The Dawn of AI (Machine Learning Tribes | Deep Learning | What Is Machine Learning)

이 AI 시리즈의 과거 비디오에서 의 분야에 꽤 깊이 파고 들었다 기계 학습, 둘 다 논의 지도 및 비지도 학습 그만큼 이 비디오의 초점은 우리가 가진 많은 주제를 통합 지난 비디오에서 논의하고 답변 이것의 시작 부분에 제기 된 질문 기계 학습 시리즈, 차이점 인공 지능과 기계 학습! 요약하면 이 시리즈의 지난 두 동영상에 우리는 감독과 그들과 함께 비지도 학습 기계 분야의 부분 집합 배우기

지도 학습은 우리가 레이블이 있고 구조화 된 데이터가 있으며 우리가 사용하는 알고리즘은 입력 데이터를 기반으로 출력합니다 반면에 비지도 학습 레이블이없는 비정형 데이터 용 우리가 선택한 알고리즘은 구조화되지 않은 구조에서 구조 도출 출력 데이터를 예측할 수있는 데이터 입력 데이터를 기반으로합니다 또한 둘 다 지도 및 비지도 학습은 1) 회귀-A 지도 학습 방식 출력은 기능 기반의 값입니다 다른 기능과의 상관 관계에 최고의 연속 선에있는 것 알고리즘에 맞게 결정합니다 2) 분류-감독 학습 출력이 레이블 인 방법 카테고리에 기초한 데이터 포인트 포인트가 있었다

이산 카테고리의 결정 경계는 우리가 선택한 알고리즘 3) 클러스터링- 비지도 학습 방식 다양한 카테고리를 발견해야합니다 데이터 포인트는 그들의 기능의 관계 4) 협회-비지도 학습 우리가 발견해야하는 방법 데이터 세트의 기능 상관 과거에 언급했듯이, 그것은 좋지만 이 주제들을 조금씩보기 위해 거품, 종종 많은 크로스 오버가 있습니다 예를 들어 다양한 기술 사이에서 반 감독 학습의 경우 이것은 이전에 논의되지 않았지만 본질적으로 데이터 세트가 레이블이있는 데이터와 레이블이없는 데이터를 모두 포함합니다

따라서이 경우에는 이러한 유형의 데이터는 먼저 클러스터 할 수 있습니다 데이터를 분류 한 후 실행 그것에 알고리즘, 또는 다른 많은 기술의 조합 이제 길을 개척하고 장군 기계의 종류에 대한 이해 학습과 모든 지식 과거에 다룬 용어 비디오, 우리는 이제 무엇을 해독하기 시작할 수 있습니다 기계 학습이라는 용어는 실제로 그리고 인공과 관련이있는 방법 지능과 다른 분야! 명시된 바와 같이 이 시리즈의 첫 번째 비디오에서 기계 학습이라는 용어는 컴퓨팅의 선구자 인 Arthur Samuel은 컴퓨터를 제공하는 연구 분야 능력 명시 적으로 배우지 않고 배우다 이러한 광범위한 정의로 하나는 논쟁 할 수 있고 모든 '유용한'프로그램은 '학습' 그러나 무언가 진실의 수준 학습은 다양합니다 이 수준의 학습 알고리즘에 의존 프로그램이 통합됩니다 이제 돌아가 몇 단계, 알고리즘은 개념 그 이후로 수세기 동안 존재했습니다 인류 문명의 새벽 프로세스를 지칭하는 용어 또는 따라야 할 규칙 세트 계산 또는 기타 문제 해결 작업

무엇이든 될 수 있지만 알고리즘과 같은 음식 접시 또는 단계를위한 조리법 화재를 시작하는 데 필요한 용어입니다 가장 일반적으로 우리를 설명하는 데 사용 수학의 이해와 방법 우리 주변의 세상과 관련이 있습니다 현실의 정보 패브릭 의 발전과 함께 앞으로 진행 컴퓨팅, 본질적으로 구축 된 필드 수학적 속도의 전제 계산, 탄생의 길을 주었다 알고리즘이 현재 컴퓨터 과학 처리, 저장 및 정의 디지털 정보의 통신 그만큼 알고리즘을 반복하는 능력 초고속 컴퓨터 지난 세기에 운영 주도 구현 및 발견 몇 가지를 나열하기 위해 다양한 알고리즘 Bubble과 같은 정렬 알고리즘이 있습니다 정렬 및 빠른 정렬, 최단 경로 Dijkstra 및 A *와 같은 알고리즘 이 목록은 계속해서 다양하게 사용할 수 있습니다 문제 이 알고리즘은 있는 것처럼 보이는 작업을 수행 학습은 정말 반복적입니다 사전 프로그래밍 된 단계 수행 뚜렷한 대조로 결과를 달성하다 기계 학습의 정의에 명확한 프로그래밍없이 배우십시오

지난 몇 개의 동영상을 다시 반영 이 시리즈에서 우리는 머신 러닝 유형 감독 및 감독되지 않은 사람이 있습니다 그것들을 통과하는 공통 스레드 양자 모두 다양한 기술을 활용하려면 형성하는 접근법과 알고리즘 데이터 세트에 대한 의사 결정 경계 결정 공간 이것은 결정을 나누었다 공간을 기계라고합니다 학습 모델과 과정 모델을 형성하는 것 데이터 세트의 의사 결정 경계는 훈련이라고합니다 이 훈련 모델이 첫 번째와 평행을 이룹니다 우리 인간으로서의 기본 지식 유형 표시, 선언적 지식, 기타 단어, 암기, 축적 개별 사실

우리가 훈련되면 모형과 그것은 좋은 정확도를 보이고 있습니다 훈련 데이터에 우리는 그것을 사용할 수 있습니다 다음 단계를위한 모델, 추론 이 출력을 예측하는 능력입니다 그 가치 또는 범주인지 여부 새로운 데이터 머신 러닝 추론 두 번째 기본 유형과 평행 지식 우리는 다른 말로 명령형 지식을 전시합니다 단어, 일반화, 능력 오래된 사실로부터 새로운 사실을 추론하십시오 또한, 모델이 새로운 것을 만나면서 데이터를 기차로 더 사용할 수 있습니다 결정 경계를 미래의 데이터를 추론하는 데 도움이됩니다

우리가 방금 논의한이 전체 과정 두 번째로 가장 널리 사용되는 머신 러닝의 정의 카네기 멜론 박사 톰 미첼 대학, "컴퓨터는 일부 수업과 관련하여 'E'경험 작업 'T'및 성능 측정 'P' 'T'작업에서 성능 'P'로 측정, 경험과 함께 향상 '이자형' 따라서 진술하는 것이 정확하지만 모든 '유용한'프로그램은 무언가를 '배웁니다' 데이터에서 나는 수준의 차이를 희망 기계 학습 모델 학습 및 일반적인 알고리즘이 더 명확 해졌습니다 도메인 별 머신 러닝의 부상 약한 인공 지능 그대로 에서 수십 년 동안 만들기 그러나 먼저 인공적인 것은 무엇입니까 지성? 당신이 배웠기를 바랍니다 이 시리즈의 지난 동영상에서 AI는 모방 할 수있는 모든 모델을 말합니다 인간의 사고를 발전 시키거나 보여 주거나 지각 또는 행동

우리의 경우에 컴퓨팅 기반 AI를 말합니다 우리의 이 AI 시리즈의 첫 두 비디오 인 AI의 역사와 탄생, 우리는 인공 분야의 발전 지능을 개발하려는 노력에서 더 일반적인 AI는 강력한 AI라고도 함 도메인 별 획득에 집중 다양한 분야의 전문 지식 이 터닝 AI 분야의 요점은 본질적으로 80 년대의 전문가 시스템 복잡한 조건부 논리 만약 그렇지 않다면, 그것은 의 각 분야에 맞는 해당 분야의 전문가에 의한 지식 에서 AI 비디오의 탄생이 끝나고 우리가 중단했던 기간은 AI였습니다 90 년대 초반의 흉상 AI 과대 광고주기에서 낮은 포인트 어떤 전문가에 대한 약속을 통해 시스템은 실제로 할 수 있습니다 이 시점 이후 지능형 시스템의 개발 부족으로 인해 배경으로 갔다 자금 및 주요 관심사 분야와 빠른 기술 다른 많은 분야에서 진행된 인터넷 발명에서 모바일 컴퓨터 상용화 전화-목록은 계속 갈 수 있습니다

동안 이 90 년대의 전문가 원래 시스템과 알고리즘 AI 연구원에 의해 개발 시작 더 큰 시스템의 일부로 나타납니다 이들 알고리즘은 많은 것을 해결했다 어려운 문제와 해결책 에 걸쳐 유용한 것으로 입증 데이터 마이닝, 산업용 로봇, 물류, 연설 인식, 금융 소프트웨어, 의료 진단 및 Google의 검색 엔진 몇 가지를 나열하십시오 그러나 인공 지능 분야 이것에 대한 크레딧을 거의 또는 전혀받지 못했다 1990 년대와 2000 년대 초반의 성공 AI의 가장 큰 분야의 많은 분야 혁신은 도구에서 다른 항목의 상태 컴퓨터 과학의 가슴 Nick Bostrom으로서 Superintelligence의 저자는 2006 년 "많은 첨단 AI가 일반적인 응용 프로그램으로 필터링 AI라고 불리지 않고 뭔가 유용하게되고 일반적으로 AI라고 표시되어 있지 않습니다

더 이상 " 이것은 요한과 비슷합니다 AI의 아버지 맥카시도 다시 80 년대 그래서, 무엇을 시작했는지 2000 년대 후반과 추진 한 10 년의 시작 다시 AI의 분야가 최전선에? 우선, 증가에 감사 할 수 있습니다 무한한 컴퓨팅 파워와 스토리지 컴퓨팅, 빅 데이터 및 기타 다양한 과거 비디오에서 다룬 주제 이러한 발전은 많은 양을 허용했습니다 학습 할 데이터 및 컴퓨팅 전력 및 스토리지가 필요했습니다 그렇게하기 위해

이제, 그 발견을 말할 수 있습니다 데이터의 구조는 인간의 상태이며 우리가 지금까지 와서 진보는 컴퓨터에게 그들이 무엇을 주었다 그렇게해야합니다 자, 여기에서 볼 수 있듯이, 차이점 다양한 AI 혁신과 알고리즘이 처음 시작된 날짜 그러나 거의 20 년이 제안되었지만 평균 3 년 후 상기 문제에 대한 데이터 세트는 획기적인 일이 있습니까? 데이터가 큰 병목 현상을 의미 AI 분야의 발전에 기계의 부상에 대한 다음 이유 학습은 기계 학습의 특정 부족, 연결주의, 또는 많은 사람들이 알고있는 것 그것의 깊은 학습 우리가 탐구하기 전에 딥 러닝, 먼저 논의하자 AI의 다른 부족 5가 있습니다 기계 학습의 주요 부족 사람들의 그룹을 언급하는 부족 방법에 대한 다른 철학을 가지고 AI 기반 문제를 해결합니다

우리는 과거에이 부족들 중 상당수에 대해 이야기했습니다 동영상이지만 아래 목록은 더 구체적인 : 첫 번째 부족은 상징 주의자입니다 그들 역전 제에 집중 공제, 그들은로 시작하지 않습니다 결론을 향해 노력할 것을 전제로하지만 오히려 구내 세트를 사용하고 결론을 내리고 거꾸로 채우기 격차에서 우리는 이것을 AI 비디오의 역사 앞으로의 비디오에서 더 많이 인공 인간 지능 두 번째 부족은 연결 주의자입니다 그들은 주로 디지털 리엔지니어링을 시도합니다 뇌와 모든 연결 안에 신경망

가장 유명한 예 연결주의 접근 방식은 일반적으로 '딥 러닝'으로 알려져 있습니다 우리 의 상승의 부분을 논의 AI 비디오의 탄생에서 연결 세 번째 부족은 진화론자입니다 그들의 초점은 아이디어를 적용하는 데 있습니다 진화론의 게놈과 DNA 데이터 처리 그들의 알고리즘은 끊임없이 진화하고 알려지지 않은 조건에 적응하고 프로세스

당신은 아마 이것을 보았을 것입니다 게임을 치는 데 사용되는 접근 방식 마리오 같은 다가오는 비디오에서 훨씬 더 '강화 학습' 네 번째 부족 베이지안입니다 베이지안 모델은 가설을 취할 것입니다 일종의 '선험적'사고 방식을 적용하고 일부가있을 것이라고 믿어 더 가능성있는 결과 그들 그들이 본대로 그들의 가설을 업데이트 더 많은 데이터 우리는 조금 더 논의했다 우리의 비디오 에서이 생각의 라인 양자 컴퓨팅

다섯 번째이자 마지막 부족은 아날로그입니다 이 기계 학습 부족은 기술에 중점을 둡니다 데이터 비트를 서로 일치시킵니다 우리는이 접근법에 대해 논의했습니다 지난 몇 개의 동영상에서 감독과 감독의 많은 핵심 개념 비지도 학습은 그것에 묶여있다 어떻게 내가 대표하는 것이 최선이라고 생각 이 인공 지능 부족 기계 학습은 거품에 다이어그램 형식

우선 우리는 기본 AI 버블 및 머신 러닝 거품, 우리는이 관계를 보여 머신 러닝의 첫 번째 비디오 시리즈 이제이 후 우리는 부족을 추가 할 수 있습니다 거품 그들은 끊임없이 움직이며 서로 겹쳐서 제작 소설 아이디어와 축소 및 성장 인기 부족이 주류에 도달하면 연결성과 같은 인기 말하자면, 새로운 분야에서 일어나 다 연결성의 경우 딥 러닝이었습니다

다만 명심하십시오 연결성이 깊어지면서 학습이 전체를 의미하지는 않습니다 연결성의 부족이 중심에있다 딥 러닝을 중심으로 연결성 버블과 많은 연결 주의자들은 새로운 접근법을 계속 연구 연결주의 이론을 활용합니다 또한, 딥 러닝은 모든 연결주의가 아닙니다 많은 상징 주의자와 유추 론자가있다 철학도 포함되어 있습니다 5 종족에 대해 더 배울 수 있습니다 Domingos의 기계 학습 책, 마스터 알고리즘, 그리고 당신은 할 수 있습니다 전자 책을 무료로 받으십시오 Audible 30 일 무료 평가판 멤버쉽 아래 링크로 가입하십시오! 주제로 돌아와서 머신 러닝과 인공 지능? 아무것도 아니고 모두

머신 러닝은 AI 유형으로 분류 된 이후 일치하는 능력을 보여줍니다 인간 차원의 인식과 행동을 초과 다양한 작업에서 이전에 언급했습니다 AI가 약하고 이러한 작업은 종종 격리되기 때문에 다른 말로하면 도메인 별 우리가 보았 듯이 기계 학습은 수백만 줄의 많은 것들 복잡한 규칙과 결정으로 코드 나무, 통계 모델, 상징 주의자 이론, 연결주의 및 진화 기반 접근법과 훨씬 더! 모두 복잡성을 모델링하는 목표 우리의 두뇌가하는 것처럼 생명 빅 데이터의 출현으로 컴퓨팅 성능 및 스토리지 증가 우리가 논의한 다른 요소들 이전과 과거의 비디오에서 더 간단한 반복 알고리즘의 모델 복잡한 도메인이 많은 사람들에게 수학과 과학 작업 매듭 이론, 게임 이론, 선형 대수 통계 몇 가지를 나열합니다 하나의 중요한 이 모델을 참고하십시오 알고리즘이 얼마나 발전했는지에 관계없이 유명인의 인용을 통해 가장 잘 알려져 있습니다 통계 학자 조지 박스, "모든 모델이 잘못되었지만 일부 "유용합니다"라는 의미입니다

모든 모델, 추상화 및 그들은 단순화되도록 만들어졌다 절대 100 % 모델 현실은 아닙니다 하나, 현실의 단순화는 종종 많은 복잡한 문제를 해결하는 데 매우 유용합니다 문제 머신 러닝 관련 이것은 우리가 모델을 가질 수 없다는 것을 의미합니다 그 정확도는 100 %입니다 대부분의 실제 출력 예측 특히 모호한 문제 문제 주요 가정 중 두 가지 머신 러닝 분야에서 제작 그 원인은 다음과 같습니다

1) 우리는 과거, 현재 과거의 패턴, 예측 미래, 그리고 2) 그 수학은 우주 전체를 진정으로 모델링합니다 이러한 가정에 관계없이 모델은 여전히 ​​매우 유용 할 수 있습니다 광범위한 응용 프로그램, 우리는 이 큰 사회적 영향을 다루다 다가오는 비디오의 약한 지능 AI의 진화에 또한, 전공에 기인 한 방법 모델의 정확성을 높이고 앞에서 언급 한 내용이 깊습니다 다음에 다룰 학습 이 AI 시리즈의 비디오 세트! 지금 결론을 내리기 전에 한 가지 중요한 사실 반복하고 싶습니다 모든 AI가 시작될 때의 면책 내 목표는 시도하는 것입니다 현실에서 매우 복잡한 단순화 주제 나는 당신이 추가를 추구하는 것이 좋습니다 이 플랫폼 및 다양한 리소스 다른 사람에 대해 더 배우고 싶다면 훨씬 더 깊은 레벨! 그러한 자원 중 하나 사용하고 적극 추천합니다! 만약 당신은 기계에 대한 자세한 내용을 알고 싶어 학습하고 난 정말 방법을 배울 의미 이 알고리즘은 감독에서 작동합니다 회귀 및 비지도 학습에 대한 분류 그리고 Brilliant

org보다 더 많은 곳 당신이 갈 수 있습니다! 자동화를 통한 세계 알고리즘이 점차 대체 될 것입니다 더 많은 직업, 그것은 개인으로서 우리에게 달려 있습니다 우리의 뇌를 날카롭게 유지하고 여러 분야에 대한 창의적인 솔루션 문제와 화려한 플랫폼입니다 그렇게 할 수 있습니다 예를 들어 매일 매일 도전이 있습니다 다양한 코스를 다룰 수 있습니다 STEM 도메인 이러한 도전은 그들이 그리는 방식으로 제작 당신은 다음 새로운 것을 배울 수 있도록 직관적 인 개념 설명 이 채널의 주요 목표는 다양한에 대한 영감과 교육 기술과 혁신 세상을 바꾸지 만 높은 단계는 단계를 밟아야합니다 이 비디오를 넘어 실제로 수학과 과학 학습 내가 논의한 개념을 넘어서 훌륭한 수학과 과학을 만들어서 흥미 진진한 학습 표시에 대한 호기심 다양한 사이의 상호 연결 다른 주제! 특이점을 지원하려면 번영과 더 많은 것을 배우십시오 Brilliant, Brilliantorg/로 이동하십시오 특이점과 무료 가입, 또한 처음 200 명은 해당 링크로 이동하면 20 % 할인됩니다

연간 프리미엄 구독! 이것에 비디오가 결론에 도달했음을 지적하고 복용 주셔서 감사합니다 그것을 볼 시간! 당신이 그것을 즐겼다면 Patreon에서 나를 지원하는 것을 고려하거나 이를 유지하기위한 YouTube 멤버십 채널 성장! 우리의 웹 사이트를 확인하십시오 자세한 내용은 다음을 고려하십시오 콘텐츠를 구독하고 한입 크기의 청크를위한 Facebook 페이지 내용의 이 Ankur되었습니다, 당신은 특이점 번영을 지켜보고 있습니다 곧 다시 보자! [음악]

SAS Tutorial | Machine Learning Fundamentals

안녕하세요 나는 Ari Zitin이고, 나는 당신과 이야기 할 것입니다 오늘날 일부 기계 학습 기본 사항에 대해 우리는 약간의 세부 사항으로 갈 것입니다 일부 의사 결정 트리 모델과 일부 신경망 모델에서 그 일환으로 HMEQ Home Equity를 사용할 것입니다 이 모델에서 시도하고 자세히 설명하는 데이터 세트

우리가 데이터에 들어가기 전에 조금 이야기하겠습니다 머신 러닝에 대해 기계 학습의 아이디어는 컴퓨터를 자동화하고 싶다는 것입니다 무언가를 분류하는 작업 항상 할 수있는 쉬운 예 거의 모든 사람이 경험이 있다고 생각 ATM에 자동으로 수표를 입금하면 수표에 얼마의 돈이 있는지 알아냅니다 입력하지 않아도 믿을 수 없기 때문에 반드시 입력해야합니다 그것이하는 것은 수표 금액을 찍는 것입니다 기본적으로 과거 데이터로부터 학습 그 숫자가 실제로 무엇인지에 대해 주석을 달았습니다

이것이 이미지를 사용한 머신 러닝의 예입니다 우리가 할 일은 과거 데이터를 사용한 기계 학습입니다 은행 데이터, HMEQ 데이터 세트, 데이터 세트에 대한 링크가 있습니다 액세스하려면 아래를 클릭하십시오 공개적으로 사용 가능하며 따라갈 수 있습니다 동일한 데이터로 자신 만의 모델을 만들 수 있습니다

이 HMEQ 데이터 세트는 과거 데이터입니다 은행에서 고객에 대해 수집 한 우리가 예측하고 싶은 것은 그들은 대출을 기본으로합니다 이것이 우리의 목표가 될 것입니다 그들이 우리의 대출에 대한 채무 불이행 여부, 우리는 역사 정보를 사용합니다 시도하고 결정합니다 이전에 자동 확인으로 제공 한 예 스캔 할 때 대상은 검사의 숫자입니다 우리가 제공하는 정보는 실제로 사진입니다

머신 러닝에는 두 가지 다른 예가 있습니다 우리는 역사적인 은행 데이터를 사용하여 작업을 수행 할 것입니다 과거 은행 데이터에 대한 입력 대출 금액과 같은 것들입니다 요청한 담보 대출 금액 은행과의 소득 대비 부채 비율 연체 크레딧 한도 경멸 적 신용 보고서의 수 신용 한도, 직업 정보 대상은 이진 기본값 인 BAD입니다

하지만 나쁘기 때문에 BAD라고 생각합니다 당신이 대출에 불이행하는 경우 따라서 우리의 목표는 불이행 고객들에게는 1이 될 것입니다 대출에 대해서는 0이고 그렇지 않은 고객에게는 0입니다 우리는 사람들이 시도하고 예측하려고합니다 우리는 그들에게주는 것을 피할 수 있도록 대출에 대한 채무 불이행을 우리는 그들이 채무 불이행 될 것이라는 것을 알고 있습니다 이제 기계 학습의 예를 살펴 보겠습니다 알고리즘

우리는 의사 결정 트리로 시작합니다 알고리즘의 작동 방식을 파악한 다음 소프트웨어에서 알고리즘을 빌드하십시오 우리는 또한 신경망에 대해서도 같은 일을 할 것입니다 사진을 보면서 시작하겠습니다 어떤 종류의 데이터가 있는지 볼 수 있습니다 이 예에서는 데이터를 제한했습니다 2 차원으로

우리는 2 차원 데이터에서 파란색 점과 빨간색 점 우리는 논쟁을 위해 우리의 파란 점은-목표는 0입니다 그래서 그들은 그들의 대출을 불이행하지 않았습니다 우리의 빨간 점은 우리의 목표입니다 1은 대출에 대한 채무 불이행을 의미합니다 이 두 축은 입력 치수의 두 개일뿐입니다

그래서 나는 그들 중 몇 가지를 언급했습니다 이를 위해 x 축에서 우리는 연체 신용 한도를 가지고 있습니다 연체 크레딧 한도 고객이 보유한 y 축 우리는 그들이있는 집의 가치를 가지고 있습니다 신용을 빼려고 노력했습니다 그래서 우리는 고객에 대한 정보를 봅니다 보시다시피 클러스터링이 있습니다

파란색 포인트로 인해 대부분의 고객이 그들의 대출과 그룹을 기본으로하지 않았다 빨간색 포인트로 인해 대부분의 고객이 그들의 대출에 불이행했다 우리가하고 싶은 것은 노력하고 이 줄거리에 선을 그리는 방법으로 파란색 점을 빨간색 점과 분리합니다 의사 결정 트리의 경우 직선을 그리는 것 서로 수직입니다 예를 들어 직선 하나를 그리겠습니다 데이터에서 찾을 수있는 분리 점을 나타냅니다 빨간색 점 또는 사람에서 파란색 점을 분리 불이행 한 사람들로부터 불이행하지 않은 사람 이 데이터를 보면 바로 여기 선을 그릴 수 있다고 생각합니다

그리고 우리가 보면, 이것은 분할을 만듭니다 오른쪽에는 일종의 테이블이 있습니다 파란색 점 11 개와 빨간색 점 11 개가 있습니다 사무용 겉옷 이 분할 작업을 수행하면 서로 다른 두 그룹을 만듭니다

왼쪽의 그룹에는 1, 2, 3, 4, 5, 6, 7, 8 개의 파란색 점이 있습니다 그리고 하나의 빨간 점 오른쪽 그룹에는 파란색 점 3 개와 7 개 8 개의 빨간 점 우리가 볼 수있는 것은 우리가 잘한 일을 했어요 그 점은-빨간 점이 그리 웠습니다 우리는 파란색 점을 잘 나누었습니다 왼쪽의 빨간색 점에서, 오른쪽은 아닙니다

이제 우리는 상상할 수 있습니다 우리는 첫 번째 파티션을 완료했습니다 우리는 말할 수 있습니다 이것은 괜찮은 분리처럼 보입니다 스플릿을 더 추가하면 더 잘할 수 있습니다

다른 수직 직선을 그리겠습니다 빨간색 점을 오른쪽의 파란색 점과 분리합니다 여기에 수직선을 넣으십시오 그리고 우리는 왼쪽에 하나를 할 것입니다 이제 알 수 있습니다 우리는 정말 좋은 일을했습니다

하단의 파란색 점과 빨간색 점을 분리합니다 왼쪽 하단은 대부분 파란색이고 오른쪽 하단은 대부분 빨간색입니다 새로운 데이터를 볼 수 있다면 이 데이터에 대해 배웠지 만 우리는 이미 이러한 고객들이 불이행을 알고있었습니다 따라서 우리는 다음과 같은 데이터에서 잘 작동하는 모델을 원합니다 실례합니다

데이터에 잘 맞는 모델을 원합니다 이전에 보지 못했던 새로운 데이터에서 색깔이 무엇인지 모릅니다 우리는 미래에 볼 수 있습니다 왼쪽 하단에있는 대부분의 사람들이 그들이 기본값이 아니라고 예측하게 될 것입니다 오른쪽 하단에있는 대부분의 사람들이 반면 대출에 대출이 불이행 될 것으로 예측합니다 상단에 우리는 더 많은 분할을 원할 수도 있습니다

예를 들어 더 깊이 들어가고 싶을 수도 있습니다 더 많이 분리하기 위해 여기 저기 선을 그릴 수 있습니다 우리가 보게 될 것은 소프트웨어가 자동으로 시각적 해석을 바탕으로이 선을 그렸습니다 이 줄거리의, 그러나 우리는 정말로 알고리즘을 원합니다 그것은 우리를 위해 이것을 할 것입니다

언급하지 않은 것은 이것들이 단지 두 개의 입력이라는 것입니다 세 번째 입력 값이 있다면 세 개의 변수가 있다면 저는 이것을 부채 비율과 주택으로 언급했습니다 우리는 몇 년 동안 일할 수있는 또 다른 것을 가질 수 있습니다 그것은 3 차원이 될 것입니다 페이지에서 나옵니다 내가 두 개만 선택한 이유를 알 수 있으므로 시각화 할 수 있습니다

하지만 실제로 1, 2, 3, 4, 5, 6, 7, 8, 9, 10은 고객에 대해 수집 한 11 개의 입력 변수 머신 러닝을 할 때 수백 개의 입력 변수를 가질 수 있습니다 이 데이터 세트에서 우리는 11 차원 공간에 있습니다 11 차원을 시도하고 시각화 할 수 있습니다 그러나 잘 작동하지 않습니다 실제로 우리는 종종 일을합니다 수백 개의 차원으로

이 그림을 돌리는 것을 상상할 수 있습니다 당신은 모두와 100 차원 공간을보고 이 점들, 그리고 우리는 여전히 평면을 그리고 있습니다 이 경우에는 초평면이됩니다 점을 분리하기위한 100 차원 초평면 분명히 우리는 시각적으로 할 수 없습니다

우리는 컴퓨터가 우리를 위해 그것을하도록해야합니다 알고리즘 방식으로 소프트웨어를보고 결정이 어떻게 진행되는지 살펴 보겠습니다 트리는이 데이터를 기반으로합니다 Model Studio에서 약간의 파이프 라인을 만들었습니다 그리고 내가 만든 방법에 대한 몇 가지 예를보고 싶다면 이 파이프 라인과 Model Studio를 사용하고 시작하는 방법, 시작에 대한 비디오 링크가 아래에 있습니다 Model Studio에서 파이프 라인을 사용합니다

의사 결정 트리 기본값을 마우스 오른쪽 버튼으로 클릭합니다 노드에서 결과를 선택하십시오 의사 결정 트리의 결과를보고 있습니다 이 HMEQ 데이터 세트에 대해 교육했습니다 가장 먼저 살펴볼 것은 트리 다이어그램입니다 이 트리 다이어그램에는 의사 결정 트리의 그림이 있습니다 보시다시피 훨씬 더 깊은 의사 결정 트리입니다 내가 오른쪽에 그린 예보다

상단을 확대하면 우리는 3,000 명으로 시작합니다 실례합니다 3,000 개의 관측치와 약 20 %는 1과 80 %입니다 0입니다 이는 고객의 약 20 %가 불이행을 의미합니다 그들의 대출에

우리는 연체 크레딧 한도에 따라 분할합니다 연체 된 신용 한도가 많으면 그들은 거의 모두 대출에 대한 채무 불이행이 될 것입니다 그래서 우리는 그들이 대출에 대한 채무 불이행이 예상됩니다 12, 15, 7, 6 또는 8 개의 연체 크레딧 한도가있는 경우 그들이 그보다 적은 경우 5, 4, 0, 1, 2, 3 크레딧 한도 그들이 불이행 한 사람들의 일종 인 것 같습니다 불이행하지 않은 사람들은 거기에서 계속 쪼개기 위해 이 의사 결정 트리를 광범위하게 살펴보면 굵은 선이 나타내는 것을 볼 수 있습니다 대부분의 데이터가가는 곳과가는 선 소량의 데이터를 나타냅니다 하단의 상자는 최종 결정 상자입니다 보시다시피이 상자는 이 상자에 들어가서 그들이 따르는 특정한 길이 있습니다

그들은 적은 수의 연체 신용 한도를 가지고 있습니다 그러나 그들의 집의 가치는 $ 474,000 이상입니다 직장 생활은 26 세 미만입니다 우리는이 사람들의 대부분이 대출에 불이행 될 것으로 예상합니다 과거 데이터에서 이 의사 결정 트리에서 확인할 수있는 것 중 하나 내가 읽었던 것처럼 우리는 내가 오버 피팅이라고 부르는 것을 조금했습니다 우리는 훈련 데이터를 기억했습니다

연체 크레딧 한도가 많으면 나는 당신이 대출에 대한 채무 불이행을 말한다 하지만 실제로는 특정한 숫자입니다 12, 15, 7, 6 또는 8 그 숫자는 데이터의 일부입니다 우리는 의사 결정 트리를 배웠습니다 그래서 우리는 더 나은 것을 원할 수도 있습니다 새로운 고객에게 좀 더 나은 일반화를 제공합니다

이 트리 다이어그램을 닫고 결정을 닫습니다 트리 결과 및 다른 의사 결정 트리로 이동합니다 내가 구체적으로 만든 곳에서 만든 내가 생각하지 못한 리프 노드의 일부를 절단하려는 노력 중요했다 실제로 컴퓨터가 자동으로이 작업을 수행하도록했습니다 의사 결정 트리 다이어그램을 열어 보겠습니다 우리는 그것이 다른 나무라는 것을 알 수 있습니다

조금 다르게 훈련했습니다 내가 훈련했을 때 내가 한 일은 훈련 데이터를 암기하는 완전한 의사 결정 트리를 구축했습니다 다시 돌아 가면 우리가 고유하게 선택한 도면으로 돌아 가면 각 상자가 하나의 색상 만 선택하도록 파란색과 빨간색 점 포인트-그래서 그것은 훈련에서 100 % 권리를 얻는 나무입니다 데이터 이 나무를 만들면 다시 자르기 시작합니다 이전에는 본 적이없는 데이터를 살펴 봅니다 우리는이 모델이 결코 가지고 있지 않은 데이터를 봅니다 그것을 훈련시키는 데 사용되지 않았으며 우리는 그것이 어떻게 작동하는지 보았습니다 성능을 개선 할 때마다 줄일 때마다 우리는 계속 나무를 자르고 더 간단하고 간단합니다

결국 여기에서 새 데이터에 대한 성능이 향상됩니다 더 간단한 모델을 사용하는 것이 바람직합니다 여기를 보면,이 가지 치기 오류 도표 내가 논의했던 절차를 정확하게 보여줍니다 우리는 훈련 데이터, 즉 데이터 우리는 모델, 성능을 구축하는 데 사용 점점 더 많은 잎을 가지면서 계속 향상되고 더 복잡한 나무입니다 하지만 검증 데이터는 데이터입니다 나무는 전에 본 적이 없으며 실제로 악화됩니다

그래서 우리는 나무를 멈추고 가장 복잡한 나무를 만듭니다 우리는 훈련 데이터에 대해 나뭇잎을 자르기 시작합니다 실제로 잘 작동하는 것을 만들 수 있도록 유효성 검사 데이터에 어떤 시점에서 모델이 너무 단순하다면 유효성 검사 데이터의 성능이 좋지 않습니다 이것이 의사 결정 트리에 대한 우리의 토론이었습니다 몇 가지 평가 통계를 볼 수 있습니다 그러나 모든 모델을 비교할 때 마지막에 할 것입니다

우리는 결정 트리가 우리는 가지 치기를 만들었습니다 두 번째로 보여 드린 것은 실제로 이 데이터에 대해서는 첫 번째 데이터보다 조금 더 잘 작동합니다 다이어그램으로 돌아가서 이제 신경망을 만들고 있습니다 의사 결정 트리와 어떻게 다른지 생각합니다 다른 모델과 정말 인기있는 모델 요즘은 신경망입니다

그들은 특히 인기가 있기 때문에 보다 복잡한 형태의 기계에 사용 딥 러닝이라는 학습 이미지 처리와 관련이 있습니다 우리는 신경망을 사용하여 의사 결정 트리에서 수행 한 것과 동일한 작업 빨간색 점과 파란색 점을 분리하는 것입니다 가장 큰 차이점은 의사 결정 트리입니다 신경망은 실제로 임의의 비선형을 배우려고합니다 입력을 출력에 매핑하는 기능입니다

이 임의의 비선형 함수 플롯에서 원하는 모양을 취할 수 있습니다 따라서 우리의 경계가 반드시 그런 것은 아닙니다 직선이 될 것입니다 그래서 내가 상상할 수있는 것을 그릴 것입니다 신경망은 생각할 것입니다 보시다시피, 저는 임의의 곡선을 그리는 것입니다 그리고 유일한 요구 사항은 이러한 곡선이 기능이어야합니다- 함수에 의해 정의 될 수 있어야합니다

당신이 볼 수있는 것은 기본적으로 파란색 점을 선택하고 이상적인 결정을 내 렸습니다 경계 신경망은 항상 가장 좋은 모델이지만 단점은 우리는 훈련 데이터를 외우고 싶지 않다는 것입니다 모델을 새 데이터에 적용하려고합니다 그리고 당신은 내가 그린 원의 크기를 볼 수 있습니다 내가 그린 곡선의 크기 그것은 무엇과 매우 다를 수 있습니다 여전히 모든 파란색 점을 캡처하면서 빨간 점은 없습니다

제 개인적 드로잉에는 모호성이 많습니다 신경망이 학습 할 때 이 기능들은 여러 기능 중 하나를 찾습니다 이 작업을 수행 할 것이므로 반드시 유효성 검사 데이터에서 어느 것이 더 잘 작동하는지 알 수 있습니다 따라서 훈련 데이터를 약간 맞추기가 더 쉽습니다 신경망을 통해 다음 예제에서 신경망은 규칙 목록을 생성하지 않습니다 오른쪽에 다이어그램이 없습니다 이 선을 어떻게 그리는지 보여 드리기 위해 그러나 그들은 기능을 생성합니다 함수를 정의하는 숫자 모음입니다

실제로 모델링 할 수있는 방법이 있습니다 하지만 여기에 자세히 표시하지 않습니다 시각적 인 표현이 아니기 때문에 기본적으로 방정식 일뿐입니다 이것이 신경망 사이의 큰 차이점입니다 의사 결정 트리는 의사 결정 트리입니다 이 규칙 목록을 만듭니다 연체 크레딧이 7 개 이상인 경우 우리가 예측하는 것보다 당신의 대출에 대한 채무 불이행

그 이유를 누군가에게 설명해야하는 경우 매우 유용합니다 당신이 당신의 모델에서 한 일을했습니다 신경망과는 달리 장면 아래에 많은 숫자를 생성합니다 모든 숫자를 곱하면 예측 가능성을 알려줍니다 따라서 결과를 전혀 해석 할 수 없습니다 소프트웨어로 돌아갑니다

신경망 모델을 구축했습니다 신경망의 파이프 라인을 볼 수 있습니다 파이프 라인보다 조금 더 복잡합니다 의사 결정 트리 방금 데이터에서 의사 결정 트리로 바로 넘어갔습니다 신경망 노드의 경우 변수 관리 노드, 대치 노드, 및 변수 선택 노드 우리는해야합니다-변수를 관리해야합니다 대치에 대한 메타 데이터를 설정하려면 변수 선택

대치에서 우리는 교체해야합니다 데이터에 누락 된 값이 있습니다 의사 결정 트리는 결 측값이 어느 지점 에나 있습니다 따라서 선을 그리면 결 측값 줄의 어느 쪽이든 갈 수 있습니다 신경망은 방정식을 만들고 방정식에는 숫자가 필요합니다

결 측값은 숫자가 아니므로 교체해야합니다 우리는 그것들을 평균으로 대체 할 것입니다 우리가 결정 트리를 만들 때, 각 분할에서 분할 할 변수를 선택했습니다 예를 들어 첫 분할은 연체 신용 한도였습니다 연체 크레딧 한도 부채 대 소득 비율

신경망은 자동으로되지 않습니다 사용할 변수를 선택하십시오 대신에 그것들을 모두 방정식에 넣습니다 다시 말하지만 방정식이기 때문에 모든 변수 방정식의 숫자를 곱하십시오 변수 선택 노드를 사용합니다 신경망으로 들어가는 변수를 선택합니다 변수의 수를 제한하고 싶습니다 신경망으로 들어가서 유용한 변수를 사용하십시오

의사 결정 트리에서 모든 변수가 아님을 알았습니다 유용했습니다 신경망을 마우스 오른쪽 버튼으로 클릭하고 결과를 선택합니다 가장 먼저 강조 할 것은이 신경망 다이어그램입니다 나는 다양한 정통이기 때문에이 사진을 좋아합니다

이 사진이 마음에 들지 않아서 유용한 정보가 많지 않습니다 누군가를 보여주는 것은 좋은 사진입니다 신경망을 구축했다면 다음과 같습니다 가장 먼저 보는 것은 세 개의 입력 변수를 사용한다는 것입니다 11 개의 변수로 시작했습니다 하지만 우리는 그중 세 가지만 사용하기 때문에 변수 선택 내가 쓸모없는 것 이 점들의 크기는 숫자 가중치의 크기 방정식을 만드는 데 사용되지만 이미 당신은 정말 해석 할 수 없다고 그 방정식의 의미 또는 그 무게의 의미 정말 해석하기 쉽지 않습니다

이 도표는 당신에게 그림을 보여줍니다 나타내는 신경망의 방정식을 만드는 방법 신경망에 익숙하다면 이 다이어그램을보고 적어 둘 수 있습니다 방정식이 어떻게 보일지에 대한 모델 당신은 분명히 거기에 들어가는 모든 숫자가 빠졌을 것입니다 숫자를 뽑아야합니다 알다시피, 우리는 derog를 사용하고 있습니다

그것은 멸시 신용 보고서입니다; 연체 신용 한도 인 delinq; 목표 BAD를 시도하고 예측하기위한 부채 대 소득 비율 이 다이어그램을 닫고 신경의 결과를 닫습니다 네트워크 노드와 모델 비교로갑니다 우리가 다른 모델에서 어떻게했는지 보려고합니다 시각적 결과가 훨씬 적다는 것을 알 수 있습니다 사실에 연결되는 신경망을 위해 의사 결정 트리는 기본적으로 해석 가능합니다 신경망이 생성하는 반면 모델 백엔드에 많은 숫자

많은 결과는 숫자입니다 그 숫자 결과를 가져 와서 적용 할 수 있습니다 모델 비교 노드를 열고 오류가 줄어든 의사 결정 트리와 정리 한 사람 이니까 훈련 데이터에 큰 결정 트리를 구축 한 곳 그런 다음 잘라 내고 실제로 가장 잘 수행했습니다 오 분류 율 신경망의 오 분류 율 약 20 %였습니다 이는 신경망 모델이 실제로 관심있는 정보를 포착하지 못했습니다

설명하는 가장 쉬운 방법은 이것은 의사 결정 트리가 더 간단한 모델이라는 것입니다 이것은 더 간단한 데이터 세트입니다 이 데이터 세트의 한 가지 문제는 신경망을 손상시킬 수 있습니다 직업과 같은 범주 형 입력 변수입니다 우리는 다른 사람들의 직업 목록을 가지고 있습니다 신경망은이 변수들과 잘 어울리지 않습니다 의사 결정 트리로

신경망 모델은 우리가 관심있는 것을 포착하지 못했습니다 실제로이 데이터 세트에서 작동하지 않았습니다 그러나 우리는 결정의 차이점을 강조하고 싶었습니다 나무와 신경망 그리고 일반적으로 찾을 수있는 것 새로운 데이터를 다루면서 작업해야 할 모든 데이터, 일부 모델은 다른 모델보다 더 잘 작동합니다 데이터가 정말 단순하다면 의사 결정 트리 및 선형 회귀 모델을 찾을 수 있습니다

정말 잘 작동합니다 데이터가 정말 복잡하다면 제대로 작동하지 않으면 신경망이 더 나은 모델이라고 제안합니다 제가 말할 한 가지는 의사 결정 트리가 실제로 잘 작동한다는 것을 알았습니다 반드시 제안 할 필요는 없습니다 신경망이 제대로 작동하는지 확인하십시오

두 모델을 비교해 보는 것이 좋습니다 기계 학습에 대해 배우기 위해 함께 해 주셔서 감사합니다 기초 우리는 의사 결정 트리에 대해 조금 이야기했습니다 일부 신경망 모델 구독하고 더 많은 비디오를 확인하십시오

아래 링크를 확인하십시오 질문이 있으시면 의견에 자유롭게 넣으십시오 감사

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

pd수첩 김기덕 조재현 영화 여배우 불화설 | KDH 긴급 속보

pd수첩 김기덕 조재현 영화 여배우 불화설 pd수첩에서 김기덕 조재현의 추가 폭로가 나오낟고 합니다 이번에 성범죄에 대한 증언을 공개하겠다고 밝혔죠

두사람은 영화를 통해 인연을 맺었다고 하는데요 어떤 관계가 있길래 pd수첩에서 이러는걸까요? 김기덕 감독의 데뷔작 악어라는 작품을 통해 인연을 맺었다고 합니다 그후에는 조재현과 함께하는 작품이 많았는데요 cf에 동반출연을 할정도로 인연이 남달랐었습니다

과거 tvn 백지연의 피플인사이드에서 첫만남을 그린바 있었죠 이상하게 생긴사람이 와서 감독이라고 했었다는데요 한때 연기중단을 고민하차에 김감독은 유일한 돌파구였다는 말까지 했었죠 함께한 작품들은 야생동물보호구역, 섬, 수취인 불명, 나쁜남자 등이 있습니다 그동안 밝혀지지않았던 진실과 추가 폭로의 구체적인 증언들을 공개한다고 하는데요

지난해에 김기덕 감독을 한 여배우가 고소를 하는 사건이 있었죠 그외에 다른 피해자인 두명의 여배우가 인터뷰를 했습니다 당시 출연배우는 이은우, 서영주 등이 있었습니다 영화 뫼비우스에 참여하면서 갖가지 비리들이 있었다고 합니다 C씨는 촬영기간 내내 두사람에게 성폭행을 당했다고 주장을 했죠

사실 PD수첩 제작진들도 취재를 하기 어려웠다고 합니다 그 실체에 다가갈수록 사람들이 혹시나 후환이 두려워 방송에 내보내지 말아달라고 부탁했을정도라고 합니다 증인들을 토대로 김기덕 조재현에게 인터뷰를 요청했다고 하는데요 장문의 문자메시지와 현재 알려진 사건들과는 다른 해명을 했다고 하네요

AI vs Machine Learning vs Deep Learning | Machine Learning vs Artificial Intelligence | AI vs ML

얘들 아 Intellipaat의 세션에 오신 것을 환영합니다

이제 너희들은 인공 지능, 기계 학습 깊은 학습과 수많은 질문이 당신의 머리에 터졌을 것입니다 오늘 세션은이 세 용어의 차이를 이해하는 데 도움이됩니다 그럼 의제를 한눈에 살펴 보겠습니다 우리는 인공 지능과 기계 학습의 차이점을 이해하고 깊은 학습을 통해 다양한 유형의 기계 학습 알고리즘을 이해할 수 있습니다 그 후에 우리는 기계 학습의 한계를 이해할 것입니다

앞으로 우리는 깊은 학습이 기계 학습의 이러한 한계를 어떻게 초래할 것인지를 보게 될 것입니다 그 다음에 우리는 깊은 학습의 작동 원리를 살펴볼 것입니다 그리고 마침내 퀴즈가있을거야 오늘의 세션에서 우리가 배운 것을 되풀이하십시오 그러므로 모든 답을 코멘트 란에 기입하십시오

네가 제대로 대답했는지 알기 또한 검색어를 입력 할 수도 있습니다 우리는 당신을 도와주고 싶습니다 그래서 지체하지 않고 수업 시작하기

그래서 저는 여러분에게 아주 간단한 질문을하기 시작할 것입니다 인간을 현명하게 만드는 것이 무엇인지 말해 주시겠습니까? 우리는 인간으로서 생각하고 배우고 결정할 수 있습니다 그것이 우리를 현명하게 만드는 것입니다 이제 기계가 인간처럼 지능을 보여줄 수 있는지 상상해보십시오 생각할 수있는 기계 인간과 같은 결정을 내린다

이제 정말 놀라워요 그렇지 않습니다 그래서 인공 지능은 기본적으로 컴퓨터 분야입니다 작동하고 반응 할 수있는 지능형 기계의 창조에 중점을 둔 과학 인간처럼 인공 지능이 무엇인지 알게되었으므로 기계 학습 및 깊은 학습이 가능합니다

따라서 인공 지능을 더 넓은 우산으로 간주 할 수 있습니다 기계 학습과 깊은 학습이 그 부분 집합이 될 것입니다 당신은 또한 기계 학습과 깊은 학습이 인공을 이루기위한 수단이라고 말할 수 있습니다 지성 이제 기계 학습이란 무엇입니까? 그래서, 기계 학습은 기본적으로 인위적인 부분 집합입니다 우리가 입력 데이터의 도움을 받아 결정을 내리는 방법을 기계에 가르치는 지능

그래서 우리는이 작은 예제로 기계 학습을 이해할 것입니다 그래서 들으면서 무엇을 보나요? 이게 정확히 무엇입니까? 그럼 새예요 그리고 이것에 대해서? 이것은 다시 새이며이 역시 새입니다 이제 어떻게해야 할 일이 모두 새입니까? 어렸을 때, 새의 그림을 보았을 수도 있었을 것입니다 유치원 선생님이나 부모님이 새와 당신의 두뇌라고 말씀하셨습니다

새처럼 보이는 것을 배웁니다 이것이 바로 우리의 두뇌 기능입니다 그러나 기계는 어떨까요? 이제 나는이 새의 형상을 받아 기계에 먹이면된다 식별 할 수 있을까요? 새처럼? 이것이 바로 기계 학습이 시작되는 곳입니다 그래서 내가 할 일은 조류의 모든 이미지를 가져 와서 먹이를 계속 먹이겠습니다

그것과 관련된 모든 기능을 학습 할 때까지 컴퓨터에 저장합니다 그리고 일단 그것과 관련된 모든 기능을 배우면, 새로운 데이터를 제공하여 얼마나 잘 배웠는지 또는 즉, 먼저 훈련 데이터를 기계에 공급하여 추출 할 수 있도록합니다 교육 데이터와 관련된 모든 기능을 학습 할 수 있습니다 학습이 완료되면 새로운 데이터 또는 테스트 데이터를 제공하여 잘 학습이 완료되고 이것은 기계 학습의 기본 개념입니다

이제 깊은 학습을 시작하겠습니다 따라서 심층 학습은 지능형 알고리즘을 개발하는 기계 학습의 하위 집합입니다 인간의 두뇌를 모방합니다 이제 여기서 발생하는 문제는 어떻게 인간의 뇌를 모방합니까? 글쎄, 다른 질문을하겠습니다 그럼 뇌는 무엇으로 이루어 집니까? 우리 뇌는 주로 뉴런으로 구성되어 있습니다

그리고이 뉴런들은 전기 화학 신호를 보내고받습니다 그래서 여기에 뉴런이 있으며 전기 화학적 신호가 수상 돌기로부터 수신됩니다 이러한 신호의 처리는 셀 본문에서 수행되며 이러한 입력의 출력 신호가 축삭에 다른 뉴런으로 보내지고 우리의 임무가 인간 두뇌를 모방하는 것이라면, 모두 당신이해야 할 일은 인공 뉴런을 만드는 것입니다 그리고이 인공 뉴런은 똑같이 작동합니다 생물학적 뉴런으로 따라서 깊은 학습을 구현하려면, 우리는 인공 신경망을 만들어야 만합니다

이 인공 신경망 회사 입력 레이어, 숨겨진 레이어 및 출력 레이어로 구성됩니다 따라서 모든 입력은 입력 플레이어를 통해 수신되고 처리가 완료됩니다 숨겨진 계층에서 출력 레이어를 통해 수신 된 최종 출력입니다 그리고 그것을 요약하면 인공 지능이 더 넓은 우산입니다 기계 학습은 인공 지능의 하위 집합이며 심층 학습은 하위 집합입니다 기계 학습 및 기계 학습 및 심층 학습은 기본적으로 인공 지능을 달성하십시오

이제 인공 지능과 기계 학습의 기본적인 차이점을 이해했습니다 깊은 학습 기계 학습의 이러한 하위 카테고리를 살펴 보겠습니다 그래서, 기계는 감독 학습으로 하위 범주를 학습, 감독되지 않은 학습 및 강화 학습 그럼 감독 학습으로 시작합시다

감독 학습에서, 우리는 교묘 한 데이터를 사용하여 기계를 가르칩니다 우리에게 과일 한 개가 있고 각 과일에 라벨이 붙어 있다고 가정 해 보겠습니다 그래서 여기에서, 기계는 사과가 이렇게 생겼어 망고가 이렇게 생겼어 바나나 이것과 오렌지처럼 보입니다

이렇게 생겼어 따라서 교육이 완료되면 기계에 새로운 데이터 또는 테스트 데이터가 제공됩니다 그래서 여기에 기계에는 Apple의 새로운 이미지가 주어지며 기계는 이것이 사과라는 확률은 97 퍼센트입니다 이제 감독 학습은 다시 분류와 회귀로 나눌 수 있습니다 따라서 입력 데이터를 분류하는 것은 기계 학습에서 매우 중요한 작업입니다

예 : 메일이 진짜인지 스팸인지 여부 거래가 허위인지 여부 그리고 여러 가지 예가 있습니다 그럼 당신이 문을 여는 주택 사회에 살고 있다고 가정 해 봅시다 다른 유형의 폐기물 그래서 쓰레기통 하나에 종이 쓰레기

금속 쓰레기 하나 플라스틱 쓰레기 등등 그래서 지금 당신이 기본적으로 여기에서하고있는 것은 폐기물을 다른 카테고리로 분류하는 것입니다 따라서 분류는 특정 항목에 등급 레이블을 지정하는 과정입니다 그리고이 예제에서 우리는 라벨 용지, 금속, 플라스틱 등을 다른 것에 할당하고 있습니다

폐기물 종류 그리고 분류 알고리즘에 주목해야 할 것은 출력 변수가 본질적으로 범주 적이라는 것입니다 더 잘 이해하기 위해이 예제를 사용합시다 그래서 여기에 우리는 학생의 성별과 학생의 결과가 있습니다 여기 성별은 입력 변수 또는 독립 변수이고 결과는 출력 변수 또는 종속 변수입니다

그래서 우리는 산출 변수가 본질적으로 범주 적이라는 것을 알 수 있습니다 즉, 합격 또는 불합격의 두 가지 범주가 있습니다 그리고 여기에서 우리는 학생이 시험에 합격 할 것인지 아닌지를 결정하려고 노력하고 있습니다 학생 성별 기준 따라서 의사 결정 트리, 무작위 포리스트, 순진한 베이와 벡터 머신을 지원합니다

이제 의사 결정 트리의 개념을 간략하게 살펴 보겠습니다 결정 상태 트리는 기계 학습에서 트리 기반 분류 자입니다 당신 각 노드가 자신의 하위 노드로 분할되는 거꾸로 된 트리라고 생각할 수 있습니다 조건에 따라서 의사 결정 트리를 더 잘 이해하기 위해이 예제를 사용합시다

여기서 우리는 의사 결정 트리를 구축하여 사람이 적합한지 여부를 확인하고 일련의 시험 조건에 기초하여, 우리는 마침내 잎 마디에 도착하고, 맞는 사람인지 아닌지를 분류합니다 따라서 감독 학습 알고리즘의 다음 유형은 회귀입니다 따라서 회귀 분석에서 출력 변수 또는 종속 변수는 다음과 같습니다 연속적인 숫자 여기이 그래프를 보겠습니다

여기에 Y 축에 마력이 있고 X 축에 갤런 당 마일이 있습니다 또는 다른 말로하면, 마력은 종속 변수이다 갤런 당 마일은 독립 변수입니다 따라서 우리는 출력 변수가 연속적인 수치임을 알 수 있습니다 그리고 여기서 우리는 차의 마력이 MPG에 따라 어떻게 달라지는 지 알아 내려고합니다

이것이 회귀의 개념입니다 이제 감독 학습의 사용 사례를 살펴 보겠습니다 먼저 스팸 분류자를 사용합니다 그렇다면 메일이 스팸인지 아닌지에 대해 어떻게 생각하십니까? 이 스팸 탐지는 기본적으로 필터의 개념에서 작동합니다 그래서 주로 두 종류의 필터가 있습니다

텍스트 필터 및 클라이언트 필터 텍스트 필터는 자주 사용되는 단어와 구문을 탐지하는 알고리즘을 사용하여 작동합니다 이 스팸 전자 메일에서 사용됩니다 복권과 같은 문구 또는 원 / 무료 비트 코 인은 종종 필터로 제거하기위한 즉각적인 깃발이됩니다 다음은 클라이언트 필터입니다

이름이 말하는대로, 클라이언트 필터는 클라이언트의 신원과 이력을 이해하여 악성 및 성가신 것을 차단합니다 스팸 전자 메일 그렇다면이 클라이언트 필터는 어떻게 작동합니까? 이것은 그가 보낸 특정 사용자의 모든 메시지를보고 수행됩니다 따라서 사용자가 엄청난 양의 이메일을 지속적으로 발송 한 경우 또는 사용자 메시지 중 몇 개가 이미 스팸으로 표시되어있는 경우 전자 메일은 완전히 차단됩니다 그래서 이것은 우리에게 블랙리스트의 사용을 가져옵니다

따라서 스팸 필터는 블랙리스트라는 것을 포함합니다 따라서 블랙리스트는 스패머의 알려진 이메일 주소를 목록에 추가하는 과정입니다 이 목록은 사용자의 메시지가 다른 사람에게 전달되는 것을 방지합니다 이제 다음 유스 케이스를 살펴 보겠습니다 지문 분석

따라서 지문 분석에서는 컴퓨터에 지문을 레코드로 저장합니다 컴퓨터가 데이터를 가져 와서 확인합니다 데이터가 귀하에게 속하는지 여부 그래서 일단 데이터가 기계에 저장됩니다 다음 번에 컴퓨터에 지문을 채울 때마다 기기가 모든 사용자 데이터를 스캔합니다

그리고 기계가 지문과 데이터의 일치를 발견하면, 지문이 확인됩니다 이제는 여러 유형의 감독 학습 알고리즘을 완료했습니다 계속해서 감독되지 않은 학습이 무엇인지 이해하십시오

Introduction to Machine Learning | What is Machine Learning | Intellipaat

온라인 쇼핑을 한 적이 있습니까? 예를 들어 Amazon에서 휴대 전화를 찾고 있다고 가정 해 보겠습니다 이제 사이트에서 동일한 가격의 휴대 전화를 권장한다는 사실을 알았을 것입니다

범위 또는 동일한 상표에 의해 이제 제품을 구입하지 않고 사이트를 떠난다면 광고를 추천받을 수 있습니다 방문하는 거의 모든 웹 사이트에서 동일한 제품을 구매하게됩니다 그래서, 어떻게 이런 일이 실제로 일어나고 있습니까? 글쎄,이 모든 것은 기계 학습 때문에 가능합니다 이제 매일 매일 사용되는 기계 학습의 실제 응용 프로그램이 수천 가지가 있습니다

고의로 또는 우연히 기초 혼란스러워! 자, 몇 가지 예제를 살펴 보겠습니다 그래서 여러분 모두는 Gmail 계정을 갖게됩니다 이제 Gmail에서 전자 메일을 다음과 같은 여러 폴더로 구분할 수 있다고 생각하십니까? 기본, 프로모션, 소셜, 스팸 등 또는 당신이 소파에 앉아서 넷플 릭스를 행복하게 둘러보고 있다고 가정 해 봅시다

따라서 과거의 시청 기록과 매우 유사한 영화 추천 목록을 얻을 수 있습니다 그럼 궁금하신 적 있나요? 어떻게 가능합니까? 기계가 귀하의 관심과 비슷한 영화를 개인적으로 제안한다는 것을 알고 있습니까? 운전 중에도 Google지도는 어떤 경로의 교통량이 더 많습니까? 어느 경로가 더 빨라질 수 있습니까? 그리고 얼마나 오래 걸릴까요? 목적지에 도달하려면, 그 길에서 계속한다면? 그렇다면 Google지도는 어떻게 생각하십니까? 이 모든 것들이 기계 학습의 응용 프로그램 일뿐입니다 그러나이 모든 후, 여기서 제기되는 문제는 정확히 기계 학습이란 무엇입니까? 로봇 만이 아닙니다 기계 학습은 주로 기계에 중점을 둔 인공 지능의 하위 분야입니다 그들의 경험을 통해 배우십시오 제가 당신에게 비유로 이것을 설명하겠습니다

따라서 처음에 아무것도 모르는 신생아를 생각해보십시오 그래서 그는 배움을 위해 학교에갑니다 이제 선생님은 알파벳으로 시작합니다 선생님은 편지에 A 편지를 보여줍니다 아이가 그에게 A

라고 말합니다 그는 학생이 모든 것을 배울 때까지 반복적으로 과정을 반복합니다 알파벳들 그래서 여기에서, 학생은 훈련 받고 있습니다 일단 훈련이 끝나면

교사는 학생이 얼마나 잘 배웠는지 확인하기 위해 시험을 실시합니다 이제 우리는 기계와 동일한 비유를 할 것입니다 그래서 처음에 우리는 절대적으로 아무것도 모르는 기계를 가지고 있습니다 그래서 우리는 비슷한 방식으로 기계를 훈련하기 시작합니다 그래서 기계는 A가 무엇인지 또는 B가 무엇인지 전혀 알지 못합니다

그래서 우리는 우리 기계에 문자 A의 다양한 그림을 보여주고 그것을 가르치기 시작합니다 A 훈련이 완료되면, 우리는 다른 글꼴과 스타일의 문자 A를 보여줌으로써 기계를 테스트합니다 그리고 기계가 정확하게 문자를 식별 할 수 있다면 기계는 잘 훈련되었다 그렇지 않다면 효율성을 높이기 위해 더 많은 이미지가있는 기계를 훈련해야합니다 A와 다른 글꼴 및 스타일을 다시 테스트하고 그 정확성을 확인하십시오

우리가 더 많은 훈련을할수록 우리 기계가 더 정확해질 것입니다 이것이 기계 학습의 개념입니다 이제 기계 학습을 크게 분류 할 수 있습니다 세 가지 범주로 나뉩니다 따라서 감독 학습, 감독되지 않은 학습 및 강화 학습이 있습니다

그래서 교수 학습에 관해서, 우리는 분류 된 데이터를 사용하여 기계를 가르칩니다 하자 우리는 과일 바구니를 가지고 있고 각 과일에는 라벨이 붙어 있다고합니다 이제 기계는이 라벨 데이터에 대해 교육을 받았습니다 따라서 일단 교육이 완료되면 테스트 데이터가 제공됩니다이 데이터는 훈련이 완료되었습니다

이제 교육 데이터에 연관된 레이블이없는 또 다른 사례를 살펴 보겠습니다 그것 여기서 기계는 유사한 데이터를 식별하기 위해 데이터의 기본 구조를 이해합니다 패턴 그리고 본질적으로 유사한 데이터는 함께 그룹화됩니다

그래서 여기서 기계는 모든 사과가 본질적으로 유사하다는 것을 이해합니다 함께 그룹화 바나나와 망고도 마찬가지입니다 따라서 이러한 유형의 기계 학습은 감독되지 않은 학습이라고합니다 마지막으로 우리는 알고리즘이 시스템을 통해 학습하는 곳에서 학습 학습을 강화합니다

보상과 처벌 Apple의 이미지를 컴퓨터에 입력하면 사과로 표시한다고 가정 해 봅시다 그것은 보상받을 것이다 그러나 사과를 파인애플이라고 표시하면 부정적인 포인트가 부여됩니다 보상 점이 점점 더 커지면서 탐구를 통해 수천 가지의 결정을 내릴 수 있습니다

그리고 이것은 기계가 훈련되는 방법입니다 그래서 이것은 기계 학습에 대한 간략한 소개였습니다 검색어가 있으면 채팅 섹션에 댓글을 달아주세요 도와 드리겠습니다 너나가

또한 인증 과정을 끝내는 데 관심이있는 경우 Intellipaat 포괄적으로 IBM과 연계하여 데이터 과학 석사 점수를 제공합니다 데이터 과학, 기계 학습, 심층 학습 및 빅 데이터에 대해 배웁니다 그래서 우리는 분석적인 R, SAS 및 Python과 같은 도구 tensorflow 및 keras와 같은 심화 학습 프레임 워크 하둡 (Hadoop), 스파크 (Spark), 몽고 (Mongo) DB와 같은 거대한 데이터 도구를 제공합니다

따라서 지금은 데이터 과학 분야에서 시작하는 것이 당연합니다

Unsupervised Learning (What Is Machine Learning | Machine Learning Basics)

시리즈의 마지막 비디오에서 우리는 시작했습니다 오해를 해결하는 탐구에 인공 지능과 기계 학습, 감독 학습, 필수 기초 빌딩 블록 현대 분야의 이해 기계 학습

이 비디오의 초점 그 다음에 계속 될 것입니다 하나는 그만 두었고, 그래서 앉아서 긴장을 풀고 가입하십시오 다시 한 번 탐험을 통해 기계 학습의 분야! 빠른 요약하면 기계 학습 분야는 인위적인 웅장한 분야의 하위 집합 지능과 빅 데이터와 데이터 간의 교차점 과학 데이터 과학은 통계, 수학 등의 분야 – 밖으로 이해하는 목표로 및 구조 데이터 의 교차점 데이터 과학 및 인공 지능 특정 기계의 부분 집합 학습, 감독 학습이 수행됩니다

우리가 가지고있는 학습의 한 유형 우리의 데이터에 대한 입출력, 기타 단어, 레이블이 지정된 구조화 된 데이터 및 우리 모델을 극대화하기 위해 '훈련'해야한다 예측 정확도 감독 학습 다음으로 더 세분화되어 학습 모델의 두 가지 주요 모드, 회귀 및 분류 회귀 분석 연속 출력을 예측하기위한 것입니다 다른 말로하면, 출력은 라인 – 우리 모델의 가장 적합한 모델입니다

분류 다른 한편으로는 이산 출력, 즉 매핑 변수를 이산 카테고리에 입력하십시오 이것에 추가하려면 많은 분류 모델은 회귀 알고리즘을 구현합니다 게다가 본질적으로 감독 학습 대부분이 영화 롭게된다 패턴 통계 수학 인식 문제, re-branded as 그들이 있기 때문에 기계 학습 우리가 반복하는 방식으로 적용 그들을 통해, 다른 말로하면, 예측을 높이기위한 모델 정확성

보조 메모로서, 나는 매우 이전 비디오를 볼 것을 권장합니다 이 시리즈에서는 더 깊이 이해할 수 있습니다 감독 학습의 이해 우리는 상당히 집중적으로 걸었다 예 또한, 중요한 용어 우리가 이전 동영상 기계 학습에서, 변수는 지형지 물이라고 부릅니다

변수, 속성, 속성, 기능 – 그들은 모두 같은 것을 의미하지만, 우리의 용어를 지키는 술 업계 표준과 일치하여 향후 기능을 사용하십시오 돌아 오는 중 화제에,이 요점을 되풀이하면서, 이제 다음의 하위 집합으로 이동할 수 있습니다 기계 학습, 무 감독 학습 반면 감독자 학습은 다음과 같은 데이터에 가장 적합합니다 분류 및 구조화 된, 감독받지 않은 학습은 레이블이없는 데이터를위한 것입니다

구조화되지 않았습니다 즉, 우리는 다양한 입력 기능은 알지만 모르겠다 그 결과물은 무엇이 될 것인가 에서 어떤 경우에는 우리가 입력 기능이 의미합니다 감독되지 않은 학습은 가장 대표적인 학습이다

우리가 풀어야 할 현실 세계의 문제 주로 크로스 오버에서 일어난다 큰 데이터와 인공 지능의 분야 사이에서, 이 무 감독 알고리즘은 구조를 유도하는 임무가 주어진다 구조화되지 않은 데이터로부터 감독되지 않은 감독 학습처럼 학습도 추가로 2 개의 1 차 학습 모델 유형, 연관 및 클러스터링 에서 것과 같이, 회귀가있는 감독 학습 연속 데이터를 예측하고 이산 분류 무 감독 학습, 협회는 에 대한 지속적인 데이터 및 클러스터링 이산

우선 우리는 탐구 할 것입니다 클러스터링에 대해 자세히 알아보십시오 분류하는 동안 우리는 사전 정의 된 레이블을 사용하여 적합하게하려고합니다 새로운 데이터를 올바른 카테고리 기반으로 결정 경계, 클러스터링 이 라벨은보기에 의해 파생되어야합니다 많은 데이터 간의 관계 전철기

가장 잘 알려진 것 중 하나 클러스터링 알고리즘은 K- 수단 클러스터링 이 알고리즘 작업은 다음과 같습니다 결정 공간을 분석하여 n으로 표시된 데이터 포인트의 수 그들을 분리 된 수로 나눕니다 K로 표시되는 카테고리이 번호 K 사전 정의 될 수 있거나, 알고리즘은 가장 좋은 숫자를 결정하십시오

에러 함수의 사용 해보자 간단한 예, 데이터 포인트 시청 시간 기능으로 구성 다양한 동영상의 참여 결정할 수있는 방법을 결정하는 목표 그리고 그들이 추천받을 것인지 아닌지를 결정해야합니다 이 예제는 마지막 동영상 (현재 YouTube 데이터 제외) 레이블이없고 구조화되지 않았습니다 자, 먼저, 우리는 K의 양을 결정해야합니다

우리의 데이터는 클러스터로 나뉘어집니다 이것은 미리 정의 될 수 있지만, case 오류 함수를 사용합시다 에서 K- 평균 클러스터링, 제곱의 합 오류 함수는 종종 최적의 K 값 당신이 볼 수 있듯이 K를 증가 시키면 오류가 줄어 듭니다 그래프 팔꿈치로 알려진 특정 지점, K의 증가는 수익의 감소를 가져오고, 더 많은 컴퓨팅 능력과 과핑의 위험이 증가하고, 우리는 곧 논의 할 개념입니다

그만큼 우리 예제의 오차 플롯의 팔꿈치는 4이고, 그러므로 우리는 우리의 결정을 나눌 것입니다 공간을 4 개의 클러스터로 분할합니다 이것은 먼저 4 개의 중심을 추가하고 각각의 클러스터의 중심 지금 초기 중심 위치가 발견됩니다 고밀도의 영역을 선택함으로써 비슷한 특징 조건을 가진 포인트

초기 클러스터 지점이 선택한 다음 알고리즘이 다시 할당됩니다 데이터 점수 새로운 각각의 클러스터로 우리는 그 때 중심을 다시 한 번 업데이트하십시오 데이터 포인트를 해당 클러스터에 재 할당합니다 이 단계는 중심선이 움직이지 않거나 점 멈춤 클러스터를 전환합니다 우리 끝에서 우리는 이제 4 개의 분리 된 빨간색을 정의하지 않는 클러스터 추천 된 파란색으로 업로드 1 일, 1 주일 이내에 노란색 한 달 안에 보라색

이제이 레이블들 일단 클러스터가 정의되면 각 데이터 과학자들에 의해 주어진다 기계 학습 엔지니어 분석 결정 공간 이후의 결과 나누어졌다 그러나 보시다시피,이 감독되지 않은 학습 알고리즘은 직업과 파생 된 구조 인간을 허용 한 비정형 데이터 과학자들과 엔지니어들은 해독하고 데이터를 활용하십시오 지금 전에 계속, 이것이 단지 2 차원의 경우, 즉 2 개의 경우 기능 예 마지막으로 보았 듯이 보다 현실적인 비디오로 많은 대표적인 예 기능을 사용하면 우리가 더 높은쪽으로 들어갈 때 복잡한 3 차원 공간

우리는 이것이 어떻게 문제가 해결되면 문제가 해결됩니다 무 감독 학습 분야, 협회 이 개념을 이해하려면 조금 더 잘 생각해보십시오 클러스터링 문제는 우리가 시도하는 곳입니다 구매에 따라 고객 그룹화 행동, 반면 협회 문제 우리가보고 싶을 때입니다

제품 X를 구입 한 고객이 또한 제품 Y를 구매하는 경향이있다 단어, 지형지 물 간의 상관 관계 데이터 세트의 이것으로보기 다른 형식, 행렬, 여기서 각 열은 지형지 물을 지정하고 행은 각각 데이터 포인트에 해당합니다 예제와 같은 클러스터링 알고리즘 우리가 최근에 겪었던 목표는 행의 복잡성을 줄인다 다양한 유사한 데이터 포인트를 클러스터링 함께 앞으로 나아가십시오

다음과 같은 연관 알고리즘에 대한 주문 의미있는 연관성을 이끌어 내기위한 선례 지형지 물 사이에서 협회 '규칙', 열을 줄여야합니다 다른 단어 이 열의 복잡성 감소는 다음과 같습니다 차원 감소 그만큼 데이터의 차원은 고유하게 표현하는 데 필요한 기능 단일 데이터 지점 우리가 보았던 것처럼 이 시리즈의 이전 비디오 예제에는 두 가지 기능이 있습니다

그것을 2 차원으로 표현하면 우리가 필요로했던 3 개의 특징 3 치수 및 그래서 추세가 계속됩니다 모든 형태의 데이터를 변환해야합니다 그것이되기 전에 기능 세트로 분석,이 과정은 기능이라고합니다 추출과 많은 트레이드 오프가있다 이 선택에서 기능의 양 계속 지키고 싶다면 기능 집합 간단히 말해서, 낮은 차원 성, 당신은 할 수없는 위험을 감수해야합니다

모든 데이터 포인트를 고유하게 식별 데이터 집합에서 알고리즘을 의미합니다 선택의 여지가 파생 될 수 없다 데이터로부터의 패턴, 다시 말하면, underfitting 반면에, 기능 세트가 복잡하고 높습니다 차원 적이면, 우리는 차원의 저주를 불렀다

이 더 많은 측정 기준이 추가되는 시점입니다 데이터 세트가되면 데이터 세트가됩니다 의미있는 것을 찾기에는 너무 희박하다 패턴 즉, 추가 측정 기준에 의해 데이터가 생성되었습니다

의사 결정 공간에 너무 퍼져 나갔다 또한 발생하는 또 다른 문제 높은 차원에서부터, 데이터 세트가 너무 강하게되어 새로운 데이터를 적용하십시오 의사 결정을 분석하는 데 사용되는 알고리즘 공간은 상관 관계를 만들었고 해당 기능 간의 연결 실제로 본질적인 의미가 없습니다 드문 드문 한 데이터가 큰 이유입니다 전문가 시스템이 실패한 이유 약속 된 결과를 실현시키다 높은 차원 성은 왜 낮은 것보다는 해결하기가 훨씬 어려운 문제, 따라서 우리를 우리의 출발점으로 되돌려 놓습니다

점, 차원의 필요성 협회 주문 감소 추출 할 수있는 알고리즘 의미있는 상관 관계 에 대한 인기 기술의 상승 차원 감소는 매니 폴드로 불리는 것 가설 매니 폴드 가설 높은 차원의 데이터 실제로 낮은 차원에 놓여있다 높은 차원에 매입 된 매니 폴드 평신도의 용어로 다양성을 가진 공간 어떤 모양의 표면이든 간단히 놓고, 매니 폴드 가설은 높은 차원의 데이터를 표현할 수있다

저 차원 데이터의 모양으로 변환 후 생성 적용된 이러한 변환 데이터 겪어야하는 것은 동형이 틀림 없다 데이터가 있어야한다고 역으로 역변환하여 원래의 자기와 파괴되지 않은 변환 이 낮은 차원 원래 데이터 집합의 표현 그런 다음 축소 된 기능 집합을 포함합니다 당면한 문제를 대표하는 데 필요한 여전히 의미있는 결과를 산출하고 협회, 그리고 여러 다양한 학습을위한 알고리즘 이 낮은 차원 모양을 파생하십시오

에 두 가지를 나열하십시오 : 1) 교장 성분 Snalysis, PCA, 선형 매니 폴드, 즉 비행기 그리고, 2) Isomaps, 비선형 매니 폴드의 의미 모든 곡면 이 과정은 차원 감소, 특징 선택 및 추출은 전체 기계 학습의 하위 필드, 피쳐 엔지니어링 (feature engineering) 및 많은 것을 만질 수있는 무언가 다가오는이 채널에서 더 많이 깊은 학습 시리즈 이제 나는 한 번하고 싶다 다시 한번 강조하자면, 시간과 설명이 많은 일반화 이 동영상에서 목표와 함께 만들었습니다

현실에서 매우 복잡한 주제를 간소화하다 중복되는 부분이 많습니다 에 명시된 바와 같이 이 모든 것의 출발점에 대한 면책 ​​조항 인공 지능 동영상, 여기 내 목표는 핵심 개념에 대한 소개 개요, 그 후에 당신은 당신을 만족시킬 수 있습니다 다른 것을 보면서 더 많은 것을 배우는 호기심 이 플랫폼의 놀라운 제작자 및 웹상의 자료 그러한 자원 하나 Brilliant를 사용하고 적극 권장합니다

만약 너는 기계에 관하여 더를 배우고 싶 는다 배우는 것은 실제로 어떻게 배우는지 이러한 알고리즘은 감독자에서 작동합니다 회귀와 같은 방법론 분류, 감독되지 않은 학습 Brilliantorg는 그 이상입니다 너가 갈거야! 예를 들어, 기계 학습 과정 우리가 가지고있는 많은 개념들을 통해 이 과거 동영상에서 논의되었습니다 이제 뭐 나는이 주제가 코스는 처음에는 직관적 인 설명이 주어지면 당신은 관련 문제를 겪습니다

만약 문제가 잘못되면 직관적으로 보게됩니다 네가 어디로 잘못 갔는지에 대한 설명 그 결함을 바로 잡는 방법 나의 주요 목표 이 채널은 다양한 기술에 대해 교육한다 변화시키는 혁신 세상에,하지만 더 높은 수준에서 그렇게하는 것 이보다 앞서 나아갈 필요가있다 동영상을보고 실제로 수학과 과학은 내가 토론하는 개념들

Brilliant는 이것을한다 수학과 과학 학습을함으로써 호기심을 자극하고 호기심을 자극한다 사이의 상호 연관성을 보여주는 다양한 주제의 다양성! 또한 오프라인 모드를 사용 중입니다 배우실 수있는 Brilliant의 모바일 앱 가다 다음 중 하나를 다운로드 할 수있는 기능이 있습니다 대화 형 과정

지원 Singularity 번영과 더 많은 것을 배우십시오 Brilliant에 대해 Brilliantorg에 방문하십시오 / singularity 및 무료 가입, 가입 한 첫 200 명 연간 보험료에서 20 % 할인됩니다 신청! 이 시점에서 동영상에는 결론에 오니, 고맙습니다 그것을 볼 시간을내어 주셔서 감사합니다! 만약 너라면 그것을 지원하는 것을 즐겼다

계속 유지할 Patreon 또는 YouTube 회원 이 채널 성장! 우리의 자세한 정보는 웹 사이트를 참조하십시오 더 많은 콘텐츠를 구독하고 좋아요 한입 크기의 페이스 북 페이지 콘텐츠 덩어리 이것은 Ankur입니다, 너는 Singularity Prosperity를 ​​보았다 곧 다시 보자! [음악]

‘칸 황금종려상’ 일 영화감독, 아베 각료 축하 거절…“공권력과 거리” | 서울 KR

‘칸 황금종려상’ 일 영화감독, 아베 각료 축하 거절…“공권력과 거리” 반 아베 성향 고레에다 감독…‘축하인사’ 좋아하는 아베 총리는 이례적 ‘침묵’ 올해 칸영화제 최고상 황금종려상 수상자인 일본 영화 감독 고레에다 히로카즈(是枝裕和)가 일본 정부의 뒤늦은 축하 표명을 거절했다고 도쿄신문이 10일 보도했다 고레에다 감독은 지난 7일 자신의 블로그를 통해 공권력과는 깔끔하게 거리를 유지하는 것이 올바른 행동이라고 생각한다고 밝혔다

이날 하야시 요시마사(林芳正) 문부과학상이 감독을 직접 만나 칸영화제 수상에 대해 축하를 하고 싶다는 의사를 밝힌 것에 대해 거절 의사를 밝힌 것이다 영화 어느 가족(원제 만비키<좀도둑질> 가족)으로 지난달 칸영화제에서 최고상 황금종려상을 탄 고레에다 감독은 아베 정권의 정책에 반대의 뜻을 공공연하게 밝힌 반(反)아베 성향의 인물이다 고레에다 감독은 블로그에 어느 가족에 대해 문화청의 보조금을 받았다 고맙고 도움이 됐다고 생각한다면서 하지만 일본의 영화산업 규모를 고려하면 아직 영화문화 진흥을 위한 예산은 적다고 아베 정권의 영화 진흥 정책을 비판하기도 했다 일본에서는 고레에다 감독이 지난달 황금종려상을 수상한 뒤, 아베 총리가 이례적으로 축전을 보내거나 축하 코멘트를 발표하지 않은 것을 두고 뒷말이 나오고 있다

아베 총리는 국제적인 문화·스포츠 이벤트에서 자국인의 수상에 대해 대대적으로 축하 코멘트를 발표하고 이를 적극 알리는 것으로 유명하다 평창 동계올림픽에서 금메달을 단 피겨킹 하뉴 유즈루(羽生結弦) 선수와 고다이라 나오(小平奈緖·스피트 스케이팅) 선수에 대한 축하 메시지를 즉각 SNS에 올렸고 일본계 영국인인 가즈오 이시구로 작가의 노벨문학상 수상자 선정에 축하 코멘트를 내놓았다 하지만 유독 고레에다 감독의 수상에 대해서는 침묵으로 일관했고, 이에 대해서는 감독의 성향이 반(反)아베인 것이 영향을 미쳤다는 지적이 많았다 이와 관련해서는 야당 입헌민주당의 가미모토 미에코(神本美惠子) 참의원은 이와 관련해 국회에서 아베 총리가 좋아하는 사람에게만 축하하고 있다고 비판하기도 했다 이런 비판이 일자 하야시 문부과학상이 뒤늦게 축하를 하겠다고 나섰지만, 고레에다 감독이 이를 거절하고 나선 것이다

일본의 대표적인 사회파 감독인 고레에다 감독은 일본 사회의 어두운 면을 담담하게 그려낸 작품으로 국제적인 호평을 받았다 어떤 가족 역시 할머니의 연금과 좀도둑질로 살아가는 한 가족의 이야기다 그는 아베 정권이 야권과 시민의 반대에도 불구하고 몰아붙인 안보관련법 반대 집회에 참가한 적 있으며 방송에 대한 정부·여당의 압력을 우려하는 발언을 한 바 있다

Wake County, NC | Improve property assessments with AI and Machine Learning | SAS Customers

MARCUS KINRADE : 순 마이그레이션을하고 있습니다 약 62 명의 사람들이 매일 웨이크 카운티에옵니다

그래서 언제든지 우리는 6 ~ 7 개의 학교를 세우고 있습니다 우리는 24,000 건의 건축 허가를 받고 있습니다 우리는 매년 12,000 개의 주거용 주택을 추가하고 있습니다 그래서 우리는 추가 기술을 찾고 있습니다 그리고 SAS 인공 지능 기술 우리에게 꼭 맞는 것 같았다

기계 학습 값을 비교하는 데 활용 재산을 평가하는 우리의 전통적인 방식으로 따라서 우리는 SAS에 신선한 가득한 부동산을 제공합니다 매일 밤 파일 그리고 SAS 모델은 310,000 개의 주거용 소포를 모두 재평가합니다 매일 밤 AI 기술을 사용하여 값을 결정합니다

그런 다음 시간 조정을 사용하여 예측 된 2020 년의 가치 따라서 우리의 전통적인 일정표, CAMA 값은 SAS AI 값을 가지며 2, 납세자를 보여주는 것은 우리 사업에 큰 이익이됩니다 SAS와의 협력으로 많은 돈을 아낄 수있었습니다 감정 평가사를 훨씬 더 적게 고용해야했습니다 그리고 우리는 더 빠르고 정확하게 작업을 수행 할 수 있습니다

The Computer as Collaborator: Machine Learning and Creative Practice | Loop

안녕하세요 공동 작업자 인 컴퓨터에 오신 것을 환영합니다

기계 학습 및 크리에이티브 프랙티스, 저는 Marijke Jorritsma이고 오늘의 패널을 검토 할 것입니다 오늘 우리는 내가 믿는 것의 최전방에있는 패널리스트 중 한 명을 우리와 함께 할 수있어서 행운입니다 음악 제작의 새로운 패러다임 우리의 기본 가정에 도전하는 것 기술이 창의적 과정에서 수행해야하거나 수행 할 수있는 역할에 대해 설명합니다 오늘 우리에게 합류하면 멀티미디어 아티스트, 창의적인 기술자 및 음악가 Lucky Dragons가 될 것입니다

개념적인 아방가르드 듀오 YACHT 그리고 현재 개발하고 있으며 의미를 학습하고있는 Google Magenta 팀 창조적 인 프로세스를 지원하는 기계 학습 도구를 만드는 것 그래서 우리는 오늘 한 시간 밖에 안 남았습니다 그리고 이것은 여러분 중 많은 사람들이 저와 함께 매우 흥분되는 큰 주제입니다 이 새로운 기술이 음악 제작자 및 광고 소재로 우리에게 제공 할 수있는 것을 배우는 데 있습니다

따라서 우리가 조직 한 방식은이 그룹들 각각이 프레젠테이션을 할 것입니다 그러면 우리는 각 그룹의 구성원들이 패널 토론을하기 위해 우리를 대표하게 할 것입니다 1 시간 밖에 없으므로이 세션에서 Q & A 시간을 가질 수는 없지만 이후에는 연극을 직접 떠나서 복도에있는 사람들과 만나고 싶다면, 그들에게 직접 질문 할 수 있습니다 그래서 우리는 럭키 드래곤즈를 무대로 불러서 시작할 것입니다 그래서 제 이름은 루크입니다

– 난 사라 라라 그리고 우리는 당신과 함께 여기에 있기 위해 너무나 흥분되고 영광입니다 그래, 그냥 우리가 가서 우리가 이것에 대해 적극적으로 배우고 있기 때문에 이것의 일부가되는 것처럼, 우리는 어떤 느낌이 든다 우리는 생산적인 아마추어 같은 공간에 있습니다 그 일에 대해 사랑하고 열정적 인 사람입니다

그들은 기계 학습과 관련하여 막 배우기 시작했습니다 그리고 계속 마음에 두어야 할 것은 생각하는 것과 같은 것으로 들어가는 것이 어렵지 않다는 것입니다 당신은 지능형 기계 또는 듣는 법을 알고있는 기계를 생각해냅니다 그것은 실제로 우리가 이미하는 모든 것입니다 우리는 기계를 사용하여 우리가 감지 할 수있는 것을 확장하고, 우리가 듣고 볼 수있는 방법, 그리고 프로세스와 우리 자신의 편견을 새로운 방식으로 바라 볼 수 있습니다

그래서 우리는 단지 그것을 볼 순간이있는 곳을 볼 수 있으며, 우리 앞에 펼쳐진 모든 것을 볼 수 있습니다 그리고 저는 이것이 우리가 정말로 이끌어 낸 행동이라고 생각합니다 생각의 과정과 당신 앞에서 펼쳐지는 모든 가능성을보기 위해, 당신이 일하는 동안 당신의 마음에 그 가능성의 공간을 유지하십시오 그래서 나는 이것이 기대의 공간이며 다음 행동이 무엇인지 생각하고 있다고 생각합니다 아니면 우리에게도 정말로 중요한 것은 우리가 듣는 방식에 대해 생각하는 것입니다

그리고 우리의 귀와 우리의 관심이 경청되는 방법입니다 시력과 소리가 어떻게 다르게 작동하는지, 그리고 소리가 특별한 경우가 될 수있는 방법을 분별하려고합니다 듣기의 측면에서 우리가 인간으로하는 모든 작업의 ​​복잡성 : 소리 신호를 분리하는 방식 신호 자체, 언어가 차지하는 공간에 관한 정보를 전달할 수 있습니다 듣기의 이러한 모든 측면은 실제로

우리에게는 이전 관행에서 나옵니다 우리는 종종 Gertrude Stein의 반복에 대한 생각으로 되돌아갑니다 나는이 모든 것을 염두에 두어야 할 중요한 결과는 인간을 보존하는 것이라고 생각한다

또는 음악과 예술, 또는 어떤 종류의 상호 작용에 대해서 인간이 더 철저히 조사 할 수 있습니다 우리가 그것에 대해 알고있는 것과 우리가 서로를 향하여 행동하는 방식을 실제로 압축하고 있기 때문에 그리고 우리가 어떻게 살아가고 있는지 그래서 1935 년의 Gertrude Stein 강의, 초상화와 반복, 그녀는 기본적으로 삶을 압축하는 방법과 그것을 설명하는 방법에 대해 이야기합니다 그녀는 그렇게하기 위해 반복을 사용할 수 없다고 말했습니다 살아 있기 위해서는 반복하지 않는 것이 좋습니다

그것은 당신이 끊임없이 주장하거나 강조하고 있음을 의미합니다 그리고 이것은 내가 표현에 대해 생각하는 것입니다 그것은 활력을 가지고 있다는 것입니다 반복하는 것이 아니라 끊임없이 스스로를 주장하고 스스로를 주장하고 있습니다 그래서 무언가를 묘사하고, 그것의 삶에서 벗어나기 위해서, 반복하는 것입니다

반복은 인간이 정말로 나쁘다는 것을 발견합니다 우리가 행동이나 제스처를 반복 할 때, 시간이 지남에 무언가가 형성된다는 것은 항상 일종의 차이점을 가지고 있습니다 진정한 반복이 아니기 때문에 스타 인 (Stein)이 말한 강조점이 언제나 변했습니다 그리고 그녀의 "천재성"에 대한 정의는 말하는 동안 듣는 것입니다 그래서 그것은 우리가 또한 가지고있는 것입니다

기계 학습의 측면에서 생각 해왔다 인간이 듣는 동안 어떻게 반응합니까? 듣기도하면서 공연합니까? 그리고 그것은 뮤지션들이 할 훈련을받은 것입니다 듣는 동안 연주하도록 훈련 받았다 – 나는 음악가뿐만 아니라 살아있는 사람도 말할 것입니다 그래, 어떤 인간이든

어떤 의식적 존재 – 살아있는 상태 야 동시에 듣고 말할 때 누군가 살아 있는지 알 수 있습니다 그리고 우리가 디자인 한 시스템에서 우리가 사용하는 알고리즘에서 살아 있다는 것의 그 품질을 포착 할 수 있다면, 우리는 음악에있어서 가장 중요한 것이 무엇인지 생각하고 있습니다 그러나 나는 명심해야 할 또 하나 중요한 점은, 이것은 이미 우리가 사용하는 도구에 내장되어 있으며,이 모든 것에 주목해야 할 역할입니다

그리고 이것은 우리의 마음이 반복에 어려움을 겪는 방식에 관한 것입니다 우리의 기억으로 돌아가서, 일들을 예기하고, 그래서이 역방향주의를 기울이십시오 이해를 발전시키는 데 정말로 중요합니다 그래서 우리는 다이애나 도이치 (Diana Deutsch)의 실험에 기초한 일련의 녹음을 만들었습니다 UC, 샌디에고

그리고 그녀는 청각 환상을 연구합니다 그래서 그녀는 소리의 공간을 연구합니다 거기에는 일종의인지 적 미끄러짐이 있습니다 그리고 흥미로운 점은 착시에 대한 것입니다 무수한 착시 현상이 있지만 청각 적 착각에 대해서는 단지 40-50 정도 밖에 알려져 있지 않습니다

청각 환상, 그리고 대부분은 지난 20 년 동안 도이치에 의해 발견되었습니다 그래서 그들은 새로운 발견들입니다 그리고 그것은 또한 나는 소리가 특수한 경우이고, 소리가 이미지와 다르다는 것을 지적하기 위해이를 지적합니다 그러나이 실험에서, 피실험자는 매우 빠른 간격으로 반복되는 인간의 목소리로 말한 음절을 듣습니다 왼쪽과 오른쪽을 교대로 반복합니다 그리고 그가 신호를 유지하더라도 피실험자는 다른 음절과 문장 및 문장을 생성하기 시작합니다 마치 마음이 실제로 반복을 가질 수없는 것처럼 말입니다

사운드 신호를 처리하려면 인간 피험자는 해석과 언어의 차이와 층을 삽입 할 것이다 그래서 우리는이 일련의 녹음을 제작 한 다음 다른 청취자가 녹음을 듣게했습니다 청취자에게 고유 한 청취자로 생성 된 단어를 기록하십시오 처음부터 조금만 들으 십시다 그리고 당신은 당신의 마음을 표류하게 할 수 있습니다

반복되는 패턴을 듣고, 어떤 사람들은 음악으로, 어떤 것은 언어로 듣습니다 우리에게 이것은 기계에 의해 생산되는 무언가에 대한 흥미로운 사례 연구이지만, 우리는 청취자로서 그것을 완성합니다 그래서 당신은 그것을 듣기 위해 어떤 언어를 만들었기를 바랍니다 때때로 우리가 그 일을 생방송으로 수행 할 때 때로는 사람들이 공연 후에 나에게 와서 이렇게 말합니다 어떻게 그런 거짓 언어를 사용할 수 있습니까? 여기에 아이들이 있습니다

그리고 실제로 그것은 모두 청취자에 의해 생성됩니다 그래서 그것은 모두 당신의 상상력입니다 그러나 청취자 측에서 일어나는 야생과 미끄러짐은 무언가다고 생각합니다 이것이 우리가 사용하고있는 도구에 어떻게 암호화되어 있는지에 대해 정말 흥미 롭습니다 그래서 우리는 다양한 형태의 청취를 나타내는 역사적인 방법을 살펴 보는 것이 가치가 있다고 생각했습니다

그래서 이것은 Pierre Schaeffer의 'Musical Objects에 관한 논문'입니다 그래서 Pierre Schaeffer는 처음으로 일종의 절단 테이프로 샘플링 기술을 사용한 최초의 제품

– 테이프 음악, 초기 사운드 콜라주, 음악 콘서트 그래서 기본적으로 그는이 4 가지 모드를 함께 접는 것에 대한이 매우 포괄적 인 아이디어를 가지고 있습니다 항상 주기적으로 작동합니다 그리고 그 아이디어가 다른 청취 방식이 있는데, 청취, 이해,인지, 청각으로 정의했습니다 그리고 이것들은 순차적으로 또는 많은 차별화로 발생하지 않는다는 것입니다 그들은 한 가지 종류의 청취 또는 다른 것에 대한 강조 또는 강조와 동시에 발생합니다 그리고 저는 그것이 정말로 오늘날까지 계속되고 있다는 것을 알게됩니다

듣기는 듣기와 혼합되고, 듣기는 줄어 듭니다 소리의 품질에 대한 이해는 소리의 언어 적 파싱과 동시에 발생합니다 그리고 저는 또한 그것이 정말로 관련성이 높은 부분은 어떤 종류의 듣기가 배워지고, 그래서 당신은 소리의 분야에서 기호와 언어를 해석하는 법을 배울 수 있습니다 누군가의 목소리 나 특정한 구조를 듣고 있습니다 그러나 당신은 또한 종류의 de-learn 것을 할 수있다

원시, 주관적 인식에이 관심으로 돌아가는 것처럼 예를 들어, 고속 도로 옆에 살고 시간이 지남에 따라 그 소리를 듣지 않는 것을 배우면 이런 종류의 감정적 인 학습, 나는 흥미로운 극성이라고 생각한다 그래서 예, 이것이 피에르 쉐퍼 (Pierre Schaeffer)의 생애주기입니다 나는 그것을 사용하는 것을 일종의 척도로 사용하는 것이 흥미롭다 고 생각했습니다 그런데 이런 형태의 것이 우리가 사용하는 것입니다

어떻게 함께 작동합니까? – 그리고 그들은 어떻게 기계를 가르 칠까요? 이 미묘하게 다른 작업을 동시에 수행 할 수 있습니다 – 비슷한 것을 묘사하는 또 다른 아름다운 방법이라고 생각합니다 Pauline Oliveros의 "깊은 경청"아이디어입니다 이 글로벌하고 구체적인 듣기 항상 동시에 일어나야하고 콘서트가 서로 이루어져야합니다 그리고 그들은 동시에 일어납니다

그러나 당신은 당신의 시선을 이동시킴으로써이 지형의 소리를 통해 순항합니다 그리고 여러면에서 연습은 배운 것입니다 그것은 반드시 자동적 인 것은 아닙니다 Maryanne Amacher의 듣기 모델입니다 음악과 사운드를 구성하는 대신 그녀는 그녀의 작품을 "청중을 구성하는 것"으로 생각했다

– 때로는 매우 문자적인 것인데, 그녀는 일할거야 이런 종류의 톤 패턴을 생성하기 위해 매우 높은 볼륨으로 그리고 나서 그녀가 알아 차린 신체 반응, 귀에있어 생성 된 이러한 공진 주파수를 갖는 자동 음향 학적 물리적 응답 말 그대로 귀에 – 외부 신호로는 아무 일도하지 않습니다 또는인지 적 그것은 단지 당신이 이벤트를 가지고 뭔가, 당신은 달팽이관 응답을 가지고 그리고 나서 신경 학적 반응을 보입니다

그리고 이것들을 만들기 위해 모두 협력하고 있습니다 소리의 지각과 이해 – 그리고 나는 귀에 대한 그녀의 관계를 생각해 우리와 거의 비슷하게 협력자로서의 컴퓨터에 그녀의 실험에서 그녀는 거의 그녀가 소리를 감지하는 방식에 대해 생각을 외현 화하는 방식

거의 외계인의 품질이 있습니다 비록 그들이 모두 자기 자신의 귀에 속한다고 느끼더라도, 그녀가 공부하고있는 소리에 그리고 그녀의 음악이 녹음에 실제로 존재하지 않는다는 것을 알아 두는 것이 중요합니다 몇 곡이 녹음되어 있습니다 그러나 일반적으로 음악은 생동감 있고 특정 공간에서 경험 될 수 있도록 고안되었습니다

그래서 그녀는 할 것입니다 사운드는 벽을 통해 또는 거리를두고 또는 시간의 경과에 따라들을 수 있도록 의도 된 것입니다 그리고 육체적 인 위치에서 청취 경험을 접지하는 이런 종류의 신체, 신체, 당신 자신의 경험을 가지고 있다면, 나는 이것에서 벗어날만한 가치가있는 것이라고 생각합니다 그래서 마침내 우리는이 작품을 보게 될 것입니다 공연, 함께 걷고있는 성가대 한센 댐은 북쪽 산 페르난도 계곡에서 2 마일 길이의 길입니다

그리고 그 생각은 청중과 가수들이 함께 섞이도 록 합창단을 넓혀주는 것이 었습니다 이 접근 방식의 일부는 점수를 사용하는 일종의 공연 전통에서 왔습니다 텍스트 지침을 사용합니다 우리가 정보를 압축하는 방법 인 점수를 생각할 때, 이것은 압축 된 형태로,이 복잡한 형태의 엔티티로 디코딩되고 펼쳐집니다 따라서 우리의 마음에서 이것은 디지털 프로세스와 매우 관련이 있습니다

우리의 작업을 생성하는 이러한 텍스트 점수의 알고리즘 모델의 종류 그러나 우리가 기계 학습이나 기계 지능이라고 부르는 것을 위해 거기에 인간의 구성 요소가 무엇을 훈련에 포함 결정, 평가, 거기에 많은 그리고 그것에 내장 된 물론, 우리 자신의 편견과 자신의 방법입니다

자네가 재귀 과정인데 당신은 당신이이 모델들을 가지고 일할 때 당신의 편견이 명백하게 드러나는 것을 보게됩니다 그래서 우리는 매우 아날로그적인 것, 여러분이 얻을 수있는 아날로그의 것의 예를 공유하고 싶었습니다 그것은 공연이기 때문에 조금씩 보게되는 것은 각 가수가 그들 자신의 독특한 부분을 가지고 있다는 것입니다 그리고 그것은 함께 일하는 모든 사람들에게 분열되어 있습니다 그리고 각각의 가수들에게는 그들이 갈 수있는 다른 모드가 있습니다

그들은 다른 이들에게 그들의 노래를 가르 칠 수 있습니다 이것은 통화 및 응답에서 일종의 일이 전환 과정의 일종입니다 조화를 향하여 움직이기 때문에, 부르심과 응답에서, 한 마디로 일제히, 그리고이 과정에서 그들은 거의 일종의 그들의 두 곡 사이를 보간한다

그래서 우리는 누군가가 자신의 스타일, 취향, 공연 방법, 거의 명상적인 신체의 존재에 대한 그들의 감각을 알아 내고 그것을 다른 누군가와 공유하는 방법을 알아 내고, 컴퓨터로하는 방법에 대해 많이 생각하고 있다고 생각합니다 이것은 The Spreading Ground이며 Pacoima의 Hansen Dam에서 공연됩니다 먼저 다른 사람들이이 문제에 관해 더 많이 이야기하도록 설정했기 때문에 나는 먼저 나가는 것이 정말 기쁩니다 그래, 더 자세히 얘기 해봐 고맙습니다

그러나 모두 노래의 즐거움과 함께 노래하는 즐거움을 모두 볼 수 있기를 바랍니다 고맙습니다 그럼 다음에 YACHT가 프리젠 테이션에 참여하게 할거야 좋아요 그래서 우리는 요트입니다

우리는 트리오, 슬랩스틱 등입니다 우리의 작업에 익숙하지 않은 사람들을 위해 YACHT는 2002 년에 설립되었습니다 그것은 오레곤 주 포틀랜드에서 본 표지판의 이름을 따서 지어졌습니다 그 말했다 : 젊은 미국 도전 첨단 기술 우리는이 사업이 무엇을했는지 알지 못합니다

사업이라면, 그것은 일종의 사전 인터넷 이었기 때문에 우리는 확실하지 않습니다 그것은 좋은 생각 같았다 우리는 많은 다른 화신을 통해 그리고 그 제휴에도 불구하고 약어를 유지했습니다 사치스러운 자본주의, 우리는 그것이 분명히 말하고 싶은 것을 좋아하기 때문에, 우리는 계속해서 대화 속에 있어야한다는 생각 우리가 Luddites라는 의미가 아니라, 분명히 우리가 여기 있다는 것을 의미합니다 우리가 사용하고있는 도구에 대해 수동적이되고 싶지 않고 머물고 싶다는 의미에서 그들과의 관계를 지속적으로 염두에두고 도구 사용을 추진 우리 도구가 작업 결과물을 명시 적으로 형성하도록합니다

우리는 코더가 아니라고 말함으로써 이것을 서언하고 싶습니다 기술에 대한 우리의 관계와 예술 제작의 맥락은 언제나 바깥 쪽을 바라 보았습니다 우리는 도구를 사용하고, 도구를 사용하며, 도구를 의도 된 매개 변수 이상으로 옆으로 사용한다고 믿습니다 그 과정에서 어떤 흥미로운 것들이 흔들리는 지 확인하십시오 그리고 이것은 기술 권력의 더 큰 통합 이전에하기가 훨씬 쉬웠다는 것을 인정했다

고급 기술 지식없이 두건을 보는 것이 더 힘들었습니다 그러나 우리는 우리의 주된 주요 지시어가 우리가 가능한 한 많이하고 싶다는 태도와 관계없이 우리가 Buckminster Fuller를 많이 읽음으로써 얻은 것입니다 분산 된 펑크 커뮤니티의 일종에서 그 글과 우리 자신의 양육 사이의 유추를 그려야한다 태평양 북서부에 우리는 몇 가지 프로젝트를 제공하기 위해 기계 학습 실험에 대해 이야기하기 전에 생각했습니다 그게 당신에게 우리가 누구이며 우리의 가치가 무엇인지에 대한 감각을 줄 것입니다

그래서 우리는 한때 웹 응용 프로그램을 제작하여 팩스로 독점적으로 앨범 표지를 발표했습니다 Fed-Ex 및 Office Depot에서와 같이 인근의 팩스 기기를 식별 한 그것을 직접 그들에게 보냈다 우리는 사운드를 통해 이미지를 전송하는 아이디어를 좋아했습니다 우리 마음 속에서, 또는 그렇게되어야한다 그리고 휴면 기술을 활성화하는이 개념,이 잠재 된 공간, 방금 사용하려고하는 팩스 기계 중 또한 사용 가능한 항목을 보여주는 방법입니다

그리고 우리가 다음 단계로 너무 빨리 넘어갈 때 낭비되는 것을 설명합니다 이것은 우리가 일반적으로 배포 메커니즘에 망할 것에 관심이 있다는 것을 말해줍니다 우리는 한 번 EP를 2 장 세트로 발표했습니다 하나는 EP를 포함하고 하나는 명확하고 재생 불가능한 디스크입니다 모든 음악으로 인코딩되었지만 CD 제조 공장에서 제조를 중단하게했습니다 반사 호일이 적용되기 전에 그것은 재생 가능하게 만든다

기존 생태계 내에서 고유 한 취약성과 기회를 악용하는 것과 동일한 주제로, 우리는 최근이 엄청나게 작은 프로젝트를 만들었지 만, ICE Abolish라는 노래를 발표했습니다 그게 바로 제가 노래를 할 수있는 법적 최소값 인 1 분 동안 계속해서 "얼음을 버리십시오"라고 말하는 것입니다 디지털 배포 플랫폼 및 Spotify를 통해 노래로 자격을 얻으십시오 따라서 이것은 가상 피켓과 같습니다 누군가가 파괴적인 행동으로 플레이리스트에 추가 할 수있는 것입니다

우리는 방금 4 년짜리 프로젝트를 마무리했습니다이 프로젝트의 일부 사람들은 실제로 참여했습니다 The Triforium이라고 불리는 다운타운 LA의 공공 미술 휴면 조각을 재 활성화하기 위해, 원래는 빛과 소리를 동기화하도록 설계된 6 층 60 톤 콘크리트 구조물입니다 Polyphonoptics라는 새로운 예술 형식으로 우리는이 놀라운 학제 간 팀과 함께 일했습니다 코더와 아티스트, 음악가가 수십 년 동안 오프라인 상태였던 조명을 되찾기 위해 원래의 프로그램 소프트웨어를 8 비트 종이 테이프에서 구출하기 위해, 다시 음악적 입력에 반응하도록하십시오

우리는 이것을 다시 공유했습니다 구식 기술과 신기술이 공존 할 때 일어날 수있는 일과 실제로 생각할 때 일어날 수있는 일 가능한 한 사물을 가능한 한 많이 사용하는 법 그래서 우리는 몇 년 전에 기계 학습과 창의력에 관심을 갖게되었습니다 우리 모두가 가지고있는 똑같은 이유로 우리는 모든 사람들과 어리 석다 공개적으로 사용할 수있는 도구이지만 우리는 우리에게 효과가 있었던 방법의 특성을 당신과 함께 나눌 수 있다고 생각했습니다

성공적인 결과를내는 측면에서 YACHT의 성공의 척도가됩니다 우리는 금속 기계 음악을 여기에서 만들려고 노력하지 않고 있습니다 우리는 대중 음악과 음악을 만들고 싶어합니다 우리의 이름을 쓰십시오 완전히 새로운 프로세스를 사용한다면 우리와 같은 결과를 만들어 내야합니다

우리와 같은 느낌이 들고 앞으로 나아갈 것, 또는 적어도 흥미로운 단계를 옆에서 느끼십시오 그래서 Magenta의 MusicVAE 모델을 사용하여 잠재 공간 보간법을 사용할 수있었습니다 다시 카탈로그에서 다른 멜로디 사이의 통로를 만들 수 있습니다 그래서 이것은 예전과 같습니다 – 어쩌면 다른 모습일지도 몰라, 잠깐 들려 줄거야

그래서 이런 방식으로 작업하기 위해, 우리는 처음에 음악의 전체 카탈로그를 MIDI로 주석 처리해야했습니다 그래서 우리는베이스, 기타, 보컬 멜로디, 드럼 패턴을 분리했습니다 그리고 나서 우리는 그 멜로디의 페어링을 가져 와서 그것을 MusicVAE 모델로 보냈습니다 다른 온도에서 그리고 때로는 커다란 시간을 만들어서 우리가 통과 할 수 있고 노래를 작곡 할 수있는 16 바 패턴 모음 그래서 멜로디로 시작하자

그래서 이것은 하나의 보컬 멜로디입니다 그래서 이것은 2 개의 오래된 노래 사이의 보간에서 생성 된 여러 시퀀스 중 하나였습니다 : "홀로그램"과 "나는 죽을 때까지 너와 섹스하고 싶어" 왜 물러서서 얘기하고 싶니? 일반적으로 많은 아티스트가 어떤 종류의 재료로 작업 할 때 단호하고 빠른 규칙을 설정하는 것을 좋아하지만, 이 자료는 명백하게 좋은 것으로 보입니다 우리는 항상 자기 부과로 최선을 다했습니다 또는 외부, 즉 금전적 제약이있다

그래서 우리는 우리가 생각하는 규칙들을 만들어 냈고 우리가 수정하도록 허락했습니다 이런 종류의 결과물은 우리에게 친숙한 느낌을줍니다 예를 들어, 우리가 할 수없는 일들, 어떤 음을 추가 할 수없는 것, 하모니를 추가 할 수없는 것, 우리는 무엇이든 잼하거나 즉흥 화하거나 해석 할 수 없다

근본적으로 우리는 창조적 일 수 없습니다 따라서 첨가제 변경은 없으며 감산 적 또는 중첩 적입니다 그래,하지만 우리가 방금 연주 한 멜로디 같은 어떤 악기에도 멜로디를 지정할 수있다 나는 그것이 보컬 멜로디라고 말했다 그래서 우리는 단지 임의적으로, 또는 임의적으로는 아니지만, 우리의 마음 속에는 그것이 그렇게 될 것이라고 결정했습니다

그래서 우리는 그렇게 할 수있었습니다 그래서 나는 키보드 라인이나베이스 라인이나 보컬 라인을 줄 것이다 그리고 우리가하는 노래에 나오는 모든 것을 그 노래의 핵심으로 바꿀 수 있습니다 그리고 우리는 그것을 구조화 할 수 있습니다, 우리는 그것을자를 수 있습니다 우리는 기본적으로 모든 출력물을 가진 콜라주를 할 수 있습니다

무언가를 노래 크기의 조각으로 만들면 될 것입니다 그래서 그 규칙 집합 안에서 우리는 기본적으로이 방에있는 모든 사람들에게 동일한 결과물, 결과물 집합, 우리는 모두 완전히 다른 곡을 만들 것입니다 이것은 모든 종류의 요점입니다 이제 우리는 멜로디를 생성하면서 우리가 한 일을 당신에게 할 것입니다 우리는 그것이 보컬 라인이 될 것이라고 결정했습니다

그리고 그것은 이렇게 들린다 따라서 이런 종류의 자료로 작업 할 때 가장 흥미롭고 도전적인 부분 중 하나는 실제로이를 수행하는 것입니다 육체적으로, 그것이 생성하는 멜로디가 몸에 아주 최소 관계가 있기 때문에, 또는 적어도 역사적으로 예쁜 펑크 록 (punk-rock) 작전의 역량에 대해서는, 좋아, 나는 훌륭한 가수가 아니고, 거장 가수도 아니고, 내 두려움 중 하나는 나는이 멜로디를 부를 수 없을 것 같았습니다 '왜냐하면 그들은 매우 믿을 수 없을 정도로 정밀하기 때문에 변이의 여지가 없습니다 그리고 단순한 것처럼 들리는 것조차도 실제로 우리 자신의 실제 구현 된 패턴 밖에 있습니다

그래, 드럼 패턴 중 일부 그래서 우리는 멜로디뿐만 아니라 드럼 패턴으로이 작업을 수행했습니다 그런 다음 때로는 드럼 패턴을 코드 패턴으로 조바꿈합니다 이 모델은 우리가 작업을 시작할 당시 화음을 내지 않았기 때문에 그러나 종이 위에서 보았을 때 드럼 파트를 연주하는 것은 간단하고 심지어 바보 같거나 어리석은 소리를냅니다 믿어지지 않는 정도로 놀기 위해 끝내었다, 아마 2 개의 막대기가 나에게 30 분을 배우는 데 가져 갔던 채우기와 같다 연주하는 데 익숙한 드럼 연주의 팔레트에 없었기 때문입니다

그것은 당신이 당신의 성과가 당신이 내부에서 가지고있는 이전 습관과 발목에서 오는 것임을 깨닫게합니다 또는 문화적으로 자신의 음악적 육성을 기반으로하는 경향이 있습니다 그것은 당신이 좀 더 명확하게 자신을 볼 수 있습니다 그리고이 소재로 작업하면서 멜로디가 실제로 우리에게 더 잘 연주하도록 가르쳐 준 사례가 많이있었습니다 또는 우리가 다른 방식으로 연주하는 것을 상상할 수도있었습니다

– 가사에 대해 이야기 해 봅시다 그래서 방금 들었던 노래의 가사 또는 방금 들었던 노래의 단편 실제로는 과학 기술자이자 시인 인 로스 굿윈 (Ross Goodwin)과의 공동 작업의 산물입니다 우리가 그와 함께 일하기 시작했을 때, 누가 무료 에이전트 였지만 지금은 구글에 의해 부딪혔다 따라서 모델을 만들려면 약 4 백만 단어의 가사 226 MB의 코퍼스를 만들었습니다

그리고 그것은 우리가 우리의 영향이라고 생각하는 모든 것, 밴드를 밴드로 만드는 스튜, 우리 자신의 등 카탈로그처럼, 지리적으로 자라는 우리 주변의 음악, 부모님의 음악, 친구들의 밴드, 우리의 영향력이라고 생각되는 모든 것들 4 백만 단어가 엄청난 양의 자료이기 때문에 결과는 이것이었다 이 문서는 실제로 모델에서 출력되는 하나의 연속 블록입니다 Ross는 우리가 Divas이기 때문에 하나의 Matrix 프린터 용지에 인쇄 한 것을 재미있게 만들었습니다 좋아 보인다 그러나 Magenta 모델이 생성하는 출력과 같이이 재질에 대한 믿을 수없는 풍부한 요소가 있습니다

때로는 구조적 응집력을 가지고있는 예기치 않은 단어의 연속과 같습니다 그러나 2 개 3 개의 어구 후에 붕괴되는 그리고 그것은 그것에 대해 가장 흥미 진진하고 획기적인 것들 중 하나입니다 그것이 언어를 통해 어떻게 꼬이는 지와 시계를 정렬하는 것입니다 그리고 가사를 만들기 위해, 우리는 본질적으로 우리가 흥미 있다고 생각하는 텍스트 줄을 어겼습니다

이러한 생성 된 MIDI 멜로디의 뒷면에는 물론 관계가 없습니다 어쨌든 인간의 언어 나 내부 언어의 내부 역학이나 종지부에 곡물에 대해 일종의 음절을 뽑아내는 것과 같은 재미있는 의미 론적 도전에 이르기까지, 이상하게 보인 방식으로 노래를 부른 다음 사람들이들을 때 이 전체 노래 또는 우리가 만드는이 자료로 생성 된 다른 음악 그것들은 끊임없이 일을 잘못 듣고 몽드 그린을들을 것입니다 언어가 정상적으로 깨지는 방식이 아닙니다 그리고 정상적으로 글을 쓰는 사람으로 말하기 가사는 의미와 감각과 리듬 감각으로 이런 방식으로 생성적인 가사를 만들어 내면 정말 확실한 가능성을 열어주었습니다

그 말은 단지 소리 일뿐입니다 그래서 많은 사람들이 대중 음악을 쓰는 방법입니다 그들은 단지 멜로디 수학의 관점에서 그것에 대해 생각합니다 그게 누구의 것입니까? – 맥스 마틴 응, 맥스 머튼은 멜로디 수학에 대해 이걸 가지고있어

이러한 음절은이 음표와 함께 훌륭하게 들립니다 그것이 무엇을 의미하는지는 중요하지 않습니다 그건 내가 노래를 쓰는 방법이 아니야 우리는 노래를 쓴다 그래서 그것은 정말로 당신이 말을 소리로 경험하도록 강요합니다

우리는 소리가 난 후에 의미의 가능성을 받아 들일 수있었습니다 그리고 사운드를 뛰어 넘는 가사에는 정말 흥미로운 품질이 있습니다 모든 스펙트럼에서 시각적 인 것, 의미의 가장자리에있는 것 등이 있습니다 그리고 어딘가에있는 것처럼 보이는 문구가 다시 생겨서 붕괴됩니다 그리고 나서 내가 결코 쓰지 않았던이 정말로 강한 이미지가 있습니다

예를 들어, "침대에서 개처럼 머리에 느낄 수 있습니다" 아름다운 이미지와 매우 생생한 그러나 당신이 노래를 쓸 때 당신이 정상적으로 뛰어 넘을 것은 아닙니다 그래서 OK, 면책 조항, 그것은 우리에게 새로운 음악을 연주하는 것을 완전히 두려워하게합니다 특히이 과정에서, 그러나 우리 과정을 공유하는 정신으로 – 특히이 관객에게

그러니 그걸 명심하십시오 우리는 당신에게 전체 노래를 연주 할 것입니다, 이것은 거칠고 unmastered 믹스입니다 우리도 그걸 부딪 칠 수 있을까요? – 조명을 어둡게 할 수 있을까요? 그것은 놀라운 일입니다 왜냐하면 그것은 당신과 너무 흡사하게 들리며, 그 무엇과도 거리가 멀어 요 사람들은 알고리즘으로 음악을 만드는 것에 대해 생각할 때를 생각합니다

그들은 네가 버튼과 뭔가를 밀 것이라고 생각해 – 네, 패널을 위해 그것을 구하십시오 OK, 우리는 계속 나아갈 것이다 고맙습니다 고마워, 너희들

그래, 미안해, 나는 노력하고있어 이건 너무 무서운거야 Google Magenta 팀의 회원입니다

우리는 Adam과 Jesse가 우리와 함께하도록했습니다 누가 다른 도구를 개발했는지에 대해 이야기 할 사람 이런 종류의 탐험을 할 수 있습니다 너희들이 여기에서 가져 가게 해줄거야 그래서, 저는 제시입니다 그리고 이것은 아담입니다

그리고 이전의 연사가 몇 가지를 소개하는 것을 보니 환상적이었습니다 'cos 많은 것은 우리가하는 일의이면에있는 일종의 동기입니다 그래서 우리는 Magenta 팀에 있습니다 우리가 누구인지를 잊어 버린 경우를 대비 한 그림 그러나 이것은 정말로 무엇입니까? 우린 아주 운 좋은 위치에있어

우리가 연구하는 것을 선택할 수있는 많은 여지가있는 곳에서 우리는 무엇보다 먼저 우리는 기계 학습 연구 그룹입니다 그래서 우리는 새로운 유형의 알고리즘을 연구합니다

예술과 음악 그리고 이러한 유형의 것들을 만들 수있는 생성 적 모델 근데 왜 여기 있니? 우리는 보통 학술회의에 참석하고 있습니다 그래서 우리는 왜 Loop에 있습니까? 그리고 우리를 다른 그룹과 차별화시키는 것은 우리가 기계 학습에만 관심이 없다는 것입니다 기계 학습을 위해서 우리는 당신이 인간을 고리에 붙이면 어떤 일이 일어나는지에 정말로 관심이 있습니다 창조적 인 과정을 가질 수 있고, 창조적 인 과정의 일부가 될 수있는 모델을 만들기위한 도구를 갖도록하십시오 실제로 작동하는 것과 그렇지 않은 것, 실제로 사람들을 창의적으로 돕는 측면에서

그리고 그 일환으로, 우리는 이러한 기계 학습 도구를 많이 만들고, 우리가하는 모든 일이 오픈 소스입니다 우리의 모든 연구는 완전히 열려 있습니다 그리고 우리가이 모든 것을하는 이유는 우리가 정말로 이 영역을 함께 탐험하기 위해 함께 일하는 개발자와 제작자의 공동체입니다 그래서 우리가하는 모든 일이 오픈 소스라는 것이 중요한 이유입니다 그래서 잠시 동안 진짜 콘크리트를 입을거야

하지만 제시가 철학적으로 나올거야 그러나 Magenta Studio를 발표하는 것이 가장 큰 이유 중 하나입니다 그리고 이것은 우리가 지금 몇 달 동안 작업해온 것입니다 Max의 Ableton 플러그인 세트는 여러 모델의 기능을 자랑합니다 그리고 지금 우리는 4 가지 플러그인을 가지고 있습니다

당신은 그 링크에서 무료로 다운로드 할 수 있습니다 모든 것이 오픈 소스와 모든 것입니다 그리고 우리는 시간이 지남에 따라 더 많이 추가 할 것입니다 Google 및 Magenta 외부의 사람들도이 문제에 기여할 것으로 기대하고 있습니다 몇 분 전에 들었던 것처럼 몇 년 전에 모델을 사용하는 것은 그리 쉽지 않았습니다

이것은 실제로 이전에 보았던 것보다 앞서 큰 일입니다 하지만 이전에는 PyPI 패키지를 설치하고 GPU를 설정했는지 확인해야했지만, 이것은 얻을 수있는 몇 가지 MIDI 파일을 생성하기 위해 실행하는 명령 줄입니다 검색해야 할 임시 디렉토리에 덤프됩니다 그래서 우리는 이것이 올바른 해결책이 아니라는 것을 알았지 만 컴퓨터 과학자들에게 이것은 대단한 것이 었습니다 우리가 일반적으로 사용하는 것입니다

그래서 우리는 좀 더 유용한 인터페이스를 개발하기 위해 노력하고 있습니다 그 결과 중 하나는 NSynth Super, 우리는 Creative Lab에서이 작업을했으며 실제 하드웨어 합성기입니다 우리 모델 중 하나를 사용하여 4 가지 악기의 사운드 사이에서 변형 할 수 있습니다 그곳에 모퉁이를두고 제어 할 수 있습니다 그리고 우리는이 모든 것을 설명하기 위해 GitHub에있는 자신과 많은 사람들이 우리를 그것에 데려다 실제로 만들었습니다

그것으로 음악을 만들었습니다 그것은 우리 목표 였기 때문에 위대했습니다 그리고 전에 이걸 듣지 않았다면 그 링크를 확인해야합니다 이러한 유형의 모델에 대한 문제 중 하나는 연구가 진행될 때입니다 우리는 이것을 훨씬 뛰어 넘었고, 그것은 우리에게 오래 된 물건이었습니다

이 모든 작업을 수행하기 위해 우리가 개발중인 모델의 모든 것에 대해 이와 같은 것을 시작해야합니다 우리가 반복하고 싶은 속도는 확장 성이 없었습니다 그래서 최근에 우리는 올해 우리는 Magenta / js를 출시했습니다이 Magenta / js는 웹 브라우저에 이러한 모델의 힘을 가져 오는 JavaScript 프레임 워크입니다 우리는 세계 각국의 크리에이티브 코더들도 소싱하고 있습니다

다양한 유형의 악기로 연주 할 수있는 독창적 인 인터페이스를 개발했습니다 그들은 단지이 모델의 힘을 두드리며 꿈꿨다 그리고 이것에 대해 정말 멋진 점은 Max가 최근에 Nodejs에 대한 지원을 추가하고 나면, 이제 Magenta / js를 Ableton에 가져올 수 있습니다 이것이 Magenta Studio의 힘입니다

우리는 제시가 철학적으로 생각한 후에 조금 더 이야기 할 것입니다 얼마나 많은 사람들이 인공 지능에 대해 들어 봤습니까? 이 분야에는 많은 과장성이 있으며, 모든 것을 완전히 바꿀 것입니다 많은 과장과 과장이 있지만, 그것은 사실에 해를 끼친다 실제로 기계 학습 분야에서 일어나고있는 흥미로운 것들이 있습니다 실제로 실용적이고 유용하고 흥미로운 것들입니다

그래서 우리가 기계로 음악을 만들 때 그것은 기본적으로 알고리즘 음악입니다 우리는 우리의 프로세스를 돕기 위해 알고리즘을 사용하고 있으며 이는 새로운 것이 아닙니다 당신이 응접실에 간다면, 당신이 18 세기에 당신의 응접실에 있다면, 하나가 그렇듯이, 당신은 뮤지컬 주사위로 놀 것입니다, 여기서 주사위를 굴려서 조각을 만들 것입니다이 주사위는 "프로그래머"에 의해 구성 될 것입니다 작곡가, 실제로 작은 멜로디 스 니펫을 쓰고 사용자는 주사위를 굴려 새로운 곡을 만들 것입니다

그리고 이것은 오래된 예이지만 많은 절차 적 및 기계 학습 세대에 대한 매우 좋은 비유입니다 오늘날 우리가하는 시스템 그리고 매우 높은 수준의 개요에서, 우리는 절차 생성을 할 때 그것은 많은 전문 지식에 의존합니다 당신이 마음에 생각이 있다면 사람이 상황에 와야합니다 좋아,이 핵심 구조가있을거야이 리듬 패턴이있을거야

당신은 정말로 사용자가 프로그램을 사용하여 음악을 생성 할 수있는 모든 것을 프로그램으로 인코딩해야합니다 그리고 기계 학습이 실제로하는 것은 그것이 우리가 그 규칙들을 풀 수있게 해줍니다 그 모든 전문 지식을 알고, 밑에있는 구조가 무엇인지 알아 내야 만한다는 것, 왜냐하면 우리는 이러한 일련의 알고리즘에서 많은 데이터를 사용하여 구조의 일부를 발견 할 수 있기 때문입니다 우리가 그것을 생각할 수 없다면 그것은 숨겨져있었습니다 그래서 프로그래머는 이런 상황에 처하게됩니다

당신은 가능한 프로그램의 영역을 가지고 있고 음악 세트가 주어지면 음악을 생성하기 위해 주어진 프로그램을 선택하도록 프로그램을 훈련시킬 수 있습니다 그래서 주사위를 유추하는 것은 비슷합니다 작곡가가 주사위의 모든면을 쓰는 대신에 당신이 관심을 가졌던 특정 작곡가에게서 작곡을하고 그 다음 알고리즘을 얻었습니다 그 스타일을 가장 잘 에뮬레이션 할 수 있도록 주사위의 측면에 무엇이 있어야하는지 결정했습니다 놀람의 두 가지 요소가 있습니다 하나는 주사위 역할을 할 때 실제로 일어나는 일입니다 그러나 다른 하나는 이러한 알고리즘이 실제로 배우는 구조가 무엇인지에 대한 구조적 의미 론적 문제에 더 가깝습니다

그리고 당신이 훈련하고있는 실제 데이터에 상대적으로 불가지론 적이기 때문에, 그래서 모든 사람들이 여러 가지 분야에 그것을 적용 할 수 있기 때문에 많은 사람들이 과장된 이야기를 나눕니다 그 중 일부는 실제로 실용적인 의미에서 유용합니다 예를 들어, 물체 탐지 또는 이미지 암 탐지 그리고 이런 종류의 것들 그러나 우리가 예술가이기 때문에 당신도 그것으로 정말 재미있게 할 수 있습니다 그리고, 내가 좋아하는 것처럼,이 소름 끼치는 얼굴의 이미지는 섞여 있습니다

방법에 대한 규칙을 작성하는 방법을 알지 못합니다 이 모든 것들이 가짜 얼굴 인 것을 만들어냅니다이 사람들은 존재하지 않습니다 이것은 사진 부스에서 가져 와서 예술 프로젝트의 일부분이었던 데이터입니다 그래서 사람들은 사진을 찍는 것을 알고있었습니다

그리고 모델은 공통점을 학습합니다 사람들의 얼굴들 사이에서 그리고 우리는이 학습 된 공간에서 움직입니다 현실적이고 비현실적인 것들을하지만 비현실적인 방식은 여전히 ​​매력적이고 흥미 롭습니다 그래서 그 많은 예제들이 있습니다,하지만 우리는 그것을 구체적으로 그리고 추상적으로 말하고 싶지 않습니다 음악에 대한 의미는 무엇입니까? 우리는 몇 가지 사례 연구를 진행할 것입니다

우리가 지금 발표하고있는 플러그인과 함께 그래서 우리가 먼저 Groovae라고 부르는 것에 대해서 이야기 할 것입니다 그리고 이것은 하나의 인간화된 플러그인과 같습니다 당신이 양자화 된 드럼 비트를 가지고 있고 그것을 느끼기를 원하기 전에 당신이 사용해 왔던 것입니다 실제 드러머가 그것을 연주하고 약간의 느낌을 추가합니다

그래서 이들은 일반적으로 임의의 속도와 오프셋을 무작위로 추출하거나 꽤 정적 인 그루브 템플릿을 적용하여 음악 전체 여기서 우리가하는 일은 실제로 기계 학습을 사용하여 그 변화를 실제로 배우는 것입니다 그래서 우리는 많은 전문 드럼 연주자들을 데리고 미디 드럼 킷에서 연주하게하고 그 출력을 취했습니다 그런 다음 시퀀서에서 나오는 것처럼 보이게하기 위해 그것을 양자화했습니다 우리는 다른 방향으로 되돌아 가도록 신경 네트워크를 훈련 시켰습니다

그래서 양자화 된 비트 우리가 두 가지 데이터를 모두 가지고 있기 때문에 사람이 실제로 그것을 어떻게 연주 할 것인지를 파악할 수 있습니다 이제는 양자화 된 드럼 비트를 넣고이 모델을 사용하여 다른 방향으로 되돌릴 수 있습니다 그리고 통계적으로 여러 가지 옵션을 본질적으로보기 위해 몇 번 샘플링 할 수 있기 때문에 좋은 점이 있습니다 이제 이것이 실제로 Ableton에서 어떻게 작동하는지 봅시다 Groovae 플러그인을 엽니 다

당신은 당신의 양자화 된 드럼 비트를 얻습니다, 그래서 그것은 좋지만 꽤 딱딱합니다 여기서 Generate 버튼을 누를 수 있습니다 이제 Groovae 버전이 있습니다 그래서 그것은 동일한 기본 박자입니다 그러나 이제 여러분은 바닥에 적용된 속도가 있음을 볼 수 있습니다

좀 펑키 한 저음을 추가하여 조금만 설정해 둡니다 그러나 속도가 적용되고, 일부 오프셋, 그런 다음 소리가 얼마나 다른지들을 수 있도록 원본으로 다시 전환 할 수 있습니다 따라서 이것은 다시 사용할 수있는 플러그인 중 하나입니다 – 네, 때로는 그곳에있을 때까지 무엇이 빠졌는지 모릅니다 그래서 또 다른 일반적인 경우는 아이디어의 좋은 시작입니다

그러나 당신은 그것을 계속하는 다른 방법을 생각하고 싶다 테마를 개발할 수있는 방법은 무엇입니까? 이것이 바로이 플러그인이하는 것입니다 그리고 우리가이 모델들을 훈련시키는 방법 똑같은 방식으로 당신이 직접 해보려고합니다 당신이이 전체 시퀀스를 가지고 있다고 상상해보십시오 그러나 우리는 그것의 모델 부분만을 보여줍니다

그래서 이것은 약간의 멜로디입니다, 그리고 우리는 다음, 확률 론적으로 일어날 다음 일은 무엇인가 그리고 나서 그것은 예측을합니다 그리고 나서 여러분이 예측 한 모든 것들이 주어집니다 발생하게 될 다음 일은 무엇인가? 많은 교육 데이터와 수백만 개의 멜로디로이 작업을 수행하면 할 수있는 일은 기본적으로 그러한 예측을 할 수 있으려면 키 및 리듬 패턴과 같은 것에 대해 배울 필요가 있습니다 그래서 여기에 원래 멜로디가있는 예가 있습니다

그리고 멜로디 모드를 선택하고 트랙을 선택하고 클립을 선택합니다 만들고 싶은 변형 수를 선택할 수 있으며 막대를 3 개 추가하면 생성을 클릭합니다 그런 다음 바로 거기에 추가합니다 따라서 원래의 생각은 많이 유지하지만 변형을 볼 수 있습니다 원본과 동일한 키로 유지됩니다

그리고 이것은 단지 초기 제안 일뿐입니다 우리는 그 이후로 많은 연구를 해왔으며, 이것은 고전 음악에 대한 교육을받은 예일뿐입니다 추가 보너스로 오디오 자체는 전에 언급 한 것처럼 신경 합성기로 만들어집니다 피아노 녹음이지만 실제로는 신경망으로 재생하고 있습니다 시간의 이익을 위해, 우리는 거기에 남겨 둘 것입니다

그러나 당신은 그것이 일종의 초기 종자가 주어 졌음을 볼 수 있습니다 고전적인 멜로디와 많은 제스처를 유지했다 비록 장기적인 구조가 실제로 몇 분이나 그와 같은 과정에서 발전하지는 못했습니다 또 다른 일반적인 상황은 시작하기가 가장 힘든 일입니다 어디서부터 시작해야합니까? 때로는 작가의 블록이 있습니다

따라서 Generate 함수는이 함수를 사용하여 그냥 멜로디 나 드럼을 만들어달라고 부탁하십시오 따라서이 경우 멜로디는 모노 포닉을 의미하므로 실제로베이스 라인을 만들었습니다 그러나 그것은 다른 키에있을 것입니다 '우리가 특정 키에 있다고 조건을 정하지 않았기 때문입니다 여기 리듬감이 있네

어쩌면 조금 더 고전적 일 것입니다 그런 다음베이스 라인으로 돌아갑니다 그리고 우리는 드럼 비트를 추가 할 수도 있습니다 그래서 우리는 드럼 비트를 생성합니다 그럼, 곧 라디오에 나오지는 않을거야

하지만 네가 시작한 곳보다 훨씬 더 많을거야 그것을 가져다가 조정할 수있는 영감을 줄 수 있고 그것을 자신의 것으로 만들 수 있습니다 알았어, 우리가 마지막으로 이야기 할 내용은 당신이 들었던 MusicVAE 알고리즘을 사용하는 보간 (Interpolate)이다 그리고 여기에있는 아이디어는 다른 입력 사이에서 보간하거나 변형하는 것입니다 그리고 우리가 이것에 대해 어떻게 생각하는지에 대한 간단한 개요입니다

예를 들어, 2 개의 멜로디를 가져와이 2 개의 멜로디의 음을 함께 믹싱하는 대신, 일반적으로 소리가 좋지는 않습니다 그래서 우리는 우리를 Attribute Space라고 부르는 것에 매핑합니다 또는 그 멜로디의 다른 중요한 자질의 학습 된 표현의 일종 인 잠복 공간 그리고 그것들은 우리가 함께 섞은 것입니다, 그리고 우리는 그것을 노트의 공간으로 다시 매핑합니다 그래서 제가 잠시 후에 보여 드릴 것입니다

시작하기 우리는이 2 개의 점들로 표현 된 2 개의 멜로디를 취할 것이고, 그 공간에 그들을 맵핑하고, 그런 다음 우리는 애트리뷰트 공간에서, 각 단계에서 나오는 것을 들으십시오 그리고 눈에 띄는 것은 아주 부드러운 전환입니다

그리고 그 사이의 포인트는 실제 멜로디처럼 들리지만, 사물의 혼합처럼 들리지는 않습니다 첫 번째 멜로디가 있습니다 그리고 여기에 우리가 끝내고 싶어하는 것이 있습니다 좋아, 우리가 해냈어 그래서이 예제는 정말로 좋았습니다

'음악 자체가 음악처럼 들리기 때문에, Interpolate라는 새로운 Ableton 플러그인에서 이것을 실험해볼 수 있습니다 여기에 실제로 표시 할 예제는 실제로 드럼 비트를 사용하여 수행합니다 우리는 드럼 비트 2 개를 취한 다음 중간 정도의 중간 지점을 얻을 것입니다 이제 우리가 처음 시작할 2 개의 드럼 비트를 들어 봅시다 그리고 두 번째

그리고 우리는 여기서 생성 할 것입니다 그리고 실제로는 첫 번째의 재 해석을 출력 할 것입니다 그래서 그것이 바로 이것입니다 그리고 지금 그것은 중간 지점에 올 것입니다 그래서이 모델은 당신이 처음에 넣은 것에 기초하여 훈련 받고 있습니까? 좋은 질문

이들은 실제로 미리 훈련 된 모델입니다 그러나 우리가 사용하고있는이 유형의 모델은 사전 교육을 받았습니다 애트리뷰트 스페이스 (Attribute Space) 그래서 당신이 음악을 줄 때마다 미리 배운 애트리뷰트 스페이스 그리고 그 혼합을하고 그것을 다시 매핑 그래서 그 시점에서 모든 모델이 열려 있습니다

우리는이 파이썬 코드와 모든 것을 자신의 모델을 훈련하는 데 사용할 수 있지만 큰 오픈 우리가 정말로 관심을 갖고있는 기계 학습 질문은 어떻게 이들을 더 적응력있게 만드는가하는 것입니다 바로 앞에 당신과 당신의 컴퓨터에서 직접 배우고 자신의 명확하게하기 위해, 우리는 이들을 훈련시키고, 우리는 많은 전문화 된 하드웨어와 많은 데이터를 사용합니다 대부분의 사람들은 일반적으로 가지고 있지 않으므로 모델을 만드는 법을 배우려고합니다

최종 사용자가 여전히 appliable입니다 나는 우리가 어떻게 시간을 보내고 있는지 알고 싶다 – 질문 있네 나는 이것이 1까지 실제로 간다라고 생각한다 우리는 몇 분 밖에 안 남았고, 나는 이것이 4 시간 동안의 긴 토론이어야한다고 생각합니다

다른 그룹의 대표를 무대에 다시 데려 오지 마시고 그냥 나는 5 백만의 질문을한다 나는 관객들도 그렇게 생각한다

좋습니다, 그래서 우리는 창조적 인 예술가 양쪽 모두의 관점에서 여기에서 정말 재미있는 프리젠 테이션을했습니다 당신이 음악을 만드는이 새로운 패러다임을 어떻게 다루는 지 알게됩니다 그리고 기술적 인면에서 우리는 기계 학습에 정말로 손을 대었습니다 그리고 아마 많은 사람들이 자신의 프로세스에 이것을 통합하는 방법을 생각하기를 원할 것입니다 나는 당신이 생각하는 것이 창조적 인 측면에서나 창조적 인 측면에서든 근본적인 개념이라고 생각하는지 궁금합니다

이 새로운 도구에 근본적으로 받아 들인 것은 무엇입니까? 그리고 기계 학습 측면에서 사람들이 근본적으로 이해할 필요가있는 것, 아날로그 악기를 연주 한 전자 음악에 누군가를 소개한다면, 나는 모듈성 또는 신호 흐름, 이러한 종류의 사상을 소개 할 수 있습니다 또는 당신이 비선형 적으로 만들 수있는 아이디어, 이런 종류의 것들 그래서 내가 궁금한데 당신 모두, 당신은 우리의 관객이 필요하다고 생각하는 것 같은, 그들이 어떻게이 주제에 접근 할 수 있는지 오 세상에, 정말 큰 질문입니다

– 글쎄, 내말은, 당신은 전체 답을 가질 필요는 없다는 것입니다 하지만 그것은 이미 당신 안에 있습니다 당신은 그것을하고 있습니다 그래서 저는 구겨진 종이 조각이 2 개의 볼을 가지고있는 것을 보여주는 다이어그램을 좋아합니다 그리고 2 개의 공이있는이 평평한 종이

그게 바로 그게 사실이었습니다 – 나는 잠복 공간에 대해서 생각할 수 있다고 생각한다 네가 좋아하기 때문에 예술적 측면에서 매우 흥미로운 무언가이다 좋습니다, 우리가 생각한 모든 것은 우리에게 호소력을 발휘하는 기능입니다 우리가 듣고있는 것에서 우리가 인식 한 것이 지금은 모든 것을 포착하는 공간입니다 MIDI와 같은 방식으로, 복잡한 것으로 표현하는 방법으로 수년 동안 훌륭했습니다

음악을 듣는 경험으로, 그저 빠져있는 것이 많았습니다 그래서 나는 우리가 매우 손실이 많은 압축 세계에 살고 있다는 것을 이해하는이 아이디어를 생각합니다 그리고 갑자기 우리는 물건이 어떻게 압축되고 있는지와 더 많은 상호 작용을하고 있습니다 그리고, 그렇습니다 압축은 우리의 경험과 우리가 사물을 묘사하는 방식 사이의 관계입니다

또는 우리가 그들을 사용하는 방식 따라서이 모듈성이지만 의미 론적 모듈성과 같습니다 그렇다면 근본적인 개념이 당신이 가지고있는 가정에 의문을 가질 준비가되어 있다고 말할 수 있겠습니까? 전에 통제 할 수 없었던 것? 또는 어쩌면 내가 이것을 도울 수 있을지도 모른다 흥미로운 점은 우리가 기술하고있는 많은 시스템 너는 전에 할 수 있었다 음악과 컴퓨터를 공부하는 데 많은 시간을 할애했다면 비슷한 일을하는 몇 가지 규칙을 생각해 낼 수 있습니다 당신은 할 수있는 속성을 가질 수 있습니다 속성 공간에서 돌아 다니며 물건을 가져라

이 알고리즘이 흥미로운 이유는 데이터에서 데이터를 습득하도록 설정할 수 있으므로 데이터 속성에서 항목을 추출 할 수 있습니다 당신이 정상적으로 기대할 수있는 것들이 있습니다

그러나 그것은 또한 반영의 측면에서 도움이 될 수 있습니다 너가 너의 자신의 음악을 위해 그것을 사용한다면, 알다시피, 일종의 학습, 오, 나는 우리가 이것을 깨달았다 이전에는 없었던 우리 음악에 대한 전체 스레드 그게 실제로 더 많이 들어가기를 기대했던 것입니다 그것은 마치

– 당신의 과정을 더 반영 하는가? 프로세스가 더 미러되기 나는 그것이 실제로 민주주의 화의이 종류를 가지고 있다고 생각한다 데이터 세트가 너무 크기 때문에, 당신과 당신의 협력자와 일하는 것이 아니라, 뒷주머니에 음악의 전체 역사

그래서 당신은 세대 간으로 스트레칭을 할 수 있습니다 그리고 잘하면 크로스 컨츄리 할뿐만 아니라, 비록 데이터 세트가 여전히 그 부서에서 제한되어 있다는 것을 알고 있습니다 그러나 나는 자신의 작품에 단순한 패턴이 아니라 나타나는 패턴을 보는 것이 매력적이라고 ​​생각합니다 그러나 더 큰 것으로 예를 들어, 우리가 가지고있는 텍스트 모음 온도가 정말로 낮을 때 분명히 많은 반복을 볼 수 있습니다

사랑, 섹스, 죽음, 싫어하는 것, 싫어하는 것, 싫어하는 것, 그것은 "나는 당신을 원해"라는 문구의 300 개 인스턴스 전체 페이지와 같습니다 또는 : "나는 당신의 뇌를 원해"이것은 가장 무서운 것입니다 또는, 나는 너를 필요로한다, 나는 너를, 인간 감정과 친밀의이 깊은 밑바닥이 올리는 올린다

온도가 낮을 ​​때, 그리고 높을 때 더 이상한 것이 보입니다 이것들은 적절한 이름과 물건을 만들어 냈습니다 그래서 저는 그것이 인류에게 거울처럼 느껴지는데, 개인 작가에게는 그다지 거울이 아닙니다 그것은 저의 다음 질문으로 이어집니다 그것은 당신의 경험에서 나온 것입니다

그리고 나는 예술가들과의 작업에서 추측합니다 기계 학습은 우리에게 일종의 정렬을 제공합니까? 우리의 창조적 인 프로세스를 발전시킵니다 당신이 배우고 있거나 변화하고있는 것이 그게 무엇이 유익 했는가? 나는 당신이 일을하는 매 순간마다 얼마나 많은 선택권이 있는지 볼 수 있다고 생각합니다 우리가 가지고있는 우리의 작은 macgyvered 시스템에는, 우리가 정한 많은 규칙들이있다 우리가 여기서하려고하는 것에 대한 정신 속에 일관된 결과물을 만들기 위해서입니다

그러나 그것이 제한적이라고 느낄 때조차도, 가장 작은 것에서 여전히 무한한 선택의 여지가 있습니다 생산, 성능, 배치, 패턴 및 구조, 특히 구조, '그 모델이 붕괴되는 곳인 것 같아 그러나 그곳에는 엄청난 양의 선택이 있습니다 모든면에서, 그리고 어떻게하면 쉽게 개인의 선택에 따라 한 순간에서 다음 시간으로 늪에 빠져드릴 수 있습니다 그러나 당신이이 외적인 것들을 많이 제거 할 때 당신은 세부 사항으로 자유롭게됩니다

당신이 도전 받고있는 보컬 작업을하고있을 때 느끼셨습니까? 또는 다른 방식으로 예술가로서의 자신을 발견하는 것 – 너머 – 어떤 방식으로? 다시 말하지만, 나는 거장 가수가 아니에요, 나는 종종 농담을 할 것입니다 나는 똑같은 것을 5 번 노래 할 것입니다 나는 5 대 걸릴 것 같고 모두 다르다

그러나 그것은 당신이 소리에 레이저를 강요합니다 특히 단어가 의미를 잃고 단어를 가사로 나누기 시작하면 익숙하지 않은 이상한 일을하십시오 나는 우리 모두가 그렇게 말할 수있는 것처럼 느낀다 뜻밖의 방법으로 우리에게 도전했다 나는 이전에 당신이 전체의 반영에 관해 말하고 있었던 것을 생각해 내고 싶었다

그리고 저는 이것이이 도구들이 현재 어디에 있느냐와 함께 정말로 중요하다고 생각합니다 그것은 중요합니다 정말 그것을 개인화하는 것을 두려워하지 않습니다

그것의 의미를 취하고 있기 때문에, 그것은이 큰 코퍼스에 대해 훈련 받았고, 그것은 영감과 사물을위한 것입니다 그러나 실제로 그것을 적응 가능하게 만들려면 지금 그 부분을 스스로해야합니다 그리고 나는 이것이 미래에 이러한 알고리즘이 바뀔 흥미로운 방법이라고 생각합니다 그러나 그들은 지금 거기에 있지 않습니다 나는 그 한계를 좋아한다

나는 모델이 완전히 형성된 팝송을 뱉어 내지 못한다는 것을 의미한다 예술가가 의미하는 것의 경제적 파급 효과를 넘어, 실제적인 도구가이 특정한 한 가지를 실제로 잘하는 곳에서 일어나는 대화, 나는 여전히 내가 잘하는 것에 능하다 흥미로운 패턴을 찾아내어 배열 할 수있다 그것으로부터 구조를 만드십시오 '왜냐하면 예술 제작은 많은 시간이기 때문입니다

우리는 이것에 대해 조금 이야기했습니다 프리젠 테이션은 지각을 조사하고 도구를 사용하여 듣기를 범주화하는 것이 무엇을 의미하는지 생각해보십시오 – 일종의 호기심이 있다고 생각합니다 너도 알다시피, 이건 좋은거야, 이건 나쁘다 그 종류는 지금 조금 열렸습니다

그리고 당신이 알고 있을지 모르는 다른 과정들이 있습니다, 여러분이 가지고있는 편견들처럼, 너만의 맛은 연주 될지도 모른다 그리고 그것은 재미 있습니다

이 질문은, 오, 내가 다른 데이터로 그것을 훈련시킬 수 있겠 니? '왜냐하면 너는 너는 항상 그곳에있는 것들을 바깥으로 밀고 싶다 그러나 나는이 모델들이 매우 견고하다는 점이 흥미 롭다고 생각합니다

너는 그들을 깰 수 없다, 너는 깨뜨릴 수 없다 내 말은, 나는 그것이 부서 졌다고 생각하지 않는다 나는 그것이 좋다고 생각한다

나는 그들이 그것을 모두 고칠 수있게하는 것이 실제로 어렵다고 생각한다 그들은 단지 영구적 인 상태에 있습니다 부서지기가 흥미 롭습니다 이것은 제가 추진하려고하는 개념입니다, 컴퓨터 억양에 대한이 생각은, 그것은 시각 자료, 표기법 자료와 같이 그 생성 된 자료입니다 그들은 모두이 이상한 것을 가지고 있습니다

그것은 미적으로 정말 흥미 롭습니다 그리고 모델이 모두 더 정교해질 것이라는 점에서 매우 유한합니다 매우 빨리, 우리가 예상 한 것보다 훨씬 빠릅니다 그리고 그것은 사라질 것이고, 이상한 것들이 사라질 것이고, 우리는 완전히 향수를 느끼게 될 것입니다 사람들이 비닐과 테이프 그리고 아날로그를 향한 향수를 불러 일으키고 있습니다

한 번에 두 가지 이상을 할 수 있다는 것도이 점입니다 좋아, 완전하게 형성된 팝송을 만들기 위해 당신은이 모든 다른 길을 동시에 할 수 있어야합니다 이러한 어려운 결정을 내리지 만 인간이 실제로 잘 수행 할 수있는 것입니다 사람들이이 알고리즘을 디자인 할 때 일반적으로 흥미로운 점은 거친 모서리 일뿐입니다 그들은 뭔가를 최적화하려고합니다

하지만 여기서 우리는 실제로 어떤 것에 대한 측정 기준을 갖고 있지 않습니다 최적화를 위해 노력하고 있습니다 '누군가를 위해 얼마나 유용했는지 최적화하고 싶기 때문입니다 그리고 그것은 당신, 당신, 그리고 당신에게 달랐습니다 그것은 개인적인 것이므로 끊임없이 변화하는 목표입니다

따라서 학문적 견지에서 어떤 유형의 모델을보다 융통성있게 사용할 수 있는지 묻습니다 당신은 실제로 실제로 그것을 해결할 수있는 관점에서 다른 수학을 조사합니다 실수를 저질렀을 때 그것은 데이터로부터 배우기 때문에 실수의 유형은 그것이 무엇이든간에 더 근거가 있습니다

그래서 NSynth는 매우 독특한 사운드 품질을 가지고 있습니다 즉, 매우 압축되었습니다 피치가 위아래로 변하고, 파형을 아주 잘 그리지 못하기 때문에 여분의 고조파가 있습니다 그러나 좋은 점은 유물 유형과 매우 다른 점입니다 다른 합성 알고리즘을 사용하게 될 것입니다

왜냐하면 그것들은 데이터 그 자체에 기반을두고 있기 때문입니다 그래서 많은 사람들이 정말로 그 물건을 좋아합니다 우리는 더 나은 알고리즘을 만들었습니다 2016 NSynth 스타일이 필요합니다 – 전적으로

나는 너에게 말할 생각이 아니었지만 우리는 처음에 NSynth가 들리는 방식을 싫어했다 마치 음질이 좋지 않은 것처럼 들립니다 하지만 당신은 그것을 자신의 심미로 인식합니다 그리고 그것은 믿을 수 없게됩니다 – 원래 만들어진 TB 303과 같습니다

교향곡 같은 소리를 바꾸려면 사람들이 쓰레기라고 생각했습니다 그러나 당신은 당신의 인식을 재조정하고 다르게 듣기 만하면됩니다 그래서 저는 불행히도 우리가 막 끝날 것이라고 생각합니다 나도 알아, 그건 비웃는 소리 야 그러나 시작하고 싶은 사람들을 위해 이것으로 사람들이 모를 수도있는 두 가지 자원이 무엇입니까? 서로 다른 관점에서

죄송 해요 플러그 플러그 : 'gco/magenta/studio' 우리는 접근성을 높이기 위해 노력했습니다

우리는 정말로 피드백을 좋아할 것입니다 우리에게는 토론 그룹과 모든 것이 있습니다 그래서 사람들이 말하기를 좋아할 것입니다 이봐, 나도하고 싶었어이게 나에게 효과가 있었어

– 너희들이 정말로 찾고있는 것처럼 들리네 아티스트가 이러한 도구를 사용하는 방법을 이해하고이를 통해 개발 및 디자인 과정을 알릴 수 있습니다 따라서이 기술의 미래가 무엇인지에 관심을 갖고 싶어하는 사람들에게 중요한시기입니다 같이 참여하고 사람들에게 피드백을 줄 것입니다 더 나은 자신을 말할 수 없었다

– 너희들은 어떻게 생각하니? 같은 창업자, 앱, 도구 및 물건을 만드는 소비자 중심의 AI 음악이 많이 있습니다 YouTube 제작 동영상 블로그에서 로열티가없는 음악을 원하는 사람들에게 솔직히 감사드립니다 그게 맞아 – 많은 도구에서 표현력이 부족합니다

그래서 저는 마젠타가 될 곳이라고 정말로 말할 것입니다 솔직히, 더 많은 종류의 감각이 있습니다 hack-y 접근법 이미지와 사운드 같은 것에 대해 생각하기 시작하면, 그리고 한 가지 일을하도록 고안된 도구 인 경우, 그 도구를 다시 용도로 사용할 수 있다면 사람들이 일하는 것의 더 거친 지형 어쩌면 당신은 이미지 인식을위한 무언가를 발견했을 것입니다 하지만 어떻게 소리가 나는지, 어떻게 이미지를 만들 수 있는지, 어떻게 그 이미지를들을 수 있는지 생각해보십시오 그리고 저는 이것이 정말로 비옥 한 방법이라고 생각합니다 사물의 중요성에 대해 생각하기 그리고 당신이 합성으로 할 수있는 일은 단지 사물을 어떤면에서 음으로 생각하는 것부터 시작하는 것입니다

그게 막연한 것처럼 들린다면 – 그거 좋아해 생각한 실험으로 시작하십시오 – 나는이 도구들이 많이 있다고 생각합니다 좋아요, 우린 소리에 이미지 인식 기술을 사용할 거예요

당신은 좀 직접 할 수 있어요 특히 Max MSP와 같은 도구를 사용하는 경우 약간의 해킹이 필요합니다 우리는 그것을 열어 보곤했습니다 – 거기 엔 많은 자원이있어 또한 당신이 기계 학습 및 물건을 기계로 소개하고 싶다면,이 블로그 Distill이 아주 좋은 일을합니다

시각화 및 모든 유형의 물건 – 학습에 대한 학습은 매우 매력적입니다 시원한 고마워 여러분 모두가 패널리스트의 프레젠테이션을 즐기기를 바랍니다

저에게는이 모든 다른 관점을 듣는 것이 훌륭했습니다 나는 몇 가지 공지 사항을 가지고 있는데, 하나는 사실 모두를 위해 박수 갈채를 보내자