Breakthroughs in AI and Machine Learning help solve health care challenges

내 사랑하는 이모가 유방암으로 인해 목숨을 잃었고 나에게 잊을 수없는 인상 개인 드라이브와 혁신적인 정신은 Anant Madabhushi 교수의 혁신적인 발견 Case Western Reserve University

내 연구는 인공 사용에 중점을 둡니다 질병의 존재를 진단하는 지능 및 기계 학습 또한 치료를 개인화하십시오 즉, Madabhushi와 그의 팀 50 명 이상의 연구자들이 컴퓨터 교육을 넘어서 스캔 또한 제공 할 치료법을 결정하는 데 도움이되는 기술을 적용합니다 누가 더 공격적인 질병을 앓고 있는지 예측할 수 있습니다

따라서 수술 만 필요할 수도있는 화학 요법이 필요합니다 또한 스캔에서 발견 된 문제가 필요한지 확인하는 방법을 식별했습니다 확고한 진단을위한 더 침습적 인 절차 모두 폐가 무섭다 암 많은 사람들이 매년 폐암 검진을 받고 있으며 그들 중 많은 곳에서 폐 결절을 찾으십시오

우리가 가진 경향이있는 환자에서 찾은 것 암성 결절 결절을 공급하는 혈관이 매우 꼬여 있습니다 뒤얽힌 양성 결절이있는 환자의 경우 혈관이 훨씬 매끄 럽습니다 덜 복잡한 나는 당신이 결절 밖을 봐야하는 것처럼 그것에 대해 결코 배운 적이 없습니다

점점 더 많은 환자의 생명을 구할 수있는 큰 잠재력이 있습니다 Madabhushi의 연구는 암을 넘어서까지 확장됩니다 당뇨병 성 망막증 전 세계적으로 증가하는 문제입니다 우리는 일반적으로 더 많은 환자를 치료 눈에 일련의 주사로 질병의 심한 단계 개미 Cole Eye Institute의 많은 임상의와 협력하여 덜 집중적 인 치료와 덜 집중적 인 치료가 필요한 사람을 식별 좋은 시각적 결과를 달성하십시오

우리는 인공 지능을 사용하기 시작했습니다 심혈관 질환, 알츠하이머 질환, 신장 질환 우리는 단지 표면을 긁적입니다 마다 부쉬는 자신이 거의 100 명에 달할만큼 뚜렷하다 연방 연구에서 3 천 5 백만 달러가 넘는 승인 또는 출원중인 특허 예방 매거진과 같은 국가의 관심과 지원 폐암 연구 결과를 가장 놀라운 10 대 의학 중 하나로 지명 그 이야기에 따라, 나는 많은 이메일을 받았습니다 전화 통화 실제로 필요한 것은 시급히 필요합니다

이러한 기술을 활용하여 실제로 활용할 수 있습니다 와의 협력 의사는 그 과정에서 중요한 단계를 나타냅니다 나는 매우 행운입니다 뒷마당에서이 환상적인 의료 생태계로 둘러싸여 있습니다

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

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

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

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

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

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

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

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

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

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

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

Spreadsheet Understanding Using Statistics and Deep Learning

>> 안녕 저는 벤 존입니다 스프레드 시트 이해에 대해 이야기하겠습니다

두 개의 프로젝트 Jura와 Alex Polozov와의 공동 작업 인 ExceLient는 에머리 버거, 댄 바로우 스프레드 시트에 관한 것 수백만의 사람들이 사용한다는 것입니다 그들은 중요한 결정을 내리는 데 사용됩니다 재정적 결정, 경제적 결정 등과 같은 이 스프레드 시트 중 많은 부분에 실제로 오류가 있습니다 실제로 뉴스를 보면 Reinhart-Rogoff 스프레드 시트 하버드 경제학자가 개발 한 스프레드 시트는 긴축 정책을 정당화하는 데 사용 그리스 및 미국과 같은 국가를 포함합니다 Reinhart-Rogoff 스프레드 시트는 매우 복잡한 스프레드 시트는 부채의 역사 수백 년에 걸친 국가 Reinhart-Rogoff 스프레드 시트에서 찾은 것은 실제로 중요한 오류가 있었다 저자가 잘못된 결론을 이끌어 내도록 유도하십시오

이것의 핵심 메시지는 많은 사람들이 스프레드 시트를 사용하여 중요한 결정과 우리가하려고하는 것은 그들을 도울 스프레드 시트 사용자 스프레드 시트를 더 쉽게 이해하고 그들에게 더 나은 결정을 내 리도록 도와주십시오 먼저 ExceLient라는 첫 번째 도구부터 시작하겠습니다 내가 여기서 보여주는 것은 실제로 Reinhart-Rogoff 스프레드 시트 이 하버드 경제학자들이 처음 개발했습니다 특히 여기서 중요한 시트는 요약 시트입니다 여러 국가 미국에서 볼 수 있듯이 영국 등 24 개국

의 역사적 부채에 관한 정보 이들 국가는 경제 성장과 관련이 있습니다 이 스프레드 시트를 보면 매우 복잡해 보입니다 이 나라들처럼 미국에는 많은 데이터가 있습니다 에 대한 많은 데이터 행 1791 년에 미국에서 시작해 하지만 요약을 보면 당신은 왜 그것이 사용자로서 어렵다고 상상할 수 있습니다 이 스프레드 시트가 올바른지 아닌지를 이해합니다 기술에서 우리가 한 일 중 하나는 우리는 ExceLient라는 기술을 가지고 있습니다 구조를 매우 빠르게 이해합니다 통계를 사용하여 스프레드 시트의 특히이 버튼을 누르면 Reinhart-Rogoff 스프레드 시트의“Reveal Structure '' 색상이 정보를 인코딩 할 것입니다 사물에 대해 사용자에게 스프레드 시트에서 일어나고 있습니다

특히 회색은 데이터가 있음을 의미하며 일반 데이터이지만 회색은 시트의 일부 수식으로 참조됩니다 노란색은 특이한 요소이기 때문에 시트에있는 데이터 수식에서 참조되지 않는 이 프리젠 테이션에서 바로 보는 것은 이 데이터 범위는 어떤 공식에서도 사용되지 않습니다 좀 더 자세히 살펴보면 당신이 찾는 것은 그 공식입니다 여기 평균을 계산하는 실제로이 셀 범위를 평균에 포함시키지 않습니다 이것은 Reinhart-Rogoff 스프레드 시트의 버그입니다 특히 캐나다, 벨기에, 오스트리아 및 호주 평균적으로 계산되지 않습니다

사실, 그것은 잘못된 결론으로 ​​이어집니다 ExceLient와 함께하는 것은 매우 유용한 도구입니다 무슨 일이 일어나고 있는지 빠르게 이해 스프레드 시트를 작성하고 중요한 결정을 내립니다 상상할 수 있듯이 스프레드 시트를 만든 개인 및 원래 Reinhart-Rogoff가이 도구를 가지고 있었다면 그들은 이것을 매우 중요한 오류로 만들었을 것입니다 잘못된 결론으로 ​​이어집니다 우리는 또한 볼 수 있습니다 다른 시트 스프레드 시트 (예 : 미국) 이 구조를 밝히면 당신은 다른 색상을 다시 보여주는 참조 다른 열이 다른 방식으로 계산되고 있습니다

하지만 흥미로운 점은 우리가 여기 있다는 것입니다 본질적으로 우리는 의심 지수라고 부릅니다 이 특정 범위의 세포가 클릭하면 거기로 이동합니다 이 범위의 세포는 의심스럽고 여기 보시는 것은이 세포가 첫 번째 칸인 K7은 실제로 그 아래의 셀과 다른 공식 다시, 아주 빨리 스프레드 시트에서 버그를 발견하고 다시 버그를 찾을 수 있습니다 원본 스프레드 시트입니다

그래서 저자는 실제로 이해하지 못했습니다 괜찮아 이것이 ExceLient입니다 나는 당신이 그것을 시도하는 것이 좋습니다 실제로 온라인에서 사용할 수 있습니다

다른 기술이 있습니다 연구에서 우리가하려고하는 것 중 하나는 스프레드 시트에는 데이터가 모두 포함되어 있으므로 수식은 코드와 프레젠테이션입니다 인간과 같은 것 다른 사람과 의사 소통하려고합니다 따라서이 시트는 특히 이에 대한 예입니다 사용자에게 헤더가 있습니다

사용자는 다음과 같은 방식으로 데이터를 형식화했습니다 공백에 도움이되는 빈 행과 열이 있습니다 결과적으로 어디서 이 테이블의 시작과 끝은 실제로 완전히 명확하지 않습니다 따라서 프레젠테이션에는 명시 적이 지 않습니다 우리가 개발 한 것은 Jura 기술입니다 본질적으로 테이블을 찾으려고 노력하고 있습니다

주어진 시트는 기본적으로 임의의 경계입니다 Jura는 다음을 기반으로하는 기술을 사용합니다 모든 세포를보고 질문을하는 신경망 우리가 질문하는 신경망, 이 셀이 테이블의 1/4입니까? 우리가 가진 것은 능력이 있다는 것입니다 신경망이 어떻게 생각하는지 보여주기 위해 모서리와 우리가보고있는 것은 신경망이이 코너에 이 코너와이 코너는 모두 오른쪽 아래 모서리처럼 보입니다 그것이 파란색으로 인코딩되는 것입니다 여기 위 모서리는 왼쪽 위 모서리처럼 보입니다

그래서 그것이하려는 것은 전체 구조를 이해하는 것입니다 에 기초한 시트 개별 세포와 그것이 생각하는 것이 모퉁이입니다 모든 세포에 대한 전체적인 관점처럼 이해되면 우리의 기술 Jura는 기본적으로 테이블을 찾을 수 있습니다 그들이 찾은 시트에있는 모든 테이블을 보여주기 때문에 그리고 여기서 볼 수있는 것은 이것이 테이블이라는 것을 이해한다는 것입니다 예를 들어,이 특정 부분은 주석 인 테이블 Jura는 테이블의 일부로 계산하지 않습니다

각주와 비슷하기 때문에 의미가 있습니다 여기서 보여 드린 것은 서로 다른 두 가지 기술입니다 두 가지 기술을 사용합니다 통계 분석과 신경 네트워크 스프레드 시트를 이해하고 궁극적으로 사용자가 신속하고 효과적으로 사용할 수 있도록 그들의 스프레드 시트와 올바른 결론 시간 내 주셔서 감사합니다

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

Data Science And Machine Learning Class 02 I July 26th 2019 By Damodhar 9059868766 I Tutorials

데이터 과학 및 기계 학습 클래스 02 I July 26th 2019 저자 Damodhar 9059868766 I 자습서 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766 데이터 과학 및 기계 학습을위한 온라인 교육 VLR 교육에 대한 문의 9059868766

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

안녕하세요 모두 컴퓨터 소개 동영상 시리즈에 오신 것을 환영합니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

잠시 시간을내어 공유하고 구독하고 싶습니다 고마워요, 고마워

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

Learn Deep Learning with Python, Keras and TensorFlow with Applications of Deep Neural Networks.

깊은 신경 네트워크를 환상적인 기술로 만드는 것은 그들은 거의 모든 형식으로 입력을 받아 들일 수 있습니다 그들은 표 형식의 데이터를 취할 수 있으며, 이미지, 텍스트 및 심지어 오디오까지

그런 다음이 정보를 처리하고 그런 종류의 수학적 마술은 결정이나 숫자를 출력합니다 등급을 부여하지만 동일한 유형의 데이터를 많이 출력 할 수도 있습니다 표 형식의 데이터, 이미지, 텍스트 또는 오디오를 출력 할 수 있습니다 내 수업에서는 응용 프로그램 딥 뉴럴 네트워크 (Deep Neural Networks)에 대해,이 신경망을 일상적인 문제 Jupyter Notebooks를 사용하여이 코스의 모든 것을 가르칩니다

및 Python 보시다시피, 코드와 정보를 섞어 볼 수 있습니다 내 과정에서 귀하의 프로그램에서 실제 결과를 볼 수 있습니다 그들 이제 비디오 게임을 만드는 응용 프로그램 중 일부는 비디오가 필요합니다

그래서, 우리는 그것들을 실제로 Jupyter 바깥에서 움직일 것입니다 노트북과 파이썬에서 직접 모든 것은 양립성이 보장된다 Google CoLab을 사용하면 필요에 따라 무료 GPU로 실행할 수 있습니다 GPU, 나를 믿으십시오, 당신의 훈련 시간에 시간을 절약 할 수 있습니다

나는 너에게 많은 것을 보여주지 그래픽 및 기타 멋진 것들을이 비디오에서 볼 수 있습니다 모든 것은 우리가 비디오 마술이 없도록 수업을 들으십시오 자, 나를 넣어 조금은 필요가있다 녹색 화면 마술의,하지만 신경 네트워크는 그런 처리가 필요해 날 믿어 멋지게 보입니다

GAN은 우리가 살펴볼 신경 네트워크의 한 유형입니다 이번 코스 GAN은 Generative Adversarial Neural Network의 약자입니다 GAN은 일반적으로 얼굴을 생성하는 데 사용되지만, 그들이 훈련받은 "가짜 데이터" GAN은 두 개의 신경망을 가짐으로써 작동합니다

그만큼 첫 번째 신경 네트워크는 발전기입니다 본질적으로 난수와 얼굴을 생성합니다 두 번째 신경망은 판별 자입니다 그것 본질적으로 발전기가 정확한 얼굴을 생산하는지 여부를 알려줍니다 이 두 사람 적대적 전쟁을 앞뒤로하고왔다

(충돌) 일단 그들이 당신을 끝내면 정말 다른 난수를 많이 가질 수있는 제너레이터가 있어야합니다 꽤 현실적인 얼굴을 계속 생성합니다 보강 학습, 특히 깊은 학습을 통해 적용하면 매우 강력합니다 Google AlphaZero가 Stockfish를 이기고 본질적으로 마스터가되는 기술 짧은 시간에 모든 체스 이 과정에서 우리는 인공 지능 체육관을 사용하고 배울 수있는 보강 프로그램을 만드는 아타리 비디오 게임 실제 비디오 이미지를보고이 게임을하는 법 게임에서 그리고 어떤 경우에는 실제 비디오 게임의 RAM 상태에서 진행됩니다

앉아라 앉아라 누가 착한 소년이야 히코리 강화 학습을 사용할 때 애완 동물을 훈련하는 것처럼 좋은 일을하거나 뭔가를하는 신경망에 대한 보상 그것은 유리한 결과로 이어집니다

신경망도 매우 훌륭합니다 광고를위한 잠재 의식 메시지를 생성 좋아, 잘 시도해 죄송합니다

신경망이 모든 유형의 입력을 받아 들일 수 있다고 말했던 때를 기억하십니까? 글쎄요 그들은 동시에 여러 유형의 입력을 수용 할 수 있습니다 이것은 어떻게 이미지 캡션이 작동합니다 글을 쓸 수있는 신경망을 만들려면 이미지 캡션, 당신이 할 일은 두 가지를 수용하는 신경망을 만드는 것입니다 서로 다른 유형의 입력, 사진, 그리고 그 순서가 그 순서입니다

끊임없이 성장하는 단어들의 집합 먼저 빈 배열로 전달하면됩니다 토큰을 시작한 다음 그림이 무엇인지 설명하는 단어를 추가합니다 되려고 요로, "너는 한번만 봐

" 이것은 당신이 볼 수있는 놀라운 기술입니다 주위를 도망 다니고 있어요 그것은 객체, 여러 객체를 분류하고 그것을하고 있습니다 매우 효율적입니다 한 번만보아야하기 때문입니다

우리는 당신이 어떻게 할 수 있는지 보게 될 것입니다 이 기술을 파이썬 프로그램으로 옮기고 실제 좌표 및 분류에 대한 정보를 제공합니다 요로 수 있습니다 어리석은, 여기 내 강아지와 박제의 차이를 말할 수 없다 동물 광고판을 말하는 데 어려움이 있습니다

사람들이 그것에 대해 생각하고 그들이 사람들이라고 생각하는 것들 이 간판 그것이 자기가 생각하는자가 운전 차에 관해서는 매우 넓어지기 그러나 기다려라 더있다 이 동영상은 이 코스의 하이라이트 만 보여줄 수 있습니다

전체 목록은 다음과 같습니다 우리가 다루는 다른 주제에 대해서도 설명합니다 이 비디오를 시청 해 주셔서 감사 드리며,이 코스에 대해 질문이 있으시면 그냥 코멘트에 뭔가를 남겨주세요 이 채널을 구독하여 이 코스에 새로운 비디오가 추가 될 때마다 업데이트됩니다 모든 정보 재생 목록 및 GitHub에서 사용할 수 있습니다

Yale Digital Conference: Using Machine Learning to Create Content Faster and Smarter

– 안녕하세요, 저는 Mike Minecki입니다 그리고 나는 너에게 어떻게 이야기 할거야

조직 및 Yale이있을 수있는 방법 기계 학습을 사용하여보다 빠르고 똑똑한 컨텐트를 만듭니다 이것은 내부 프리젠 테이션으로 시작되었지만, 그리고 그것은 조금 더 로키가되었지만 프란츠의 충고에 따라 마이클 (Michael) 어제 그의 발표에서 마이크 코너리 AI는 통신, 그것은 14 ~ 26 조 달러의 변화 마케팅 커뮤니케이션 업계에서 향후 몇 년간 그리고 그것은 마치 보이는 기술 중 하나입니다

미래에있을 것이거나 앞으로있을 일이 될 것입니다 솔직하게 파이프 또는 무언가 내려 오는 공상 과학 소설이지만, 실제로 오늘날 조직은 그들의 커뮤니케이션 계획은 많은 기회가 있습니다 그래서 저는 Mike Minecki입니다 Four Kitchens 및 Four Kitchens의 기술 우리는 웹 사이트, 앱 및 소프트웨어를 만드는 디지털 대행사 중요한 이야기를 할 필요가있는 조직 우리는 13 년 동안 있었고, 예일 (Yale)을 포함한 정교한 고객을 단절했습니다

신뢰할 수있는 디지털 파트너로서 목표를 초과했다 Four Kitchen의 웹 교대는 웹 사이트를 만드는 것이 잔치를 준비하는 것과 같이 전문 팀 콘서트에서 일하는 무료 기술 많은 사람들이 즐길 수있는 무언가를 만들고, 그것은 부분 예술이고, 부분 과학이며, 모든 것은 준비에 관한 것입니다 그래서 오늘 내가 잠수하려고하는 것은 기계 학습에 관한 몇 가지 용어를 정의하고 인공 지능, 무엇에 대해 조금 이야기하고, 이 조직들이 어떻게 그러한 일을하고 있는지 당신은 오늘 과학 소설에서 볼 것을 기대할 것입니다 일부 방법으로 뛰어 들고 예일 또는 모든 CMS에서 활용할 수 있습니다 그리고 정말로 희망을 갖고 사람들이 어떻게 그것을 생각하게하는지 앞으로 사용할 수 있습니다

그래서, 내가 말하지 않을 것은 편집 과정에만 집중할 것입니다 편집자에게 실제로 어떻게 영향을 미치는지 그러나 그것이 실제로있는 곳의 세 가지 핵심 영역 오늘 활용되고있는 마크의 커다란 기회는 개인화, 아마도 사람들이 처음 생각할 때 생각하는 한 가지 인공 지능과 콘텐츠 종류가 함께 어울리는 지, 다른 하나는 분석에, 실례합니다 그리고 chatbots에 있습니다 그것들은 그것들 각각이 그것의 자신의 프리젠 테이션이 될 수 있습니다, 그래서 그것이 내가 오늘 떠나는 이유입니다 또한 CMS에서 작동하는 모든 사람은 거의 같은 사랑을 얻지 못한다

그 다른 것들 중 일부 그래서 몇 가지 용어를 정의하는 것만으로도, 머신 러닝 (Machine Learning)은 위키 피 디아 (Wikipedia) 그것은 알고리즘의 카테고리입니다 소프트웨어 응용 프로그램이 명시 적으로 프로그래밍되지 않은 결과를 예측합니다 실제로 통계를 당신이 전통적으로 생각하는 것들 컴퓨터 프로그래밍이 진행 중이고 그것 때문에 흥미로운 기회를 열어줍니다 인공 지능 나는 다소 담요 용어이지만 그들은 상호 교환 적으로 사용된다

누구의 말을하고 청중이 누구인지에 따라 많은 기술자들이 사용하는 것처럼 솔직히 기계 학습 및 마케팅 사람들은 AI를 사용할 것입니다 원인이 소리가 더 시원한 그리고 나서이 일의 큰 부분과 콘텐츠에서 오는 기회가 온다 자연 언어 처리에서 그래서 그것은 인공 지능입니다

컴퓨터가 컴퓨터를 이해하고 해석하며 인간 언어를 조작한다 그리고 우리가 가면서 어떻게 그 일을하는지에 대해 더 자세히 알아보십시오 나에게 다소 도움이되는 한 가지 방법은 기계 학습과 우리가 전통적으로 프로그래밍에 대해 생각하는 것처럼 좀 더 두 가지를 비교하기 위해; 프로그래밍을 할 때 컴퓨터 프로그래밍을 할 때 데이터가 있으므로 데이터베이스에서 데이터를 가져 오는 것과 다른 사람이 입력하거나 사용자가 입력 한 것, 당신은 규칙이 있습니다 프로그래머로 작성하는 함수, 진술과 그 모든 것보다 그런 다음 함께 결합하고 당신은 예측 가능한 결과를 얻습니다

그것은 인간에 의해 작성되었으므로 대부분 예측 가능한 출력이지만, 나중에 테스트를 작성하여 테스트를 개선하십시오 그리고 규칙은 인간에 의해 쓰여지고, 컴퓨터를 프로그래밍 할 때처럼 다시 추적 할 수있는 것처럼 보입니다 단계를 밟아 정확히 무엇을하는지 이해하십시오 대조적으로 기계 학습은 데이터이며, 그래서 당신이 어떤 데이터를 시스템에 입력 하든지간에, 결과를 출력하는 통계 모델을 자신감 점수와는 많이 다르다 프로그래밍은 실제로 결정적이지만 인공 지능과 인공 지능의 결과를 얻을 수 있습니다

50 퍼센트의 1 퍼센트와 50 퍼센트의 다른 90 %는 1 %이고 다른 하나는 10 %입니다 그리고이 모델들, 그들이 만든 통계 모델들 예를 들어 블랙 박스 요소가 있습니다 그래서 당신은 실제로 직접 출력하고 당신은 정말로 그들을 통해 단계 수 그것으로 들어가는 논리를 쉽게 이해할 수 있습니다 그것들은 근본적인 차이점이 있습니다 AI가 열어 놓은 많은 기회를 열어줍니다

또한 자체적 인 일련의 문제를 생성합니다 좋은 점이 무엇인가요? 패턴을 따르고 다음을 기반으로 예측을합니다 그 패턴 그리고 그 예언과 그들이 할 수있는 패턴 정말 으스스한 물건, 이미지의 내부처럼, 어떤 사람이 노력하고있는 것과 정말로 같을 수도 있고 좋아할 수도 있습니다 그들의 말을 사용할 때 말하십시오

그리고 예측을 기반으로 당신이 넣은 엄청난 양의 데이터, 이 데이터 하나를 그 안에 넣어두면 기대할 수 있습니다 이런 식으로 나와야합니다 모델이 세련되면서 시간이 지남에 따라 더 좋아집니다 우리는이 모든 것을 그것으로 경험하고 있습니다 특히 Google과 같은 대기업과 이메일을 읽는 것이 더 좋아지고 있습니다

우리가하려고하는 것과 같은 이해 우리가 Google Home과 대화 할 때 말입니다 그리고 실제로 가장 큰 근본적인 차이와 가장 큰 근본적인 기회 기계 학습과 인공 지능은 그것이 컴퓨터와 콘텐츠 관리 시스템이 처음으로 복잡한 물건을 이미지 나 인간과 인간이 의사 소통하는 것처럼 전에, 미안해, 그 전에는 콘텐츠 관리 시스템은 마치 당신이 물건을 넣을 곳이긴하지만 거기에 무엇이 있는지 전혀 몰라요 그건 상관 없어요 그리고 이번이 처음입니다

콘텐츠 관리 시스템은 실제로 당신이 쓴 것을 읽으십시오 그래서 몇 가지 위험이 있거나 거기에 있습니다 그들이 잘하지 못하는 것들 모델 구축에는 시간과 반복이 필요하며, 그래서 결정적이지 않기 때문에 모델을 만들고, 테스트하여 출력은 실험과 같습니다 바이어스를 매우 쉽게 증폭시킬 수 있습니다

여기있는 모든 사람들이 어떻게 얼굴 인식은 색이 짙은 사람들에게는 효과가 없습니다 그런 것들, 그리고 그것은 매우 실제적인 관심사입니다 그리고 다른 하나는 정말 좋아질 것입니다 매우 방대한 데이터 세트와 지속적인 재배가 필요합니다 그리고 그러한 소규모 조직의 경우 좀 걸림돌처럼 AI와 기계 학습은 실행 가능한 솔루션이되지 못합니다

하지만 여러 가지 방법으로 분류 할 수 있습니다 구글이나 마이크로 소프트 같은 회사들이 이 공간에서 그것들은 정말로 큰 데이터 세트이고 그것들의 출력을 분류합니다 그래서, Cassie Koz – 남자 폴란드어, 당신은 이드가 잘할 것이라고 생각할 것입니다 그것을 발음하지만 나는 포기할 수 없다 이렇게하면 빵을 굽는 사업에 종사하고 있습니까? 아니면 오븐을 만드는거야? 좋아요

이 경우에는 오븐은 구글과 마이크로 소프트에 의해 만들어지고있다 너는 그걸로 물건을 넣을거야 나중에 반죽을 넣고 빵을 다시 가져 오는 걸 압니다 그것을 보는 좋은 방법입니다 오늘 콘텐츠 관리 시스템에 앞서 말했던 것처럼 당신이 그들에게 무엇을 넣었는지 상관하지 않고 정말로 신경 쓰지 마라

그들은 몇 가지 규칙을 가질 수 있습니다 콘텐츠에있는 문자, 그러나 그것이 새의 이야기이거나 그것이 이야기라면 지난 주에 일어난 일 스포츠 게임 그것은 당신이 그것을 말하지 않으면 정말로 모른다 당신이 태그하지 않는다면, 맞죠? 인공 지능과 기계 학습의 변화는 콘텐츠 관리 시스템처럼 처음으로 귀하의 콘텐츠를 실제로 읽고 볼 수 있습니다 그리고 그것은 다소 미래 지향적 인 것처럼 보이지만 우리는 말 그대로 일상 생활에서이 재료로 생활하며, 아마 우리가이 물건들과 함께 살고있는 것보다 우리 CMS가 따라서 주요 출판사는 이미 에 게재되어있다

그들의 인쇄 출판물도 그렇다 기계로 만든 100 % 워싱톤 포스트에는 Heliograph라는 로봇이 있습니다 그것이하는 일은 전국 리그 게임 그것은 아무도 정말로 따라 잡을 수없는 박자입니다 그들은 다르게 지원할 수 없을 것입니다 그러나 인공 지능을 사용하면 사건, 누가 이겼는가, 잃어버린 자, 얼마나 많은 사람들이 기지에 있었는지 등등 템플릿에 기반한 이야기를 작성하십시오

Forbes는 새로운 컨텐츠 관리 시스템 인 Bertie를 보유하고 있습니다 그것이하는 것은 기계 학습과 AI를 사용하는 것입니다 더 나은 헤드 라인을 제안하고 이미지를 찾습니다 작성중인 콘텐츠와 관련이 있습니다 그들은 단순한 일들의 일부를 제거합니다

그리고 Bloomberg, Kenneth는 유명 해졌다 그들이 몹시 불길한 싸이 보그라고 부르는 것, 기업 재무 제표와 뉴스 기사를 만듭니다 이것들은 지금 일어나고있는 것들입니다 이들은 당신이 오늘 읽고있는 기사입니다 마지막 부분은 제가 언급하고 싶은 것이 있습니다

BBC에서 레이더 (Radar) 그것이하는 일은 지역화 된 콘텐츠를 만드는 것입니다 그 (것)들에게 더 관련이 깊고 신랄한 사람으로 만들어라 영국의 다른 부분 그래서 노숙자에 관한 이야기라면, 통계와 관련하여 너 브리스톨에있어 브리스톨의 노숙자 문제에 관해 이야기 할 것입니다

그리고 당신이 런던에 있다면, 노숙자 문제에 대해 이야기 할 것입니다 런던에서 적어도 통계 그 이야기를 사용자로서 더 관련성있게 만드십시오 나는 그것이 가장 매혹적인 일종의 것이라고 느꼈다 이것의 응용 이것이 또 다른 장소입니다

놀랍게도 Google 포토에 다소 효과적입니다 그래서 검색 창에 거의 모든 단어를 입력하면 Google 포토를 사용하면 사진을 다시 볼 수 있습니다 해당 단어에 대해 Google에서 태그를 추가했습니다 그래서 여기서 핑크색을 찾습니다 개를 찾으면, 너는 중국을 찾으면 여자를 찾을 수있다

일본의 모든 것들은 태그없이 내 부분 또는 상호 작용 및 if 당신은 당신이 주목했을지도 모르는 Google 포토를 사용합니다 요즘에는 그것의 측면이 있습니다 너는 ~에 기반한 이야기를 함께 쓴다 함께 움직이는 이미지들 당신이하지 않고도 콘텐츠를 만드는 데 도움이됩니다 실제로 거기 앉아서 모든 것을 조직하고 어떤 사진이 좋은 사진인지 파악하고 어느 것이 함께 가는지

그것은 또한 당신이 글쓰기, 나 외에 다른 사람이 문법을 사용합니까? 그래, 몇 가지, 그래, 난 그것이 잘 작동하는 작품 의미 관련 제안 사항이 있습니다 당신이 그것에 담는 내용을 읽습니다 Gmail 및 편집기와 일종의 통합 그런 것들이 이것입니다 헤밍웨이 (Hemingway)라는 비슷한 저렴한 비용의 물건 그리고 그것은 단지 매달리는 열매가 아니며, 그것은 너무 긴 문장을 찾고 있습니다

덜 효과적인 단어를 찾고 있습니다 당신의 글쓰기를 높이는 것뿐만 아니라, 실례합니다 Google은 또한 API 검토 도구를 사용하여 뉴욕 타임스는 주석에 포함 된 독성의 양 기사에서 작성되므로이 API를 사용하면 피드백을 자동으로 제공하는 도구 만들기 작가들에게 더 빠르게 콘텐츠에 참여하십시오 그래서 그것은 좀 더 넓은 세상에서 AI와 같습니다 우리의 작은 생태계 밖에서 어떤 일이 벌어지고 있는지

많은 Drupal 모듈이 있습니다 몇 가지 초기 것들은 거의 아무것도 좋아하지 않는다 정직하게도 재미있는 우리가 여기서 얘기 한 것들 그 중 하나는 정말 낮은 교수형 과일이고 아마 모든 사람들이 이 방은 자동 대체 텍스트를 작성하고 있습니다 매우 초기에 Google Cloud 비전 통합이 있습니다

태깅 기능을 끌어 들이고 업로드 한 이미지에 실제로 태그를 지정합니다 Drupal은 내가 말하고있는 것과 동일한 모든 태그를 가지고 있습니다 Google 포토 그래서 당신이 여자 사진을 업로드하거나 그 안에 핑크색이 들어간 그림 귀하의 CMS에도 태그가 추가됩니다 더 쉽게 찾을 수 있으며 콘텐츠에 첨부 할 수 있습니다

지능형 콘텐츠 도구라는 도구 모음도 있습니다 Python 및 일부 플라스크 설치가 필요합니다 그런 것 같지만 한번 실행하면 실제로 자동 요약을 수행합니다 그것은 꽤 매혹적이고 꽤 흥미있다 나는 그걸 가지고 직접 놀지 않았다

상자에서 말하는대로 작동합니다 그리고 이것은 시작일뿐입니다 AI가 사용되지 않는 것처럼 콘텐츠 제작은 이러한 도구가 아닌 것입니다 우리가 살고있는 층으로 필터링하는 거지? 그래서, 다음으로 나는 약간의 이러한 API가 어떤 것인지, 레버리지를받을 수있는 것, 그리고 우리가 어느 정도 할 수있는 곳 가까운 장래에 곧 이것이 우리가 생각해 왔던 것이기 때문에, Happygram이라는 데모를 만들었습니다

AI 그리고 당신은 실제로 그것을 나중에 나중에 시험해 볼 수 있습니다 그것이하는 일은 당신에게서 행복한 순간을 모으는 것입니다, 그런 다음 이미지를 사용하여 내가 말하고있는 API 중 일부를 사용하여 Unsplash 잠재적으로 가능할 수있는 것을 보는 재미있는 방법입니다 또한 이러한 기술을 어떻게 사용할 수 있는지 보여줍니다 콘텐츠 제작을 간소화합니다

그래서 나는 Google이 제공하지만 모든 AWS, 마이크로 소프트 애저 (Microsoft Azure)와 구글, IBM Watson은 모두 이러한 기능을 갖추고 있습니다 그들은 그들 사이에 매우 유사합니다 능력에 약간의 차이가 있습니다 그들이하는 일과 가격 책정에서의 미묘한 차이 그래, 맞아 맞아

아마 어느 플랫폼에서 사용할 수 있을지 그래서 첫 번째 것은 Google 자연어 처리 도구, 그들이하는 일은 그들이 당신에게 많은 것을 제공한다는 것입니다 당신이 그것에 넣은 텍스트의 분석 그래서 그들은 감정을 분석하여 긍정적이거나 부정적 인 콘텐츠는 그래서 댓글의 검토와 같은 것들에 유용합니다 또한 고객과의 상호 작용을 이해하는 데 도움이됩니다

또한 작가가되기위한 도구 일 수도 있습니다 그 (것)들에 관하여 의견을 그 (것)들에게 약간 제공 할 수있을 것입니다 그들이 쓰는 내용이 맞습니까? 그들이 뭔가 행복하다고 생각한다면 Google은 다시 돌아와서 실제로 그렇게 행복한 것은 아니라고 말합니다 그것은 다른 방법이 있다는 신호 일 수 있습니다 단어 것들 그것은 매우 심층적 인 분석을 제공합니다

품사 품 및 내용이 다른 단어들이 어떻게 서로 연결되어 있는지, 그리고 당신은 매우 상세한 도구 모음을 가지고 있습니다 능력있는 일종의 문구와 단어들의 연관성을 끌어 낸다 매우 전 세계적인 콘텐츠 분류가 있습니다 일이 생기면 Google에서와 같이 볼 수 있습니다 Wikipedia 기사 등등에 링크되어 있습니다

또한 가장 눈에 띄는 주제를 제공합니다 한 장의 텍스트를 보면서 그렇지 않기 때문에 행동은 꽤 인상적입니다 우리는 핵심 단어 나 검색 등으로 하지만 이것은 다르므로 이것은 콘텐츠가 실제로 무엇인지, 명사의 중요성에 따라 우선 순위를 매기거나 피사체 또는 개체를 호출 할 때 품사에있다 다음 API가 아마도 가장 유용 할 것입니다 이것들과 가장 낮은 교수형 과일은 그저 그렇습니다

즉시 사용 가능하고 또한 매우 쉽다 이미 Google 통합이 있기 때문에, 이미지의 내용을 분류하는 API입니다 이미지에서 오브젝트를 추출합니다 그리고 나는 어쨌든 강아지들과 함께 슬라이드로 이동할 것입니다 그리고 놀랍게도 좋은 일을합니다

나가 이것을 시도 할 때 저를 감명주는 것 것은이다 그것은 개를 찾는다는 것이 아니라 그것이 이 안에있는 개들, 그래서 두 마리의 개를 볼 수는 없습니다 그들은 멀리보고있다 그리고 뒤의 것은 좋아한다 그게 사실인지 여부는 거의 의심 스럽네 고양이 냐 아니냐? 그것이 발견 한 다른 것은 이들은 래브라도 리트리버입니다

실제로 어떤면에서는 의심 스럽지만 놀랍게도 정확합니다 그리고 마침내, 그것이 그들이 사육장, 그리고 나에게 그것은 다소 재미 있기 때문에 당신은 정말로 개집의 모양이나 그냥 그런 것 같아 그것 앞에 수직 막대가있는 개 너는 아주 높은 확률을 가지고있다 개집에있다

그래서 나는이 것들을 파헤 치면서, 그리고 당신은 그들의 웹 사이트에 그들을 밖으로 시도 할 수 있습니다 놀라 울 정도로 정확하고 놀라 울 정도로 정확합니다 마지막 도구는 아마도 가장 강력하고 가장 큰 이점을 제공 할 수있는 콘텐츠 제작자 그리고 Auto ML이라고합니다 그리고 그것이 무엇인지, 그것은 모든 복잡성을 제거하는 도구입니다 자신의 기계 학습 모델을 구축하고 그것을 네 길에서 꺼내

그것은 당신이 귀하의 콘텐츠를 태그로 작품, 그 중 일부는 학습 모델로 사용됩니다 사용하고 모든 콘텐츠를 업로드하고 그런 다음 그것을 통해 알고리즘을 실행하십시오 나중에 데모를 시도 할 때를 볼 수 있습니다 우리는 행복한 순간을 분류하기 위해 그것을 사용했고 약 7 개가 분류되어 있습니다 거의 매 시간마다

매혹적이며 편집자가 퍼팅하는 콘텐츠 가져 오기 귀하의 분류와 함께 태그를 지정하십시오 택 소노 미나 태그로 태그를 지정할 수도 있습니다 분류 체계의 범위 완전히 pedantic과 사용자에 대한 막대한 부담 아무도 여기있는 것처럼 나도 몰라 복잡한 분류법이있다 주위에 싸우는 것은 정말로 이것에 속하거나 그것이 그 속에 속하고 한 사람이 한 가지 방법으로 태그를 추가하지만 다른 사람은 다른 방법으로 태그를 추가하면 엉망이 생기고 내용을 찾기 어렵게 만든다

이 도구를 사용하면 자동화 할 수 있으며 편집자는 단지 글쓰기로 돌아갈 수 있으며 모든 유형의 콘텐츠에 대해 걱정하십시오 정말 도움이 될 수있는 또 다른 것입니다 SEO를 통해 콘텐츠 및 자동으로 Google 또는 페이스 북이 찾고 있습니다 작가의 길 그래서 그것들은 다른 방법들 중 일부입니다

그래서 그것들은 이용 가능한 것들입니다 그러나 대체 무엇을 할 수 있습니까? 그래서 그것은 일상적인 작업을 자동화 할 수 있습니다 그래서 분류, 메타 데이터 작성, alt ~ 중 텍스트 작가와 콘텐츠 제작자가 매일 같이 있습니다 텍스트 요약과 같은 일을하기 시작합니다

또한 데이터를 템플릿과 결합 할 수 있습니다 지금보다 훨씬 똑똑한 방법 그래서 지금 당장 당신은 좋아, 이건 만족할거야 이건 이미지가 될거에요 당신은 그것을 장소에 넣고 모두 함께 맞습니다

하지만 이제는 더 깊은 계층으로 갈 수 있습니다 BBC와 같은 것을해라 당신에 대해 이야기하면 콘텐츠를 현지화 할 수 있고 관련 통계에 대해 이야기하십시오 사용자 또는 기사 하나 작성, 캠퍼스의 여러 학교에서 사용하고 지능적으로 관련 정보를 대체하십시오 그것은 또한 매우 깊은 분석을 제공 할 수 있습니다

내용과 매우 공정하지 않은 분석 따라서 Hemingway 및 Grammarly와 같은 도구 작가의 글쓰기 방식에 대해 작가에게 피드백을 줄 수 있으며, 그것이 얼마나 효과적이며, 어떻게 작동하는지 그러나 또한 다음과 같은 진입 점을 제공 할 수도 있습니다 캠퍼스에서 사용되는 모든 미디어 및 중앙 집중화하고 그것을 만드는 방식으로 태그 지정 캠퍼스의 다른 부분에 유용합니다 그래서 그 때처럼, 다시 개집 안에 강아지의 그림, 아마도 당신이 매우 훈련 된 콘텐츠 제작 팀 if 그들은 태그를 붙일 이미지를 업로드하고있었습니다

개가 강아지라고 태그를 붙이 겠지만 있을 법하지도 않으며, 어디에서 가져 갔는지 아마,하지만 그들은 실제로는 그 사진에 그들이 개집에 있다는 사실을 표시하십시오 그것은 이상한 세부 사항과 같아요 Google이 선택하지만 그렇지 않은 경우 아마 결코 올라 오지 않을 것 인 개집에 관한 기사 콘텐츠 제작자의 마음, 맞습니까? 그러나 여기, 그것의 다만 아주 pedantically 그리고 아주 깊이있는 것들을보고 일종의 그가 이전에 보았던 것과 그것을 비교하고 거기에 있다고 생각하는 것을 말하고 있습니다 이것이 활용 될 수있는 또 다른 방법은 콘텐츠를 개선하고 들어오는 분석 데이터 및 어떤 종류의 헤드 라인이나 헤드 라인을 다시 말로 표현할 수있는 방법 콘텐츠가 사라지면 더 효과적입니다 그리고 마지막으로 깊은 분류와 매우 공평하지 않은 콘텐츠 분류

그래서 이것들은 가능한 것과 같은 모든 것들입니다 기계 학습과 인공 지능으로 할 수 있습니다 하지만 하나의 큰 경고가 있습니다 모델을 만들거나 정보를 넣을 때 기계 학습 모델이다 당신이 정말로 아주 깊게 보입니다

그것이 당신이기 때문에 무엇을 넣고 있습니까? 블랙 박스는 쉽게 조사 할 수는 없습니다 하나의 콘텐츠 만 만들거나 편견을 가진 이미지 또는 말하지 않는 이미지 모두가 있지만 실제로는 캠퍼스 전체에서 문제를 만듭니다 그리고 제안을하는 것과 같은 일을 할 때 콘텐츠를 개선하거나 정말로 바이어스를 강화할 수 있습니다 ' 그 모델을 만드는 사람들, 맞죠? 그리고 그것은 미묘한 방법으로 일어날 것입니다 그것은 또한보다 큰 규모로 일어날 것입니다

한 명만 쓰면됩니다 그래서 윤리와 AI가 실제로 같이 가야하는 이유입니다 대화에서, 그것은 이런 식으로 뉴스에 등장하지만 그것은 FUD가 아니라 과장이 아니며, 이 말 그대로 문자 그대로 도구는 편견을 자동화하고 보급합니다 구글과 다른 모든 아마존 모두 그들의 윤리 및 그들이 어떻게 접근하고 있다면 그것은 작동합니다 너는이 물건에 잠깐 뛰어 들었다

그들이 어떻게 접근하고 있는지, 그리고 그들이 이미 만든 실수 그게 다야! (박수 갈채) (목을 가다듬 다) (부드러운 진동 음악)