CheckMATE RPA Features – CheckBox Image Status Checker (Machine Learning) [자막]

CheckMATE RPA Features CheckBox Image Status Checker (Machine Learning) 머신러닝 기반의 체크박스 상태 검증을 제공합니다 이미지 영역만 지정해주면 Radio Button와 Check Box가 선택되어 있는 지 안되어 있는 지 알 수 있습니다

어떤 종류라고 할 지라도 가능합니다 감사합니다

Machine Learning – CS50 Podcast, Ep. 6

발표자 : CS50입니다 [음악 재생] 데이비드 말란 : 안녕하세요

CS50 팟 캐스트입니다 제 이름은 David Malan입니다 저는 CS50의 Colton과 함께 있습니다 Brian Yu는 없습니다 브라이언 유 : 안녕하세요

데이비드 말란 : 오늘날 콜튼은 더 이상 여기에있을 수 없었습니다 그는 서쪽으로 향했다 하지만 CS50의 Brian Yu가 정말 기뻐합니다 이제 머신 러닝에 대한 토론을 위해 우리와 함께 최근 Facebook에서 가장 많이 제기 된 주제입니다 CS50이 실시한 여론 조사

그럼 바로 뛰어 들자 요즘 머신 러닝은 모든 곳에서 사용됩니다 미디어 등 그러나 나는 정말로 내 자신의 마음을 감쌌는지 확신하지 못한다 기계 학습과 인공 지능과의 관계 입니다

상주 전문가 인 Brian은 저와 모든 사람들의 속도를 높일 수 있습니까? 브라이언 유 : 물론입니다 기계 학습은 때때로 어려운 주제입니다 정말 머리를 감 쌉니다 왜냐하면 다양한 형태와 형태로 제공됩니다 하지만 일반적으로 머신 러닝을 생각할 때 컴퓨터가 작업을 수행하는 방식이라고 생각합니다 일반적으로 작업을 수행 할 수 있도록 컴퓨터를 프로그래밍 할 때 우리는 매우 명백한 지시를하고 있습니다

그리고 이것이 사실이라면, 그렇게하세요 예를 들어 for 루프를 사용하는 경우가 많습니다 그러나 머신 러닝에서 우리가하는 일은 컴퓨터를주는 대신 무언가를하는 방법에 대한 명백한 지시, 대신 컴퓨터에 방법에 대한 지침을 제공합니다 스스로 무언가를하는 법을 배웁니다 따라서 작업 수행 방법에 대한 지침을 제공하는 대신 우리는 컴퓨터를 배우는 법을 배웁니다 그리고 어떤 종류의 작업을 수행하는 방법을 알아내는 방법

데이비드 말란 : 그리고 머신 러닝에 대해 들어 본 것 같습니다 인공 지능, 인공 지능, 거의 항상 같은 호흡에 그러나 둘 사이에 차이가 있습니까? 브라이언 유 : 네 인공 지능이나 인공 지능은 일반적으로 조금 더 넓습니다 컴퓨터가 합리적으로 행동하는 상황을 설명하는 데 사용됩니다 또는 지능적으로

기계 학습은 컴퓨터를 얻는 방법입니다 패턴을 통해 합리적으로 또는 지능적으로 행동 데이터로부터 배우고 경험으로부터 배울 수 있습니다 그러나 지능적으로 행동 할 수있는 인공 지능의 형태는 확실히 있습니다 예를 들어 컴퓨터가 실제로 배울 수 있어야하는 것은 아닙니다 데이비드 말란 : 알겠습니다 인공 지능, 인공 지능, 특히 30 년에서 40 년이 아니라면 특히 20 년 이상 또는 로봇 장치가있을 때마다 마찬가지로 인공 지능은 한동안 우리와 함께있었습니다 그러나 나는 기계 주위에 꽤 윙윙 거리는 느낌이 듭니다

특히 요즘 학습 최근 몇 개월, 최근 몇 년 동안 무엇이 바뀌 었습니까? CS50의 학생들 사이에서도이 여론 조사의 맨 위에 놓으십시오 BRIAN YU : 예, 몇 가지 사항이 변경되었습니다 하나는 데이터 양의 증가에 불과합니다 데이터가 많은 대기업에 액세스 할 수 있습니다 기기를 사용하고 웹 사이트를 이용하는 인터넷 사용자, 예를 들어

회사가 액세스 할 수있는 많은 데이터가 있습니다 머신 러닝에 대해 이야기 할 때 머지 않아이 머신 러닝 알고리즘이 작동하는 방식을 많이 볼 수 있습니다 데이터가 많을수록 이해하고 시도하고 분석 할 수있는 예를 들어, 예측을하거나 결론을 도출하기 위해 데이비드 말란 : 그렇다면 공정하게 말하면, 네트워킹과 하드웨어에 더 친숙하기 때문에 우리가 사용할 수있는 디스크 공간이 훨씬 많기 때문에 기계가 작동 할 수있는 높은 CPU 속도와 우리가 지금 계산 능력을 가지고 이것을 구동 무엇 이 질문에 대답하기 위해? 브라이언 유 : 네, 물론입니다 나는 그것이 큰 기여 요인이라고 말할 것입니다

데이비드 말란 : 우리가 그 길을 따라 가면 알고리즘이 실제로 근본적으로 점점 어떤 시점에 컴퓨터가 너무 대담 해지면서 오히려 더 똑똑해 지거나 그들이 너무 많은 단계를 생각할 수 있도록 빨리 현재 문제에 대한 설득력있는 답변을 더 빨리 내놓을 수 있습니다 예를 들어 인간보다? 브라이언 유 : 네, 좋은 질문입니다 그리고 우리가 지금 가지고있는 알고리즘은 꽤 좋은 경향이 있습니다 그러나 많은 연구가 진행되고 있습니다 머신 러닝에서 이러한 알고리즘을 개선하려고 노력했습니다 지금은 꽤 정확합니다

같은 양의 데이터가 주어지면 더 정확하게 만들 수 있습니까? 또는 데이터가 적더라도 알고리즘을 만들 수 있습니까? 효과적으로 효과적으로 작업을 수행 할 수 있습니까? 데이빗 말란 : 알겠습니다 글쎄요, 저는 인공 지능이나 기계 같은 느낌이 듭니다 내가 자랐거나 알고 있거나 들었던 학습 항상 게임과 관련이있었습니다 마찬가지로 체스는 큰 것이 었습니다 몇 년 전 Google이 게임을 통해 큰 인기를 얻었음을 알았습니다 언어가 아니라 비디오 게임이 더 일반적입니다

예를 들어, "CPU"에 대해 80 년대에 재생하고 싶었다면 인용, 인용, 나는 그 당시 대부분 무작위로 확신합니다 그러나 확실히 몇 가지 게임이 있었다 실제 위치보다 더 정교합니다 컴퓨터를 이길 수 없거나 컴퓨터를 이길 수있는 선택한 설정에 따라 이런 종류의 게임은 언제 구현됩니까? 인간이 노는 컴퓨터가 있습니까? BRIAN YU : 예,이 지역은 매우 발전했습니다 30 년 전에 지난 수십 년 동안 아마도 상상할 수 없었을 것입니다 예를 들어 컴퓨터가 체스에서 인간을 이길 수 있다는 것입니다 그러나 이제 최고의 컴퓨터는 최고의 인간을 쉽게 이길 수 있습니다 그것에 대해 의문의 여지가 없습니다

이 작업을 수행하는 방법 중 하나는 알려진 기계 학습 형태를 통하는 것입니다 강화 학습으로 그리고 이것의 아이디어는 단지 컴퓨터가 경험으로부터 배우게하는 것입니다 체스를 잘하도록 컴퓨터를 훈련 시키려면 시도하고 당신에 대한 지침을 줄 수 있습니다 전략을 인간으로서 생각하고 컴퓨터를 말하는 것 그러나 컴퓨터는 당신만큼 좋을 수 있습니다

하지만 강화 학습에서 우리가하는 일은 컴퓨터가 많은 체스 게임을하게합니다 컴퓨터가 없어지면 그 경험을 통해 배울 수 있습니다 해야 할 일을 알아 낸 다음 앞으로는 그 일을 줄이십시오 컴퓨터가 이기면 그 위치에 도달하기 위해 무엇이든 더 많은 일을 할 수 있습니다 컴퓨터가 수백만을 플레이한다고 상상해보십시오 그리고 수많은 게임

결국이 지능을 쌓기 시작합니다 작동하는 것과 작동하지 않은 것을 아는 것 앞으로 더 나아질 수있는 미래에 이 게임을 할 때 데이비드 말란 : 이것도 인간과는 다른 것입니다 그리고 만약 인간이라면 강화할 곳에서 동물이나 애완 동물을 길들여 보았습니다 좋은 행동은 나쁜 행동처럼 긍정적이고 부정적으로 강화합니까? 그것은 본질적으로 우리가 컴퓨터로하는 일입니까? 브라이언 유 : 예, 같은 아이디어에서 영감을 받았습니다 컴퓨터가 일을하거나 일을 할 때 사람들이 실제로 컴퓨터라고 부르는 것은 컴퓨터에 보상을줍니다

그리고 컴퓨터가 제대로 작동하지 않으면 패널티가 있습니다 보상을 극대화하기 위해 컴퓨터 알고리즘을 훈련 시키면됩니다 그 보상이 체스 게임이나 로봇의 승리와 같은 결과인지 여부 일정한 속도로 움직일 수 있습니다 결과는 충분한 훈련을 통해 실제로 작업을 수행 할 수있는 컴퓨터가 생깁니다 데이비드 말란 : 매혹적인

요즘 다른 유행어처럼 느껴집니다 어쨌든 도시가 컴퓨터 과학을 사용하는 스마트 시티 소프트웨어를보다 정교하게 사용합니다 이런 종류의 강화를 사용할 수도 있습니다 심지어 우리의 세상에서 신호등을 배우고 있습니까? 브라이언 유 : 예 그래서 신호등은 전통적으로 타이머로 제어됩니다 특정 시간 (초) 후에 신호등이 전환됩니다 하지만 최근에는 AI 제어 신호등과 같은 성장이있었습니다 레이더와 카메라에 연결된 신호등이있는 곳

그리고 실제로 자동차가 다른 곳에서 접근하고 있습니다 하루 중 몇 시간이 다가오는 경향이 있습니다 AI 트래픽을 훈련하는 것처럼 시작할 수 있습니다 빛을 예측할 수있는 전등을 바꾸고 신호등을 조정해야 할 수도 있습니다 시도하기 위해 도시의 여러 교차로에서 조명을 순서대로 뒤집는 가장 좋은 방법을 알아냅니다 사람들이 그 교차로를 빠르게 통과 할 수 있도록합니다 데이비드 말란 : 정말 매력적입니다

내가 캠브리지에 있었기 때문에 신호등에서 멈췄습니다 그리고 주변에 아무도 없습니다 그리고 당신은 그것이 센서 또는 타이머를 통해 통지 할 수 있기를 바랍니다 또는 그것이 무엇이든간에 이것은 가장 효율적으로 사용되지 않습니다 누군가의 시간처럼

그렇게 완벽하게 적응할 수 있다는 것은 정말 놀랍습니다 하지만 AI의 관계는 무엇입니까 인간이 길을 가로 질러 밀었던 버튼 내가 읽은 다양한 것들에 따르면 실제로 위약이며 실제로는 아무것도하지 않으며 어떤 경우에는 전선에도 연결되어 있지 않습니다 브라이언 유 : 나는 실제로 확실하지 않다 나는 그들이 위약일지도 모른다고 들었습니다 또한 엘리베이터 닫기 버튼도 그것을 누르는 위약

그리고 때로는 실제로 작동하지 않습니다 데이비드 말란 : 예, 나는 그것을 읽었지만 반드시 그런 것은 아닙니다 권위있는 출처 누군가가 보여준 사진이 있습니다 문 닫기 버튼이 떨어졌습니다 그러나 그 뒤에 아무것도 없었다 이제는 포토샵 일 수있었습니다

그럼에도 불구하고 나는 이것에 대한 증거가 있다고 생각합니다 브라이언 유 : 그럴 수도 있습니다 AI가 발생하고 있다고 생각하지 않습니다 하지만 저는 사람들에 대한 심리학이라고 생각하고 사람들을 만들려고합니다 누르는 버튼을 제공하여 기분이 좋아집니다

데이비드 말란 : 길을 가로 질러 달릴 때 버튼을 누르십니까? BRIAN YU : 보통 길을 건너고 싶을 때 버튼을 누릅니다 데이빗 말란 : 이것은 우리 모두에게 보일 것 같은 큰 사기입니다 브라이언 유 : 버튼을 누르지 않습니까? 데이비드 말란 : 아니요, 그럴 경우 어떻게해야합니까? 실제로는 정말 만족 스럽습니다 매사추세츠 주 케임브리지의 몇 곳 버튼이 합법적으로 작동하는 곳 길을 건너려면 버튼을 누르십시오

05 초 안에 빛이 바뀌 었습니다 세상에서 가장 힘을 실어주는 느낌 그런 일은 절대 일어나지 않기 때문입니다 엘리베이터에서도 반 시간을 밀면 아무 일도 일어나지 않습니다 또는 결국 그것은 매우 긍정적 인 강화입니다 신호등이 바뀌는 것을 볼 수 있습니다

나는 신호등이 결과적으로 매우 잘 행동합니다 더 최근에는 컴퓨터 인 것 같습니다 어떤 종류의 기술은 제가 필기 인식과 같은 어렸을 때 존재했습니다 손바닥 조종사가 일찍 있었는데 인기있는 PDA 또는 개인 디지털 비서와 같이 Android 및 iPhone 등이 있습니다 그러나 필기 인식은 기계 학습에 가장 큰 문제입니다 브라이언 유 : 네, 물론입니다

그리고 이것은 아주 좋은 곳입니다 최근에 아이 패드를 사용하기 시작했습니다 필기 메모를 할 수 있다는 것은 놀라운 일입니다 그러나 내 응용 프로그램을 사용하면 텍스트로 검색 할 수 있습니다 필기를보고 텍스트로 변환합니다

모든 것을 검색 할 수 있습니다 매우 강력합니다 그리고 이것이 지금 자주 작동하는 방식 많은 데이터에 액세스하는 것입니다 예를 들어 컴퓨터를 훈련시키고 싶다면 수표의 숫자와 같이 손으로 쓴 숫자를 인식 할 수 있도록 실제로 지금 입금 할 수 있습니다 내 뱅킹 앱은 수표를 디지털로 입금 할 수 있습니다 기계 학습 알고리즘을 제공하면됩니다 전체 데이터, 기본적으로 전체 사진 사람들이 그린 필기 숫자 실제 숫자와 관련된 레이블입니다

컴퓨터는 여기에 나오는 많은 예에서 배울 수 있습니다 필기체가 있고 여기에 필기체가 있습니다 여기 손으로 쓴 3 개가 있습니다 새로운 필기 숫자가 나오면 컴퓨터는 그 이전 데이터를 배우고 말합니다 이것은 이것들처럼 보입니까, 아니면 둘처럼 보입니까? 그리고 그 결과로 평가할 수 있습니다

데이비드 말란 : 그래서 우리 인간은 때때로 어떻게 그 작은 보안 문자를 채우고 그들이 우리에게 요구하는 웹 사이트, 인간, 그들에게 무슨 말을하는지 알려줄까요? 브라이언 유 : 예 보안 문자가 컴퓨터를 증명하려는 아이디어의 일부 사실 당신은 인간입니다 그들은 당신이 인간임을 증명하라고 요구하고 있습니다 그래서 그들은 컴퓨터가 어려움을 겪을 수있는 작업을 제공하려고합니다 예를 들어 이러한 이미지 중 어떤 이미지가 있는지 식별하고 예를 들어, 신호등이 그 안에 있습니다

요즘에는 컴퓨터가 꽤 좋아지고 있지만 머신 러닝 기술을 사용한다는 그들 중 어느 것이 신호등인지 알 수 있습니다 데이비드 말란 : 예, 그렇습니다 그렇게 생각합니다 브라이언 유 : 그리고 사람들이 그것에 대해 이야기하는 것을 들었습니다 행동하지 않습니다

이것이 사실이라면 이 보안 문자의 결과를 사용하여 실제로 머신 러닝을 훈련시킬 수 있습니다 어떤 이미지를 선택할 때 알고리즘 거기에 신호등이 있고 알고리즘을 훈련하고 있습니다 예를 들어 자율 주행 차에 동력을 공급하는 등 이미지에 신호등이 있는지 더 잘 평가할 수 있도록 이 데이터를 점점 더 많이 제공하기 때문에 컴퓨터가 그릴 수 있습니다 그래서 우리도 그 말을 들었습니다 데이비드 말란 :이 알고리즘이 아마도 인간이 일하는 방식과 매우 유사합니다

당신과 내가 텍스트를 인쇄하는 방법을 배웠을 때 또는 필기체는 교사가 단지 하나의 정식 문자 A 또는 B를 보여줍니다 또는 C 그럼에도 불구하고 분명히 방 안에있는 모든 아이들은 아마도 A 또는 B 또는 C를 조금 다르게 그리는 것입니다 그럼에도 불구하고 우리 인간은 그것이 충분히 가깝다는 것을 알고 있습니다 그렇다면 컴퓨터가 실제로 그런 일을하는 것처럼 공정한가요? 그들은 무엇인가를 배우고 있습니다

그런 다음 변형을 견딜 수 있습니까? 브라이언 유 : 네, 아마 그 문제 일 것입니다 기계 학습에 대한 영감 중 하나 컴퓨터가 잘하는 유형의 사람들이 잘하는 유형 매우 다른 경향이 있습니다 그러나 컴퓨터는 복잡한 계산을 쉽게 수행 할 수 있습니다 우리가 어려움을 겪을 때 그러나 사진에서 그것을 식별하는 것과 같은 문제는 예를 들어 하늘에 새가 있습니까? 그것은 오랫동안 컴퓨터가 정말로 힘들어하는 일입니다 반면에 어린이는 하늘을보고 쉽게 말할 수 있습니다

거기에 새가 있다면 데이비드 말란 : 아, 방금 말하려고했을 것입니다 승인 이것이지도 학습이고 필기 인식의 경우 이 우산에 해당하는 다른 유형의 응용 프로그램은 무엇입니까? BRIAN YU : 예, 필기 인식 의미에서 감독되기 때문에 감독 된 학습으로 계산 알고리즘에 데이터를 제공 할 때 필기 숫자와 마찬가지로 해당 데이터에 대한 레이블도 제공합니다 말하자면, 이것이 1 위입니다 2 위입니다

그렇게하면 컴퓨터는 그로부터 배울 수 있습니다 그러나 이것은 사방에 나타납니다 예를 들어 이메일 스팸 필터와 같은 스팸 인 이메일을 자동으로 탐지 스팸 사서함에 넣는 방식도 동일합니다 기본적으로 컴퓨터에 전자 메일을 제공합니다 컴퓨터에 좋은 이메일 인 실제 이메일이라고 말합니다

여기에 스팸 이메일 인 다른 이메일이 있습니다 그리고 컴퓨터는 스팸의 특성과 특성을 배우려고합니다 새 이메일이 도착하면 컴퓨터는 다음에 대한 판단을 할 수 있습니다 이것이 스팸이 아닌 것으로 생각됩니까, 아니면 스팸 이메일이라고 생각합니까? 그래서 당신은 그것을 그렇게 분류 할 수 있습니다 따라서 이런 종류의 분류 문제는 큰 영역이며 감독됩니다

데이비드 말란 : 그리고 Gmail을 사용하면 무슨 일이 일어나고 있는지, 이메일을 클릭하여 스팸으로 신고합니다 예를 들어, Gmail을 구별하는 데 도움이되도록 훈련하고 있습니까? 브라이언 유 : 예 이를 컴퓨터에 대한 강화 학습의 한 형태로 생각할 수 있습니다 경험으로부터 배우기 데이비드 말란 : 좋은 소년 브라이언 유 : 컴퓨터에 문제가 있다고 말해요

그리고 앞으로 더 나아질 수 있도록 노력할 것입니다 어떤 이메일이 스팸인지 더 정확하게 예측할 수 있도록 말한 내용에 따라 스팸이 아닌지 그리고 Gmail에는 너무 많은 사용자와 많은 이메일이 있습니다 이 작업을 매일 충분히 수행 할 때받은 편지함에 들어옵니다 그리고 알고리즘은 이메일의 스팸 여부를 파악하는 데 능숙합니다 또는 아닙니다

데이비드 말란 :받은 편지함이 어떻게 든 지각력을 발휘한다는 것은 약간 오싹합니다 자,지도 된 학습이 있다면 나는 추정합니다 감독되지 않은 학습도 있습니다 있습니까? 브라이언 유 : 네, 절대적으로 있습니다 따라서지도 학습에는 데이터에 레이블이 필요합니다 그러나 때로는 데이터에 항상 레이블이있는 것은 아닙니다

그러나 여전히 데이터 세트를 가져 와서 컴퓨터에 제공하려고합니다 컴퓨터가 그것에 대해 흥미로운 것을 말하게합니다 이에 대한 일반적인 예로 소비자 분석을 할 때 예를 들어 아마존이 고객을 이해하려고 할 때 아마존은 모든 다른 카테고리의 고객을 알지 못할 수도 있습니다 있을 수 있습니다 따라서 이미 레이블을 제공하지 못할 수 있습니다 그러나 고객 데이터 전체를 알고리즘에 제공 할 수 있습니다

알고리즘은 고객을 유사한 그룹으로 그룹화 할 수 있습니다 예를 들어 구매할 가능성이 높은 제품 유형에 따라 그리고 당신은 얼마나 많은 그룹이 있는지 미리 알지 못할 수도 있습니다 또는 그룹이 무엇인지 그러나 알고리즘은 사람들을 클러스터링하는 데 상당히 도움이 될 수 있습니다 다른 그룹으로 따라서 클러스터링은 비지도 학습의 큰 예입니다

꽤 흔합니다 데이비드 말란 : 철저한 검색과 다른 점은 무엇입니까? 특정 속성을 가진 모든 고객에게 라벨을 붙이면 구입 한 시간, 구입 한 시간, 구입 한 빈도 기타 등등? 이건 정말 이차적 인 문제가 아닌가 모든 고객의 습관을 다른 모든 고객과 비교하는 곳 습관, 그리고 당신은 철저하게 할 수 있습니다 공통점이 무엇인지 알아? 왜 이것이 그렇게 똑똑한가? BRIAN YU : 알고리즘을 생각해 낼 수 있습니다 예를 들어, 두 특정 고객이 서로 얼마나 가까이 있는지 예를 들어, 그들이 공통으로 구매 한 물건의 수와 관련하여 또는 특정 제품을 구매할 때? 하지만 다른 사용자가 많다면 모두 약간 다른 습관을 가지고 있고, 일부 사람들은 다른 그룹과 공통점이 있지만 다른 특성을 공유하지 않습니다 일반적으로 전체 사용자 기반을 그룹화하는 것이 까다로울 수 있습니다 의미있는 다양한 클러스터로 구성됩니다 그리고 감독되지 않은 학습 알고리즘 당신이 실제로 어떻게 할 것인지 알아 내려고 노력하고 있습니다

그 사람들을 클러스터 데이비드 말란 : 흥미 롭습니다 승인 그래서 이것은 방사선과, 특히 요즘에 알고있는 것들에 해당됩니다 컴퓨터는 실제로 필름을 읽을 수있을뿐 아니라 엑스레이 및 기타 유형을 읽을 수 있습니다 인체 이미지

그들은 실제로 종양과 같은 것들을 식별 할 수 있습니다 그들이 찾고있는 종양의 종류를 모른 채 브라이언 유 : 예 비지도 학습의 한 가지 적용은 이상 탐지와 같습니다 일련의 데이터가 주어지면 어떤 것이 변칙적으로 두드러집니다 그리고 그것은 많은 의료 응용 프로그램이 있습니다 예를 들어 의료 검진이나 이미지가 많이 있다면 컴퓨터가 모든 데이터를 보도록 할 수 있습니다 제대로 보이지 않는 것을 알아 내려고 시도하십시오

의사가 다시 한 번 살펴볼 가치가 있습니다 잠재적으로 건강상의 문제가있을 수 있기 때문입니다 똑같은 유형의 기술과 재무를 많이 볼 수 있습니다 어떤 거래가 있는지를 감지하려고 할 때 예를 들어 사기 거래 수많은 거래 중 예외를 찾을 수 있습니까? 눈에 띄는 것은 다른 것과는 다릅니다 그리고이지도되지 않은 학습 알고리즘 데이터 세트에서 이러한 이상 항목을 선택하는 데 매우 효과적 일 수 있습니다

데이빗 말란 : 어떤 종류의 알고리즘이 사기 경보를 발동합니까? 거의 매번 나는 일을 위해 신용 카드를 사용하려고했습니다 BRIAN YU : 그 중 하나가 실제로 무슨 일인지 모르겠습니다 외부에있는 경우 신용 카드에서 알림을받는 경우가 많습니다 당신이 일반적으로있는 지역의 하지만 알고리즘이 작동하는 방식에 대한 자세한 내용은 나는 당신에게 정말로 말할 수 없었습니다 데이비드 말란 : 흥미 롭습니다

우리가 일을 위해 여기를 여행 할 때의 일반적인 좌절 자, 감독되지 않은 학습에 대해 설명했듯이 재미있었습니다 10 년, 15 년 전에 실제로 박사 학위 논문을하고있었습니다 보안에 관한 짧은 이야기, 구체적으로 인터넷 웜의 갑작스런 발생을 소프트웨어로 감지하는 방법, 한 컴퓨터에서 다른 컴퓨터로 확산 될 수있는 악성 소프트웨어 우리가 당시에 취한 접근법은 실제로 시스템 호출에서-저수준 함수 그 소프트웨어는 Windows PC에서 실행되고있었습니다 시스템 전체에서 해당 시스템 호출의 공통 패턴을 찾으십시오 그리고 그것은 단지 몇 년 후 그 논쟁의 여지가 있지만 나에게만 일어난다

이 작업을 수행하기 위해 팀에서 수행 한 작업 실제로 기계 학습의 한 형태였습니다 그 당시에는 그만한 가치가 없었습니다 우리가하고있는 일은 기계 학습이었습니다 그러나 저는 머신 러닝을 회상 적으로 알고 있다고 생각합니다 브라이언 유 : 예, 아마 요

요즘은 아무거나 복용하는 것이 너무나 흔한 일이되었습니다 기계 학습을 통해 더 멋진 사운드 또는 더 시원하게 만듭니다 실제로보다 데이비드 말란 : 예 그리고 저는 통계를 수집하는 것을 기본적으로 데이터 과학이라고합니다 아마도 과장된 것입니다

그래도 트렌드에 대한 모든 분노는 마치 자율 주행 차와 같습니다 사실 다른 권위있는 Reddit 사진을 인용 할 수 있다면 제가 생각하기에 실제로 국가 뉴스를 만들었습니다 사람들이 문자 그대로 잠을 자도록하는 인공 지능에 관한 것 차 바퀴 뒤에? 브라이언 유 : 글쎄요, 사람들이 아직 그렇게해야한다고 생각하지는 않지만- 데이비드 말란 :하지만 결국은 그렇습니다 브라이언 유 : 글쎄 자율 주행 기술이 더 나아질 것입니다

하지만 지금 우리는 위험한 중산층에 있습니다 자동차는 점점 더 많은 일을 자율적으로 수행 할 수 있습니다 그들은 스스로 차선을 바꿀 수 있습니다 그들은 자신의 차선을 유지할 수 있습니다 예를 들어 공원을 나란히 배치 할 수 있습니다 소비자는 적어도 그 자리에 있지 않습니다

바퀴를 완전히 무시할 수있는 곳 그들 스스로 가자 그러나 많은 사람들이 자동차를 그렇게 할 수있는 것처럼 취급하고 있습니다 그리고이 반 자율 차량에는 확실히 위험한시기입니다 데이비드 말란 : 그리고 당신이 평행 주차를 언급 한 것은 재밌습니다 당신과 컴퓨터 사이의 경쟁에서 더 나은 주차를 할 수있는 당신은 생각하십니까? 브라이언 유 : 컴퓨터가 평행 주차에서 나를 이길 것입니다

캘리포니아에서 운전 면허증을 받았습니다 그리고 병렬 공원 학습은 캘리포니아 운전 시험에 없습니다 그래서 나는 그것에 대해 테스트되지 않았습니다 부모님의 도움으로 어쩌면 몇 번이나 해봤습니다 그러나 내가 매우 편안하게 느끼는 것은 아닙니다 데이비드 말란 :하지만 캘리포니아와 샌프란시스코에 갈 때 기분이 언덕이 많은 도시에서는 대각선으로 주차하는 것이 일반적입니다

연석에 대항하기 때문에 그 자체로는 물리적으로 평행하지 않습니다 아마도 언덕 아래로 굴러가는 자동차의 위험이 줄어 듭니다 하지만 캘리포니아의 다른 평평한 지역에서 나는 평행 공원을 여행 할 때 절대적으로 있습니다 그래서 어떻게 이런 일이 아닌가? [LAUGHS] 내 말은, 그것은 일반적입니다 사람들은 평행 공원을합니다

테스트에는 필요하지 않습니다 그래서 사람들은 필요할 때 항상 배웁니다 하지만 운전 면허증을받은 직후에 나는 대학을 위해 전국을 가로 질러 매사추세츠로 이사했다 그래서 대학에 도착한 후에는 전체를 운전하는 기회 그래서 난 정말 많은 운전을하지 않았다

데이비드 말란 : 저는 매우 편안하다고 말했습니다 몇 년 동안 평행 주차 도로 오른쪽에 주차 할 때 물론 미국에서는 왼쪽으로 운전하기 때문입니다 그러나 일방 통행 거리와 같은 경우에는 나를 던집니다 모든 광학 장치 때문에 왼쪽에 주차해야합니다 조금 벗어났습니다

감사합니다 테슬라와 같은 자율 주행 차는 요즘 인용 된 예와 같습니다 그 문제에 대한 입력과 출력, 더 구체적으로 만들기 위해 자동차가 내린 결정은? 브라이언 유 : 예 입력이 두 개 이상의 넓은 범주 일 것입니다 하나의 입력은 자동차 주변의 모든 감각 정보 이 차에는 센서와 카메라가 너무 많아서 어떤 물건과 물건이 주변에 있는지 감지하려고합니다

그 모든 것을 알아 내려고 노력했습니다 두 번째 입력은 아마도 인간이 입력 한 목적지 일 것입니다 사용자가 아마도 자동차의 컴퓨터에서 일부 장치를 입력하고있는 곳 그들이 실제로 가고 싶어하는 곳 그리고 결과는 컴퓨터 나 자동차가 가스를 밟을시기에 대한 모든 결정을 내릴 수 있습니다 바퀴를 돌리는 시점과 그 모든 행동 당신을 A 지점에서 B 지점으로 데려 가야합니다 이것이이 기술의 목표입니다

데이비드 말란 : 매혹적인 길에서 누군가를 만나는 것이 정말 무섭습니다 차의 바퀴를 잡고 있지 않습니다 이것은 아마도 캘리포니아에 관한 것입니다 그러나 다른 주에서는 분명히 이것을 실험하고 있습니다

또는 다양한 주에있는 회사가 있습니다 그래서 내 차는 차가 너무 길어서 차 안에 스크린이 없습니다 그것은 단지 저와 많은 유리 거울입니다 2019 년에도 여전히 마음이 아파요 LCD 만있는 렌터카 나 친구의 차에 타십시오 후면에 녹색, 노란색, 빨간색 표시 차에 너무 가까워지면 신호음이 울립니다

무언가를 감지하고 경고음이 울릴 때 기계 학습 예를 들어 주차하려고 할 때? 글쎄, 난 당신이 모르는 것 같아요 브라이언 유 : [LAUGHS] 내 생각 엔 기계 학습이 아닐 것입니다 아마도 아주 단순한 논리 일 것입니다 어떤 센서를 통해 거리가 무엇인지 감지하고 시도하십시오 거리가 일정량보다 작 으면 그런 다음 경고음이나 그와 비슷한 것

머신 러닝을 사용하여 시도해 볼 수 있습니다 하지만 아마도 간단한 휴리스틱이 이런 종류의 일에 충분할 것입니다 내 추측이 될 것입니다 데이비드 말란 : 그렇다면 사람들은 소프트웨어의 경계에 대해 어떻게 생각해야합니까? 그냥 ifs이고 그렇지 않으면 ifs와 조건 기계 학습과 같은 루프 어떤 종류의 일이 일어 납니까? 브라이언 유 : 예 공식적으로 표현하기가 어려울 때 라인이 온 것 같아요 단계가 정확히 무엇인지

그리고 운전은 공식적으로 설명하려는 복잡한 작업입니다 모든 특정 상황에 대한 단계가 정확히 무엇인지 불가능하지는 않더라도 엄청나게 어려울 것입니다 그래서 당신은 정말로 의지하기 시작해야합니다 다음과 같은 질문에 대답 할 수있는 머신 러닝 신호등이 내 앞에 있습니까? 그리고 신호등이 녹색입니까 빨간색입니까? 그리고 내 앞에 몇 대의 차가 있으며 어디에 있습니까? 이것들은 단지 프로그래밍하기가 어려운 질문이기 때문에 방금 주어진 모든 것에 대한 결정적인 대답 자동차 앞의 센서가 보는 픽셀 데이비드 말란 :이 기술도 마찬가지입니다 요즘에는 항상 듣는 기기의 유행에 시리와 같이 구글과 알렉사? 예를 들어, 저는 회사가 상대적으로 쉽다고 생각합니다 잘 정의 된 명령을 지원하기 위해 유한 단어 또는 문장 세트 도구 만 이해하면됩니다

그러나 AI가 등장하거나 기계 학습이 등장합니까? 무한한 언어를 지원하고 싶을 때 영어 나 다른 언어처럼? 브라이언 유 : 예 자연어 처리에 관해서는 내가 말한 단어가 주어지면 그것이 무엇을 의미하는지 알아낼 수 있습니까? 그리고 그것은 자주 사용하게 될 문제입니다 의미를 알아볼 수있는 머신 러닝 그러나 사전 정의 된 명령을 사용하더라도 매우 제한된 수의 고정 명령 만 지원하는 컴퓨터를 상상해보십시오 우리는 여전히 음성으로 명령을 내립니다 따라서 컴퓨터는 여전히 소리를 번역 할 수 있어야합니다

마이크가 들고있는 공기 속에서 실제 단어로 일반적으로 머신 러닝도 관련되어 있습니다 소리를 낼 수있는 것은 간단하지 않기 때문에 다른 사람들이 말하기 때문에 단어로 변환 다른 속도로 또는 약간 다른 악센트가 있습니다 약간 다른 방식으로 말할 것입니다 그들은 무언가를 잘못 발음 할 수 있습니다 그리고 컴퓨터를 훈련 시켜서 단어가 무엇인지 알아 내고, 까다로울 수도 있습니다 데이비드 말란 : 그렇다면 필기 인식과 비슷한 점이 있습니까? 그게 공정한가요? 브라이언 유 : 아마

컴퓨터를 제공하여 컴퓨터를 훈련시키는 것과 비슷한 방법으로 할 수 있습니다 컴퓨터 소리를내는 데있어 많은 소리와 그에 해당하는 것 모든 데이터에서 배울 수 있습니다 데이비드 말란 : 왜 Google과 대화 할 때마다 어떤 곡을 연주하고 싶은지 모르겠습니다 BRIAN YU : [LAUGHS] 글쎄,이 기술은 아직 진행 중입니다 이러한 기술이 향상 될 수있는 여지가 많이 있습니다

데이비드 말란 : 외교관입니다 브라이언 유 : [LAUGHS] 내 말은, 시리가 내 전화로 반 시간은 말이야 내가 요청하려고하는 것을 정확하게 얻지 못합니다 데이비드 말란 : 아, 저보다 훨씬 나빠요 3 분 동안 타이머 설정처럼 자신있게 타이머를 설정할 수 있습니다

물이나 뭔가 끓는다면 그러나 나는 그 이외의 다른 용도로는 거의 사용하지 않습니다 브라이언 유 : 예, 타이머가 가능하다고 생각합니다 예를 들어, 빠른 텍스트를 보내야한다면 누군가에게 메시지를 보내려고 했어요 내가 공항에 10 분 안에있을 거라고 엄마 한테 문자 해 그러나 그때조차도 그것은 매우 맞거나 그리워합니다 데이비드 말란 : 글쎄요, 다른 날에도 구두로 문자 메시지를 보냈습니다 하지만 난 그냥 오디오를 내보냈어요 전사 능력에 대한 확신이 거의 없다 요즘 이러한 장치 중 브라이언 유 : 예

이제 iPhone과 마찬가지로 음성 메일을 녹음하려고 시도합니다 또는 적어도 시도 할 수 있도록 시도해보십시오 음성 사서함을 탭하고 음성 메시지를 확인하십시오 음성 사서함에 포함되어 있습니다 그리고 나는 정말 도움이되지 않았습니다

그러나 그것은 몇 마디처럼 될 수 있습니다 그리고 아마 나는 일반적인 의미를 얻을 것입니다 그러나 실제로 의미를 얻는 것은 충분하지 않습니다 음성 메일을 듣기가 어렵습니다 데이비드 말란 : 모르겠다

나는 그것이 실제로 나에게 충분히 유용한 유스 케이스라고 생각한다 내가 누구에서 왔는지 또는 메시지의 요지를 모을 수 있다면 실제로 실시간으로들을 필요가 없습니다 그러나 발신 메시지를 보낼 때의 문제 나는 바보처럼 보이고 싶다 그들은 Siri 또는 다른 기술 때문에 완전히 일관성이 없었습니다 나를 제대로 번역하지 않습니다

승인 하지만 내가 가진 꿈은 적어도 내가 좋아하는 책 중 하나 더글러스 애덤스의 히치하이커 가이드 은하, 그 책에서 가장 놀라운 기술은 당신이 귀에 넣는 작은 물고기 인 바벨 피쉬라고합니다 그리고 그것은 어떻게 든 모든 말을 번역합니다 본질적으로 자신의 모국어로 듣고 있습니다 그래서 우리는 다른 인간과 대화 할 수있는 능력에 얼마나 가깝습니까? 같은 언어를 사용하지 않고 그 사람과 완벽하게 대화합니까? 브라이언 유 : 나는 우리가 그것과는 거리가 멀다고 생각합니다 내 생각에 Skype는이 기능이 있거나 적어도 시도 할 수있는 곳에서 개발 한 기능입니다

실시간 번역과 비슷합니다 비디오를 본 것 같아요 데이비드 말란 : 영어로 누군가와 성공적으로 대화조차 할 수 없습니다 Skype에서 브라이언 유 : 예 데모가 꽤 좋다고 생각합니다 그러나 나는 그것이 상업적으로 아직 이용 가능하지 않다고 생각합니다

그러나 번역 기술이 향상되었습니다 그러나 그것은 여전히 ​​좋지 않습니다 가끔 내가 보는 YouTube 동영상 중 내가 좋아하는 유형 중 하나 노래를 부르고 노래를 부르는 사람들이 다른 언어로 번역하고 다시 영어로 번역합니다 가사는 완전히 엉망이되어 이 번역 기술은 의미에 가깝기 때문에 그러나 그것은 완벽하지는 않습니다 데이비드 말란 : 영어로 연산자를 연주하는 것과 같습니다

누군가에게 무언가를 말하고 누군가에게 무언가를 말하고 그들은 누군가에게-누군가에게 말합니다 그리고 당신이 원을 돌아 다닐 때까지 그것은 당신이 원래 말한 것이 아닙니다 브라이언 유 : 네, 어렸을 때 그 게임을했다고 생각합니다 우리는 전화라고 생각합니다 우리는 그것을 운영자라고 부릅니까? 데이빗 말란 : 예

아니요, 실제로 전화라고도합니다 운영자가 관여 했습니까? 힌트가 필요하면 연산자를 호출하십시오 아니면 BRIAN YU : 연주 할 때 힌트를 얻지 못한 것 같습니다 데이비드 말란 : 아니요, 운영자의 말에 힌트 기능이 있다고 생각합니다 그리고 아마도 당신 옆에있는 사람이 다시 말하거나 무언가를 말해야 할 것입니다 아마 이것도 연주한지 오랜 시간이 지났을 것입니다 매혹적인

설명 해줘서 고마워 머신 러닝에 대해 조금 더 자세히 설명하겠습니다 사람들이 ML에 대해 더 배우고 싶다면 Google에 무엇을 제안 하시겠습니까? 브라이언 유 : 예 기본적으로 오늘날 우리가 이야기했던 키워드를 찾을 수 있습니다 기계 학습을 찾아 볼 수 있습니다 하지만 좀 더 구체적으로하고 싶다면 강화 학습 또는지도 학습 또는 비지도 학습을 조회 할 수 있음 배우기

특정 기술이 있다면 필기 인식과 같이 구체적으로 볼 수 있습니다 또는 자율 주행 차 사람들이 이용할 수있는 많은 자료가 있습니다 이 기술에 대해 이야기하고 그리고 그들이 어떻게 작동하는지 데이비드 말란 : 굉장합니다 고마워 CS50 팟 캐스트의 기계 학습이었습니다

Brian과 나와 팀에 대해 좋아할 주제에 대한 다른 아이디어가있는 경우 토론하고 탐색하려면 podcast@cs50harvardedu로 이메일을 보내주십시오 제 이름은 David Malan입니다 브라이언 유 : 저는 브라이언 유입니다

데이비드 말란 : 그리고 이것은 CS50 팟 캐스트입니다

Machine Learning and Product Design with Dr. Ethan Pancer – Sobey School Summer of Research

내가 정말 중점을 둔 연구 분야는 외모에 기초한 판단이며 시각 정보 처리 따라서 컴퓨터가 새로운 제품을 살펴볼 수 있습니까? 시각적으로 보이는 방식을 기반으로하고 실제로 사람들과 그것을 할 것입니다, 그것은 시장에서 기회가 있습니까? 사람들의 입수 이런 것들에 대한 평가는 중요하고 그들의 감정을 얻기 때문에 실제로 우리가 관심을 갖고 있지만 실제로하기가 어렵습니다

비싸고 시간이 많이 걸리고, 그것을 얻는 것은 정말 어렵습니다 넓은 관점 우리가 실제로 이것을 합성 할 수있는 방법이 있다면 시장에 많은 가치를 부여하는이 프로세스를 자동화 신제품 연구 컴퓨터 비전 알고리즘을 사용하면 이 프로세스를 자동화하고이 데이터를 그것이 어떻게 분류되는지, 우리가 이것에 얼마나 확신하는지 볼 수 있습니다 분류

그리고 이것은 몇 초 안에 완료 될 수 있습니다 할 수있다 수천 개의 서로 다른 디자인 반복에 대해 비용을 절감 할 수 있습니다 백 달러보다 우리가이 프로젝트에서 사용하는 것은 Google과 Google의 Cloud Vision은 다음을 수행 할 수있는 인터페이스입니다 시각적 이미지를 기반으로 정보를 추출합니다

누구와 함께 놀고 싶어 소프트웨어를 사용하면 데스크톱에서 이미지 중 하나를 가져 와서 소프트웨어에 대한 의견을 즉시 제공합니다 카테고리 용어 및 해당 분류에 대한 확신 그래서 우리는 우리는 그 정보가 카테고리에서 무엇인지에 관한 정보를 취하는가? 관점, 그 분류에 얼마나 자신감이 있는지 그리고 그것이 정보는 실제로 자금이 조달 될지 예측합니다 얼마나 많은 사람들이 지원할 것인가 실제로 모금 목표를 달성 할 것입니다 그리고 그것은 일종의 종이의 초점 우리가 새로운 것에 대해 생각할 때의 모호성의 개념 제품

제품은 우리가 전통적으로 생각하는 것에 맞을 수 있습니다 그래서 이 야구 모자를 보면 마치 야구 모자 인 것 같아요 야구 모자의 전통적인 마커를 기반으로합니다 아니면 새로운 기술 제품 스마트 폰을 볼 수 있는데 이것이 스마트 폰처럼 보입니다

그러나 만약 다른 기능, 다른 디자인 관점, 다른 시각적 요소를 추가 단서, 당신이 할 수있는 것은 실제로 소비자를 볼 수 있습니다 이 일이 무엇인지 이해하고 선의 투쟁 나쁜 점이 있으며 문헌에는 이것에 대한 혼합 증거가 있습니다 너무 극단적 인 소비자가 "나는 이것을 이해하지 못한다, 나는 그것을 원하지 않는다" 그러나 약간의 모호성을 추가하면 디자인 관점에서 약간의 흥분 카테고리 유추, 당신이 할 수있는 것은 흥분을 강화하는 것입니다 여러 카테고리 추적이 있으므로 여러 카테고리에 연결 우리가 생각하는 특정 카테고리가 아닌 다른 것들 "이것은 스마트 폰이라는 것을 알고 있습니다

" 그러나 우리의 데이터가 제안하는 것은 스마트 폰과 비슷하지만 약간 다릅니다 사람들이 원하는 것 지원하고보고 싶은 것은 약간 다른 것들입니다 그 흥분을 이끌어내어 확실히 이것들에 대한 식욕이 있습니다 모호성을 소개하는 제품 우리는 그들이 무엇인지 완전히 확신하지 못합니다 우리는 그들에 대해 더 배우고 싶습니다

그래서 그것은 일종의 연구의 테이크 아웃 균형을 찾는 것은 깔끔합니다 새로운 제품 개발을 위해 플레이 할 수있는 곳으로 알고리즘을 통해 최적의 범위가 무엇인지 평가할 수 있습니다 뭐 실제 가치는이 분류 또는 분류를 보는 것입니다 조금만 조정하면 실제로 조금 더 만들면 접근성, 그렇지 않은 경우 좀 더 혁신적으로 만들면 그것이 무엇인지 이해하면 실제로 얼마나 증가합니까? 당신이 모금하는 금액? 더 긍정적 인 피드백을 얻을 가능성이 있습니까? 시장? 더 많은 사람들이 자금을 조달 할 것인가, 더 많은 사람들이 그것을 구매할 것인가? 우리가 점점 가까워지고있는 곳입니다 이것이 첫 번째 단계 중 하나입니다

그렇게 할 수 있습니다 이것이 우리에게주는 것은 정말 흥미로운 전략입니다 통찰력 처음에는 약간 다르게하고 싶을 수도 있습니다 이 다른 신호를 통해 자금을 조달하고 사람들을 선상으로 데려 갈 수 있지만 이러한 기능 중 일부를 꺼내려는 시장에 출시합니다 하나입니다 그 반 직관적 인 발견의

당신은 생각한다면 이러한 것들은 소비자에게 이해가되어야합니다 그러나 이것들은 물건이 아닙니다 사람들이 돌아오고 싶어합니다 그들은 당신이 지원하고자하는 것이 아닙니다 특히 새로운 기술 공간에서 이번이 처음입니다 실제로 기계 학습을 수행하여이 생성 플랫폼에서 수천 가지의 디자인 반복을 생각해 내고 실제로 움직입니다 시장의 실제 상황을 측정 할 수있는 직관적 인 의미로 이러한 다양한 유형의 옵션에 응답합니다

K Vecinos más Cercanos – Práctica | #41 Curso Machine Learning con Python

여러분 안녕하세요, 채널의 새로운 비디오에 오신 것을 환영합니다 오늘 우리는 실용적인 부분을 보게 될 것입니다 가장 가까운 K 이웃 알고리즘 중 주어진 데이터에 따른 유방암

그러나 프로그램을 시작하기 전에 빨간 버튼으로 채널을 구독하도록 초대합니다 아래에있는 동영상을 놓치지 마세요 또한 이론에 관한 이전 비디오를 보지 못한 경우 권장합니다 Scikit Learn 라이브러리를 사용하여이 알고리즘을 구현하는 방법을 잠시 멈추십시오 이 비디오와 당신은 그들이 설명 할 내용을 이해하기위한 기초이기 때문에 그들을 보러갑니다 이것에서 이 비디오의 링크는 설명 상자에 있습니다

이제이 비디오부터 시작하겠습니다 이 프로젝트에서는 유방암 데이터 세트를 계속 사용하거나 scikit 학습 라이브러리에서 사용 가능한 BreastCancer 이것은 회귀 알고리즘의 실제 부분에 사용하는 것과 동일한 데이터 집합입니다 여기에서 물류는 데이터를 가져 와서 해당 데이터의 전처리를 수행합니다 이러한 이유로 우리는 K 이웃 알고리즘을 구현하는 방법에만 초점을 맞출 것입니다 더 가까이

이 경우 해당 컨텐츠에 게시 된 정보를 볼 것을 권장합니다 이 프로젝트의 첫 번째 부분을 수행하는 방법에 대해 더 알고 싶습니다 이 시점에서 이미 데이터와 데이터에 해당하는“X”데이터를 분리했습니다 목표에 해당하는 "and"의 결과로, 훈련에서 데이터를 분리해야합니다 이것을 테스트하기 위해 우리는 sklearn에서 모듈 train_test_split을 가져 와서 적용합니다 각 분리를 수행합니다 이것으로 모델 개발을 시작할 준비가되었습니다 이런 이유로 우리는 수입 “skelarn

neighbors”에있는 알고리즘은 KNeighborsClassifier를 가져옵니다 이 작업이 완료되면 알고리즘을 정의하고 여기에서 구성하면 "k" 이웃의 수가 5와 같으면 메트릭은 "minkowski"이고 "p"는 이 두 요소의 조합은 알고리즘을 나타냅니다 유클리드 거리를 사용하여 이웃 사이의 거리를 확인합니다 이것은 위에서 설명했다 이것들을 보면 알고리즘이 구성된 기본 데이터입니다 원하는 경우이 구성을 삭제하고 괄호를 비워 둘 수는 있지만 나중에 모델을 개선하기 위해 변경하고 조정할 수 있습니다

알고리즘이 정의되면 이제 훈련 데이터를 사용하여 모델을 훈련시킵니다 그리고 테스트 데이터를 사용하여 예측합니다 계산 된 데이터와 실제 데이터를 비교하면 대부분은 일치하지만 일부는 일치하지 않지만 대부분 일치하면 언뜻보기에 모델이 잘 개발되었다고 판단 할 수 있습니다 그러나 이것이 사실인지 확인하고 혼동 행렬을 계산합시다 sklearn 메트릭의 confusion_matrix 메소드를 예측 데이터와 함께 구현합니다

실제 데이터 보시다시피, 정확하게 예측 된 데이터는 거의 없었습니다 주 대각선에있는 데이터는 정확하게 예측 된 데이터임을 기억하십시오 보조 대각선에는 오류가 있습니다 이 요소들을 추가하면 109 개의 정확한 데이터와 5 개의 잘못된 데이터 만 얻었습니다 이제 모델의 정밀도를 보도록하겠습니다

이를 위해 메트릭에서 "precision_score"를 가져옵니다 예측 및 실제 데이터와 함께 구현합니다 이 계산의 결과는 097이며 이는 상당히 수용 가능한 값입니다 이것으로 우리는이 알고리즘으로 다음과 같은 결과를 얻을 수있다

이 데이터 세트 당신이 그것을 개선하고 얻을 수 있는지 확인하려면 그것은 당신에게 달려 있습니다 더 정확한 것을 위해, 알고리즘 구성 데이터를 수정할 수 있습니다 이것으로 우리는이 분석으로 결론을 맺습니다 의견이나 의견을 남겨 주시면 기꺼이 답변 해 드리겠습니다 전체 프로그램은 웹 사이트에서 찾을 수 있습니다

같은 방식으로 블로그를 둘러 보도록 권유합니다 머신 러닝에 대한 더 많은 정보를 찾을 수 있습니다 시청 해 주셔서 감사합니다 다음 비디오에서 see겠습니다 안녕

Fallout 4 – Intro Cinematic (Colorized using AI Machine Learning) [IMPRESSIVE RESULTS]

전쟁 전쟁은 결코 변하지 않습니다

1945 년 내 위대한 할아버지, 군대에서 복무하고 그가 집에 갈 때를 궁금해했다 그의 아내에게 그는 본 적이없는 아들이었습니다 그는 그의 소원을 얻었다 미국이 제 2 차 세계 대전을 종식 시켰을 때 히로시마에 원폭 투하 나가사키 세계는 아마겟돈을 기다렸다 대신에, 기적적인 일이 일어났습니다

우리는 무기가 아닌 원자 에너지를 사용하기 시작했고 거의 무한한 권력의 근원이되었습니다 사람들은 한때 공상 과학의 영역을 생각한 사치를 즐겼습니다 가정용 로봇, 융합 – 구동 자동차, 휴대용 컴퓨터 하지만, 21 세기에 사람들은 아메리칸 드림에서 깨어났습니다 수년간의 소비로 인해 모든 주요 자원이 부족합니다

전 세계가 풀렸다 평화 먼 기억이되었습니다 지금은 2077 년입니다 우리는 총 전쟁의 위기에 서서 나는 두렵다 나 자신을 위해 내 아내 한테, 나의 유아 아들을 위해 군대에서 나의 시간이 나에게 한가지를 가르쳤다면 : 그 전쟁이야 전쟁은 결코 변하지 않습니다

[일본인디영화] 단편영화 – "HOTCHKISS" (Japanese short film – HOTCHKISS)

안녕하세요 나야 네 내일 시간 있니? 예 마사키, 내 얼굴을 기억하니? 카메라 가져와? 아직도 사용하고 있습니까? 네 연상케하는 담배 피우십니까? 담배? 나는 오래 전에 그만 뒀다

사진을 찍다 있니? 여자 친구? 아직? 아니 얼마나 유감스러운가요? 마사키 안녕하세요 나야 네 마사키, 내 얼굴을 기억하니? 기억해 마사키 단 하나의 시간이 있습니다 최고의 사진 찍기 죄송합니다

Linear Regression – Introduction to Machine Learning using Python and Scikit Learn Chapter 6 1

안녕하세요 모두 컴퓨터 소개 동영상 시리즈에 오신 것을 환영합니다

scikit을 사용하여 학습 – 이것이 6 장, 특히이 장을 배우십시오 우리는 첫 번째 기계 학습 알고리즘에 대해 이야기 할 것입니다 이 장에서 선형 회귀는 선형이 무엇인지를 이해할뿐만 아니라 회귀뿐만 아니라 기계 학습을 어떻게 호출 할 수 있는지도 이해합니다 scikit-learn에서 제공하는 기능 선형 회귀뿐만 아니라 다른 알고리즘을 사용해도 괜찮습니다 앞서서 선형 회귀는 감독 된 학습 방법이다

학습 사전 데이터에 기초하여 회귀 값을 예측하는 단계와, 선형 관계이므로 우리가 이해할 수있는이 정의에 대해 걱정하지 마십시오 이제 우리는 어떤 기계 학습 알고리즘으로 작업하기 위해 데이터가 필요합니다 밖에서 사용할 수있는 많은 데이터가 있지만이 경우에는 나는 단지 5 ~ 6 점으로 우리 자신의 데이터를 생성하기로 결정했다 선형 관계가 실제로 어떻게 나타나는지 실제로 이해하고 볼 수 있습니다 이러한 데이터 포인트와 내 기계 학습 모델이 이러한 데이터를 어떻게 처리하는지 그래서 나는이 데이터 세트를 학습을 위해 적어도 초기 학습은 데이터 세트가이 데이터 세트처럼 보이는 방식입니다

농산물에 대한 가격과 다른 위치에서의 가격 이 데이터 세트는 농부가 생산하는 농산물에 관한 것입니다 그것이 판매되는 곳과 그것이있는 곳의 거리 예를 들어 지역 농원 시장 인 농가에서 판매되는 4 대 농부들의 마일리지는 마을에서 10 달러에 살 수있는 것과 같은 것을 놓습니다 농장에서 12 마일 떨어진 곳에 있습니다 당신은 똑같은 물건을 28 달러에 살 수 있습니다 당신이 50을 위해 같은 것을 살 수있는 25 마일 인 소유주 마을 4 달러 농장에서 50 마일 떨어진 도시에서 살 수 있습니다

84 달러를위한 것 및 가동 불능 시간에서 60 마일 인 가동 불능 시간 너는 90 달러에 같은 물건을 살 수있다 우리는이 데이터를 가지고있다 우리의 x 축과 y 축 값을 만들어 보자 그 X는 마일 단위로 거리가 될 것이고 Y는 가격이 될 것입니다 내가 왜 numpy를 가져오고 있는지 묻고 있을지도 모릅니다

numpy는 어떤 것의 중추입니다 만약 당신이 있다면 기계 학습과 데이터 과학 파이썬 프로그래밍 언어 번호가 마음에 들지 않습니다 앞으로 나아가보고 싶을 것입니다 내 비디오 chapter 41 위의 숫자는 ok입니다

이제는 numpy 배열로 처리하고 있습니다 x 거리 및 Y 가격 확인 및 여기에 어떻게 지금처럼 보이는 나는 우리가 만든 배열은 수평 배열이지만, 내가 말한 것을 기억한다 이전 장에서는 기계 학습에서 특히 scikit-learn 또는 기계 학습을하는 데 중요합니다 알고리즘은 데이터의 수평 세트가 아닌 1 차원 데이터를 나타냅니다 열 벡터 인 세로 형 데이터 집합이므로이 값을 변경해야합니다

행 벡터를 열 벡터로 변환 이제 내 번호를 기억하고있을 것입니다 너는 우리가 재 형성 함수를 호출 할 수 있도록 내가 너에게 5와 1을 열이 데이터를 얻지 만 알려주지 한 가지는 원래 데이터를 변경하거나 변경 데이터를 작성한 것입니다 수평 거리를 다시 인쇄하면 다시 볼 수 있습니다 그래도 가로 데이터는 괜찮아요

그래서 우리는 numpy의 실제 치수를 바꿉니다 배열을 사용하여 파일 1로 직접 모양을 변경할 수 있으며이 경우 데이터는 열 벡터로 변경 이것은 numpy 배열 0의 속임수 중 하나입니다 새로운 번호를 만들지 않고 치수가 여기에있는 y와 똑같은 것에 존재한다 이제는 가격입니다이 x와 y를 사용하여 어떻게 보이는지 볼 수 있습니다

matplotlib 다시 수학 장에 익숙하지 않은 경우 42 장으로 돌아갑니다 도약하지 마라 나는 여기에 그렇게하지 않을 것이다 나는 이것이 단지 당신이 볼 수있는 방법 일 뿐이다

농부 자리에서 마일 떨어진 거리이며 이것은 지금 위치에서 가격입니다 먼저 scikit-learn에서 선형 회귀 메커니즘을 사용합니다 그런 다음 선형 회귀를 사용하는 방법을 디코드합니다 우리는 선형 모델로부터 선형 회귀 (linear regression)를 가져와야합니다 선형 회귀 알고리즘이 어떻게 수행되는지 이해하려면 매트릭스에서 미니 제곱 오류라는 것을 가져 오십시오 걱정하지 마십시오

나는이 두 가지에 대해 너희에게 각각과 모든 것을 말할 것이다 이제는 매우 중요한 한 가지 통합 된 기계 학습 인터페이스 scikit-scikit-learn에 관해 가장 좋은 것을 배웁니다 거의 모든 기계 학습을위한 통일 ​​된 인터페이스를 제공한다는 것입니다 알고리즘은 선형 회귀뿐만 아니라 내 기계로 당신을 배우기도합니다 3 줄의 코드를 호출하여 코드 세 줄을 작성해야합니다

통가의 인스턴스는 당신이 해제 된 함수를 반환합니다 이것은 함수입니다 어디에서 훈련이 일어 났는지 예측하고 싶을 때 예측을 부릅니다 선형 회귀를위한 함수입니다 같은 것을 부릅니다 KN을 위해 n 나중에 비디오에서 볼 수있는 것과 동일한 것을 호출 할 것입니다

우리 모두는 scikit-learn으로 할 것이므로 선형을 어떻게 사용할 수 있는지 보도록하겠습니다 회귀 나는 물론 선형 회귀의 인스턴스를 만듭니다 다양한 매개 변수를 제공 할 수 있지만이 특별한 경우에는 기본값은 선형 회귀의 인스턴스를 만들 정도로 좋아요 선형 회귀 함수를 호출하는 방법은 다음과 같습니다 교육이 실제로 완료되었습니다

이제 기계 학습 모델을 사용하여 가치를 예측하기 위해 똑같은 일을해야합니다 45 마일은 이제 내 목록에 45가 없다는 것을 기억한다 나는 52 살이지만 그렇지 않다 45 그러나 나는 같은 가격이면 첫 번째 가격은 무엇인지 알고 싶다 이제 우리는 이것을 41 마일에서 다시 팔고 있습니다

열 벡터가 동일한 통합 함수를 전달하고 그것이 말하는 예측을 봅니다 그 $ 73 $ 026는 지금 45 마일에 가격 일 것이다 원래 지점에 대해 플로팅하여 예측을 보도록하겠습니다 앞서와 음모 당신이 볼 수있는 45 마일에서 나는 그것을 위해 73 달러와 이 특정 그래프의 모양이 괜찮아 보입니다 좋아,이게 옳은 가격 인 것 같아

그 특정 지점은 이제 여러 값을 예측할 수도 있습니다 값을 학습 값보다 훨씬 더 많이 사용하며 열 벡터를 만듭니다 그것에서 나가고 신용 함수에있는이 란 벡터를 통과하고 나는 얻을 것이다 10 번째 마일에서의 모든 것의 예측 제 80 회 24 번째 입술 122 회 100 회 입술 149 등등을 볼 수 있습니다 나는 훈련 데이터가 여전히 60 마일이나 무엇인지 보자 마지막 훈련 데이터는 현재 60 마일이지만 100 마일을 요구하고 있습니다

마치 단순한 선형 관계를 제공하는 것처럼 보입니다 선형 회귀 분석이 선형 회귀 분석을 통해 무엇을 찾는 지 이해합니다 가장 잘 맞는 선은 일반적으로 직선을 설정하는 훈련 데이터를위한 직선 특히 2 점 만 있으면 괜찮아요 지금 가장 적합한 것이 무엇입니까? 최상의 적합은 최소 평균 제곱 오차를 갖는 라인으로 정의된다 우리는 미니 평방 오차를 가져 왔고 이것이 우리가 가지고있는 이유입니다 우리는 성능이 무엇인지 확인하기 위해 평균 제곱 오차를 가져 왔습니다

우리의 선형 회귀 분석에 대해 더 자세히 설명하기 전에 지금 시간을 대입 할 것입니다 선형 회귀가 그러한 것을 표시하지 않는다는 것을 말해 줄 게요 하지만 당신은 훈련 데이터에서 배웁니다 즉, 제가 훈련을하면 10 분의 1 마일 가격이 12 달러라고 말하는 데이터와 10 마일에 가격을 예측하면 그렇지 않을 수도 있기 때문에 $ 12 일 수도 있고 그렇지 않을 수도 있습니다 훈련 자료를 기억하지 못한다

훈련 자료는 10 분의 1이다 최악의 날짜 나는이 대답을 계속 지었다 원래의 교육 포인트를 제공하든 새로운 포인트를 사용하든 모델이 예측치에 직면하여 훈련 데이터 값을 기억하지 못합니다 왜 네가 사각형이 필요하기 때문에 내가 이것을 말하고 있는지 이해하는 것이 매우 중요하다 오류가 무엇인지 알 때만 오류를 계산할 수 있습니다

우리는 우리가 알고있는 평균 제곱 오차에 대한 예측과 비교할 수 있습니다 이미 훈련 데이터를 가지고 있으며 우리는 예측 데이터를 가지고 있거나 예측할 수 있습니다 교육용 수에서 얻은 데이터는 동일하게 처리하고 차이점을 비교합니다 이제이 둘 사이에서 원래의 데이터 요소를 예측해 봅시다 내 예측이 어떻게 생겼는지, 내가 원래대로 당신이 볼 수있는 데이터 포인트는 각각의 원래 데이터가이 두 포인트를 가리킨다는 것을 나타냅니다

상대적으로 가깝습니다 조금 멀었습니다 이것은 조금 더 의미가 있습니다 원래 값과 해당 값에 의해 예측 된 값 간의 오차 연령 차이 모델과 제곱의 제곱은 네거티브가 있으면 긍정적 인 가치 그래서 미니 평방 오류를 계산하자 미니 평방 오류 수 있습니다 원래 값과 예측 값을 전달하여 계산하면 26에서의 평균 제곱 오차는 지금이 26에 대한 최상의 평균 제곱 오차이다 선형 회귀를 사용하여 설정 한 특정 값이므로 선형 일 경우 자신 만의 회귀 분석을 통해 얻을 수있는 최상의 미니 스퀘어 오차 이제 26 일입니다

다음 비디오에서 나는이 특정 비디오에서 여기서 멈추게 될 것입니다 선형 회귀 분석의 수학과 그 원리에 대해 다룰 것입니다 그 비디오를 확인하는 것을 잊지 마십시오 이러한 데이터 세트는 내 github 페이지에서 이러한 것들을 업로드 할 것입니다 이 데이터는 일부 순열과 조합을 통해 어떻게 작동하는지 이해합니다

일단 그것이 어떻게 작동하는지 이해하면 우리 자신의 선형 세트를 쉽게 수행 할 수 있습니다 회귀는 실제로 심령술사에 의해 수행되고있는 것을 발견하게합니다 현장 괜찮아요 그래서이 비디오에 대한 모든 것이 제발 제발 다음 비디오에서 몇 가지 것을 시도해보십시오 선형 회귀 알고리즘 뒤에 수학 괜찮아 그리고 우리는 우리의 그때까지 다음 비디오에서 회귀가되는 자신의 구현 시청 해 주셔서 감사합니다

잠시 시간을내어 공유하고 구독하고 싶습니다 고마워요, 고마워

Machine Learning – Part 4 – Sky Isolation & Extraction – Flame 2020.1

모두들, 화염 학습 채널 허가 Flame 2020

1 업데이트로 기계 학습의 또 다른 유형은 Flame 제품에 도입되었습니다 그래서 기계 학습 시리즈의 4 부에서 한 번에 하늘을 추출하는 법을 배웁니다 그래서 화염은 이미지를 볼 수 있습니다 그리고 기계 학습을 사용하여

그 이미지의 어떤 부분이 하늘을 구성하는지 확인하십시오 그 추출을 사용할 수 있습니다 선택적 또는 복합체의 일부로 예를 들어 하늘을 채점하고 싶을 수도 있습니다 또는 하늘을 대체 할 수도 있습니다

두 가지 예제를 통해 실행 해 보겠습니다 좀 더 세세한 부분에 대해 토론하십시오 동영상이 진행됨에 따라 따라오고 싶다면 YouTube 설명을 통해 미디어를 다운로드하십시오

또는 현재 표시된 링크를 사용하십시오 그러니 사인의 첫 번째 클립을 가져 가세요 시퀀스로 엽니 다

세그먼트 선택 그리고 Effects Environment로 전환하십시오 하늘 추출을 설명하기 위해

2-up view를 사용할 수 있습니다 왼쪽에있는 매니저와 함께 결과보기는 오른쪽에 있습니다 이제 하늘 추출 워크 플로우

타임 라인에서 똑같을거야 배치 및 BatchFX 첫 번째 단계는 매니저에서 선택을 선택하는 것입니다

Flame이 비슷한 분석 기법을 사용하더라도 z- 깊이 및 법선 추출을위한 이 경우 3D 데이터를 생성하지 않습니다 하늘 추출은 중요한 기능입니다 3D AOV와 반대입니다 그 말로는, Selective의 Keyer 섹션에서 이제 유형을 다이아몬드에서 의미 론적으로 변경할 수 있습니다

이를 통해 기계 학습을 통한 상황 별 분석이 가능합니다 분석은 SKY로 설정됩니다 그리고 네가해야 할 일은

ACTIVE입니까? 결과가 문맥 식별에 의한 세분화이기 때문에 선택 도구가 키잉 도구에서이 작업을 수행 중입니다 따라서 추가 객체 또는 맵이 필요하지 않습니다 관리자의 선택 객체에 추가됩니다

그러나 선택 개체는 섬네일에 매트를 표시합니다 뷰어에서 선택적 매트를 보려면 결과 뷰어 위로 마우스를 이동하면

선택적 뷰어로 F9 키를 누릅니다 따라서이 매트는 기계 학습을 통해 생성되었습니다 이는 이미지의 색상이나 휘도를 키잉하는 것과 동일하지 않습니다

F1으로 원본 이미지보기 하늘이 흐린 것을 볼 수 있습니다 그리고 색상이나 휘도에는 균등성이 없습니다 F9를 사용하여 Selective 뷰어로 돌아 오는 중 하늘이 확인되었습니다 그리고 총에서 추출했습니다 네가 가진 유일한 조정은

임계 값 분석의 관심 영역 임계 값으로 증가 또는 감소 할 수 있습니다 반투명 영역 내의 흑백 양입니다

이것은보다 깨끗한 분리를 달성하는 데 도움이 될 수 있습니다 그러나 나무, 잎 및 전선과 같은 세부 사항은 약간의 문제가 발생할 수 있습니다 다른 발전기와 비슷합니다 다른 샷으로 시도해야합니다 이것이 워크 플로우에 어떻게 적용될 수 있는지 파악하게됩니다 팁으로

F9를 다시 토글 할 수 있습니다 그리고 선택적 뷰어는 선택 입력으로 전환합니다 격리가 컬러 오버레이로 표시됩니다 모든 선택 컨트롤은 여전히이보기에서 작동합니다

그리고 수축, 팽창도 할 수 있습니다 선택 프로세스의 출력을 포스트 프로세스로 흐리게 처리합니다 일단 하늘 격리를 만들었 으면

F4를 사용하여 결과보기로 다시 전환 할 수 있습니다 SelectiveFX를 하늘에 적용하십시오 그래서 MasterGrade를 사용하면 리프트, 감마 및 오프셋으로 게임을 즐길 수 있습니다

그리고 하늘을 따뜻하게 만드려면 색을 칠하십시오 시간대를 닦으면 하늘 분석은 각 프레임에 대해 생성 된 것을 볼 수 있습니다 이것이 바로 Machine Learning에서 하늘 추출을 사용하는 방법입니다 이제 두 번째 예제를 살펴 보겠습니다 간단한 하늘 교체를 수행합니다 BatchFX 또는 Batch에서이 작업을 수행하는 것이 좋습니다 타임 라인보기로 돌아 가기 ESCAPE를 누르거나 화면 가장자리를 스 와이프하면 릴을 표시합니다

"해변"클립 선택 시퀀스로 엽니 다 세그먼트 선택

그리고 FX 버튼을 사용하면 BatchFX 만들기 노드 사이에 공간을 확보하십시오 이제 하늘 추출 기계 학습에 액세스 할 수 있습니다

이미지 또는 작업 노드에서 하지만 Matchbox 노드로도 사용할 수 있습니다 어느 것이 단순히 매트를 생산합니다 따라서 Matchbox 노드를 Batch 노드 bin에서 드래그하십시오 그리고 SHIFT를 누른 상태에서 flowgraph에 드롭하십시오 브라우저에서 "ML_SKY_EXTRACTION"셰이더를 찾습니다 노드를 선택하고 결과보기로 F4를 누르면 AI가 자동으로 하늘을 감지합니다 이 매트를 추출합니다 F1과 F4 사이를 전환하여 전후를 볼 수 있습니다

이제 조정할 수있는 유일한 컨트롤은 임계 값입니다 이렇게하면 미세한 부분을 약간 조정할 수 있습니다 마지막으로이 매트는 해변의 전경을 합성하는 데 사용됩니다 하늘 보충 위에 INVERT 버튼을 클릭하십시오 그리고 이것은 당신에게 마지막 매트를 줄 것입니다 이제 BatchFX 회로도로 돌아가십시오 그리고 DESK 노드를 사용하면 릴에서 "하늘"클립을 가져옵니다

이제 B 합성물보다 A를 수행합니다 하지만 액션 3D 컴포 지터에서도이 작업을 수행 할 수 있습니다 더 복잡한 워크 플로우의 경우

이 경우 결과는 동일합니다 노드 저장소에서 Comp 노드를 드래그하십시오 해변 클립을 빨간색 입력에 연결하십시오 Matchbox 노드의 첫 번째 BLUE 입력으로의 출력 다음으로 "하늘"클립을 녹색 배경 입력에 연결하십시오

마지막으로 Comp 노드의 출력을 연결하십시오 BFX 출력 노드로 전송합니다 Comp 노드 선택 결과보기로 F4 키를 누릅니다 그래서 그것은 무광택으로 하늘 격리를 추출하는 워크 플로우입니다 그리고 하늘 보충으로 아주 기본적인 합성물을 수행하십시오

모든 기계 학습 동영상에서 언급했듯이 당신이 얻은 결과는 인공 지능 모델이 훈련 된 방식을 기반으로합니다 그리고 희망적으로 이것은 계속 발전 할 것입니다

Flame 제품의 향후 릴리스에서 완벽하게하기 위해 약간의 추가 작업이 필요할 수 있습니다 그러나 추출물의 대부분은 발전기에 의해 처리되었습니다 다른 기능, 워크 플로우를 확인하는 것을 잊지 마세요

Flame 20201 업데이트의 향상된 기능 의견, 피드백 및 제안은 언제나 환영하며 감사하겠습니다

향후 비디오를 위해 Flame Learning Channel에 가입하십시오 보고 주셔서 감사합니다

앞서 청룡영화상에서 실력을 인정받으며 트로피를 받고 지난해 올해의 여성영화인상 시상식에서도 상을 이현주 감독 합의된 성관계… 피해자 성폭행 범죄 재반박 – 머니투데이 뉴스

동성 영화감독을 성폭행한 혐의로 대법원에서 유죄 판결을 받은 이현주 감독이 자신의 실명을 직접 밝히고 억울하다는 입장을 밝혔다 피해자인 영화감독 B씨는 직접 이 감독의 입장에 반박하고 나섰다 앞서 청룡영화상에서 실력을 인정받으며 트로피를 받고, 지난해 올해의 여성영화인상 시상식에서도 상을 받은 유명 감독 A씨가 대법원에서 지난해 12월 감독 B씨를 준유사강간한 혐의로 징역 2년에 집행유예 3년, 성폭력 교육 40시간 이수 명령을 확정판결 받았다는 사실이 알려졌다 A씨는 2015년 동기인 B씨가 술에 취해 의식이 없는 상태에서 유사성행위를 한 혐의로 기소됐다

감독 A씨로 알려졌던 인물은 영화 '연애담'을 만든 이현주 감독 이 감독은 본인의 실명을 직접 밝히며 대법원의 유죄 판결이 억울하다고 주장하고 나섰다 이 감독은 피해자 B씨와 합의 하에 성관계를 했다며 '피해자가 저와의 성관계를 원한다고 여길만한 여러 가지 사정들이 있었기 때문에 당연히 동의가 있었다고 생각했다'고 말했다 이현주 감독은 또 본인의 성정체성은 동성애자라며 성소수자로서 재판에서 불이익을 받았다고도 주장했다 그는 '수사와 재판 과정에서 동성애에 대한 편견과 왜곡된 시선을 감당해야 했지만, 제 주장을 전혀 받아주지 않았다 수사부터 대법원의 판결에 이르기까지 제발 성 정체성에 대한 편견 없이 사건의 실체에 대해서 판단해 달라고 수없이 부탁드렸지만, 판결문 그 어디에도 저희가 주장했던 점에 대한 판단은 없었다'고 말했다 이 같은 사실이 알려지자 B씨는 이 감독의 주장에 정면으로 반박하고 나섰다 B씨는 6일 자신의 SNS(사회연결망서비스)를 통해 '뒤늦게 이 사실을 알게 된 동석자 오빠들은 '너는 그때 만취해서 무슨 말을 할 수 있는 상황이 아니었다' '잠든 너를 침대에 눕혀 놓고 나왔다' 등의 말을 해주었고 조금씩 그제서야 나는 이게 범죄라는 걸 깨달아갔다'면서 합의된 성관계가 아니라 성폭행 범죄라고 강조했다

B씨는 이 감독에게 '당신의 그 길고 치졸한 변명 속에 나에 대한 사죄는 어디에 있는가? 순수한 마음으로 당신을 응원한 영화팬들에 대한 사죄의 말은 어디에 있는가? 내가 몹쓸짓을 당했던 그 여관이 당신의 영화에 나왔던 그 곳이라는 것을 뒤늦게 알게 되었을 때 느낀 섬뜩함을, 당신의 입장문을 읽으며 다시금 느꼈다'라고 전했다 한편 올해의 여성영화인상을 주최하는 여성영화인모임은 지난 5일 이 감독의 수상 취소를 결정했다

What Is Machine Learning (Supervised Learning) – Part 1

인공 지능, 기계 학습 – 최근에이 단어들이 사용되었습니다 동의어로 – 그러나 그들이 있어야합니까? 이 세 번째 비디오 우리의 인공 지능 시리즈 이 기계의 목적은 학습 시리즈, 나는 그 대답을 추구 할 것이다

질문, 그래서 앉아서, 긴장을 풀고, 나와 함께해라 분야에 대한 탐험에 기계 학습! 질문에 답하기 위해 이 비디오의 시작 부분에서 제기 된 먼저 이해를 얻을 필요가있다 기계 학습이란 무엇인가? 기계 학습은 엄청난 주제이며, 많은 필드가 그것을 채택하고 및 / 또는 그리고이 채택률은 증가 이러한 필드에는 자연 언어 처리, 컴퓨터 비전, 전산 생물학 및 로봇 – 단지 몇 가지 목록 지금 정의하기 학습하는 기계는 무엇입니까, 우선 저희에게 알려주십시오

정의, 학습은 무엇입니까 인간으로서 우리는 두 가지 기본 학습 방식이 있습니다 1) 선언적 지식, 즉, 암기, 축적 개별 사실 그리고, 2) 명령 적 지식, 즉 일반화, 능력을 오래 전부터 추론 할 수있는 능력 사리 이 두 가지 모드의 확장 컴퓨팅 분야에서, 기계 학습 그때 어떤 알고리즘입니다 미래의 결과를 예측할 수있는 과거 데이터

아서 사무엘이 인용 한 것처럼 1959 년, 컴퓨팅의 개척자 인 '기계 학습'이라는 용어는 '자기 학습'프로그램 체커, 기계 학습은 " 컴퓨터에 능력을주는 연구 명시 적으로 배우지 않고 배우기 프로그래밍 "할 수 있습니다 과거 데이터의 새로운 데이터를 추론하지 않습니다 반드시 새로운 아이디어, 실제로, 큰 통계 분야의 일부는 이것에 전념했다 그러한 알고리즘 중 하나는 통계는 회귀 분석으로 알려져 있습니다 1800 년대 초반부터 주변에 있었다

회귀 분석에서 목표는 관계를 수학적으로 측정한다 변수들 사이에 선 – 가장 적합하다고 생각하는 라인을 사용하여 예측 서로 이걸 보자 예, 시청 시간 데이터 및 참여, 좋아요 및 댓글, 무작위 샘플 YouTube 동영상 이제 데이터를 통해 선을 그립니다 트렌드를 볼 수있는 곳, 시계가 커지는 곳 시간은 증가와 상관 관계가있다

약혼 시연의 관점에서 연역 시간, 주어진 시간 우리의 라인 – 오브 – 베스트 – 우리가 레벨을 예측할 수있는 적합성 그것과 그 반대도 마찬가지입니다 현재 우리 모델은 다른 사용을 통한 출력 변수 회귀, 어떤 유형의 정렬 알려진 데이터 분류 문제로 이것을 보려면, 이제 예제를 확장 해 보겠습니다 시청 시간 및 참여도 추적 동영상을 선택하면 동영상을 추천합니다

다른 단어들, 우리는 YouTube의 변수 값 알고리즘은 비디오를 추천하기 위해 사용합니다 같이 당신은 볼 수 있습니다, 우리의 원래 데이터 포인트 이제 레이블이 주어 졌 읍니다 레이블이 지정된 데이터라고합니다 데이터 한 번 레이블이 지정되었으므로 이제 진행할 수 있습니다 의 출력 라벨을 분류 할 때 입력 변수에 기초한 데이터

비슷한 회귀의 경우, 우리는 우리를 위로 갈라 지도록 선을 그 으라 결정 공간,이 라인은 의사 결정 경계라고합니다 ~에서 안구 관점, 그려 보자 경계 : 시청 시간이 80 % 이상인 경우 의 동영상 재생 시간의 45 %가 동영상을 보는 사용자가 동영상을 본 다음 비디오가 권장됩니다 그렇지 않으면, 그건 그렇지 않을거야

이제 우리가 새로운 우리가 결정해야만하는 비디오 권장 사항 먼저, 우리는 변수 및 우리의 결정에 음모 공간; 이것을 레이블이없는 것으로합니다 데이터 결정 경계에 기반 우리 모델은 출력 레이블을 예측할 것이며, 이 경우 비디오를 사용하는 것이 좋습니다 만약 우리는 지금 우리가 나눈 것을 자세히보고 있습니다

데이터를 보면 86 개의 동영상이 제대로 분류되지 않은 권장되는대로 87 개가 권장됩니다 그러나 14 개의 비디오가 그들이 아니었을 때 추천 받고 13 살 때 권고하지 않았던 것처럼 이것은 우리 모델에 예측 적 정확도는 865 % 정확도 공식을 사용하여 계산 됨 올바른 모델의 총수 추측, 173, 모든 데이터로 나눠 짐 포인트, 200 또는 더 구체적으로 진정한 긍정의 합계, 87, 그리고 참 네거티브 86 개를 모두의 합계로 나눈 값 진실한 긍정, 참된 원판, 거짓 양성 반응, 14, 위음성, 13

이 행렬에서 볼 수있는 ~으로 사용되는 혼란 행렬로 기계의 성능 결정 학습 모델, 위양성은 모델이 예측 한 결과 속성이 있습니다이 경우 권고, 현실에서는 그렇지 않습니다 대조적으로 거짓 위 음성은 모델은 속성이 실제로는 실제로 존재하지 않는다 그곳에 우리의 현재 통보 분류 모델을 사용하면 산출 할 직선을 그리시오

100 % 정확도 결정 경계를 오른쪽으로 이동하십시오 참여율이 더 필요하고 우리는 비디오를 잘못 분류합니다 권장하지 않는 것이 좋습니다, 위음성 증가, 참여를 줄이기 위해 이동 Google은 동영상을 권장하지 않는 것이 좋습니다 위양성이 증가합니다

높은 곳에 우리가 곧 보게 될 것입니다 기계 학습 알고리즘은 모델 정확도를 극대화하십시오 자,이 예제 우리는 그냥 통과했습니다 기계 학습 알고리즘 참조 의사 결정 나무로 참고로이 '트리 기반', 즉 조건부 문장 기반 기계 학습 접근 방식은 전문가에게 많은 유사점을 제시합니다

시스템에서 이 시리즈의 이전 비디오 이것은 왜 전문가 시스템이 첫 번째 기계 학습 시스템 지금, 우리의 초점을 바꾼다 알고리즘을 활용하는 알고리즘 유형 다양한 접근법 나눌 조건문 결정 공간, 예를 들어, 경우 지원 벡터 기계 이제 우리가 분명히 다루지 않을 시간이야 다음과 같은 다양한 유형의 모델이 있습니다

이 비디오는 만족 스럽지만 호기심과 더 많은 것을 배울 수 있습니다 다른 제작자의 자원 빼앗을 요지 이 모든 모델에서 똑바로서야 할 필요는 없다 단어, 선형, a의 공식으로 모델링 라인, y = mx + b 그들은 할 수있다 이차, 다항식, 지수 등 이제, 우리의 이전 예제는 두 비디오 데이터 포인트를 분류하는 변수, 시청 시간과 참여

이제 뭐 우리가 다른 것을 추출 할 수 있다면 동영상의 속성을 추가하여 우리 모델의 다른 변수 동영상을 더 잘 분류하자 이 변수는 세션 시간입니다 사용자가 플랫폼에서 보낸 시간 당신의 비디오를보고 난 후에 글쎄, 2D 선은 이제 3D 평면이되어 우리의 의사 결정 공간을 3 차원으로 만듭니다 우리 두 변수의 경우 에서처럼 이러한 분류기는 똑바로 서서 곰팡이를 피울 수있다

데이터 포인트 주변 참고로, 진정으로 유용한 분류기는 라벨이 부착 된 많은 주와 겨루다 게다가 예를 들면 2 개 주, 권장 여부 권장하지만 이상적으로는 동영상과 같은 더 많은 정보 일주일, 한 달 등 권장됩니다 추가 변수 및 우리는 더 높은 상태로 계속 나아 간다

더 높은 차원 공간 빨리 손에서 벗어나기 시작하고있다 말 그대로 모델을 만드는 유일한 방법 보다 복잡한 실제 시스템 사용 이러한 알고리즘은 강력한 데이터 센터 컴퓨터 또는 GPU, 반복 계산에 탁월합니다 상상해 보라 시각화하고 초평면의 수작업으로 수학 1000 차원의 체계

그래서, 이것들을 밟은 후에 간단한 예와 다양한보기 기계 학습 모델은 기계이다 통계를 재 상표 화 한 것을 배우시겠습니까? 안에 감각, 예 그러나 훨씬 더 깊어집니다 그것보다 더 나은 시각화를 얻으려면 다양한 관계의 관계 들판에서 나는 이것들을 설명 할 것이다

거품 다이어그램 3 개의 주요 필드 이 다이어그램에서 인위적인 것입니다 인텔리전스, 빅 데이터 및 데이터 과학 계속하기 전에 부수적으로, 데이터 과학은 구성되어 있고 많은 것으로 구성되어있다 자기 자신의 필드들 수학, 통계 등 데이터의 의미를 파악하는 일차 목표 다른 말로하면, 데이터를 구조화합니다 를 위해 우리 다이어그램의 단순함을 위해서 데이터 과학 및 통계는 같은

큰 데이터, 데이터 과학 및 인공 지능 대다수의 기계가 어디에 있는가? 학습이 일어나고, 데이터 과학과 인공 지능의 교차점 우리의 사례가 발생한 곳입니다 그만큼 우리가 이걸 보았던 예들 비디오는 기계 학습의 하위 집합이며, 감독자라고 불리는 것 배우기 감독 학습은 우리가 우리 데이터에 대한 입력과 출력을 가지고있다 다른 단어, 분류 된, 구조화 된 데이터 및 우리는 모델을 극대화하기 위해 '훈련'해야합니다 그들의 예측 정확도

또한, 당신이 희망적으로 추측 할 수있는 것처럼 예를 들어 감독 학습은 다음과 같습니다 더 하위 섹션, 2 학습 모델의 기본 모드, 회귀 및 분류 회귀 분석 연속 출력을 예측하기위한 것입니다 다른 말로하면, 출력은 라인 – 모델의 가장 적합한 모델인지 여부 직선, 곡선 등이 될 수 있습니다 본질적으로 우리는 입력을 맵핑하려고 시도하고있다

변수를 연속 함수로 변환합니다 분류는 다른 한편으로는 이산 출력 예측 단어, 입력 변수 매핑 이산 카테고리 이것에 추가하려면, 많은 우리가 본 것과 같은 분류 모델 이전에 회귀 알고리즘 구현 게다가 그렇습니다 감독 학습은 다음과 같습니다

근본적으로 통계적인 수학 패턴 인식 문제, rebranded 그들은 기계 학습이기 때문에 우리가 반복하는 방식으로 적용된다 그들을 통해, 다른 말로하면, 기차 모델 예측 정확도를 높입니다 지금 감독 학습 만이 아닙니다 기계 학습의 하위 집합, 다음 이 연재 동영상에서 다루겠습니다 무 감독 학습 및 진행 앞으로 어떻게 모든 것을 깊이 배우는가? 이의 모든 것을 탐구하여 AI, 기계 사이의 오해 학습과 깊은 학습 – 그리고 오는 것 제기 된 질문에 대한 답변에 더 가깝다

이 비디오의 시작 부분! 그러나 이것은 당신이 배우기를 기다려야한다는 것을 의미하지는 않습니다 더! 더 자세히 알고 싶다면 기계 학습 및 나는 진짜로 배우는 것을 의미한다 이 알고리즘의 작동 방식 감독 된 방법론 회귀와 분류, 무 감독 학습 등 Brilliantorg는 여러분이 갈 수있는 곳입니다 예를 들어,이 과정에서 기계 학습, 그것은 우리가 모든 개념을 커버 이 비디오를 통해 진행되었습니다 이 채널의 주요 목표는 다양한 것에 대해 고무시키고 교육한다

기술 및 혁신 세상을 변화시키지 만 높은 수준은 한걸음 나아가 야한다 이 동영상 외에도 실제로 수학과 과학 학습 내가 토론하는 개념 너머 훌륭한 수학과 과학을 만들어이 일을한다 흥미 진진한 학습과 배양 호기심을 보여주는 다양한 사이의 상호 연관성 다른 주제! Singularity를 ​​지원하려면 번영과 자세한 정보 Brilliant, Brilliantorg/singularity로 이동하십시오

Brilliantorg/singularity와 무료 가입! 또한 처음 200 명이 해당 링크로 이동하면 20 % 할인됩니다 연간 프리미엄 가입 이 때 비디오가 결론에 도달했음을 지적하고, 나는 너를 데려 가서 고맙다 그것을 볼 시간! 당신이 그것을 즐긴다면 파트 레온에서 나를 돕는 것을 고려해 보라 이 채널을 계속 성장 시켜라

어떤 주제 제안이라도 남겨주세요 아래 코멘트에! 더 많은 콘텐츠를 구독하는 것을 고려하십시오 내 페이스 북 페이지처럼 한 입 크기의 콘텐츠 덩어리 이것은 가지고있다 Ankur, 너 지켜 봤어

특이점 번영과 나는 너를 볼거야 조만간 다시! [음악]