Introduction to Runway: Machine Learning for Creators (Part 2)

[철도 휘파람] 다른 비디오 자습서에 오신 것을 환영합니다 Runway 작업 및 기계 학습 모델 실행에 대한 정보 활주로 자체에서 이 비디오 자습서를보기 전에 전에 활주로를 사용한 적이 없다면 돌아가서 내 소개를보고 싶을 수도 있습니다

활주로에 다운로드하고 설치하는 방법 그러나 솔직히 말해서, 당신은 아마 그것을 알아낼 수 있습니다 runwaymlcom으로 이동하여 베타 다운로드를 클릭하십시오 활주로 소프트웨어를 다운로드하여 열어야합니다 그런 다음 모델 찾아보기로 이동합니다

모션 아래로 가서 PoseNet을 클릭하겠습니다 그리고 당신은 바로 여기에 자신을 찾을 수 있습니다 이것이 바로 내가있는 곳입니다 Runway를 설치했습니다 다운로드했습니다

그리고 PoseNet의 Runway 소프트웨어 페이지에 있습니다 기계 학습 모델 자, PoseNet은 무엇입니까? PoseNet은 기계 학습 모델입니다 한 명 이상의 사람에 대한 실시간 골격 추적을 수행합니다 그리고 무엇을 추측합니까? 나는 사람이고, 활주로가 여기에 달려 있습니다 PoseNet과 함께

그래서 나는 그것을 실행할 것입니다 먼저 작업 공간에 추가를 클릭하십시오 그래서 이미 가지고있는 작업 공간이 있습니다 코딩 기차 라이브라는 이전 비디오에서 만든 흐름 입력 소스를 선택하고 싶습니다 나는 그것이 나의 웹캠이되기를 원한다

그렇습니다, 활주로가 바로 나아갑니다 그런 다음 출력 소스를 선택하고 싶습니다 내가 원하기 때문에 처리하고 싶다 이 기계 학습 모델을 실행 한 결과를 얻기 위해 PoseNet 자체 처리 하지만 지금은 미리보기를 클릭하겠습니다 미리보기를 클릭합니다

아, 그리고 나는 달려야한다 하지만 그거 알아? 이것은 이전 비디오에서 보여준 것과 다릅니다 로컬로 실행 옵션이 있습니다 실제로이 모델은 로컬에서만 실행할 수 있습니다 클라우드에서 이것을 실행하는 것은 어리석은 일입니다

이 모든 시간을 보내야했기 때문에 네트워크를 통한 데이터 그리고 실행하기가 매우 쉽습니다 이것은 매우 작고 빠른 모델입니다 대부분의 최신 컴퓨터에서 실행할 수 있습니다 로컬로 실행을 클릭하겠습니다

따라서 GPU 크레딧이 필요하지 않습니다 물론 무료로 사용할 수 있습니다 그리고 우리는 그곳에가는 것을 볼 수 있습니다 지금 실행 중입니다 다양한 요점을 추측합니다

내 골격의 출력에 내 몸에 있습니다 볼 수있는 이하 그래서 일에 대한 좋은 점 중 하나 활주로와 그 모델은 많이 모델마다 다른 매개 변수와 값이 있습니다 조정하고 변경하여 실행할 수있는 것들 다른 방법으로 그리고 이것들은 일종의 하이퍼 파라미터로 알려져 있습니다 기계 학습 모델에 그래서 그들 중 일부는 실제로 모델 실행을 중단 한 다음 나는 그것을 가지고 시작할 수 있습니다

예를 들어이 아키텍처는 실제로 모델을 더 작게 만들 수 있습니다 정확도는 떨어질 수 있지만 더 빨리 실행됩니다 그러나 예를 들어, 나는 단지 가고 있습니다 대신 075로 변경하십시오 다시 실행하겠습니다

그러나 이러한 매개 변수 중 일부는 실제로 실시간으로 조정됩니다 예를 들어 너비와 높이를 변경할 수 있습니다 실제로 변화하는 이미지의 웹캠 자체의 이미지 해상도 원하는 경우 그레이 스케일을 더 만들 수 있습니다 실제로 여러 가지 작업을 수행하여 실제로 조정할 수 있습니다 들어가기 전에 이미지

그러나 이것은 중요한 부분이 아닙니다 이 비디오에서하고 싶은 일을 이 비디오에서하고 싶은 것은 여기서 Runway에서 모델을 실행하는 순간이 있습니다 나는 그것을 가지고 놀 수 있고, 조정하고, 정확하게 얻습니다 내가 원하는 방식으로 작동합니다 다음 단계로 넘어 가고 싶습니다 결과를 볼 수 있도록 여기에서 실행하도록 내 자신의 소프트웨어에서 그렇게하겠습니다

이것을 시도하는 데 사용할 소프트웨어 프로세싱이라고합니다 이 크기는 출력의 활주로에서 640×362, 처리 코드에서 수행 할 작업 캔버스 크기를 640 x 362로 설정합니다 무효 그리기 배경 0 이제 처리 스케치가 있습니다

내가 여기서 뛰고 있습니다 결과, 모델의 결과를 어떻게 볼 수 있습니까 내 프로세싱 스케치에서? 다양한 네트워크 프로토콜이 있습니다 활주로가 지원합니다 그리고 나는 그들에 대해 여기에서 찾을 수 있습니다 이 네트워크 탭을 클릭하여 그리고 처리 작업에 사용하고 싶은 것 OSC입니다 여러 가지 이유가 있습니다 한 프로토콜을 다른 프로토콜보다 선택하십시오

그것은 실제로 당신이하고있는 것에 달려 있습니다 하나의 이미지를 얻고 자하는 경우 HTTP 요청이 가장 적합합니다 그리고 다른 비디오에서 할게요 Runway에서 스타일로 다시 작업하는 방법을 보여 드리겠습니다 하지만 지금은 클릭합니다 OSC에서 처리와 잘 작동합니다 그리고 여기에 많은 정보가 있습니다

이 말은 서버 주소입니다 이것이 내가 활주로에서 필요한 가장 중요한 것입니다 내가 말하고자하는 것은 Processing이 유일한 IP라는 것입니다 로컬 IP 인 주소 이 컴퓨터의 주소와 포트 번호 OSC 메시지를 얻을 수 있습니다 여기를 클릭하겠습니다 그리고 ip와 같은 문자열을 만들 것입니다

나는 아마 갈거야 확신 별도의 변수에 포트 번호를 원합니다 그리고 이와 같은 포트 번호를 만들 것입니다 이제 여기 앉아서 모든 코드를 작성할 수 있습니다 이것을 위해, 나는 보통 코딩 기차 비디오에서 할 수 있습니다 그러나 이것은 상당히 다른 상황입니다 정말 예제를보고 싶어요 실행하고이를 수행하는 방법을 보여줍니다

그리고 Runway 작업에 대한 좋은 점 중 하나 미리 만들어진 예가 많이 있습니까? 다른 플랫폼과 소프트웨어를 사용하는 경우 그 중 하나가 처리 중입니다 그래서 당신이 실제로 어떻게하는지 보여 드리겠습니다 현실 세계에서이 작업을 수행하는 방법 지금하는 방법입니다 Runway ML GitHub에 가면 실제로 한 단계 뒤로 돌아 가야합니다 Runway ML 아래로 이동하십시오 Runway 소프트웨어에 대한 GitHub 페이지는 다음과 같습니다 그리고 많은 정보가 있습니다

높은 수준의 물건과 같은 것이 있습니다 머신 러닝 모델을 이식하는 방법 활주로 자체 자신의 모델을 훈련했거나 Runway에서 지원하지 않는 모델을 찾으십시오 당신이 그것을 추가 할 수있는 방법 그러나 그것은 우리가 여기서 실제로하고있는 것이 아닙니다

내가 찾고 싶은 것은 여기 Processing, Runway 그리고 가공 여기를 클릭하면이 저장소에 프로세싱과 함께 Runway를 사용하는 많은 예제 attnGAN에 StreetView가있는 것을 볼 수 있습니다 얼굴 랜드 마크, im2txt 및 voila, PoseNet 이것은 내가 일하고있는 것입니다

이 예를 살펴 보겠습니다 나는 이것이 오픈 소스 프로젝트라고 말해야한다 프로세싱은 오픈 소스 프로젝트입니다 내가 말했던 것에 관여 다른 많은 비디오에서 다른 모델을 찾으면 활주로에서 당신이 일을하고 기여하고 싶어 여기에 처리 예제가 있으므로 권장합니다 Runway의 창립자이자 제작자 중 한 명인 Chris는 그리고 나는 가공에 대해 이야기하고있다 활주로 도서관

그리고 최근에 두 개의 비디오 자습서를 만들었습니다 Processing Java 라이브러리를 만드는 방법에 대해 설명합니다 앞으로 처리 될 프로젝트를 보게됩니다 활주로 도서관 그러니 그 일에 참여하고 싶다면 의견을 적어 알려주세요 그리고 아마도이를 위해 GitHub 저장소를 만들 것입니다

좋아, PoseNet 아래로 가야겠다 그리고 posenetpde 아래에서 여기를 클릭하겠습니다 붙여 넣기 만하면됩니다 하지만 한 조각 씩 갈 것입니다

그리고 이미 활주로 호스트와 활주로 포트를 볼 수 있습니다 그래서 코드에서 실수를했습니다 그래서 저는-01을 놓쳤습니다 채팅에 대해 이미 이야기하고 있습니다

그리고 여기에 여분의 1이 있습니다 그리고 이것은 정수 여야합니다 그리고 이것은 실제로 호스트입니다 사실 같은 변수를 사용하겠습니다 이름은 runwayHost 및 runwayPort입니다 좋아, 지금 당장 얻은 것 같아

이제 예제가 작동하려면 처리 OSC가 있는지 확인해야합니다 라이브러리가 설치되었습니다 여기 와서 복사하면 이 수입 명세서를 붙여 넣습니다 꼭 필요한 OSC 객체를 붙여 넣을 수 있습니다 그리고 우리는 내가 OscP5 클래스가 존재하지 않는 오류가 있습니다

프로세싱 OSC를 설치하지 않았기 때문입니다 도서관 사용하기 때문에 이미 설치했을 수 있습니다 다른 프로젝트로 그러나 나는 여기에 갈 수 있었다 Sketch, Import Library, 라이브러리, OSC를 추가하여 검색하십시오

이것은 내가 찾고있는 라이브러리입니다 oscP5 설치를 클릭하겠습니다 이제 오류 메시지가 사라지는 것을 볼 수 있습니다 다음으로하고 싶은 것은 객체를 만드는 것입니다 OSC 메시지를 수신합니다 그리고 나는 이것을 새로운 OscP5 객체로 만들 수 있다고 생각합니다

이 특정 스케치에 대한 참조를 제공해야합니다 스케치에서 이벤트를 트리거해야하기 때문에 사용 가능한 데이터가있을 때 그런 다음 포트 번호를 지정하십시오 이것을 runwayPort라고합니다 활주로 예제를 보면 실제로 OscProperties라는이 개체를 사용하고 있습니다 좀 더 정교합니다

원격 주소, 수신 포트, 데이터 그램 크기와 다른 것들 아마도 이것을 내 예제에 붙여 넣을 것입니다 그러나 그것이 더 많은 종류의 것들과 함께 작동하는지 궁금합니다 방금 말한 단순화 된 기본 OscP5 객체 이것과 특정 포트 그러나 나는 이것을 필요로한다

방송 위치가 필요합니다 왜냐하면 런웨이에게 메시지를 보내야합니다 연결되어 있거나 연결이 끊어졌습니다 여기에는 두 가지가 있습니다 프로세싱 소프트웨어가 있습니다

그리고 Runway 소프트웨어가 있습니다 둘 다 내 컴퓨터에서 로컬로 실행 중입니다 이제 다른 시나리오에서 클라우드 GPU도 포함될 수 있습니다 활주로는 메시지를주고받습니다 그리고 이것은 내가 가고있는 것입니다 다음 예제에서해야 할 일 StyleGAN이라는 이름으로 Runway가 클라우드 GPU 와도 대화하도록하겠습니다

그러나 여기서 일어나지 않습니다 PoseNet은 실제로 내부에서 실행되고 있습니다 기본적으로 Runway 자체에 로컬로 래핑됩니다 PoseNet은 여기서 Runway에서 로컬로 실행됩니다 처리 중이 connect와 같은 메시지를 보내는 중입니다

나도 정보를 듣고 싶어 그것은 일회성 메시지입니다 그런 다음 Runway는 OSC를 통해 지속적으로 데이터를 보냅니다 PoseNet으로 감지하는 포즈 처리 웹캠 입력에서 모델 그래서 내가 원한다면 아마도 방법을 알아낼 수있을 것입니다 카메라 입력을 처리로 가져 오려면 이미지를 활주로로 보내고 활주로 결과를 다시 보냅니다 하지만 런웨이는 카메라에 직접 연결할 수 있습니다 아주 간단하기 때문에 그렇게 할 수도 있습니다

그래서 여기에도 같은 것을 넣어야합니다 웹캠처럼 여기에 약간의 메모를하면 웹캠이 런웨이와 대화 중입니다 나는 또한 처리와 이야기 할 수 있습니다 처리 결과도 표시하려면 이것이이 특정 예에서 진행되고있는 것입니다 이 브로드 캐스트 위치를 만들고 싶습니다 네트 주소 개체입니다 여기에 넣어야합니다

그리고 내가하고 싶은 첫 번째 일은 연결 메시지를 보내면됩니다 복사해서 여기에 붙여넣고 연결이라고하겠습니다 처리를 시작할 때 내가하고있는 일은 connect 함수를 호출합니까? OSC 메시지를 작성합니다 모든 단일 OSC 메시지는 두 부분으로 구성됩니다 이 두 부분은 주소이며 보통 경로처럼 일종의 문자열로 표시됩니다

이것이 서버 / 연결임을 알 수 있습니다 그게 주소 야 아니면 거의 메시지처럼 생각할 수도 있습니다 내가 생각하는 방식으로 그런 다음 데이터 이 경우에는 실제로 주소 자체가 메시지이므로 데이터가 없습니다 이것은 매우 단순화 된 것입니다 이 연결 메시지가있는 곳입니다

연결 중입니다 메시지 이름, 주소, 거기에 있어야 할 유일한 것입니다 데이터가 없습니다 그러나 Runway가 데이터를 다시 보내면 데이터 또는 요점과 같은 메시지 이름을 갖습니다 또는 포즈, 그런 것

그리고 그것은 많은 양의 데이터와 함께 패키지 될 것입니다 모든 xy의 모든 위치와 같습니다 자, 이것을 실행하고 무슨 일이 일어나는지 봅시다 예, 꽤 좋습니다 오류가 없습니다

연결되었으므로 메시지를 듣고 싶습니다 그리고 그 방법은 OSC 이벤트라는 이벤트를 사용하는 것입니다 마우스 누르는 것과 비슷합니다 또는 키 누르기 또는 직렬 이벤트 또는 캡처 이벤트 이것은 매우 특별한 이름을 가진 Processing의 함수입니다 OSC 이벤트라고합니다

그리고 oscP5 라이브러리는 그 함수를 호출하는 것을 알고 있습니다 데이터가 들어올 때 붙여 넣기 만하면됩니다 그리고 여기에 넣겠습니다 그리고 제가하려고하는 것 – 이것을 보도록합시다 그것을 통과 한 OSC 이벤트가 있습니다 OSC 메시지 이 메시지를 메시지로 변경하겠습니다 메시지에 해당 데이터가 있다면 주소와 같습니다

기억? 주소에는 데이터가 있으며, 이것이 우리가 찾고있는 주소입니다 그렇지 않은 경우 여기서 나가십시오 그래서 들어오는 다른 메시지를 무시하고 싶습니다 그런 다음 내가하고 싶은 일은 데이터 자체를 얻는 것입니다 따라서 메시지의 데이터는 실제로 문자열로 제공됩니다

그러나 문자열은 JSON으로 형식이 지정됩니다 JavaScript 객체 표기법입니다 JSON이 무엇인지 모른다면 JSON이 무엇인지 설명하는 다른 비디오로 JSON은 JavaScript에서 정말 잘 작동합니다 그것으로 작업하는 것은 조금 어색합니다 처리가 Java이므로 처리 중입니다

기본적으로 JavaScript를 사용하지 않습니다 그러나 우리는 그것을 작동시킬 것입니다 메시지의 첫 번째 자체는 JSON 데이터의 큰 문자열이며 JSON입니다 Processing의 parseJSONObject로 파싱 할 수있는 객체 기능 그런 다음 콘솔에서 볼 수 있습니다

실제로 데이터를 가져 오는지 봅시다 아무것도 얻지 못했습니다 왜 그런지 궁금합니다 그리고 실제로 이유를 알고 있습니다 우선, 여기에 실마리가 있습니다

데이터 그램 소켓을 만들 수 없습니다 포트 5100은 이미 사용 중이기 때문에 그리고 나는 여기에 이상한 일이 있다는 것을 잊었다 OSC를 사용하여 둘 사이에서 통신하는 경우 별도의 컴퓨터, 같은 포트 번호를 사용할 수 있습니다 각 개별 컴퓨터에서 하나의 포트 번호 하지만 여기서 활주로에 데이터를 보낼 수 있어야합니다 특정 포트에서 처리로 데이터를 수신 같은 포트가 될 수없는 다른 포트에서 그렇지 않으면 충돌이 발생합니다 제가 방송하는 포트는 57100입니다

이것이 Runway에 나와 있습니다 하지만 메시지를 받고 싶은 실제 포트 57200입니다 그리고 Runway는 자동으로 100을 추가하는 것을 알고 있습니다 무대 뒤에서 그러나 이것은 Runway의 기본 설정입니다

데이터 수신을 위해 다른 포트가 필요합니다 내가 보내는 포트로 코드에서 의미하는 바를 보여 드리겠습니다 이것이 바로 활주로 포트 5757입니다 그것이 내가 방송하고 싶은 포트입니다

그리고 그것은 내 방송 위치의 일부입니다 그것이 내가 방송하는 곳입니다 그러나 메시지를 받고 싶은 곳은 실제로 57200입니다 이제 이것을 실행하면 실제로 메시지가 수신됩니다 하지만 새로운 오류가 있습니다

ArrayIndexOutOfBoundsException입니다 따라서 이것은 런웨이 데이터가 이 포즈를 모두 보내는 것은 실제로 상당히 큽니다 그리고 필요한 것은 더 많은 공간입니다 더 큰 패킷 크기가 필요합니다 그렇기 때문에 Runway 예제에서 이 여분의 OSC 속성이있었습니다 더 큰 데이터 그램 크기를 설정할 수있는 개체입니다

청취 포트는 57200입니다 기본적으로 OscP5를 사용하기 전에 이럴 필요는 없지만 난 복사하여 붙여 넣습니다 이걸 다시 여기에 넣고 이것을 속성으로 변경하겠습니다 저는 이제 모든 조각을 가지고 있다고 생각합니다 내가보아야 할 것은, 우리가 간다, 많은 것들

이것 좀 봐 자, 저는 확신을 가지고 정확하게 처리했습니다 점수– 왼쪽 발목이 보이지 않습니다 왼쪽 발목을 카메라로 볼 수 없기 때문입니다 그래서 그 신뢰 점수가 너무 낮은 이유입니다 위로 스크롤하고 오른쪽 귀를 좋아합시다 매우 높은 신뢰 점수와 x 및 ay를 얻었습니다

내 오른쪽 귀를 위해 이제 저는이 데이터를 실제로 사용할 수있는 시점에 있습니다 런웨이 예제로 돌아가서 여기에 매우 정교한 루프가 있음을 알 수 있습니다 JSON을 파싱하고 모든 다른 핵심 포인트에서 감지하는 모든 것의 모든 다른 위치 지금 훨씬 더 간단한 일을하려고합니다 나는 오른쪽 눈과 왼쪽 눈을 얻을 것입니다

우리가 알아낼 수 있는지 봅시다 우리가 이것에 접근 할 수있는 한 가지 방법은 이 데이터 변수를 전역 변수로 만들 수 있습니다 이 JSON 객체를 사용하겠습니다 저는 이것을 전역 변수로 만들 것입니다 데이터라고하겠습니다

그런 다음 드로우 루프에서 나는 단지 데이터가 널이 아닌 한 Java에 있다는 것을 잊었습니다 그냥 할 수있어 데이터는 Runway로부터 무언가를받을 때까지 null이됩니다 런웨이에서 무언가를 받자 마자 내가해야 할 일은이 JSON을 구문 분석하는 것입니다 조금 더 쉽게하기 위해 내가 한 일 방금 JSON을 가져 와서 인쇄합니다 프로세싱 콘솔에 그것을 JSON 파일에 붙여 넣었습니다

Visual Studio Code에서 볼 수있는 그래서 참조 할 것이 있습니다 그래서 나는 포즈라고 불리는 것을 얻어야한다는 것을 알고 있습니다 가장 먼저 원하는 것은 poses 배열입니다 프로세싱에서 정말 이상한 것 중 하나는 JSON을 사용하면 데이터가 있는지 여부를 지정해야합니다 보는 것은 JSON 객체 또는 JSON 배열입니다

그리고이 포즈 데이터는 표시된대로 배열입니다 이 대괄호로 JSONArray의 포즈가 같다고 말하겠습니다 datagetJSONArray 문자열 포즈 그런 다음 키 포인트 배열을 얻고 싶습니다

아, 둘 이상의 포즈가있을 수 있기 때문에 하지만 포즈가 하나만 있다고 가정하겠습니다 그런 다음 포즈입니다 그럼 요점은 배열이 동일한 posesget 0 이것이 배열의 첫 번째 요소입니다

이제 핵심 포인트라는 새로운 배열을 얻습니다 JSON 배열 요점을 얻습니다 좋은 소식은 런웨이 예제입니다 거기에이 모든 것이 포함되어 있습니다 제가 잘못하면 키 포인트 get element 0이라고 말할 수 없기 때문에 여기에 오류가 있습니다

요소 0은 무엇입니까? JSON 객체입니다 우리는 거기에 갈 이제 핵심 사항이 있습니다 첫 번째 JSON 객체에서 키 포인트라는 JSON 배열입니다 인덱스 0

그렇다면 무엇을 찾고 싶습니까? 이제 핵심 포인트 배열에 있습니다 이것은 요소 0입니다 내가 왼쪽을 알고 있었다면- 아, 이건 쉬워요 코, 왼쪽 눈, 오른쪽 눈을 봅시다 0, 1 및 2, 완벽합니다

그래서 JSONObject nose equals를 얻고 싶습니다 keypointsgetJSONObject 0 그리고 우리는이 중 세 가지를 할 것입니다 왼쪽 눈-나는 이것을 조금하고있다 활주로 예제와 다릅니다

그런 다음 오른쪽 눈 다음에 활주로를 예로 들어 보겠습니다 확실히, 나는 여기서 루프를 사용할 수 있습니다 코, 왼쪽 눈, 오른쪽 눈 그런 다음 입장을 취해야합니다 nosePos는 nos

getJSONObject와 같습니다 코만하면 돼 난 그냥 코를 할거야 여기서 더 간단하게 유지하십시오 외삽하여 알아낼 수 있습니다 왼쪽 눈과 오른쪽 눈을하는 방법- nosegetJSON 객체 위치 그리고 x는 이 코 위치를 호출합니다

코 위치는 x를 얻습니다 이것이 옳다는 것을 확신하십시오 그리고 y는 nosePositionget y와 같습니다 알았어, 내가 뭘 잘못 봤니? getFloat

다시 한번, 저는 Java에 있습니다 유형을 지정해야합니다 내가 모든 것을 올바르게했다면 첫 번째 포즈의 모든 요점을 얻었습니다 코에 대한 모든 데이터가있는 객체를 얻었습니다 그런 다음 해당 물체에서 코 위치를 뺀 다음 x 그리고 그 물체에서 y

휴 이제 2020 년에 타원 x라고 말하겠습니다 그리고 그것을 빨간 코로 만들어 봅시다 25500을 채 웁니다

이것을 실행시켜 봅시다 그리고 우리는 간다 나는 지금 코를 제어하고 있습니다 활주로에서 OSC 메시지 처리로 놀랄 만한

자, 이것으로이 비디오 튜토리얼을 마치겠습니다 확실히, 당신이하고 싶은 일 전체 골격을 참조하십시오 PoseNet을 효과적으로 사용하려면 카메라가 당신으로부터 약 6 피트 정도 떨어져 있기를 원합니다 백업하고 전체 양식을 볼 수 있도록 허용하려고합니다 당신은 또한 이미지를 전달하고 포즈를 취할 수 있습니다

이미지에서 할 수있는 일이 많이 있습니다 그리고 확실히, 나는 추천 할 것입니다 Runway GitHub 리포지토리의 예제를 확인하십시오 이것은 모두 통과하는 멋진 루프가 있습니다 다른 위치의

실제로이 작은 매핑도 그들 사이의 모든 연결이 무엇입니까 실제 골격 자체에 약간의 운동으로 오른쪽 눈과 왼쪽 눈을 갖기 위해 내가 한 일을 확장 할 수 있습니다 그러나 그럼에도 불구하고 Runway 예제 자체를 얻을 수 있습니다 그러나 이것은 어떻게 Runway 자체에서 찾을 수있는 특정 모델 채팅에 참여한 사람이 방금 밀도에 대해 묻고있었습니다 예를 들어 OSC를 통해 활주로에서 통신 할 수있는 자세 처리합니다 하지만 다른 많은 경우에는 웹 소켓이나 HTTP 연결을 사용하고 싶습니다 특히 작업중인 경우 의사 소통 JavaScript로 브라우저에서

다음 비디오에서하려고하는 것은 보고 싶다면 StyleGAN을 실행하여 무지개를 생성하십시오 이미지를 P5에 전달 브라우저 자체에서 렌더링합니다 그리고 대화에서 뉴스 속보, Damien SRSP는 동일한 포트에서 보내기 및 받기를 나타냅니다 기본적으로 OSC 패킷은 수신 및 전송되지 않습니다 보내거나 받아야 할 경우 동일한 포트로 같은 포트에서 어쩌면 내가 실제로 무언가를 할 수 있었을 것입니다 포트 번호와 함께

나도 몰라 나는 사람들이 의견에 그것에 대해 쓸 것이라고 확신합니다 그러나이 코드는 작동합니다 Runway GitHub 리포지토리의 코드가 작동합니다 너무 재밌어요 그걸 써

그것으로 무언가를 만드십시오 나에게 공유하십시오 프로세싱에 대한이 튜토리얼을 즐기 셨기를 바랍니다 활주로 및 로컬에서 실행되는 PoseNet 모델 컴퓨터에서 안녕

[철도 휘파람] [음악 재생]

Data Science And Machine Learning Demo 2 I By Damodhar 9059868766 24th July 2019 I Tutorials

데이터 과학 및 기계 학습 데모 2 I Damodhar 9059868766 24th July 21019 I 자습서 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오 Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오

Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오 Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오 Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오 Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오 Damodhar 9059868766 DataScience 및 기계 학습 온라인 교육을 위해 VLR 교육에 전화하십시오

Damodhar 9059868766

Machine Learning with ML.NET and Azure Functions: Part 2 | Azure Tips and Tricks

>> MLNET을 사용하여 서버리스 머신 학습을하는 법을 배우십시오

Azure 팁과 트릭의이 에피소드에서 Azure 기능 여기 Azure Cloud Shell에 있습니다 여기에서 실행할 Azure 함수를 만듭니다 꽃 유형을 예측하기 위해 MLNET으로 알고리즘을 학습하는 기계

이것은 컴퓨터 학습 모델을 사용합니다 우리는 이전 에피소드에서 만들었습니다 시작하기 위해 "ML NET Demo"라는 리소스 그룹을 만듭니다 다음으로 저장소 계정을 만듭니다 model

zip을 저장하려면이 파일이 필요합니다 함수가 사용할 파일 스토리지 계정에 고유 한 이름을 사용해야합니다 거기는 이제 Azure 함수를 만들겠습니다

다시 말하지만 Azure 기능에 고유 한 이름을 사용하십시오 거기는 괜찮아 Azure 포털로 전환합시다 여기 Azure 포털에서, Azure 스토리지에 기계 학습 모델을 업로드 할 것입니다

다음은 Azure 함수가 사용하는 저장소 계정입니다 형체에 가자 거기는 여기, 나는 만들거야 새로운 컨테이너와 저는 이것을 "모델"이라고 부를 것입니다

괜찮아 가자 이제 모델을 업로드해야합니다 Modelzip이 업로드됩니다

그게 전부 야 괜찮아 Visual Studio에 있습니다 우리는 Azure 함수를 만들 것입니다 시작하기 전에 Azure 기능 도구가 설치되었습니다

이미 데모 솔루션이 있습니다 모델 프로젝트와 함께 열어 라 이제 새 프로젝트를 추가하고 "Azure Functions"를 선택하십시오 "서버가없는 AI"라고 부를 것입니다 여기에서 "HTTP 트리거"를 선택하겠습니다

또한 스토리지 계정을 선택하겠습니다 찾아보기, 그것은 ML NET 데모 그룹에 있어야합니다 거기는 괜찮아 "좋아요", 함수를 생성합니다

괜찮아 몇 가지 더 첫째, NuGet 패키지를 받아야합니다 MLNET

그것을 찾아 보자 저기, "설치" 괜찮아 그게 그거야 다음으로 아일랜드어 데이터를 복사해야합니다

모델 프로젝트에서 함수에 대한 아일랜드어 예측 절 우리는 일을 참조 할 수도 있지만 이것은 데모에서 더 쉽습니다 괜찮아 이제 함수 코드입니다 이것이 내가 상자에서 꺼내는 것입니다 나는 이것을 이것으로 대체한다

이 기능은 HTTP 요청이며 Blob 바인딩이 있습니다 그러면 modelzip 파일이 생성됩니다 다음으로 MLNET이 작동하는지 확인합니다

MLNET에 포함되어 있기 때문에이 검사를합니다 64 비트 코드와 함수는 기본적으로 64 비트를 실행하지 않습니다 그런 다음 요청에있는 데이터를 읽습니다 여기에는 우리가 예측해야 할 꽃에 대한 데이터가 포함됩니다

그런 다음 기계 학습 모델을로드하고 그것은 데이터가 나타내는 홍채 꽃을 예측하는 것입니다 Azure에서 해보 죠 여기에서 마우스 오른쪽 버튼을 클릭하고 Azure로 푸시하려면 "게시"를 클릭하십시오 기존 함수를 선택하십시오 이 하나와 "게시"

거기에 간다 그것이 끝나면 나는 건너 뛸거야 여기 Azure 포털에 있습니다 Azure 기능은 Azure에 방금 게시되었습니다 거기는

우리가 MLNET과 함께 사용할 수 있기 전에, 우리는 응용 프로그램 설정을 변경해야합니다 MLNET을 실행하려면 64 비트에서 실행해야합니다 그게 전부 야

예측 함수를 살펴 보겠습니다 이제 테스트 창에서 테스트 할 수 있습니다 우리는 HTTP 게시물을 보내 그것을 보낼 것입니다 이 데이터는 홍채 꽃잎의 꽃잎과 꽃잎을 나타냅니다 우리는 거기에 갈 그게 전부 야

데이터를 가져 와서 그것이 속한 것으로 예측했습니다 버지니아 아이리스 꽃 쿨, 맞지? 기계 학습 알고리즘을 만드는 방법을 보았습니다 MLNET을 사용하고 Serverless Azure 함수에서 사용하십시오

이것은 서버리스 AI입니다

미성년 명장면 2 김윤석 감독 데뷔작 김혜준,박세진

어서오세요 혼자 오셨어요? 1인분 메뉴는 여기 아래에 있어요 손님이 더 오세요? 있다가 올까요? 제일 잘하는 게 뭐예요? 네? 오리 주세요 주물럭 – 아 오리는 2인분이 제일 작은데, 혼자 드시기에는 – 주세요 술은? 아뇨 선불이예요 여자가 하는 가게라고 먹고 그냥 가는 손님들이 너무 많아요 외상하자는 사람도 있고, 아유 세상에 이상한 사람들 참 많아요 그죠? 고맙습니다 – 아줌마, 여기 주물럭 하나 – 네 – 아유 춥다 추워 – 아 오셨어요? 배고파 밥 좀 줘 오늘 점심이 일찍이네? 여기 백반 2개요 네 네 어디? 예 얘기해요 괜찮아요 어? 여기요 예

회사예요? 오늘 올 거예요? 왜, 안 돼? 아니 몸이 좀 이상한 거 같아서 저기요 저 괜찮으세요? 계산은 하셨는데 음식은 안 드시고 아이구~ 입맛이 있겠어요? 잘 생각하셨어요 어색하다 싶으면 안 하는게 맞아요 제가 여기서 3년 정도 장사 했는데 이제 딱 보면 대충 맞더라구요 세상에 좋은 남자 참 없어요 그죠? 들어가서 차 한잔 하고 가세요 그러고 운전하면 위험해요 아니, 왜요? 아 왜? 네 너 누구세요? 야, 교사로서 지금 회의가 온다 회의가 내가 니들한테 뭘 어떻게 했길래 어? 나를 갖다 남 뒷담화하는 그런 사람으로 지금 뭐야 넌 또? 니네 엄마 병원에 있대 뭐? 우리 엄마랑 싸웠대? 알고 있으라고 가봐야지 야, 나도 가야 되나? 오늘 니가 병원에 있을 거니? 네 다른 어른들은? 넌 학원은 어쩔거야? 갈 거야 너네 밥은 먹었어? 인상들 펴 누가 보면 세상 다 산 사람들인 줄 알겠다 '주리' 카드 있지? 어 밥 사 먹어 둘이 군것질 하지 말고 기왕이면 비싼 거 사 먹어 니 아빠 돈이니까 엄마 어디 가? 내가 갈 때가 어딨니? 싸우지들 마 너희들이 왜 싸워? 링거 다 맞았는데요 어 바로 해 학생 김미희씨 딸 맞지? 예 아 여기 아까 이모님이 결제 하시고 그냥 갔나 봐 이모요? 이모라던데? 일반 병실로 옮기면서 진료비는 먼저 결재 했거든 "지금 처리중이니 잠시만" "거래가 처리되지 않았습니다" 카드를 받으십시요 "예금 잔액 부족" "박서방" 야! 왜 거기서 나와? 거기서 지내는 거야? 아 아 한 며칠만 야 너 500원짜리 있냐? 커피 한 잔 뽑아주라 빨리 빨리 야 이제 날씨 안 춥다? 겨울 다 갔다 그지? 아빠 차는? 어? 차까지 팔았어? 야, 왜 전화했어? 이까지 찾아오고 엄마가 시켰어? 아니 왜? 너희 엄마 무슨 일 있어? 왜? 아 뭘 자꾸 돈 달라고 그러잖아, 이씨 아빠 돈 없어? 나 돈 없어 엄마도 돈 없어 오리집 있잖아 말이 되는 소리를 해 월세도 못 내고 있는데 아빠, 진짜 돈 없어? 야, 너도 엄마랑 점점 똑같아진다 어? 사실을 말해도 믿지 않는 것도 똑 같네 하하 돈 없으면 이제 그것도 못 하겠네 그냥 구경만 하는 거야 구경하다가 머 운 좋으면 한판하고 더 운 좋으면 한 판 더 하고 그러다가 대박나면 대박이지, 뭐 그냥 다시 직장 다니면 안 돼? 지금 엄마 사정도 안 좋아 좀만 기다려봐 조금만 야 그너저나 너, 이렇게 보니까 완전 어른이다 너 올 해 몇살이지? 너 20살 넘었지? 너 지금 신분증 가지고 있지? 카드 하나 만들고 가라 금방 되거든 나 17살이야 아직 카드도 못 만들고 현금서비스도 못 받아 아 그래? 아직 20살 안 됐구나 야 저기 저 지금 저 차 뭐라고 써 있지? 저게 안 보여? 아빠 눈 나빠져서 저거, 빨리 빨리 삼오찜질방 어, 왔다 아빠 가야되거든 너 갈거지? 전화할께 아빠 내 이름은 알아? 어? 내 이름은 뭔대? 아 아빠 이 택시 타야 되거든 갈께 우리 이제 보지말자 '윤아'야 미안해 마셔 엄마가 갖다 주라고 하셨어요 '윤아'라고 했지? 네 전에 전화로 알려준 게 너지? 네 '주리' 한테도 니가 알려줬니? 걔도 이미 알고 있었어요 '주리'는 어떻게 알았대? 몰라요 둘이 같이 있는걸 들켰겠죠, 뭐 너 엄마가 밉니? 그런 걸 왜 물어보세요? 엄마 병원에 데려다 주셔서 감사합니다 '윤아'야 흔들리면 안돼 지금이 너희들 인생에서 너무 중요한 시기야 아줌마 '주리' 걱정이나 하세요 고맙다 죄송해요 제가 엄마를 닮아서 말을 막 해요 아니야 너 땜에 그런 게 아니야 너 잘못한 거 하나도 없으니까 괜찮아 그냥 가 사실은요 5만원이 모자라요 제가 이번에 알바를 몇 번 빠져서 생각보다 돈이 얼마 안됐어요 다음주 쯤에 '주리' 한테 줄게요 제가 빚 지고는 못 살거든요 그러니까 잊지 말고 '주리' 한테 물어 보셔야 되요 5만원 받았냐고요 알겠어 꼭 물어볼게

What is machine learning in 2 minutes

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

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

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

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

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

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

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

의견에 알려주세요! 곧 뵙겠습니다!

Machine Learning Explained (what business leaders need to know) | Ep. 2

(가벼운 음악) UpTech Report에 오신 것을 환영합니다 마지막 비디오에서는 간단한 질문 하나만 살펴 보았습니다

인공 지능 또는 AI 란 무엇입니까? 우리가 발견 한 한 항목은 볼 수있었습니다 모든 포괄 용어로서 실제로 많은 부분 집합 또는 패싯 자연 언어 처리, 컴퓨터 비전, 기계 학습 및 심화 학습 이 두 번째 주제 에피소드에서, 우리는 기계 학습이 무엇인지 자세히 살펴 본다 비즈니스에서 어떻게 적용 할 수 있습니까? 미래는 어떻게 생겼습니까? 이 질문에 답하기 위해, 우리는 AI 전문가 전체 패널을 인터뷰했습니다

비즈니스 리더 및 기업가 우리를 시작하려면, 우리는 기계 학습이 실제로 용어라는 것을 알았습니다 1959 년 과학자 아서 사무엘 (Arthur Samuel) 누가 IBM에서 근무했는지 그러나 그 이후로 많은 일이 일어났습니다 지금 전문가에게 가서 질문하십시오

기계 학습이란 무엇입니까? – 근본적인 정의에서 일종의 기계 학습 데이터로 무언가를 자동화하고 패턴을 학습합니다 그래서 본질적으로 데이터 세트로 시작합니다 그것은 본질적으로 학습입니다 해당 데이터의 소프트웨어 학습 패턴 그래서 당신이 미래에 새로운 데이터를 줄 때, 그것은 예측을 만들거나 그것이 어떻게 유사한지를 말해 줄 수 있습니다 과거에 본 내용으로 – 나는 기계 학습을 기술 할 것이다

컴퓨터에 뭔가를 보이기 때문에 너를 모방 할 수있게 해줘 새로운 상황으로 일반화하십시오 – 많은 양의 데이터를 읽을 수 있어야합니다 그 데이터의지도를 만든다 해당 데이터 간의 관계를 이해해야합니다

당신이 가진 것은 기계 학습이 전부입니다 – 그리고 나는 이것을 MIT에서 완전히 제거하고있다 그건 그렇고, 지금 당장 플러그를 뽑을거야 MIT에는 기계 학습을위한 공개 강좌가 있습니다 그러나 나는 그들이 이것을 지적하는 것을 좋아한다

그들은 전통적인 프로그래밍에서, 문제를 해결하는 전통적인 방법으로, 먼저 프로그램을 만든 다음 데이터를 가져옵니다 당신이 프로그램을 데이터와 함께 실행 시키면, 그러면 결과가 나옵니다 기계 학습은 데이터를 가지고 있습니다 프로그램 대신에 출력이 있습니다 그래서 나는이 일이 나오길 원한다는 것을 안다

그래서 저는 데이터와 결과물을 가지고 있습니다 그리고 기계 학습이 당신에게주는 것은 프로그램입니다 그것은이 정보를 바탕으로 말합니다, 데이터를이 출력으로 가져 오는 방법은 다음과 같습니다 이 프로그램입니다 그것은 실제로 기계 학습이 무엇인가입니다

모두 통계를 기반으로합니다 – 기계 학습은 인간처럼 행동합니다 인간에 관해서는 그들의 경험을 배웁니다 그들은 데이터를 배웁니다 인간은 확률 론적이다

그들은 모든 것을 올바르게 얻지 못한다 반드시 같은 결과를 반복하지는 않습니다 입력과 기계 학습이 같은 방식으로 주어진다 기술은 항상 진화하고 있습니다 그래서 우리는 전문가에게 물었습니다

기계 학습의 과제는 무엇입니까? – 지금까지 가장 큰 도전 기계 학습 적용 데이터를 준비하는 중입니다 데이터에 쓰레기가있는 경우 또는 그것이 매우 시끄 럽거나 문제가있는 경우, 특히 당신이 예상하지 못하는 것들 또는 너 자신을 볼 수 없다 그 알고리즘은 그 소음을 배울거야 아니면 오판을하기 시작할거야 그것은 잘못된 패턴을 배웠기 때문입니다

– 데이터를 올바르게 구성하는 것만으로 많은 비즈니스에서 큰 도전이됩니다 극복하고 이해하기 위해서입니다 그리고 모든 것을 함께 갖는 것 고객 데이터 플랫폼 인 전체 비즈니스가 있습니다 그들의 모든 일은 5 개 또는 6 개의 다른 데이터를 취하는 것입니다

상점에 저장하고 통합보기를 만들려고합니다 고객의 나는 이것이 조언 일 것이라고 생각한다 자영업자들에게 생각하기 시작하는 줄 데이터 캡처 방법, 데이터 시스템에서 해당 데이터를 어떻게 태그 지정하는지 궁극적으로 당신이 그것을 달성하기를 원하는 것입니다 – 충분한 데이터를 얻는 방법은 무엇입니까? 그리고 그것은 오늘날의 진정한 도전입니다 관련성이 충분한 데이터를 어떻게 찾을 수 있습니까? 시스템을 안정적으로 훈련시킬 수있는 그것이 무엇이든 나는 그것을 가르치려고 노력하고 있는가? 법률 회사의 조직적 지식 또는 차를 운전하는 방법

화성 탐사 방법 그런 종류의 것들 그리고 그것은 오늘날 우리가 어떻게 충분한 데이터를 얻는가하는 문제입니다 올바른 모양으로 가져 가라 그래서 기계는 그것에서 의미를 몰 수있다

– 알렉산더 – 데이터가 하나라는 것은 분명합니다 주요 쟁점들 중 그러나 정확성은 어떨까요? 소비자와 비즈니스 유스 케이스의 차이 – 기계 학습의 확률 론적, 당신이 셀 수없는 것을 의미합니다 매번 특정 답변에 당신이 얻는 정확도 레벨 기계 학습 알고리즘으로 80 % 또는 90 % 범위

– 사업에서 당신은 단지 80에 가야합니다 하지만 소비자의 경우 99에 가까워 져야합니다 그래서 사람들은 시리를 해칠거야 왜냐하면 그것은 저를 한번 이해하지 못했기 때문이죠 비즈니스와 마찬가지로, 조금 더 실용적입니다

시간의 100 %가 작동하지 않는 것처럼 될 수 있습니다 그러나 10 번 중 8 번은 아무것도 할 필요가 없었습니다 – 그럼 알았어 그것들은 앞에서 배우고있는 기계에서 일어나고 오는가? 우리는 전문가에게 물어 봅니다 – 나는 보통 생각하는 두 가지 범주가 있다고 생각한다

이것에 대해서 우리가 상호 작용하는 것의 종류가 있습니다 일상 생활에서 가끔은 많이 사람들이 기계 학습을하는 것을 깨닫지 못한다 백 엔드에서는 정말 흥미 롭습니다 그리고 나는 그것이 어렴풋이 드는 것 같아요

왜냐하면 우리는 그것에 대해 정말로 말하지 않기 때문입니다 그리고 정말로 새로운 종류의 및 앞으로 및 오는 신청 사람들이 지금 바로 작업하고 있습니다 나는 이미지 분류 같은 것을 생각한다 페이스 북에 존재하는 우리의 일상 생활 또는 존재하는 단어 인식 및 분류 Google 검색 또는 휴대 전화 기능 비행 특성을 배울 수 있어야한다 당신 목소리의 그것은 당신이 더 잘 말하는 것을 식별 할 수 있다는 것입니다

다른 사람에게 – 아주 인상적이야 특히 의료 분야에서, 진단에 도움이되는 방법 모든 단일 증상에 대해 완전한 인터넷에 액세스 할 수 있습니다 그 증상이 나타나고 증상에 맞 춥니 다

특정 환자의 -이 추상화 계층의 진정한 기회 디자인은 무엇입니까? 이러한 알고리즘을 구현하는 것은 어떻게 생겼습니까? 그리고 그것을 AI의 Squarespace로 만들 수 있습니까? 우리가 그렇게 쉽게 할 수 있을까요? 드래그 앤 드롭한다고 이제는 정말 멋진 프로토 타입이 있습니다 그것은 시간이 지남에 따라 배우고 똑똑해질 것입니다 -하지만 흥미로운 응용 프로그램이 많이 있다고 생각합니다 올라 오는 것은이 수업에 있습니다 감독되지 않은 학습 알고리즘, 이것은 알고리즘의 최첨단 클래스입니다

실제로 기계를 말하고있는 곳 그 자체로 배우기 당신은 실제로 배울 데이터의 예를 제공하지 않습니다 만나기 위해 이런 종류의 목표를 부여하고 있습니다 정확성의 관점에서 말하면 스스로 배우십시오 – 알렉산더 – 마지막으로, 우리는 비즈니스 리더가 실제로 자신의 비즈니스에서 기계 학습을 적용 할 수 있습니까? 혼자서해야합니까 아니면 누군가를 고용해야합니까? 신청하는 것은 매우 비싸고 어렵습니까? – 기본적인 회귀에서 벗어나는 것은 매우 어렵습니다

보다 공식적인 교육을받지 않고도 깊은 학습을 할 수 있습니다 더 많은 것들이 있기 때문에 더 많은 경험을 할 수 있습니다 그건 잘못 될 수 있습니다 그리고 만약 당신이 인식이나 능력이 없다면 일이 잘못되었는지 이해하는 또는 그들이 왜 잘못되었는지, 너는 이해할 수 없을거야 또는 당신이 얻은 결과를 해석하십시오

그래서 나는 스트레칭이 너무 많지 않다고 말할 것입니다 기본 기계 학습 기술로 이동 그러나 일단 당신은 깊은 학습 같이 무언가에 얻고 싶으면, 더 많은 이해가 필요합니다 – 너 자신에게 물어 봐야 할 질문이야 모든 비즈니스, 소프트웨어를보고있을 때 또는 핵심 역량에 추가 할 서비스, 그것은 우리가 그것을 구축 하는가? 우리는 누군가와 파트너가되거나 그것을 구매합니까? 그게 좀 이상하다고 생각해 회사가 찾고 있어야하는 곳 이러한 프레임 워크를 어떻게 사용합니까? 거기에 우리를 허용하는 서비스가 있습니까? 이러한 것들을 가능하게하기 위해서? 우린 항상 인터넷을 스캔하고있어

SIGGRAPH와 같은 회의에 참석하기 사람들이하고있는 것을보고 우리가 빌릴 수있는 것을 보았습니다 나는 획기적인 약간의 것을 만들려고하지 않는다 우리 회사의 새로운 연구 때문에, 솔직히 말해, 돈을 잘 사용하지 못한다 다른 많은 영리한 사람들이 제비 뽑기를 소비 할 때 사람들과 같은 많은 돈 구글과 IBM 및 다른 곳에서 일단 그들이 문제를 해결하면, 우리는 대단하다

이제 우리는 길을 찾을거야 그 아이디어들 중 일부를 통합한다 6 개월 동안 10 배의 투자 수익을 올릴 수 있습니다 – AI에 관해 당신에게해야 할 질문은 무엇입니까? 의견을 통해 알려주십시오 질문에 대한 답변을 찾을 수 있습니다

향후 비디오에서 다루겠습니다 구독을 잊지 말고 알림을 받으십시오 새 동영상이 게시 될 때 저는 Alexander이고 이것은 UpTech Report입니다 (낙관적 인 음악)

Machine Learning – Part 2 – Detecting the Human Face – Flame 2020

모두들, 화염 학습 채널 허가 Machine Learning Series의 파트 1에서

당신은 기계 학습에 대한 간단한 소개를 받았습니다 뿐만 아니라 Z 깊이 생성기를 보여 어떤 장면에서 깊이있는 정보를 추출 할 수 있습니까? 그리고 Z-depth 패스를 생성합니다 이것은 다양한 작업에 사용될 수 있습니다

이전 예제에서 Z-depth generator는 Effects Environment와 함께 사용되었습니다 이미지의 일부분을 분할하려면 그리고 룩 개발 작업을 수행하십시오

이 시리즈의 2 부에서는 우리는 배치에서 Machine Learning을 계속 살펴볼 것입니다 뿐만 아니라 다른 발전기 인간의 얼굴을 감지 할 수있는

그리고 법선지도를 추출하십시오 이것은 얼굴 특징을 분리하고 향상시키는 데 사용할 수 있습니다 3D 선택기를 사용하여 룩 개발을 수행하든 또는 Action 3D 컴포 지터의 3D 조명

따라오고 싶다면 아래 설명에있는 링크를 사용하여 zip 파일을 다운로드하십시오 또는 링크가 화면에 표시됩니다 다음으로 MediaHub에 미디어를로드하십시오 제공된 배치 설정을로드합니다 이제는 배치에 관해서

기계 학습은 몇 개의 노드에서 가능합니다 첫째, Machine Learning 모델은 Matchbox GLSL 쉐이더 기술을 기반으로합니다 예를 들면

Matchbox 노드를 Batch 노드 bin 밖으로 끌 수 있습니다 배치 다이어그램에서이 소스 노드에 연결하십시오 브라우저가 시작되면 목록의 가운데로 스크롤하십시오

여기에 두 개의 쉐이더가 있습니다 하나는 "MLDepthMap"이라고합니다 다른 하나는 "MLFaceMaps"입니다

우리는 곧 얼굴지도에 올거야 그러나 Depth Map 쉐이더를 선택하십시오 결과를 보려면 F4 키를 누릅니다

이것은 같은 종류의 글로벌 깊이 맵을 생성합니다 당신은 1 부에서 보았습니다 그러나 이제 Matchbox 노드의 형태가되었습니다

그리고 이것을 합성 플로우 그래프의 일부로 사용할 수 있습니다 "ML Depth Map 노드"에는 컨트롤이 없습니다 이제 Batch로 돌아가서 다른 Matchbox 노드를로드하십시오

또한 동일한 소스 클립과 연결하십시오 브라우저에서 이번엔 "MLFaceMaps"쉐이더 찾기 그리고 그것을 선택하십시오

이 노드의 결과보기를 보면 화염은 이미지를 분석합니다 그리고 기본적으로 맵 출력은 사람 얼굴의 법선 맵을 생성합니다

재 연결 효과에 사용할 수 있습니다 하지만 우리가하기 전에 풀다운 메뉴를 살펴 본다면 주목할만한 가치가 있습니다 이 기계 학습 생성기는 또한 인간의 얼굴의 자외선지도를 만들 수 있습니다

인간의 얼굴을 중심으로 한 깊이 맵 그리고 마지막으로 UV Depth 패스 그러므로 그것이 "MLFaceMaps"라고 불리는 이유입니다 이러한 모든 데이터 패스는 다양한 방법으로 사용됩니다 Flame의 3D 처리 도구를 사용합니다 예를 들어, 출력을 깊이에 두십시오 그리고 배치로 돌아갈 수 있습니다

이제 노드 bin에서 "Depth of Field node"를 찾습니다 이것을 밖으로 끌어 내십시오 그리고 소스 클립을 앞면과 연결하십시오

그리고 얼굴 Z 깊이는 두 번째 입력으로 전달됩니다 노드를 선택하고 결과보기로 F4를 누르십시오 그래프를 확대하면

당신은 어떻게 z 깊이 입력을 볼 수 있습니다 샷을 분석하고 분류했습니다 Z- 깊이 오프셋을 늘려 데이터를 카메라에 더 가깝게 이동하십시오 그리고 Z 깊이 범위를 줄이십시오

더 많은 세분화를 통해 데이터를 확장하려면 얼굴에 초점을 유지하려면 초점 평면과 초점 범위를 조정하십시오 쉬운 조정을 위해 이미지의 표시기를 볼 수 있습니다 당신이 흐려질 때

생성 된 "인간의 얼굴"깊이가 어떻게 통과하는지 볼 수 있습니다 얼굴에 초점을 맞추고 샷에 영향을 미치고 있습니다 "ML 깊이 맵"에서 글로벌 분석을 사용한 경우

결과는 매우 다를 것입니다 그러나 어느 쪽이든 기계 학습 모델은 이러한 결과를 얻는데 없어서는 안될 부분입니다 이제 마술처럼 보일지도 그러나 이해하는 것이 중요합니다

Flame이 이러한 깊이 맵과 법선 맵을 만드는 방법 그래서 나는 단지 작은 시간을 가져 가고 싶다 이 새로운 신기술에 대해 이야기하기

첫째,이 결과는 정의 된 명령 목록을 기반으로하지 않습니다 이미지에서 특정 색상을 제거하는 것 또는 보이는 픽셀을 추적합니다 대신, 기계 학습은 이미지에 대해 "생각"해야합니다 그런 다음 깊이 맵 또는 법선 맵을 생성하십시오 그렇다면 기계 학습은 어떻게 생각합니까? 글쎄, 2020 년 화염 개발 중

알고리즘 집합 우리는 이것을 "기계 학습 모델"이라고 부릅니다 "데이터 세트"라고 불리는 많은 이미지가 공급되었습니다 그것이 무엇을보고 있는지 이해하기 위해서 결과를 산출합니다

이제 모델을 제공하는 것은 불가능합니다 가능한 모든 시나리오가 발생할 수 있습니다 그러나 더 많은 데이터 집합이 집중됩니다

더 정확한 결과의 더 좋은 가능성 얼굴 법선 매핑을 볼 때 이것을 볼 수 있습니다 매번 성공적인 세대를 보장하는 것은 불가능합니다

하지만 결국, 당신은 기계 학습의 강점과 약점을 배우게됩니다 그리고 그것이 가장 잘 작동하는 내용 일부 지침에 관해서는 우리는 현재 피하는 것이 좋습니다

흐린 하늘, 무거운 성운, 극심한 피사계 심도 익스트림 모션 블러 미친 카메라 앵글 그리고 야간 촬영은 피사계 심도가 진정으로 결정될 수 없습니다

이제 예제로 돌아가 보겠습니다 Machine Learning을 사용하여 사람의 얼굴을 감지합니다 이번에는 Normals Maps in Action을 생성하게 될 것입니다

선택기 또는 3D 조명으로 즉시 사용할 수 있습니다 작업 노드를 드래그하여 그리고 다음 소스 클립을 배경으로 연결하십시오 그리고 미디어 입력

2-up view는 ALT + 2를 누르십시오 그리고 메인 뷰포트를 결과보기로 설정하십시오 다른 바로 가기는 8 키보드 바로 가기가있는 관리자입니다 법선 맵을 생성하려면 두 가지 방법이 있습니다 선택의 유무에 관계없이 예를 들어, 3D 조명을 사용하는 경우

그리고 당신은 선택적인 것이 필요하지 않습니다 Manager의 표면 위에 문맥 메뉴를 불러오는 중 그리고 법선 맵을 추가하십시오 MEDIA INPUT과 FACE ANALYSIS 중에서 수동으로 선택하는 것이 좋습니다

당신은 다음 비디오에서 그것을 보게 될 것입니다 그러나 선택과 함께 생성 된 노멀 맵을 사용하려는 경우 더 쉬운 방법은 Selective first를 추가하는 것입니다

같은 문맥 메뉴를 사용합니다 다음으로 3D AOV 메뉴로 전환하십시오 유형을 NORMALS로 변경하십시오 MAP 작성을 누르십시오 Manager에서 자료를 확장하는 경우

표면에 할당 된 법선 맵을 볼 수 있습니다 Normal Map 컨트롤로 이동하면 이미 "얼굴 분석"을 수행하도록 설정되어 있습니다 두 가지 방법 중 하나를 사용하여 같은 지점으로 이동할 수 있습니다

그러나 하나는 다른 것보다 자동화되어 있습니다 개체 뷰어에 대해 F8 키를 눌러 법선을 표시합니다 그래서 법선을 생성하고 있습니다

외부 입력을 사용하는 대신 이제 분석 메뉴로 전환 할 수 있습니다 그리고 법선을 디스크에 캐시하십시오 스크럽에 캐시하지 않으려는 경우 성능은 일반적으로 빠를 것입니다

모션 벡터 데이터 캐싱보다 이제 나는 이미 언급했다 3D 선택기 중 하나를 사용하여 법선 맵을 사용할 수 있습니다 또는 VFX 및 Look Development 용 3D 조명

각 워크 플로의 개별 예제를 살펴 보겠습니다 따라서 이미 적용한 Selective로 시작 선택 사항을 선택하고 결과보기로 F4 키를 누르십시오

이 시점에서 약간의 채점을하면 전체 이미지에 영향을줍니다 선택 컨트롤에서

선택적 키어나 마스크를 만들 수 있습니다 그러나 3D AOV 메뉴를 클릭하면 3D 데이터를 사용하여 이미지의 일부분을 분리 할 수 ​​있습니다 유형을 NORMALS로 설정하면 ACTIVE를 클릭하십시오 노멀 맵은 이제 3D 선택을 제한합니다 이를 확인하려면 Manager에서 여전히 선택이 선택되어 있는지 확인하십시오 선택적 개체 뷰어에 대해 F8 키를 누릅니다 이 표현은 선택 영역에 의해 제한되는 영역을 보여줍니다

흰색은 전체 효과에 적용되고 검정색은 효과가 없습니다 위젯 조정을 시작할 때 당신은 당신의 조명이 위에서 오는 것인지 선택할 수 있습니다

얼굴의 왼쪽, 오른쪽 따라서 조명이 어디서 발생하는지 정확히 판단 할 수 있습니다 영향을받는 영역을 제한하기 위해 임계 값을 줄일 수도 있습니다

이득을 조정할뿐만 아니라 제한된 지역을 부양하기 위해 결과 뷰어에 대해 F4 키를 누르면 3D 선택 도구가 얼굴과 상호 작용하는 모습을 볼 수 있습니다

마치 빛이 실제로 촬영에서 빛나는 것처럼 위젯을 조정할 수도 있습니다 결과보기에서 결과 업데이트를 확인하십시오 이제는 너무 가혹한 것 같습니다 따라서 Selective Render 옵션을 사용하면 수축, 팽창 뿐만 아니라 선택의 출력을 흐리게합니다

이것은 재 점착에보다 자연스러운 모습을 줄 수 있습니다 마지막으로 선택 영역의 여러 구성 요소를 결합 할 수 있습니다 그래서 당신이 Gmask를 사용하여 선택을 제한하고 싶다면 그것은 아주 솔직합니다 Manager의 선택 메뉴에서 컨텍스트 메뉴 불러 오기 무료 Gmask를 추가하십시오

이제 마스크를 얼굴 주위에 그립니다 문맥 메뉴를 사용하여 그라데이션 점을 추가하십시오 마스크를 안쪽으로 부드럽게합니다

결과는 지금 매우 유용하게 보입니다 그리고 Manager에서 Selective를 선택하면 F8을 사용하여 Selective Object 뷰어로 전환 마스크가 어떻게 3D 선택의 출력을 제한하는지 볼 수 있습니다

이제 분명히이 마스크는 얼굴을 추적해야합니다 그래서 관리자의 선택과 Gmask를 확장하십시오 Gmask가 선택된 상태에서 축 추적 메뉴로 전환 모드를 평면으로 변경하십시오 선택된 Gmask 객체 뷰어에 대해 F8 키를 누릅니다

'자동 업데이트 참조'설정 그리고 트랙을 분석하십시오 그걸로 Manager에서 Selective를 선택할 수 있습니다

선택적 개체 뷰어에 대해 F8 키를 누릅니다 시간대를 닦으십시오 마스크가 추적되고 3D 선택과 결합 된 것을 볼 수 있습니다 결과 뷰어로 F4를 누르면 모양새가 어떻게 고정되고 얼굴에만 제한되는지 확인할 수 있습니다 언제든지 3D 선택 메뉴로 되돌아 갈 수 있습니다 결과에 대한 즉석 업데이트를위한 설정을 변경하십시오

이 시점에서 배치 설정을 반복하여 저장하십시오 그리고 다음 비디오에서이 작업을 계속할 것입니다 그래서 그것은 인간의 얼굴 탐지의 한 예입니다

플랫 이미지에 선택적 3D를 사용 하여 이제 기계 학습은 데이터 만 계산할 수 있습니다 그것이 무엇을 가르쳤는지에 따라 그래서 다음 비디오에서 닫기 업 이외의 샷으로 얼굴을 추출하는 방법을 배우게됩니다 또한 액션 컴포지트에서 3D 조명을 사용하는 방법을 배우게됩니다 생성 된 법선 맵을 사용하여 얼굴을 다시 배치합니다

제 3 부로 이동하십시오 다른 기능, 워크 플로우를 확인하는 것을 잊지 마세요 Flame 2020의 향상된 기능

의견, 피드백 및 제안은 언제나 환영하며 감사하겠습니다 향후 비디오를 위해 Flame Learning Channel에 가입하십시오 보고 주셔서 감사합니다

[MV] Eddy Kim(에디킴), Subin(수빈) _ Dream (I am a movie director too(나도 영화감독이다_청춘무비) OST Part.1 )

if I wanna be a hero would you believe in my dream if I decide not to chase would you walk with me to dream maybe I don’t know the world but I know where I should belong it's time to say good bye to all the worries I had oh I can do anything if I can sing with all my heart oh I just want nothing at all as long as you are by my side oh I just want nothing if I can sing with all my heart oh I just want nothing at all as long as you are by my side and I will sing with all your heart maybe I don’t know the world but I know where I should belong it's time to say good bye to all the worries I had oh I can do anything if I can sing with all my heart oh I just want nothing at all as long as you are by my side oh I just want nothing if I can sing with all my heart oh I just want nothing at all as long as you are by my side and I will sing with all your heart and I will sing with all your heart

Specialization Agenda – How Google does Machine Learning from Google Cloud #2

우리는이 과정으로 전문화를 시작합니다 Google이 ML을 어떻게 운영하는지, 내가 기계 학습과 우리가 먼저 AI라고 말할 때 Google이 의미하는 바

내 동료 조쉬 (Josh)가 Machine Learning 전략에 관해 이야기합니다 기계 학습을 수행하는 방법에 대한 두 가지 링크에 대한 설명으로 끝납니다 파이썬 노트북과 서버를 덜 사용하는 데이터 처리 컴포넌트를 사용합니다 자, 당신이 엔지니어이거나 과학자라면, 당신은 아마 이것이 모두 너무 높은 수준이라고 생각하고 있습니다 그리고 당신은 뛰어 넘을 준비가되어 있습니다

다음 코스는 TensorFlow의 기술적 세부 사항을 탐구하기 시작합니다 하지만 그 결정을 내리기 전에 당신에게 뭔가를 말하게하십시오 우리가 고객들에게이 과정들을 가르쳤을 때, 그 중 하나는 종종 모델이 조쉬는 가장 자주 방문한 사람이었습니다 6 개월 후에 다시 일하러 나갔다 그들이 가장 많이 보았던 모델은 Machine Learning의 전략에있었습니다

기술 세부 사항을 탐구하기 전에 큰 그림을 얻으려고합니다 큰 그림은 당신에게 매우 중요합니다 나머지 조직으로부터 들어갈 수 있어야합니다 이를 수행하기 위해 TensorFlow를 사용하여 기계 학습을 수행합니다 그것은 두 가지 측면을 포함합니다

하나는 좋은 기계 학습 데이터 세트를 만들고 두 개는, TensorFlow로 첫 번째 기계 학습 모델을 구축하십시오 기계 학습 데이터 세트를 만드는 것은 너가 묵살하고 싶지 않는 그 실제적인 모형 기계 학습 모델을 만들고 잘 작동하면 당신의 실험에서 그러나 생산에서 비참하게 실패합니다 그 이유는 종종 Machine Learning 데이터 세트를 작성한 방법으로 돌아옵니다 그러니 시간을내어 레슨을 흡수하십시오

그러면 우리는 기계 학습의 정확성을 향상시키는 두 가지 코스가 있습니다 처음으로 기계 학습 모델을 만들면서, 당신은 그 모델을 개선하기 위해 당신이 할 수있는 많은 것들이 있다는 것을 배울 것입니다 이 섹션을 도구 상자에 일련의 아이디어로 채우는 것으로 생각하십시오 상황에 따라 다른 아이디어를 사용하게됩니다 그래서 당신은 그것들이 도움이 될 것이라는 것을 알게 될 것입니다

당신이 다른 기계 학습 문제를 해결할 때 당신의 경력 이전과 마찬가지로 이름을 짓는 것만으로는 충분하지 않습니다 이러한 개념을 확인하십시오 당신은 그 (것)들을 이해하는 시간을 줄 필요가있다 코드로 구현하는 법도 알고 있어야합니다

그런 다음 일련의 과정으로 이동합니다 그것들은 기계 학습 모델을 조작하는 것에 관한 것입니다 앞서 언급했듯이, 기계 학습 모델 조작, 그리고 그 말은 내 말은, 예측을 제공하는 분산 방식으로 대규모로 교육하고, 엔드 투 엔드 (end-to-end) 모델 학습 모델 작성 컴퓨터 학습의 운영 모델은 매우 어려울 수 있습니다 대부분의 엔터프라이즈 Machine Learning 프로젝트가 실패하는 단계입니다 얼마나 많은 회사와 통화했는지 말할 수는 없지만, 누가 혁신 팀이 멋진 ML 프로젝트를 고안했다고 말했는지, 그러나 그들은 ML 모델을 프로덕션으로 만드는 데 어려움을 겪고있었습니다

이 일련의 과정에서, 우리는 훈련하는 방법에 대해 이야기 할 것이고, ML 모델로 제작 준비, 배포 및 예측을 할 수 있습니다 마지막으로 기계 학습 이론을 다시 살펴 봅니다 그러나 큰 공기 따옴표에있는 이론 기계 학습 이론은 주로 발견 적 방법입니다 기계 학습은 강렬한 휴리스틱 학문입니다

당신은 도구와 트릭의 가방만큼이나 좋습니다 그래서 우리는 많은 도구와 트릭을 소개합니다 기계 학습 모델의 입력이 이미지 일 때 작동합니다 처리에 도움이되는 도구와 트릭이 시퀀스를 출력합니다 Machine Learning의 시퀀스는 시계열 데이터 또는 텍스트 데이터 일 수 있습니다

마지막으로 강력한 추천 시스템을 구축하는 몇 가지 방법을 살펴 보겠습니다 추천 시스템 또는 맞춤 알고리즘을 작성하는 방법 그래서 대부분의 ML 엔지니어가 자신의 커리어에서 어느 시점에 구축 한 것입니다 실제로, 그것은 많은 사람들이 만들 유일한 ML 시스템 일 것입니다 그러나 강력한 추천 엔진을 구축하려면 도구와 도구를 이해해야한다는 것이 밝혀졌습니다

이미지와 시퀀스에서 빌려 온 트릭 그래서 우리는이 순서로 그들을 바라 보는 것입니다 그래서 그것이 우리가 보는 이유입니다 전문화가 끝나면 추천 엔진에서 자, 전에이 자료 중 일부를 접했을 수도 있습니다 특히 처음 네 과목에서

예를 들어, 기계 학습 데이터 세트 및 TensorFlow 기본 사항, 슬라이드 중 일부는 TensorFlow를 사용한 기계 학습 (Machine Learning) 그것은 Coursera에서 이용 가능합니다 마찬가지로 Google의 기계 학습 충돌 코스가 발생한 경우, 이것은 내부 Google 과정이지만 그것은 또한 몇몇 대학 캠퍼스에서 가르쳐졌으며, 당신은 그 물질과 특징의 일부를 찾을 수 있습니다 ML의 표현과 예술 그리고 과학은 익숙하다 그럼에도 불구하고, 세부 사항은 상당히 다릅니다 그러니 완전히 건너 뛰지 마십시오

이 과정을 유용한 재교육으로 간주하고 그 섹션들에서 제시된 아이디어들을 아직도 기억하고 있는지 확인하십시오

Introduction to Machine Learning, Part 2: Unsupervised Machine Learning

감독되지 않은 기계 학습은 라벨이 지정되지 않은 패턴 및 데이터 세트를 찾습니다 데이터를 탐색 할 때이 기법을 사용합니다

그러나 아직 구체적인 목표가 없거나 데이터에 포함 된 정보가 확실하지 않은 것입니까? 또한 데이터의 크기를 줄이는 좋은 방법입니다 앞서 논의한 것처럼 대부분의 감독되지 않은 학습 기술은 데이터를 공유 특성에 따라 그룹으로 구분하는 클러스터 분석의 한 형태입니다 클러스터링 알고리즘은 하드 클러스터링이라는 두 가지 광범위한 그룹에 속하며, 각 데이터 포인트는 단 하나의 클러스터에만 속합니다 소프트 클러스터링 : 각 데이터 포인트는 컨텍스트에 대해 둘 이상의 클러스터에 속할 수 있습니다 다음은 하드 클러스터링 예제입니다 당신이 휴대 전화 타워를 짓고있는 엔지니어라고 해봅시다

구축 할 타워의 수와 수를 결정해야합니다 최상의 신호 수신을 제공하는지 확인하려면 사람들의 클러스터 내에 타워를 배치하여 클러스터 수를 초기 추측해야합니다 3 개의 타워와 4 개의 타워가있는 시나리오를 비교하여 각 타워가 서비스를 얼마나 잘 제공하는지 확인하십시오 전화는 한 번에 하나의 타워와 만 통화 할 수 있기 때문입니다 이것은 하드 클러스터링 문제입니다

이를 위해 k-means 클러스터링을 사용할 수 있습니다 k-means 알고리즘은 데이터의 각 관측을 공간상의 위치를 ​​갖는 객체로 취급하기 때문에 데이터 센터에서 클러스터 센터까지의 총 거리를 줄이는 클러스터 센터 또는 수단을 찾습니다 그래서 하드 클러스터링이었습니다 실제 세계에서 소프트 클러스터링 알고리즘을 사용하는 방법을 살펴 보겠습니다 정상 및 비정상 세포 분열에 관여하는 유전자를 분석하는 생물 학자 인 척 당신은 두 개의 조직 표본에서 얻은 데이터를 가지고 있으며 이들을 비교하여 유전자 특징의 특정 패턴 암과 관련있다 동일한 유전자가 여러 생물학적 과정에 관여 할 수 있기 때문입니다

어떤 단일 유전자도 한 클러스터에 속하지 않을 것입니다 데이터에 퍼지 C 평균 알고리즘을 적용한 다음 클러스터를 시각화하여 유사한 방법으로 어떤 유전자 그룹이 행동하는지 확인합니다 그런 다음이 모델을 사용하여 정상 또는 비정상 세포 분화와 상관 관계가있는 기능을 확인할 수 있습니다 여기에는 레이블이없는 응답으로 데이터를 탐색하기위한 하드 소프트 클러스터링의 두 가지 주요 기술이 포함됩니다 그러나 관리되지 않는 기계 학습을 사용하여 기능의 수 또는 데이터의 차원을 줄이십시오 데이터를 덜 복잡하게 만들려면이 작업을 수행하십시오 특히 수백 또는 수천 개의 변수가있는 데이터로 작업하는 경우 데이터의 복잡성을 줄임으로써 중요한 기능에 집중하고 더 나은 통찰력을 얻을 수 있습니다

세 가지 일반적인 차원 감소를 살펴 보겠습니다 알고리즘 주성분 분석 또는 PCA 데이터의 선형 변환을 수행하여 데이터 세트의 대부분의 분산을 처음 몇 가지 주요 구성 요소로 캡처합니다 이것은 기계 상태 모니터링을위한 조건 표시기를 개발하는 데 유용 할 수 있습니다 요인 분석은 데이터 세트의 변수 간 근본적인 상관 관계를 확인합니다 관찰되지 않은 잠복 또는 공통 요소의 표현을 제공합니다

요인 분석은 때로 주가 변동을 설명하는 데 사용됩니다 비 음수 행렬 인수 분해는 모델 항이 나타낼 때 사용됩니다 웹 페이지 또는 문서의 많은 텍스트를 비교해야하는 경우 물리량과 같은 음수가 아닌 양 이것은 텍스트가 존재하지 않거나 양의 횟수만큼 발생하기 때문에 시작하는 좋은 방법입니다 이 비디오 우리는 하드 및 소프트 클러스터링 알고리즘에 대해 자세히 살펴 보았습니다

또한 감독되지 않은 기계 학습을 사용하여 데이터 세트의 기능 수를 줄이려는 이유를 설명했습니다 당신의 다음 단계를 위해 자율 학습이 귀하의 최종 목표 일 수 있습니다 데이터를 세그먼트 화하려는 경우 클러스터링 알고리즘이 다른 한편으로는 적절한 선택입니다 감독 학습의 차원 축소 단계로 감독되지 않은 학습을 사용하고자 할 수 있습니다 다음 비디오에서는 더 가까이 다가 가겠습니다 감독 학습을보세요

지금은이 비디오를 마무리합니다 더 많은 리소스와 링크를 보려면 아래 설명을 확인하는 것을 잊지 마십시오