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

JUPYTER NOTEBOOK PYTHON MACHINE LEARNING CURSO MULTILINEAR REGRESSION 2019

좋은 아침, 함께 일합시다, 목성 공책, 함께 일합시다 다중 선형 회귀, 첫 번째는 여기에 데이터 로딩을로드한다는 것입니다 훈련 테스트 분할 훈련, 우리는 모델을로드 여기에 데이터를로드합니다

여기에 데이터로 구성된 키가 보입니다 목적 함수 란 무엇입니까? 함수 이름은 기능입니다 설명하고 샘플 파일은이 데이터와 같습니다 여기에서 우리가 제공하는 모양을 봅니다 여기 치수는 506과 13입니다 여기에 506 개의 행과 13 개의 열이 있습니다

이것이 CRIM이 ZN이라는 의미입니다 우리는 무엇을 공부할 것입니까? RM 이것은 각 집의 평균 방입니다 AGE는 소유자가 점유 한 유닛의 비율입니다 1940 년 이전에는 DIS의 거리였습니다 보스턴에 5 곳의 고용 센터가 있으며, 우리는 매우 잘 협력 할 것입니다 그 세 우리는 자이언트 팬더를로드 한 numpy에서로드하고 여기에서 볼 수있는 데이터 프레임으로 변환합니다 데이터 프레임을 살펴 보겠습니다 여기를 두 번 클릭하여 확장합니다

하지만 여기에 열이 있고 여기에 줄이 있습니다 더블 클릭 그것을 압축, 나는이 열을 참조 그런 다음 CRIM의 함수 이름에 대해 이미 이야기했습니다 ZN은 이 RM, AGE 및 DIS에 관심이 있습니다 이것부터 이름까지 파티의 데이터 프레임이 이미 여기 있다면 열을 사용하면 이제 기능의 대상입니다 목표는 가격 하우스가 될 것입니다 그리고이 각각의 가치 집의 가격이 이러한 특징을 고려한다는 의미 모든 좋은 이제 기능에 대한 비용을 지불 할 수 있도록 이름을 변경하겠습니다 마지막 열의 대상 열 마지막 열에는 이미 가격이 있습니다

여기 우리는 가격 이름을 바꾸었고 여기에 기능입니다 그런 다음이 기능을 사용하여 예측하십시오 집의 가치 예를 들어 첫 번째 열한 줄을보고 싶다면 여기에 head 명령을 입력하고 숫자 11을 입력합니다 여기에서 첫 번째 열 한 개를 알려줍니다 시작된 것을 기억하십시오 제로 이제 훈련과 테스트의 두 부분으로 나눈 다음 훈련하고 여기서 테스트는 여기에 데이터와 목표는 데이터가 이러한 기능을 가지고 실제 목표는 가격과 관련이 있습니다

아주 좋아요, 모양을보고 분리를 부분으로 만듭니다 훈련 및 시험의 다른 부분은 375 훈련과 127이 있습니다 테스트를 위해 총 데이터가 제공되었습니다 훈련은 약 75 %, 나머지 25 %는 이 경우 선형 함수의 선형 회귀를 정의합니다 지금 우리는 좋은 일을하고 있습니다 모델의 경우 이제 매우 잘 계산됩니다 성공의 73 %는 능선에서 작업하는 것과 같습니다

73 % 이 데이터에 대한 선형 함수이기 때문에 근사값은 아닙니다 대단하다 여기에 첫 번째 열의 좋은 예가 있고 0을 넣습니다 첫 번째 열을 보여줬습니다 이것은 첫 번째 줄이 아니며 첫 번째 열은 나입니다 첫 번째 열을 보여주는 것은 매우 좋습니다 이제이 경우에는 처음 두 열이 있고 처음 두 열이 있습니다 우리가 보자 처음 두 열을 보여주고 모든 행을 알려줍니다

이제 여기에 첫 번째 5 줄과 5 줄인 5 열이 있습니다 처음 다섯 줄과 다섯 번째, 여섯 번째 및 일곱 번째 열은 그가 항상 하나에 간다는 것을 주목합니다 여기를보기 전에 RM, AGE, DIS 열에 관심이 있습니다 우리는 각각의 라인을 설명했습니다 처음 5 줄부터 0-4까지 매우 훌륭합니다

이제 5, 6, 7 열과 모든 ROWS를 선택했습니다 여기에 우리가 모델을하는 대상을 배치합니다 그리고 데이터 세트, 좋은 훈련 및 훈련 여기서 우리는 선형 회귀를 수행합니다 여기서는 세 개의 열 RM, AGE, DIS 만 사용합니다 이전 기사에서는 모든 열의 모든 열에 대해 작업했습니다 가격 이외에 목표는, 여기 계수와 교차 통지 계수는 85 값입니다 -0

097,-043과 교차점은 무엇입니까 축 -23 우리는 정확하게 여기를보고 예측에주의를 기울입니다 이것은이 암호의 54 %이며, 내가 어디에 있는지 아는 명령입니다 리눅스에서 여기에 매우 중요한 다중 회귀 방정식이 있습니다 그런 다음 찾은 값을 살펴보십시오 a, b1, b2 및 b3 여기에 방정식이 있습니다

여기에 a의 값이 있습니다 b1 값, b2 값, b3 값, 그리고 예측 라인 0에서, 이것을 말하자, 그들이 라인의 의미에주의를 기울이십시오 0은 3 개의 값을가집니다 그런 다음 세 개의 값을 사용하여 값을 나타냅니다 제로 라인은 rm = 6,575 665입니다 나이 = 65

2 및 dis 409, 우리가 대체 할 세 가지 값 다변량 선형 방정식,이 세 가지 값을 대체하여 나의 예측 인 Express는이 3 가지를 대체합니다 값-처음 2308, 859 값 x1은 6575 감소 0 포인트, 우리는 모든 소수점을 넣습니다 두 번째 연령 값은 652이며 그런 다음 DIS의 값, 즉 x3에 대한 모든 값은 -0

43입니다 409는 값 25를 제공합니다 이제 값은 실제로 테스트 값입니다 30

1 이것이이 방법이이 다중 선형 방정식에 적합하지 않은 이유입니다 대단히 감사합니다

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]

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

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

어떤 종류라고 할 지라도 가능합니다 감사합니다

Machine Learning – CS50 Podcast, Ep. 6

발표자 : CS50입니다 [음악 재생] 데이비드 말란 : 안녕하세요

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

데이비드 말란 : 그리고 이것은 CS50 팟 캐스트입니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[철도 휘파람] [음악 재생]