같은 삶을 사셨습니다 고인은 1942년 연극 청춘극장으로 데뷔한 후 1947년 새로운 맹서로 스타 여배우가 됩니다 대표작으로 밤의 태양(1948), 마음의 고향(1949) 등이 있는데 1950-1960년대 한국의 여배우 트로이카로 불립니다 그녀는 1953년 영화 코리아를 통해 신상옥 감독을 만나고 그들은 1954년 결혼을 하는데요 신상옥 감독은 다른 여배우 오수미와 연인 관계로 발전했고, 최은희와 결혼한 상태에서 오수미는 첫 아이를 낳았다고 합니다

최은희는 처음 신감독의 외도 사실을 알고 오수미가 신감독과의 사이에서 첫 번째 아이를 낳았을 때만 해도 이를 있는 대로 받아들이려고 했다고 예전 한 프로그램에서 털어 놓았는데요 둘째 아이가 생기면서 아이는 아버지 어머니 두 사람 아래서 자라야 한다고 생각했고 그래서 이혼을 결심했다고 고백했습니다  그러다가 영화 같은 일이 벌어지는데요 최은희는 1978년 홍콩으로 갔다가 북한 공작원에 의해 납치됩니다

그리고 최은희 행방을 찾으러 홍콩을 갔던 신상옥 감독도 같은 해 납치된 뒤 5년이 지난 1983년 북한에서 재회했다고 합니다  최은희와 신정균 감독은  북한에서 신필름 영화 촬영소 총장을 맡으며 돌아오지 않는 밀사(1984년), 사랑 사랑 내 사랑(1984년) 등 모두 17편의 영화를 찍었습니다 그리고 1986년 오스트리아 빈 방문 중 미국 대사관으로 진입해 망명을 합니다 

최은희 자녀에 대해서도 많이 궁금해 합니다 배우 최은희와 신상옥 감독은 아이가 생기지 않아 아이 둘을 입양해 키웠습니다 그리고 북한에서 탈출한 뒤 오오수미 자녀들을 입양합니다 오수미는 1992년 하와이에서 교통사고로 세상을 떠납니다 지난 2006년 고 신상옥 영화감독의 딸 신승리씨가 결혼 할 때 사진작가 김중만씨가 대부 자격으로 신부 손을 잡고 입장하기도 했죠

  신정균 감독은 한 인터뷰에서 내가 입양된 아들이었다는 것을 언론 보도를 통해 알게 됐다”면서 “가장 충격을 받은 부분이었다 중학교 3학년에 올라갈 때쯤 부모님이 실종되셨다 당시 신문 1면에 부모님의 실종 기사가 났는데, 양아들 정균이라고 적혀 있었다 전혀 몰랐던 사실이라 너무 충격이었다고 말한 바 있습니다

Legal Technology Track: The Blockchain & AI: Smart Contracts, Machine Learning, & the Future

(낙관적 인 음악) 안녕하십니까, Blockchain과 AI에 오신 것을 환영합니다 이것은 우리가 이야기 할 세션입니다

솔직히 말해서, 당신은 아마 듣기가 아플 것입니다 대부분 당신이 알아 내지 못했기 때문에 지금 당장 자신의 실천에 사용하는 방법 그래서, 당신이 그것을 배우고 싶다면, 이것이 당신을위한 올바른 방입니다 나는 모두를 환영하고 싶다 저는 조슈아 레논입니다, 저는 클리오에서 거주하는 변호사입니다

얼마나 많은 사람들이 저에 대해 들어 봤습니까? (박수와 응원) 그래서, 네, 레지던스의 변호사가 제 직책입니다 나는 그것을 만들었지 만, 지난 6 년 동안 Clio와 함께 일할 수있는 특권을 가졌어 신기술 연구에, 그들이 법률 관행에 어떻게 영향을 미치는지 왜 우리가 투자해야하는지 그 기술을 배우는 데있어서 그리고 무대에 오신 것을 진심으로 환영합니다 블록 체인 및 기계 학습 분야의 두 지도자 첫 번째는 Dat Nguyen입니다

그는 전 특허 심사관이다 미국 특허 사무소, 특허 변호사, 지금 Sagewise의 특별 프로젝트 부회장 세이지 와이즈 (Sagewise)가하는 모든 것을 망쳐 놓을 생각은 없습니다 하지만 정말 흥미로운 제품입니다 블록 체인의 법적 요구 사항을 살펴 봅니다

다른 방향보다는 오히려, blockchain은 합법적으로 무엇을 할 수 있습니까? 혁신적인 제품을 만들고 있습니다 그는 당신에게 높은 수준의 개요를 가르쳐 줄 것입니다 blockchain의 사용 방법과 사용 방법 오늘 너 연습에있어 그리고 그를 따라 가면 Jake Heller가 될 것입니다 누가 다른 변호사인가

그는 Ropes and Grey로 캘리포니아에서 연습했습니다 스탠포드 로스쿨로 돌아갔습니다 스탠포드 코덱스 프로그램에 가입하려면, 혁신적인 인큐베이터 합법적 인 기술 창업을위한 그리고 그는 Casetext라는 놀라운 도구를 만들었습니다 기계 학습을 사용하는 법률 연구를보다 쉽게 ​​할 수 있도록 도와줍니다 그리고 그들은 그 기술에 뛰어 들어야합니다

특정 사용 사례 및 왜 당신이보고 있어야하는지 오늘날 귀하의 실천의 일부로서 이러한 기술에서 그리고 그것으로, 나는 그것을 Dat에게 건네 주겠다 조금 더 가르쳐 줘 Legaltech, 블록 체인 및 현명한 계약에 대해 고맙습니다 (청중 박수) 조쉬, 고마워

훌륭한 소개 였어 나는 여기에있어 기쁘다 모든 사람들이 블록 체인에 대해 들었습니다 그리고 cryptocurrencies 및 Bitcoin, 그래서 나는 그것을 넘어 가지 않을 것이다 오늘 당신과 함께 나누고 싶습니다

그 기술 전부가 법률 분야에 어떻게 영향을 미치는지입니다 그래서, 그냥 배경을 커버 모를 수도있는 사람들을 위해 따라서 블록 체인에 대해 생각해 볼 수있는 가장 쉬운 방법 인 블록 체인 그것은 불변의 장부이며 그것이 배포된다는 것입니다 전 세계의 컴퓨터들 사이에서 그리고 다른 많은 기술들이 있습니다 나는 들어갈 수 있지만 지금은 너에게 세부 사항을 알려줄 것이다 그리고 이렇게,의 채택으로, 블록 체인 (blockchain)과 분산 원장 (distributed ledger)을 사용하여, 거기에는 많은 이점이 있습니다

또한 장점 중 하나는 문서 인증입니다 많은 국가들이 실제로 앞으로 움직이고 있습니다 합법적 인 법과 규정 법정에서 블록 체인 기록을 인정합니다 그래서 버몬트, 뉴 멕시코, 애리조나는 처음 세입니다 네바다 주에는 제안이 있습니다

중국 대법원 이미 블록 체인 기록을 인정하고 있습니다 블럭 체인 레코드 란 무엇입니까? 그리고 본질적으로 블록 체인 기록입니다 우리가 제안한 첫 번째 유스 케이스 중 하나 블록 서명에 대한 전자 서명 및 문서 인증입니다 근본적으로, 나는 모두가 여기에 있다고 생각한다 아마도 DocuSign과 같은 전자 서명 솔루션을 사용했을 것입니다

당신은 단순히 그것을 서명하고 무슨 일이 일어 날까? 당신은 전자 메일, 날짜, IP 주소는 안전하지 않습니다 실제로 많은 인증을 제공하지는 않지만, 사실 이외의 누군가가 특정 날짜에 몇 개의 버튼을 눌렀다 고합니다 그리고 거기에는 많은 공간이 있습니다 아마도 불법 행위일지도 모릅니다 문서를 닥터

부동산 분야의 사람들과 실제로 이야기했습니다 이런 일이 꽤 자주 일어나는 곳 클라이언트가 잠재적으로 문서에 서명하는 경우 그러면 언더 라이터가 와서 PDF를 변경합니다 앱을 변경하고 요청을 변경합니다 백만 달러에서 백만 달러에 이르기까지, 그것을 제출하고 나중에 약간의 분쟁이있을 수 있습니다 문서에 서명 한 사람과 실제로 서명 한 사람

현재 전자 서명 솔루션이있는 경우 네가 가진 모든 것은 이것은 특정 시간에 서명되었다 이제는 매우 어려운 과정을 거쳐야합니다 본질적으로 그것을 인증하는 것 그리고 어느 것이 진짜 버전인지를 증명합니다 그건 상당히 어렵습니다 따라서 어떤 블록 체인을 사용하면 가능합니까? 지금 문서에 서명 할 수 있니? 그리고 나서 우리는 해시를 제공합니다

서명시의 문서의 암호화 해시 그리고 해시는 수학적으로 입증 될 수 있습니다 모든 문서에서 독특하고 고유합니다 근본적으로 문서의 지문입니다 서명 할 때 그 지문은 블록 체인에 저장됩니다

당신의 계약이 아니라 단지 지문 그리고 그것에 대한 좋은 점은 그것은 매우 싸고, 거의, 거의 무료라는 것입니다 큰 문서를 블록 체인에 저장하기 매우 비쌉니다 그래서 우리는 물건을 매우 싸고, 아주 자유롭게 유지하려고 노력하고 있습니다 그렇게하기 위해 제 3 자에게 의존 할 필요가 없습니다

따라서이 암호화 해시를 사용하면 어떤 일이 발생합니까? 이 암호화 해시로 어떤 일이 발생합니까? 이후에 문제가있는 경우 두 경쟁 당사자는 경쟁 문서 해시 생성기에 넣고 해시를 생성합니다 그리고 해시에서, 각 당사자는 다른 해시 값을 얻습니다 따라서 원본 문서는 원본 해시와 일치합니다 그것은 블록 체인에 저장되어 있습니다 그리고 그것도 간단합니다

현재 전자 서명 솔루션처럼 사용해야한다면, 제 3 자에게 소환장을 발부해야합니다 그것은 상처와 많은 비용의 세계입니다 그리고 그럴 가치가 없습니다 그러나 우리의 해시와 현재 상태 블록 체인 레코드를 받아들이는 방향으로 움직이고 있습니다 나는 문서 조작과 위조의 종류라고 생각한다

과거의 일이 될거야 요즘은 위조하기가 거의 불가능하기 때문에, 적어도 그걸로 도망 가라 이 솔루션을 제 위치에 가지고 있다면 그래서, 미안 해요 저도 그냥 건너 뛰었습니다

그래서 우리의 제품은 내가 돌아갈거야 그러나 우리가 곧 출시 할 제품 Blokusign, BLOKUSIGN이라고합니다

wwwblokusigncom에서 오픈 베타 프로그램에 가입 할 수 있습니다 그리고 다음 몇 달 동안은 무료로 사용할 수 있습니다 괜찮아? 그리고 이제 저는 영리한 계약을 맺을 것입니다

그래서, 앞뒤로 뛰어 드는 것에 유감스럽게 생각합니다 똑똑한 계약이란 무엇입니까? 똑똑한 계약은 본질적으로 컴퓨터 코드입니다 이는 촉진, 검증 또는 집행하기위한 것입니다 협상과 계약 이행 본질적으로 그것은 단지 실행합니다

계약에서 협상 된 것 나는 모든 사람들이 실제로 새로운 현명한 계약을 체결했다고 생각합니다 자동 결제를 한 적이 있다면, 그것은 본질적으로 똑똑한 계약입니다 청구서가 접수 된 날짜, 은행 계좌에서 자동으로 자금을 분배합니다 그것은 똑똑한 계약입니다

일반적으로 똑똑한 계약이 생겼습니다 코드 줄, if 및 then 문 그리고 그것은 정말로 계약이 아닙니다 나는 우리 모두 변호사라고 생각한다 우리는 진짜 계약이 아닙니다

그리고 똑똑한 계약에 대한 나의 큰 불만 정말로 그것이 잘못된 명칭이라는 것입니다 그리고 그것은 많은 혼란을 야기합니다 사람들이 똑똑한 계약이라는 용어를 사용하면 계약도 아니고 영리한 것도 아닙니다 완전히, 우리는 그것에 도달 할 것이다 그렇다면 똑똑한 계약이란 무엇입니까? 그리고 예, 그것은 단지 성능입니다

그것이 전부입니다 그 후에 내 법적 분석을 보낼 수 있습니다 너희들이 관심이 있다면, 당신이 나에 대해 그것에 대해 괴롭 히고 싶다면 그러나 그것이 전부입니다, 그것은 성능의 증거입니다, 그것은 정말로 그것입니다 세가와와 (Sagewise) 리카르도 계약을 사용하는 것이 좋습니다

그리고 그것은 모두가 일반적으로 이해하는 것입니다 계약으로서, 그것은 법적 구속력있는 도구입니다 그리고 암호와 블록 체인 세계에서, 우리는 두 개의 분리 된 용어를 가지고 있습니다 기간은 Ricardian 계약이다 본질적으로 법적 구속력이있는 계약 그것은 현명한 계약으로 결혼했다

그리고 다시 똑똑한 계약 그 (것)들을 프로그램하는 사람들만큼 똑똑하다 그리고 지난 한해 동안, 너 뉴스에 들었을거야 몇 개월마다, 매 2 주마다, 블럭 체인 (blockchain)과 암호 공간 (crypto-space)에 대한 뉴스가 있습니다 사람들이 수천만 달러를 잃고있는 곳, 수백만 달러, 현명한 계약 취약성 때문입니다 그 주된 문제는 사람들이 변호사가 아닌 사람, 합법적으로 훈련받지 않은 사람, 코드를 입력하고 작동하도록 기대하십시오

프로그래머 간의 철학 변호사는 두 가지 다른 프로그래머들이 일하려고 노력한다 그런 다음 물건을 고치는대로 수정하십시오

그러나 똑똑한 계약과 돈을 보내는 문제 한 번 사라 졌어요 고칠 수 없어요 불변입니다 그것은 블록 체인에 기록되어 있습니다 장부에 기록되어 있습니다

그 돈을 돌려받을 수는 없습니다 그리고 우리는 Sagewise에서 시도합니다 도구에 대해 생각하고 도구를 개발하는 방법 본질적으로 이러한 취약점 중 일부를 도울 수 있습니다 본질적으로, 우리는 모든 현명한 계약을위한 툴킷을 개발합니다 그래서 본질적으로, 그것에 대해 생각하는 가장 좋은 방법은 당신은 베스트, 다음 중대한 미국 소설을 쓸 수있는가? 표준 Microsoft Word, 미안 Microsoft Text, 오랜 시간이 걸릴 수도 있고 그렇지 못할 수도 있습니다

모든 도구가 있지만 절대적으로 할 수 있습니다 하지만 대부분의 사람들은 워드 프로세서를 사용할 것입니다 Microsoft Word를 좋아하고 이러한 모든 다른 도구를 가지고 있습니다 그리고 본질적으로 그것이 우리가하고있는 일입니다 똑똑한 계약은 모두 똑같은 일이 필요해

같은 도구 그리고 세이지 와이즈 (Sagewise)에서 우리는 그 예를 생각해 봅니다 그래서 사용자로서, 또는 본질적으로 현명한 계약을 사용하는 사람, 똑똑한 계약에 대해 너무 많이 알 필요는 없습니다 네가 알아야 할 것만 똑똑한 계약서가 원하는 것 우리는 당신이 신속하게 그것을 할 수있는 도구를 제공합니다 모든 코딩을 배울 필요가 없습니다

응, 그래서 거의 다 됐어 그래서 나는 그걸 버릴거야 남은 시간을 질의 응답으로 저장하십시오 나는 너희들이 많은 관심을 가질 것이라고 확신한다 (관객 박수) 감사합니다

– 모두들, 어때? Clio를 위해 흥분하셨습니까? (청중 응원) 알았어, 나 얘기 할거야 법에 인공 지능에 대해서 그리고 나는 BS와 과대 광고에 대해서 이야기 할 것입니다 그리고 내가 의미하는 바는 당신이 읽는 거의 모든 것입니다 인공 지능에 관하여 지나치게 과장된 과장 또는 넌센스입니다

그리고 나는 뭔가하려고 노력할거야 그 일이 훨씬 쉬워졌습니다 우리는 두 가지에 대해 이야기 할 것입니다 짧은 프리젠 테이션 중 AI는 실제로 무엇입니까? 주변에 실제 정의를하십시오

둘째, 어떻게 오늘 그것을 사용할 수 있습니까? 연습하면서 더 나은 연습을 할 수 있을까요? 그것들은 제가 다루어야 할 두 가지입니다 그래서 우선 AI는 무엇입니까? 가장 간단한 정의, 인공 지능은 기술입니다 인간 지능의 측면과 비슷합니다 그처럼 간단합니다 그리고 나는 왜 인공 지능 많은 사람들에게 그렇게 혼란스러운 용어입니다

이렇게 많은 다른 것들을 포함한다는 것입니다 거의 모든면을 포함합니다 인간으로서 우리가 어떻게 상호 작용하는지 육체적, 지적인 세계와 기계 학습은 인간 지능의 측면을 모방합니다 그것은 바로 패턴 인식입니다 자연어 처리는 텍스트, 그것은 실제로하기가 매우 어렵습니다

몇 가지 예를 들어 보겠습니다 컴퓨터 비전, 개체 인식 음성 인식, 그건 Alexa와 Siri입니다 로봇 세계는 실제 세계와 상호 작용합니다 그리고 이미 말했듯이, 인공 지능의 일부 측면 만있다

심지어는 대부분의 법률 관행에 적용됩니다 예를 들어, 하지만 거기에 로봇 공학 AI 응용 프로그램을 알고 있다고 생각합니다 적어도 아직 법 집행에 인공 지능은 어떻게 가능합니까? 이 모든 것을하기 위해서? 그리고 여기에 대한 대답은 왜 인공 지능을 둘러싼 많은 혼란이 있습니다 여러 가지 방법이 있기 때문입니다

인간 지능의 측면을 근사화하는 것 전문가 시스템이 있습니다 문자 그대로 프로그램에 코딩하는 것, 이 벽에 부딪 치면 우회전하고, 그 벽에 부딪쳐 왼쪽으로 돌면 그리고 그것은 실제로 대부분의 응용 프로그램입니다 오늘 인공 지능이라고 부르는 첫 번째 범주에 있습니다

그러나 다른 유형도 있습니다 자랑스럽게 말하면, 당신은 물건을 배우기 위해 기계를 감독 할 수 있습니다 무 감독 학습, 당신은 컴퓨터에 많은 데이터를 제공합니다 그리고 그것은 단지 그룹 물건의 종류로되어있다 보통, 다른 양동이에

강화 학습은 매우 흥미 롭습니다 컴퓨터 또는 컴퓨터 프로세스에 목표를 제공하는 곳입니다 그 목표를 달성하기 위해 계속 노력하고 있습니다 다시 반복하여 그리고 매번 그 목표에서 더 잘하고 더 잘합니다

그렇게 할 때까지 그래서 이것에 대한 구체적인 예를 들어 보겠습니다 이것은 감독 학습의 한 예이며, 그리고 그것은 응용 프로그램입니다, 저는 MIT에서 개발했다고 생각합니다, 그것은 자동차 윤리적 결정을 가르치기로되어 있습니다 그리고 거기에 크라우드 소싱 (crowdsourced)이 있습니다 당신은 실제로 이것을 온라인으로 볼 수 있습니다

인공 지능 운전자가없는 자동차를 찾으십시오 그리고 그것은 정말로 어려운 질문을 던집니다 당신이 운전자가없는 차라면, 그 상황에서 너는 무엇을하나요? 노부인, 임신부, 두 자녀, 거리를 걷고있는 사업가, 아니면 차에서 다섯 명을 죽이겠습니까? 그리고 문자 그대로 있습니다 이러한 시나리오는 무한히 많습니다 그리고 그것은 당신의 데이터를 사용하려고합니다

crowdsource 시스템에서 패턴을 찾아 내기 운전자가없는 자동차 경험에서 윤리가 어떻게 행동해야하는지에 대한 감독 학습의 또 다른 예가 있습니다 이것은 Microsoft가 출시 한 Tay라는 예제입니다 그리고 빨간색으로 밑줄이 그어져 있습니다 테이 (Tay) 더 똑똑한 테이가옵니다 아이디어는 여기에 더 많은 정보를 제공하는 것입니다

그것은 그것을 다시 먹는다 작은 경고, Tay가 실제로 한 일, 일종의 끔찍한 일이었다 따라서 약 24 시간 동안 만 온라인 상태였습니다 그것은 대부분 홀로 코스트를 부인하는 것이 었습니다 왜냐하면 트위터 사용자들이 쓴 사악한 것들이기 때문입니다

여기서 중요한 교훈은 기계 학습입니다 당신이 그것에 넣은 데이터만큼 지능적입니다 이것은 보강 학습의 한 예입니다 마리오 게임이야 실제로 컴퓨터 시스템에서 재생되고 있습니다

그리고 그것이 본질적으로 한 것 신사 마리오입니다 다른 무작위적인 것을 시도하기 위해, 계속해서 또 다시 수백만 가지의 다른 시뮬레이션 그리고 일을 더 많이 시도할수록, 앞으로 걸어서 여기로 뛰어, 거기 뛰어, 이 점에서 점프해라,이 점에서 오리, 레벨을 때리는 데 더 좋고 나아졌습니다 이제 YouTube에서 볼 수있는 멋진 동영상이 있습니다

기본적으로 완벽하게 마리오를 재생하는 기계 그것은 수천 수백만 번 재생되었으므로 밤이 지나면 마리오가 될 수 있습니다 여기에 몇 가지 다른 예가 있습니다 운전자가없는 차가 있습니다 캘리포니아 주 마운틴 뷰에 살고 있다면 당신은이 작은 dorky 차가 돌아 다니는 것을 많이 보게 될 것입니다

그것은 머신 비전을 사용하는 Google의 운전자가없는 자동차입니다 인간 지능의 근사치로서 시리 (Siri)와 알렉사 (Alexa)가 있습니다 당신 중 일부는 매일 매일 사용할 수 있습니다 그리고 나는 정말로 흥미로운 예제를 생각한다

기계 학습에서의 인공 지능 당신에 관한 것들을 인식하는 패턴 인식입니다 당신이 Facebook 뉴스 피드에서보고 싶은 것을 예측하십시오 그래서 이것은 내 친구가 공유 한 게시물의 예입니다 49ers에 관한 것이기 때문에 그것은 내 목록의 맨 위에 있었고, 법을 다루는 친구가 공유했습니다 너는 나를 위해 훨씬 나아질 수 없다

이것이 바로 기계 학습 패턴이 인식되는 방법입니다 이것은 내가 소비하기를 원하는 것입니다 이것의 또 다른 예는, 어쩌면 관객에게 이것을 물어보십시오 사람들에게 질문 할 때, 오늘 애플은 어떻게하고 있습니까? 그게 무슨 뜻이라고 생각하니? 그들의 주식,하지만 어떻게 세계에서 기계가 그것을 알고 있을까요? 그게 과일이 아니라는 것을 어떻게 알 수 있습니까? 오늘 어떻게 지내십니까? 오, 슬프고 행복합니다 자연 언어 처리, 같은 질문을 Google에 요청하면 주식 가격을 알려주고 있습니다

Google은 자연 언어 처리의 실제 주인입니다 인간 지능의 또 다른 근사, 그것은 매우 어렵습니다 그것은 내가 과일이 아니라 회사를 원한다는 것을 알고 있습니다 주식 가격과 주식 가격 그럼 어떻게 사용하는지 몇 가지 응용 프로그램에 대해 이야기 해 봅시다

이러한 인간 지능의 근사치 실제로는 높은 수준에서, AI 타겟팅을 볼 수있는 유형, 당신의 실천의 측면입니다 작업이 반복되는 곳, 낮은 수준의인지가 필요합니다 너 자신을 붙 잡았다 구? 9 학년이이 일을 할 수 있는데, 왜 내가 이러는거야? 그것이 AI가 집중하고있는 것입니다 그것을 잘하는 것은 당신을 개업의의 사람으로 구분하지 않습니다

그래서 진짜 초점 대신에 자동화하십시오 그것에 당신의 인간적인 관심 클라이언트는 비용을 지불하고 싶지 않습니다 타겟팅되는 또 다른 큰 영역 인공 지능에 의해, 그리고 그것은 당신을 위해 짜증 이들은 물건의 종류의 종류입니다 인공 지능과 기술자들은 나 자신과 같이, 공격하려고합니다

사실, 문자 그대로 수백 가지가 있습니다 이것은 LawGeex가 공동으로 저술 한 훌륭한 그래픽입니다 나는이 모든 일에 들어갈 시간이 없다 말 그대로 수백 가지 응용 프로그램이 있습니다 내가 생각하기에 정말로 근사하다고 생각되는 몇 가지 질문을 읽으십시오

키라라는 도구가 있습니다 그것은 매우 큰 회사에서 주로 사용합니다 그러나 그것은 모든 규모의 회사에서 사용됩니다 그리고 그것이 작동하는 방식 수천 건의 계약을 업로드하고 있습니까? 당신이 큰 due-diligence 프로젝트를하고 있다고 해봅시다 당신은 수천 건의 계약을 갱신하려고합니다

그것은 문자 적으로 읽을 것이고 말할 것입니다, 이 문장은 배정 기간입니다 그리고이 문장은 법 용어의 선택의 용어입니다 실제로는 정말 어렵습니다 그것은 보통 인간의인지 수준을 필요로합니다 계약을 읽고 이해하는 것 이 단락은이 카테고리에 들어 맞는다

이 단락은 그 카테고리에 들어 맞습니다 그러나 AI를 사용하여 예측했습니다 각 단락이 실제로 무엇에 관한 것인가 그리고 그것은 정말 멋진 일을 할 수 있습니다 당신이 올린 천 ​​계약들과 마찬가지로, 그들 중 하나만 다른 선택권을 가진다

이 한 명의 직원에 대한 법률 조항 그리고 그것은 당신에게 강조 될 수 있습니다 위험 지역, 당신은 그것을 조사해야합니다 인공 지능의 또 다른 예 많은 사람들이 도구에서 사용하는 Logical 및 Everlaw와 마찬가지로 예측 코딩입니다 예측 코딩은 본질적으로, 100 개 또는 1,000 개의 문서를 검토했습니다

전자 발견의 일부로서 그 결과로, 우리는 이제 1000 개의 데이터 세트에 기초하여, 다음 10 만 건의 문서 중 다음 20 분은 읽어야합니다 그리고 다시, 그것은 패턴을 주워 들고 있습니다 당신이 그것으로 먹이를주고 있습니다 관련성이 있으며 관련이 없습니다 이는 관련성이 있지만 관련이 없습니다

그리고 컴퓨터가 알아 내기 시작합니다 아, CEO가 개입 할 때마다, CEO가 말하면 매번, 네, 이것이 허위 광고라는 것을 알고 있습니다 우리는 어쨌든 그것을해야합니다 무엇이든, 그것들은 가장 관련성이 있어야하는 문서입니다 뉴욕 타임스 경고 그들은받은 편지함에 들어간다

이것이 실제로 AI의 또 다른 훌륭한 예입니다 우리가 일하는 것, 그리고 비디오가 재생되지 않는 것 같아, 그건 괜찮아 우리의 도구 Casetext에서, 우리의 도구 Casetext 법적 연구 플랫폼입니다 Westlaw 또는 Lexus Nexus와 달리, 우리는 모든 법률 사건을 가지고 있습니다 법령, 기타 등등

CARA라는 도구에서 인공 지능을 사용합니다 보다 빠르고 찾고있는 것을 쉽게 찾을 수 있습니다 CARA가 작동하는 방식 소송 문서를 업로드해야합니다 잠깐이나 불평처럼 CARA는 당신이 일하고있는 사건의 종류를 알아낼 것입니다

어떤 관할 구역에서 실제 문제가 무엇인지, 문제가되는 움직임은 무엇인가? 그 정보를 사용할 것입니다 모든 법적 연구를 더 똑똑하게 만드십시오 더 관련성이 높은 문서 만보고있는 것입니다 보다 관련성이 높은 사례 (예 : 더 관련성이 높은 규정 및 덜 관련성이있는 내용 사실, 제 3 자 호출 국가 법률 연구 그룹 최근에 비교 연구를했다

몇 가지 법적 연구 연습을 위해 CARA 사용 다른 사람들을 위해 Lexus Nexus를 사용합니다 CARA를 사용하는 사람들은 모두 25 % 더 빨랐습니다 법적 연구를 마친 후 21 % 더 관련성이 높은 문서를 발견했습니다 그 이유는 무엇입니까? 예! 그 이유, 비록 Lexus Nexus 우리에게 30 년을 선사하고있다 컴퓨터가 당신의 사정을 이해하는 데는 아무 것도 없다는 것입니다

검색 시스템을 맞춤화하기 위해이를 사용합니다 지금 현재 작업하고있는 모든 것 이제 비디오를 재생하고 있습니다 괜찮습니다 이것은 단지 불만 사항을 업로드하는 것입니다

그것을 사용하여 훨씬 더 똑똑한 검색을하십시오 우리는 마지막에 질문을 할 것입니다 그래, 고마워, 그래, 우리가 아주 빨리 할게, 이게 마지막 슬라이드 야 그렇다면 인공 지능의 미래는 어떻게 될 것입니까? 나는 이것을 Depeche Mode에서 이기기를 좋아한다 고객 및 변호사를위한 나는 미래에, 법률 관행은 고객에게 더 나은 결과를 가져다 줄 것이며, 그들은 더 빠르고 더 저렴해질 것입니다

그리고 내가 의미하는 바는 당신이 연습의 특정 측면을 취할 수 있다면 둘 다 당신과 고객이 돈을 지불하지 않는다는 것을 당신의 연습을 더 비싸게 만들고, 그게 전자 발견, 계약 검토, 법률 연구, 너 뭐야, 그럼 너는 일을 시작할 수있어 자신의 비용을보다 정확하게 예측하십시오 그런 다음 고객에게 예측 가능성을 전달하십시오 그리고 우리는 실제로 이 서비스에 대해 1,000 달러 만 청구합니다 아시다시피 많은 고객에게 큰 문제입니다

당신이 할 수 있다는 것을 의미합니다 너의 일을 훨씬 빨리 끝내야 해 Casetext를 사용하는 많은 대기업에게, 예를 들어, 우리는 그들이 고용 법 소송 문제를 일부 변경 정액 요금 청구 이제 그들은 그렇게 할 수 있기 때문입니다 그들은 알 수없는 시간을 소비하지 않는다

비율을 벗어난 풍선 조사가 가능합니다 그리고 저는 또한 여기서 정말로 중요한 메모를 생각합니다 점점 더 많은 시간을 보내 게 될 것입니다 당신이 법률 학교에 갔던 종류의 일을하고 있어요 아무도 전자 발견을 위해 법률 학교에 간 적이 없었습니다

아무도 법률 학교에 가서 모든 단어를 읽지 않았습니다 병합 및 획득의 일부인 10,000 개의 문서 중 매 계약마다 독특한 지능과 직감을 가져다줍니다 모든 경우에 그 부분에 초점을 맞추어야합니다

그 부분은 인공 지능입니다 너에게 접시에서이 모든 것들을 가져갈 수있다 그래서 당신은 부분에 집중하고 있습니다 인간의 지능이 필요합니다 감사합니다

그것은 인공 지능에 대한 우리의 발표입니다 이제는 질문과 답변 기간이 있다고 생각합니다 (관객 박수) – 다들 안녕 나는 Jake와 Dat에게 다시 감사하고 싶다 훌륭한 발표자이며, 솔직히 말하면, 매우 기술적 인 주제에 대해 정말 서두르다

그래서 나는 그것이 유익했기를 바란다 이제 우리는 많은 시간을 갖습니다 누가 이전에 질문을 한 신사였습니까? 이리 고마워, 제이크 그래서 귀사는 정말 멋진 것들을 많이합니다

– [Jake] 고마워 – 내가 궁금해 하는게 뭐야? 어떻게 조정 했는가 또는 CARA를 어떻게 훈련 시켰는가? 그리고 나서 당신 회사가 뭔가를 한 것을 보았습니다 어쩌면 당신은 아직도 그것을하고 있습니다 하지만 당신은 법대생을위한 포인트 시스템과 같았습니다 법이 여전히 좋은지 알아 내기 또는 빨강, 노랑, 녹색, 그 유형의 것

그래서 당신은 인간의 지능을 사용했습니다 crowdsource, AI 훈련 중이 야 조금 더 말씀해 주시겠습니까? 그 두 가지 경험에 대해 그리고 당신이 그것으로부터 배운 것은 무엇입니까? – 당연하지 따라서 훌륭한 인공 지능의 핵심 측면 중 하나 좋은 데이터 입력을 가지고 있습니다 특히 기계 학습을 할 때 그것은 패턴 인식입니다 당신은 나쁜 패턴을 인식하지 않으려 고합니다

그렇지 않으면 테일러처럼 끝날거야 홀로 코스트를 부인하거나 뭐든간에 그래서 나는 모든 콩을 유출 할 수 없다 CARA가 훈련 된 방법에 대해서 그러나 나는 이것을 높은 수준에서 말할 수 있습니다 최소한 10 만 건의 실제 소송을 다운로드했습니다

PACER와 주정부의 공표에서 우리는 예를 들어, 오프닝 브리핑을 읽고 응답 요약을 살펴보면, 질문하고, 대부분 국가적으로 인정 된 관행에서, 크고 작은, 비영리, 영리를위한 등등 그리고 우리는 질문을했습니다 당신이이 짧은 설명을 가지고 있다면, 반대편 요약문은 무엇인가? 야당에있는 경향이있다 오프닝 브리프에는 없었던가? 그리고 그것은 하나의 중요한 요소입니다 CARA는 교육의 일환으로 CARA를 고려합니다

감안할 때 패턴을 예측하려고 노력하십시오 케이스 뒤의 패턴은 무엇입니까? 반대하는 브리핑이 나왔다 오프닝 브리핑은하지 않았다? 적요 서 뒤에있는 패턴은 무엇입니까? 법원이 모든 보고서를 놓친 것을 인용하는 경우 그게 너도 중요한 일 이니까 그것들은 일종의 것들입니다

이것은 패턴 인식의 한 예입니다 그리고 그 뒤에 무엇이 공통점이 있습니까? 새로운 것이거나 동일한 관할권의 사람들입니까? 그것들은 같은 경우의 네트워크에 속해 있는가? 연결되어 있습니까? 우리 citator에 대한 crowdsourcing에 대해서, Casetext를 사용하는 많은 사람들이 알고있는 것처럼, Casetext에서 전복 된 모든 경우, 그것에 큰 붉은 깃발이 있습니다 그리고 그것은 예외적이 아닌 것처럼 들릴지도 모릅니다 물론 Lexus가 그것을 가지고 있다고, Westlaw는 그것을 가지고있다 사실, 만약 당신이 그것을 만들고 싶다면 인공 지능으로, 당신이 필요로하는 것은 법률 편집자들의 군대입니다

문자 그대로 수천 또는 수만 시스템에 데이터를 입력하는 사람들의 그래서 Lexus와 Westlaw는 그만큼 비쌉니다 우리가 우리만큼 합리적인 방식으로, 비용의 10 분의 1에서 4 분의 1 정도와 같이 Westlaw와 Lexus Nexus, 적은 양의 입력 데이터를 변환 할 수 있다는 것입니다 인간에게서, 그들이 법률 학생이든, 원래 누가 우리를 위해했는지, 또는 지금은 작은 팀의 변호사, 그것을 무언가로 바꾸십시오 그리고 Westlaw 및 Lexus Nexus와 995 % 겹치는 부분이 있습니다

케이스에 빨간 깃발의 점에서 그리고 그 중 일부를 말씀 드리겠습니다 우리가 잘못 이해하지 않는가? 그것은 종종 그들에게 사건을 잘못 표시하는 경우가 있습니다 그래서 그것은 그 실험의 일부입니다 – 고맙습니다

현명한 계약이나 인공 지능에 대해 다른 질문이 있습니까? 그래, 여기 내가 갈거야 소리 질러 – [청중 회원] 지도자를 밝히기에는 아직 이르다 똑똑한 계약 플랫폼에있을거야? 당신은 아직 그것에 대한 느낌이 있습니까? – 그 물줄기에 대해 질문을 반복 할거야

똑똑한 계약을 맺은 지도자가 있습니까? Dat? – 아니, 없어 지금은 블록 체인 (blockchain)의 초기 단계입니다 종류가 많은 경쟁자가 있습니다 우승자는 모든 시나리오를 택한다 그래서 제가 보는 문제 중 하나는

죄송 합니다만 대답 드릴 수는 없어요 하지만 내가 알아야 할 것이 무엇인지 말해 줄께 그래서 당신은 아마 이것 하나가 몇 가지 특징을 가지고 있음을 볼 수 있습니다

리드를 잡을 수 있습니다 그래서 찾을 몇 가지 문제 이 많은 블록 체인 들이야 그리고 많은 스마트 계약 플랫폼 계약에 대해 정말로 생각하지 마라 변호사의 관점에서 그리고 내가 말하고자하는 것은 거버넌스에 관한 분쟁 해결에 관한 것입니다 큰 문제 중 하나 똑똑한 계약이 실패하면 관리가 없다는 것입니다

그들은 다음과 같은 프로토콜을 사용하지 않았습니다 문제가 발생하면 알림이 전송됩니다 또는 처음에는 일시 중지 할 수있는 기능이 있습니다 그리고 심지어 똑똑한 계약에 대해 이야기하고 있다면 큰 조직에서, 권리는 처음부터 프로그램되어야합니다 그래서 누군가 생각을하지 않으면 처음부터 그 것들에 대해서, 너는 많은 실패를 겪을거야

당신의 똑똑한 계약은 무엇이든 상관없이 실패 할 운명입니다 그래서 나는 밖으로 보았습니다, 나는 플랫폼을 찾을 것입니다 정체성에 중점을 둔 거버넌스 및 분쟁 해결 그리고 업계는 서서히 깨어나고 있습니다 작년에 10 억 달러가 넘는 손실을 기록한 후, 현명한 계약 실패로

그리고 실제로는 의지가 없습니다 다시는 얻을 수 없습니다 그리고 그것이 제가 여러분에게 찾아야 할 조언입니다 -에 관해서는 다른 암호 블록 체인 플랫폼 Ethereum 대 Bitcoin처럼 거기에있는 Bitcache 대 당신이 그 중 어떤 것을 추천하고 있습니까? – 그럴 수없는 투자 조언처럼 들리네 – 아니, 아니, 아니, 해시를 저장하는 백본 측면에서

좋아요 드릴 수 있어요 그래서 생각할 것 중 하나는, 같은 선택, 선택하지 않는 측면에서, 아마도 블록 체인 (blockchain) 그것의 중심 정신 또는 그것이 정말로 믿는 것입니다 Bitcoin은 원래 순전히 트랜잭션을 위해 만들어졌습니다 거기에 몇 가지 똑똑한 계약 기능이 있습니다

그리고 그들은 그것을 만들고 있습니다 하지만 실제로 그렇게 강력하지는 않습니다 그것은 자금을 이전하기위한 시험 프로젝트였습니다 사실, 에테 리엄은 첫 번째 플랫폼이었습니다 정말 현명한 계약을 전면에 가져 왔습니다

그러나 문제, 문제 중 하나 에테 리엄 (Ethereum)의 종류가 실패하면 지배 구조의 부재 또는 거버넌스 부족의 선견지명 다시 말하면, 작년에 거의 10 억 달러가 손실되었습니다 Ethereum 플랫폼을 주로 사용했습니다 다시 거버넌스, 사람들은 깨어나 기 시작합니다 EOS처럼 새로운 플랫폼도 등장합니다

처음부터 거버넌스에 대해 정말로 생각하고 있습니다 그들은 헌법을 가졌어 그들은 분쟁 해결 방식을 가지고 있습니다 최소한 처음부터 건축되었거나 고려되었다 그래서 그것은 매우 중요합니다

왜냐하면 우리가 사업하는 것에 대해 이야기한다면 본질적으로 가상의 관할권은 무엇인가? 너는 그 모든 것들이 필요할거야 프로그래밍되지 않았다면 처음에는 고려되었다 그리고 Sagewise에서, 우리는 업계가 따라 잡기를 기다리는 것과 같았습니다 우리가 깨달을 때, 당신은 정말로 이런 것들을 기다릴 수 없습니다 그래서 우리는 이러한 프로토콜을 구축하고 있습니다

사용자를위한 도구가 포함되어 있습니다 – [Jake] 감사합니다 시간이 있습니다 한 가지 더 질문합니다 – 현명한 계약에서 이식성에 대해 이야기 해 주시겠습니까? 그래서 많은 선수들이 있기 때문에, 우리는 누가 떠날 지 기다려야합니다

누가 최고 일지 생태 권 내에이 계약들이 얼마나 이식성이 있습니까? – 당연하지 똑똑한 계약의 문제점 중 하나 그들이 정말로 업그레이드 할 수 없다는 것입니다 그것은 블록 체인 (blockchain)에 기록되기 때문에 일종의 것입니다 그것은 꽤 많이 변하지 않습니다

그래서 운동이 있거나 프로젝트가 있습니다 똑똑한 계약을 업그레이드 할 수 있고 이식성있게 만듭니다 지금은 이식성이별로 없다 계약 사이에 있지만, 나는 말할 것입니다 내년 안에, 이식성이있을 것입니다

Ethereum과 EOS 같은 더 큰 플랫폼 사이 – 좋아 감사합니다 나는 우리가 시간에있어 걱정된다 Dat, Jake, 정말 고마워 매우 흥미로운 프리젠 테이션

(관객 박수) (낙관적 인 펑키 음악)

Essential Numpy For Machine Learning

오늘이 비디오에 오신 것을 환영합니다 오늘 우리는 기계 학습을위한 필수적인 기능을 논의 할 것입니다

그래서 numpy는 다차원으로 작업 할 수 있도록 만들어진 Python Numerical 라이브러리입니다 배열 또는 우리가 행렬이라고 부른 것 우리는 수학과 수학의 모든 종류를 수행 할 수 있습니다 이 행렬에 대한 논리 연산 그것은 파이썬리스트와 비슷하지만 C 라이브러리를 기반으로하므로 목록에 비해 성능이 훨씬 우수합니다

시작하자 먼저 numpy를 np로 가져 오자 이 다음 줄은 단일 셀에서 여러 출력을 인쇄하는 데 도움이됩니다 계속해서 우리가 사용하고있는 numpy의 버전을 찾으십시오 그래서 우리는 1

154 버전입니다 당신의 것은 다른 것일 수 있습니다 그래서 첫 번째 크기 배열을 만들 수 있습니다 기본적으로 float 유형의 배열을 만듭니다

dtype을 사용하여 원하는 배열 유형을 지정할 수 있습니다 행렬을 생성하기 위해서 우리는 원하는 행과 열의 수를 지정해야합니다 그걸로 다음으로 크기가 10 인 0 번째 배열을 다시 만들지 만 이번에는 값을 설정합니다 5 번째 요소의 값을 1로 설정합니다

파이썬에서와 같이 우리는 range 함수를 가지고 있습니다 여기에는 arange 함수가 있습니다 지정한 범위 사이의 요소 배열입니다 Linespace는 비슷하게 작동하지만 여기서는 다음을 수행 할 수 있습니다 해당 범위 사이에 원하는 요소의 수를 지정하십시오

다음으로 우리는 배열을 뒤집을 수있는 방법을 볼 것입니다 우리가 배열의 배열을 정렬 할 때 많이 사용됩니다 우리는 역순으로 다른 유형의 함수를 반복하고자합니다 복소수 배열 만들기 위와 같이 dtype을 다음과 같이 설정하여 만들었습니다 여기에서 우리는 복합 형 배열을 생성하기 위해 그것을 complex로 설정할 수 있습니다

배열에 저장된 요소의 유형을 알기 위해 dtype을 사용할 수 있습니다 배열의 데이터 유형 여기서 int64는보다 큰 범위를 저장할 수 있습니다 int32

우리는 또한 reshape를 사용하여 1 차원 배열을 다차원 배열로 변환 할 수 있습니다 그러나 확실히 1 차원 배열의 크기와 행의 수 * 열의 수는 다른 것과 똑같아 야합니다 오류가 발생합니다 그것은 매우 중요한 명령입니다 신경망에서 행렬의 모양을 변환하고 있습니다

다음으로 배열에서 0이 아닌 원소의 인덱스를 얻는다eye는 단위 행렬을 만드는 데 사용됩니다 여기서 우리는 3 * 3 단위 행렬을 만들었습니다 0 번째 배열을 생성하는 대신에 배열을 생성하고 그것을 무작위로 채울 수 있습니다 값

그래서 우리는 nprandomrandom을 사용할 수 있습니다 신경 네트워크의 가중치 우리는 무작위로 네트워크의 가중치를 초기 화하고 있습니다

네트워크가 weightsif의 권리 집합을 배울 수 없다면 아무런 걱정없이 참조를 얻었습니다 나는 곧 나오는 비디오에서 이것을 설명 할 것이다 다음으로 우리는 array로부터 최소, 최대, 평균을 구할 수 있습니다 min, max, 평균

oneth 배열을 만들려면 npones를 사용할 수 있습니다 그런 다음이 메트릭스에 0을 덧붙입니다 우리는 nppad를 사용하고 이것을 감싸는 패드 너비와 값을 지정하십시오

메트릭스 이 명령 집합은 cnn에서 이미지를 일정한 값으로 채 웁니다 그 다음에는 표현식의 일부 결과가 nan 및 inf 유형의 값과 관련됩니다 nan은 '숫자가 아님', inf는 무한대를 의미합니다 결과를 계산하는 경우 숫자로 표현할 수 없다면 우리는 결과적으로 나노를 얻을 것이다

언젠가 전체 행렬을 얻는 대신 행렬의 일부분을 얻을 필요가 있습니다 우리는이 행렬을 조각 내기 위해이 첨자를 사용할 수 있습니다 특정 열 또는 행만 가져올 수 있으며 열 1 이상을 모두 가져올 수 있습니다 이것에 대한 메트릭스의 다른 컬럼들도 슬라이싱을 사용할 수 있습니다 우리는 이러한 행렬에 대해 모든 유형의 수학 연산을 수행 할 수 있습니다

우리는 곱하기, 덧셈, 뺄셈을 할 수있다 나누기 등등 그러나 당신은 곱셈 배열을 볼 수 있습니다 크기는 같아야하지만 추가 할 경우 열만 일치시키고 numpy는 브로드 캐스트합니다 그 벡터를 추가하여 비슷한 크기의 배열을 만듭니다

두 배열 사이의 내적 (dot product)은 기계 학습에서도 매우 중요합니다 점 제품을 사용하면서 크기가 일치해야합니다 여기 같은 수의 열이 일치했습니다 다른 행렬의 행 수와 비교합니다 그렇지 않으면 오류가 발생합니다

이제 모든 요소에 대해 부울 유형을 수행하고이 비교를 전달하는 유형 만 가져옵니다 그래서 여기서 모든 요소를 ​​-1로 설정했습니다 3보다 큰 조건과 적은 조건 8 이상이 사실입니다 다음으로 배열의 모든 요소를 ​​반복합니다 nditer 메서드를 사용합니다

Flatten은 다차원 배열을 1D 배열로 변환하는 데 사용됩니다 이 함수는 주로 컨볼 루션 계층에서 직접적으로 이동할 때 cnn 네트워크에서 사용됩니다 그때 우리는 납작하게 사용했다 여기서 두 개의 배열을 쌓는 것으로 넘어 갑니 다 스택을 의미하는 수평 스택을 할 수 있습니다

함께 나란히 또는 수직의 스택을 의미합니다 다른 우리는 또한 요소의 사인 또는 tan 찾기와 같은 배열에서 삼각 함수를 수행 할 수 있습니다 뿐만 아니라 최소, 범위 또는 평균을 찾는 것과 같은 통계 기능을 수행 할 수 있습니다 축을 따라

우리는 numpy를 사용하여 현재 날짜를 얻은 다음 날짜를 추가하는 것과 같은 날짜 작업을 수행 할 수 있습니다 또는 다음 날짜 또는 이전 날짜를 찾기 위해 며칠을 빼십시오 유사하게 우리는 날짜의 일부 범위 내에서 모든 날짜를 얻을 수 있습니다 행렬을 다음에 만들면 행렬의 역함을 얻습니다 배열에서 최대 값 위치를 찾고 해당 값을 바꿀 수있는 방법이 있습니다

다른 값으로 그냥 반복 횟수를 추적하기 위해 파이썬에서 열거하는 것처럼 numpy에는 ndenumerate가있다 그것은 똑같은 일을합니다 이 다음 코드는 배열의 평균을 빼서 배열의 정규화를 수행합니다 이 단계는 행렬을 입력하기 전에 행렬을 정규화하기 위해 종종 수행되었습니다

뉴럴 네트워크 배열의 두 행을 교체하는 것은 배열의 색인을 교체하여 수행 할 수 있습니다 선형 적으로 독립된 열 또는 행 벡터의 최대 수를 나타내는 행렬의 순위 선형 적으로 의존한다는 것은 한 행 또는 열이 다른 행의 선형 멀티 플렉스임을 의미합니다 또는 columnhere 우리는 svd를 사용하여 매트릭스의 순위를 찾습니다 sklearn 비디오에

다음은 배열에서 n 개의 가장 큰 요소를 찾는 방법입니다npy 또는 txt 형식으로 데이터를로드하고 저장하려면 save 및

load eachmostly를 사용할 수 있습니다 데이터 처리 파이프 라인의 나중 단계에서 조사를 위해 배열을 저장해야합니다 따라서 이들은 기계 학습에 필수적인 몇 가지 중요한 기능입니다 당신은 나에게 곰보다 신경 네트워크와 관련된 비디오의 참조를 얻지 못했습니다

다음 비디오에서 나는 이러한 모든 의구심을 정리할 것입니다 노트북에 대한 링크가 설명에 있습니다 직접 다운로드하여 재생할 수 있습니다 절 데려다 줘서 고마워 다음 번에 너를 봐

‘킹덤’ 김성훈 감독 “류승룡, 압도적 분위기…믿고 맡겼다”

'킹덤'김성훈 독이 배우 류승룡 한손을 드러냈다 28 일 일요일 오후 3시 19 분 서면 김 감독관 인터뷰에서 진행 중

김성찬 감독님이 지난 25 일에 공개 토론을했습니다 죽은 적도 자살하지 마라 자, 자, 자, 자, 자, 자, 자, 자, 자, 자, 자, 자, 자, 자, 죽자 작품의 완성 김효 감독은 전발을 앞당겼습니다

류룡은 '킹덤'을 다시 한번 연탄과 함께 먹는다 '류승룡이 돌입'은 반응도를 나타냅니다 그때에는 연기가 나타나서 "나와 함께 놀아 라"라고 외쳤다 "(류승룡의) 존 감은 엄청났다

"킹덤 "은 압도적 인 분위기를 가다듬었고, 이길 사람이 똑같은 짓을했다 제발요, 제발, 제발요, 제발, 제발요, 김 감은 "앞에서 그 기운을 고쳐 쓰면 고단이된다"고 강조했다 거대한 에콰도르 김 감독은 이제는 대세 아니

하을 찌워 우뚝 쫓 다 더 많이 실천하다 너는 더 이상 면류관이 없다 "고 말했다 따뜻한 기자는 그 기운을 다스리게됩니다

위축 속에서 강인 해지는 인물 자신의 위축 모습 홀로 발로 서쪽 인물이 고 말했다 보훈 배우 예방 물림쇠 · 연약함 홀로 서기에서 단한 카리스마를 할 때 슬리 지 어떤면에서 당히 강하다 양면이 다목적 다

그게 큰 장이다 서간 시대는 더 이상 존재하지 않을 것입니다 "고 지적했다 청나라 순발력, 시력 분석 도약 나다 멋지다

고맙다 김은희가 공생님을 지키자 김정일을 지키자 김진희는 돈을 벌었 다 국지적으로 해답 김가영 기자 ky1209 @ tv eport

co r / 사진 = 넷 글자 Copyrig ts ⓒ TV 리포 무단 전제 – 재배포 금지

Dilbert McClint Machine Learning Family Battler All Mechanical Pets

이것은 기계 학습을위한 모든 기계 애완 동물을 사용하여 Dilbert McClint를 물리 치는 방법입니다 패밀리 배틀러 업적의 일부, 당신의 첫 번째 애완 동물은 미사일, 폭발 및 미끼가있는 검은 색 제플린입니다 당신의 두번째 애완 동물은 SMCKTHAT

EXE로 lil'bling하고, 어떤 기계적인 애완 동물이라도, 이것은 없을 것입니다 익숙한, 미끼로 시작하십시오, 애써튼이 패배 할 때까지 미사일을 사용하십시오 한 번 atherton가 격파되면서, bybee는, bybee가 또한 격파 될 때까지 미사일 주물을, 일단 bybee가 패배하면 제닝스는 cast 1 missiles에 들어가 폭발 할 수 있습니다 미사일을 쿨 다운에서 해제하고 미사일을 계속 사용한다면 미끼를 사용하십시오 당신, 당신의 제플린이 패배했다면 싸움이 끝날 때까지 릴 브링을 가져 와서 SMCKTHAT

EXE를 던지십시오 이 동영상이 도움이 되셨고 시청 해 주셔서 감사합니다

현대해상 실비보험 청구 서류 진료 기록부에대하여.

질문 현대해상 실비보험 청구 서류 진료 기록부에대하여.
질병발병일은 있으나 치료가 없었고, 실제 의료비를 지급한 날짜로부터 3년내 보험금 청구권은 살아 있습니다..
답변 20세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

7,339
6,889

KB손보 로고
KB손보

7,826
7,005

MG손보 로고
MG손보

7,793
7,014

메리츠화재 로고
메리츠화재

8,318
8,208

삼성화재 로고
삼성화재

9,090
7,856

한화손보 로고
한화손보

7,549
5,963

현대해상 로고
현대해상

7,716
7,161

흥국화재 로고
흥국화재

8,498
7,939

답변 30세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

9,464
10,978

KB손보 로고
KB손보

10,551
11,604

MG손보 로고
MG손보

11,117
13,378

메리츠화재 로고
메리츠화재

10,970
12,784

삼성화재 로고
삼성화재

12,273
14,732

한화손보 로고
한화손보

10,407
11,167

현대해상 로고
현대해상

12,392
12,177

흥국화재 로고
흥국화재

11,642
14,481

답변 40세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

13,087
16,472

KB손보 로고
KB손보

13,359
16,962

MG손보 로고
MG손보

15,831
19,566

메리츠화재 로고
메리츠화재

14,073
18,142

삼성화재 로고
삼성화재

15,790
21,242

한화손보 로고
한화손보

14,101
16,224

현대해상 로고
현대해상

13,217
14,922

흥국화재 로고
흥국화재

15,121
19,380

답변 50세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

20,162
27,770

MG손보 로고
MG손보

23,152
30,360

삼성화재 로고
삼성화재

24,501
36,431

한화손보 로고
한화손보

19,866
26,573

현대해상 로고
현대해상

21,422
26,950

답변 60세 기준 단독실비보험 보험료 안내
DB손해보험 로고
DB손해보험

33,446
37,587

MG손보 로고
MG손보

35,502
39,769

삼성화재 로고
삼성화재

38,268
44,881

한화손보 로고
한화손보

32,274
38,065

현대해상 로고
현대해상

35,607
39,390

답변 정직한보험문팀장의 보험만 부탁해입니다.의료실비보험등 일 …

정직한보험

문팀장의 보험만 부탁해입니다.

의료실비보험등 일반적인 보험상품의 경우

보험가입전

작성하는 ‘계약전 알릴의무’가 있습니다.

계약전 알릴의무 질문표에는 과거의 질병등을 묻고 있으며,

3개월/ 1년 / 5년등의 질문항목에 해당하는것이 있는 경우 사실대로 작성토록 되어있습니다.

만일 본인의 질병이 위의 해당되는 보기와 질문에 포함되는것이였음에도 불구하고

만일 사실대로 적지않거나, 의도치않게 기억이나지 않아 작성하지 못했다면

보험사는 청구후 실사조사를 통해 과거의 질병등을 밝혀내며

밝혀진후 면책. 강제해지등의 조치를 취할수 있습니다.

물론 해지를 할수 없는 기간도 있으나,

이는 논외로 하고

우선 보험가입시 청약서상 본인의 과거질병을 사실대로 기재했는지부터 파악하시는것이 순서입니다.

질병발병일이 3년전이라 하더라도

계약전 알릴의무가 제대로 작성되고

적법하게 잘 가입된 보험이라면 가입전 질병이라 하더라도 보상은 적법하게 가능합니다.

 

질문이 도움되셨다면

채택부탁드리며

채택후 지급받는 해피빈은 불우한 어린아이들에게 전액 기부됨을 알려드립니다.

감사합니다.

MIT Deep Learning Basics: Introduction and Overview

2019 년 모두를 환영합니다 여기있는 모든 사람들을 만나서 정말 반가워요

추위에 그것을하십시오 이는자가 운전 자동차를위한 6S094 딥 학습입니다 그것은 일련의 과정의 일부입니다 우리가이 달 동안 뛰고있는 깊은 학습에 당신이 모든 내용을 얻을 수있는 웹 사이트 비디오, 강의 및 코드는 고맙습니다 동영상과 슬라이드는 여기에서 사용할 수 있습니다

github 저장소와 함께 그 과정에 수반되는 것입니다 등록 된 학생의 과제는 그 주에 나중에 이메일을 보냈습니다 그리고 언제든지 저희에게 연락하실 수 있습니다 질문, 우려 사항, 의견 인간 중심의 인공 지능, mitedu

기본 사항부터 살펴 보겠습니다 기본 사항 한 슬라이드에서 요약하면, 깊은 학습이란 무엇입니까? 데이터에서 유용한 패턴을 추출하는 방법입니다 자동화 된 방식으로 인간의 노력이 거의 필요 없다 가능한 한 자동화시켜야합니다

방법? 우리가 이야기 할 기본 요소 많은 것은 신경 네트워크의 최적화입니다 우리가 코드를 제공 할 실용적인 성격 등등 라이브러리에 액세스 할 수있게 해주는 라이브러리 가장 강력한 것들을 쉽게 할 수 있습니다 Python, TensorFlow & friends를 사용하여 심층적 인 학습을합니다 항상 힘든 부분 인공 지능을 전반적으로 학습하는 기계 좋은 질문을하고 좋은 데이터를 얻고 있습니다

많은 경우 뉴스의 흥미 진진한면을 다루고 있습니다 출판되는 것에 대한 많은 흥미로운 측면 그리고 아카이브에서 권위있는 컨퍼런스, 블로그 포스트에서 방법론입니다 어려운 부분은 현실 세계의 문제를 해결하는 방법론, 매혹적인 재미있는 문제를 해결할 수 있습니다 그리고 그것은 데이터, 그 데이터의 올바른 질문을 요구하는, 그 데이터 정리하기 표시 할 수있는 데이터의 측면을 선택하는 라벨링 당신이 묻는 질문에 대한 대답 그렇다면 왜 지난 10 년 동안 이러한 돌파구가 있었습니까? 신경 네트워크의 응용, 신경 네트워크의 아이디어? 무슨 일이 일어난? 무엇이 바뀌 었습니까? 그들은 1940 년대부터 주변에있어 왔습니다

그리고 아이디어는 심지어 전에 예식되었습니다 정보의 디지털화, 데이터 전 세계에 분산 된 방식으로 데이터에 쉽게 액세스 할 수있는 기능 모든 종류의 문제는 이제 디지털 형식으로 바뀌 었습니다 학습 알고리즘을 통해 액세스 할 수 있습니다

하드웨어; CPU와 GPU의 무어의 법칙을 모두 계산 ASIC, Google의 TPU 시스템, 효율적으로 사용할 수있는 하드웨어 이러한 알고리즘의 효과적인 대규모 실행 커뮤니티; 여기 사람들, 전세계 사람들 함께 일할 수 있고, 서로 이야기하고, 기계 학습 뒤에 흥분의 불을 피우는 것 github 이상 금형 제작; 우리는 TensorFlow에 대해 이야기 할 것입니다 PyTorch와 그 중간의 모든 것 아이디어가있는 사람을 가능하게하는 적은 시간과 적은 시간에 솔루션에 도달 할 수 있습니다 고수준의 추상화 수준 사람들에게 권한 부여하기 점점 더 적은 시간에 문제를 해결한다

점점 더 적은 지식으로, 아이디어와 데이터가 중심점이되는 곳, 아이디어에서 해결책으로 당신을 끌어들이는 노력이 아닙니다 그리고 흥미로운 진보가 많이있었습니다 일부는 얼굴 인식에서부터 장면 이해, 이미지 분류, 연설, 텍스트, 자연 언어 처리, 필사본, 의료 응용 분야의 번역 및 의료 진단 그리고 자동차 자율 주행 차량의 다양한 인식을 해결할 수있다 주행 가능 구역, 차선 감지, 물체 감지, 디지털 지원, 집에있는 것들을 넘어 귀하의 휴대 전화에있는 것들

Netflix의 광고, 추천 시스템으로 소셜, Facebook을 검색 할 수 있습니다 그리고 물론 게임을하는 데있어 깊이있는 학습을 통한 성공의 학습, 보드 게임부터 스타 크래프트와 도타까지 한 걸음 물러서십시오 깊은 학습은 일련의 도구 이상입니다 실용적인 문제를 해결합니다

파멜라 맥코 덕크 (Pamela McCorduck) "AI는 신을 위조하려는 고대의 소원으로 시작되었다" 우리의 역사를 통틀어서 우리 문명, 인간 문명 전반에 걸쳐 우리는 에코 생성에 대한 꿈을 꾸었습니다 기계의 우리 마음 속에있는 것은 무엇이든간에 그리고 1800 년대 대중 문화에서 살아있는 유기체를 창조하십시오 Ex Machina와 Frankenstein이 비전은 꿈입니다

지능을 이해하고 지성을 창조한다는 것은 우리 모두를 사로 잡았습니다 그리고 깊은 학습이 핵심입니다 의 측면이 있기 때문에, 학습 측면 가능한 무엇이 우리의 상상력을 사로 잡습니다 주어진 데이터 및 방법론 학습 배우는 법을 배우고 그걸로 우리를 데려 갈 수있는 범위를 넘어서 그리고 여기 시각화 된 것은 뉴런의 단지 3 %입니다 그리고 우리 뇌의 시냅스 중 백만 분의 일

우리의 마음 속에있는이 놀라운 구조 그리고 그것의 유일한 메아리가있다 우리가 만들 수있는 우리의 인공 신경망에서 그 작은 그림자 그럼에도 불구하고 그러한 울림은 우리에게 고무적입니다 이 푸른 창에 신경 네트워크의 역사 꽤 오래 전에 시작되었습니다 여름과 겨울, 흥분과 비관적 인시기가있다

40 대에서 신경망 및 그러한 신경 네트워크의 구현은 50 년대의 퍼셉트론이다 backpropagation의 아이디어로, 제한된 볼츠만 기계, 반복적 인 신경 네트워크 70 년대와 80 년대; 길쌈 신경 네트워크 그리고 MNIST 데이터 세트는 여과가 시작되는 데이터 세트 LSTM, 90 년대 양방향 RNN; 신경망의 브랜드화와 재 탄생 딥 학습의 깃발 아래 2006 년 Deep Belief Nets; ImageNet의 탄생, 데이터 세트 깊은 학습의 가능성은 세계에 가져올 수있다 2009 년에 최근 몇 년 동안 처음으로 설명되었습니다 그리고 AlexNet은 ImageNet이 정확히 수행 한 네트워크입니다 중퇴와 같은 몇 가지 아이디어와 개선 매년 신경 네트워크 신경 네트워크의 성능을 향상시킵니다

2014 년 GAN의 아이디어 인 Yann LeCun이 지난 20 년간의 가장 흥미 진진한 아이디어, Generative Adversarial Networks, 거의 감독을 할 수없는 능력 데이터를 생성하고, 표현을 표현한 후에 아이디어를 생성합니다 높은 수준의 이해에서 추출 된 내용의 추상화 데이터에서 새로운 샘플을 생성 할 수 있어야합니다 창조 할 수있는 아이디어를 창조하십시오 외우면서 정말로 흥미 롭습니다 2014 년 DeepFace를 적용한면에서 얼굴 인식 능력

컴퓨터 비전 앞에서 많은 돌파구가있었습니다 그것은 그들 중 하나입니다 세계는 영감을 받아 2016 년에 매료되었습니다 AlphaGo에서, 17 세에서 AlphaZero로 작고 적은 노력으로 덜컥 거리다 Go에서 세계 최고의 선수

대부분의 역사에 대한 문제 인공 지능은 해결할 수 없다고 생각했습니다 그리고 캡슐 네트워크와 함께 그리고 올해는 2018 년의 새로운 아이디어 자연어 처리의 해였습니다 흥미로운 돌파구가 많이 생겼다 구글 버트와 우리가 이야기 할 다른 것들 언어를 이해하고 스피치를 이해하는 능력에 대한 획기적인 발전 그리고 모든 것을 둘러싸고 세워진 세대를 포함한 모든 것 그리고 툴링의 병행이 있습니다

60 년대부터 퍼셉트론으로 시작 및 배선도 올해는 PyTorch 10과 TensorFlow 20으로 끝납니다 이것들은 정말로 굳건하고 흥미 진진하며 강력한 도구의 생태계입니다

매우 적은 노력으로 많은 일을 할 수있게 해줍니다 툴링 덕분에 하늘이 한계입니다 그러니 큰 사진을 찍은 것에서 가장 작은 것까지 봅시다 모든 것은 가능한 한 간단하게 만들어야합니다 코드의 작은 조각으로 간단하게 시작하자

우리가 세부 사항에 뛰어 들기 전에 그리고 깊은 학습에서 가능한 모든 것을 통해 큰 실행 몇 줄의 코드만으로 아주 기본적인 수준에서 정말로 여섯, 6 개의 코드 조각, 당신이 이해할 수있는 신경망을 훈련시킬 수 있습니다 이미지에서 무슨 일이 일어나고 있는지 나는 항상 MNIST 데이터 세트를 좋아할 것입니다 손으로 쓴 자릿수는 어디 입력 신경망 또는 기계 학습 시스템에 자필 자의 그림 출력은 그 숫자에있는 숫자입니다

라이브러리 TensorFlow를 가져 오는 첫 번째 단계만큼 간단합니다 두 번째 단계 : MNIST 데이터 세트를 가져옵니다 레고 벽돌처럼 세 번째 단계는 서로의 위에 쌓는다 숨겨진 레이어와 레이어로 신경 네트워크 레이어, 입력 층 및 출력 층 4 단계는 모델을 한 줄처럼 간단하게 훈련시킵니다 : 모델 적합성

테스트 데이터 세트의 5 단계에서 모델을 평가하십시오 그리고 그게 다야 6 단계에서 배포 준비가 완료되었습니다 이미지에 무엇이 있는지 예측할 준비가되었습니다 그것은 간단합니다

그리고이 코드의 대부분은 분명히 훨씬 더 복잡하거나 훨씬 더 정교하고 풍부하고 흥미로운 우리가 이용할 수있게 될 복합체 이 과정에 수반되는 우리 저장소의 github 오늘 우리는 운전자 장면 세분화에 관한 첫 번째 튜토리얼을 발표 할 것입니다 나는 모든 사람들이 그것을 통과하도록 권장한다 그리고 나서 한 슬라이드의 툴링면에서, 우리가 신경 네트워크와 깊은 학습에 뛰어 들기 전에 다른 많은 것들 사이의 툴링면 TensorFlow는 깊은 학습 라이브러리입니다

Google의 오픈 소스 라이브러리 오늘 가장 인기있는 것 거대한 생태계에서 가장 활동적입니다 파이썬에서 가져 오는 것만이 아닙니다 몇 가지 기본적인 문제를 해결할 수 있습니다 전체 툴링 생태계가 있습니다

다양한 수준의 API가 있습니다 이 과정에서 우리가 할 일 중 상당 부분은 Keras를 사용한 최고 수준의 API 그러나 TensorFlowjs를 사용하여 브라우저에서 실행할 수있는 기능도 있습니다 TensorFlow Lite와 함께 전화로 컴퓨터 하드웨어가 필요없는 클라우드 환경에서, 자신의 컴퓨터에 설정된 라이브러리가 있으면 아무 것도 실행할 수 없습니다

우리가 클라우드에서 제공하는 모든 코드 Colab, Colaboratory Google이 제공하는 최적화 된 ASIC 하드웨어 TPU-Tensor 처리 장치로 TensorFlow에 최적화 TensorFlow 허브를 제공하는 텐서 보드 모델을 시각화하는 기능 그리고 이것은 단지 전체 생태계입니다 가장 중요한 것은 블로그의 문서화라고 생각합니다 매우 접근하기 쉬운 툴링의 기초를 이해한다

문제를 풀 수있는 자연 언어 처리에서 컴퓨터 비전에 이르기까지 GANs – Generative Adversarial Networks 및 그 사이의 모든 것들은보다 강력한 집행 학습과 함께합니다 그래서 우리는이 과정에서 이론과 이론 모두에서 일하게되어 기뻤습니다 이 일련의 강의와 금형 제작에서, TensorFlow의 적용면에서 예외적으로 액세스 할 수있는 이러한 아이디어를 실제로 만들었습니다 핵심에서의 깊이있는 학습은 형성 능력입니다 더 높은 수준의 추상화 데이터 및 원시 패턴 표현 표현 높고 높은 수준의 패턴 이해

그리고 그 표현은 매우 중요합니다 데이터를 해석 할 수있는 효과가 있습니다 특정 표현에서 데이터는 사소한 것입니다 이해하기, 고양이 대 개, 파란 점 대 녹색 삼각형 다른 사람들에게는 훨씬 어려워요

이 작업에서는 극좌표 아래에 선을 그리는 일은 간단합니다 데카르트 좌표에서 매우 어렵다 정확하게하는 것은 불가능합니다 그리고 이것은 표현의 사소한 예입니다 따라서 일반적으로 기계 학습을 통한 깊은 학습을 통한 우리의 과제 는 토폴로지를 매핑하는 표현을 형성합니다

이것은 토폴로지가 무엇이든, 문제의 풍부한 공간 당신이 원시 입력을 다루려고한다는 것을 그런 식으로지도를 만들라 최종 표현은 작업하기가 쉽지 않다 회귀 분석을하기 위해 사소하고, 그 데이터의 새로운 샘플을 생성하는 것은 사소한 일이다 그리고 표현의 더 높은 수준과 높은 표현 정말 인공 지능의 꿈입니다 그것은 이해가 무엇인지, 콤플렉스를 몇 슬라이드에서 아인슈타인이 다시 말했듯이

그리고 Juergen Schmidhuber와 그 누군가가 그것을 말하면, 나는 모른다 그것은 일반적으로 모든 과학의 꿈이었습니다 과학의 역사 중 압축 진행의 역사, 더 간단하게 만들기 그리고 아이디어의 단순한 표현 태양계의 우주 모델 지구의 중심에 물리학을 수행하기 위해 수행하는 것이 훨씬 더 복잡하다 태양이 중심에있는 모델

단순 표현의 더 높고 높은 수준 우리가 극도로 강력한 것을 할 수있게 해줍니다 그것은 과학의 꿈이었습니다 인공 지능의 꿈 왜 깊은 학습인가? 웅장한 곳에서 깊은 학습에 특별한 점은 무엇입니까? 기계 학습과 인공 지능의 세계? 그것은 인간 전문가의 의견을 점점 더 많이 제거 할 수있는 능력입니다 그림에서 인간을 제거하고, 인간의 비효율적 인 노력

깊은 학습은 익히기에서 많은 추출을 자동화합니다 미가공 데이터에 더 가깝고 가까워진다 인간 개입의 필요성없이, 인간 전문가 참여 원시 데이터로부터 표현을 형성하는 능력 인간이 특징을 추출해야하는 것과는 대조적이다 80 년대와 90 년대와 마찬가지로 초기에 기능 추출 이를 통해 기계 학습 알고리즘이 작동합니다

지형지 물의 자동 추출 크고 더 큰 데이터 세트로 작업 할 수있게 해줍니다 인간을 완전히 제거하다 맨 끝의 감독 라벨 단계를 제외하고 그것은 인간 전문가가 필요하지 않습니다 하지만 동시에 우리 기술에는 한계가 있습니다 흥분과 환멸 사이에는 항상 균형이 있습니다

가트너의 과대 선전, 우리가 그것에 대해 생각하기 싫은만큼, 거의 모든 단일 기술에 적용됩니다 물론 봉우리와 골짜기의 크기는 다릅니다 그러나 나는 우리가 정점에 있다고 말할 것입니다 깊은 학습으로 부풀어 오른 기대감을 우리가 이야기 할 때 생각해야 할 부분입니다 미래의 아이디어와 흥미 진진한 가능성들

그리고 우리가 이야기 할자가 운전 자동차로 미래 강의 우린 똑같아 사실 우리는 절정을 약간 넘었습니다 그리고 그것은 우리에게 달려 있습니다 이것은 MIT와 엔지니어 및 세계에서 작업하는 사람들입니다 물통을 통해 우리를 운반, 부침으로서 우리를 미래로 인도한다

흥분의 진행은 앞으로 나아 간다 생산성의 고원으로 왜 그렇지 않은가? 실제 응용 프로그램을 보면 특히 인간형 로봇, 로봇 조작 심지어 자치 차량이라 할지라도, 자치 차량의 대부분의 측면 광범위한 금액에 관여하지 않는다 오늘 기계 학습 문제는 데이터 기반 학습으로 공식화되지는 않지만, 대신 모델 기반 최적화 방법입니다

시간이 지남에 따라 데이터를 배울 수 없습니다 그리고 스피커에서이 두 주 우리는 얼마나 많은 기계 학습이 시작되는지 보게 될 것입니다 하지만 보스턴과 함께 여기에 표시된 예는 Boston Dynamics의 놀라운 휴머노이드 로봇 지금까지 거의 기계 학습이 사용되지 않았다 사소한 인식을 제외하고 자율 차량과 동일합니다

기계 학습 및 심층 학습이 거의 사용되지 않았습니다 지각을 제외하고 시각적 텍스처 정보의 향상된 인식에 대한 일부 측면 점점 더 사용되기 시작한 것 재발 성 신경망의 사용 미래를 예언하기 위해, 장면의 다른 플레이어의 의도를 예측하는 것 미래가 무엇인지 예상하기 위해서 그러나 이것은 매우 초기 단계입니다

EC의 성공의 대부분은 오늘날 모세가 얻은 천만 마일 떨어져 있습니다 주로 비 기계 학습 방법에 기인합니다 왜 그렇지 않은가? 의도하지 않은 결과의 정말 깨끗한 예가 있습니다 윤리적 문제의 우리는 정말로 생각해야합니다 알고리즘이 데이터로부터 학습 할 때 목적 함수, 손실 함수, 힘, 알고리즘의 결과 그 기능이 항상 명확하지는 않다는 것을 최적화합니다

다음은 게임을하는 인간 플레이어의 예입니다 해안 주자들과 함께, 할 일이있는 보트 레이스 게임입니다 경주장 주변에서 경주에서이기려고 노력하십시오 그리고 가능한 많은 점수를 얻는 것이 목표입니다 포인트를 얻는 세 가지 방법이 있습니다

마무리 시간, 마무리까지 걸린 시간 당신이 순위에 있던 마무리 위치 그리고 콘을 집어 들면 길을 따라 작은 초록색 물건이 터보가되었습니다 그들은 당신에게 점수를줍니다 좋아요

그래서 우리는이 경우 에이전트를 RL 에이전트로 설계했습니다 보상을 위해 최적화됩니다 그리고 우리가 여기서 발견 한 것은, 최적의 에이전트는 최적의 경주 나 랭킹을 마무리하는 것과는 아무런 관련이 없습니다 그들은 훨씬 더 많은 포인트를 얻을 수 있습니다 터보에 집중하고 그것들을 모으는 것만으로 그들이 재생하기 때문에 그 작은 녹색 점

그래서 만약 당신이 서클에 들어가서 계속해서 벽에 빠지면 녹색의 터보를 모으는 것 그리고 그것은 매우 분명한 예입니다 합리적인, 공식화 된 목적 함수 그것은 예상치 못한 결과를 초래합니다 최소한 고려하지 않고 그 결과를 미리 고려하십시오 AI 안전에 대한 필요성을 보여줍니다

기계 학습의 루프에있는 인간의 경우 그렇기 때문에 독점적으로 깊은 학습을하는 것이 아닙니다 깊은 학습 알고리즘, 심층 학습이 적용된 문제 올바른 질문을하는 것입니다 그 답이 무엇을 의미하는지 이해하십시오 당신은 한 걸음 물러서서 그 차이를보아야합니다

구별, 수준, 알고리즘의 성취 정도 예를 들어 이미지 분류 반드시 장면을 이해하는 것은 아닙니다 사실 장면 이해와는 거리가 멀습니다 분류는 이해와는 거리가 멀다 그리고 데이터 세트는 크게 다를 수 있습니다

사용 된 데이터 세트의 여러 벤치 마크에서 전문적으로 완성 된 사진 대 종합적으로 생성 된 이미지 대 실제 데이터 그리고 실제 데이터는 큰 영향이있는 곳입니다 종종 한 번은 다른 것으로 옮겨 가지 않습니다 그것은 깊은 학습의 도전입니다 다양한 조명 변화의 이러한 모든 문제를 해결하면, 변이를 부과하다

우리가 당연한 인간으로 가져가는 모든 것들 우리의 믿을 수없는 지각 체계 얻으려면 모두 해결해야합니다 장면에 대한 더 큰 이해 우리가 그 격차를 줄이기 위해해야 ​​할 다른 모든 것들 그걸로 우리는 아직 가까이 있지 않습니다 몇 년 전 Andrej Karpathy 블로그의 이미지가 있습니다

오바마 전 대통령이 규모를 벌리고있다 우리는 분류 할 수 있습니다, 우리는 의미 론적 세분화를 할 수 있습니다 우리는 물체 감지를 할 수 있습니다 우리는 a에서 약간의 3 차원 재건을 할 수 있습니다 장면의 비디오 버전

그러나 우리가 잘 할 수없는 것은 우리가 당연시하는 모든 것들입니다 거울의 이미지와 현실의 이미지를 다르게 말할 수는 없습니다 우리는 정보의 희소성을 다룰 수 없습니다 오바마 대통령의 얼굴에 단지 몇 픽셀 우리는 여전히 MrPresident를 확인할 수 있습니다

장면의 3D 구조 저울 위에 인간의 존재가 있다는 발이있다 단일 이미지에서 우리가 가진 모든 상식적 의미의 지식을 사용하여 쉽게 할 수있는 것들 중력이있는 장면의 물리학을 할 수는 없습니다 그리고 가장 큰 것은, 가장 어려운 일은 어떤 사람들의 마음입니다 다른 사람들의 마음에 무엇이 있는지에 대한 어떤 사람들의 마음

사람들이 생각하는 것을 추론 할 수있는 세계의 정신 모형 MIT에서 흥미로운 일들이 많이 있었음을 추측 할 수있게되었습니다 사람들이보고있는 것 그러나 우리는 그 문제를 해결하는 것에도 가깝지 않습니다 하지만 우리가 생각하는 것은 우리가 우리는 그 문제에 대해 정말로 생각하기 시작하지도 않았습니다

그리고 우리는 인간으로서 사소한 것입니다 그리고 나는 그 핵심에 있다고 생각합니다 나는 시각 인식 문제에 숨어 있다고 생각합니다 왜냐하면 우리는 인간으로서 당연한 것으로 여기는 것입니다 특히 실제 문제를 풀려고 할 때, 특히 자율 주행을 풀려고 할 때 우리는 시각적 인식을 위해 5 억 4 천만년의 데이터를 가지고 있습니까? 그래서 우리는 그것을 당연한 것으로 생각합니다

우리는 얼마나 어려운지 알지 못합니다 그리고 우리는이 최근 개발에 모든 관심을 집중할 수 없습니다 추상적 생각의 십만 년의 체스가 이성을 발휘할 수있게되었습니다 그러나 시각적 인 인식은 그럼에도 불구하고 매우 어렵습니다 인식 할 필요가있는 모든 단일 계층에서 해석합니다

장면의 기본 사항을 이해해야합니다 그것이 당신이 혼란 스러울 수있는 모든 방법임을 보여주는 사소한 방법입니다 이러한 이미지 분류 시스템 약간의 소음을 추가하여 지난 몇 년 동안 많은 연구가있었습니다 당신이이 시스템들을 망쳐 놓을 수 있음을 보여주기 위해 노이즈를 추가하여 99 %의 정확성을 가진 개가 여기에서 예측했습니다 약간의 왜곡 추가 당신은 즉시 타조라는 99 % 정확도로 시스템을 예측합니다

그리고 당신은 단 하나의 픽셀로 그런 종류의 조작을 할 수 있습니다 그래서 이것은 이미지 분류 간의 차이를 보여주는 단지 깨끗한 방법 일뿐입니다 ImageNet과 같은 인공 데이터 셀에서 그리고 현실 세계의 인식은 해결되어야하며, 특히 자율 주행과 같은 치명적인 상황의 경우 이 상승하는 바다에 대한 맥스 테그 마크의 시각화가 정말 마음에 듭니다 Hans Moravec의 인간 역량의 풍경 그리고 이것이 우리가 앞으로 나아갈 때의 차이입니다

그리고 우리는 이러한 기계 학습 방법 중 일부를 논의했습니다 인간의 지능, 일반적인 인간의 지능이 있는가? 아인슈타인을 여기서 불러 봅시다 모든 종류의 문제를 일반화 할 수 있습니다 상식에서부터 엄청나게 복잡한 모든 종류에 이르기까지 그리고 우리가 해왔 던 방식이 있습니다

특히 데이터 기반 기계 학습, 전문화 된 정보인 Savant입니다 특정 작업에서 매우 똑똑하다 매우 좁은 곳을 제외하고는 양도 할 수 없습니다 이 풍경의 이웃 예술, 영화 촬영, 봉우리에서 책 쓰기의 다른 것의 체스, 산수 및 정리 증명 및 비전 호수의 바닥에 그리고 문제가 발생한 후에이 상승하는 바다가 있습니다

질문은 방법론을 사용할 수 있고 우리가 지금하고있는 모든 것에 대한 깊은 학습 바다를 계속 지키거나 근본적인 돌파구를 만드십시오 일반화하기 위해 일어날 필요가있다 이러한 문제를 해결하십시오 전문 분야에서 성공한 부분은 시스템은 본질적으로 데이터 세트가 주어지기까지 삶아진다 그 데이터 세트에 대한 근거 진리가 주어지면, 보스턴 지역의 아파트 비용은 다음과 같습니다

여러 매개 변수를 입력 할 수 있어야합니다 그 매개 변수를 기반으로 아파트 비용을 예측합니다 그것은 성공적인 성공의 기본 전제입니다 오늘날 심층 학습 시스템을 감독했습니다 데이터가 충분하다면 충분한 근거가 될 것입니다

공식화 될 수 있다면 해결할 수 있습니다 최근에 우리가 일련의 강의를 다하겠다는 약속이 있습니다 3 주째의 심화 학습 매우 적은 주석으로 원시 감각 정보에서 그것을 보여라 인간 감독없이 시스템이 학습할지 여부에 관계없이 스스로 플레이 이러한 제한된 상황에서 매우 잘 수행 할 수 있습니다 비디오 게임의 문제

여기에서 화소는 원시 화소를 인식 할 수 있습니다 원시 입력 으로이 탁구 게임의 이 게임의 근본적인 인용구 인용문 물리학을 배웁니다 이 게임이 어떻게 작동하는지 이해합니다 그리고 어떻게이 게임에서 이길 수 있는지 이것은 범용 인공 지능에 대한 단계입니다

그러나 그것은 아주 작은 단계입니다 시뮬레이션 된 매우 사소한 상황이기 때문입니다 그게 우리 앞에있는 도전입니다 점점 더 적은 인간 감독이 거대한 실제 문제를 해결할 수 있습니다 상위 감독 학습에서 대다수의 교수법 인간이 행한다

주석 처리 과정 전반에 걸쳐 모든 데이터에 라벨을 붙이고, 다른 예를 보여줌으로써 더 나아가서는 반 감독적인 학습에 이르기까지, 보강 학습 및 감독 학습 그림에서 선생님을 제거합니다 그리고 필요할 때 교사를 매우 효율적으로 만듭니다 물론 데이터 증가가 우리가 이야기하는 한 가지 방법입니다 그래서 적은 수의 예제와 일련의 예제들을 망쳐 놓고, 그러한 예제들을 보강하고, 사소하고 복잡한 수확 방법을 통해, 스트레칭, 이동 등등 해당 이미지를 수정하는 생성 네트워크 포함 작은 데이터 세트를 큰 데이터 세트로 성장시키기 인간의 입력을 최소화하고, 더 멀리 그리고 더 줄이기 위해 인간 교사의 입력

하지만 여전히 엄청나게 효율적입니다 인간이 가르치고 배우는 것 이것은 비디오이며 인간 아기가 처음으로 걷는 온라인 비디오 게임입니다 우리는 당신이 알고있는 것을 배우며, 그것은 한 번 배우는 것입니다 어느 날 네가 4 살, 네 살, 그리고 그 다음날 네 손에 나머지는 알아 낸거야

한 번의 기회 글쎄, 당신은 일종의 수 있습니다, 당신은 일종의 놀 수 있습니다 그러나 요점은 매우 효율적입니다 단지 몇 가지 예를 통해 우리는 특정 문제를 해결하는 방법 대부분의 경우 기계에 수천, 수백만 때로는 응용 프로그램의 수명이 중요한 특성에 따라 더 많은 예제가 필요합니다

감독 학습 시스템의 데이터 흐름에는 입력 데이터가 있습니다 학습 시스템이 있고 출력이 있습니다 이제 출력을위한 교육 단계에서 우리는 진실을 알게되었습니다 그래서 우리는 그 기초 진리를 사용하여 체계를 가르칩니다 테스트 단계에서 야생으로 나가면 새로운 입력 데이터가 생깁니다

우리는 학습 시스템으로 일반화해야합니다 우리는 최선의 추측을해야합니다 훈련 단계에서 신경망을 가진 과정이 주어진다 우리가 지상 진실을 가지고있는 입력 데이터, 모델을 통해 전달, 예측을하십시오 그리고 우리가 지상 진리를 가지고 있다고 가정하면 우리는 예측을 지상 진실과 비교할 수 있습니다

오류를보십시오 그리고 그 오류에 따라 무게를 조정하십시오 우리가 할 수있는 예측 유형은 회귀와 분류입니다 회귀는 연속적이며 분류는 범주 적입니다 여기서 우리가 회귀 문제가 내일은 온도가 어떨까요? 그리고 그 문제의 분류 공식화 뜨겁거나 차가워 질 것입니다

뜨겁거나 차가운 것에 대한 어떤 임계치 정의 그것은 회귀와 분류입니다 그리고 그것은 멀티 클래스 수있는 분류 전면 이것이 표준 제형입니다 우리는 다음과 같이 말하고 있습니다 무엇이 유일한 존재 일 수 있다는 것입니다

다중 레이블이 있거나 특정 엔터티가 여러 가지 일 수 있습니다 그리고 전반적으로 시스템에 대한 입력은 단순한 것이 아닙니다 특정 데이터 세트의 샘플 출력이 특정 일 필요는 없습니다 지상 진실 데이터 세트의 샘플 그것들은 서열, 서열 대 서열, 단일 샘플을 시퀀스에, 시퀀스를 샘플에 등등

비디오 캡션에서 또는 번역 할 비디오 캡션입니다 자연어 생성은 당연히 일대일로 이루어집니다 일반적인 컴퓨터 비전으로 컴퓨팅 좋아, 그게 더 큰 그림이야 큰 것에서 작은 것으로 되돌아 가자

우리 자신의 두뇌에서 영감을 얻은 하나의 뉴런에, 우리 뇌의 생물학적 신경 네트워크, 우리의 마음 속에있는 많은 지능 뒤에있는 계산 블록에 인공 뉴런에는 가중치가있는 입력이 있습니다 바이어스 및 활성화 기능 추가 및 출력 이게 영감을 받았다 전에 보여 줬던 것처럼 시상 각막 시스템을 시각화합니다

3 백만 뉴런을 가진 476 백만개의 시냅스 전뇌에는 1 억억 개의 뉴런이 있습니다 천조 개의 시냅스가있다 ResNet 및 기타 최첨단 네트워크 수 억억을 가지고있다 시냅스 가장자리의

인간의 뇌는 1 천만 배나 더 많은 시냅스를 가지고 있습니다 인공 신경 신경 네트워크보다 다른 차이점이 있습니다 토폴로지는 비동기식입니다 레이어로 구성되지 않습니다 인공 신경망의 학습 알고리즘은 역 전파이다

우리의 생물학적 네트워크에 대해서는 우리가 알지 못합니다 그것은 인간 두뇌의 신비 중 하나입니다 아이디어가 있지만 우리는 정말로 모른다 인간 두뇌의 전력 소비가 훨씬 효율적입니다 우리가 해결하려고하는 문제 중 하나 인 네트워크를 아는 것보다 ASIC은 이러한 문제를 해결하기 시작했습니다

그리고 생물학적 신경망에서 배우는 단계 당신은 정말로 결코 배우는 것을 멈추지 않습니다 당신은 항상 배우고, 항상 변화합니다 하드웨어와 소프트웨어 모두 인공 신경망에서는 종종 훈련 단계가 있으며, 뚜렷한 훈련 단계가 있습니다 그리고 야생에서 물건을 내놓을 때는 확실한 시험 단계가 있습니다

온라인 학습은 매우 어려운 일입니다 우리는 여전히 초기 단계에 있습니다 이 뉴런은 약간의 입력을 필요로하는데, 신경망 뒤에있는 기본적인 계산 블록, 몇 개의 입력을 취하고, 학습 된 매개 변수 인 가중치를 적용하고, 그들을 합산하고, 바이어스를 더한 후에 그것을 비선형 활성화 함수에 넣고, 또한 매개 변수를 학습하고 출력을 제공합니다 그리고이 뉴런의 임무는 흥분하는 것입니다 레이어의 특정 측면에 기반하여 전에 따르는 입력

그리고 차별하는 능력은 특정 사물에 흥분합니다 정보의 작은 조각을 잡아 다른 것들에 대해 흥분하지 마라 어떤 추상화 수준 이건간에 그래서 당신이 그들 중 많은 것을 함께 결합 할 때 너는 지식이있어 다양한 레벨의 추상화가 지식 기반을 형성합니다 이는 특정 원시 입력 집합을 나타내거나 이해하거나 심지어 행동 할 수 있습니다

그리고이 뉴런을 레이어로 함께 쌓으십시오 너비와 깊이가 계속 증가하고 있습니다 그리고 다양한 아키텍처 변형이 있습니다 그러나 신경 네트워크의 숨겨진 단일 계층으로 시작한다는 기본적인 사실부터 시작합니다 가능성은 무한합니다

임의의 함수를 근사 할 수 있습니다 단일 숨겨진 레이어가있는 신경망은 모든 함수를 근사 할 수 있습니다 즉 여러 레이어가있는 다른 신경망을 의미합니다 그냥 흥미로운 최적화입니다 우리가 그 기능들을 어떻게 발견 할 수 있는지 가능성은 무한합니다 그리고 다른 측면은 수학적 토대입니다

가중치와 미분 가능한 활성화 함수를 갖는 신경망 입력에서 출력까지의 몇 단계에서 심하게 병렬 처리가 가능합니다 이것이 바로 컴퓨팅의 다른 측면입니다 신경망의 병렬화 가능성 흥미로운 것들을 가능하게하는 것입니다 그래픽 처리 장치 GPU의 발전 그리고 ASICs TPUs 컴퓨터에서 실행될 수있는 능력, 대규모 분산 규모의 GPU 단위에서 신경망에 대한 추론을 훈련하고 수행 할 수 있어야합니다

활성화 기능 이러한 활성화 기능은 함께 구성됩니다 손실 기능을 최적화하는 임무가 주어집니다 회귀 함수의 손실 함수는 평균 제곱 오차입니다 일반적으로 많은 편차가 있습니다

그리고 분류는 엔트로피 손실을 교차시킵니다 교차 엔트로피 손실에서 지상 진리는 0입니다 평균 제곱 오차는 실수입니다 그리고 손실 함수, 가중치, 바이어스 및 활성화 함수 입력에서 출력으로 네트워크로 전달됩니다 손실 함수를 사용하여 우리는 backpropagation 알고리즘을 사용하는데, 나는 지난번 전체 강연을했는데, 가중치를 조정합니다

공기 흐름을 네트워크로 뒤로 이동하려면 다음과 같이 가중치를 조정하십시오 다시 한번 책임을지는 가중치 정확한 산출물을 산출한다 책임있는 가중치가 증가합니다 부정확 한 출력을 생성하는 것이 감소합니다 정방향 패스를 사용하면 오류가 발생합니다

역방향 패스는 그라디언트를 계산하고 그라데이션을 기반으로합니다 최적화 알고리즘은 학습 속도를 결합하여 가중치를 조정합니다 학습 속도는 네트워크가 얼마나 빨리 학습하는지입니다 그리고이 모든 것은 수치 계산에서 가능합니다 자동 차별화 된 측면

그라디언트가 주어진 최적화 문제 계산되고 충분하다 그라디언트의 네트워크로의 역방향 흐름은 확률 적 경사 (Stochastic Gradient Descent)이다 이 최적화 알고리즘에는 많은 변형이 있습니다 다양한 문제를 해결하는 죽어가는 ReLUs에서 사라지는 그라데이션으로 다양한 매개 변수와 추진력이 있습니다

그건 정말 문제가되는 모든 문제로 귀결됩니다 그것은 일련의 과정의 일부입니다 이것은 자기 운전 차량을위한 6S094 심층 학습입니다 감기에 걸린다 여기있는 모든 사람들을 만나서 정말 반가워요

비선형 최적화로 해결되었습니다 미니 배치 크기 배치의 크기는 얼마나됩니까? 전체 데이터 세트가 아닐 때 실제로는 미니 배치라고합니다 학습을 조정하기 위해 그라디언트를 계산하는 기준이됩니다 당신은 매우 많은 양으로 그것을합니까? 아니면 데이터의 모든 단일 샘플에 대한 확률 적 그래디언트 디센트로 수행합니까? 얀 르쿤 (Yann LeCun)과 최근의 많은 문학 작품을 듣는다면 작은 미니 크기가 좋습니다

그는 "대형 미니 바 훈련은 건강에 좋지 않습니다 더 중요한 것은 테스트 오류가 나쁘다는 것입니다 친구는 32 "보다 큰 미니 바를 친구가 사용하게하지 않습니다 큰 배치 크기는 더 많은 계산 속도를 의미합니다 체중을 자주 업데이트 할 필요가 없기 때문입니다

그러나 더 작은 배치 크기는 경험적으로 더 나은 일반화를 가져옵니다 더 넓은 범위의 학습에서 종종 우리가 겪고있는 문제 해결하려고 애쓰는 것이 지나친 것입니다 우리가 해결하는 방법은 정규화입니다 우리는 어느 정도까지 암기하지 않고 데이터 세트를 훈련시키고 자합니다 그 훈련 된 데이터 세트에서만 잘 수행 할 수 있습니다

그래서 당신은 그것이 미래로 일반화되기를 원합니다 당신이 아직 보지 못했던 미래의 일들 속으로 들어가십시오 그래서 이것은 분명히 작은 데이터 세트에 대한 문제입니다 또한 선택한 매개 변수 집합에 대해서도 마찬가지입니다 여기에는 사인 곡선의 예가 나와 있습니다

특정 데이터 대 9도 다항식, 파란색 점으로 특정 데이터 세트를 맞추려고합니다 9도 다항식은 오버 피팅입니다 특정 샘플 세트에 대해서는 매우 잘 수행됩니다 일반적인 경우에는 잘 일반화되지 않는다 그리고 여기서 트레이드 오프는 여러분이 더 멀리 더 훈련 할 때입니다

어떤 점에서 훈련 세트에서 오차가 0으로 감소됨 테스트 세트에서 1로 갈 것입니다 그리고 그것이 우리가 공격해야 할 균형입니다 유효성 검사가 끝났습니다 그래서 당신은 당신이 지상 진실을 가지고 훈련 집합의 조각을 가져 가라

그리고 당신은 그것을 set 내부의 밸리데이션 세트라고 부른다 해당 유효성 검증 세트에서 시스템의 성능을 평가할 수 있습니다 그리고 교육 네트워크가 제대로 작동하지 않는 것을 확인한 후에 장기간에 걸친 검증 세트에서, 그 때 그만 해요 그건 일찍 파업이야 기본적으로 점점 더 좋아지고 나아지고 있습니다

그리고 나서 약간의 시간이 있습니다 물론 항상 소음이 있습니다 몇 시간이 지나면 확실히 악화되고 있습니다 우리가 거기에서 멈출 필요가 있습니다 따라서 중지해야하는 시점을 자동으로 알 수 있습니다

그리고 다른 많은 정규화 방법론이 있습니다 물론 내가 언급 한대로 드롭 아웃은 매우 흥미로운 접근 방식입니다 그리고 그것은 특정 종류의 확률의 단순한 분산입니다 임의로 네트워크의 노드를 제거하고, 들어오고 나가는 가장자리, 훈련 과정 전반에 무작위로 정상화가 있습니다

정규화는 입력에 항상 적용됩니다 따라서 데이터 세트가있을 때마다 조명 조건에 따라 다른 변화 그들은 다른 출처를 얻는 등등, 당신은 모든 종류의 똑같은 수준에 있어야합니다 입력 데이터의 근본적인 측면을 배우기 위해 덜 관련성이있는 의미 론적 정보와는 대조적으로 조명 변화와 유사합니다 그래서 우리는 대개 항상 정상화합니다 예를 들어 픽셀이 0에서 255 사이 인 컴퓨터 비전 인 경우, 항상 0에서 1 또는 -1에서 1로 정규화합니다

평균 및 표준 편차에 기초하여 정규화 할 수있다 그것은 거의 항상해야 할 일입니다 획기적인 공연을 많이 만들었던 것 지난 몇 년 동안 배치 정상화입니다 그것은 나중에 네트워크에서 동일한 종류의 정규화를 수행합니다 숨겨진 레이어의 입력을 봅니다

그리고 일괄 처리 된 데이터를 바탕으로 평균과 표준 편차에 따라 정규화 된 훈련입니다 배치 재 정규화를 통한 배치 정규화 몇 가지 문제점을 해결합니다 당신이 훈련 도중 정상화하고 있다고 주어진 훈련 데이터 세트의 minibatches에서, 추론 스테이션에 직접 매핑하지 않습니다 따라서 평균을 유지함으로써 훈련과 시험 모두에서, 당신은 점근 적으로 글로벌 정규화에 접근 할 수 있습니다 따라서 모든 가중치에 적용되는이 아이디어 정규화하는 모든 가중치의 입력뿐만 아니라 당신이 만드는 추상화의 모든 수준에서 세계

배치 renorm은 이러한 추측을하는 많은 문제를 해결합니다 그리고 거기에는 많은 다른 아이디어가 있습니다 그룹 정상화에 대한 인스턴스 정규화 그리고 TensorFlow 놀이터에서 이러한 아이디어를 많이 활용할 수 있습니다 playground

tensorfloworg에서 적극 추천합니다 이제 여러 가지 아이디어를 실행 해 보겠습니다 그 중 일부는 향후 강연에서 다루겠습니다 그리고 깊은 학습의 세계에서이 모든 것은 무엇입니까? 컴퓨터 비전에서 심층적 인 학습에 이르기까지 다른 작은 레벨 기술로 큰 자연 언어 처리에? 그래서 회선 신경망, 이미지 분류를 가능하게하는 것

따라서 필터의 이러한 컨볼 루션은 이미지 위로 미끄러 져 들어가고 공간적 불변성을 이용할 수있다 왼쪽 상단에있는 고양이가 오른쪽 상단 모서리에있는 고양이와 관련된 기능과 동일합니다 이미지는 숫자의 집합이며 우리의 임무는 그 이미지를 취하는 것입니다 분류를 생산한다 시각적 정보의 공간적 분산에서 공간을 사용하여 이미지 전체에 회선 필터를 슬라이드합니다

그 반대의 필터를 배우십시오 다양한 기능에 존재하는 지형지 물에 동등한 가치를 부여하는 것과는 대조적이다 이미지의 다양한 영역에서 이 회선 필터가 쌓아 올릴 수있는 최상위 기능에 쌓여 있습니다 시각 정보와 이미지의 높은 수준의 추상화 필자가 언급 한 AlexNet, ImageNet 데이터 세트 및 챌린지 신경망으로 가능한 것을 세상에 매료시킨다 더욱 더 발전되어왔다

특별주의와 함께 인간의 성과를 대체 시작 모듈이있는 GoogLeNet ResNet을 따라 잔차 블록과 함께 나온 다양한 아이디어가 있습니다 그리고 최근에는 SENet 따라서 객체 검출 문제는 다음 단계의 한 단계입니다 시각적 인 인식에서

따라서 이미지 분류는 전체 이미지를 가져가는 것입니다 무엇이 이미지에 있는지 말하라 객체 감지 로컬 화는 관심있는 모든 객체를 찾는 것입니다 장면에서 분류하고 분류합니다 지역 기반 방법은 여기에 표시됩니다

빠른 R-CNN 이미지, 회선 신경망을 사용하여 그 이미지의 특징들을 추출한다 지역 제안을 생성 할 수 있습니다 여기 당신이보아야 할 후보들이 있습니다 그리고 그 후보자들 안에서, 그들은 그들이 무엇인지를 분류합니다 바운딩 박스의 4 개의 파라미터를 생성한다 그 것을 알아 채는 것

따라서 물체 감지 지역화는 궁극적으로 경계 상자로 귀결됩니다 클래스를 가지는 구형 그 경계 상자에있는 가장 가능성있는 클래스입니다 그리고 지역 기반 메소드를 실제로 요약 할 수 있습니다 지역 제안서를 생성 할 때 여기에 약간의 의사 코드와 for 루프를 수행합니다 지역 제안을 통해 for 루프에서 감지를 수행합니다

Single-Shot 메서드는 for 루프를 제거합니다 단 하나 통과가, 당신은 예를 들어 여기에 SSD를 보여줍니다 미리 훈련 된 신경망 가져 가라 그것은 이미지 분류를 수행하도록 훈련 받았고, 위에 콘볼 루션 (convolution) 레이어들을 쌓아 놓고, 각 레이어에서 추출한 피쳐 그런 다음 단일 패스로 생성 할 수 있습니다 클래스 경계 박스, 경계 상자 예측 및이 경계 상자의 클래스 연관 여기에서 교환하십시오, 이것은 대중적인 노란 v123come에서 종종 여기에서 절충은 성능과 정확성에 있습니다

따라서 단일 샷 방법은 종종 성능이 떨어집니다 특히 정확성 측면에서 정말 멀리 떨어져있는 물건이나 오히려 이미지의 크기가 작거나 큰 이미지입니다 시각적 인식, 시각적 이해의 다음 단계 의미 론적 세분화입니다 여기서 우리가 github에 제시 한 튜토리얼이 다루는 부분입니다 시맨틱 세분화는 이제 경계 상자와 반대되는 작업입니다

또는 전체 이미지를 분류하거나 객체를 감지하는 것은 경계 상자입니다 픽셀 수준에서 할당 중입니다 물체의 경계 모든 단일, 전체 장면 고전 전체 장면 분할을 분류, 해당 픽셀을 분류하는 모든 단일 픽셀 거기에 근본적인 측면이 있습니다 우리는 수요일에 좀 더 많이 다루겠다 이미지 분류 네트워크를 사용하고 있습니다

어떤 시점에서 그것을 잘라 그리고 나서 엔코딩 단계를 수행하는 것을 갖는 것 장면의 표현을 압축하는 것 그리고 그것을 디코더로 표현하면 조밀 한 방법으로 업 샘플링합니다 그래서 그 표현을 업 샘플링하는 것입니다 픽셀 레벨 분류

그래서 업 샘플링에는 우리가 이야기 할 많은 트릭이 있습니다 그들은 흥미 롭지 만 궁극적으로 표현을 형성하는 인코딩 단계 현장에서 벌어지고있는 일 업 샘플링하는 디코딩 단계 픽셀 레벨 주석, 모든 개별 픽셀의 분류 그리고 여기에서 언급했듯이 기본 아이디어가 적용되었습니다 가장 광범위하게 가장 성공적으로 컴퓨터 비전에서 전송 학습입니다 가장 일반적으로 적용되는 이전 학습 방법은 미리 훈련 된 네트워크를 이용하는 것입니다 ResNet을 좋아하고 어떤 시점에서 그것을 자르면됩니다

완전히 연결된 레이어를 잘라 버리고, 어떤면에서는 레이어의 일부와 데이터 세트를 취하고, 새로운 데이터 세트 및 해당 네트워크 재교육 그럼이게 무슨 도움이 될까요? 업계의 모든 단일 애플리케이션 컴퓨터 비전에 적합합니다 특정 응용 프로그램이있을 때 보행자 감지기를 만들고 싶습니다 보행자 감지기를 만들고 보행자 데이터 세트를 갖고 싶다면, ResNet을 ImageNet 또는 COCO에서 교육하는 것이 유용합니다 그리고 그 네트워크를 사용하여 일부 레이어를 잘라냅니다

시각 지각의 일반적인 경우에 훈련 그런 다음 전문 보행자 데이터 세트에 다시 입력하십시오 그리고 데이터 세트의 크기에 따라 사전 트레이닝 네트워크로부터의 이전 층들의 합은 고정되어야하고, 겨울 왕국 때로는 데이터의 크기에 의존하지도 않습니다 컴퓨터 시각에 매우 효과적입니다

오디오 연설과 NLP에서도 그렇습니다 그리고 사전 훈련 된 네트워크에서 언급했듯이 그들은 궁극적으로 데이터베이스의 표현을 형성하고있다 회귀 분석이 이루어지는 분류, 예측이 이루어진다 그러나 이것의 가장 깨끗한 예는 자동 엔코더 감독되지 않은 방식으로 표현을 형성하는 것 입력은 이미지이고 출력은 정확히 동일한 이미지입니다

그러면 우리는 왜 그렇게합니까? 네트워크에서 병목 현상을 추가합니다 어디서 네트워크가 좁아 지는가? 입력 및 출력에있는 것보다 중간에 있습니다 데이터를 의미있는 표현으로 압축해야합니다 이것이 자동 엔코더의 기능입니다 출력을 재생산하기 위해 교육을하고 있습니다

잠정적 표현으로 그것을 재현한다 이는 원본 원시 데이터보다 작습니다 이것은 데이터를 압축하는 매우 강력한 방법입니다 소음 제거 등에 사용됩니다 그러나 개념을 입증하는 데 효과적인 방법이기도합니다

또한 embeddings에 사용할 수 있습니다 Google은 엄청난 양의 데이터를 보유하고 해당 데이터의 압축 된 효율적인 표현을 형성합니다 이제 실제로, 이것은 완전히 감독되지 않았습니다 실제로, 데이터를 효율적으로 표현하기를 원한다면, 당신은 감독 된 방식으로 그것을 훈련시키고 싶습니다 차별적 인 일로 훈련시키고 싶다

여기서 데이터 라벨을 지정합니다 그리고 네트워크는 고양이 대 개를 식별하도록 훈련되었습니다 차별화 된 방법으로 교육받은 네트워크 주석이 달린 감독 학습 방법 더 나은 표현을 형성 할 수 있습니다 그럼에도 불구하고 그 개념은 의미합니다 이러한 개념을 시각화하는 한 가지 방법은 내가 정말로 projector

tensorfloworg를 좋아하는 도구, 이러한 다양한 표현을 시각화하는 방법입니다 이러한 다양한 삽입 당신은 확실히 놀아야하고 자신의 데이터를 삽입 할 수 있습니다 자율 감독의 방향으로 나아가 자

표현을 형성하는 것은 생성 적 적대적 네트워크 이러한 표현을 통해 새로운 데이터를 생성 할 수 있습니다 그리고 GAN의 근본적인 방법론은 두 개의 네트워크를 갖는 것입니다 하나는 생성기이고, 하나는 판별 자입니다 그들은 서로 경쟁한다

위해, 발전기 사실적인 이미지를 생성 할 때 더 좋아지고 더 나아질 수 있습니다 잡음으로부터 이미지를 생성하는 발전기의 작업 현실적인 특정 표현을 기반으로합니다 그리고 discriminator는 차별을해야하는 비평가입니다 실제 이미지와 생성기에서 생성 된 이미지 사이 둘 다 더 잘 어울립니다

발전기는 실제 이미지를 생성 할 때 더 좋아지고 개선됩니다 판별자를 속이기 discriminator가 더 좋아지고 나아졌습니다 진짜와 가짜의 차이를 말하다 발전기가 놀라운 것들을 생성 할 수있을 때까지 NVIDIA와의 작업에서 여기에 표시된 것은 사실적인 얼굴을 생성 할 수있는 능력을 의미합니다

지난 3 년 동안 급격히 증가했다 그래서 이들은 생성 할 수 있었던 유명인 사진의 샘플입니다 그것들은 모두 GAN에 의해 ​​생성됩니다 시간 경과에 따라 일시적으로 일관된 비디오를 생성 할 수있는 기능이 있습니다 GAN과

그런 다음 능력이 표시됩니다 오른쪽 아래 엔비디아와 나는 확신한다 또한 우리는 의미 론적 세분화 (semantic segmentation)에서 픽셀 수준에 대해서 이야기 할 것입니다 존재 따라서 오른쪽의 의미 론적 픽셀 세분화 왼쪽의 장면을 완전히 생성 할 수 있어야합니다

모든 원시 풍부한 고화질 픽셀 왼쪽에 자연어 처리 세계는 동일합니다 표상 형성, 포매 형성 Word2Vec을 사용하여 단어를 표현하고 표현을 표현하는 능력 그 단어들을 효과적으로 추론 할 수 있습니다 데이터에 대한 표현을 형성하는 전체 아이디어 거대한, 당신은 백만 단어 이상의 어휘를 사용합니다 그것을 공간에 맵핑 할 수 있기를 원합니다

유클리드 감각에있다 유클리드 거리에서 단어 사이에 의미 상으로 멀리 떨어져있다 비슷한 것들은 그 공간에 함께 있습니다 그리고 예를 들어 스킵 그램으로 그 일을하는 한 가지 방법 소스 텍스트를보고있다 텍스트의 큰 본문, 감독 된 학습 문제 지도를 배우고, 단어를 예측하여 특정 단어에서 모든 이웃에게

그래서 연결 네트워크를 훈련 일반적으로 자연 언어로 볼 수 있습니다 그리고 우리가 알 수있는 연결을 기반으로 이 단어들은 서로 관련이있다 이제 여기서 가장 중요한 것이 있습니다 이제는 너무 많은 세부 사항을 다루지는 않겠지 만 여기에 단어를 나타내는 입력 벡터가있는 주요한 것 확률을 나타내는 출력 벡터 그 말들은 서로 연결되어있다 가장 중요한 것은 둘 다 결국 폐기됩니다

가장 중요한 것은 중간, 숨겨진 레이어 이 표현은 임베딩을 제공합니다 이것은 유클리드 공간에서 이러한 단어를 나타냅니다 의미 론적으로 가까이있는 것들 의미 론적으로 그것들 속에 함께있다 의미 상으로 멀리 떨어져 있지 않습니다

자연 언어 및 기타 시퀀스 데이터, 텍스트, 음성, 오디오, 비디오는 반복적 인 신경 네트워크에 의존합니다 재발하는 신경 네트워크는 배울 수 있습니다 시간적 데이터, 데이터의 시간적 동역학 시퀀스 데이터 및 시퀀스 데이터를 생성 할 수 있습니다 도전은 장기적인 맥락을 배울 수 없다는 것입니다 신경망을 풀 때 언 롤링과 역 전파를 통해 훈련되었습니다

어떤 트릭도없이 그라디언트가 매우 빠르게 사라집니다 그래서 당신은 문맥을 외울 수 없습니다 문장의 긴 형태로 여기에 확장 기능이없는 한 장기 종속성을 사용하는 LSTM 허용함으로써 포착된다 정보를 잊어 버릴 네트워크, 정보가 제 시간에 자유롭게 통과하도록 허용하십시오

기억할 것을 잊어 버리는 이유 매번 출력 할 내용을 결정합니다 그리고 그 모든 측면에는 모든 훈련이 가능한 게이트가 있습니다 시그 모이 드 및 탄 기능이 있습니다 양방향 실제 재발 성 신경 네트워크 90 년대에서 제공하는 확장 기능은 두 방향의 맥락 따라서 반복적 인 신경망은 과거에 일어난 일들을 표현하는 것

이제 많은 경우에 당신은 능력 있고, 그것은 실시간 조작이 아닙니다 당신은 또한 미래를 들여다 볼 수 있습니다 시퀀스에서 벗어나는 데이터를 조사합니다 따라서 네트워크에 대한 이점을 누릴 수 있습니다 현재와 ​​그 이후를 넘어서

반복적 인 신경 회로망에서의 인코더 – 디코더 구조 입력 시퀀스가 ​​매우 유용합니다 시퀀스와 출력은 같은 길이가 아니어야합니다 작업은 먼저 인코더 네트워크로 모든 것을 인코딩하는 것입니다 입력 시퀀스에 모든 것이 있습니다 예를 들어 기계 번역에 유용합니다

따라서 모든 정보를 영어로 입력 시퀀스를 인코딩하는 것입니다 그런 다음에 번역 할 언어로 그 표현을 받으면, 그것을 디코더에 계속 공급하십시오 재귀 신경 네트워크는 번역을 생성합니다 입력은 출력보다 훨씬 작거나 훨씬 클 수 있습니다 이것이 엔코더 디코더 아키텍처입니다

그리고 개선이 있습니다 이 인코더 – 디코더 아키텍처의 개선에 주목 입력 시퀀스를 취하는 것과는 대조적으로, 그것의 표현을 형성하고 그 것이다 실제로 입력의 다른 부분을 되돌아 볼 수 있습니다 따라서 단일 벡터 표현에 의존하지 않고 모든 전체 입력의 그리고 많은 흥분 내가 언급 한대로 아이디어를 둘러 봤다 인공 지능의 꿈의 일부 및 일반적으로 기계 학습 인간의 모습을 점점 더 많이 제거 해왔다

어려운 작업 중 일부를 자동화 할 수 있습니다 그래서 Google의 AutoML과 일반적인 개념은 신경 건축술 수색, NasNet 발견을 자동화하는 능력 신경망의 매개 변수 실제 아키텍처를 발견 할 수있는 능력 최상의 결과를 만들어냅니다 따라서 신경 아키텍처 검색을 사용하면 기본 ResNet 모듈과 유사한 기본 모듈, 재발 성 신경 네트워크 당신은 함께 조립하고 네트워크를 유지합니다

최소화하는 방식으로 조립 전체 분류 성능의 상실 그리고 당신이 다음을 구성 할 수있는 것으로 나타났습니다 훨씬 더 효율적 인 신경망 최첨단보다 훨씬 정확하다 여기 ImageNet과 같은 분류 작업에 관한 그림이 그려져 있습니다 최첨단 기술과 SCnet과의 경쟁이 극도로 저조한 것으로 나타났습니다

반대로 흥미 진진한 내가 레고 조각을 쌓아 두었다고 말했던 것처럼, 최종 결과는 근본적으로 당신이 한 발 뒤로 물러나는 것이다 여기 데이터 세트가 있다고 하잖아요 와 함께 지상 진실의 레이블 구글은 구글 오토 머니의 꿈을 데이터가있다 당신은 어떤 종류의 신경 네트워크 이 데이터 세트에서 가장 잘할 것입니다 그리고 그게 다야

그래서 가져 오는 것은 모두 데이터입니다 그것은 네트워크를 구성한다 이 신경 건축술 검색을 통해 그리고 그것은 당신에게 모델을 돌려줍니다 해결하면 예외를 해결할 수 있습니다 현실 세계의 많은 문제를 해결하십시오

본질적으로 종기가 나는 몇 가지 수업이 있습니다 나는 매우 정확해야한다 여기에 내 데이터 세트가있다 그리고 나는 깊은 학습 연구자의 문제를 어쩌면 전통적으로 문제가 될지도 모른다 더 일반적으로 일종의 데이터 과학이라고하는 것 작업이있는 엔지니어 내가 옳은 질문이 무엇인지에 집중했다

그리고 그 질문을 해결하기위한 올바른 데이터는 무엇입니까? 그리고 추가 단계를 거치는 심화 학습 인간 입력 감소의 길을 따라 심층 강화 학습은 에이전트의 임무입니다 세계를 기반으로 행동하다 그 주에서받은 국가와 보상의 관찰, 세상에 대해 거의 알지 못한다 보상의 아주 희소 한 성격에서 배우기 때로는 게임 컨텍스트에서 만 당신이이기거나 잃을 때 또는 로봇 컨테스트에서 성공적으로 작업을 완료했는지 여부 매우 희소한 상을 수여 받으면 그 세계에서 행동하는 법을 배울 수 있습니다

종과 음식의 관계를 배우는 고양이와 함께 열린 AI와 깊은 마음으로 많은 놀라운 작업 로봇 조작 및 탐색에 대해 시뮬레이션 된 환경에서 자체 재생을 통해 그리고 물론 우리 자신의 가장 깊은 강화 학습 깊은 교통과의 경쟁 여러분 모두가 참여할 수 있습니다 그리고 나는 당신이 감독 된 지식없이 그것을 얻으려고 노력하는 것이 좋습니다 시뮬레이션에서 드문 보상을 통해 인간의 감독은 없습니다 또는 방법을 배우는 자기 플레이 구조를 통해 이 세상에서 성공적으로 운영됩니다 그리고 그것들은 우리가 취하는 조치들입니다

일반적인 인공 지능을 향한 일반 이것은 획기적인 아이디어에서 흥미 진진한 것입니다 우리가 수요일 자연 언어 처리에 대해 이야기 할 내용 생성 적 적대적인 네트워크에 그들은 임의의 데이터 고해상도 데이터를 생성 할 수 있으며, 데이터를 만듭니다 정말로이 세상에 대한 이해에서 온 것입니다

깊은 배움을 배우고 배우는 것 세상에서 행동하는 법, 인간의 감독으로부터 얻는 정보는 거의 없다 더 나아가고 나아가는 단계 흥미 진진한 아이디어가 많이 있습니다 다른 이름으로 간다 때로는 오용, 때때로 과도하게 사용되거나, 때로는 이전 학습을 잘못 해석하거나, 메타 학습 및 하이퍼 파라미터 아키텍처 검색 기본적으로 가능한 한 인간을 제거한다 사소한 일에서 근본적인 측면에서만 인간과 관련된 내가 윤리적 측면에서 경주하는 보트에 대해 언급했듯이

그리고 우리 인간들이 적어도 잘하는 척하는 것들 근본적인 큰 질문을 이해하고있다 현실 세계의 문제를 해결할 수있는 자료를 이해하고, 윤리적 인 균형을 이해하고 그 문제를 해결하기 위해서는 당황 할 필요가 있습니다 오른쪽 하단에 나는이 방에 우리 직업이있다는 것을 보여줍니다 세계의 모든 엔지니어가 이러한 문제를 해결하기위한 우리의 임무 현재 여름을 통해 앞으로 나아 간다

겨울이 오면, 이제까지 온다 그래서 저는 그것에 감사 드리고 싶습니다 당신은 비디오, 코드 등을 얻을 수 있습니다 online deeplearningmit

edu 대단히 감사합니다