One Minute Challenge: Machine Learning Vs Deep Learning – The Medical Futurist

이 1 분짜리 도전 과제에서 나는 혼란을 없애고 그 차이점을 설명하고자한다 당신이 이미 들었을지도 모르는 인공 지능 개발의 두 가지 유행어; 기계 학습과 깊은 배우기

게임 시작 기계 및 심층 학습 알고리즘은 인공 지능에 도달하는 두 가지 방법입니다 기계 학습이라는 더 큰 범주는 교육 데이터로부터 학습하는 알고리즘이며, 하나의 특정 작업 수행시 더 나은 의사 결정을 내리기 위해 배운 내용을 적용합니다 그것은 넷플 릭스가 영화에서 당신의 취향과 페이스 북이 당신을 어떻게 목표로 삼는지를 배우는 방법입니다 맞춤형 광고 기계 학습의 하위 집합으로서의 심층 학습은보다 복잡한 문제를 해결하는 데 더 적합합니다

작업 우리의 두뇌와 마찬가지로, 이것은 이해하기 어려운 신경망이지만, 창조주가 생각한 것조차도 데이터로부터 결론을 도출 할 수 있습니다 Google의 AlphaGo는 보드 게임을하는 법을 배운 깊은 학습 모델을 만들었습니다 전에는 볼 수 없었던 수준으로 이동하십시오 모든 움직임을 말해야합니다

몇 시간 만에 모든 것을 배웠고 여러 명의 세계 정상급 선수를 아무런 방해없이 물리 쳤습니다 인간에게서 그것은 과학적 경이와 미래의 진정한 인공 지능의 기초입니다 요약하면, 기계 학습은 의사가 방사선 이미지에 대한 의학 문제를 파악하는 데 도움이됩니다 깊은 학습은 앞으로의 건강을 예측하는 데있어 미래의 의사를 도울 수 있습니다

문제

Machine Learning Explained | Treasury Services Innovation | J.P. Morgan

Bruce : 당신이 그것에 대해 생각한다면, 그것은 단지 패턴에 관한 것입니다 데이터는 패턴을 부여 받았다

우리가 인간으로 만드는 많은 결정들, 우리는 생각합니다 "아, 더 많은 정보를 갖고 싶습니다" 기계 학습은 데이터 백업을 제공 할 수 있습니다 의사 결정 및 권고 인간이 올바른 결정을 내리는 데 정말로 도움이됩니다 Ray : 기계 학습이므로 일어나는 일입니까? 미래에, 또는 무엇인가 기업 재무는 오늘부터 시작할 수 있습니까? Bruce : 그것은 주머니에서 점점 더 많은 사람들이 일어나고 있습니다

재무에 기계 학습을 적용하는 방법에 대해 이야기하고 있습니다 우리는 그들이 사용할 수있는 일부 고객을 알고 있습니다 기계 학습 및 데이터 과학 고객으로부터 언제 지불 할 것인지 예측할 수 있습니다 그래서 그것은 정말로 늦은 보수로 그들을 돕습니다 재무가 자주 생각하는 큰 일 우리는 기계 학습이 현금 예측인지에 관해 이야기합니다

우리는 고객에게 그들이 어떻게 목적은 거래를 태그 지정하는 것입니다 이것은 납세액입니까, 공급 업체 지불입니까? Ray : 그래서 JPMorgan은이 공간에서 무엇을하고 있습니까? Bruce : 저는 우리가 생각하기에 3 가지 큰 방법으로 데이터 과학을 사용하고 있습니다 먼저 고객의 경험을 생각하고 있습니다 아시다시피, 우리는 올해 가상 조수를 발표했습니다 고객이 액세스 플랫폼에서 사용할 수 있습니다

집 안쪽에, 우리는 고객 서비스 팀과 협력 중입니다 고객 서비스를 어떻게 생각 하느냐고 계정 관리자는 서비스 질의를 훨씬 빠르게 관리합니다 또 다른 방법은 JPMorgan이 가지고있는 깊은 네트워크입니다 우리는 더 좋고, 더 똑똑하고, 재정적 인 제품을 만들고 싶다 고객이 더 나은 의사 결정을 내릴 수 있도록 돕고, 우리는 현금 관리자를위한 올바른 도구를 만들고 있습니다

그들의 현금 흐름을 관리합니다 우리는 고객과 많은 시간을 함께 보내고 있습니다 정말로 당신의 과정이 무엇인지 이해하고 있습니까? 이러한 흐름을 어떻게 관리합니까? 올바른 도구를 만들 수 있습니다 Ray : 문제의 일부는 무엇입니까? 기업 재무가 직면 할 수도있다 그들이이 여정에 착수하면서? 브루스 : 다시 말하고 싶은게 있다면

그것은 한 사람의 일이 아닙니다 해결할 머리가 많이 필요합니다 우리는 어떤 통찰력을 가지고보고를 제공하고 싶습니까? 그것은 한 사람의 일이 아닙니다 그것은 한 분야의 일이 아닙니다 [매력적인 음악]

(ENG SUB) '기생충'(Parasite) 봉준호(Bong Joonho) 감독 귀국 "'봉준호 장르', 가장 듣고 싶은 말이었다" [통통TV]

너 밖에있을 거라고 생각하지만 너는 안에있어 안녕 ~ 감독, Palme d' Or 수상의 축하 고맙습니다 당신은 칸에서 가장 유명한 상을 받았습니다

기분 어때? 나만을위한 것은 아니다 한국 영화사에서 처음으로 나는 이것이 내가 더 행복하다고 느끼는 이유라고 생각한다 권리 당신의지지와 사랑에 감사드립니다 우리는 요즘이 결과를 성취 할 수있었습니다

내 생각에 그것은 당신이 한국 영화에 대한 끊임없는 사랑과 관심 올해는 한국 영화 100 주년입니다 많은 한국 팬들이 당신을 지원했습니다 한국 팬들에게 할 말이 있나요? 나는 봉 (Bong) 감독이 같은 생각을 할 것이라고 생각한다 한국 영화에 대한 열정적 인 사랑 오늘의 결과를 형성했다 정말 고맙습니다 폐막식 파티에서 판사들과 이야기를 나눴습니다

그들은 올해가 한국 영화 100 주년이라는 것을 인식하지 못했습니다 그래서 그들은 그것을 듣기 정말 기뻤습니다 나는 칸 영화제가 아주 특별한 선물을 주었다고 생각한다 한국 영화 100 주년 기념 그것은 그렇게 말할 수있다 외국 언론의 많은 논평 가운데, 심지어 어떤 사람들은 자신이 일종의 장르가되었다고 말했습니다

당신이 그것에 대해 들었을 때 어떻게 느꼈습니까? 그것은 내가 듣고 싶었던 바로 그 것이었다 나는 매우 기쁘게 생각했다 수상 경력만큼이나 행복했습니다 그리고 마을의 이야기가 된 또 다른 것 당신이 (봉 감독님) 무릎을 구부린 채로 송 씨께 보너스를 줬을 때였습니다 그게 더 의미있는 것 같아요

계획되지 않았다 둘이 함께 해냈어 나는 그의 공연을보기 위해 정말로 충격을 받았다 정말 감동적 이었어 Palme d' Or 상을 수상한 감독에게는보기 드문 경우가 아닙니까? 그것은 실내 시상식 홀에서 열리지 않았다

야외 사진 콜센터에서 나는 더운 것들이 발생했다고 생각한다 인간 감독과 배우의 관점에서 우리는 그 (것)들과 비교 된 아무것도 아니 었습니다 이 목요일은이 기적, 기생충의 첫날입니다 그것에 대해 다소 압박감을 느끼지 않습니까? 모든 감독, 배우 또는 제작자는 가장 긴장 할 것입니다 시사회 직전 압력을 받고 걱정을 느낀다

내 마음도 펄럭 이네 나는 지금 복잡한 감정을 가지고있다 항상이게 맘에 든다 마을 이야기가 된 또 다른 일 총을 쏘고있는 동안 다른 배우들을 돌보는 것이 었습니다 사람들이 그 말을 듣고 헤드 라인을 다시 만들었습니다

당신은 일주일에 52 시간의 근무 규칙을 따랐습니다 이 소식에 대해 들어 본 적이 있습니까? 실제로 그것은 기생충의 독특한 charcteristic 아니에요 영화 스태프의 작업 환경 2 ~ 3 년 전부터 개선되기 시작했다 그들의 지불 등도 '정상'으로 바뀌었다 한국 영화계는 정상적인 환경을 유지했다

적어도 2 ~ 3 년 전부터 모든 영화 관련 직원들이 자랑스러워합니다 기생충이 한국 팬들을 위해 어떤 종류의 영화를 원하십니까? 지금 어디에서 팔레 도르 또는 트로피를 지켰습니까? 트로피가 저기에 있다고 생각해 트로피를 담당하고있는 형이 저쪽으로 간다 Me와 Kangho 형 모두 그 물건을 잘 지키지 못한다 저기 저 분야의 주인이있어

기생충이 어떤 종류의 영화를 원하십니까? 잘 수상 자체에 초점을 맞추는 것보다, 나는 당신이 궁극적 인 결과에 집중하기를 바랍니다 지난 20 년간 한국 영화의 발전 봉 (Bong) 감독은 20 년 동안 계속 일해왔다

나는 그가 개발을 완료했다고 생각한다 나는 영화가 곧 풀릴 것이라는 점을 들었다 나는 너를 희망한다 영화 자체에 집중하다 수상 대신 수상 나는 Kangho sunbaenim이 여기에 있기 때문에 이것을 말하지 않고있다 그러나 KH를 비롯한 많은 훌륭한 배우가 있습니다

그들은 다양한 감정을 터뜨렸다 나는 당신이 그들의 발언에 집중하는 것이 재미있을 것이라고 생각한다 여기서 끝내자 고맙습니다! 사진 시간을 갖자! 왼편을 보시오 손을 흔들어주세요

중심을 향해보세요 너의 시선, 너의 시선은 제발! 마지막으로 오른쪽을 향해보세요 여기, 여기! 중심에, 센터! 바닥을 잡고있어 마지막으로 왼쪽으로 보아주세요 평생 내내 이런 종류의 일을하리라고는 기대하지 않았습니다

왼쪽으로 보아주세요 우리는 여기 사진 시간을 마무리하고 Q & A로 이동합니다 그것은 슈퍼 무거운 나는 그것을 붙들 것이다 악 이것은 당신과 당신 모두를위한 질문입니다 들을 수 x2 수상 경력에 대해 어떻게 생각하는지 말해주십시오

한국 관객에게 뭐라고 할 말이 있니? 너 먼저해라 개인적으로 그것은 나의 첫 번째 우승이었다 한국 영화사 100 년 역사상 처음으로 얼마나 기쁜지 우리는 축하하기 위해 두 가지를 얻었다 며칠 후 영화가 출시 될 예정이므로 나는 가장 중요한 스케줄을 남겼다

한국 관객과 만남 그래서 내 마음은 여전히 ​​펄럭이고있어 너무 자랑스러워 20 년간의 봉 감독의 노력 약혼자가 절정에 이르렀다 보람이 있었고 자랑 스럽습니다 내가 대표로 칸느에 머물 렀지 만 내 옆에있는 많은 놀라운 배우들이 영화에 등장했습니다

당신이 그들의 연기를보고 싶어한다고 생각합니다 며칠 후에 나에게 도움이되기를 바랍니다 고맙습니다 한국에 올 때 무엇을 가장하고 싶습니까? 우리가 한국에 올 때? 집에 가고 싶어 예, 집으로 돌아가고 싶습니다 나는 강아지 Joonie가 그리워

충무 풍의 김밥을 먹고 싶다 나는 집에 너무 못 간다 8 일 후에 나 돌아 왔어 너무 멀었다 그래서 나는 슈퍼 피곤해

고맙습니다! 작별 인사를 마치고 떠날 수 있습니다 귀하의 오른쪽을 향해보십시오 중심을 향해보세요 마지막으로 왼쪽을 향해보세요 오른쪽으로 한번 더보세요 잠시만 기다려주세요

지난번에 한 번 오른쪽을 향해보세요 고맙습니다 작별 인사를 마치고 떠날 수 있습니다 고맙습니다!

Machine Learning with ML.NET and Azure Functions: Part 1 | Azure Tips and Tricks

>> MLNET을 사용하여 서버리스 머신 학습을하는 방법을 배우고 Azure는 Azure Tips and Tricks의이 에피소드에서 작동합니다

우리는 MLNET 라이브러리로 애플리케이션을 구축 할 것입니다 우리는 유형을 식별 할 수 있어야합니다 아이리쉬 꽃은 우리가 먹는 데이터를 기반으로합니다 여기 우리는 Windows에서 일반적인 명령 프롬프트에 있습니다

닷넷 코어가 설치되어 있고 Azure 기능 도구도 있습니다 Azure 및 Net 코어를 활성화하여 이들을 설치할 수 있습니다 Visual Studio의 작업 부하 시작하자 먼저 데모라는 디렉토리를 만들고 거기에갑니다

이제 새로운 솔루션을 만듭니다 다음으로, 새로운 콘솔 애플리케이션을 생성하겠습니다 소위 모델이라고 불렀습니다 이제 모델 프로젝트를 솔루션에 추가하고, 모델 폴더로 이동합니다 모델 프로젝트는 기계 학습을 할 것입니다

기계 학습 모델을 만드는 훈련 그렇게하려면 MLNET이 필요합니다 그래서 MLNET에 NuGet 참조를 추가 할 것입니다

모든 패키지가 있는지 확인하기 위해, 나는 닷넷 복원을 할 것이다 자, 훈련 데이터를 위해, 먼저 데이터를위한 데이터 디렉토리를 만들고, 여기에서 데이터를 얻을 수 있습니다 이 URL에는 꽃잎에 관한 데이터가있는 데이터 파일이 포함되어 있습니다 sepal 크기 및 이것들이 속한 꽃 이걸 복사합시다

우리가 말하는 것에 대해 당신에게 더 좋은 아이디어를주기 위해서, 데이터는 꽃잎과 아일랜드 꽃의 꽃잎 홍채의 각 유형은 꽃잎과 sepals 괜찮아 Visual Studio 코드로 전환했습니다 방금 만든 솔루션을 열었습니다

다음은 "데이터"폴더입니다 여기에서는 새 파일을 만들어 irish-datatxt라고하고, 데이터를 붙여 넣습니다 그런 다음 데이터를 저장할 수있는 데이터 모델 클래스를 만들어야합니다 이것은 아일랜드 데이터 클래스입니다

그리고 이렇게 보입니다 데이터를 저장할 수있는 간단한 클래스입니다 또한 예측 데이터에 대한 클래스가 필요합니다 그래서, "New File", "IrishPrediction", 여기에 우리가 가서 이것을 붙여 넣을 것입니다 예측 레이블이 유지됩니다

마지막으로, 새 파일을 추가하고 "모델"이라고 부릅니다 이 클래스는 실제로 MLNET 코드를 포함합니다 훈련 데이터를 취하고 그것으로부터 기계 학습 모델을 생성한다 먼저 데이터를로드합니다

데이터 경로에서로드하는 텍스트 파일 다음으로,이 데이터를 분석하여 교육용으로 준비합니다 마지막으로 데이터를 사용하여 모델을 교육하고, 결과는 모델 파일에 기록됩니다 모델 경로 매개 변수에서 설정 한 경로 이제는 프로그램 클래스에서이 모든 것을 연결합니다 여기서 우리는 데이터의 경로를 설정합니다 모델을 저장해야하는 위치로 이동합니다

다음으로, 우리는 모델을 훈련시키고 그것을 테스트합니다 터미널 창에서 사용해 봅시다 먼저 모델 폴더로갑니다 자, dotnet 실행 모델, 그리고 거기에 간다 그것은 모델을 훈련시키고 그것을 테스트한다

여기 출력이 있습니다 시원한 다음은 modelzip 파일입니다 여기에는 기계 학습 모델이 들어 있습니다

MLNET은 매우 강력한 라이브러리입니다 C #으로 기계 학습을 할 수 있습니다 가서 확인해

Introduction to Pandas for Deep Learning (2.1)

안녕하세요, 제프 히튼입니다 딥 뉴럴 네트워크 응용 프로그램에 오신 것을 환영합니다

워싱턴 대학교와 이 비디오에서는 시리즈를 시작할 예정입니다 이 모듈을 위해 다음 5 개의 비디오, 팬더에 대해 이야기 할 것입니다 이제 신경망은 표 형식의 데이터를 받아 들일 수 있으며, Microsoft Excel에서 볼 수있는 데이터입니다 많은 전통적인 데이터 과학 문제들이 이런 방식으로 설정됩니다

Kaggle에 대한 많은 대회가이 방법으로 설정됩니다 우리는 이미지와 오디오 처리에 들어갈 것입니다 텍스트 및 자연 언어 처리, 나중에이 과정에서 우리는 팬더를 사용하지 않을 것입니다 그러나 처음에는, 기존의 데이터 세트 중 일부를 다룰 때, pandas는 데이터 세트를 다루는데 매우 유용합니다 열로 나눌 수 있습니다

AI 과정과 프로젝트에 대한 최신 정보는 구독하고 그 옆의 종을 클릭하십시오 모든 새 비디오에 대한 알림을받을 수 있습니다 신경망, 다양한 데이터 수신 에 대해 예언하기 읽는 데이터의 한 유형은 CSV 파일입니다 그리고 이것은 표 형식의 데이터를 다룹니다

우리는 표 형식의 데이터에 대해 몇 가지 수업 시간을 보냅니다 몇 개의 모듈, 그러나 우리는 또한 많은 것을 이미지로 얻을 것입니다 기타 고급 입력 신경 네트워크가 처리 할 수있는, 신경 네트워크가 특히 좋습니다 하지만 지금은 팬더를 살펴볼 것입니다 표 형식의 데이터를 처리하는 방법을 살펴보십시오

여기서 우리는 팬더 read_csv를합니다 우리가 다른 데이터 세트를 읽을 때 많이 보게 될 것입니다 나는 이것을 웹에서 읽고있다 콜 랩에서 작동해야합니다 또한 로컬에서 실행하는 경우에도 마찬가지입니다

그리고 DataFrame의 덤프를 출력합니다 어쨌든 그것의 처음 다섯 줄 디스플레이 기능을 사용할 수도 있습니다 조금 더 멋지게 인쇄합니다 따라서 갤런 당 데이터 세트 수를 보여줍니다

이것은 고전적인 데이터 세트입니다 당신은 많은 기계 학습 문학에서 보았습니다 우리는 그것을 많이 사용하지는 않지만 많이 사용합니다 그것은 갤런 당 마일을 보여줍니다 이들 다양한 자동차 각각에 대해, 특히 1970 년대에 만들어진 자동차

갤런 당 마일의 이러한 값, 이 다른 값을 사용하여 예측하려고합니다 당신이 여기에서 볼 수 있습니다 이것은 몇 가지 기본 통계를 인쇄 할 수있는 방법을 보여줍니다 이 값에 그리고 그것은 당신이 어떤 팬더와 어떻게 일하는지를 보여줍니다

이 프로그램을 실행하면 기본적으로 각 필드가 제공됩니다 그래서 현장은 갤런 당 마일로 명명됩니다 다음 필드는 cylinders 등으로 명명됩니다 그리고 이것은 당신에게 통계의 일부를 제공합니다 평균, 분산, 표준 편차 등

읽는 것이 어렵지만 읽는 것이 더 쉬워 질 것입니다 잠시 우리가 어떻게 실제로 이것을하는지 봅시다 우리는 DataFrame 우리는 데이터 형식 만 사용하고 있습니다 정수이고 실수입니다

그것은 효과적으로 이름을 떨어 뜨리고 있습니다 그런 다음이 값들의 헤더를 얻습니다 필드라고하는 빈 목록을 만듭니다 그리고 우리는 각 필드를 반복 할 것입니다 칼럼에 그래서 우리가 반복 할 각 열, 우리는 필드에 추가 할 것입니다

우리는 단지 날고있는 사전입니다 그리고이 사전에는 네 가지 요소가 있습니다 4 개의 항목 이름은 우리가있는 분야 일뿐입니다 평균은 DataFrame이며, 이것은 DataFrame에서 열의 평균을 취하는 방법입니다

mean, variance 및 standarddeviation 당신은 중앙값, 통계 값의 전체 무리를 할 수 있습니다

사용할 수 있습니다 그리고 나서 우리는 그들을 출력합니다 이것은 좋은 예입니다 사전 목록을 작성하는 방법, 이것은 사용하기에 매우 보편적 인 구조입니다 이것은 마치 데이터베이스 테이블과 같습니다

그리고 이것은 정확히 형식입니다 데이터를 저장할 수있는 직접 DataFrame에로드 할 수 있습니다 여기에서 우리는이 데이터를 취할 수 있음을 알게 될 것입니다 여기에서 생성하여 판다 DataFrame으로 바꾸십시오 매우 편리합니다

이제 우리는 멋지게 표현할 수 있습니다 그래서 우리는 기본적으로 처음부터 DataFrame을 만들었습니다 이 모든 평균값, 이름, 표준 편차 및 분산 그래서 우리가 하나씩 추가하고있는이 사전은, 그것들은이 특정 표의 행과 같습니다 우리가 만들고있는 것

자, 누락 된 가치 현실은, 데이터 과학자로서 다루는 데이터 항상 문제가 있습니다 사실, 데이터가 완벽하다면, 문제가 있다는게 거의 두렵다 나는 보지 못했다 여기서 우리는 갤런 당 오토 마일로 다시로드 할 것입니다

그것은 동일한 데이터 세트입니다 그러나 우리는 여기서 NA 값 NA와 물음표, 몇 가지 물음표가 있기 때문에 이 특정 데이터 세트에서 누락 된 마력의 가치가 있습니다 그래서 네가 이걸 실행하면 너에게 그걸 보여줄거야 예, 마력에는 NA 값이 있습니다 그런 다음 누락 된 값을 채 웁니다

우리는 중간 값을 취합니다 이제 중앙값은 일반적으로 더 나은 가치입니다 평균보다 누락 된 값을 넣는다 중간 값은 특이 치에 민감하지 않기 때문에, 반면에 평균은이다 거대한 외계인 가치가있는 경우, 그것은 당신의 평균에 영향을 미칠 것입니다

그러나 그것은 당신의 중앙값에 영향을 미치지 않을 것입니다 그래서 우리는 마력을 가져 간다 그리고 우리는 실종자를 채운다 NA 값, 그 중앙값으로 누락 된 값 NA 값도 드롭 할 수 있습니다

네가 원한다면 NA 값을 가진 전체 행이 삭제됩니다 그리고 이제 우리는 마력을 출력합니다 우리가 그것을 채웠기 때문에 참으로 NA가 없습니다 외이 값은 또 다른 것입니다

당신은 잠재적으로 다루어야 만합니다 다른 방법으로 제거하거나 처리 할 수 ​​있습니다 여기에서 그들을 제거하는 방법을 보여 드리겠습니다 우리는 이상 치를 정의하고있다 높은 숫자 인 것으로서, 어쩌면 둘 이상의 표준 편차가있을 수 있습니다

2 개는 약간 가깝지만 3 개 이상일 수 있습니다 그러나 이것은 당신에게 제거하는 방법, 우리는 공정한 금액을 제거하고 싶다 그래서 우리는 아무것도 제거하지 않을거야 즉 표준 편차가 두 개 이상입니다 평균보다 높거나 낮습니다

우리가 제일 먼저하는 일은 우리의 낙하 행은 무엇입니까 그래서 우리는 근본적으로 값 목록을 요구하고 있습니다 여기서 절대 값 각각의 개별 값들 중, 이름이 칼럼이다 우리가 이상 치를 계산하고 있다고 평균에서 빼기 우리는 그것이 아닌지 확인합니다

그 표준 편차의 양 그런 다음이 행을 삭제합니다 우리는 모든 색인을 얻었습니다 축을 0으로 사용합니다 왜냐하면 우리는 열이 아니라 행을 다루기 때문입니다

열을 삭제하지 않습니다 Inplace는 실제 DataFrame을 수정한다는 것을 의미합니다 두 번째 DataFrame을 반환하지 않습니다 함수를 실행하여 메모리에 저장하십시오 그러면 동일한 데이터 세트가로드됩니다

특징 벡터를 생성한다 마력을 중앙값으로 바꾸면됩니다 우리는 필요가 없기 때문에 이름을 없앨 것입니다 이 예제에서는별로 중요하지 않습니다 그리고 우리는 갤런 당 마일의 길이를 봅니다

우리가 그 값들을 버리기 전에 그리고 우리는 398에서 388로 갔다 여기에 몇 가지 데이터를 보여줍니다 당신은 아마 필드를 떨어 뜨리는 것을 볼 수 없을 것입니다 판다에 들판을 떨어 뜨리는 것은 꽤 쉽습니다

이름 필드를 삭제하려면이 작업을 수행하기 만하면됩니다 그리고 그것은 전후의 열 수를 알려줍니다 또는 실제 열 당신은 이름이 거기에 있음을 볼 수 있습니다, 이제는 삭제할 수있어 매우 편리합니다 DataFrame의 전체 열

우리는 함께 사물을 연결할 수도 있습니다 이것은 매우 유용하게된다 더미 변수 생성을 시작할 때 및 기타 변수들 DataFrame에 'em'을 추가해야합니다 이것이 무엇을 할 것인가? 기본적으로 새로운 DataFrame을 만들 것입니다 그것은 단지 두 가지 값의 합입니다

그래서 이것은 단지 이름과 마력을 만들어내는 것입니다 그래서 우리가하는 일은 마력을 추출하는 것입니다 우리는 이름을 추출하고 있습니다 그 두 개를 열로 연결합니다 축 1은 항상 열을 의미합니다

그리고 당신은이 결과를 얻습니다 우리는 단지 처음 다섯 행을 표시하고 있습니다 하지만이 방법을 사용하면 하위 선택, 어쨌든 그들 중 하나, 하위 선택하실 수 있습니다 처음부터 DataFrames를 구축하십시오 과제 중 일부는 당신이하기를 원할 것입니다

이것과 아주 비슷한 것 그래서 이것은 유용합니다 이 열 또는 시리즈를 사용할 수 있어야합니다 완전히 새로운 DataFrame을 구축하기 위해 그것들을 조합하십시오 행을 함께 연결할 수도 있습니다

이것이하는 일은 처음 두 가지를 취하는 것입니다 그리고 마지막 두 줄 따라서 우리는 DataFrame을 0에서 2로 가져 가고 있습니다 그리고 나서 마이너스 2에서, 결국 두 개의 뒤를 의미합니다 결국 우리는 함께 연결시켜야합니다

자, 우리는 행을 다루기 때문에이 축은 0입니다 팬더를 자주 사용하는 또 다른 당신의 훈련 데이터를 깨뜨리는 훈련입니다 교육 및 검증 세트, 심지어 K- 폴딩에 이르기까지 다양합니다 우리는 나중의 모듈에서 K- 폴딩을 더 할 것입니다 그러나 기본적으로 데이터를 가져올 수 있습니다

교육 유효성 검사 분할로 나눕니다 전체 데이터 세트를 여기에 가지고 있습니다 그러나 당신은 훈련을 위해 80 %, 유효성 검사를 위해 20 %를 취하고 있습니다 보통 기차 세트에 모델을 훈련시키고 맞출 것입니다 교육 세트에서 생성 된 모델을 평가할 것입니다

귀하의 유효성 검사 세트에 이것은 어떻게하는지 보여주는 간단한 코드입니다 기본적으로 마스크를 사용하여 값의 가면 그러므로 이것은 단지 진리와 거짓의 목록에 불과합니다 그 진실은 포함될 것입니다

그리고 거짓은 그렇지 않은 것들입니다 따라서 우리가 80 %를 사용하고 있기 때문에 교육용 DataFrame 기본적으로 마스크가 적용된 DataFrame을 가져옵니다 반대 마스크 그리고 우리는 인쇄 할 수 있습니다 우리가 312 세트의 훈련을 받았고, 우리의 검증 세트 86

이건 매우 중요합니다 Keras에 직접 DataFrames를 보내지 마십시오 당신은 numpy를 사용할 수 있어야합니다 Numpyvalues가이 일을합니다

그래서 여기에서는 기본적으로 값을 얻었음을 알 수 있습니다 행렬을 만들었습니다 이제는 이러한 모든 값을 원할 수 없습니다 마찬가지로, 그 이름은 숫자가 아닙니다 그래서 문제를 일으킬 수 있습니다

리스트를 전달할 수 있습니다 이제 파이썬에서 이것을 자주 볼 수 있습니다 혼란의 원인으로 배열에 이중 중괄호가 있으면, 이중 중괄호가 아니에요 전달하려는 색인이 목록입니다 내가 모든 행을 원한다고 말하는거야

DataFrame에서 가져 오지 만이 열만 있으면됩니다 그리고 만약 당신이 거기있는 이름없이 지금 그것을 원한다면, 이제는 못생긴 문자열이 없습니다 그것은 당신이 갖고 싶은 순수한 숫자입니다 이것에 대해 더 많이 알 수 있습니다 우리가 특징 벡터를 준비하는 방법을 배울 때 신경 네트워크

생성하거나 수정 한 DataFrame을 저장할 수 있습니다 CSV 파일에 저장하십시오 이렇게하면 Jupyter Notebook 외부에서 볼 수 있습니다 엑셀을 사용하거나, 더 고급 무언가를 사용하는 것이 바람직합니다 CSV 파일보기

Excel에서는주의해야합니다 CSV 파일을 수정하는 경향이 있습니다 심지어 앞에 오는 0을 제거함으로써 심지어 손상시킬 것입니다 그리고 다른 것들 또한 제한된 지원도 있습니다

UTF-8과 같은 텍스트 인코딩 Excel을 사용하여 일을 볼 수는 있습니다 데이터의 일부를 다시 포맷 할 수도 있습니다 그것을 부패시킨다 이제 CSV 파일로 저장하면, 유용 할 수있는 그게 종종 내가 제출 한 것이기 때문에 그 파일들은 나에게, 그 형식으로, 과제 중 일부에 대해서 당신이 Kaggle 경쟁에서 경쟁 할 때, 당신은 종종 CSV 파일을 제출할 것입니다

그래서 나는 Kaggle 경쟁에 대한 정확한 요구 사항을 게시 할 것이다 이번 학기 동안 우리는 그 시점에 도달했습니다 CSV 파일을 저장하는 명령은 간단히 to_csv입니다 그리고 본질적으로이 DataFrame을 걷고 있습니다 그런 다음 그것을 다시 쓰십시오

색인은 거짓입니다 일반적으로 색인은 false와 같음을 원합니다 그것이 그것을 말할 것이기 때문에 각 행에 행 번호를 넣지 마십시오 그리고 당신이 이것을 실행할 때, 그것은 단지 완료라고 말합니다, 우리가 말한 경로에서 CSV를 생성합니다 점은 현재 디렉토리를 의미합니다

Google Collab을 사용하고 계시다면, 당신은 당신의 매핑 된 G 드라이브의 경로를 그곳에 두어야합니다 그 다음 그것을 장소로 출력 할 것입니다 당신은 그 파일을 가질 수 있습니다 그리고 Google 문서 도구에서 그 내용을 살펴볼 수 있습니다 또는 다른 것

Google 문서 도구는 CSV를 볼 수있는 아주 좋은 프로그램입니다 이제 피클에 DataFrame 저장 피클은 바이너리 파일 형식입니다 따라서 CSV로 저장하면, 당신은 기본적으로 그것을 텍스트 파일에 작성하고 있습니다 당신은 종종 그것을 읽습니다

그러나 당신은 아주 작은 정밀도의 문제들에 빠질 수 있습니다 CSV 파일간에 물건을주고받을 때 보통 이것은 문제가되지 않습니다 두 파일을 비교하려고 할 때만 문제가됩니다 따라서 Pickle은 정확한 렌더링을 보장합니다

의 파일의 또한 다른 메타 데이터도 저장합니다 DataFrame에 저장되는 단순히 행 번호와 같은 CSV에 맞지 않습니다 제가 이걸 실행하면, 제가 끝났다고 간단히 말해줍니다 다시 말하지만, 이것은 다시 색인을 다시 만들었습니다 Pickle 파일을 다시로드합니다

이걸로 끝났어, 피클로드 피클 덤프는 어떻게 저장하는지입니다 그리고 다시로드합니다 자, 여기서 주목해야 할 것이 있습니다 이 파일이 모든 열 및 모든 것입니다

하지만 차이점을 알 수있는 방법은 다음과 같습니다 Pickle 파일 로딩과 CSV 파일 로딩 사이 행 번호가 일치하지 않습니다 우리가 다시 색인을 생성했기 때문에 우리는 그 색인을 재구성하지 않았습니다 그래서 그것은 Pickle 파일에 저장되었습니다

그것은 CSV 파일에서 사라 졌을 것입니다 지금은 일반적으로, 당신은 반드시 그들을 잃어 버리지 않을 것입니다, 하지만 실제 행 번호 처음로드되었을 때부터, 우리가 그것을 섞어서 이것들은 순서가 맞지 않습니다 그것은 CSV 파일에 저장되는 것이 아닙니다 이 비디오를 시청 해 주셔서 감사합니다 팬더 소개

우리는 팬더로 더 고급 처리를하는 방법을 보게 될 것입니다 이 모듈의 다른 부분에 이 콘텐츠는 자주 변경되므로 채널을 구독하십시오 이 과정에 최신 정보를 얻으려면 인공 지능 분야의 다른 주제들

What is machine learning in 2 minutes

오늘 나는 Machine Learning이 몇 분 안에 설명 할 것입니다 안녕하세요 여러분, 저는 Riccardo Osti입니다

매일 세계 최고의 브랜드를 돕습니다 소비자 경험에 투자함으로써 더 많은 수익을 올릴 수있다 내 채널을 구독하지 않으 셨다면 지금 당장하십시오 새 동영상을 게시 할 때마다 이메일을 받게됩니다 역사적으로 우리는 컴퓨터를 수행하기 위해 프로그래밍해야한다고 들었습니다

그러나 최근 몇 년 동안 과학자들은 패턴과 통계적 추세에 기반하여 컴퓨터가 행동 할 수있게 만든다 우리 인간이 프로그래밍 한 명령들 즉, 기계 학습 알고리즘은 과거 데이터 세트를 사용하여 예측 및 의사 결정을 내릴 필요가 없습니다 기계 학습은 가능하지 않은 응용 프로그램에 특히 유용합니다 모든 특정 작업을 수행하는 다른 알고리즘을 생성합니다

좋은 예가 컴퓨터 비전입니다 알고리즘을 사용하면 특정 물체 사진에 있거나 없는지 객체의 다양한 특성을 코딩하는 대신 기계 학습이 시작됩니다 그 안에있는 대상과 함께 방대한 양의 사진을 분석하고, 유사점을 확인하며 그 개체를 미래에 식별하는 데 도움이 될 것입니다 간단한 예를 들어 봅시다 : 맑은 날의 사진을 식별하고 싶습니다

그런 다음 알고리즘을 맑은 푸른 하늘과 사진이 담긴 데이터 세트에 제공합니다 비오는 날 알고리즘은이 두 개의 개별 데이터 세트 (예 : 색상, 밝기, 색조 등 이 학습 과정이 끝나면 기계가 사진을 표시할지 여부를 결정할 수 있습니다 화창한 날이든 아니든

일반적으로 기계 학습 결정의 품질은 제품의 크기와 품질과 관련이 있습니다 교육 데이터 세트 사실, 기계 학습 알고리즘은 통계에 크게 의존합니다 큰 역사적 데이터 세트에 대한 결정을 내립니다 기계 학습의 과제는 대개 훌륭한 교육 데이터 세트의 부족과 관련이 있습니다

알고리즘이 요구되는 매우 높은 수준의 정확도에 도달 할 수있는 능력 특정 애플리케이션의 경우 예를 들어, 2018 년에 Uber의자가 운전 차량이 보행자를 발견하지 못하고 사망했습니다 사고에서 복잡한 개념을 단순하게 설명하려고하는이 유형의 비디오가 마음에 듭니다 단어 몇 분만에

의견에 알려주세요! 곧 뵙겠습니다!

벤츠 The new S-Class[ 자동차 세계 24_7]

벤츠 The new S-Class 메르세데스-벤츠 코리아는 25일 최고급세단인 The new S-Class를 국내 출시하고 본격 시판에 나섰다 메르세데스-벤츠의 플래그쉽 모델인 The new S-Class는 새로운 디자인을 통해 품격과 우아함을 강조하고 있으며, 뛰어난 승차감과 민첩한 핸들링 등을 통해 다이나믹해진 드라이빙을 제공한다

The new S-Class에는 차세대 자동차 안전 시스템인 커맨드(COMAND) 시스템과 다이렉트 컨트롤, 최상의 승차감을 제공하는 액티브 바디 컨트롤(Active Body Control) 서스펜션 시스템 등의 첨단 기술이 적용됐다 세계 최초로 홀드(Hold) 기능과 언덕 출발 보조 기능을 갖춘 어댑티브 브레이크 시스템(Adaptive Braking System), 탑승자의 머리 부분을 지지하는 신개념 안전 시스템인 Neck-Pro 액티브 헤드레스트 등 사고 예방을 위한 최신 기술들도 눈에 띈다 이번에 선보인 The new S-Class는 기존 모델에 비해 차량의 길이는 48mm, 넓이는 16mm, 높이는 29mm, 그리고 휠 베이스는 80mm가 길어져 차체가 전체적으로 커졌다 따라서 더욱 넓어진 실내 공간을 제공해 탑승객 모두가 일등석 수준의 편안함을 느낄 수 있는 것도 특징 또 The new S-Class는 차체의 절반 가량이 고강도 또는 강력 하이테크-스틸 합금으로 이루어져 최소 중량으로 최고 강도를 유지하며, 본넷과 프론트 윙, 트렁크 덮개 등은 알루미늄으로 제작됐다

부드러운 핸들링과 안전의 척도라 할 수 있는 정지 상태의 비틀림 강성이 기존 모델과 비교해 약 12% 가량 높아져 안전성이 크게 향상됐다는 평가다 이번에 국내에 출시된 The new S-Class는 롱 휠 베이스 버전의 S 350 L 과 S 500 L 두 가지 모델로, S 350 L과 S 500 L의 가격은 각각 1억5천980만원, 2억260만원이다

크리스토퍼 놀란의 새 영화는 2020년 7월에 개봉한다

'인셉션', '터 스텔라'의 감독 크리스토퍼 놀란의 신작이 개봉일에했다 1 월 25 일, '할리우드 리 터', 제 20 회 7 월 17 일이다 워너 러더 스가잇 발트 개봉일 외 공개 된 또 다른 정보가 표시, 아이 맥스 '로 개봉 된 그럴 생각이 없다 크리스토퍼 놀란은 이전에 밀접하게 프로젝트를 처리해야합니다

다 7 월 17 일이란 개봉일, 그리고 아이 맥스 '란 힌트 서클 신작이 름 블로거버시를 노리는 대작 '크나이트'(20 8), '인셉션'2010), '다 나이트 라이즈'(2012), '덩크크'(2017) 등이있다 (2014 년작 '인터 스랏'은 실연으로 11 월에 개봉했다) '아이 맥스'한 크리스토퍼 감독은 애정해온 형식이다 그렇게하지 않았다

음악의 스승, 프로 데스의 디자인 현재 202 년 7 월 17 일을 '스밥밥 무비', '스 버거 스'등등

"셋이서 한꺼번에 달려들었다" 김기덕·조재현 성폭행 피해 여배우 폭로

지난 6일 방송된 MBC 'PD수첩 – 영화감독 김기덕, 거장의 민낯' 편에서는 김기덕과 조재현에 성폭력 피해를 입은 여배우 3명의 증언이 전파를 탔다 이날 여배우 A씨는 2013년 영화 '뫼비우스' 주인공으로 발탁됐으나 촬영 이틀 만에 하차하게 된 이유에 대해 밝혔다

그는 촬영 전 김기덕과 조재현, 여성 관계자 1명과 술자리를 가졌는데 이때부터 김기덕의 성희롱이 시작됐다고 증언했다 이어 김기덕이 "대본 이야기를 해야 한다"며 A씨를 호텔로 데려가려 했고, 당시 김기덕이 여성 영화 관계자와 셋이서 자자고 요구했으나 이를 뿌리치고 나왔다고 A씨는 설명했다 이후 A씨는 김기덕으로부터 "감독을 믿지 못하는 배우와 일 할 수 없다"는 전화를 받고 영화에서 하차했다 아예 연예계를 떠났다는 여배우 B씨는 성상납을 요구해 이후로 일을 하지 않는다고 말했다 PD수첩은 김기덕과 배우 조재현에게 성폭행을 당했다고 밝힌 배우 C씨의 증언도 들었다

C씨는 "조재현과 김기덕의 힘을 무서워하는 사람들이 너무 많다"며 지금까지 피해 사실을 알리지 못한 사유를 설명했다 그는 영화 촬영 현장이 지옥과 다름 없었다고 말했다 그러면서 "여자를 겁탈하기 위한 하이에나처럼 김기덕, 조재현, 조재현 매니저가 달려들었다"고 밝혔다 C씨는 현장에서 김기덕이 단역 배우들에게 성폭행을 일삼았다고 주장했다 심지어 그들은 현장에서 여배우들과 성관계한 이야기를 농담처럼 했으며 조재현 매니저까지 C씨에게 집적대자 김기덕은 "어후, 한 번 대주지 그랬어"라는 말을 했다고 C씨는 전했다

사실 확인을 위해 PD수첩은 조재현의 전 소속사 관계자를 찾았다 관계자는 "터질 것이 터졌다고 생각한다 항간에 떠도는 소문이 사실이 아닐리 없지 않냐"고 말했다 하지만 조재현은 대부분의 사실을 부인했다 그는 PD수첩에 "지금 알려진 것들 80%가 잘못됐다

축소된 것도 있다 죄인이 아니다 조사 받고 말씀드리겠다"는 입장을 표명했다 김기덕 역시 "진실이 밝혀지기 전에 짓밟히고 있다 영화 감독이란 지위로 개인적 욕구 채운 적 없다

일방적인 감정으로 키스를 한 적은 있다 이 점은 깊이 반성하며 용서를 구한다 그러나 동의없이 그 이상의 행위를 한 적이 없다"고 해명했다

The Power of Swift for Machine Learning (TensorFlow Meets)

텐서플로우 만남 안녕하세요, TensorFlow 만남에 오신 걸 환영합니다 크리스 래트너와 대화를 나누게 되어 정말 기쁘게 생각합니다 크리스, 모든 사람들에게 화제가 되고 있는 언어인 Swift의 개발자라고 들었습니다 네, 제가 상당한 노력을 기울여온 것인데요 특히 다양한 컴파일러와 도구에 상당한 노력을 들였고 LLVM 컴파일러에 공을 들여 작업했습니다 Swift는 정말 새롭고 멋진 언어죠 한편으로는 멋진 괴짜스러움이 있지만 그 부분이 아주 마음에 들고 사용하기 쉽게 고안되었죠 맞습니다, 상당한 열정을 갖고 제작을 하신 것 같군요 이 분야에 첫걸음을 들이는 신입 개발자들에게도 상당히 사용하기 쉬운 언어인 듯합니다 네, 맞습니다 편리함을 제공하는 것이 가장 궁극적인 목표이고 편리함을 제공하기 위에서는 상당히 많은 시스템 공학이 요구됩니다 하지만 그만한 가치가 있고 대단한 도전이기도 하죠 TensorFlow에 맞춘 Swift의 사용에 대해 얘기해보자면 이건 마치 저도 이미 사용해봤고 이것저것 살펴보고 있는데요 Keras 레이어 같은 것들 역시 상당히 사용이 간단하더군요 API를 어떻게 고안하셨는지 말씀해주실 수 있는지요? 물론이죠 언어로서 Swift는 Python과 많은 유사점을 가지고 있고 여러 API를 이용할 때 최대한 비슷함을 느끼게 만들려고 하는데요 왜냐하면 사용자들이 하나의 기술 체계를 배웠으면 하고 어떠한 불편함 없이 원하는 대로 사용하길 바라기 때문이죠 또 다른 한편으로 Swift는 Python이 지니지 못한 역량과 장점을 가지고 있고 훨씬 더 새롭죠 그런 이점을 취하고 싶었고 유사하지만 더 강력한 것을 만들어내고 싶었습니다 그렇군요, 멋집니다 한 가지 현재 개발자들에게 명확하거나 이해가 어려운 부분은 구별이 가능한 코드인데요 그렇군요 굉장히 강력한 언어인 것은 알지만 이 부분에 대해 조금 더 자세하게 설명해주실 수 있을까요? 그럼요, 물론이죠 이 부분이 TensorFlow 용 Swift의 큰 차이점이겠군요 제품에 필수적 요소라고 들었습니다 네, 저희가 진행하는 모든 작업에 필수적입니다 기계 학습 모형을 떠올려보시면 순방향 함수를 정의할 때 이런 방식으로 모형을 정의하고 구성하시겠지만 연습을 거치셔야겠죠 연습 시 최종적으로 필요한 부분이 모형을 통해 지나가는 함숫값의 기울기 계산과 그 함수 값들의 손해에 대한 기여 방식이겠죠 해당 과정은 미적분을 통해 계산되고 미적분은 연쇄 법칙이라고 하는 기본 원칙을 가지고 있습니다 연쇄 법칙이란 매우 오랫동안 잘 알려져 있던 것인데요 구별 가능한 프로그래밍은 언어 내에서 이 과정을 자동적으로 계산해주며 이용 가능한 분야가 매우 광범위한 것이 장점입니다 새로운 작업을 할 수도 있고 새로운 유형의 개념을 실험하고 연구할 수도 있습니다 또는 어떤 일정 수준에 대해 고민하고 싶지 않다면 다른 사람의 라이브러리에 덧씌워 그냥 제작하셔도 됩니다 그렇군요, 확률적 기울기 강하라든지 최적화 도구 같은 것 말이군요 네, 바로 그런 식으로 작동이 됩니다 이 부분에서 제가 정말 좋아하고 흥미롭게 여겼던 점은 코드가 구별 가능하기 때문에 라이브러리를 그냥 신뢰하는 것이 아니라 자신만의 것을 만들거나 최소한 어떻게 돌아가는지는 알 수 있다는 겁니다 맞습니다, 모든 부분이 개방적일 수 있도록 이를 구성하는 원칙으로 다시 되돌아가는 겁니다 그렇게 함으로써 다시 살펴볼 수도 있고 원하는 대로 제작하고 수정할 수도 있습니다 마음껏 사용할 수 있도록 모든 것이 준비되어있습니다 그렇군요, 또 하나 Swift에 대해 정말 마음에 들었던 것은 특히 TensorFlow를 이용할 때 곧바로 접속하여 Keras 내에 레이어를 형성하고 연습할 수 있다는 점인데요 그 정도만 있어도 만족스럽지만 보이지 않는 곳에서 어떻게 돌아가는지 정말 확인할 수 있다는 겁니다 학창시절에 배웠던 미적분을 거의 잊어버린 – 저 같은 사람들에게 말이죠 – 저도 그렇습니다 하지만 미적분학을 다시 복습해서 수정과 최적화를 하고 싶다면 완벽한 해결책이겠군요 맞습니다, 어떠한 경계도 없습니다 영감이 이끄는 대로 어디든 갈 수 있죠 연구자들에 대해 제가 알아낸 점은 인공적인 경계를 꺼린다는 점입니다 연구자들은 "Python에서 작업을 하고 더 많은 작업을 위해 C++로 바꿔야지" 같은 말을 하길 싫어합니다 지속적으로 작업을 수행할 수 있다면 방해 없는 지속적 경험을 통해 더 많은 것들을 실용적으로 행할 수 있습니다 보다 자연스럽고 간단하기 떄문에 이러한 장벽들을 무너뜨릴 수 있죠 디버깅도 더욱 신뢰할 수 있겠군요? 장벽을 통과하여 변경된 것들에 대해 생각하지 않아도 되기 때문에 말이죠 네, 일부 상황에서 디버거를 변경하지 않아도 되니까요 좋습니다, 이것과 관련해서 한 가지 더 얘기해보겠습니다 또 한 가지 인상깊었던 것은 대담에 나오셨을 때 말씀하셨던 정보 처리 상호 운용인데요 Python 작업을 끌어오거나 다른 작업을 끌어올 수 있다고 하셨죠 조금 더 자세하게 설명해주시겠어요? 네, Swift는 아주 자연스럽게 C언어로 구동되는데요 구동 방식은 클라이언트 컴파일러를 곧바로 Swift로 끌어와서 컴파일러의 아주 낮은 단계에서 상호 운용하는 겁니다 반면에 Python은 굉장히 역동적인 언어입니다 현재 Swift는 저희는 Swift 내에 새로운 역동적인 언어를 시행해서 이를 직접적으로 Python 런타임으로 이어지게 만들었습니다 Python이나 Swift를 사용할 때 Python의 그럴듯한 아류작을 사용하는 것이 아닌 Swift 내에 직접적으로 실제 Python을 사용하시는 겁니다 제가 정말 좋아하는 부분 중 하나는 Python 사전이나 Python 대상의 Swift 사전을 사용하기 때문에 아마도 세계에서 가장 진보적인 Python 용 타이핑 시스템을 제공한다는 것입니다 원하는 수준의 Python을 선택할 수 있죠 아주 자연스럽고 적절한 구성이 이루어집니다 정말 대단하군요 이제 강좌를 듣는 많은 사람들이 iOS 개발을 통해 Swift를 알게 되겠군요 맞습니다 이제는 TensorFlow와 단순한 iOS 개발 이상으로 향하고 있죠 어디서부터 시작하면 가장 좋을지 안내해주실 수 있을까요? 네, Swift는 교차 사용이 가능한 언어이며 많은 iOS 개발자들이 사용하고 있으며 서버에서도 인기가 정말 좋죠 때문에 많은 사람들이 Linux 서버를 만들고 있죠 정말 좋은 현상입니다 시작하실 때 가장 쉬운 방법은 GitHub

com/TensorFlow /Swift에 방문하시는 겁니다 랜딩 페이지가 잘 되어 있고 모든 정보가 제공되며 커뮤니티에 가입할 수도 있습니다 셀 수 없이 많은 정보들이 제공되고 있습니다 정말 멋진 점 중에 하나는 모든 데모를 Colab에서 이용하실 수 있고 모든 장치에서 사용이 가능합니다 Chromebook을 포함해서 어디서든 가능합니다 좋네요, 그리고 fastAI 사람들과 트레이닝 코스에 노력을 하고 계신 걸로 알고 있습니다 Swift에 익숙해지고 싶다면 그쪽으로 가도 되겠군요 맞습니다, 시작한 지 얼마 되지 않았지만 정말 신납니다 조금 걱정이 되는 것도 사실입니다 하지만 아주 좋은 성과를 얻을 거라고 자신합니다 제레미 하워드와 함께 작업하고 싶습니다 그러실 겁니다, 오늘 아침에 만났는데 정말 대단한 분이시죠 – 정말 열정적이죠 – 맞습니다 정말 감사합니다, 크리스 씨 언제나처럼 정말 좋은 시간이었고 영감을 주는 시간이었습니다 이번 TensorFlow 만남을 시청해주신 분들께 감사드립니다 저에게 질문이 있거나 크리스에게 질문이 있으시다면 아래에 댓글로 남겨주시면 됩니다 이번 화에서 나누었던 모든 것들에 대한 링크도 참고하실 수 있도록 아래에 남겨놓겠습니다 – 좋네요 – 다시 한번 감사드립니다, 크리스 씨