Artificial Intelligence (AI) Vs Machine Learning (ML)

인공 지능과 기계 학습은 종종 서로 교환 가능하게 참조됩니다 그리고 그것은 보통 사람이 서로를 구별 할 수 없다는 사실입니다 AI와 ML은 일상 생활에서 두 기술을 모두 사용하지만

AI와 ML이 매우 다르다는 것을 알고 있습니까? 차이점을 알아 봅시다! AI는 기계 지능이라고도하는 인공 지능을 의미합니다 AI의 초기 개발은 주로 계산에 중점을 두었습니다 오늘날 우리는 스스로 결정할 수있는 AI 응용 프로그램에 관심이 있습니다 인공 지능에는 두 가지 유형이 있습니다 인공 일반 지능 (AGI) 및 인공 응용 지능 (AAI)

"강력한 AI"또는 "전체 AI"라고도하는 인공 일반 지능 (AGI)의 주요 목표는 인간이 할 수있는 것과 같은 방식으로 작업을 이해하고 배우고 수행하는 기계의 능력을 개발하는 것입니다 "약한 AI"또는 "좁은 AI"라고도하는 인공적 응용 지능 (AAI) 특정 작업을 자동화하는 데 사용되는 소프트웨어를 나타냅니다 그러나 AAI는 모든 범위의 인간 지능을 시뮬레이션하려는 것이 아닙니다 한편 머신 러닝 (ML)은 분석하는 알고리즘 세트입니다 패턴을 감지하고 정확한 추측을하기 위해 대량의 데이터가 필요합니다

기계 학습에는 여러 유형이 있으며 그 중 하나는지도 학습입니다 알고리즘은 라벨이 지정된 데이터, Google지도와 같은 애플리케이션을 사용하여 학습됩니다 시간 및 날짜와 같은 데이터를 사용하여 시간을 계산하도록 훈련 주어진 경로를 통해 집에 도착하려면 사용자가 필요합니다 다음 유형의 기계 학습은 비지도 학습입니다 반면에 레이블이없는 데이터를 사용합니다

기계를 가능하게합니다 찾을 수있는 패턴을 감지합니다 그러나 유용한 기술이 될 수 있습니다 이전에는 감지되지 않은 패턴과 감독되지 않은 데이터를 찾기가 쉽지 않습니다 기계 학습의 마지막 유형은 강화 학습입니다 주어진 목표를 달성하기 위해 시행 착오를 통해 배우는 알고리즘 강화 학습은 AlphaGo를 개발하는 데 사용되었습니다

월드 바둑 챔피언을 이길 수있는 최초의 컴퓨터 프로그램 AI와 ML에는 4 가지 주요 차이점이 있습니다 먼저 머신 러닝은 많은 인공 지능 응용 프로그램 둘째, 기계 학습은 하위 집합입니다 AI의 모든 머신 러닝은 인공 지능이지만 전부는 아닙니다 인공 지능은 기계 학습입니다

셋째, 더 구체적인 목표가 있습니다 머신 러닝 응용 프로그램 뒤에 마지막으로 머신 러닝은 데이터를 통해 인공 지능은 인간 지능의 시뮬레이션입니다 진실은 인공 지능이며 기계 학습은 이미 우리의 일상 생활의 많은 부분을 가능하게 해주었 고 우리의 삶을 더 쉽고 더 만족스럽게 만드는 광범위한 응용 프로그램 다음에 오는 것은 하늘이 한계입니다!

Challenge in applying machine learning technologies? Lei Yang, VP & Head of Engineering @ Quora

이러한 큰 플랫폼을 구축하고 적용하는 데있어 기술적 과제는 무엇입니까? 많은 사용자에게 서비스를 제공하는 기계 학습? 가장 큰 도전은 무엇입니까? 예, 많은 사람들이 있습니다 공유 할 수 있습니다

우리는 이미 기계 학습, 우리가하고있는 일 머신 러닝에만 해당되는 것 중 가장 큰 것 중 하나는 Quora뿐만 아니라 이것을 사용하는 많은 회사에 도전합니다 기술은 개발자 속도입니다 기본적으로 얼마나 빠르게 반복 할 수 있습니까? 많이있다 머신 러닝의 최신 발전 사람들은 모두 연구 논문을 쓰고 있습니다 시간이 지날수록 새로운 것들이 문 밖으로 나옵니다

그러나 어떻게 빨리 선택할 수 있습니까 새로운 모델을 도입하고 새로운 기술을 도입하여 개념에서 제품에 대해 실험 해보십시오 생산? 그것은 큰 병목 현상입니다 우리에게 큰 도전이자 또 다른 단점은 올바른 플랫폼이 있어야한다는 것입니다 매우 빠른 반복, 프로토 타입 및 실험을 지원하기위한 인프라 무엇이 가장 효과적인지 이해하기 위해 다양한 머신 러닝 기술 우리를 위해 우리가 여전히 최적화 할 수있는 기회는 어디에 있습니까? 그리고 우리는 회사와 비교할 수있을 정도로 흥미로운 플랫폼을 구축하는 데 많은 시간 비슷한 크기와 규모로 개발자가 실제로 느낄 수있는 몇 안되는 사람 중 하나입니다

기계 학습이 쉽고 실험 및 프로토 타입이 쉽습니다

SAS Tutorial | Interpreting Machine Learning Models in SAS

[음악 재생] 안녕하세요 저는 분석 교육 컨설턴트 인 Ari Zitin입니다 여기 SAS에서

오늘은 튜토리얼을하겠습니다 모델 해석 능력 도구 활성화 SAS Viya의 Model Studio에서 문제는 모델 해석이 무엇이며 왜 그것을 사용하고 싶습니까? 그래서 스스로에게 물어볼 수있는 몇 가지 질문 모델을 만들 때 다음과 같은 질문이 있습니다 모델이 작동 했습니까? 우리는 모델의 결과로 무엇을 할 것입니까? 모델이 공정 했습니까? 이 질문에 대한 답을 얻을 수 있습니다 모델 해석 도구로 모델이 작동 했습니까? 모델 해석 도구를 사용할 수 있습니다 모델이 어떻게 생각하는지에 대한 직관을 제공하기 위해 데이터에 대해, 어떤 종류의 입력 목표를 예측하는 데 사용하고 있습니다 그리고 그 입력으로 무엇을하고 있는지 확인이 가능합니다 직관을 확인하고 모델이해야 할 일 또는 어떤 종류의 입력을 사용해야하는지, 실제로하고있는 것과 모델로 무엇을 할 수 있는지 같은 질문 일부 모델은 해석 가능한 경우에만 유용합니다

예를 들어 시도하고 변경하기 위해 모델을 구축하는 경우 비즈니스 프로세스, 모델이 제안하는 것을 제안하는 이유를 알고 싶습니다 비즈니스 리더십을 설명 할 수 있습니다 변경해야하는 이유 반대로, 당신이 모델을 만들고 있다면 응답 할 가능성이 가장 높은 고객을 찾으려고 메일 캠페인에, 당신은하지 않을 수 있습니다 모델 해석 가능성에주의하십시오 저는 항상 모델로 무엇을하고 싶은지 생각합니다 모델이 작동하는지 여부 다른 쪽, 모델 해석의 다른 쪽 모델이 공정하고 표준에 부합합니까? 그 규제 기관이 당신을 위해 할당 한? 사람들에게 신용 점수를 줄 때 그들은 그들이 뭘 잘못했는지 알아낼 수 있어야합니다 또는 더 나은 신용 점수를 얻기 위해해야 ​​할 일 더 나은 대출을 받으십시오 따라서 규제 요건이 있습니다

모델을 설명하는 방법에 따라 고객과 규제 기관에 제대로하고 있는지 확인하십시오 공정성 측면에서, 물론, 보호 된 분류를 사용하는 모델입니까? 또는 사람들이 예측하려고 노력하는 것에 대한 특성? 귀하의 모델이 차별적이거나 편향되어 있습니까? 모델 해석 성은 이러한 질문에 대한 답변을 제공합니다 모델이 생각하고있는 것을 말함으로써 그래서 무엇의 세부 사항에 들어가기 위해 모델 해석 성은 실제로 몇 가지 모델을 살펴보고 이러한 모델을 해석합니다 그래서 우리는 고전적인 물류로 시작합니다 또는 선형 회귀

로지스틱 회귀 분석을 생각해 보겠습니다 LOGIT가 있다면- 이것은 일종의 공식입니다 p 모자의는 베타 0 + 베타 1 x1 + 베타 2 x2와 같습니다 이 LOGIT 점수는-우리의 확률입니다 확률을 예측하려고합니다 입력을 기반으로합니다

아이디어는이 모델을 해석 할 수 있다는 것입니다 이 계수들이 베타 1, 베타 2- LOGIT 점수를 어떻게 변경하는지 알려주십시오 본질적으로 확률의 로그 확률입니다 x1을 바꾸면서 x1을 1 단위 씩 늘리면 확률의 로그인 LOGIT 점수를 증가시킵니다 따라서 1-p 모자를 뺀 p 모자의 로그가됩니다

LOGIT 점수를 베타 1 양만큼 변경합니다 기본적으로 우리에게 말하는 것은 로지스틱 회귀를 해석 할 수 있다는 것입니다 이 추정치를 사용하여 우리의 확률을 이것이 예측 된 확률입니다 머신 러닝에서 예측하려는 모든 것 알고리즘-예측 확률이 어떻게 변하는가 입력을 변경하면 그래서 이것은 우리에게 무엇을 알려주기 때문에 해석 가능합니다 이 입력을 변경하면 발생합니다 맥락에서 저는 항상 생각하고 싶습니다

누군가 대출을 신청하고 있고 왜 대출을받지 못했습니까? 그리고 우리는 잘 말할 수 있습니다, 당신의 x1 보유한 연체 크레딧 한도 특정 임계 값을 초과했습니다 대출에 대한 채무 불이행 가능성을 의미 특정 임계 값을 초과 했으므로 대출이 거부되었습니다 그러나 여기서 결론은 기본적으로 로지스틱 회귀는 기본적으로 해석 가능합니다 모델 우리가 생각하는 다음 모델은 근본적으로 해석 가능한 모델은 의사 결정 트리입니다

우리가 결정 트리가 있다고 생각하면 여기 잎이 있습니다 여기에 루트 노드가 있고 분할됩니다 우리는 거기에 갈 x1이 5보다 작다고 가정 해 봅시다 그리고 이것은 그렇습니다, 그리고 이것은 그렇습니다

그리고 우리는 여기 x2가 06보다 작습니다 그리고 이것은 그렇습니다, 그리고 이것은 그렇습니다 그리고 나는 전체 결정 트리를 그리지 않을 것입니다 x1을 따르는 사람들이 0

5보다 작다고 가정 해 봅시다 x2가 06보다 작 으면이를 1로 분류합니다 그리고 우리는이 사람들을 0으로 분류합니다 이 확률이 70 %라고 가정 해 봅시다 이것은 60 %의 확률로, 우리는 그것을 1로 분류합니다

우리는 결국 설명을 얻을 수 있습니다 이 빈에-우리가 그것들을 1로 분류했다고 해봅시다 기본 데이터를 상상하고 있다고 가정 해 봅시다 그래서 우리는 그들이 가고 있다고 예측하고 있습니다 대출금을 불이행 할 때 그들은 왜 우리에게 x1의 가치를 말할 수 있는지 묻습니다 0

5 미만이었습니다 x2의 값이 06 미만입니다 공유 한 사람들의 60 %가 대출의 불이행으로 인해 그래서 당신은 그 쓰레기통에 빠지고, 우리는 예측합니다 당신은 대출을 기본으로합니다 당신이 그것을 바꾸고 싶다면, 우리는 시도하고 조정할 수 있습니다

x1 또는 x2의 가치 연체 신용 한도처럼 다시 한번,이 결정 트리 근본적으로 해석 가능한 모델입니다 이 규칙 목록에서 읽을 수 있기 때문에 왜 우리는 우리가 한 방식으로 누군가를 점수 이제 몇 가지에 대해 생각해 봅시다 의 기본적으로 해석 할 수없는 모델입니다 신경망에 대해 생각한다면 신경망은 방정식을 형성합니다

여기서는 약간의 신경망 다이어그램을 그릴 것입니다 x1과 x2, x1, x2라고합시다 그리고 세 개의 숨겨진 유닛이 있다고 가정 해 봅시다 x1과 x2는 모든 숨겨진 장치에 연결됩니다 숨겨진 레이어가 하나만 있다고 가정하겠습니다

여기서 문제는 여전히 x1의 값을 변경하면 여기이 숨겨진 유닛에 영향을 미칩니다 이 숨겨진 유닛은 여기에 있습니다 결과가 바뀌는 방식 x2의 순간 값에 따라 숨겨진 단위마다 tanh w0과 같은 공식이 있기 때문에 더하기 w1 x1 더하기 w2 x2 보시다시피이 탄의 출력은 여기서 x2의 가치에 따라 우리가 x1을 얼마나 많이 바꾸는가가 아니라 우리가 보는 것은 공식처럼 보이지만 로지스틱 회귀와 같이 개별적으로 독립적으로 각 개인의 효과를 격리 우리는 실제로 어떻게 변화하는지 해석 할 수 없습니다 변수가 결과를 바꿀 것입니다 하루가 끝나면 신경망 단지 큰 공식입니다 그리고 모든 입력을 공식에 ​​연결합니다

그리고 그것은 예측을합니다 그리고 당신이 묻는다면, 예측은 어떻게 될까요? x1을 05로 변경하면 알 수있는 유일한 방법은 x1을 05 씩 변경합니다 모델에 다시 연결하면 정말 해석이 아닙니다 우리는 단지 모델을 말하고 있습니다

이것이 모델이 말하는 것이기 때문입니다 따라서 기본적으로 해석 할 수없는 모델입니다 다음으로 생각하는 것은 숲과 그라디언트 부스팅입니다 나는 단지 작은 다이어그램을 그릴 것입니다 숲은 실제로 결정 트리의 모음 일뿐입니다

저는 여러 가지 결정 트리를 그리는 중입니다 여기에 그들은 막대기 사람들처럼 보입니다 숲과 그라디언트 모두 향상 의사 결정 트리의 통합을 포함합니다 각 트리마다 자체 목록이 있지만 우리가 해석 할 때 우리가 해석 할 수있는 규칙, 우리는 더 이상 그것을 해석 할 수 없습니다 규칙 목록의 일부 조합 실제로 규칙 요약 목록을 제공하지는 않습니다

오히려 우리는 모든 확률을 평균화하고 있습니다 나무에 의해 생성됩니다 따라서 하루가 끝나면 이러한 규칙 중 어느 것도 모델을 스코어링하는 데 사용할 실제 규칙입니다 그것들의 수치 평균 또는 합병입니다 우리는 실제로 평균적인 설명을 할 수 없습니다 갑자기 모든 변수가 결국 예측에 중요하다 우리가 찾고 있던 나무에 따라 목표 우리는 평균화를 할 때 본질적으로 다른 변수를보고있다 또는 다른 경로

따라서 고유 한 규칙 목록이 없습니다 이유를 예측하거나 설명하는 데 사용할 수있는 당신은 당신이 예측 한 것을 예측했습니다 계속해서 소프트웨어와 데이터를 살펴 보겠습니다 우리가 사용할 것입니다 그래서 우리는 타이타닉의 데이터를 사용할 것입니다

타이타닉이 침몰했을 때 살아 남았습니다 우리는 본질적으로 역사적 정보를 가지고 있습니다 승객에 대해, 그들이 어떤 오두막에 있었는지, 몇 살인지 그들의 성별이었습니다 그리고 우리는 그것을 사용하여 예측하고 시도 할 것입니다 타이타닉이 추락했을 때 생존 여부 가장 먼저 할 일은 소프트웨어로 이동하는 것입니다

Chrome을 열고 SAS Viya로갑니다 SAS Drive로 이동합니다 Viya 홈페이지 그리고 데이터에 대해 조금 더 이야기하겠습니다 소프트웨어에 데이터를로드하면 사용하고 있습니다 SAS Drive에서 왼쪽 상단에있는 햄버거 메뉴를 클릭하겠습니다 응용 프로그램 표시 메뉴라고도합니다

하지만 보편적 인 이름 인 햄버거 메뉴는 세 줄로 모델 작성으로갑니다 이를 통해 SAS Model Studio로 이동합니다 SAS Model Studio에서 새 프로젝트를 만들겠습니다 새 프로젝트를 클릭하겠습니다

이 타이타닉 모델 해석 가능성 데모 (Titanic Model Interpretability Demo)라고합니다 빈 템플릿을 사용하고 데이터를 선택하겠습니다 이것은 타이타닉 데이터가 될 것이므로 Import로갑니다 로컬 컴퓨터에서 로컬로 가져옵니다 데이터 D, 워크샵, SAS, UA19 이 자료는 유효하다

아래에 링크가 있으므로 이 데이터를 직접 찾을 수 있습니다 Import Item을 클릭하여 메모리에로드합니다 작은 데이터 세트이므로 매우 빠릅니다 오, 실제로 테이블이 이미있는 영역을 알려줍니다 존재합니다 난 그냥 좋은 측정을 위해 교체합니다

아마 그럴 필요는 없었을 것입니다 테이블이 이미 메모리에 있었기 때문에 그러나 나는 오늘 일찍 이것을로드했습니다 확인을 클릭하겠습니다 계속해서 저장을 클릭하십시오 타이타닉 데이터로 프로젝트를 빌드합니다

그리고 그것은 즉시 우리를 데리고 시작 Model Studio에서 데이터 탭이라고 부르는 방금로드 한 데이터에 대한 정보 입력 내용에 대해 이야기하겠습니다 내가 제거하는 과정을 겪을 때 사용하고 싶지 않습니다 먼저, 우리는 예측 모델링을하고 있습니다 "목표 역할을 가진 변수를 지정해야합니다" 우리는 목표가 필요합니다 우리는 사람들의 생존 여부를 예측하고 싶습니다 타이타닉이 추락했을 때 얼어 붙은 북대서양 물에 빠졌습니다

클릭은 살아 남았습니다 역할을 입력에서 대상으로 변경하겠습니다 이제 입력을 통해 목표를 시도하고 예측하려고합니다 타입별로 정렬하겠습니다 실례합니다

역할별로 정렬하겠습니다 입력인지 아닌지 걱정하기 때문입니다 우리가 남길 수있는 ID 변수 key_ID의 경우 이것을 ID에서 키로 변경하겠습니다 이 키를 참조 키로 사용하기 때문에 데이터의 개별 행

key_ID 아래에서 Key를 클릭하겠습니다 또한 일부 변수를 거부하고 싶습니다 저는 착수와 양피지를 선택하고 아래로 스크롤합니다 보트는 이미 거부되었습니다 그리고 저는이 두 가지를 거절 할 것입니다

입력 역할에서 거부 됨 역할로 전환하십시오 우리가 관심을 갖는 5 개의 입력 변수가 남습니다 그래서 나는 이것을 리조트 할 것입니다 우리는 그 다섯 개를 모두 볼 수 있습니다 전부

우리는 성관계를 가졌으니 그것은 남자 나 여자입니다 나이가 있습니다 나이는 몇 살인 지에 대한 숫자 변수입니다 아르 요금이 얼마인지에 대한 숫자 변수 인 운임이 있습니다 그들의 티켓을 지불했다 범주 형 변수 인 pclass가 있습니다

아, 그리고 그것은 수준이 명 목적이라는 것을 알고 있으므로 그것을 받아들입니다 일등석 객실은 1 등입니다 2 등석 객실은 2 등급, 3 등석 객실은 3 등급, 가장 싼 오두막 그리고 형제 자매와 배우자, sibsp, 형제 자매 및 / 또는 배우자 수 당신은 온보드했다 그래서 나는 항상 이것을 당신이 1을 가진 것처럼 해석합니다

아마 배우자 일 것입니다 당신이 1 이상을 가지고 있다면, 나는 많은 사람들을 생각하지 않습니다 타이타닉에서 두 명 이상의 배우자를 데리고 왔습니다 데이터가 준비되었으므로 이제 파이프 라인 탭으로 이동하여 파이프 라인을 클릭합니다 간단한 예측 모델링을 구축하는 것부터 시작하겠습니다 파이프 라인

데이터, 하위 노드 추가,지도 학습을 마우스 오른쪽 버튼으로 클릭하십시오 의사 결정 트리를 작성하겠습니다 또한 데이터를 마우스 오른쪽 버튼으로 클릭하고 추가합니다 하위 노드,지도 학습, 그라디언트 부스팅 해석 가능한 모델 인 의사 결정 트리가 있습니다

해석 할 수없는 모델 인 그라디언트 부스팅 모델 그라디언트 부스팅을 클릭하겠습니다 우리는 상당히 흥미로운 것을 발견 할 것입니다 모델 해석 기능을 켤 수 있다는 것을 알고 계셨습니까? 한 번의 클릭으로 우리는 단지 글로벌 통역 성을 열 것입니다 PD 도표를 클릭하여 모형 해석 성을 켭니다 실제로 몇 번 더 클릭하면 나머지 모델 해석 도구 PD 플롯을 클릭하면 아래로 스크롤합니다

현지 통역 가능성 ICE 플롯을 선택하겠습니다 LIME을 켜겠습니다 덧붙여 설명하겠습니다 우리가 실제로 할 때이 모든 것의 의미 결과를보십시오 그러나 당신은 당신이 정말로하지 않는 것을 알 수 있습니다 클릭하는 것의 의미를 알아야합니다 켜십시오

이 모든 설정을 기본값으로 두겠습니다 파이프 라인을 실행하십시오 그것이 실행되는 동안, 우리는 결정의 결과를 볼 것입니다 우리가 그것을 해석 할 수있는 방법을보기 위해 나무 그러나 궁극적으로 그래디언트 부스팅 모델은 조금 더 잘 수행합니다 약간 더 나은 모델입니다

사용할 수 있기를 원하지만 우리 만 우리가 이해한다면 받아 들일 수있어 모델이 어떻게 작동하고 해석하는지 그래서 우리는 다양한 모델 해석 도구를 켰습니다 의사 결정 트리의 결과를 살펴 보겠습니다 그런 다음이 개별 모델에 대해 이야기하겠습니다 해석 가능성 도표 결과를보고 실제로 시도하고 만들 수 있습니다 우리의 해석

의사 결정 트리를 마우스 오른쪽 버튼으로 클릭하고 결과를 선택합니다 의사 결정 트리를 해석 할 때 실제로 결정 트리 다이어그램은 이것이 바로 트리 다이어그램입니다 전체 화면으로 확대하고 확대 해 보겠습니다 그래서 우리는 즉시 봅니다 섹스를 기반으로 한 분할이 있습니다

여기는 수컷, 여기는 암컷입니다 우리는 생존이 1이고 죽는 것이 0이라는 것을 알 수 있습니다 그래서 우리는 여성이 훨씬 더 남성보다 타이타닉 침몰에서 살아남을 가능성이 높습니다 왼쪽의 남성 통로를 따라 가면 525 세 남성의 경우 기본적으로 5 살 이상입니다 약 82 %가 타이타닉이 침몰했을 때 죽었다

그래서 이것은 우리의 직감과 일치합니다 타이타닉에 대해 역사적으로 살펴보면 1800 년대 후반과 1900 년대 초에는이 철학이 있습니다 배가 가라 앉자 그들은 여자와 아이들을 먼저 구했습니다 이것은 당신이 여자가 아니고 아이가 아닌지를 나타냅니다 죽을 확률이 훨씬 높다 보트에있는 다른 사람들보다 따라서 전체 트리 다이어그램을 계속 해석 할 수 있습니다

그렇게하는 대신 결과로갑니다 Gradient Boosting 노드에서 실제로 의사 결정 트리 노드의 결과를 닫습니다 그라디언트 부스팅을 마우스 오른쪽 버튼으로 클릭하고 결과를 선택합니다 그래디언트 부스팅의 요약 결과를 얻습니다 모델이 실제로 얼마나 잘 수행했는지 알려줍니다 이 오류 그림과 같은 것들은 훈련 데이터, 검증 데이터 및 테스트를 보여줍니다 데이터

기본적으로 이러한 데이터의 평균 제곱 오차 나무 수의 함수로 모델에 나무를 더 추가 할 때 우리는 더 나은 성능을 얻습니다 그래디언트 부스팅 모델이 더 좋습니다 개별 의사 결정 트리보다 여기에 하나의 나무 그러나 더 이상 트리 다이어그램이 없습니다 이 모든 노드 결과를 스크롤하고 검색 할 수 있습니다

내 마음의 내용에, 나는 나무 다이어그램을 찾을 수 없습니다 존재하지 않기 때문입니다 이제 모델로 가야합니다 있던 해석 성 결과 이 모든 모델 해석 성을 켜면 생성됩니다 도구 모델 해석을 클릭합니다 부분 의존성 플롯으로갑니다 이제부터 살펴 보겠습니다 몇 가지 설명을 드리겠습니다

오른쪽에는 약간의 요약 설명이 있습니다 우리가 줄거리에서보고있는 것의 이것이 알림으로 유용하다고 생각합니다 하지만 때로는 이런 것들을 배울 때 이 자동 생성 텍스트는 약간 형식적입니다 그래서 나는 당신에게 방법에 대한 일종의 설명을 줄 것입니다 부분 의존도에 대해 생각합니다 그리고 우리는 그것들을 어떻게 만드는지 이야기 할 것입니다

우리가보고있는 것은 평균적으로 전체 데이터 세트에서 여성을 예측합니다 생존 확률 066 % 따라서 생존율이 66 %입니다 남성의 경우 평균 21 %의 생존 확률을 얻습니다 나이가 아닌 연속 변수 이산 변수, 우리는 지속적인 예측을 얻습니다 연령에 따른 다른 평균 예측에 대해 우리는 15 세 미만의 사람들에게 우리는 그들이 생존 할 가능성이 훨씬 높다 15 세 이상의 사람들보다 50 세 이상이면 차가운 북대서양에서 살아남을 수있는 기회 우리의 직관과 일치하는 꽤 내려갑니다 아이들을 먼저 구하고 특정 연령 이상의 사람들을 구했습니다 단순히 수영 능력이 없다 차가운 물에 아주 오랫동안

결과를 얻은 다음 질문을받습니다 이 결과를 어떻게 구성합니까? 실제로 이것을 생성하기 위해 무엇을 했습니까? 실제로 소프트웨어를 빨리 최소화하겠습니다 약간의 그림을하기 위해서 우리가하고있는 일을 설명하기 위해 잠깐만 나는 여기에 조금 엉켜있다 부분 의존도를 만들 때 전체 데이터 세트가 있다고 상상해보십시오 그리고 이것이 나이와 같은 입력이라고 가정 해 봅시다

그리고 이것들은 다른 모든 입력, 즉 섹스 등입니다 그리고 여기 우리가 될 것입니다 우리가하는 일은 예측하고 싶어 모든 원래 데이터 세트 이것들은 원래 숫자입니다 그런 다음 플러그인합니다 우리가 부분적으로 의존하고 싶다고 가정 해 봅시다 음모, 나이에 PD 음모

따라서 플러그인 연령은 1 인당 1입니다 우리는 상상하고 있습니다 타이타닉이라고 해봅시다 성인으로 채워지는 대신 우리는 1 세의 타이타닉을 보냈습니다 그러나 그들은 모두 같은 사람들이었습니다

그들은 모두 같은 특성을 가졌습니다 같은 섹스, 같은 클래스, 그들은 같은 돈을 보냈다 운임에 우리는 1 세인 모두에게 목표에 대한 예측 확률은 얼마입니까? 이 숫자를 모두 생성하므로 예측 열에 있습니다 여기에서 평균을 구합니다 모든 예측의 평균을 구합니다

이것이 부분 의존도의 요점이됩니다 저는 이것을 나이로 상상할 수 있습니다 그리고 이것은 평균 목표입니다 그리고 우리가 상상하는 것은 이제 우리는 나이 1의 가치를 얻었습니다 우리는 1을 가지고이 평균을 플러그인합니다

우리는 여기서 계산했습니다 이제이 과정을 반복하므로 지우개를 가져 와서 이 값을 지우십시오 이제 나이를 2로 바꿉니다 실수로 마우스 오른쪽 버튼을 클릭했습니다 실례합니다

그리고 또 다른 평균 예측을합니다 나이에 대한 결과는 2입니다 우리는 나이의 모든 다른 가치를 위해 이것을합니다 이제 소프트웨어로 돌아갑니다 실제로 우리는 줄거리를 볼 수 있습니다 아주 우연히 그려지지 않았습니다 결과를 모두 지우겠습니다

이제 부분 의존도를 살펴보면 우리는 이것을 기본적으로 산포처럼 본다 이 나이의 모든 다른 가치에 대한 음모 실제로 보시다시피 그들은 나이를 먹지 않았습니다 나이는 1, 나이는 2, 나이는 3입니다 그래서 우리는 모든 평균 예측을 얻습니다 목표 변수 이것이 우리에게 보여주는 것은 전체입니다 이 변수에 대한 모델의 생각 개별 효과를 씻어 내고 그러나 우리는 도움이되는 평균을 얻습니다 나이가 바뀌면 목표가 어떻게 변할 수 있는지 설명해주세요 예측

그래서 우리는 섹스를 위해 하나를 봅니다 이것은 여성이 남성보다 더 잘 생존한다는 것을 알려줍니다 나이가 들면서 젊은이들이 더 잘 살아남을 수 있습니다 나이든 사람들보다 이 모든 것은 여성을 구한 직관과 일치합니다 아이들이 먼저 운임을 보면 사람들을 볼 수 있습니다 운임이 더 비싼 사람 사람들보다 조금 더 잘 살아 남기 위해 요금을 더 낮게 지불 한 사람

내가 항상 생각하는 방식 더 많은 돈을 지불 한 사람들은 일류 오두막에 있었고 그래서 그들은 보트 위에있었습니다 가라 앉을 때, 그들은 훨씬 더 빨리 나왔습니다 바닥에 있던 사람들보다 아마도이 직선이 보입니다 운임에 100 달러 이상을 지불 한 한두 사람 만

이 사람은 기름 거물처럼 배 위에 집행 실이 있었어요 그래서 우리 모델은 실제로 알지 못합니다 그 사람들에 대해서만 예측하는 방법 한 가지 예가 있었으므로 기본적으로 일정한 예측을합니다 더 높은 요금 우리는 pclass를 볼 수 있으며 이것은 우리의 직감과 일치합니다 일등석은 생존율이 가장 높으며 두 번째 클래스는 낮고 세 번째 클래스는 가장 낮습니다 그리고 나는 형제 자매와 배우자가 해석하기 어렵다는 것을 알게됩니다

형제 자매 나 배우자가 세 명 이상인 경우 당신의 기회는 약간 낮았습니다 이 줄거리를 보면,이 변수를 알려줍니다 별로 중요하지 않습니다 목표 예측에 큰 영향을 미치지 않습니다 다른 변수로 이것이 부분 의존도입니다 그리고이 부분 의존도는 유용 할 수 있습니다

그러나 그들은 단지 우리에게 평균 정보를 보여줍니다 전체 데이터 세트에 대한 평균입니다 조금만 드릴 다운하려면 현지 정보가 많을수록 현지 통역이 필요합니다 도구 다음에 이야기 할 줄거리는 개별 조건부 기대 도표입니다 이 개별 조건부 기대 도표 부분 의존도와 매우 비슷한 일을하고 그러나 유사성에 따라 그룹으로 묶여 있습니다

결과에서 아래로 스크롤합니다 여기에 개별 조건부까지 기대 이제 클러스터 ID 1과 클러스터 ID 2의 두 클러스터가 있습니다 k는 클러스터링을 수행하여 이러한 클러스터를 생성했습니다 원래 입력 데이터에 대해 모든 유사성에 기반한 클러스터링 다른 입력 변수 그리고 우리는 본질적으로 부분 의존도는 무엇입니까? 그러나 이제는 클러스터 내에서 평균화되었습니다

아이디어는 클러스터 1에 대한 것입니다 우리는 평균 예측을 봅니다 클러스터 1의 모든 사람이 여성이라면 우리는 모든 사람을 평균화하기 위해 평균화를 수행합니다 클러스터 1 내 그리고 클러스터 1의 모든 사람이 남성이라면 우리는 클러스터 1 내에서 평균을냅니다 클러스터 2에 대해서도 동일한 작업을 수행합니다

여러면에서 우리는 같은 일을하고 있습니다 부분적 의존성으로 평균화하는 대신 전체 데이터 세트, 우리는 단지 평균입니다 데이터 집합의 하위 집합을 통해 이제 추상적으로 상상할 수 있습니다 개별 조건부 기대하기 클러스터를 사용하지 않고 각각의 개별 관찰 그리고이 줄거리에서- 숫자 플롯에서 조금 더 쉽습니다 우리가 나이를 보면 두 줄을 보지 않고 각 클러스터마다 1,309 개의 라인이 표시됩니다 타이타닉의 각 사람을 위해

물론 이것은 실제로 해석 할 수있는 음모가 아닙니다 더 높은 해상도로보기 위해 클러스터에서 수행합니다 또는 저해상도 뷰가 그것을 넣는 가장 좋은 방법이 되십시오 보다 높은 관점 각 개별 관찰을 확대했습니다 이것의 끝에서, 나는 그것을하는 데모를 줄 것이다 각각의 개별 관찰에 대해 한 번에 한 줄씩 보면 한 사람의 예측을 설명하는 방법

개별 조건부에서 중요한 부분 기대 도표는 이제 차이점을 볼 수 있다는 것입니다 클러스터 사이 우리가보고있는 것은 클러스터 2가 생존 확률 예측 일반적으로 클러스터 1보다 여성의 경우 089 대신 05입니다 남성의 경우 0

43 대신 02입니다 그러나 입력 간의 관계는 성별과 예측 확률의 관계 생존의 각 클러스터에 대해 동일합니다 클러스터 1 및 클러스터 2의 경우 여성 인 경우, 당신은 남자보다 살아남을 가능성이 더 큽니다 같은 관계가 보입니다

기본적으로 우리는 부분 의존성에서 본 것과 동일한 결과를보고 음모, 그것은 단지 두 개의 클러스터로 나뉩니다 이야기는 나이가 다릅니다 나이에 대한 부분 의존도를 살펴보면 우리는이 곡선, 기본적으로 금 곡선을 보았습니다 이는 클러스터 2에 해당합니다 우리는 보이는 곡선을 보지 못했습니다 씻겨 졌기 때문에 클러스터 1에서 이와 같이 우리가 평균했을 때

이것이 제안하는 것은 한 그룹의 고객- 이것은 단지 내 추측이지만, 이것들은 아마도 티켓에 대해 더 적은 돈을 지불 한 고객 세 번째 반에 있었는데 15 세 미만이라면 당신은 훨씬 더 살아남을 것입니다 그러나 다른 클러스터가 있었다 거의 모든 사람이 살아남을 수있는 고객 나는 이것을 아마도 우리의 부유 한 고객이라고 생각합니다 일류 오두막에있었습니다 클러스터 1의 사람들은 나이가 실제로없는 것 같습니다 예측 확률에 많은 영향을 미칩니다 생존의

그러나 클러스터 2의 경우 나이가 실제로 영향을 미칩니다 이것은 우리가하지 않을 정보의 종류입니다 부분 의존도에서 볼 수 있고 이 개별 조건을 사용해야합니다 그것을 밝히기 위해 기대 플롯 기본적으로 클러스터 1은 클러스터 2보다 작았습니다 우리가 평균화 할 때 씻겨 나옵니다 다른 것을 볼 수 있는지보고 싶습니다 이 음모의 나머지 부분에서

운임에 가면 클러스터 2가 클러스터 1보다 생존율이 훨씬 낮습니다 운임과 예측 확률의 관계 기본적으로 동일합니다 같은 모양의 곡선입니다 여기에 약간의 차이가 있습니다 하지만 약간 증가한 다음 레벨이 떨어집니다

운임을 위해, 우리는 같은 관계를 본다 부분 의존도에서 보았 듯이 pclass의 경우 다시 일치합니다 1 등석, 2 등석, 3 등석 서로 다른 두 개의 클러스터가있는 것 같습니다 클러스터 1, 1 등석과 2 등석은 매우 비슷합니다 클러스터 2에서 두 번째 클래스와 세 번째 클래스는 매우 비슷합니다 이 클러스터는 성별을 기반으로 한 것 같습니다

또는 그들이 보트에서 어디에 있었는지 실제로 이러한 클러스터로 드릴 다운해야합니다 그리고 소프트웨어는 점수 코드를 생성 할 수 있습니다 클러스터에서 원본 데이터를 클러스터에 할당 그들이 어디 있는지 봅니다 기본적으로 누가 어떤 클러스터에 있는지 확인하십시오 이제 부분 의존도에서와 같이 우리는 정말 흥미로운 것을 보지 못합니다 형제 자매와 배우자의 관계

우리는 다시 클러스터 2의 가능성이 훨씬 낮다는 것을 알았습니다 군집 1보다 생존율이 높지만 형제 자매와 배우자에게 어떤 영향을 미치는지 우리가 실제로 보지 못하는 생존율 흥미로운 관계 개별 조건부 결과를 닫을 것입니다 기대 도표 다음 모델 해석 가능성 결과는 로컬입니다 실례합니다

해석 가능한 지역 모델 해석 설명 이 지역 해석 가능한 모델 불가 지 설명 LIME 플롯 또는 LIME 모델입니다 E는 LIME에서 설명 용이기 때문입니다 기본적으로 로컬 선형 피팅을 수행합니다 사용하여 모델을 시도하고 설명하기 위해 국부적으로 선형 회귀

우리는 설명 할 수없는 모델을 가지고 있습니다 신경망이나 그래디언트 부스팅 모델처럼 우리는 그것을 사용하여 로컬로 설명하고 있습니다 기본적으로 데이터에만 로컬로 적합한 모델입니다 그래서 약간의 그림 그리기를 시작하겠습니다 여기에 단계를 설명하는 동안 잠시만

기본적으로 우리가하는 일은 해석 할 수없는 모델입니다 결정 경계를 그릴 것입니다 해석 할 수없는 모델 우리가 두 개의 축을 가지고 있다고 가정 해 봅시다 이것은 나이와 같은 것입니다 그건 그렇고, 나는이 그림을 만들고 있습니다 이것은 데이터가 아닙니다

이것은 단지 예시적인 도면입니다 나이와 요금이라는 두 개의 축이 있다고 가정 해 봅시다 원래 모델이므로 그라디언트 부스팅 모델입니다 해석 할 수없는 모델이이 결정을 생성 경계 파란색 영역의 포인트는 살아남을 사람들로서 적색 영역이 대응함에 따라 모델이 예측하는 사람들에게 죽을 것입니다

이것이 해석 불가능한 모델의 예측입니다 물론 이런 멋진 그림을 그릴 수 있다면 이것은 실제로 모델의 해석입니다 하지만 우리는 정상적으로 상상하고 있습니다 더 높은 차원이 될 것입니다 지금, 우리는 나이와 요금이 있습니다

실제 데이터에는 실제로 5 차원이 있습니다 내가 왜 그리지 않기로 선택했는지 알 것 같아 내가 할 수 없기 때문에 여기에 5 차원의 결정 경계가 있습니다 항상 2 차원 이상으로 시각화하기가 더 어렵습니다 그러나 여기서 해석 할 수없는 모델이 있습니다 검은 색 커서를 다시 잡겠습니다

우리가 바로 여기에있는 요점을 설명하고 싶다고합시다 우리는 왜이 점이 파란색으로 분류 되었는가? 이 사람은 왜 죽지 않고 살아 남았습니까? LIME 설명을 생성하기 위해 가장 먼저해야 할 일은 내가 전화해야 할 것 같아 저는 항상 LIME 다음에 무언가를 말하고 싶습니다 그러나 설명은 내장되어 있습니다 이 공간에서 데이터 포인트를 샘플링했습니다 기본적으로 나이와 공정한 가치를 선택합니다 샘플링 포인트에 불과합니다

여기에서 점을 선택하고 여기에서 점을 선택한다고 가정 해 보겠습니다 여기에서 점을 선택하고 여기에서 점을 선택합니다 여기서 포인트를 선택합니다 우리는 공간에서 몇 가지 점을 선택합니다 우리는이 점들을 적합하게 사용할 것입니다 로컬 선형 모델, 그리고 근처에 몇 점 더 있습니다

이 점을 선택하는 데 중요한 부분은 이것을 섭동 샘플이라고하겠습니다 관심 지점 근처에서 선택한 지점이 여기에 큰 X를 넣어야 할 것 같습니다 더 무겁게 가중 될 것입니다 우리의 관심 지점에 가까운 지점 더 커질 것입니다 그리고 멀리 떨어진 지점은 더 작아 질 것입니다

그리고 그것은 아마도 여기의 요점 일 것입니다 아주 작습니다 기본적으로 포인트를 선택하고 이 점을 사용하여 로컬 모델에 맞출 것입니다 관심있는 관찰에 더 가까운 점은 실제로 그들이 왜 살았는지 설명하고 싶은 사람입니다 그들이 죽었 기 때문에 더 커질 것입니다 로컬 선형 모델에서 더 많은 가중치를 부여 할 것입니다 우리가 그 지점을 생성하면 해석 할 수없는 원래의 점수를 사용하여 점수를 매길 것입니다 모델

이 지점은 파란색 영역에 있으므로 파란색이됩니다 이것은 파란색 영역에서 파란색입니다 이 지점은 빨간색 영역에서 빨간색이됩니다 이것은 적색 영역에서 더 큰 적색 점입니다 좀 더 크기 때문에 중간 크기의 정렬입니다

이것은 파란색 영역에서 큰 포인트입니다 파란색 영역에서 약간 작은 점일 수도 있고 파란색 영역에서 더 큰 점 그리고 우리가 그 포인트를 득점하면 해석 할 수없는 모델을 사용하여 이 샘플을 사용하여 국소 선형 회귀 분석을 시도하십시오 여기에 경계를 설명하십시오 그리고 이것은 기하학적 직관입니다 여기가 정말 가치 있다고 생각합니다

기본적으로 선형 근사를하고 있다는 것입니다 이 곡선에 이 파란색 곡선은 곡선 결정 경계입니다 우리는 실제로 설명 할 수 없으며 단지 그것에 선형 근사치를 생성 할 것입니다 강조하고 싶은 한 가지는 이 선형 근사법은 이 시점에서는 분명히 유효합니다 이 지역에서만 유효합니다 이 선형 근사도 이쪽의 결정 경계에 가깝게 접근하십시오

하지만 여기서 잘 작동합니다 이 선형 근사에는 계수가 있습니다 이 점이 왜이 큰 검은 색 x인지 설명하는 데 사용할 수 있습니다 끝이 아닌 경계의이 쪽에서 득점 이리 제가 강조하고 싶은 한 가지는 정말 건축에 도움이됩니다 직관은 우리의 관심 지점이라고합시다 실제로 여기에있었습니다 그런 다음 로컬 선형 모델은이 지역에 국한됩니다

우리는 이와 같은 것을 기대할 것입니다 그리고 물론 그것은 선이 아닙니다 죄송합니다 나는 그것을 다음과 같이 그려야했다 이것이 직선 인 척하자

나는 통치자가 아닙니다 그리고 여기 아이디어는 이런 종류의 수학은 Taylor 확장 또는 미적분에 익숙합니다 기본적으로 커브를 충분히 확대하면 직선처럼 보입니다 우리가이 지점들에 가깝게 확대하면 비선형에 가까운 선형 모델을 생성 할 수 있습니다 우리가 가진 결정 경계 그래서 그것은 많았습니다

우리는 소프트웨어로 돌아가서 이 선형 모델의 결과에서 우리가 그것들을 어떻게 해석 할 수 있는지보십시오 계속 진행하겠습니다 아래에 무엇이 있는지 볼 수 있습니다 시작하겠습니다 다음은 로컬 모델의 요약입니다

가장 먼저 눈에 띄는 것은 Cluster Centroid 1이라는 단어 따라서 각 점에 로컬 모델을 맞추는 대신 우리 데이터에서 1,309 포인트가됩니다 1,309 개의 현지 모델이 우리는 그것들을 클러스터에 맞 춥니 다 ICE를 할 때와 마찬가지로 클러스터링을했습니다 우리가 볼 필요가 없도록 분리 각각의 관찰에서 이 경우 클러스터를 구축하고 클러스터 중심을 우리가 주변의 포인트 역할을 로컬 모델 생성 제가 보여준 큰 검은 x 그것은 우리가 설명하려는 사람 일 수 있습니다

이 경우에는 클러스터의 중심이됩니다 그래서 우리는 서로 다른 두 가지 로컬 모델에 적합합니다 하나는 클러스터 중심 1 및 하나는 클러스터 중심 2, 모수 추정값을 볼 수 있습니다 각 클러스터 중심에 대해 그리고 이것은 로컬 선형 모델입니다 우리는 얼마나 잘했는지 평가할 수 있습니다

그 결과를 닫아서 플롯을 볼 수 있습니다 이것이 말하는 것은 Cluster Centroid 1에서 대부분의 관측은 여성의 성관계를 가졌으며 여성이라는 것이 생존 가능성을 높였습니다 클러스터 1에서 대부분의 사람들은 클래스 1을 가졌습니다 그들은 일류 오두막에 있었고 또한 생존율이 향상됩니다 여성보다 약간 적습니다

그리고 다시, 그것은 우리와 일치합니다 먼저 여자와 아이들을 구했습니다 그러나 일반적으로 예상대로 일류 오두막의 사람들은 아마도 더 나은 서비스를 받고 출구에 더 가깝습니다 그리고 우리는 형제 자매와 배우자가 목표를 예측하는 데 훨씬 덜 중요합니다 그래서 우리는 그것이 여성 인 것처럼 보입니다 일등석에서 정말 Cluster Centroid 1에서 관찰 한 대부분의 결과 살아남을 것으로 예상됩니다

Cluster Centroid 2로 가면 그들의 성별이 남성임을 알 수 있습니다 생존율을 낮추고 그리고 그들의 수업은 3 등입니다 또한 생존율을 낮 춥니 다 다시 한번, 형제 자매와 배우자가없는 타이타닉 승객 대부분이 일종의 생존 가능성이 약간 향상됩니다 그러나 3 등석과 남성에서의 상쇄는 아닙니다 이 결과를 닫고 같은 것을 봅니다 구간 변수의 경우

나이는 목표에 대한 부정적인 예측 인자입니다 나이가 많을수록 당신은 살아남 아야합니다 운임은 긍정적 인 예측 자입니다 더 많이 쓸수록 생존 할 확률이 높아집니다 이것은 나이가 예측에서 훨씬 더 중요하다는 것을 알려줍니다

운임보다 당신의 생존 Cluster Centroid 2를 살펴보면 동일한 관계가 나타납니다 그게 우리가 찾은 관계 야 부분 의존도에서 나이는 부정적인 예측 자, 운임입니다 생존 가능성에 대한 긍정적 인 예측 이 결과를 닫겠습니다 우리는 또한 지역 적합 통계를 볼 수 있습니다 모델이 얼마나 잘 수행했는지 확인합니다

로컬 모델은 실제로는 아닙니다 누가 살았고 누가 살았는지 예측하려고 누가 예측했는지 예측하려고합니다 그라디언트 부스팅 모델로 살아남거나 생존 할 수 있습니다 기본적으로 실제 목표를 예측하는 대신 예측을 모방하려고합니다 해석 할 수없는 비선형 모델의 기울기 원래 맞는 부스팅 모델

계속해서 결과를 닫을 게요 계속해서 개별 관찰에 대해 이야기하십시오 그래서 우리는 개별 조건부 ICE 플롯을했습니다 기대와 LIME– 지역 해석 가능 모델에 무관 한 설명 클러스터에서이 작업을 수행했습니다 이제 개별 관찰로 할 수 있습니다

그래디언트의 아래쪽으로 스크롤합니다 부스팅 지역 통역 성을 열겠습니다 아래로 끝까지 스크롤합니다 General ICE / LIME Options를 열겠습니다 다시 아래로 스크롤하십시오 설명 할 인스턴스 유형 클러스터 중심에서 전환하겠습니다 개별 관찰에

여기에 숫자가 필요했습니다 key_ID가됩니다 변수를 설정했을 때를 기억한다면 변수를 키로 설정했습니다 그것은 key_ID였습니다 그냥 1을 입력하겠습니다

이것은 우리의 데이터 세트에서 첫 번째 관찰입니다 데이터를 열어서 볼 수 있습니다 나는 이것이 엘리자베스 앨런 양이라고 생각합니다 그리고 그녀는 살아남은 29 세의 여성이었습니다 모델이 예측 한 이유를 설명하겠습니다

그녀를 위해 예측 한 것 일단이 변경을하면 파이프 라인을 다시 실행할 것입니다 개별 조건부 기대치를 생성합니다 지역 해석 가능한 모델 불가지론 적 설명 이 하나의 관찰에 대해서만 우리가 그 그림으로 되돌아 가면 기본적으로 LIME 플롯을 그렸습니다 이 x가 클러스터 센터가 아니라 x는 이제 Allen Allen입니다 그래서 그녀의 나이, 그녀의 운임, 그리고 그녀의 수업이 될 것입니다 그 모든 정보

그래디언트 부스팅을 마우스 오른쪽 버튼으로 클릭합니다 결과를 선택하겠습니다 Model Interpretability로갑니다 모델의 결과는 바뀌지 않아야합니다 변경된 것은 해석 가능한 결과입니다

이제 개별 조건을 전체 화면으로 보여 드리겠습니다 기대 우리는 그녀가 여자 였기 때문에 볼 수 있습니다 그녀의 생존 확률은 086 일 것으로 예상되었으므로 86 %입니다

그녀가 남성이라면 생존 가능성 약 40 %입니다 데이터에서 기억하는 그녀의 나이는 약 29 세였습니다 여기 어딘가에 그녀의 확률에 대한 예측은 다음과 같습니다 다른 연령대의 생존 그리고 이것은 우리에게 다소 예상치 못한 결과를줍니다

그녀가 더 어리면 우리는 실제로 그녀가 생존 할 가능성이 적을 것으로 예상합니다 그리고 그녀가 나이가 많으면 우리도 그녀가 생존 할 확률이 낮을 것으로 예상합니다 이것은 현재 평균화되지 않았 음을 기억하십시오 우리가 값을 변경한다면 이것은 단지 예측입니다 그녀의 모든 특성을 동일하게 유지합니다 그녀는 일등석에 있었고 여자였습니다 우리는 모델이 그녀를 어떻게 생각하는지 평가합니다 나이를 바꾸면 주목해야 할 것은 그녀가 항상 여자를 유지해 예상되는 생존 확률은 꽤 높으며 무엇이든 상관없이 0

75 이상이 될 것입니다 운임과 같은 다른 것을 볼 수 있습니다 우리는 같은 관계를 봅니다 pclass– 우리는 그녀가 1 등석인지 2 등석인지를보고 그녀는 같은 확률을 얻습니다 하지만 그녀가 3 등석에 빠졌다면 그녀의 생존 확률은 낮아질 것입니다

이런 종류의 직감과 일치 1 등석과 2 등석의 여성들이 꽤 높은 속도로 살아남을 수있었습니다 3 등석의 여성들은 그다지 살아남지 못했습니다 물론, 3 등석의 남성은 가장 잘 살아 남았습니다 일반적으로, 3 등석의 사람들은 일등석과 이등 석의 사람들만큼 많이 만드십시오 결과를 닫고 로컬 모델을 살펴 보겠습니다

이제이 로컬 모델은 그녀의 관찰에 따라 다릅니다 그녀의 근처 어딘가에 유효합니다 그리고 이것은 실제로 설명입니다 앨런 양을 생존자로 분류 한 이유는 죽은 사람에게 우리가 섹스를 보면 그녀는 여자 였고 생존 가능성을 극적으로 향상시킵니다 그녀는 일등석에 있었고, 또한 향상 그녀의 생존 가능성

형제 자매와 배우자와 같은 관계를 큰 영향을 미치지 않는 곳 우리는 또한 지역 설명을 봅니다 구간 변수의 경우 우리는 그녀의 나이가 실제로 감소한 것을 본 그녀의 생존 가능성 로컬 모델로 돌아가서 우리는 개별 조건부 기대에서 보았다 그러나 현지 설명은 아마도 더 유효한 설명이기 때문에 이 로컬 선형 모델에 적합합니다

그리고 우리는 그녀의 운임을 본다 그녀는 티켓에 211 달러를 썼기 때문에 꽤 비싼 티켓을 얻었습니다 아마도 그녀가 생존 할 가능성이 가장 높은 이유 일 것입니다 부유 한 귀족 이 결과를 닫겠습니다

다른 관찰을 위해이 과정을 거칠 수 있습니다 이 도구를 사용하는 방법은 누군가가 그들이 얻은 방식으로 왜 득점했는지 알고 싶어합니다 당신의 모델에서, 당신은 지역 관측을 끌어낼 수 있습니다 특정 개인 또는 관찰을 위해 데이터에서 주변 지역 모델을 만들 수 있습니다 그들이 왜 자신을 분류했는지 설명하고 설명하기 위해 했다 결과를 닫겠습니다

하루가 끝나면 이제 채점을합니다 그 모델을 사용하여 해석 할 수있는 부스팅 모델 해석 성 결과 물론 모델 해석 결과 입력을 해석 할 수있는 경우에만 의미가 있습니다 그리고 그것은이 토론에 대한 큰 메시지입니다 당신이 무슨 일을하든 상관없이 모델을 해석하려면 입력 내용을 이해하기 위해 실제로 모델 해석 성을 사용하려고합니다 이유에 대한 설명이나 이야기가 나오는 결과 당신의 예측은 그들이하는 방식입니다 입력을 기반으로합니다

모델 해석성에 대해 많이 배웠기를 바랍니다 모델 해석 도구 중 일부 우리는 SAS Viya에 있습니다 SAS Users 채널을 구독하려면 클릭하십시오 도움이되는 몇 가지 질문에 대답하려면 여기를 클릭하십시오 더 나은 비디오를 만들고 여기 아래에 일부는 데이터와 일부에 대한 링크 보다 자세하게 설명하거나 멋진 리프레쉬를 제공하는 논문 우리가 말한 것에 대한

2019.09.21 Machine Learning for Designers at Fresh Eyes Berlin

안녕 여러분! 제 이름은 Nono Martínez Alonso입니다 디자이너들을위한 머신 러닝에 관한 연구는 제가 오늘 가져 오는 것은 이러한 사고 방식 또는 기술 변화의 의미에 대한 개요 또는 소개 디자이너 건축가 또는 아티스트 및 제작자에게도 또한 몇 가지 사례 연구 또는 개인적으로 수행 한 프로젝트 또는 다른 사람의 프로젝트를 사용한 적이있는 프로젝트 창의적인 노력을위한 활주로와 괜찮습니다

먼저 시작하겠습니다 Matt Turlock의 신선한 눈 워크샵 주제를 감사드립니다 Kyle Steinfeld가 여기에 있고 다른 사람들은 해외에 있습니다 Adam Menges Kat과 Samantha Walker는 2018 년에 나의 지오메트리 작업장의 일부였습니다 그들은 기계를 사용하는 것이 무엇을 의미하는지에 대해 많은 연구를 해왔습니다

학습 도구 또는 생성적인 건축 디자인이며 이것은 아닙니다 이 대화의 일부이지만 동일한 프레임 워크 내에서 알고 있으므로 지난 수십 년 동안 볼 수 있듯이 예를 들어 기계적으로 그리고 더 최근에 잉크로 쓰는 것 우리는 디지털 방식으로 또는 손가락을 두드리면서 변화하는 것을 보았습니다 전화와 우리가 지금 보는 것은 때로 지능형 일을하는 것입니다 인터페이스가 사라져서 컴퓨터로 기계식 타자기가 될 노트북 그리고 Siri가 어떤 식 으로든 바래 지도록 만듭니다 Kevin Kelly는 미래 학자이며 우리가 추가 한 모든 것을 썼습니다 지금까지 전기는 인텔리전스를 추가하려고합니다 그것이 보였고 나는 여기에 약간의 끄덕임 머리를 보았습니다

우리가 지금 만들고자하는 전기 또는 일종의 힘으로 자동화 더 지능적 일 수도 있고 스스로 반응하거나보다 효율적으로 작업 할 수도 있습니다 옳고 그름이 아닌이 전환은 우리가 우리가 그 전에 수동으로 일을 한 건설 산업 세계를 빔 기계적으로 자동화하여 로봇을 사용하고 있으며 이제 로봇을 사용하려고하지만 환경에 대해 좀 더 지능적이거나 현실 세계를 이해하는 방법이 있습니다 하지만이 변화 나이 변화가 디자인에서 중요하다고 생각하는 이유 내가 옳게 믿는 것은 최종 목표를 위해 정말 중요하다는 것입니다 우리는 우리가 사용했던 인터페이스를 디자인 프로젝트에 넣습니다 종이에 스케치 할 연필이 있고 우리는 손으로 이것을하지 않았습니다 컴퓨터로 자동으로 행을 작성하거나 선을 그립니다

두 지점을 클릭하면 이 프레젠테이션의 범위에 속하지 않는 한 가지 올바른 방법은 이 작업을 수동으로 수행하면 실제로 머신 러닝 알고리즘에 더 많은 힌트가 제공됩니다 이 네 줄은 우리 자신이 다르기 때문에 수천 명의 사람들에게도 똑같을 수 있습니다 선이 정확히 동일하지만 두 점을 동일하게 클릭하십시오 우리는 당신이 손으로 그것을 할 경우 각 사람이 다른 성격을 추가 할 것입니다 보았다 그들의 그림과 오늘 우리는 이와 같은 데이터로 건물을 정의하고 있습니다 예를 들어 Revit의 스크린 샷이며 때로는 선을 그리지 않습니다 또는 지오메트리 슬라이더 만 움직이고 매개 변수를 만들고 코드도 사용합니다 인터페이스로서 우리는 한 줄만 코딩하면 일부를 생성 할 수 있습니다 우리가 지금보고있는 것은 우리에게 도움을 요청하는 것과 같은 일을 할 수있는 인터페이스 컬러 드로잉 또는 집 또는 다른 무언가 새로운 패러다임을 제시 바로 이것이 제가 GSD에서 한 일과 새로운 패러다임의 일부입니다 디자이너가 프로그래머가 될 수있는 데이터 셋을 만들어서 올바른 이미지 세트를 선택하면 디자인 프로세스의 일부가됩니다

이미지가 잘 생겼기 때문에 나는 은유 적으로 옳다는 의미이기 때문에 학습 알고리즘의 일부를 변경하려고합니다 느낌에 따라 다르게 작동하도록 프로그램을 조정하는 방법 새로운 이미지는 물론 코드를 작성하는 대신 여기에 의존한다는 것을 의미합니다 우리는 이미지를 느끼는 알고리즘이며 알고리즘에 있습니다 그리고 다시 전환이 수동에서 아날로그에서 디지털로 진행되는 것처럼 우리가 지금 보는 것은 코드와 데이터에서 자동화 된 자동화 시대입니다 프로세스에 인텔리전스를 추가하면 머신에서 볼 수 있습니다

이전에 사용했던 프로세스를 자동화하거나 건너 뛰고 더 추가 할 수 있습니다 우리가 수행하는 프로세스와 내가 한 일에 대한 더 높은 정확도 로봇이나 기계가 작업이 아닌 작업을 대체하고 우리가 보는 것은 기술이 발전함에 따라 위협을 계속 움직입니다 우리가 인공 지능을 고려할 때마다 몇 년 전에 인공 지능으로 우리가 한계를 뛰어 넘는 새로운 목표 우리는 확인이라고 말 했으므로 그것은 새로운 알고리즘 일뿐입니다 우리가 도달하지 못한 것은 인공 지능입니다 그래서 우리는 계속 교체합니다

소규모 작업을 수행 한 다음 디자인을하거나 다른 방식으로 작업 할 수 있습니다 이것을 요약하면 자동화와 지능이 우리를 이끌 것이라고 믿습니다 반드시 설계되지 않은 작업을 건너 뛸 수 있도록 자동화 프로세스가 점점 더 잘 반복되고 실시간 피드백은 설계 프로세스를 실제로 다르게 만드는 예입니다 시뮬레이션 반복 시간을 15에서 단축 할 수 있다는 것을 알고 있습니다 몇 분에서 1 초까지 걸리며 여러 시간 사이에 반복 할 수 있습니다 며칠 또는 몇 시간이 아닌 1 분 안에 다른 디자인 옵션 이것은 우리의 로봇이 특정 작업을 대체하고있는 하나의 예입니다

목재 스터드를 움직이면 제자리에 고정해도되지만 그것이 제 위치에 있는지 확인해야하는 루프의 인간 그리고 나는 양키에게 인용하며 그와 대화를 나눈 것은 당신이 이미 디자인을 어떻게 알고 있는지 알고있을 때 일이 바로 작동합니다 그리고 당신은 단지 천 빔을 배치해야합니다 컴퓨터가 할 수있는 일입니다 더 이상 결정을 내릴 필요가 없습니다 모든 것이 결정론 적이므로 알고리즘으로 전달할 수 있습니다 우리는 디자이너들에게 내가하고 싶은 한 가지 일을 할 필요가 없습니다 이 워크샵은 또한 우리가 말할 때 우리가 의미하는 바를 조금 명확하게하는 것입니다

내가 이미 알고있는 개념이 조금 있습니다 우리가 전산 설계 유전자 설계 인공을 갖도록 명확히하고 싶습니다 지능 기계 학습 및 일반 확산 지능 및 무엇 전산 설계 우리는 그것이 무엇인지 모르지만 일련의 명령을 정의합니다 디자인을 얻는 단계를 정의하는 규칙 및 관계 정보 생성 디자인 Kyle은이 개념을 워크샵에 대한 작은 조정이지만 일반적으로 처리로 정의합니다 설계자는 설계 매개 변수 및 계산 모델을 정의합니다

형상을 생성하고 기계는 설계 옵션을 생성합니다 일련의 목표에 대해 평가하고 목표에 따라 목표를 개선합니다 얻은 결과는 최적화하려고 시도한 다음 각각의 순위를 매 깁니다 목표를 달성하기 위해 얻은 결과에 따라 디자인 옵션 당신은 디자이너로서 당신이 프로세스에서 올바르게 설정하므로 원하는 것을 가공하되 최고의 결과를 얻으십시오 컴퓨터가 대화식 디자인의 다이어그램임을 최적화하려고합니다

컴퓨터가 분석 및 순위를 생성하고 진화해야하는 워크 플로 그래서 당신은 그것이 얼마나 좋은지를보고, 진화하고 인공 지능에서 루프의 모든 단계를 조금 더 개선하십시오 이제 그것은 과대 광고 용어이므로 우리는 그것이 무엇을 의미하는지 알고 있지만 작은 구별이므로 일반적으로 시도하는 모든 기계와 알고리즘입니다 인지 기능을 어떻게 말하는지 모방하지만 우리의 방법과 전통적인 인공 지능에 맞는 몇 가지 뉘앙스 우리는 70 년대에 개발 된 클래식 인공 지능을 오늘날 우리가 사용하는 것들은 4050 년 전에 고전처럼 개발되었습니다 진영 문제 또는 다른 많은 문제의 다락방 알고리즘 검색 우리가 오늘 더 집중하고있는 머신 러닝은 알고리즘입니다 명시 적으로 배우지 않고 모범을 통해 배우고 개선 할 수있는 능력 새로운 데이터 세트를 위해 프로그래밍되었으며 최근에도 호황을 누리고 있습니다 새로운 신경망 아키텍처와 GPU의 힘 그리고 일반적인 인공 지능은 우리가 당신이 신과 같은 것으로 알고있는 것입니다 우리가 어떻게 행동하는지 생각하는 방법을 복제하는 방법을 아는 생물 내가 결정한이 프로젝트를 통해 말할 것입니다

때때로 다른 곳에서 그러니까 그림이 내 주인의 것이면 예라고 말하십시오 하버드 디자인 스쿨 대학원에서 논문을 작성했는데 사물의 아키텍처 측면을 살펴보고 디자인 분야의 행 머신 러닝 장소 기계가 래스터가있는 이미지로 작업하기가 더 쉬워지기 전에 주석 처리됨 벡터 데이터보다 오늘날의 데이터를 사용하므로 일반적으로 그림을 사용합니다 우리가 보는 것처럼 세상을 대표한다고 생각하고 이미 존재하는 것을 보았습니다 우리의 삶을 편하게 만들어주는 드로잉 소프트웨어 복사 / 붙여 넣기 및 사물 복제 또는 복제를 수행하고 CAD를 사용하면 정말 쉽게 만들 수 있습니다 형상이나 반복적 인 형태와 복잡한 형상은 기계 안에 있지만 우리가 이해한다고 정의하면 프로세스가 실제로 참여하지 않습니다 세상을보고 기계를 표현함으로써 몇 번의 머신이나 프로그램에서 세상을 어떻게 해석해야하는지 정말 소위 생각합니다 그들은 좁은 길 눈이라고 불려 요 새를 그리는 법만 알기 때문에 나는 동그라미를주고 세계와 당신은 저녁 식사를 그립니다 당신이 무엇을하든 상관 없습니다 새와이 급등한 인공 지능과 기계로 만들어 학습은 예를 들어 컴퓨터가 우리를 도울 수 있도록 컴퓨터를 도와줍니다 계속하거나 나는이 프로젝트의 전제였던 그림을 그렸습니다

프로젝트는 고전 도구 모음에서 벗어나려고했습니다 컴퓨터 프로그램에서 포인트 앤 클릭을하고 왼쪽에서 볼 수 있지만 왼쪽에서 볼 수있는 것은 당신의 결과를 알고 당신이 해결하고자하는 것을 알고 당신이 원하는 종류의 그 루프에서 벗어나 컴퓨터는 바로 그 경로를 제공 할 수 있습니다 올바른 길로 올라갈 수있는 최적의 길은 조각 과정입니다 다른 모양을 가질 때마다 탐색 할 수 있습니다 재평가 당신이이 프로젝트에서 우리가 볼 수있는 것입니다 기계 또는 파티 물고기 지능이 당신을 가져 오는 시간 그림을 색칠하는 방법에 대한 제안은 다른 그림을 계속 그릴 수 있습니다

응용 프로그램 자체가 iPad 응용 프로그램 이었기 때문에 왼쪽에있는 모든 태블릿이나 컴퓨터를 사용하는 다른 사람 일 수 있도록 도와주는 상담원 또는 그림을 계속 사용할 수있는 전화 또는 봇 Photoshop 레이어처럼 보이지만 역사는 각 에이전트가 프로젝트에 실제로 추가 한 도면 당신은 여기에있는 모든 것을 볼 수 있습니다 그리고 당신은 모든 자원과 사물을 가지고 있고 중간에 드론 오른쪽 우리 모두가 내가 어떻게 보이는지 알고 있지만 이것은 공유 모두가 동시에 볼 수있는 캔버스와 내가 개발 한 것은 봇 세트는 맞지만 각각 봇은 좁지 만 특정 행동을했습니다 예를 들어 올바른 질감은 도면의 질감을 생성합니다 당신은 계속 스케치 ATAR 우리를 계속하려고 할 것입니다 스케 쳐가 필요한 다음 단계로 그림을 채 웁니다 손 스케치 텍스처처럼 보이는 것과 다른 이름으로 설명이 필요하지 않습니다

하단 그러나 그들은 개념적으로 거기 있었고 그들이 할 수있는 명확한 방법이 있습니다 예를 들어 분류기를 합리화하도록 개발하십시오 학습자 주변 학습자 개념은 아마도 가장 흥미로울 것입니다 생성하는 동안 피드백 루프를 만드는 것을 의미하기 때문에 봇이 수행 한 작업에서 배울 수있는 그림의 역사 향후 제안을 위해 지식을 재조정 프리젠 테이션 몇 주 전에 제작 한 프로토 타입으로 봇에게 데이지에 대한 제안을 해달라고 말하고 데이지는 맞지만 이것이 생성 적 적이라고 불리는 것을 볼 수 있습니다 결과를 보간 할 수있는 네트워크는 직사각형의 꽃이 없었습니다 훈련 세트의 꽃잎이지만 알고리즘은 무언가를 짜려고합니다 꽃 모양의 무언가를 생성하기 위해 그 모양으로 시스템의 백그라운드에서 백그라운드에서 Pix2Pix를 실행합니다

이 신경망 아키텍처를 만들지 않았지만 Phillip Isola가 수행했습니다 버클리에있는 그의 팀과 오른쪽에는 내가 그것을 사용할 수있게했던 텐서 플로우 크리스토퍼 헤세가 만든 그는 정말 바이러스 성했기 때문에이 프로젝트를 알고 내일을 잘라 가장자리와 내가 강조 할 한 가지는 당신이 잘 하자는 것입니다 이 비자에 중점을 두어 텍스처입니다 나는 다른 유형의 꽃으로 다른 유형의 드레스 또는 다른 훈련 훈련 세트와 나는 단지 기계가 실제로 무엇을하는지 탐구하고 있었다 이건 스케 쳐 였기 때문에 제가 손으로 스케치 한 것 같아요 나무의 육십 사 스케치 도면 우리 엄마에 의해 실제로 그녀는 내가하는 동안 케임브리지는 그녀가 스페인에 있었고 그녀를 도울 수 있도록 내가 무엇을 할 수 있는지 말했다 실제로 64 그루의 나무를 스케치했고 우리는 훈련했습니다

나중에 보여 주면 아마 내가 가장 좋아하는 것이 이것은 신경망을 사용하여 그리는 더 추상적 인 것입니다 제대로 그려지지 않을 것으로 예상되는 것들 알고리즘의 장점을 알고있을 때 알고리즘이 작동하도록하기 위해 그러나 당신이 훈련되지 않은 무언가를 그리려고 할 때 그것은 조금 실제로 알지 못하고 일부를 생성하려고 시도합니다 그것이 맞지 않는 가장자리 케이스와 같은 것이지만 어쩌면 그래도 어쩌면 그것은 우리에게 그림에 대한 영감을 줄 수 있습니다 1000 드레스의 스케치 그것은 잘 작동하지 않았지만 내가 긁은 1000 드레스입니다 Met Museum 웹 사이트에서 수십만 개에 달하는 거기에서 얻을 수있는 것들과 이것으로부터 쉬운 것은 우리가 온라인으로 바로 얻을 수 있다는 것입니다 우리는 그것을 긁습니다 우리가 사용할 수없는 저작권이나 다른 것들이 있지만 실제로 사람이 직접 손으로하는 것이므로 나무는 왼쪽에 손 스케치입니다 우리는 무언가로 가장자리 추출을 수행합니다

Mathematica와 같은 또는 심지어 Photoshop으로 할 수 있다고 생각합니다 이것과 같은 것입니다 그래서 이것은 당신이 증강을 사용하는 훈련 세트입니다 400 개의 샘플이 회전하거나 크기가 조절되는 기술 이 오른쪽으로 돼지와 같은 것을 돼지에게 훈련시킬 수 있습니다 윤곽선의 그림과 질감으로 채 웁니다

Mathematica를 어떻게 사용합니까? Mathematica는 H 추출을 갖습니다 알고리즘 예 예 그리고 당신이해야 할 것은 당신이해야 할 유일한 것은 매개 변수로 조정하여 그렇습니다 요약하자면이 프로젝트의 중요성은 각 트레이닝 세트가 이미지를 변경하면 알고리즘이 완전히 달라집니다 결과적으로 코드 라인을 코딩 할 필요가 없기 때문에 쉽습니다 방금 입력 한 코드를 작성할 필요가 없으며 이것이 바로 내가 한 일입니다 프로젝트의 마지막 30 일 동안 나는 하루에 8 시간 후에 밤에 기차를 타면 깨어날 것입니다

준비가 되었으면 시도해야하며 60 %라고 말합니다 내가 어떤 종류의 것을 배우기 시작했을 때 내가 잘 해낸 것들 중 훈련 세트가 더 잘 작동했고 그때가 좀 더 재미있어지기 시작했습니다 하지만 때로는 직관적으로이 일이 내가 준 것에서 많은 패턴이 있지만 실제로 보지 못할 것입니다 꽃 이랑 같이 정말 반복적이기 때문에 반응이 빠릅니다 그림에 꽃이 어떻게 나타나는지에 대한 패턴이지만 괜찮습니다

암시 그림 이미지는 마지막으로 몇 가지를 보여주고 싶은 것을 보여줍니다 활주로와 함께 실험적인 것들 활주로는 실제로 새로운 도구입니다 cristóvão Valenzuela와 그의 팀에 의해 개발되었으며 이것은 그들이 시작한 스타트 업 나는 1 년 전에 그렇게 생각하지 않습니다 그들이하려고하는 것은 응용 프로그램이나 기계 주위에 프레임 워크를 제공하는 것입니다 잘 모르는 창조적 인 사람들을위한 올바른 제작자 학습 Python은 github 및 복제 저장소에 대해 많은 코딩에 대해 모든 일을하고 어쩌면 내가 말하는 것을 이해하지 못한다면 그게 당신을위한 것이며 그들은 쉽게 다운로드 할 수 있도록 노력하고 있습니다 컴퓨터에서 로컬로 실행하기 위해 서버에서 실행하도록 모델 또는 클라우드에서 실행하고 모델을 교육 바로 그것이 그들이 지금 만들고있는 것들 중 하나입니다 다른 아키텍처에서 새로운 모델을 쉽게 훈련시킬 수 있습니다

사실 저는 작년에 개인적으로 Christopher와 인터뷰를했습니다 그녀가 내가 재미 있다고 말한 것은 그가 가장 좋아하는 사용자 인터페이스 중 하나입니다 Spotify이고 나에게 이것은 머신 러닝의 Spotify처럼 보입니다 당신은 여기에서 볼 수 있습니다 조금 바뀌는 것 같습니다

다시하지만 이것과 비슷해 보이므로 집에서 실례합니다 이것은 PostNet 모델로 호출 할 때 새로운 작업 공간을 만드는 것입니다 이것이 비디오에서 골격을 얻는 오픈 소스 모델이라고 가정하거나 이미지를 배경으로 해당 모델을 다운로드하여 얻을 수 있습니다 실행하기 때문에 코드를 작성할 필요가 없었습니다 알고리즘은 그들이하는 일을합니다

비디오 또는 카메라에서 가져온 카메라를 JSON 형식으로 출력합니다 여기에서 렌더링하지만 JSON 형식으로 진행됩니다 다른 응용 프로그램에서 웹 사이트 또는 메뚜기 또는 그 정보를 바로 읽으려는 다른 장소 이것에 대해 똑같은 것은 타일 전송이므로 모델이 있습니다 여기 사산이나 다른 예술가들처럼 당신도 그 삶을 할 수 있고 부모님의 오래된 사진에서 찍은 사진이며 이것은 이미지를 채색하는 것입니다 웹캠에서 실시간으로 볼 수 있으므로 사진을 색칠 할 수 있습니다

그들이 만들고있는 것의 모델은 인프라와 포장입니다 모델과 오픈 소스 및 커뮤니티는 모델을 추가하여 실제로 내가 이것에서 정말 좋은 점은 그들이 액세스를 민주화하고 있다는 것입니다 나 자신에게조차도 시간을 찾기가 어렵 기 때문에 기계 학습 권리 다른 모델을 사용하는 방법을 배우십시오 예 예 예 그것은 인간의 골격에 배출됩니다 활주로가 아니에요 활주로가 열렸습니다 베타 버전이 더 잘 열렸습니다 당신은 그것을 다운로드하고 그것을 시도 할 수 있습니다 정말 멋지다 다른 두 팀원의 이름을 잊어 버렸습니다

진 코간 GN 코간은 내가 생각하지 않는 것 같아요 그는 자신이 자문위원회에 있었거나 안녕 이제 당신은 코데인 트레이 사람 코데인 기차로 이름을 얻지 못합니다 일반적인 데니 업적 그렇습니다 그들은 그들을 도와 주지만 회사에는 3 명의 핵심 인력이 있고 팀의 규모가 커지면서 또 다른 빠른 예입니다 이것은 하나의 개념입니다 저는이 모델을 보았습니다 가장자리에서 Tacey로 바로 갈 수 있다는 것을 보여 드렸습니다

스페인어 나는이 물건을 번역 할 시간이 없었으므로 여기의 개념은 하나의 도면에서 텍스처로 바로 이동하여 모델이 그리고 오늘 아침에 얘기 한 내용은 등급보다 높은 점수를 매기는 모델은 분류기에 당신은 데이지처럼 보이지 않거나 옳지 않은 것으로 보입니다 유형별로 분류 된 종류를 찾은 다음 메뚜기 다이너 모와 같은 것으로 말 그대로 이미지를 입력했을 수 있습니다 출력을 얻은 다음 분류하면 꽃처럼 보이는지 알 수 있습니다 그런 다음 생성 모델로 되돌아 가서이를 최적화하는 방법을 확인할 수 있습니다 점점 더 비슷한 꽃처럼 보이기 때문에 매번 종류의 꽃과 비슷하도록 출력을 최적화하고 있습니다

그리고 이것은 또 다른 실험이므로 이것은 때때로 직장에서 일한다는 것을 보여주기위한 것입니다 우리는 일 년에 한 번 일주일에 두 번 실험 프로젝트를 얻습니다 활주로와 함께 연주하고 스타일 전송 알고리즘 중 하나를 사용하여 실제로 작업장에있는 클러스터 인 응용 프로그램 우리 옆에있는 것은 우리 앱 중 하나의 초기 단계였습니다 3D 큐브처럼 보이지만 텍스처를 렌더링하기 위해 활주로 2에 연결했습니다 실시간 괜찮아 5 ~ 10 번 정도 속도가 빨라지지만 항상 해당 이미지의 텍스처를 생성하기 위해 활주로를 얻습니다

평범한 큐브를 사용하면 다음과 같은 모양이됩니다 붓과 유성 페인트로 연필로 그린 것입니다 다른 스타일 그게 다야 그리고 내가 이것과 함께하는 유일한 닫는 의견입니다 이미지는 이것이 또한 당신에게 가능성을 제시 할 수있는 것입니다 이미지의 렌더링 프로세스를 건너 뛰는 것을 알고 있으므로 왼쪽과 오른쪽에 텍스처가 생겼습니다 이 이미지는 시간을 절약 할뿐만 아니라 v- 레이를 지불 할 수도 있습니다

이 모델에는 스타일이 포함되어 있으므로 다른 소프트웨어의 경우 3D로 무언가를 조작하고 실시간으로 출력을 얻습니다 감사합니다 당신

Reinforcement Learning: Crash Course AI#9

안녕하세요, Jabril입니다 Crash Course AI에 오신 것을 환영합니다

키가 큰 선반에있는 항아리에서 쿠키를 얻고 싶다고 가정 해 봅시다 쿠키를 얻는 "올바른 방법"은 없습니다 어쩌면 사다리를 찾거나 올가미를 사용하거나 복잡한 풀리 시스템을 만들 수도 있습니다 이것들은 모두 훌륭하거나 끔찍한 아이디어 일 수 있지만 뭔가 효과가 있으면 달콤한 맛을 얻습니다 승리의

그리고 나는 똑같은 일을하면 또 다른 쿠키를 얻을 수 있다는 것을 알게된다 미래 우리는 시행 착오를 통해 많은 것들을 배우고 이런 종류의“행함으로써 배우다” 복잡한 목표를 달성하는 것을 강화 학습이라고합니다 소개 지금까지 Crash Course AI의 두 가지 학습 유형에 대해 이야기했습니다 :지도 학습 교사가 AI를 통해 학습에 대한 답변을 제공하고,지도되지 않은 학습을 통해 AI는 세계에서 패턴을 찾으려고 노력합니다

강화 학습은 AI 훈련을 원하는 상황에 특히 유용합니다 우리는 자신을 완전히 이해하지 못하는 특정 기술을 갖습니다 예를 들어, 나는 걷기에 능숙하지만 걷기 과정을 설명하려고 노력합니다 어려워요 대퇴골은 발과 어떤 각도를 이루어야합니까? 그리고 평균 각속도로 움직여야합니다 어려운

강화 학습을 통해 AI를 훈련시켜 복잡한 작업을 수행 할 수 있습니다 그러나 다른 기술과는 달리, 우리는 작업이 끝날 때만 기술해야합니다 그들은 성공했다가 어떻게했는지 말해달라고 부탁합니다 (이 일반적인 경우에 중점을두고 있지만 때로는이 피드백이 더 일찍 올 수 있습니다 AI가 걷는 법을 배우기를 원한다면, 둘 다 서 있으면 보상을줍니다 앞으로 나아가서 그 시점에 도달하기 위해 어떤 단계를 수행했는지 알아 봅니다

AI가 더 오래 일어나고 앞으로 나아갈수록 더 오래 걸으며 더 많은 보상을 얻습니다 그것은 얻는다 강화 학습의 열쇠가 어떻게 시행 착오인지 다시 한 번 알 수 있습니다 다시 인간에게 보상은 쿠키 또는 보드 게임에서이기는 기쁨 일 수 있습니다

그러나 AI 시스템의 경우 보상은 기본적으로“좋습니다”라는 작은 긍정적 인 신호입니다 직업”과“다시 해”! Google Deepmind는 강화 학습을 사용할 때 매우 인상적인 결과를 얻었습니다 가상 AI 시스템이 장애물 아래에서 걷고, 뛰어 내리고, 심지어 오리에게 가르치는 것을 가르치기 위해 어리석은 것처럼 보이지만 꽤 잘 작동합니다! 다른 연구원들은 실제 로봇이 걷는 법을 배우도록 도왔습니다 따라서 최종 결과를 보는 것은 매우 재미 있고 강화 목표를 이해하는 데 도움이 될 수 있습니다 배우기

하지만 강화 학습이 어떻게 작동하는지 이해하려면 새로운 언어를 배워야합니다 AI와 그들이하는 일에 대해 이야기합니다 이전 에피소드와 마찬가지로 AI (또는 에이전트)가 충실한 주제로 진행되고 있습니다 배우다 에이전트는 조금 앞으로 이동하거나 피킹과 같은 예측을하거나 행동을 수행합니다 게임에서 다음으로 최고의 움직임

그리고 현재 입력을 기반으로 조치를 수행합니다이를 상태라고합니다 지도 학습에서 / each / action 후에 우리는 다음과 같은 교육 레이블을 갖게됩니다 AI가 옳은 일이든 아니든 우리의 AI 우리는 강화 학습으로 그것을 할 수 없습니다

왜냐하면 우리는 "올바른 일"은 실제로 작업이 완전히 끝날 때까지입니다 이 차이는 실제로 강화 학습의 가장 어려운 부분 중 하나를 강조합니다 신용 할당이라고합니다 보상을받는 데 어떤 행동이 도움이되었는지 알기가 어렵습니다 (그리고 신용을 얻어야 함) 모든 행동 후에 생각하기 위해 멈추지 않을 때 어떤 행동이 AI 속도를 늦추는지를 보여줍니다

따라서 에이전트는 환경에 관계없이 잠시 동안 게임 보드, 가상 미로 또는 실제 부엌 그리고 에이전트는 보상을받을 때까지 많은 조치를 취합니다 게임을하거나 쿠키 선반을 키 큰 선반에서 가져옵니다 그런 다음 상담원이 이길 때 (또는 업무에서 성공할 때마다) 조치를 되돌아 볼 수 있습니다 어떤 게임 상태가 도움이되었고 그렇지 않은지를 천천히 알아 냈습니다

이 성찰을하는 동안, 우리는 다른 게임 상태에 가치를 부여하고 결정합니다 행동이 가장 효과적인 정책 강화 학습에서 무엇이든하려면 가치와 정책이 필요합니다 부엌에서 음식, 상자, 작은 가방, 도넛이 달린 접시를 보자고 가정 해 봅시다 그래서 제 뇌는이 각각의 값에 수치 맛 값을 할당 할 수 있습니다 상자에는 아마 6 개의 도넛이 있고, 가방에는 2가 있고, 접시에는 1이 있습니다 할당 한 값은 6, 2 및 1입니다

각각에 가치를 부여 했으므로 어떤 조치를 계획 할 정책을 결정할 수 있습니다 가지다! 가장 간단한 정책은 가장 높은 값 (6 개의 도넛 상자)으로 이동하는 것입니다 그러나 나는 그 안에 볼 수 없으며 베이글 상자가 될 수 있으므로 높은 보상입니다 그러나 높은 위험 다른 정책은 보상이 적지 만 위험이 적을 수 있습니다 맛있는 도넛

개인적으로, 나는 중간 정책을 선택하고 가방이 더 좋습니다 상자보다 내부에 도넛이 있다고 추측 할 수 있으며 1 도넛 값은 그렇지 않습니다 충분히 그것은 어휘력이 많으므로 모든 것을 기억하는 데 도움이되는 이러한 개념을 실제로 보도록하겠습니다 우리의 예는 다른 것과 함께 사용될 수있는 수학적 프레임 워크에 초점을 맞출 것입니다 기본 기계 학습 기술 John-Green-bot이 배터리를 재충전하기 위해 충전소로 가고 싶다고 가정 해 봅시다

이 예에서 John-Green-bot은 새로운 에이전트이고 회의실은 환경입니다 그는 배울 필요가있다 그가 지금 방에있는 곳에서 4 가지 가능한 행동이 있습니다 : 위, 아래, 왼쪽 또는 권리 그리고 그의 국가는 두 가지 다른 입력입니다 : 그가있는 곳, 출신지, 그리고 그는보고 이 예에서는 John-Green-bot이 전체 방을 볼 수 있다고 가정합니다

따라서 그가 움직일 때 (또는 어떤 방향 으로든) 상태가 바뀝니다 그러나 그는 위로 올라가는 것이 좋은 아이디어인지 아직 알지 못합니다 골 존-그린-봇 탐험 해보세요! 그는 배터리를 찾았으므로 보상을 받았습니다 (작은 플러스 하나) 이제 우리는 그가 밟은 길을 되돌아보고 그가 지나간 모든 세포를 줄 수 있습니다 가치-구체적으로 목표 근처에있는 사람들에게는 더 높은 가치, 더 먼 곳에있는 사람들에게는 더 낮은 가치 떨어져 이 높고 낮은 값은 강화 학습의 시행 착오를 돕습니다

그들은 다시 시도 할 때 취해야 할 더 나은 행동에 대한 정보를 에이전트에게 제공합니다! John-Green-bot을 처음 시작할 때, 그는 최대 정책을 결정하려고합니다 보상 그는 배터리로가는 길을 이미 알고 있기 때문에 그 길을 따라 걸을 것입니다 다른 +1 그러나 그것은 너무 쉽다

John-Green-bot이 매번 똑같은 길고 구불 구불 한 경로를 취하는 경우 지루한 종류 시각 강화 학습의 또 다른 중요한 개념은 착취 간의 절충입니다 그리고 탐험 John-Green-bot이 배터리에 접근하는 한 가지 방법을 알았으므로 이제 이것을 이용할 수 있습니다 항상 같은 10 가지 행동을 취함으로써 지식

그것은 끔찍한 생각이 아닙니다-그는 길을 잃지 않을 것이라는 것을 알고 그는 분명히 얻을 것입니다 보상 그러나이 10 행동 경로는 꽤 비효율적이며 더 효율적인 경로가있을 것입니다 저 밖에 따라서 착취가 최선의 전략이 아닐 수도 있습니다 일반적으로 어떤 일이 일어나는지 알기 위해 많은 다른 행동을 시도해 볼 가치가 있습니다

탐험이라고합니다 John-Green-bot이 취하는 모든 새로운 길은 최선의 방법에 대한 정보를 조금 더 줄 것입니다 보상을 받으십시오 John-Green-bot이 100 가지 작업을 탐색하고 경로를 완료 한 후 우리는 그가 간 세포의 가치를 업데이트 할 것입니다 이제 우리는이 모든 새로운 가치를 볼 수 있습니다! 탐험 중에 John-Green-bot은 지름길을 찾았으므로 이제는 경로 만 알고 있습니다

목표를 달성하기 위해 4 가지 행동을 취합니다 이는 새로운 정책 (항상 다음 조치에 가장 적합한 가치를 선택 함)이 취할 것임을 의미합니다 John-Green-bot은 목표까지이 더 빠른 길을 밟습니다 이전보다 훨씬 나아졌지 만 100 번의 행동 중에 탐험, 그는 첫 10 행동보다 / 더 / 비효율적 인 길을 갔다 시도하고 총 6 점 만 얻었습니다 John-Green-bot이 방금 100 가지 행동을 취한 첫 번째 길에 대한 지식을 이용했다면, 그는 그것을 배터리에 10 번 만들었고 10 점을 얻었습니다

따라서 탐험은 시간 낭비라고 말할 수 있습니다 그러나 우리가 새로운 John-Green-bot (4 액션을 알고있는 사람) 사이에 새로운 경쟁을 시작한다면 경로)와 더 젊고 어리석은 자아 (10 개 행동 경로를 알고있는), 100 개가 넘는 행동, 새로운 John-Green-bot은 경로가 훨씬 빠르기 때문에 25 포인트를 얻을 수 있습니다 그의 강화 학습이 도움이되었습니다! 더 나은 길을 찾고자 노력해야합니까? 아니면 더 많은 포인트를 수집하기 위해 바로 착취를 사용해야합니까? 많은 강화 학습 문제에서 우리는 착취와 탐험의 균형이 필요합니다 사람들은이 트레이드 오프를 적극적으로 연구하고 있습니다 이러한 종류의 문제는 다른 종류의 보상을 추가하면 더욱 복잡해질 수 있습니다

+1 배터리와 +3 큰 배터리처럼 또는 John-Green-Bot이 피하기 위해 배워야 할 부정적인 보상이있을 수도 있습니다 이 블랙홀 John-Green-Bot이 강화 학습을 사용하여이 새로운 환경을 탐색하게한다면, 때때로 그는 블랙홀에 빠진다 따라서 셀은 이전 환경과 다른 값을 가지게됩니다 다른 최고의 정책이 될 수 있습니다

또한 이러한 많은 문제에서 전체 환경이 바뀔 수 있습니다 자동차에 인공 지능이있어 집으로가는 데 도움이된다면 같은 길에 다른 사람들이있을 것입니다 매일 자전거, 자동차, 블랙홀 등이 있습니다 우리를 완전히 재 설계하는 건설이있을 수도 있습니다 이것은 강화 학습 문제가 더 재미있어 지지만 훨씬 더 어려워지는 곳입니다

John-Green-bot이 작은 격자를 탐색하는 방법을 배우면 배터리에 더 가까운 셀 멀리 떨어진 것보다 높은 값을 가졌습니다 그러나 많은 문제에 대해 우리는 가치 함수를 사용하여 우리가 무엇을 생각했는지를 원할 것입니다 지금까지 수행하고 수학을 사용하여 다음 움직임을 결정하십시오 예를 들어 AI가 집을 운전하는 데 도움이되는 상황에서 최적화하는 경우 안전과 우리는 우리 앞의 자동차의 브레이크 라이트를 본다 속도를 늦추십시오 그러나 거리에서 도넛 한 봉지가 보이면 멈추고 싶을 것입니다

강화 학습은 수십 년 동안 사용되어 온 강력한 도구입니다 많은 문제가 해결하기 위해서는 엄청난 양의 데이터와 시간이 필요합니다 심층 강화 학습 덕분에 최근에 정말 인상적인 결과가있었습니다 대규모 컴퓨팅 이 시스템은 방대한 환경과 수많은 상태를 탐색 할 수있어 결과로 이어집니다 AI가 게임을 배우는 것을 좋아합니다

이러한 많은 문제의 핵심에는 전진 명령과 같은 이산 기호가 있습니다 또는 게임 보드의 사각형이므로 이러한 공간에서 추론하고 계획하는 방법이 핵심 부분입니다 AI의 다음 주에는 상징적 인 AI에 대해 알아보고 그것이 시스템을위한 강력한 도구 인 방법에 대해 알아 보겠습니다 매일 사용하십시오

그때 만나 Crash Course Ai는 PBS Digital Studios와 연계하여 제작됩니다 Crash Course를 모든 사람에게 무료로 제공하려면 영원히 커뮤니티에 가입하십시오 Patreon에 로봇 동작을 제어하는 ​​다른 방법을 배우려면이 비디오를 확인하십시오

크래쉬 코스 컴퓨터 과학

Best Fit line – Machine Learning Tutorial with python

안녕하세요 여러분 테크 엔지니어링 채널에 오신 것을 환영합니다 이 비디오는 머신 러닝 튜토리얼 07입니다 회귀에 가장 적합한 라인에 관한 모든 것 우리는 주어진 회귀, 또는 가장 적합한 선을 계산하기 위해 노력하고 있습니다

파이썬의 데이터 셋 이전에는 경사를 모을 함수를 작성했습니다 이제 y 절편을 계산해야합니다 이 시점까지 우리의 코드 : 다시 말해, 최적 선의 y 절편에 대한 계산은 다음과 같습니다 b는 y 막대 광산과 같습니다

이것은 경사보다 약간 쉬울 것입니다 이것을 다른 라인에 통합하여 몇 줄을 절약 할 수 있습니다 기능 이름을 바꿉니다 best_fit_slope_and _intercept에 다음으로 b = mean (ys)-(m * mean (xs))를 입력하고 m과 b를 반환합니다 이제 우리는 다음과 같이 호출 할 수 있습니다 : m, b = best_fit_slope_and_intercept (xs, ys) 출력은 0

3 43이어야합니다 이제 데이터 라인을 만들어야합니다 y = mx + b라는 것을 상기하십시오 우리는 이것에 대한 기능을 만들 수 있습니다

고리: regression_line = [(xs의 x에 대한 (m * x) + b]] 위의 1-liner for 루프는 다음과 같습니다 x의 x에 대해 regression_line = [] : regression_lineappend ((m * x) + b) 대단한 노동의 결실을 거두자! 다음 가져 오기를 추가하십시오 matplotlib 가져 오기 스타일에서 plt로 matplotlibpyplot 가져 오기 style

use ( 'ggplot') 이것은 우리가 그래프를 만들고 그렇게 추악하지 않게 만들 수 있습니다 이제 끝 : pltscatter (xs, ys, color = '# 003F72') pltplot (xs, 회귀 _ 라인) pltshow () 먼저 기존 데이터의 산점도를 그린 다음 회귀선을 그래프로 표시합니다

마지막으로 보여주세요 따라서이 모델을 기반으로 실제로 예측하는 방법은 무엇입니까? 만든? 충분히 간단 하죠? 모델이 있고 x 만 입력하면됩니다 예를 들어, 몇 가지 점을 예측해 봅시다 predict_x = 7 우리는 입력 데이터, "기능"을 가지고 있습니다 라벨이 뭐야? predict_y = (m * predict_x) + b 인쇄 (predict_y) 출력 : 6

4 우리는 이제 우리 자신의 모델을 만드는 방법을 알고 있습니다 그러나 우리는 여전히 중요한 것을 놓치고 있습니다 : 얼마나 정확한지 우리 모델? 다음 튜토리얼에서 논의 할 주제입니다!

How machine learning is liberating creativity

나는 기계 학습과 창의성을 어떻게 든 반대되는 것으로 묘사한다고 생각합니다 머신 러닝이 광고에 미치는 영향을 오해합니다

나는 이것이 우리가 계속해서 듣는 반복되는 질문이라고 생각합니다 Photoshop이 나왔을 때 또는 데스크톱 영화 편집을 할 때 모든 사람들은 그러한 도구에 대해 걱정했습니다 창의성과 상충 될 것입니다 그러나 그것은 사실이 아닙니다 사실, 그들은 우리가 지금 가지고있는 새로운 종류의 혁신과 창의성의 물결을 만들었습니다 거의 당연하다

그리고 나는 앞으로 올 모든 도구에 대해 같은 것이 사실이라고 생각합니다 기계 학습 창의성은 다른 모든 변화에 의해 해방되고 있습니다 데이터는 창의성에 영향을 미치므로보다 간략하게 안내 할 수 있습니다 훌륭한 광고 소재는 데이터를 좋아하고 훌륭한 제작자는 제작 대신 자동화를 좋아합니다

광고는 브랜드에 맞는 생태계를 만들고 역동적 인 창의성을 그런 다음 개인을 위해 특별하고 개인적인 무언가로 렌더링 할 수 있습니다 머신 러닝은 오늘날 내가하는 일의 모든 측면을 혼란스럽게 만들고 있습니다 계획 과정에서, 우리가 시장에 대해 알고있는 것, 소비자에 대해 알고있는 것 실제로 아이디어를 만들 수 있습니다 더 많은 입력이 있기 때문입니다 따라서 기계 학습은이를 계획하는 방법을 이해하는 데 도움이 될뿐만 아니라 실제로 구현하는 데 도움이됩니다

뿐만 아니라 나는 이야기가 더 개인적이고 더 가볍고, 더 존중하고, 더 유용 할 수 있다고 생각한다 그들은 데이터 지향적입니다 데이터 중심의 광고 소재는 더 이상이 신발을 해당 신발로 바꾸지 않아도됩니다 그 가격 또는 여기에 로고 이름을 삽입하십시오 우리는 이런 종류의 기술로 훨씬 더 많은 것을 할 수 있습니다

더 인간 실제로 광고는 더 많은 데이터를 기반으로 할 때 더 인간적 일 수 있습니다

The Breakdown: Machine learning in healthcare

저는 Rajaie Batniji입니다 Collective Health의 최고 건강 책임자 저는 Sanjay Basu와 함께 있습니다

연구 및 분석 책임자 오늘 우리는 머신 러닝에 대해 이야기하고 있습니다 우리는 단어를 듣는 데 익숙해지고 있습니다 기계 학습, 어디에나 던져 그러나 과대 광고와 실제를 분리하는 것은 어렵습니다 이제 산 제이 머신 러닝에 많은 노력을 기울이고 있습니다 여기 집단 건강에

고용주는 왜 관심을 가져야합니까? 글쎄요, 저는이 분야에 많은 수사가 있다고 생각합니다 과대 광고가 많이 있습니다 불행히도 우리는 지금 과대 광고는 올바른 방식으로 구체화되지 않습니다 예를 들어 폐렴에 관한 최근의 기계 학습 기사가 있습니다 당신은 예측할 수 있습니까 천식이 있거나 천식이없는 사람 더 많은 치료 지원이 필요하십니까? 기계 학습 알고리즘은 실제로 천식 환자는 지원이 덜 필요합니다 그것은 매우 반 직관적이었습니다

사람들이 알고리즘을 수행하는 것으로 나타났습니다 훌륭한 컴퓨터 과학자들이 시스템에 대한 전문 지식이 없었습니다 그들이 연구하고있는 병원이 천식 환자 자동 분류 집중 치료실에 그래서 그들은 기본적으로 심사 프로토콜과 잘못된 추론 우리는 머신 러닝 문헌에서 많은 것을보고 있습니다 당신은 우리가 어떻게 구축하고 있는지에 대해 약간의 작업을합니다 핵심 제품에 대한 머신 러닝 집단 건강

우리가 기술을 어떻게 사용하고 있는지에 대해 조금 이야기 할 수 있습니까? 네 우리는 약간 백업하고 말 했어요 실제 문제가 무엇인지 봅시다 새로운 기술을 보지 않고 그냥 붙일 무언가를 찾으려고 노력했습니다 우리는 대신에 "고객과 회원이 직면하고있는 주요 문제는 무엇입니까?" 지금 가장 큰 것 중 하나는 실제로 사생활입니다 우리는 의료 데이터를 다루기 때문에

모든 것을 집계하고이 알고리즘을 모두 실행한다면 실제로 많은 위험이 따릅니다 그래서 우리는 문제를 머리에 두었습니다 기계 학습을 사용하는 대신에 사람들의 데이터를 채굴하기 위해 대신 기계 학습자를 사용하여 사람들의 취약점이 어디에 있는지 지적하고 그들의 프라이버시 측면에서? 저격병처럼 사용할 수 있을까요? 헬스 케어 시스템의 모든 다른 플레이어를 볼 수있는 혈통 병원에서 의사 진료실로 프라이버시 장벽을 강화할 수있는 곳을 찾으십시오 보호 수준을 높이기 위해 알고리즘을 사용 하는가? 우리가하는 두 번째 일은 연기입니다 제 3 자 객관적인 검토 자의 종류입니다 우리 연구에서하는 것 중 하나 우리는 한편으로는 고객과 회원이 있다는 것을 알고 있습니다

반면에 이러한 프로그램 파트너가 제공하는 행동 건강 서비스, 다산 의료 클리닉 등 그들은 모두 다양한 주장을한다 이러한 주장을 확인하기는 어렵습니다 그러나 우리는 실제로 주장을 볼 수있는 사람들입니다 실제로 그들이 있는지 여부를 결정할 수 있습니다 적절한 투자 수익률 계산 생식력 프로그램을보고 있다면 생식력에 더 많은 비용이 든다는 결론을 내리는 것은 매우 쉽습니다 하지만 실제로 알고 싶은 것은 추가 한 후입니다 의료 전문 지식에서 사람들은 나이가 많을 수도 있다는 것을 알고 있습니다

그들은 동반 조건이있을 수 있습니다 당신이 말할 수 있기를 원한다는 것은 비용 효율적인 솔루션과 최상의 프로토콜 사용 슬라이싱과 다이 싱뿐만 아니라 다산 서비스를받는 사람들은 비용이 더 많이 든다고 말합니다 감사합니다, 산 제이 기계 학습을 만들어 주셔서 감사합니다 버즈 단어보다 훨씬 더 The Breakdown의 최신 에피소드와 기사 당사 웹 사이트 집합체 healthcom/insights에 있습니다

우리는 당신이 조정하고 더 배우기를 바랍니다

Exabyte.io Tutorial: Predict New Properties with Machine Learning

기계 학습 자습서를 사용하여 새 속성을 예측합니다 Jobs Designer 인터페이스에서 4 개의 실리콘 원자와 12 개의 게르마늄 원자로 구성된 재료를 선택하여 가져 오십시오

그런 다음 워크 플로우 탭으로 이동하여 실리콘과 게르마늄으로 구성된 전자 재료의 전자 갭을 예측하기 위해 이전에 훈련 된 머신 러닝 모델 워크 플로우를 선택하십시오 이제 '입력'계산 단위를 검사하겠습니다 훈련 된 모델에 의해 예측되는 특성은이 장치에서 틱된 대상 특성,이 경우 밴드 갭입니다 그런 다음 작업 이름을 설정하십시오 여기서는 Si4Ge12 Band Gap ML Predict라고합니다

다음으로 작업을 저장하십시오 그런 다음 실행을 위해 선택하여 계산 대기열에 제출할 수 있습니다 작업이 완료되면 열어 최종 결과를 검사하십시오 실리콘과 게르마늄의 조성에 대한 직간접적인 밴드 갭의 예측 된 값은 결과 페이지에서 찾을 수 있으며 실험 값과 잘 일치합니다 이것으로 본 튜토리얼을 마칩니다

Machine Learning Basics | What Is Machine Learning? | Introduction To Machine Learning

Questpond의 YouTube 채널에 오신 것을 환영합니다 오늘 우리는 배울 것입니다 머신 러닝의 기본 원리

작업을 시작하기 전에 매우 중요하고 귀엽고 감동적인 댓글을 통해 사람들이 우리 채널에 넣었습니다 구체적으로 우리는 Himal 선생님으로 시작할 것입니다 당신 같은 구독자 덕분에 우리는 그러한 비디오를 만들 수 있습니다 우리는 당신과 같은 독자들로 인해 존재합니다 반품 선물로 우리는 당신에게 평생 구독을 제공하고 있습니다 네, 잘 들었습니다 당신이 우리가 가르 칠 수있는 시간까지 우리와 연결되도록 무료

다음 의견은 Priya Bist에서 나옵니다 이 비디오는이 의견을 다루어야합니다 이 비디오에서는 머신 러닝의 기본 이해 기계 학습, 기계 학습 소개로 시작합니다 알고리즘 및 교육 데이터에 대해 이야기합니다 머신 러닝의 벡터에 대해 이야기 할 것입니다 머신 러닝의 모델은 무엇입니까? 기계 학습의 입력 및 출력을 정의하는 기능 및 레이블에 대해 이야기합니다 BOW, 즉 Bag of Words에 대해 이야기하겠습니다

우리가 무엇을 시작하자 기계 학습? 기계 학습 공부의 영역이다 우리가 원하는 곳 기계 인간처럼 생각하기 인간처럼 행동합니다 이 여행 기계에서 나오는 인간에게 또는 기계 만들기 인간처럼 생각하면 적어도 두 가지가 필요합니다 하나는 일종의 사고가 필요하다는 것입니다 인간은 생각할 수 있습니다 둘째 인간은 경험이 성숙 해지고 주변에서 배웁니다 학교에서 배우다 부모로부터 배우다 등등 어쨌든 우리는 기계를 넣어야합니다 기계가 생각하게 만드는 두 가지 두 번째는 우리는 학습으로 기계가 성숙 해지는 것을 볼 필요가 있습니다

기계의 사고력은 어떤 종류의 알고리즘 우리 알고리즘을 넣어 기계의 사고력을 만들어야합니다 상황에 따라 우리는 다른 종류의 알고리즘을 가질 수 있습니다 가장 먼저 기계 학습 알고리즘이 필요합니다 그런 다음이 알고리즘 훈련 데이터를 제공합니다 그들을 훈련시킬 것입니다 경험 부분은 알고리즘에 일종의 훈련 데이터를 제공함으로써 가져옵니다

하나는 알고리즘 사고입니다 그리고 훈련 데이터를 제공함으로써 우리가 할 수있는 경험 또는 성숙 된 힘 컴퓨터는 숫자 만 이해합니다 우리가 제공 할 때 숫자는 매우 쉽게 훈련됩니다 그러나 텍스트, 오디오, 비디오 및 이미지가 있다면 우리는 그것들을 변환해야합니다 형식의 종류 그리고 것들 번호 그 숫자는 벡터 머신 러닝 데이터가있는 경우 순수한 숫자는 매우 쉽습니다 그러나 우리가 어떤 종류의 텍스트를 가지고 있다면 오디오, 이미지 또는 어떤 종류의 문서 문서를 숫자로 변환해야하며 이것을 벡터라고합니다

벡터는 숫자의 모음입니다 우리는 알고리즘이 있습니다 우리는 알고리즘을 훈련하고 있습니다 그리고 그렇게함으로써 우리는 경험 알고리즘을 가지고 있습니다 이 경험 알고리즘을 모델이라고합니다 모델은 알고리즘입니다 어떤 종류의 경험으로 훈련 데이터에서 얻은 것입니다 모델은 가장 중요한 부분입니다 모든 머신 러닝 프로젝트

머신 러닝 프로젝트부터 시작하려면 가장 먼저 우리 마음에 와야한다 우리는 하루 종일 어떤 모델을 기대하고 있습니까? 모델 수단 훈련 된 알고리즘 어떤 종류의 훈련 데이터를 사용하여 기계를 훈련시킬 때 우리는 그 훈련 데이터를 기능 및 레이블 이러한 기능 및 레이블은 입력 및 출력입니다 기능 입력 라벨이 출력됩니다 기능이란 무엇입니까? 특징은 중요한 특성입니다 이것은 텍스트에서 추출되어 기계가 배우고 자하는 물건, 사물, 실체 또는 무엇이든 설명합니다 빨강, 둥글고 달콤하다고 말할 수 있습니다 이 레드, 라운드 및 스위트를 볼 때 기계에 알려줍니다 그것이 애플이라고 생각하십시오

원뿔 모양이 보이면 노랗고 나뭇결 그것이 옥수수라고 생각하십시오 노란색, 달콤하고 육즙이 보이면 망고라고 생각하십시오 피처는 입력이며 레이블은 기계가 해당 피처에 대해 생각하기를 원하는 것입니다 교육 데이터를 제공 할 때마다 기능 및 레이블 측면에서 제공해야합니다 논의했듯이 기능은 머신 러닝에서 매우 중요한 부분입니다

우리는 할 수있는 메커니즘이 필요합니다 교육 데이터에서 기능을 추출합니다 누군가는 텍스트 형식으로 교육 데이터를 제공합니다 오디오 형식 또는 비디오 형식 우리는 어떻게 든 그 텍스트에서 기능을 추출해야합니다 나중에 기능에 레이블을 지정해야하며 이는 기계에 대한 교육 입력이 될 것입니다 사용할 수있는 많은 시간이 테스트 된 메커니즘이 있습니다 기능을 추출합니다

사용 가능한 가장 간단한 메커니즘은 BOW-단어의 가방 단어의 가방 개념이다 또는 자유 텍스트에서 기능을 추출 할 수있는 프로세스 Bag of Words는 단순화 된 표현입니다 큰 텍스트 문서에 대한 단어 우리는 텍스트 두 줄 문장이 있습니다 오늘은 야채 요리하는 법을 배웁니다 야채를 요리하려면 먼저 씻어야합니다

이를 위해이 두 문장을 나타내는 중요한 단어를 추출 할 수 있습니다 오늘 추출했습니다 배우고 요리하십시오 야채와 세척 단어의 가방은 실제로 문법을 확인하지 않습니다 또는 단어의 위치를 ​​확인하십시오 중요한 단어를 추출하려고합니다 중 하나 과정은 그것은 중지 단어를 피하려고 시도합니다 우리는 그런 동사를 많이 가질 수 있습니다

문서의 표현을 단순화하지 못할 수도 있습니다 중지 단어를 적용 할 수 있습니다 우리가 우리의 의지, 방법, 방법을 추출하지 않는 것처럼 우리는 이것에 의해 정지 단어를 교차시킬 수 있습니다 우리는 그 두 개의 라이너 텍스트로부터 중요한 단어만을 추출 할 수 있습니다 Bag of Words의 일부 중 하나 우리가하는 일은 우리는 또한 아니오를 얻으려고 노력합니다

발생 이 문서에서는 요리가 두 번 발생했습니다 그래서 우리는 또한 아니오를 적어 두었습니다 발생 나중에 이 중요한 단어 모음은 숫자 즉 벡터로 변환 할 수 있습니다 기계에 공급 그런 다음이 기능에 라벨을 붙입니다 기계가 훈련받을 수 있도록 Bag of Words는 텍스트를 단순화 한 표현입니다

아니 발생 그러나 문법이나 단어가 처음에 오는 곳 또는 마지막에 오는 곳은 고려하지 않습니다 비디오의 끝을 알려줍니다이 비디오에서는 다음과 같은 중요한 기본 사항을 이해하려고했습니다 기계 학습, 알고리즘, 교육 데이터, 벡터, 모델, 기능, 레이블, BOW 등의 기본 사항 기계 학습의 다음 단계로 우리는 당신이 볼 것을 권장합니다 파이썬 비디오

화면에 우리는 번쩍였다 파이썬 1 시간의 튜토리얼 이 튜토리얼을 살펴보면 파이썬에 익숙해야합니다 대단히 감사합니다! 행복한 학습