Deep learning nails correlation. Causation is another matter. | Gary Marcus

말하고 싶은 오래된 농담 통계학자가 있는데, 그것은 당신의 어휘 크기가 손의 크기와 관련이 있습니다 그리고 사실입니다

전체 인구를 가로 질러 가면 모든 사람의 손 크기와 모든 사람의 어휘를 측정하고, 평균적으로 손이 큰 사람들은 어휘력이 더 큽니다 그러나 그것은 더 큰 손을 가짐으로써 반대로 더 큰 어휘를 제공한다는 것을 의미합니까? 공부하고 책을 읽는데 음 아니

그것은 성인이 아이들보다 더 많은 단어를 알고 경향이 있으며 더 큰 경향이 있음을 의미합니다 소유 무언가로 인해 단어를 배우고 손을 키우게됩니다 정말 같은 것은 아닙니다 따라서 인과 관계는 손을 키우면 실제로 어휘를 키우게 될 것입니다

그러나 그것은 없습니다 우리는 상관 관계가 있습니다 딥 러닝은 상관 관계보다 더 환상적입니다 그러나 첫 번째 근사치가 그 일을하고 있습니다 상관 관계입니다

인과 관계를 나타내는 방법은 없습니다 우리가 딥 러닝 시스템을 요청하고 싶다면 더 큰 손을 키우는 것은 더 큰 어휘? 딥 러닝 시스템은 여기에 여러 가지 관찰이 있다고 말할 수 있습니다 그들은 분명히 상관이있는 것 같습니다 그러나 손이 자라는 원인은 모든 종류의 신진 대사 과정이라고 말할 수 없습니다 어휘력을 증가시키는 원인은 모든 종류의 학습 경험입니다

따라서 인과 관계가 있는지에 대한 질문조차 할 방법이 없습니다 당신의 손 크기와 어휘 사이 그것들은 서로 관련되어 있다는 것을 알 수 있습니다 그리고 그것은 어떤 목적으로도 좋을 수 있습니다 가장 큰 어휘를 가진 사람들을 골라 내려면 유용 할거야

메카니즘이 무엇인지 알고 싶다면 왜 이런 것들이 서로 관련이 있는지, 그리고 한 사람이 다른 사람을 유발하는지 여부-아마도 알고 싶은 딥 러닝 당신의 도구가 아닙니다

How machine learning is liberating creativity

나는 기계 학습과 창의성을 어떻게 든 반대되는 것으로 묘사한다고 생각합니다 머신 러닝이 광고에 미치는 영향을 오해합니다

나는 이것이 우리가 계속해서 듣는 반복되는 질문이라고 생각합니다 Photoshop이 나왔을 때 또는 데스크톱 영화 편집을 할 때 모든 사람들은 그러한 도구에 대해 걱정했습니다 창의성과 상충 될 것입니다 그러나 그것은 사실이 아닙니다 사실, 그들은 우리가 지금 가지고있는 새로운 종류의 혁신과 창의성의 물결을 만들었습니다 거의 당연하다

그리고 나는 앞으로 올 모든 도구에 대해 같은 것이 사실이라고 생각합니다 기계 학습 창의성은 다른 모든 변화에 의해 해방되고 있습니다 데이터는 창의성에 영향을 미치므로보다 간략하게 안내 할 수 있습니다 훌륭한 광고 소재는 데이터를 좋아하고 훌륭한 제작자는 제작 대신 자동화를 좋아합니다

광고는 브랜드에 맞는 생태계를 만들고 역동적 인 창의성을 그런 다음 개인을 위해 특별하고 개인적인 무언가로 렌더링 할 수 있습니다 머신 러닝은 오늘날 내가하는 일의 모든 측면을 혼란스럽게 만들고 있습니다 계획 과정에서, 우리가 시장에 대해 알고있는 것, 소비자에 대해 알고있는 것 실제로 아이디어를 만들 수 있습니다 더 많은 입력이 있기 때문입니다 따라서 기계 학습은이를 계획하는 방법을 이해하는 데 도움이 될뿐만 아니라 실제로 구현하는 데 도움이됩니다

뿐만 아니라 나는 이야기가 더 개인적이고 더 가볍고, 더 존중하고, 더 유용 할 수 있다고 생각한다 그들은 데이터 지향적입니다 데이터 중심의 광고 소재는 더 이상이 신발을 해당 신발로 바꾸지 않아도됩니다 그 가격 또는 여기에 로고 이름을 삽입하십시오 우리는 이런 종류의 기술로 훨씬 더 많은 것을 할 수 있습니다

더 인간 실제로 광고는 더 많은 데이터를 기반으로 할 때 더 인간적 일 수 있습니다

Machine Learning Basics | What Is Machine Learning? | Introduction To Machine Learning

Questpond의 YouTube 채널에 오신 것을 환영합니다 오늘 우리는 배울 것입니다 머신 러닝의 기본 원리

작업을 시작하기 전에 매우 중요하고 귀엽고 감동적인 댓글을 통해 사람들이 우리 채널에 넣었습니다 구체적으로 우리는 Himal 선생님으로 시작할 것입니다 당신 같은 구독자 덕분에 우리는 그러한 비디오를 만들 수 있습니다 우리는 당신과 같은 독자들로 인해 존재합니다 반품 선물로 우리는 당신에게 평생 구독을 제공하고 있습니다 네, 잘 들었습니다 당신이 우리가 가르 칠 수있는 시간까지 우리와 연결되도록 무료

다음 의견은 Priya Bist에서 나옵니다 이 비디오는이 의견을 다루어야합니다 이 비디오에서는 머신 러닝의 기본 이해 기계 학습, 기계 학습 소개로 시작합니다 알고리즘 및 교육 데이터에 대해 이야기합니다 머신 러닝의 벡터에 대해 이야기 할 것입니다 머신 러닝의 모델은 무엇입니까? 기계 학습의 입력 및 출력을 정의하는 기능 및 레이블에 대해 이야기합니다 BOW, 즉 Bag of Words에 대해 이야기하겠습니다

우리가 무엇을 시작하자 기계 학습? 기계 학습 공부의 영역이다 우리가 원하는 곳 기계 인간처럼 생각하기 인간처럼 행동합니다 이 여행 기계에서 나오는 인간에게 또는 기계 만들기 인간처럼 생각하면 적어도 두 가지가 필요합니다 하나는 일종의 사고가 필요하다는 것입니다 인간은 생각할 수 있습니다 둘째 인간은 경험이 성숙 해지고 주변에서 배웁니다 학교에서 배우다 부모로부터 배우다 등등 어쨌든 우리는 기계를 넣어야합니다 기계가 생각하게 만드는 두 가지 두 번째는 우리는 학습으로 기계가 성숙 해지는 것을 볼 필요가 있습니다

기계의 사고력은 어떤 종류의 알고리즘 우리 알고리즘을 넣어 기계의 사고력을 만들어야합니다 상황에 따라 우리는 다른 종류의 알고리즘을 가질 수 있습니다 가장 먼저 기계 학습 알고리즘이 필요합니다 그런 다음이 알고리즘 훈련 데이터를 제공합니다 그들을 훈련시킬 것입니다 경험 부분은 알고리즘에 일종의 훈련 데이터를 제공함으로써 가져옵니다

하나는 알고리즘 사고입니다 그리고 훈련 데이터를 제공함으로써 우리가 할 수있는 경험 또는 성숙 된 힘 컴퓨터는 숫자 만 이해합니다 우리가 제공 할 때 숫자는 매우 쉽게 훈련됩니다 그러나 텍스트, 오디오, 비디오 및 이미지가 있다면 우리는 그것들을 변환해야합니다 형식의 종류 그리고 것들 번호 그 숫자는 벡터 머신 러닝 데이터가있는 경우 순수한 숫자는 매우 쉽습니다 그러나 우리가 어떤 종류의 텍스트를 가지고 있다면 오디오, 이미지 또는 어떤 종류의 문서 문서를 숫자로 변환해야하며 이것을 벡터라고합니다

벡터는 숫자의 모음입니다 우리는 알고리즘이 있습니다 우리는 알고리즘을 훈련하고 있습니다 그리고 그렇게함으로써 우리는 경험 알고리즘을 가지고 있습니다 이 경험 알고리즘을 모델이라고합니다 모델은 알고리즘입니다 어떤 종류의 경험으로 훈련 데이터에서 얻은 것입니다 모델은 가장 중요한 부분입니다 모든 머신 러닝 프로젝트

머신 러닝 프로젝트부터 시작하려면 가장 먼저 우리 마음에 와야한다 우리는 하루 종일 어떤 모델을 기대하고 있습니까? 모델 수단 훈련 된 알고리즘 어떤 종류의 훈련 데이터를 사용하여 기계를 훈련시킬 때 우리는 그 훈련 데이터를 기능 및 레이블 이러한 기능 및 레이블은 입력 및 출력입니다 기능 입력 라벨이 출력됩니다 기능이란 무엇입니까? 특징은 중요한 특성입니다 이것은 텍스트에서 추출되어 기계가 배우고 자하는 물건, 사물, 실체 또는 무엇이든 설명합니다 빨강, 둥글고 달콤하다고 말할 수 있습니다 이 레드, 라운드 및 스위트를 볼 때 기계에 알려줍니다 그것이 애플이라고 생각하십시오

원뿔 모양이 보이면 노랗고 나뭇결 그것이 옥수수라고 생각하십시오 노란색, 달콤하고 육즙이 보이면 망고라고 생각하십시오 피처는 입력이며 레이블은 기계가 해당 피처에 대해 생각하기를 원하는 것입니다 교육 데이터를 제공 할 때마다 기능 및 레이블 측면에서 제공해야합니다 논의했듯이 기능은 머신 러닝에서 매우 중요한 부분입니다

우리는 할 수있는 메커니즘이 필요합니다 교육 데이터에서 기능을 추출합니다 누군가는 텍스트 형식으로 교육 데이터를 제공합니다 오디오 형식 또는 비디오 형식 우리는 어떻게 든 그 텍스트에서 기능을 추출해야합니다 나중에 기능에 레이블을 지정해야하며 이는 기계에 대한 교육 입력이 될 것입니다 사용할 수있는 많은 시간이 테스트 된 메커니즘이 있습니다 기능을 추출합니다

사용 가능한 가장 간단한 메커니즘은 BOW-단어의 가방 단어의 가방 개념이다 또는 자유 텍스트에서 기능을 추출 할 수있는 프로세스 Bag of Words는 단순화 된 표현입니다 큰 텍스트 문서에 대한 단어 우리는 텍스트 두 줄 문장이 있습니다 오늘은 야채 요리하는 법을 배웁니다 야채를 요리하려면 먼저 씻어야합니다

이를 위해이 두 문장을 나타내는 중요한 단어를 추출 할 수 있습니다 오늘 추출했습니다 배우고 요리하십시오 야채와 세척 단어의 가방은 실제로 문법을 확인하지 않습니다 또는 단어의 위치를 ​​확인하십시오 중요한 단어를 추출하려고합니다 중 하나 과정은 그것은 중지 단어를 피하려고 시도합니다 우리는 그런 동사를 많이 가질 수 있습니다

문서의 표현을 단순화하지 못할 수도 있습니다 중지 단어를 적용 할 수 있습니다 우리가 우리의 의지, 방법, 방법을 추출하지 않는 것처럼 우리는 이것에 의해 정지 단어를 교차시킬 수 있습니다 우리는 그 두 개의 라이너 텍스트로부터 중요한 단어만을 추출 할 수 있습니다 Bag of Words의 일부 중 하나 우리가하는 일은 우리는 또한 아니오를 얻으려고 노력합니다

발생 이 문서에서는 요리가 두 번 발생했습니다 그래서 우리는 또한 아니오를 적어 두었습니다 발생 나중에 이 중요한 단어 모음은 숫자 즉 벡터로 변환 할 수 있습니다 기계에 공급 그런 다음이 기능에 라벨을 붙입니다 기계가 훈련받을 수 있도록 Bag of Words는 텍스트를 단순화 한 표현입니다

아니 발생 그러나 문법이나 단어가 처음에 오는 곳 또는 마지막에 오는 곳은 고려하지 않습니다 비디오의 끝을 알려줍니다이 비디오에서는 다음과 같은 중요한 기본 사항을 이해하려고했습니다 기계 학습, 알고리즘, 교육 데이터, 벡터, 모델, 기능, 레이블, BOW 등의 기본 사항 기계 학습의 다음 단계로 우리는 당신이 볼 것을 권장합니다 파이썬 비디오

화면에 우리는 번쩍였다 파이썬 1 시간의 튜토리얼 이 튜토리얼을 살펴보면 파이썬에 익숙해야합니다 대단히 감사합니다! 행복한 학습

From The Brain To AI (Neural Networks | What Is Deep Learning | Deep Learning Basics)

이 시리즈의 마지막 비디오에서 깊은 차이점을 논의 학습 및 기계 학습, 방법 및 방법 딥 러닝 분야는 공식적으로 태어나고 주류 인기 이것의 초점 비디오는 인공 신경에있을 것입니다 더 구체적으로-네트워크 구조

독수리, 전투기 동안 이 두 별개의 실체는 모두 수행 동일한 작업, 비행, 그들이 달성하는 방식 매우 다릅니다 전투기 매우 전문적이고 공학적입니다 매우 구체적인 기계 작업과 그 작업을 극도로 실행 잘 독수리, 생물 시스템 확실히 훨씬 더 복잡합니다 다양한 방법으로 가능 일반화 된 작업 이 비유는 차이점과 많은 유사점 우리의 두뇌와 딥 러닝 시스템

그들은 둘 다 임무를 수행 할 수 있지만 패턴 인식의 두뇌는 매우 복잡한 일반 시스템 다양한 작업을 수행 할 수 있습니다 딥 러닝 시스템은 설계되었지만 매우 구체적인 작업에서 탁월합니다 에 딥 러닝을 더 잘 이해하고 이 비유와 인라인 유지 비행, 기본으로 돌아가 봅시다 에 대한 한 시스템의 기본 원칙 이해하기가 훨씬 쉽다 더 높은 수준의 이해 그 응용 프로그램 및 기능 상기 시스템 우리가 비디오에서 논의했듯이 과거에 딥 러닝은 연결 분야, 부족 목표가있는 머신 러닝 뇌를 디지털 방식으로 재구성합니다

이제 우리가 반드시해야하는 두뇌를 디지털 방식으로 재구성 먼저 가장 간단한 디지털 재구성 뇌의 구성 요소, 뉴런 이것은 뉴런의 예술적 표현, 다극 뉴런이 정확해야합니다 있다 뉴런의 세 가지 주요 구성 요소 : 1) 소마, 이것은 '뇌'* 메타 *입니다 정보 처리 센터를 말하십시오 세포체로 구성된 뉴런의 그리고 핵 2) 축색 제, 이것은 길다 전달하는 뉴런의 꼬리 세포체와의 정보

3) 수상 돌기, 이것들은 뉴런에서 분기 팔 다른 뉴런에 연결하십시오 우리가 논의한대로 Neuromorphic에 대한 이전 비디오에서 계산에 따르면 뇌는 천억이 넘습니다 100 조 이상의 시냅스를 가진 뉴런 시냅스와 연결 다른 뉴런 우리가 생각한다면 극도로 감소하는 관점, 우리 두뇌를 하나로 간주 할 수 있습니다 거대한 신경망 점점 더 많은 것을 알지 못합니다! 따라서 왜 연결 주의자들은 시도에 너무 단단합니다 뇌를 재구성하고 긴급 속성이 등장합니다! 이제 물러서서 개별 뉴런, 이것은 우리 중 하나입니다 뉴런의 첫 사진 안으로 그려지다 19 세기 후반 스페인의 해부학자에 의해 산티아고 라몬이 카할 그는 소개 될 수있는 얼룩을 사용했습니다 조직에 현미경을 사용하여 그가 본 것을 그립니다

이제 당신은 여기에 무엇을 볼 우리가 방금 논의한 것은 세포체, 긴 꼬리와 수상 돌기 서로 이제이 그림을 뒤집어 봅시다 거꾸로하고 추상적으로 매핑 오른쪽에있는 뉴런의 구성 요소 측면 먼저 우리는 소마를 원으로 표시 한 다음 긴 줄이 오는 축삭 뉴런에서 마지막으로 여러 줄로 표현되는 수상 돌기 뉴런으로 연결됩니다 보시다시피 여기, 우리는 기본적인 방법을 목격하고 있습니다 딥 러닝 신경의 구조 89 00 : 02 : 52,670-> 00 : 02 : 56,360 그물이되었습니다! 에 대한 토론을 시작하려면 뉴런이 작동하는 방식으로 수상 돌기는 입력으로 간주 우리의 뉴런에 몸에서 수상 돌기 그들의 전기 활동을 찾으십시오 끝 그것이 다른 것에서 오는지 여부 뉴런, 감각 또는 다른 활동 그 신호를 세포체로 보내십시오

그만큼 그런 다음 soma는 이러한 신호를 받아 시작합니다 그들을 축적하고 특정 신호 임계 값, 축삭은 활성화, 시스템의 출력 본질적으로 매우 간단한 방법으로 뉴런의 정보 처리는 그냥 물건을 추가하십시오 그리고 그것을 바탕으로 하나 수상 돌기 활동을 축삭 활동의 수준 다시 말해, 더 많은 수상 돌기 더 자주 그들은 축삭이 얼마나 자주 활성화되었습니다 이제 우리는 기능의 추상적 이해 뉴런의 시스템에 더 추가합시다 신경망을 형성하기 시작합니다

같이 앞에서 언급 한 바와 같이 뉴런을 시냅스라고합니다 수상 돌기, 하나의 입력 뉴런은 축삭에 붙어 있습니다 다른 사람의 출력 라몬으로 돌아 가기 카잘의 첫 번째 뉴런 그림 당신은 그가 보고이 작은 것을 볼 수 있습니다 수상 돌기의 마비 여기가 다른 뉴런의 축색 돌기는 현재 뉴런의 수상 돌기 측면에서 우리의 추상적 인 그림의 우리는 이 연결을 원형으로 나타냅니다 마디 축색 돌기는 수상 돌기에 연결될 수 있습니다

강하게, 약하게 또는 그 사이의 어떤 것 지금, 우리는의 크기를 사용합니다 연결 노드를 나타내는 연결 강도, 연결 입력이 얼마나 활발한가 뉴런 연결은 출력 뉴런 수상 돌기 우리는 또한 이 연결 강도에 값을 할당하십시오 0과 1 사이, 1은 매우 강하고 0에 가까워지고 있습니다 앞으로 확장 될이 가치 비디오 참조 연결 무게로 보시다시피 우리는 더 많은 뉴런을 추가하기 시작합니다 많은 다른 입력으로 흥미로운 뉴런은 수상 돌기에 연결될 수 있습니다 각각 하나의 출력 뉴런 연결 강도가 다릅니다

이제 연결되지 않은 모든 것을 제거합시다 수상 돌기 및 또한 노드를 제거 우리는 연결을 나타내야했다 강도, 단순히 두께를 보여 무게를 나타내는 선의 그 연결 이제 뒤집어 가로로 다이어그램을 보면 현대 딥 러닝의 시작 신경망 아키텍처 이후 이 비디오의 시작, 우리는 우리에서 갔다 수조의 엄청나게 복잡한 뇌 연결과 미묘한 운영과 상호 연결성 신경망을 이해하기 간단 모델 우리 시스템은 여기 바로 그 모델입니다 그

뇌에서 신경으로 네트워크는 매우 축소 과정입니다 그리고 사이의 진정한 관계 생물학적 시스템과 신경 네트워크 은유적이고 영감을줍니다 우리의 두뇌, 제한된 이해 우리는 그들 중 엄청나게 복잡하다 수조 개의 연결과 많은 다른 유형의 뉴런 및 기타 병행하여 작동하지 않는 조직 그냥 같은 인접 레이어에 연결 신경망 주제에 다시 돌아와 우리가 사용하는 용어 이 네트워크를 설명하십시오, 그것은 사실입니다 그들은 여전히 ​​매우 유용합니다 큰 표현을 도출 마지막에 언급 한 데이터 양 이 시리즈의 비디오 그리고 지금 우리는 이것들의 구조가 어떻게 보 였는지 네트워크가 개발되었습니다 이 표현은 층

출력 노드를 생각하는 방법 그들이 노드의 합이라는 것입니다 그들을 강하게 활성화시키는 가장 강한 무게의 연결 예를 들어 5 개의 입력이 있다고 가정 해 봅시다 문자를 정의하는 노드 : A, B, C, D 그리고 E이 경우 출력 노드는 ACE에 의해 정의됩니다 여기 있습니다 저급에서 목격 표현, 개별 문자 높은 수준의 표현 단어를 포괄하고 계속 가면 에, 문장 등-이 단순한 예는 자연어의 기초이다 가공

편지를 넘어서 방법론은 모든 유형의 이미지의 픽셀 값에서 입력 오디오의 이미지 인식 연설을위한 연설의 빈도 더 복잡하고 추상적 인 인식 영양 정보와 같은 입력 의료 병력은 예를 들어 암의 가능성 지금 우리가 앞서 기 전에 더 높은 수준의 예측으로 확대 더 복잡한 초록의 능력 딥 러닝 시스템의 응용 이 다음 동영상 세트에서 시리즈, 우리는 포괄적 인 과정을 거칠 것입니다 예를 들어, 많은 새로운 것을 소개합니다 직관적 인 방법으로 용어와 개념 노드 네트워크의 이해를 돕기 위해 작업 그러나 이것이 당신이 가지고 있다는 것을 의미하지는 않습니다 더 배우기를 기다립니다! 원한다면 딥 러닝에 대해 더 배우고 실제로 현장에 대해 배우는 것을 의미합니다 이러한 인공 학습 알고리즘 뇌에서 영감을 얻어 기초 빌딩 블록 퍼셉트론, 멀티 레이어 확장 네트워크, 다른 유형의 네트워크 컨볼 루션 네트워크, 재발과 같은 네트워크와 훨씬 더 많은 다음 화려한

org는 당신이 갈 곳입니다! 안에 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 특이점을 지원하려면 번영과 더 많은 것을 배우십시오 Brilliant, brilliant

org/로 이동하십시오 특이! 또한 처음 200 그 링크에가는 사람들은 20 %를 얻을 것입니다 연간 보험료 할인 혜택! 이 시점에서 비디오는 결론, 감사합니다 그것을 볼 시간을내어! 만약 너라면 그것을 즐겼다, 나를지지하는 것을 고려해라 Patreon 또는 YouTube 회원 자격 유지 이 도전이 커지고 있습니다! 우리를 확인 자세한 내용은 웹 사이트를 참조하십시오 더 많은 콘텐츠를 구독 한 입 크기에 대한 우리의 페이스 북 페이지 내용의 덩어리 안쿠 르였습니다 당신은 특이점을보고있다 번영과 곧 다시 ll겠습니다! [음악]

How Google is unlocking the power of machine learning

현재 지구상의 모든 회사는 슈퍼 찌르기 그들은 그들이해야 할만 큼 많이하지 않는 멋진 데이터가 재생되는 곳입니다

제 이름은 Avinash입니다 Google의 고급 분석에 중점을 둡니다 내가 대부분의 시간을 보낸 곳은 기계 학습의 힘을 얻는 방법을 알아 내려고 노력 분석에 모두 기계 학습을 좋아합니다 그 요즘 모두의 BFF

그러나 우리의 규모와 범위를 다룰 때 우리가 가진 데이터, 기계가하는 일을하는 방법을 알아낼 수있는 인간이 감지 할 수없는 것은 큰 도전 일뿐 아니라 우리 우리가 처리해야 할 모든 변화를 통해 매우 간단한 프레임 워크가 있습니다 우리는 70/20/10을 사용합니다 우리가 알고있는 것에 집중할 시간의 70 % 그것은 우리 사업의 핵심입니다 20 %는 우리가 경계

당신은 알려진 미지의 세계로 들어갑니다 그리고 마지막 10 %는 사실입니다 미친 실험 재료 불편한 방법을 알아 내려고 노력 우리가 성공할 수있는 것 이상으로 실패 할 것입니다 그러나 모든 성공 당신은 경쟁 우위를 구축합니다 많은 마케팅 담당자가 걱정 창의성의 죽음으로 데이터

하지만 데이터를 통해 과거보다 훨씬 더 창의력을 발휘하십시오 나를 위해, 우리가 접근 할 수 있다는 것을 알고 거의 실시간에 가까운 데이터는 더 많은 위험을 감수 할 수 있음을 의미합니다 의 관점에서 마케팅, 자동화 및 인텔리전스에서 내려 오는 트렌드는 지평선에서 가장 파괴적인 힘인 것들 자동화는 효율성 향상, 민첩성 향상, 속도 향상 마케팅 담당자로 이동할 수 있습니다 다른 하나는 지능입니다

그냥 우리 우리가 할 수 없었던 규모로 사물을 이해하는 능력 과거 자동화 및 지능 결합 함께하면 더 장기적이고 의미있는 관계를 가질 수 있습니다 최종 사용자 및 고객과 나는 그것에 대해 매우 기쁘게 생각합니다 마케팅의 업무는 방해 할뿐만 아니라 실제로 즐거움을 제공하는 것입니다

Where is the Best Place to Start Implementing Machine Learning? | Burning Questions

기계 학습은 다음과 같은 경우에 가장 잘 구현됩니다 많은 데이터로 할 수있는 일입니다

예를 들어, 우리 업계와 엘리 매가하는 일은 우리는 모기지 및 은행업에 솔루션을 제공합니다 우리는 사람들을 허용하는 소프트웨어 솔루션을 제공합니다 차용자로서 정보를 입력 그런 다음 대출에 자금을 제공하여 대출을 판매합니다 그리고 거기에는 많은 데이터가 있습니다 우리가 그 정보와 데이터를 수집 할 수 있도록 고객에게 제공하는 것이 중요한 측면입니다 여러분은 실제로 머신 러닝에 대해 생각합니다

"내가 수집하는 모든 데이터는 다음과 같습니다 더 나은 측정 항목으로 다시 되돌릴 수 있습니까? " 그리고 그들 측면에서 실제로 비즈니스를 향상시킵니다 먼저 검색으로 시작하고 챗봇으로 시작해야한다고 말하고 싶습니다 이제 웹 사이트에서 고객과의 접점이되기 때문입니다 그런 다음 기계 학습을 더 추가하거나 오라클이 말한 것처럼 적응 지능 검색 및 챗봇에서 사용할 수 있습니다

콘텐츠 개인화가 시작하기 가장 좋은 곳이라고 생각합니다 구현하기가 비교적 쉽기 때문입니다 당신은 당신의 웹 사이트에서 그것을 할 수 있습니다 이메일로 할 수 있고 이 채널은 가장 많은 잠재 고객에게 도달하고 당신의 목표는 더 오래 참여하도록하는 것입니다 맞춤 콘텐츠를 사용하면 그것이 달성 할 목표입니다 그리고 그들은 당신의 브랜드를 기억할 것입니다

그들은 당신의 웹 사이트에 더 오래 머무르고 희망적으로 돌아올 것입니다 그래서 이곳이 시작하기 가장 좋은 곳이라고 말하고 싶습니다

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]

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]

How is deep learning different than machine vision?

인공 지능과 심층 학습 기술은 거의 혁명을 일으키고있다 공장 자동화를 포함한 모든 단일 산업

깊은 학습은 제조 자동화를 돕고 있습니다 이전에는 불가능했던 방식으로 그러나 깊은 학습이 확실히 가능성을 넓히는 동안 공장 바닥에, 운영자가 여전히 많이 사용하는 도구 중 하나입니다 그들의 회사가 향상시키는 것을 도울 수있다 제품 품질 및 처리량 전통적인 규칙 기반 머신 비전 일관성있게 안정적으로 수행 잘 제조 된 부품 및 탁월한 제품 고정밀 응용 프로그램에서

여기에는 지침, 신분증, 측정, 검사, 이 모든 것은 극도로 실행될 수있다 빠른 속도와 높은 정확도 이러한 종류의 머신 비전은 변수가 잘 이해하고 있습니다 파트가 존재하거나 부재합니까? 구성 요소가 올바른 모양과 크기입니까? 로봇은 그 부분을 어디에 두어야합니까? 이러한 작업은 어셈블리에 쉽게 배치 할 수 있습니다 통제 된 환경의 선

그러나 일이 그렇게 명확하지 않을 때 어떻게됩니까? 예를 들어,이 패키지들을 가져 가라 눈물을 검사하는 프로그램을 어떻게 디자인합니까? 또는 긁힘? 두 가지 결함은 똑같이 보이지 않습니다 이론적으로, 당신은 이것을 규칙 기반 알고리즘, 그러나 모든 것을 설명하기 위해서는 많은 노력이 필요할 것입니다 예기치 않은 변수, 이것은 봉투의 한 종류에 불과합니다 깊은 학습이 구제에 이르는 곳이 바로 여기에 있습니다

깊은 학습은 신경망을 사용하여 일을합니다 분석 결함, 개별 부품의 위치 파악 및 분류 인쇄 된 표식을 읽으십시오 좋은 부분을 네트워크에 가르침으로써 예를 들어, 그것은 좋은 것의 차이를 말할 수있을 것이다 봉투 및 결함이있는 봉투, 예상되는 변동을 설명합니다 또한 네트워크를 새로운 목표로 교육하고, 다른 종류의 봉투처럼, 새로운 참조 이미지 집합에 대한 교육만큼 쉽습니다

흔히 동일한 부품이 나타날 수 있습니다 카메라와 다르게 눈부심은 너무 밝아 보일 수 있습니다 부품이 다른 방향으로 배향 될 수 있음 또는 너무 자연스럽게 변형 된 기존 규칙 기반 비전 도구를 사용하여 안정적으로 찾습니다 그러나 이전과 마찬가지로 충분한 샘플 이미지가있는 심층 학습 가능 비전 시스템 쉽게 부품을 찾아 식별 할 수 있습니다 이 정도의 뉘앙스를 가진 어플리케이션의 경우, 깊은 학습은 종종 더 잘 수행 할 수 있고 다른 비전 기술보다 빠르게 동일한 작업에서

깊은 학습은 현재 응용 프로그램에서 사용되고 있습니다 검사는 일반적으로 수동으로 이루어졌지만, 최종 조립품 검사와 같습니다 이러한 작업은 한 번 고려되었습니다 자동화하기가 어렵다 깊은 학습과 같은 도구를 사용하여 보다 일관되게 비전 시스템으로 수행 할 수 있으며, 보다 안정적이고 빠른 수동 검사보다

깊은 학습이 공장을 변화시키는 동안 우리가 알고있는 자동화, 운영자가 할 수있는 또 다른 도구입니다 일을 끝내기 위해 고용하십시오 전통적 규칙 기반 머신 비전 많은 직업에 매우 효과적인 도구입니다 그리고 복잡한 상황에서 인간의 시각과 같은 속도가 필요하다 및 컴퓨터의 신뢰성, 깊은 학습은 진정한 것으로 입증 될 것입니다

게임 변경 옵션