전소미 NEWS: 김기덕 사건 피해 여배우 "비참하다..억울함 풀어달라"(입장전문)

김기덕 사건 피해 여배우 "비참하다억울함 풀어달라"(입장전문) 김기덕 감독 / 사진=스타뉴스   김기덕 감독이 여배우 폭행 혐의로 벌금 500만원 형에 약식 기소된 가운데 피해 여배우 A씨가 기자회견에 나서서 비참함과 억울함을 호소했다 영화감독 김기덕 사건 공동대책위원회는 14일 오전 10시30분 서울 한국성폭력상담소에서 김기덕 감독에 대한 검찰의 약식기소 및 불기소 처분에 대해 규탄하는 기자회견을 열었다 피해 여배우 A씨는 이 자리에서 장문의 입장을 발표하고 자신의 억울함을 풀어달라고 밝혔다 기자회견에 참석했지만 모습을 드러내지는 않은 A씨는 입장문을 통해 저는 4년 만에 나타나 고소한 것이 아니다

이 사건은 고소 한 번 하는데 4년이나 걸린 사건이라며 사건 직후 2개월 동안 거의 집 밖에도 못 나갈 정도로 심한 공포에 시달렸다고 트라우마를 호소했다 또 A씨는 저는 최종까지 김기덕 감독님과 의견 조율에 최선을 다했고, 결과적으로 저와의 촬영 중단을 결정한 건 김기덕 감독님이라며 저는 무책임하게 촬영장 무단이탈을 하지 않았다고 강조했다 그는 악플러를 조사하다 자신보다 15년 넘게 데뷔가 늦은 후배 여배우임을 확인하기까지 했다며 정말 비참하다 그들에 비하면 저는 명성도 권력도 아무 힘도 없는, 사회적 약자다 게다가 저는 사건의 후유증으로 배우 일도 접었다고 토로했다

A씨는 이어 검찰은 다시 한 번만, 한 번만 더, 사건의 증거들을 살펴봐 주셔서 이 억울함을 풀어 주시길 간절히 부탁드린다라고 덧붙였다 한편 여배우 A씨는 2013년 개봉한 영화 뫼비우스의 촬영장에서 김기덕 감독으로부터 뺨을 맞고, 시나리오에 없는 상대 남자 배우의 성기를 잡도록 강요당하는 등 부당한 대우를 당했다며 김기덕 감독을 폭행과 강요, 강체추행치상 명예훼손 혐의 등으로 고소했다 이후 지난 7일 사건을 맡았던 서울중앙지검 형사6부는 김기덕 감독 A씨의 빰을 세게 내리치며 폭행한 부분에 대한 혐의를 인정, 폭행죄로 벌금 500만 원에 약식 기소했다 그러나 기타 A씨가 고소한 강요, 강제추행치상 명예훼손 혐의에 대해선 증거불충분으로 혐의없음 불기소 처분을 내렸다 피해 여배우의 입장 전문

피해자 발언 저는 오랜 고민 끝에 두렵고 떨리는 마음으로 오늘 이 자리에 나왔다 저는 4년 만에 나타나 고소한 것이 아니다 이 사건은 고소 한 번 하는데 4년이나 걸린 사건이다 사건 직후 2개월 동안 거의 집 밖에도 못 나갈 정도로 심한 공포에 시달렸다

2013년 6월 한국여성민우회 여성연예인인권지원센터에 피해를 알렸다 바운도 했고 변호사도 만났고 심리 상담 치료도 시작했다 하지만 무고 위험이 있다는 이유로 사건은 진행되지 않았다 이후 영화계 변호사분, 지인 분들을 찾아가 도움을 적극적으로 요청했지만 세계적인 감독을 상대로 고소하는 것이 승산있겠냐, 화는 나겠지만 그냥 잊으라는 조언이 대부분이었다 잊으려고 노력했다

하지만 외상 후 스트레스 장애, 트라우마란 것은 그렇게 쉽게 지워지는 것이 아니다 여성을 대상으로 한 폭행, 성폭력사건뉴스 기사를 접할 때마다 저는 당시의 사건이 떠올라 고통을 겪는다 심지어 누가 제 앞에서 손만 올려도 저는 당시의 폭행 충격이 떠올라 참을 수 없는 불쾌감에 시달린다 제가 외상 후 스트레스 장애 판정을 받은 것은 2017년도로 사건 발생 4년 후다 이에 강제추행치상으로 고소한 것이 타당하냐 묻는 분들도 계신다

당시 저는 정신과에 다니면 진료 기록이 평생 남을까 두려워 병원에 가질 못했다 병증을 겪고 있어도 정신과 질환은 당장 출혈이 있거나 거동이 불편한, 치료의 다급성을 요하는 경우가 아니기에 몇 년씩 방치되는 경우가 흔하다 저는 지난 4년을 수치심과 억울함 속에서 방치된 채 보냈다 녹취파일이 공개되면 아시겠지만 2013년 사건 발생 직후 저는 즉시 김기덕 감독님의 대리인 역할을 해 온 김기덕 필름 관계자 분께 사전협의 없이 강제로 남자 배우의 성기를 잡게 한 것과 폭행 등에 대한 문제제기를 했다 당시 김기덕 감독님은 시나리오에 없는 것을 찍은 것에 대해 미안하다, 앞으로 절대 즉석에서 임의로 만들어서 찍지 않겠다, 심지어 대본까지 고쳐주겠다고 하셨다

그런데 잠시 뒤 김기덕 필름 관계자는 갑자기 말을 바꿔 감독님이 저에게 화가 났다 돈을 조금 줄 테니, 이미 찍은 촬영분만 쓰거나 그것도 싫음 촬영을 접을 수밖에 없다 둘 중 하나 선택하라고 통보했다 저는 최종까지 김기덕 감독님과 의견 조율에 최선을 다했고, 결과적으로 저와의 촬영 중단을 결정한 건 김기덕 감독님이다 저는 무책임하게 촬영장 무단이탈을 하지 않았다

그럼에도 불구하고 김기덕 필름 측은 언론에 배포한 공식 보도자료에서 제가 일방적으로 출연을 포기하고 연락을 끊었다 3회 차 촬영에서 오전 10시까지 기다려도 제가 오지 않자 피디가 저의 집 근처까지 와, 수차례 현장에 나올 것을 요청을 했지만, 제가 끝내 현장에 나오지 않았다는 구체적인 거짓말을 했고, 그의 스태프 역시 아시는 바대로 지난 8월 SNS를 통해, 여배우가 잠적했다는 등의 거짓을 유포했다 녹취파일 마지막 부분, 저는 스태프가 저로 인해 잔금을 못 받을까 걱정 돼 그들이 잔금을 모두 받았는지 확인하는 녹취록까지 있는데 이게 어떻게 제가 잠적한 것입니까 도대체 세계적인 김기덕 감독님이 무명의 힘없는 배우인 저에게 이렇게까지 하시는 이유가 과연 무엇입니까 사건이 공론화된 후 저는 많은 악플에 시달렸다

그중 저를 가장 고통스럽게 한 사건을 마지막으로 말씀드리며 호소문을 마치겠다 한 달 가까이 반복해서 저의 실명과 신상을 인터넷에 유포하는 건 물론이고 언론에 제 신상을 제보하자는 협박에 가까운 댓글을 단 네티즌이 있었다 경찰조사가 진행되자 그 네티즌은 제게 연락을 해 왔고, 저는 그분의 신상을 알고 소스라치게 놀랐다 그 분은 저보다 최소 15년 이상 데뷔가 늦은, 후배 영화 배우였다 저는 그 분과 일면식도 없는 사람이다

오히려 그 분은 김기덕 감독님과 인연이 있는 분이었다 정말 비참하다 그들에 비하면 저는 명성도 권력도 아무 힘도 없는, 사회적 약자다 게다가 저는 사건의 후유증으로 배우 일도 접었다 같은 여자 연기자로서 어떻게 이렇게까지 할 수 있는지, 제가 영화계의 힘 있는 유명 배우였어도 그런 수모를 제게 줄 수 있는지, 그 여성 배우에게 묻고 싶다

또한 저와 함께 촬영현장에서 함께 연기했던 모 배우는 어떤 분이 촬영하다 나갔다는 얘기만 들었다 나조차 그 분을 직접 뵌 적이 없다는 왜 굳이 이런 거짓 인터뷰를 할 수밖에 없는지 저는 그 개인을 탓하고자 하는 것이 아니다 저는 이 분들과 원한 관계에 있지 않다

아니 개인적으론 알지도 못하는 분들이다 그럼에도 불구하고 왜 거짓말하며 이렇게까지 제게 가혹한 짓을 하는지 저는 납득이 되지 않는다 검찰은 다시 한 번만, 한 번만 더, 사건의 증거들을 살펴봐 주셔서 이 억울함을 풀어 주시길 간절히 부탁드린다 이상입니다 김현록 기자 roky@mtstarnews

com

[영화감독 김휘근] 소년, 세상을 향해 뿔을 드러내다

저는 촬영 감독 김휘근입니다 오늘 만나서 반가워요 영화 <호른을 든 소년>을 감독했습니다 영화와 함께 부산 독립 영화제에서 처음 수상 Noidentity International Action Film Festival Spain에 초대되었습니다 인간이 자신의 질병을 치료하기 위해 기꺼이 무엇을하는지에 관한 것입니다

인간의 뿔을 먹는 것이 어떤 질병을 치료할 수 있다는 말을 듣고, 뿔이있는 소년을 쫓는 질병을 앓고있는 캐릭터의 액션 영화입니다 군 복무 중 휴가 동안 영화 <Raison>을 촬영했습니다 나는 군대에서 자유 시간 동안 <뿔을 가진 소년>의 대본을 썼다 마지막 방학 동안 생산을 시작했습니다 나는 TV에서 배우를 한 번 보았고 그 이후로 영화에 출연하기를 원했습니다 그래서 마지막 방학 첫날에 인사동에서 만나서 역할을 맡기로 동의했습니다 그의 이름은 최일선이며 헌터를 연기했다 그리고 그 장면은 나에게 강한 인상을 주었다 여기있어 나는 손으로 시나리오를 작업했었다 브레인 스토밍지도 전체적인 흐름과 구성에 도움이됩니다 그리고 이것은 영화 제작 비용을위한 계획이었습니다 그 당시 내 일에 정말 열정적이었습니다 나는 '이러 자!'라고 썼습니다

인터넷과 컴퓨터없이 손으로 시나리오를 작업하는 것이 정말 어려웠습니다 하지만 이제는 생각 해봐 그때부터 작은 습관과 생각이 나를 오늘날의 사람으로 만들었습니다 나는 많은 것을 배웠다 그러나 나는 다시 할 필요가 없기를 바랍니다 한 번이면 충분하다 <호른이있는 소년>을 촬영할 때 사용한 GH4입니다 이 렌즈는 Voigtländer입니다 F 값은 0

95로 내려갑니다 빛없이 어두운 곳에서 촬영하는 데 도움이되는 최고의 조합입니다 어 Where 어? 여기있어 젠하이저 KE88입니까? 엄청나게 저렴한 가격으로이 마이크를 샀습니다 오디오 샵을 소유 한 노인으로부터 그는 항상 최선을 다하도록 격려했다 감사 할 수 있으면 좋겠다 엽서가 있습니다 그래도 얼굴을 볼 수는 없습니다 하나는 헌터를 연기 한 최일선입니다 권기하, 최광은 김성일, 박성원, 임지형 여기서 성균의 얼굴을 간신히 볼 수 있습니다 숲에서 촬영하기가 어렵지 않습니까? 음 숲에서 촬영하기가 비교적 쉽다고 생각합니다 도시 한가운데서 촬영하기가 더 어려웠습니다 우리는 차량 제어로 아무것도 할 수 없었습니다 또한 배우들이 숲에서 연기하는 데 집중하는 것이 더 쉬웠습니다

우리는 우리가 원하는 것을 할 수 있습니다 숲에서 다른 영화를 촬영 하시겠습니까? 잘 나는 실제로 그렇게 할 계획이다 당신이 정말 숲을 좋아하는 것 같습니다 영화는 모두 팀워크에 관한 것입니다 영화 상을 받거나 방송을 받거나 좋은 피드백을받을 때 '우리'와 '팀워크'의 의미는 저에게 정말 중요합니다

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!

아베 정권 비판 日 영화 '신문기자' 감독·PD, 14일 내한

【서울 = 뉴시스] 남정현 = 영화 '신문 기자'스 201910

07 (사진 = 더쿱 제공) na _jh@newsiscom 【서울 = 뉴시스】 남정현 기자 = 아베 정부를 비판하는 음식 영화 '신 기자'의 후지이 미치 히토 감독이 한국을 방문한 가짜 뉴스부터 댓글이 나오고, 국가가 감추려 진실이 집요하게 되었는 기자의 이야기를 다룬 화 '신문 기자'를 선택한 후지이 미치 히토 감독 카와무라 미츠 노부 PD가 14 일부터 16 일까지 미치 히토 감독은 미츠 노부 PD와 함께 다양한 식 일정을 소화하며 영화와 함께 여러 가지 이야기를 들려 줄 예정이다 더욱 내한 당일 인 14 일 제공 롯데 시네마 월드 워에서 관객과의 대화 (GV) 행사가 예정 돼있다 올해 32 세인 미치 히토 감독은 '더 이상 신을 읽을 지 모르겠다' 감독을위한 노력을 기울이십시오 영화 제작에 관한 취재를 거듭 낸 와중,와 같은,‘무지’의 상태에 대해 제기 된 내용을 얻는다 아직 느려 던 초초함과 위기감은있다

[서울 = 뉴시스] 남정현 영화 '신문 기자'스틸 20191007 (진 = 더쿱 제공) nam_jh@newsisco 일본의 현 시국과 관련해 미치 히토 감독은 '신문 기자'위치에있는 장소 됐어요 또한 미츠 노부 PD는 " '지금의 사태는 너무도 비정상적이다'라는 문제가있다

‘다양하다’,‘아니요’,‘아니요’,‘아니요 국가는 일반적으로 누구나 공감할 수있는 주제를 다룬다 가짜 뉴스부터 댓글을 통해 국가가 추려했습니다 진실을 집요하게 되었는 기자 이야기다 지난 6 월 일본에서 개봉 한이 영화는 일본 회의이면을 날카롭게 담아하면서는 평을 들었다 영화 속 스캔들이 아베 총리가 연루된 사학 스들과 닮아 일본 사회에서 큰 반향을 일으십시오 배우 심은경이 주연을 맡았다 심은경은 일본 아버지와 한국인 어머니를 둔 기자 '요시오카 에리카'를 연기한다 17 일 개봉 nam_jh@newsiscom

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

[부산영화제]히로카즈 감독 "한일관계, 이럴 때 영화인들은 연대해"

【서울 = 뉴시스】 조수정 기자 = 영화 '어느 족'으로 칸 영화제 201807

30 chocrystal@newsiscom 【부산 = 시스】 남정현 기자 = 고레에다 히로카즈 감독님, 한일 관계가 있었다, 제 24 회 부산 국 영화제 5 일 부산 해운대구 신세계 백화점 센텀시티 점에 제 24 회 부산 국제 영화제 슬라이드 프레젠테이션에 청화 된 '파비안느에 관한 진실' 행사가 영화의 기회를 지키는 고레에다 히로카즈 감독입니다 히로카즈 감독은 "5 년 정도 전에 부산 영화가있다 마지막 전 세계 영화인들이 부산 영화제에 대한 지 음성을 냈어요 저도 아직 미력 하나마 목소를 냈고, 연대 그런 영화를 보냈을 때 부산 영화제까지 그 문제를 해결하는 데 도움이 될 것입니다 그러나이 자리에 도달 "라고 말했다

'파 안느에 관한 진실'전설적인 여배우가 자신의에 대한 회고록을 발간하면서 그녀와 딸 사이 프랑스 영화계의 대스타 '파비안느'(까뜨린느 뇌브)는 그녀를 사랑하고 찬미하는 남자들, 새 연인과 전 남편 그리고 그녀의 매니저 사이에서 여왕처럼 군림한다 '파비안느'가 자서전 출국을 앞둔 어느 날, 거기에 어머니와 함께 떠나는 딸 뤼미에르 (줄리엣 비노쉬) 모녀의 재회는 곧 격렬한 대립으로 치닫는 다 한편, 히로카즈 감독은 제 24 회 부산 국제 영화에서 올해의 아시아 영화 인상을 제기 올해의 아시아 영화 인상은 매해 아시아 영화 산업과 문화 발전에있어 nam_jh@newsiscom

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