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

K Vecinos más Cercanos – Práctica | #41 Curso Machine Learning con Python

여러분 안녕하세요, 채널의 새로운 비디오에 오신 것을 환영합니다 오늘 우리는 실용적인 부분을 보게 될 것입니다 가장 가까운 K 이웃 알고리즘 중 주어진 데이터에 따른 유방암

그러나 프로그램을 시작하기 전에 빨간 버튼으로 채널을 구독하도록 초대합니다 아래에있는 동영상을 놓치지 마세요 또한 이론에 관한 이전 비디오를 보지 못한 경우 권장합니다 Scikit Learn 라이브러리를 사용하여이 알고리즘을 구현하는 방법을 잠시 멈추십시오 이 비디오와 당신은 그들이 설명 할 내용을 이해하기위한 기초이기 때문에 그들을 보러갑니다 이것에서 이 비디오의 링크는 설명 상자에 있습니다

이제이 비디오부터 시작하겠습니다 이 프로젝트에서는 유방암 데이터 세트를 계속 사용하거나 scikit 학습 라이브러리에서 사용 가능한 BreastCancer 이것은 회귀 알고리즘의 실제 부분에 사용하는 것과 동일한 데이터 집합입니다 여기에서 물류는 데이터를 가져 와서 해당 데이터의 전처리를 수행합니다 이러한 이유로 우리는 K 이웃 알고리즘을 구현하는 방법에만 초점을 맞출 것입니다 더 가까이

이 경우 해당 컨텐츠에 게시 된 정보를 볼 것을 권장합니다 이 프로젝트의 첫 번째 부분을 수행하는 방법에 대해 더 알고 싶습니다 이 시점에서 이미 데이터와 데이터에 해당하는“X”데이터를 분리했습니다 목표에 해당하는 "and"의 결과로, 훈련에서 데이터를 분리해야합니다 이것을 테스트하기 위해 우리는 sklearn에서 모듈 train_test_split을 가져 와서 적용합니다 각 분리를 수행합니다 이것으로 모델 개발을 시작할 준비가되었습니다 이런 이유로 우리는 수입 “skelarn

neighbors”에있는 알고리즘은 KNeighborsClassifier를 가져옵니다 이 작업이 완료되면 알고리즘을 정의하고 여기에서 구성하면 "k" 이웃의 수가 5와 같으면 메트릭은 "minkowski"이고 "p"는 이 두 요소의 조합은 알고리즘을 나타냅니다 유클리드 거리를 사용하여 이웃 사이의 거리를 확인합니다 이것은 위에서 설명했다 이것들을 보면 알고리즘이 구성된 기본 데이터입니다 원하는 경우이 구성을 삭제하고 괄호를 비워 둘 수는 있지만 나중에 모델을 개선하기 위해 변경하고 조정할 수 있습니다

알고리즘이 정의되면 이제 훈련 데이터를 사용하여 모델을 훈련시킵니다 그리고 테스트 데이터를 사용하여 예측합니다 계산 된 데이터와 실제 데이터를 비교하면 대부분은 일치하지만 일부는 일치하지 않지만 대부분 일치하면 언뜻보기에 모델이 잘 개발되었다고 판단 할 수 있습니다 그러나 이것이 사실인지 확인하고 혼동 행렬을 계산합시다 sklearn 메트릭의 confusion_matrix 메소드를 예측 데이터와 함께 구현합니다

실제 데이터 보시다시피, 정확하게 예측 된 데이터는 거의 없었습니다 주 대각선에있는 데이터는 정확하게 예측 된 데이터임을 기억하십시오 보조 대각선에는 오류가 있습니다 이 요소들을 추가하면 109 개의 정확한 데이터와 5 개의 잘못된 데이터 만 얻었습니다 이제 모델의 정밀도를 보도록하겠습니다

이를 위해 메트릭에서 "precision_score"를 가져옵니다 예측 및 실제 데이터와 함께 구현합니다 이 계산의 결과는 097이며 이는 상당히 수용 가능한 값입니다 이것으로 우리는이 알고리즘으로 다음과 같은 결과를 얻을 수있다

이 데이터 세트 당신이 그것을 개선하고 얻을 수 있는지 확인하려면 그것은 당신에게 달려 있습니다 더 정확한 것을 위해, 알고리즘 구성 데이터를 수정할 수 있습니다 이것으로 우리는이 분석으로 결론을 맺습니다 의견이나 의견을 남겨 주시면 기꺼이 답변 해 드리겠습니다 전체 프로그램은 웹 사이트에서 찾을 수 있습니다

같은 방식으로 블로그를 둘러 보도록 권유합니다 머신 러닝에 대한 더 많은 정보를 찾을 수 있습니다 시청 해 주셔서 감사합니다 다음 비디오에서 see겠습니다 안녕

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

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

8 Fun Machine Learning Projects for Beginners | Machine Learning with Python Online Training

안녕하세요 여기 Barrett 이신 분은 제 화면을 볼 수 있습니다

내 말을들을 수있다 오늘 세션에서 감사드립니다 우리는 단지 그것에 대해 이야기하려고합니다 단지 여덟 가지 재미 또는 기계 학습 프로젝트 당신은 기계를 많이 가지고 초보자를위한 프로젝트를 특별히 배우고 있지만 나중에 이야기 할 것입니다 좋아, 언제든지 시작하는 것이 매우 중요합니다

기계 학습 프로젝트에서 일하기 시작하지만 비행 가능한 가장 좋은 방법으로이 문제가 발생합니다 두 가지 유스 케이스가 있습니다 맞아, 그 사람이 당신이 좋아하는 순간을 이해해야 만하는 것처럼 이해해야 할 첫 번째 일은 올바른 데이터 세트를 선택하는 것과 같습니다 그것이 어떤 기계 학습 알고리즘이 적합한지를 해독하거나 해독하는 것으로 이해하십시오 비즈니스 문제를 해결할 수있는 유형 또는 클래스 또는 비즈니스 유스 케이스와이 비즈니스 문제가 가능한 최상의 방법으로 이 부분은 기계 학습 초보자를위한 초보자를위한 것입니다

그래서 우리는 당신이 알맞은 크기의 데이터 세트를 얻었음을 알게되었습니다 전문가들에 의해 연구되고 그것에 대한 아무런 노출도 주어지지 않고 시작되기도합니다 당신이 가지고있는 것은 이것이 우리의 의제 인 것입니다 이것은 데이터가 설정하는 모든 데이터 유형입니다 우리는 검투사 게임 머니볼을 배우는 기계를 찾을 것입니다

우리의 주가가 신경망에 필기 자릿수를 읽도록 가르친다 비스타가 처음 엔 엔론 알고리즘을 쓰는 것 같아요 그리고 건강 관리를 향상 시키십시오 나는 당신이 한 가지에 모든 것을 할 것을 요구하는 것이 아니라 단지 예, 당신은 당신의 관심과 필요에 따라 그 중 하나를 고를 수 있습니다 좋습니다 그래서 여기에서 일어나는 것은 기계 학습 초보자를위한 것입니다

특히 높은 데이터 소스의 여러 라이브러리가 있습니다 양질의 데이터 세트는 UCI UCI를 대학으로 지정합니다 Arwen에서 캘리포니아와 당신은 데이터 도트 골드 또는 도트 u 당신이 소를 가지고있다 당신은 어디에서나 당신이 실시간 데이터 세트를 찾을 수 있도록 github을 가지고 있습니다 ml 프로젝트를 시작하기 전에 목표가 항상 있어야합니다

비즈니스 문제에 대한 심층적 인 이해는이 점을 이해하십시오 비즈니스 문제를 이해할 때까지 문제의 깊이있는 이해에 문제를 해결할 수 없다는 데이터 자체가 문제를 분명히 나타내는 데이터를 나타냅니다 데이터 이해에서 비즈니스 사용 키를 이해하고 데이터도 나타납니다 데이터 구조의 데이터 구조는 현재이 시대에 80 가지가 있습니다 우리가 가지고있는 모든 데이터의 90 %는 구조화되지 않은 구조이므로 구조 모든 기계 학습 알고리즘이 가장 적합한 데이터 세트의 최선을 다해 해결할 수있는 문제를 알고 있습니다

분석해야하는 모든 것, 그리고 어떤 데이터 세트를 공부할 때도 괜찮습니다 통계 환경으로 가라 그래, 그렇지 않다 나는 도서관을 가지고있다 파이썬이 있습니다

IB가 있습니다 데이터 세트가 있습니다 코드를 작성하고 실행하면됩니다 그런 식으로 작동하지 않는다면 환경을 사용하십시오 또는 심지어 그것이 옵션과 같은 것입니다

당신의 초점이 남아 있도록 통계 환경을 사용해야 만하는 의무 당신이 대답 할 때 찾고있는 질문에 비즈니스 사용 사례 및 통계를 이해하시기 바랍니다 환경은 매우 중요한 역할을하므로 데이터 세트에 관한 것입니다 주어진 테크닉에서 산만 해지는 대신에, 당신은 배워야한다는 것을 알고 있습니다 코드에서 구현하는 방법은 통계를 통해 나온다 내 첫 요점은 당신이 아주 분명해야한다는 것입니다

데이터가 나타내는 두 번째 문제에 대한 심층적 인 이해 하나는 기계 학습 데이터 집합을 서술 적으로 요약 해주십시오 통계는 매우 구체적입니다 추론 통계 및 설명적인 통계 당신은 설명적인 통계와 함께 가야합니다 데이터가 훨씬 더 효과적인 방법으로 설명 될 것입니다 데이터에서 관찰 한 모든 구조를 기록하고 모든 것을 제출하십시오

당신이 관측 한 관계, 그러면 당신은 빨리 알 수 있습니다 당신은 몇 가지 기계 학습 알고리즘의 상단에있는을 통해 실행할 수 있습니다 데이터 세트를 찾고 어떤 클래스가 더 나은 성능을 가지고 있는지 찾아라 의지를 수행하는 Al Gore 종교 간 알고리즘을 조정할 수 있습니다 사실 당신은 주어진 데이터가 모든 최신 정보를 모두 알고 있다고 말합니다 데이터 알고리즘 일부 특정 데이터 세트는 당신과 함께 갈 것입니다 다른 데이터 세트와 함께 사용되지 않는 알고리즘이므로 질산염이 있어야합니다

접근법이 계속 반복됩니다 그래야이 모든 것이 생겼을 때입니다 프로젝트를 시작하기 전에 이전에 언제 할 수 있습니까? 그 이론적 인 개념은 통계적 개념을 설명하는 통계는 철저히 알고 있습니다 이것은 정말 쉬울 것입니다 좋아요

우리는 이것들을 옹호하거나 권장하지 않습니다 프로젝트를 시작한 전문가에게는 조금 유용합니다 기계 학습 및 이러한 프로젝트가 완벽하게 다양한 유형의 조화로 도전 하나 올 수 있습니다 우리가 묻지 않는 이해하시기 바랍니다 당신은 이것 하나를 할 수 있지만, 만약 당신이 여러 가지의 완벽한 조화를 원한다면 기계 학습으로 일하면서 이것으로 갈 수있는 도전의 유형 엔지니어 또는 데이터 과학자 또는 건축가 예 알다시피 검투사를 배우는 많은 기계 여기서는 새로운 제품이 아닙니다 상자 밖에서 생각하는 것은 어떤 모델입니까? 강력하고 누락 된 데이터는 모델이 범주 형 미래를 처리 할 수 ​​있도록합니다

알고리즘 자체에 대한 통찰력을 얻고 있습니다 프로젝트는 이미 UCI 가축과 모든 곳에서 사용할 수 있습니다 그것이 완료되고 무엇이 정확성을 향상시키는지를 통해 언제나 달릴 수 있습니다 그들이 취한 강요는 뭔가를 조금 만들었습니다 귀족 건축에서 괜찮아요

비록 당신이 그것을 언급하고는 있지만 그것은 문제가되지 않습니다 당신이 그것을 할 때 데이터 시각화 또는 정확성에 약간의 변화가있다 알고리즘의 선택 또는 무엇이든간에 당신이 어떤 느낌이 든간에 무엇이든 만들 수 있습니다 그것이 완료되었는지 확인 그래, 이건 그냥 당신이 가지고있는이 과정이 아니에요 그 안에서 많은 과정을하지만 정확한 것은 당신이하는 첫 번째 일은 당신과 같습니다 먼저 도서관을 가져올 것입니다

첫 번째 부분에 라이브러리를 추가 한 다음 데이터 세트를 입력합니다 그 후에 당신의 정화 stats는 모든 결핍 한 가치가있는 무엇이 거기있다 모든 것이 찰흙에 언급 된 모든 것을 복제한다 괜찮아요 당신이 알고있는 null 값을 버리는 것은 매우 중요한 역할입니다 그걸로 대체하고없는 경우 누락 된 값이있는 경우 번호가 중복되면 더 이상 찾을 필요가 없습니다

데이터 세트를 준비 중이며 사전 처리 과정을 이해하십시오 데이터 세트는 시간의 80 %를 차지합니다 대부분의 시간 데이터는 70-80 %입니다 과학자가 기계 학습을하고 너의 것이 레온 클렌징과 데이터 세트를 준비하고 모델을 테스트하고 모델을 배치하거나 배치는 다시 도전이지만 모델 테스트 및 모델 교육 완벽한 데이터 세트를 가지고 있지만 데이터를 준비하는 것이 그리 어렵지 않습니다 세트는 정말 힘들 네요

그렇다면 프로세스가 뭔지 알고 싶다면 그래 라이브러리를 가져온 다음 레이어 데이터를 입력 한 다음 데이터를 정리합니다 그런 다음 엄지 손가락 규칙을 훈련하고 테스트하기 위해 데이터 세트를 분할합니다 80/20이 될 것입니다 데이터의 80 %는 훈련 20 테스트에 대한 퍼센트를 입력하면 거기에있는 EDA 탐색 데이터 분석이 수행됩니다 귀하의 기능 엔지니어링과 모든 것을 제공하고 모델 테스트를 훈련하십시오 그러면 다시 앙상블 기법이나 다른 것을 사용하게 될 것입니다

그리고 나서 당신은 모델이 잘 수행하고있는 정확성을 생각해낼 수 있습니다 당신이 다른 도전을하는 것은 괜찮습니다 질문은 채팅 창에서 ping을 주저하지 말고 아무 것도 없습니다 옳고 그른지 또는 어리석은 질문이라고 불리는 질문 계속 가셔서 언제든지 저에게 물어보십시오 시작하기 전에 기계 학습에 철저한 지 확인하십시오

알고리즘 감독되지 않은 감독과 당분간 보강 예 당신은 숨겨진 마코프 모델처럼 보강을 만질 필요가 없습니다 몬테카를로 기술은 회귀 분류와 함께 갈 수 있습니다 감독하고 나서 그럴듯하게 감독되지 않은 예를 보자 알고리즘은 거기서 무엇을하는지 이해해보십시오 그것은 회귀 분석에 의해 분류가 무엇인지 또는 무엇이 주요인지를 의미합니다

사용 사례와 클러스터링이 어떻게 이루어 졌는지 여기에 아주 큰 이야기가 있습니다 Satish 나는 이것을 한 시간 만에 완전히 알 수 있다고 설명 할 수 없다 특정 세션은 당신이하지 않은 프로젝트에만 초점을 맞추기위한 것입니다 프로세스는 괜찮습니다 그래서 여기서 일어나는 일은 스카이가 무엇인지 이해해야한다는 것입니다

Caitlin은 파이썬에서 기계 학습 라이브러리이며 이후에는 이러한 모든 기본 단계를 수행하면 데이터 세트를 선택하여 작업 할 수 있습니다 그래서 이것들은 모두 데이터 세트 가용성입니다 UCI Kangol과 당신이 가지고있는 데이터를 github에는 많은 저장소가 있으며 많은 저장소가 있습니다 온라인에서 오픈 소스로 사용할 수 있지만 이것을 사용할 수는 있지만 CA와 Kangol 세 번째 것은 Godot에서 데이터를 내보내거나 데이터를 밖으로 말할 수 있습니다 또한 다양한 형식으로 많은 데이터 세트를 가지고 있습니다

좋아요 어떤 게임이든 나는이 게임을 말하는 것이 아닙니다 Moneyball 괜찮은 게임 당신은 탐험 데이터 분석 냄비에 많은 것들을 가지고 탐색 데이터 분석 부분은 매우 명확하게 이해됩니다 스포츠 좋아요 그래서 당신이 알고있는 어떤 스포츠라도 될 수 있습니다 Bihar는 당신이 축구를 취할 수 크리켓을 취할 수 Moneyball 경기 재생 언급 축구 당신은 당신이 원하는 무엇이든지 가져 가라

그러나 스포츠는 매우 크다 미래의 엔지니어링 기법을 이용한 탐구 데이터 분석의 이점 및 데이터 엔지니어링 기술을 매우 잘 이해할 수 있습니다 그것에 대한 깊이있는 지식 그래, 스포츠가 X 인 것을 본다 데이터 시각화를위한 온 디맨드 (on demand) 100 %라면 20 ~ 30 명이 시각화로 갈 것이라고 말하고 싶습니다 인간 창작자가 더 좋기 때문에 10 ~ 20 % 엑셀보다 오히려 이미지를 이해하면 엑셀 시트 나 TSV CSV를 볼 수 있습니다

우리는 항상 더 큰 방식으로 데이터를 시각화하기를 원합니다 이 데이터 시각화가 많은 데이터 세트에서 도움이되도록 확인하십시오 그러나 스포츠에서는 특히 당신이 알고있는 박스 플롯을 그릴 수 있습니다 히스토그램 차트의 종류 원형 차트 막대 차트 모든 종류의 작업을 수행 할 수 있습니다 당신이 할 수있는 일을하고 싶습니다

당신은 그것을 시각화 할 수 있습니다 당신의 데이터가 당신이 알고있는 놀라운 방식은 첫 번째 장소는 언제 당신이 데이터가있는 데이터 집합을 이해하면 데이터에 많은 진실을 말해줍니다 그 아래에 많은 기본 개념이 있으므로 어떻게하면 모든 것을 탐색해야합니까? sprinty 데이터 분석 시각화 및 모든 것을 사용하여 탐색 할 수 있습니다 이 모든 작업을 수행하면 데이터 구조를 볼 수 있습니다 예 제발 오케이 예를 말해주세요

오, 그래요 스크립트 G는 Shivaji Crick sheet에 IPL t20의 모든 CSV 파일이 있습니다 국제 경기는 당신이 가지고있는 모든 것, 당신은이 데이터를 가지고 있습니다 저기서 CSV로 다운로드하면 쉼표로 구분 된 값을 의미합니다 그것은 당신이 비교할 수없는 시트를 능가하는 박차 같은 것이지만, 그렇습니다

그것은 TSV와 같은 것을 가지고있는 엑셀 시트와 상당히 비슷한 것입니다 탭 구분 값과 모든 것 그래서 당신은 당신이 알 수 있습니다 원하는 형식으로 데이터 세트를 다운로드하면 바로 진행할 수 있습니다 그걸 시각화하다 네가 가질 수 없다면 그 일을 할 수 없다 당신은 꼭 가지고 있어야하는 데이터 셋입니다 중간에 데이터를 다루는 동안 당신이 전에 당신 때문에 프로젝트를 시작하면 수학 이해가 철저히 이루어져야합니다

기계 학습 알고리즘과 Python이 3 가지가 있다면 할 수있다 프로젝트 네, 다른 데이터 배포 기술에 대해 이야기하는 것이 아닙니다 불꽃 같은 Hadoop이나 플라스크 또는 Django 또는 AWS의 배포 단계입니다 그것에 대해 이야기하면서 프로젝트로 시작하려면 매우 철저해야합니다 수학이없는 수학 수학 여기서 아무것도 할 수 없다

수학을 이해해야한다 확률 통계 선형 대수학 및 미적분 통계 다음으로 시작할 수 있습니다 당신의 기계는 Python으로 알고리즘을 학습 한 다음, 이해가 문제가 비즈니스 성명을 선택 후 당신이 좋아 시작할 수 있습니다 프레젠테이션 PPD가있을 것입니다이 세션의 녹음 내용은 다음과 같습니다 항상 당신과 공유 할 수 있습니다

그래야 Moneyball을 즐기고 나서 예측할 수 있습니다 주가이기 때문에 조금 시간이 걸리기 때문에 이것이 중요합니다 시리즈 이벤트 이것은 당신이 아는 어떤 것도 가지고 있지 않은 것과 같습니다 그것은 바로 여기에서 멈춘다 ok 주가 예측은 이것이 무언가이다 모든 데이터 과학자를위한 재미있는 사명 학습 프로젝트 아이디어 특히 금융 도메인에서 온 사람이라면 금융 도메인에서가 아니라 괜찮습니다 그렇습니다

특히 그렇습니다 금융 도메인 C 주식은 주가 예측 시스템과 같은 것입니다 회사의 실적에 대해 배우고 미래 주가를 예측합니다 당신은 미래 주가를 예측할 것입니다 주식 가격과 관련하여 많은 어려움을 겪고 있습니다 이 데이터는 매우 세분화되어 있으며 다른 유형의 변동성 가격 지표와 같은 데이터 글로벌 거시 경제 지표 펀더멘탈 지표와 모든 것을 포함 할 수 있습니다

괜찮아요 좋아,이게 전부 들리는거야? 좋아, 주식 시장 데이터로 작업하는 것에 대한 가장 큰 장점 중 하나는 금융 시장은 더 짧은 피드백 사이클을 가지고있다 우리의 데이터 과학을 사람들이 알고 있다는 사실을 확인하고 있습니다 새로운 데이터에 대한 예측 당신은 활발한 기초 위에서 새로운 데이터를 얻고 있습니다 그래서 주식 시장 데이터로 작업하기 시작하면 간단한 기계를 선택할 수 있습니다

예측과 같은 학습 문제 또는 6 개월 또는 6 개월 예측 너 같은 근본적인 지표를 기반으로 한 월간 가격 변동은 매년 분기 별 보고서를보고하는 조직의 분기 보고서 UCI 에서뿐만 아니라 많은 주식 시장 옵션을 다운로드하십시오 quand elle comm 당신은 qu a와 DL calm을 알고 있거나 당신은 quanto pn calm을가집니다 스캔들과 퀀텀 피아노는 완전히 당신이 아니에요 주로 금융 도메인에 초점을 맞 춥니 다 당신은 시계열이 어떻게 변하는지를 이해하는데 많은 장점을 많이 가지고 있습니다

좋아, 양적 가치 투자가된다 통계적 arbitraged 예보 그래서 이들은 모두 매우 유용합니다 그래서 당신은 주식 시장과 함께 매우 잘 이해하고 실무 지식을 가지고 있습니다 금융 시장은 피드백주기가 짧다는 데이터 이 툴과 튜토리얼을 모두 사용할 수 있습니다 파이썬은 투자에 대한 대출을 요청합니다 예, 데이터 분석에 사용할 수 있습니까? 모든 것과 내가 전에 Crandall quanto pian으로 말했듯이 근본적인 아카이브 이들은 Excel 형식으로 다운로드 할 수있는 많은 데이터 소스를 제공합니다

CSV TSV 형식은 원하는 형식으로 할 수 있습니다 그런 다음 신경망을 가르치십시오 예 이것은 제가 아닌 것과 같습니다 고급이라고 말하지만 기계 학습에 능숙해야합니다

개념을 신경 네트워크 깊숙히 파고 들기 전에 폭스의 미적분 부분에 대한 많은 지식이 필요합니다 그라디언트 강하 발견 최적화로 최적화에 대한 철저한 지식 역 전파와 편미분 미분을하는 법 미적분학 그래, 수학의 그 부분은 매우 강하다 당신은 신경 네트워크가 무엇인지 이해할 수 있습니다 뉴런은 활성화 기능을 수행합니다 당신은 그것을 시작할 수 있습니다

그러나 이것은 당신이 조금 알고있는 것처럼 보입니다 아주 좋아 좋아,이 깊은 학습과 신경 네트워크를 이해하시기 바랍니다 이미지 인식 자동 텍스트 생성 자체 구동에 중요한 역할을 함 당신이 알고있는 차들과 이것들로 일하기 시작하는 대신에 괜찮은 차들 간단하고 관리하기 쉬운 데이터 세트로 시작해야하는 영역 항상 현대의 국립 연구소입니다 em 목록에 파고 알아보십시오 기술의 일부 현대 국립 기술 연구소는 그들이 가지고있는 곳 1 만 5 천 개 정도의 자필 자국이 주위에있다

백 십 자리 괜찮아 그래서 제로 하나는 당신이 아는 많은 사람들이 썼습니다 필기체이므로 시스템이 제로인지 또는 제로인지를 식별해야합니다 2, 3, 4 번 괜찮아요 함께 일하기가 어렵습니다 초급자로서 평면 관계형 데이터를 통한 이미지 데이터가 필요합니다

항상 픽업하고 해결하기를 제안한다 그래서 당신은 이해하기 쉽고 저명한 데이터를 가지기에는 너무 작아서 적합하지 않습니다 초보자 친화적 인 PC 메모리에서 GPU를 사용할 필요가 없습니다 또는 Linux 또는 Windows와 정상적으로 할 수있는 모든 작업 okay 및 all 동시에 손으로 쓰는 숫자 인식이 당신에게 도전 할 것입니다 좋은 정확성을 얻기 쉽거나 아주 좋은 입장을 취하는 것

이런 종류의 사면 암묵은 정말로 당신이 어떻게 신경망은 무슨 일이 일어나고 있는지 말하고 레이어와 모든 것들이 괜찮 았기 때문에 튜토리얼이라는 것이 있습니다 미국 국립 표준 기술 연구소 (US Institute of Standard and Technology) 손으로 쓴 데이터의 이미지로 인해 70,000 개의 이미지가 만들어졌습니다 필기를 이해하거나 그것이 필적인지 여부를 식별하는 데 사용할 수 있습니다 하나 둘, 셋, 넷, 알았어, 알았어, 이거 엔론 조사 야 얼마나 많은지 모르겠다

당신의 사람들은 당신이 알고있는 것을 그려야합니다 회사 알았어 당신이 알고있는 회사 야 나는이 회사가 무너 졌다고 말했을 텐데 좋아, 그럼 여기서 일어나는 일은 당신이 이런 종류의 프로젝트에 올바른 데이터가 있는지 확인하십시오

추운 남자를 얻는 것은 나의 소년이다 그것은 나를 위해 코트를 잠시 마시고있는 okay 이리 알았어 이제 괜찮아 질 것 같아 좋아, 들어가기 전에 괜찮아 오,이 데이터 세트는 Udacity에서 사용 가능합니다

모든 코드가 있습니다 당신은 github 저장소에서 그것을 발견 할 수 있다는 것을 알고 있습니다 우리는 당신이 알고 있거나 기본적인 프로그래밍과 기본적인 것을 수학과 모든 것을 이해하면 괜찮아 질거야 이것은 기술적으로 사기 행위를 조사하는 것과 같습니다 사기의 조사는 데이터 세트의 배경이 좋아 보이는 것을 알 수 있습니다

Enron 전자 메일과 재무 데이터 세트를 사용하면 전자 메일임을 알 수 있습니다 Tran 당신은 그들의 재정적 인면에서 그들이 가진 대화가 Energy Commonity 인 Enron Corporation과 관련된 정보 미국에서 회사가되었고 실제로 2001 년 12 월에 파산했습니다 사기성 비즈니스 관행 그들은 많은 사기 행위를하고있었습니다 사업 관행에 대해서는 합법적이지 않습니다 우연히 회사의 붕괴가 일어났습니다

연방 에너지 규제위원회 (Federal Energy Regulatory Commission)는 거의 1 천 6 백만 달러 엔론 경영진이 보내고받은 이메일은 다음과 같습니다 2000 년에서 2002 년 사이에 알았어 그들은 모두 고위 간부 야 잘 모르겠다 하워드가 밝혀졌지만 당신은이 연방 에너지 규제를 압니다 연방 통신위원회 (Commission)가 160 만개 이상의 이메일을 보내고 받았다

Emraan 또는 Enron 회사의 최고 경영자를 2000 년부터 알고 있습니다 2002 년까지 그들은 불만이 많았습니다 이메일의 민감한 특성에 관한 수많은 불만들 후에 우연히 발견 된 것입니다 이메일로 보내지 만 이제는 일반인이 사용할 수있는 것은 단지 50 만 개입니다 당신이 거기에서 알고 있었던 나머지는 거대한 거대한 것이었다 조사가 진행 되었기 때문에 공개되지 않아야한다는 것을 알았습니다

계속해서 그들은 부츠를 제거하지 말라고 말했고 하루의 감각과 그들이 가지고있는 이메일의 성격을 고려한 후 모든 것을 제거했으며 현재 사용 가능한 데이터는 05 백만입니다 알았어 이메일과 재무 데이터 메타 데이터가 포함되어 있으면 메타 데이터가 있습니다 메타 데이터 메타 데이터 인 일부 데이터에 대한 정보 각 개별 재무 정보에서 수신 한 번호 그들의 급여를 포함하여 당신을 포함하여 스톡 옵션 모든 것이 개발되고 관심있는 사람을 식별 할 수있는 모델을 사용해보십시오

데이터를 통해 해당 데이터 내에서 그 사람의 관심사를 찾을 수 있습니다 조금은 괜찮 았어 일종의 관심사 또는 궁극적으로 오라클을 시도한 개인은 사기로 코드를 시도했습니다 Enron 수사의 범죄 활동으로 그들 또는 몇몇 최고 경영진은 괜찮습니다 그래서이 프로젝트는 주로 이 프로젝트의 목적은 컴퓨터 학습 모델을 만들어서 이해 관계가있는 다른 사람을 분리해라 그건 우리가 부르는 것이다

당신은 또한 당신이 선택할 수있는 텍스트를 포함 할 수 있습니다 이메일 또는 음식 내 분류자를 사용하는 대신 메타 데이터를 사용할 수 있습니다 이메일과 금융 정보를 사용할 필요가 없습니다 NLP에 들어가는 텍스트 네, NLP를하고 싶지 않다면 괜찮아요 메타 데이터 정보를 얼마나 많은 남성이 얼마나 많은 남성이 사라 졌는지 확인하십시오

그들이 당신이 알고있는 스톡 옵션이 무엇인지에 대한 급여가 무엇이라고 대답했습니다 거래되어서 이것들은 모두 메타 데이터이므로 재무 Enron 날짜에 대한 조사의 궁극적 인 목적은 정보이므로 어떤 종류의 사기 사례를 예측할 수 있는가? 사업에 안전하지 않은 관행은 물론 그렇습니다 우리는 거기에서 처벌받을 수 있고 무고한 사람들도있다 이 큰 음모 안에 괜찮아 그래서 여기서 기계 학습은 세상 끝을 더 이상 약속하지 말자

엔론에 대해 많이 말할 수는 있지만 처음부터 시작하겠습니다 당신은 당분간 당신이 비정상 탐지 소셜 네트워크를 할 수 있다는 것을 압니다 NLP 분석을 원할 경우 여기에서 데이터 세트를 찾을 수 있습니다 오른쪽에서 알고리즘을 처음부터 모든 것을 가지고 있지만 참조하십시오 github에는 약 50,000 또는 60,000 코드가 충분합니다 당신은 단지 복사 / 붙여 넣기를하지만, 그렇게하지 마십시오

언제나 참조 할 수 있지만 코드를 하드 코딩했는지 확인하십시오 당신이 철저한 지식을 가지고 있지 않는 한 코딩에 대해 붙여 넣기를 복사하지 마십시오 파이썬을 배우기 전에 항상 코딩을 할 때마다 항상 그렇듯이 당신은 아주 좋은 수학 능력을 가지고 있다면 당신은 아주 좋은 수학 능력을 가지고 기술을 배우고 기계 학습 알고리즘에 대한 사명을 이해하면 파이썬으로이 모든 것을 할 수 있고 항상 뭔가를 선택하십시오 선형 회귀와 마찬가지로 분류 나 회귀와 같이 매우 쉽습니다 또는 로지스틱 회귀 및 괜찮아요

그런 다음 연습을하게되면 전체 시스템이 어떻게 작동하는지 이해하게 될 것입니다 당신이 그것을 더 취할 수 있도록 작품은 로지스틱 회귀 또는 릿지입니다 정규화 매개 변수를 추가하거나 모든 작업을 수행하여 회귀 분석 기스로부터 얼마나 많은 노드가 나에게 알려주 었는지이 시점에서 의심의 여지가 있습니까? 추론을 의미하는 통계 확률 통계가 필요합니다 통계 및 기술 통계 확률 선형 대수학 미적분학 그것은 미적분학과 미적분학에 초보자가 아닙니다 데이터 과학 기계 학습 프로젝트의 초보자이므로 D로 초보자를위한 것이 아니라는 것을 이미 알고 있습니다

너는 네가 알고있는 것을 알았을 것이다 그들은 기계에서 학습하는 것이 아니라 기계에서 학습하는 것에 대해 이야기하고 있습니다 학습 – 괜 찮 아 요 광업 소셜 미디어 감정이 정말 좋다 실제로 여기서 일어나는 일이 소셜 데이터는 우선 많은 장점을 가지고 있습니다 많은 통찰력을 얻을 수 있습니다 당신은 그것이 긍정적이든 혹은 중립적이든 당신이 얻는 제품을 출시합니다

귀하의 제품에 대한 리뷰를 얻을 수 있으며 75 %의 사회적 데이터 분석을 사용하지 않는 마케팅 판매 회사는 오랜 시간 동안 성공 했어 그게 바로 그거야 소셜 데이터는 마케팅에 정보를 제공하는 것이 아니라 사업 괜찮아요 당신의 고객 목소리가 있다면 당신은 정말로 나쁜 고객의 목소리를 통찰력을 얻을 수 없습니다 좋아, 그럼 어떻게하면 검은 브랜드와 모든 것을 구축 할 수 있겠는가? 이 데이터에서 발견 된 것은 비길 데없는 것과 같습니다 내역 및 실시간 대화 데이터 제품과 모든 것, 아마존 하나의 제품이 내가 원하는 것을 얻고 싶다면 2,500 개의 리뷰가있다

그것으로부터 통찰력을 얻으면 당신은 2,500 자 또는 코멘트를 읽을 수 없으며 통찰력을 얻습니다 맞아, 그렇게 할 수있는 시스템이 필요해 네가 가면 네가 할 수있어 이 소셜 미디어 감정 분석을 우리는 그것을 감정 분석이라고 부릅니다 일반적으로 이것을 기반으로 사용할 수 있으므로 기술적으로 미국에 본사를 둔 1,000 명이 넘는 마케팅 디렉터가 있습니다

주제 1에 제공된 입력과 비슷하다고 말합니다 이 조사 결과가 사업에 실제로 큰 영향을 줄 수 있음을 알고 있다고 생각하십시오 아무것도 될 수있는 페이스 북이 되라 무엇이든지 완벽한 장소가 될 수있다 당신이 알고있는 변화하는 통찰력을 발견하기 위해 고객은 전체 비즈니스에서 많이 바뀔 수 있습니다

전체 비즈니스 모듈이 알 수있는 단 하나의 비즈니스가 변경 될 것입니다 어느 정도까지는 API에 대해 걱정할 필요가 없습니다 Kaggle과 CA에서 사용할 수있는 데이터 세트 머리를 잡거나 잡아라 당신은 트위터를 어떻게 만들어야하는지 이해할 수있다 API와 연결하는 방법을 쌍으로 한 다음 계속 해보 라

오, 내가 문제를 일으킬거야 이 짹짹의 증오 발언을 감지하는 것과 같다는 것을 이해하십시오 당신은 증오 연설을 식별하고 탐지해야하는 트위터 계정을 가지고 있습니다 트윗이 적개심이나 증오심 표현을 포함하고 있다고 말하면 아마도 일종의 인종 차별 주의자입니다 공격 또는 그와 관련된 여하 한 감정을 트윗의 인종 차별적 공격이거나 정상적인 것입니다

정상 분류가 가능하므로 라벨이있는 트윗 샘플을 사용할 수 있습니다 너는 인종 차별적 인 공격을 알고 너는 인종 차별적이지 않은 짹짹이있어 귀하의 목표를 공격 여부 주어진 데이터 세트에 레이블을 예측하는 것입니다 인종 차별적 인 트위터이거나 그냥 평범한 대접이야 내가 너에게주는 한 가지 예일 뿐이야 당신이 짹짹 사전 처리 및 청소해야 할 예를 많이 가지고 심지어 NLP는 많은 사전 처리 기술과 깨끗한 클렌징을 가지고 있습니다

기술을 사용하면 트위터 핸들을 제거해야합니다 해시 태그와 모든 것이 우리에게 좋지 않은 모든 것을 아는 속도 구두점 번호 제거 특수 문자 제거하기 NLP의 특정 절차가 있다는 것을 알고 있습니다 요소 이해 당신은 모든 것을 이해할 수 있도록 중지 단어를 제거합니다 이 데이터 세트에 들어가기 전에이 데이터 세트는 정말 좋은 데이터 세트입니다 전체 비즈니스 모듈 또는 제품 또는 프로세스에 대한 이해 사업을 위해 건강 관리 의료 AI 장소에 오셔야합니다

매우 중요한 역할을 할 수 있습니다 그러면 빠르게 변화 할 것입니다 내가 건강 관리라고 말할 때 의사를 대신 할 수는 없다는 것을 이해하십시오 어느 시점에서든 의사를 대신 할 것은 아닙니다 전문가의 조언 그것은 예를 들어 나는 모든 사람들로부터 제게 조언을 듣고 배웠습니다

그게 그 것입니다 그것이 차트 채팅 봇을 만들 수 있다고해도됩니다 심지어 당신이 많은 이미지 인식 개체를 가지고 마약 발견을 구축하십시오 이 세포가 암 세포인지 아닌지를 확인하는 인식 EMR 전자 의료 기록은 핵심 건강 관리를 잘 알고 있습니다 기계 학습에 사용할 수있는 데이터 세트를 선택할 수 있습니까? 당신이 원하는 것을 원하는대로 여기에 괜찮을거야 그래, 그것은 예방 치료 진단 영역도 보험 부문이 있는지 여부 사람이 청구 할 것인지 또는이 사람이 알고 있는지 여부를 알 수 있는지 여부 이 특별한 질병을 갖게되면 건강을 얻는 기회는 무엇입니까? 데이터 또는 정부가 목표로하는 가장 큰 데이터 인 정부 인구에 걸쳐 건강 증진을 위해 인간 사망률을 확인하십시오

보험 공급자 및 지불 데이터 생명 과학 데이터가 많은 경우 심지어 MRI 데이터가 필요한 경우에도 특정 데이터를 가질 수 있습니다 Alzheimer neuroimaging 당신은 생명 과학을위한 많은 데이터 세트를 가지고 있습니다 건강 관리 및 의약품을 제공하므로 이러한 데이터 세트를 사용하여 가장 큰 AI를 사용하여 의료 AI가 어떻게 진행하고 있는지 여기에서 이해할 수있는 중요한 사항과 데이터 세트가 많을 까 걱정합니다 병원 데이터 세트 고객 오크가있는 데이터 세트 미안 여기에 많은 질문을합니다 진행하기 전에 의심의 여지가 있습니다

기술을 향상시키기위한 목적으로 만 사용하면 도움이 될 것입니다 귀하의 이력서의 상세한 포트폴리오를 준비하십시오 프로젝트 및 당신은 당신의 기술을 잘 나타낼 수 있습니다 이 프로젝트가 당신에게 유망한 방법을 제공하는 데이터 과학을 이해하시기 바랍니다 어떤 분야에서든 당신의 경력을 시작할 수 있습니다

그것을 적용하여 데이터 과학뿐만 아니라 당신은 이러한 프로젝트가 도움이 될 프로젝트를 얻을 당신은 이력서에 당신의 기술을 보여줄 수 있습니다 그리고 요즘에는 채용 담당자가 평가합니다 그의 작품으로 잠재적 인 후보자와 제발 강조하지 말아주세요 인증은 귀하가 제품을 구입할 때 강조 할 필요가없는 것과 같습니다 인증은 가능한 한 많이 시도하고 표시해야합니다 당신이 무엇을했는지 말하기보다는 당신이 한 일을 보여주십시오

모든 일이 다 끝났어도 문제가되지 않는다 너는 그것들을 보여줄 것이 아무것도 없다 그것이 대부분의 사람들이하는 곳이다 투쟁과 밖으로 놓치지 마라 당신은 전에 여러 프로젝트에서 일했을지도 모른다

그러나 만약 당신이 그것을 지구상에서 어떻게 설명하기 쉽도록 만들 수 없으면 누군가 당신이 할 수있는 것이 무엇인지 알기 때문에 설명 할 수 있어야합니다 너는 이걸 통해 너가 한 모든 일들을 그들에게 보여줘야 해 프로 시저이 알고리즘이 메트릭 만 다음 사람들이 이해할 것입니다 이 모든 것이 프로젝트가 시간을 생각하는 데 도움이 될 것입니다 당신은 당신의 교육 세션처럼 당신이이 프로젝트에 쏟을 것입니다 훈련을 받으면 연습하는 데 더 많은 시간을 할애 할 수 있습니다

더 나은 데이터 과학자를 훈련 시키면 괜찮을거야 우리가 당신과 함께 당신을 제공했는지와 같이 다른 도메인의 문제는 시작해야합니다 엄청난 양의 데이터를 사용하여 아주 작게 시작한 다음 대용량의 데이터이므로 대용량 데이터 세트가 포함되어 있으므로 큰 알았어 괜찮아 괜찮아 나는 초급 수준의 중급 수준과 고급 수준의 초급 수준에 해당합니다

이는 데이터 집합으로 구성됩니다 작업하기가 쉽고 복잡하지 않아도됩니다 CNN 시간과 같은 아키텍처는 기본 회귀 분석을 사용하여 해결할 수 있습니다 분류 알고리즘을 사용하면 이러한 데이터 세트가 충분히 열려있어 너가 달릴 때 github에 도움을 너는 온라인 과정을 또는 또한 가지고 갈 수 있는다 교실 세션도 어떻게 작동하는지 이해하고 확인할 수 있습니다 동영상을 많이 재생하면 초급부터 시작할 수 있습니다

당신이 이미 중급 수준 인 단어들을 다 읽은 적이 있다면이 경우 레벨은 본질적으로 더 도전적인 데이터 세트로 구성됩니다 이 데이터 세트가 1 ~ 2 일 안에 작동하지 않아야합니다 완전한 일을 이해하기 위해 일주일이나 열흘 동안 중대 규모의 데이터 세트가 포함되어있어 심각한 패턴이 필요합니다 인식 기술 미래의 엔지니어링은 깊이에 있어야합니다 제한이 없습니다 ML 기술의 사용은이 기계 학습하에있는 모든 것이 될 수 있습니다 괜찮아요

일단 인턴쉽을 받으면 그걸 했어요 그리고 모든 것은 경험을 그때 당신은 고급 수준으로 이동 이것은 실제로 신경과 같은 고급 주제를 이해하는 사람들에게 가장 적합합니다 네트워크 심층 학습 추천 시스템 당신은이 숨겨진 마르코프를 안다 모델 및이 모든 데이터 세트는 고차원 데이터 세트로 많이 포함되어 있습니다 미래의 데이터 또한이 또한이 사실을 알기 위해 많은 시간이 필요합니다

창의력을 좋게 만들고 창조성이 거의 없다는 것을 이해하십시오 약간의 데이터 과학자들이 자신의 작업과 인용문을 함께 가져와야합니다 그걸로 알았어 네가 이걸 알거나 몇 가지 예를 든 것 같아 초급 수준의 데이터 집합에 대해 이야기했는데 시간 시리즈를 알고 있습니다

그것은 당신이 그것을 취할 수있는 주식 예측이고 만약 당신이 중급 수준으로 이미이 튜터와 함께 센터에 들어갔습니다 감정적 인 분류 당신이 알고있는 이것과 함께 고급 이동하려는 경우 신경 네트워크 종류의 일 이니 그것은 당신의 선택이지만 시작입니다 천천히 다음 얼굴에 이동 데이터 과학 아닙니다 하룻밤 사이에 할 수없는 스프린트 녀석이거나 아니면 한 달 넘어야한다 점차적으로 향상되면 정기적 인 연구를하면 3-6 개월이 걸립니다 좋은 질문이나 질문이 있으시면 알려주세요 나는 그 대답에 기쁜 것보다 더 행복 할 것이다

좋아, 더 이상 질문하지 않아도된다 몇 가지 질문이 있으시면 언제든지 우편으로 보내주십시오 뭔가 잘못 됐어 항상 괜찮아 질거야 감사합니다

즐거움에 동참 해 주셔서 감사합니다 언제든지 이메일이나 알림을받을 수 있습니다 당신은 어떤 질문을 주저하지 말고 이메일에 도달하려고 시도하십시오 우리는 어떤 방식 으로든 당신을 돕기 위해 기꺼이 돕겠습니다

Introduction to Tensorflow & Keras for Deep Learning with Python (3.2)

안녕하세요, Jeff Heaton입니다 Deep Neural Networks의 애플리케이션에 오신 것을 환영합니다

워싱턴 대학 이 동영상에서는에 대한 소개가 있습니다 TensorFlow와 Keras를 살펴보고 TensorFlow를 사용하는 방법을 살펴 보겠습니다 수학적 계산을 직접 수행하고 Keras가 낮은 수준의 TensorFlow 컴퓨팅 엔진 위에있는 신경 네트워크 계층 를 위해 AI 과정 및 프로젝트에 관한 최신 소식은 SUBSCRIBE와 BELL 옆에 있습니다

모든 새 비디오에 대한 알림을받을 수 있습니다 TensorFlow와 Keras는 TensorFlow가 CPU, GPU 및 그리드에 대한 액세스를 제공하는 저수준 수학 라이브러리 컴퓨팅 기능과 Keras는 당신에게 높은 수준의 추상화 기능을 제공합니다 이러한 수학적 구성을 신경망으로 생각하십시오 나는 너에게 약간 연결을 준다 여기서 TensorFlow를 다루는데 유용한 다양한 위치를 가리킨다 Keras

가장 먼저해야 할 일 중 하나는 TensorFlow와 Google의 다른 버전이 많이 있습니다 (또는 경우에 따라 변경 될 수 있음) 매우 똑똑한 사람들이 많이 일하고 있습니다 TensorFlow는 API가 있어야하며 API가 무엇인지에 대해 매우 잘 알고 있습니다 서로 다른 파벌이 승리하고 각각의 전투를 잃고 파산합니다 변경 사항은 API에 발생합니다

새로운 변화는 새로운 버전이 기본적으로 이전 버전 용으로 작성된 이전 코드가 작동하지 않습니다 그들 사물의 이름을 바꾸십시오 그들은 사물의 자본화를 바꿉니다 많은 조금은 때로는 많이, 조금 성가신 것, 때로는 큰 구조로 변경 사항이 있으므로 TensionFlow 버전을 실행하는 것이 중요합니다 이 클래스에 대해 지정됩니다

이 비디오는 TensorFlow 20으로 녹음되었습니다 이 비디오가 녹화되면서 개발 단계에있었습니다 하지만 네가 가진만큼 버전은 20 이상입니다

강의 비디오를 업데이트 할 예정입니다 다른 부품, 결과로 무언가가 깨지는 경우 최신 TensorFlow 그래서 당신은 이것을 간단히 실행할 수 있으며 버전을 보여줍니다 네가 가진 것이 네 이제 TensorFlow를 설치하면, 저는 Windows에서 TensorFlow를 설치하는 방법에 대한 전체 비디오를 가지고 있습니다

Mac 용 또 다른 비디오 TensorFlow를 CPU와 함께 설치하면 문제가 해결됩니다 정말 좋은 성능을 GPU와 GPU를 사용해야합니다 GPU의 종류 실행될 과제 및 예제 중 일부 클래스에서 GPU가 필요하고 CPU에서 실행되지만 느려질 것입니다

GPU는 세계에서 가장 쉬운 것이 아닙니다 아마 비디오를 보겠습니다 대부분 개인적으로 GPU를 클라우드에서 깊게 학습합니다 내가 갖고 있지 않은 곳 모든 하드웨어 드라이버 및 기타 사항을 설치하지만 확실히 가능할 수 있습니다 끝난

이 수업에서 특히 과제 및 파트에 대해 권장하는 것은 무엇입니까? 이 수업에서 GPU가 필요한 것은 Google CoLab입니다 Google CoLab은 클라우드 기반의 Python이나 다른 어떤 것도 설치할 필요가 없습니다 완전히 온다 갈 준비 첫 번째 모듈에서 사용 방법에 관한 동영상이 있습니다

이 수업과 함께 Google CoLab을 살펴보고 첫 번째 주제에서 학급회의 그래서 이것은 아마도 실제로는 권장되는 방법 일 것입니다 모든 예제를 실행하고 과제를 완료하려면 Google CoLab을 사용하십시오 12 기가비트의 RAM이 있다고 믿는 듀얼 코어의 강력한 인스턴스입니다 및 GPU

너는 그걸 이길 수 없어 그게 내 추천 경로 야 이 수업을 듣기 위해 TensorFlow를 선택한 이유는 무엇입니까? TensorFlow는 Google에서 지원하며 Google Google에서 우수한 지원을 제공합니다 클라우드에는 훌륭한 CPU가 있습니다 CPU 및 GPU 지원은 파이썬에서 제공됩니다 파이썬 매우 빠른 속도로 일종의 상위 레벨이되었습니다 기계 학습 및 인공 지능을위한 언어 파이썬을 배우면서 잘 돌아 왔습니다 Keras 및 Python을 통한 심화 학습 학습 이제 너

TensorFlow를 직접 사용할 수 있으며 사용자 정의 유형을 작성하는 경우 기계 학습 모델, 그 길을 갈 수도 있지만,하지만 크게 방법 이 방법을 사용하려면 Keras를 통해 깊이있게 만듭니다 꽤 쉽게 배우기 쉽고 실제로 많이 배우지는 않습니다 단점이라면, 당신이 진정으로 기본 뉴런 네트워크의 계산, 그리고 나서 당신은 TensorFlow와 다른 깊은 학습 도구가 있습니다 여기에 나열되어 있습니다 특히 Java DeepLearning에 관심이 있다면 4J는 분명합니다

하나는 H2O로, TensorFlow는 적어도 이전 버전에서는 매우 그래프 지향적이어서 나중에 계산할 수 있습니다 큰 일은 TensorFlow 20은 당신의 실행으로 많은 변화를 일으켰습니다 많은 TensorFlow를 사용하기 전에 걱정하지 않으셔도됩니다

완전히 바뀌었다 어쨌든 이렇게, 이것은 당신을 위해 준비가 될 것입니다 최신 버전이며 Tensor Board를 통해 시각화에 도움이됩니다 당신이 만드는 신경 네트워크 우리는 어떻게 사용하는지 살펴볼 것입니다

TensorFlow를 직접 사용하면이 작업을 진행할 것입니다 이 비디오 나머지 동영상은 Keras에 완전히 포함될 것입니다 할 일은 만델 브로 트 음모라고하는 무언가를하는 것입니다 여기에서 볼 수 있습니다

만약 Mandelbrot 's와 함께 일해 본적이 있습니다 본질적으로 당신이 가지고있는 그 고전적인보고 음모 이 세트는 방정식, 매우 간단한 방정식으로 줌을 계속할 수 있습니다 이 영역은 거의 무한합니다 그리고 당신이 여기서 확대 할 수있는 아주 멋진 종류의 토지 탈출

기본적으로 Mandelbrot 플롯을 작성하는 코드를 작성했습니다 그것은 매우 간단합니다 그것이 만델 브로를 생산하는 코드입니다 기능 프랙탈 디스플레이 프랙탈 그것이 실제로 끝난 후에 실제로 사용됩니다

렌더링, TensorFlow에서 실제로하는 일은 우리가 본질적으로 정의하는 것입니다 복잡한 숫자 인 것처럼 복잡한 비행기이기 때문에 전체 비행기를 가로 지르는 만델 브로트 그리고 저는이 사실을 실제 상황에 적용하지 않을 것입니다 수학 및 만델 브로트 (Mandelbrot)에 관한 내용이 있지만 여기에는 많은 자습서가 있습니다 그리고 우리는 본질적으로이 전체 비행기 전체를 ​​훑어 보며, 우리는 200 그것의 iterations 그래서 그것이 그려진 때마다 200 회 그려집니다 약간 그려집니다

조금 낫지 만 반복되는 과정이므로 매번 이것은 Tensor로 보내집니다 처리를 위해 FPU를 GPU와 네가 원한다면 너무 빨라 정말 네가 필요 없어 이를 위해 실제 GPU가 필요하지 않습니다 CPU만으로도이 작업을 수행 할 수 있습니다 본질적으로 방정식은 실제로 계산되는 방정식입니다

만델 브로트 (Monelbrot)를 음모를 꾸미십시오 끝까지 진행하면서 이걸 실행하면 볼 수 있습니다 실제로는 매우 빨리 진행됩니다 이제 좀 더 정확하게 보도록하겠습니다 여기서도 TensorFlow를 직접 사용하여 여기에 두 개의 행렬을 만듭니다

그래서, 이것들은 실제로 벡터입니다 여러분은 이것을 행 행렬이라고 부를 것입니다 이것은 행렬입니다 왜냐하면이 행렬은 두 개, 두 개의 값 그것들은 서로 겹쳐서 행렬 곱셈을 할 것입니다 행렬 1에 의한 행렬 2 그리고 우리는 그것을 출력하고 여기서 결과를 볼 수 있습니다

행렬이 곱해지고 결과가 12가됩니다 당신이 주위에 텐서 장식을 느끼지 않도록 그것을 float로 바꾸십시오 그것들은 두 개의 상수였습니다 그래서 그것은 일정한 상수였습니다 당신을 말할 수있다 이것은 모두 매우 선형 대수학입니다

이제 우리는 두 가지 변수를 수행하고 있습니다 빼기, 상수로부터 변수를 뺀다 그리고 우리는 기본적으로 -2 음수, 1 행 행렬을 얻는 것을 볼 수 있습니다 Ee는 이제 X를 재 할당 할 수 있습니다 X가 변수이므로 재 할당하면 우리는 기본적으로 그 계산을 다시 계산하여 다른 가치

이것이 바로 함수입니다 이것은 빌딩 블록입니다 신경 네트워크가 구축되고 TensorFlow Keras를 사용하면 우리가 전에 가지고 있었던 것처럼 신경 네트워크의 층에 대해 생각하면 우리는 갤런 당 데이터 세트 인 클래식 데이터 세트를 사용할 것입니다 이것은 우리에게, 그 데이터 세트는 우리에게 다양한 자동차에 대한 통계 또는 계산을 제공하고 갤런 당 마일이 필요하므로 실린더 수를 사용하는 모델을 만드는 것이 좋습니다 차량에 대한 변위 및 기타 통계는 실제로 당 마일을 제시합니다

갤런 그래서 여기에서 우리는 기본적으로 읽을 모델을 만듭니다 갤런 당 자동차 마일에서 우리는 자동차 이름을 계속 지킬거야 그들 자신은 자동차의 이름은 예측할 수 없다 그들은 자동차 이름 일 뿐이다

마력에는 빠진 값들이 있으므로 우리는 중앙값 우리는 전에 이걸 보았습니다 그리고 나서 X와 Y 축을 예측 변수로 만듭니다 그래서 우리는 실린더, 변위, 마력, 중량, 가속도, 연도 및 원산지, 어떤 나라에서 생산 되었는가? 갤런 당 마일을 예측하려고합니다 그래서 이것은 당신의 X입니다

예측에 사용 된 값과 Y는 실제로 예측 한 값입니다 그리고이 Keras가 실제로 보이는 것입니다 Sequential을 만들면됩니다 순서대로 진행되는 레이어, 일단 우리가 첫 번째 밀집한 레이어를 만들면 밀집한 레이어 단순히 첫 번째 레이어의 모든 뉴런이 다음 레이어에 연결되는 레이어 일반적으로 레이어가 실제로 작동하는 방식은 매우 일반적입니다 특히 우리가 가진 것처럼 표 형식의 데이터를 위해

이제 우리가 얻을 때 이것은 다를 것입니다 이미지로 입력 된 치수는 X 모양이므로 이 X가있는 열의 수는 0이 될 입력 값입니다 하나의 행이 얼마나 많은 행인지를 나타냅니다 활성화가 정류 됨 선형 단위이고 우리에게는 25 개의 뉴런이 있습니다 우리는 다음 숨겨진 레이어에 10을 가지고 있습니다

우리가 가지고있는 입력이 얼마나 많은지 말할 필요가 없습니다 기본적으로 25부터입니다 이전 계층 및 활성화 또한 행 출력은 1에 불과합니다 회귀 신경망의 경우 출력은 항상 1입니다 회귀 신경망 당신은 항상 평균 제곱 오차가 귀하의 손실입니다

일반적으로 Atom을 사용할 최적화 프로그램입니다 이 수업에는 우리가 곧 볼 수있는 다른 것들은 우리가 가고자하는 것들에 맞습니다 100 신기원에 맞춰야합니다 신경망이 훈련되는 시간은 얼마입니까? 에 대한 우리가 얼마나 많은 것을 결정할 수 있는지는 나중에 알 수있을 것입니다 신기원은 실제로 충분합니다

Verbose는 우리가 갈 때 데이터를 출력하는 것을 의미하며, 실행하면 우리는 손실이 계속 될 때 축소되는 것을 볼 수 있습니다 점점 더 효과적입니다 이것이 바로 위에있는 장황한 가치입니다 그렇게하면 데이터의 양을 제어 할 수 있습니다 화면에 덤핑

지금은 특히 여기서는 좋지 않습니다 백은 아마 충분하지 않을 것입니다 실제로 이것은 꽤 좋은 예측을 얻고 우리는 평균 제곱근 평균 오차, 24 믿음이 특히 좋지 않음 갤런 당 마일이 그 범위이기 때문에 그렇게 할 수 있습니다 이것은 당신이 재교육 할 수있는 드문 것이 아닙니다 그것은 당신에게 더 나은 것을 줄지도 모릅니다

결과 그래, 그게 훨씬 더 나은 결과 야 예를 들어 나중에 자동으로 제어 할 수있는 방법을 살펴 보겠습니다 필요한시기 그리고 여기서 볼 수 있습니다 더 좋은 것은 그것이 좋은 것만 큼 당신이 가끔은 좋지 않은 것처럼 보일 것입니다

3으로, 그리고 나서 우리는 다양한 자동차와 갤런 당 그들의 마일을 출력 할 수있다 또는 예상 갤런 당 마일 그리고 네, 이제 그들은 많이 볼 수 있습니다 훨씬 더 가까이서도 분류를 할 수 있습니다 고전을 사용합니다

아이리스 (Iris) 데이터 세트는 4 가지 측정 값을 제공합니다 sepal 길이, sepal 너비를 사용하고 있습니다 홍채 꽃의 세 가지 유형의, 페달 길이와 꽃잎 폭 이것은 Keras 분류 신경 네트워크 보이는구나 그것은 매우 유사합니다 당신은 4 개의 입력이 될 입력을가집니다

숨겨진 하나 이상의 숨겨진 레이어가 있습니다 그러나 분류와 함께 특히 다중 클래스 분류는 두 개 이상을 의미합니다 클래스라면 softmax와 categorical cross-entropy를 할 것입니다 우리가 다음 모듈에서 볼 수있는 바이너리 분류는 여기서는 이진 손실 함수를 사용하는 것이 조금 다를 것이지만 우리는 우리가 그 훈련에 도달 할 때이 훈련을 볼 수있을 것입니다 손실을 줄이면 다른 종들을 인쇄 할 수 있습니다

우리가 분류하려고하는 바이러스의 종류 그리고 이것이 결과물입니다 그것에서 보인다 그것은 과학 표기법에 있습니다 읽을 수 없으면 사용하지 말라고 말할 수 있습니다

당신은 과학을 억제 할 수 있습니다 표기법이지만 본질적으로이 세 가지 값은 세 가지 홍채와 어느 쪽이든 가장 큰 것은이 것입니다 satosa 인 첫 아이리스는 과학 표기법을 억제 할 수 있습니다 그런 다음 하나 또는 적어도 아주 가까운 값을 볼 수 있습니다 이제 모든 일류 홍채 파일이 개인별로 정렬됩니다

홍채 때문에 파일의 맨 위에있는 모든 사람들이 모두 똑같습니다 이러한 예측을 숫자 값으로 전환 할 수도 있으므로 0을 의미합니다 첫 번째 홍채는 두 번째 홍채이고 두 번째 홍채는 세 번째 홍채입니다 문자 그대로 숫자를 원한다면 어떤 수업이 필요한지 알려줄 수 있습니다 실제로 예측했다

이 배열 표기법을 사용하여 인쇄 할 수도 있습니다 이 클래스의 홍채의 실제 텍스트 이름을 출력 할 수 있습니다 선택하면 정확도가 98 %라는 것을 알 수 있으므로 매우 좋습니다 특별 값으로 피드를 보내고 예측을 할 수도 있으므로 이것이 방법입니다 당신은 하나의 값을 먹을 것이고,이 측정을 위해 홍채 처녀 자리를 예측합니다

그리고 당신은 한 번에 그들에게 무리를 먹일 수 있습니다 이 비디오를 시청 해 주셔서 감사합니다 다음 동영상에서 우리는 Keras 신경망을로드하고 저장하십시오 이 콘텐츠는 자주 변경되므로 이 강좌 및 기타 주제에 대해 최신 정보를 얻기 위해 채널을 구독하고 인공 지능

Numpy Windowing: Extreme Speed Hack in Python for Machine Learning

안녕하세요 저는 션입니다 나는 창이고 소프트웨어 과학에 오신 것을 환영합니다

우리 문제 야 오늘날 해결할 수있는 것은 매우 계산적으로 어떤 이유로 우리는 여전히 다른 파이썬 도구를 사용하고자합니다 우리는 파이썬에서 머물러야합니다 즉, 우리는 numpy를 사용해야 할 필요가 있음을 의미합니다 빠릅니다

그래서 우리는 당신에게 numpy를 정말 빨리 만드는 법을 알려줄 것입니다 이 우리는 창문을 만드는 방법을 보여줄 것입니다 창에서 파이썬을 실행하지 않고 윈도우 기능을 실행합니다 numpy에서 윈도우 함수를 어떻게 만들 수 있습니까? 그래, 그럼 아마 너 이미 때때로 numpy에서 몇 가지 윈도우 함수를 사용했고 you-you 꽤 비효율적으로 구현했을 수도 있습니다 나는 나 자신을 안다

for 루프를 사용하여 여러 번 구현했습니다 그래서 나는 그것을 말하고 싶다 1에서 5까지 그리고 2에서 슬라이스로 무엇인가를 알고 계십시오 6 시까 지, 그런 식으로 계속하십시오 그리고 그들은 일종의 계산이 작동합니다

실제로는 괜찮습니다 그러나 그것은 매우 효율적이지 않습니다 보통 첫 번째 단계에서 사본을 만드는 것입니다 맞습니까? 그래서 당신이 그 조각을 사용하면 괜찮을거야 하지만 지금은 그걸 사용하고 싶을 때

보통 당신은 sklearn 모델이나 무언가를 발견하면 멍청한 짓을하는 걸 알게 될거야 너는 갈거야 한 가지 예에서 tensorflow 모델을 훈련하면 기차에 갈 것입니다 또 다른 예가 맞습니까? 그리고 너는 심지어 잘 말할 수있다 그건 어리 석다

나는 어리 석다 일괄 처리를 할거야 그래서 for 루프를 할거야 한 번에 한 줄씩 전체 블록을 채운 다음 나는 tensorflow를 줄 것이다 전체 블록은 실제로 더 나은 것을 만들지 않았던 것처럼, 그렇지? 그래서 대신에, 윈도우 잉 (windowing)은 어떻게 numpy에 대해 좀 더 잘 설명 할 수있는 방법입니다

네가하고 싶어하는 더 복잡한 종류의 조각 당신이 말하기를 당신이 말하기를 좀 더 복잡한 방식으로 파이썬에서도 메모리에서 데이터를 읽는 방법? 네, 그렇습니다 그래서 당신은 파이썬 프로그래머로서 버릇이있다 너는 이것에 익숙해 져있다 이 간결한 표기법은 간결하고 명확하고 이해하기 쉽지만 이것은 실제로 작은 프로그램을 설명하는 정말 어려운 방법입니다

C에서 어셈블리를 작성해야한다면 무엇이든간에 좀 더 분명합니다 너무 분명한 그리고 정말 당신의 시간 낭비 하지만 실제로 어떻게 배열은 실제로 것은 아닙니다 배열은 접근하기위한 알고리듬이다 메모리와 그 알고리즘은 가장 단순한 경우에, 내가 네가 익숙하다고 확신한다

당신이 단순히 그 요소의 크기 이상으로 움직이는 첫 번째 요소에 접근 할 때입니다 다음 요소를 읽었습니까? 그리고 당신은 그 중 하나가 어디서부터 시작되는지 정확히 알기 위해서 마지막 하나는 끝나지 만 2-D 행렬의 의미는 무엇입니까? 그리고 4-D 매트릭스가 필요합니다 새로운 우주가 필요합니다 새로운 4-D 메모리 스틱을 만들겠습니까? 그렇게 작동하지 않습니다 권리? 기억은 항상 선입니다

그러면 상상할 수 있습니다 행렬을 보면, 행렬은 실제로 배열 일뿐입니다 그러나 그것은 감쌌다 그래서 나는 그것을 말한다 모든 것은 100,000 개의 요소를 좋아합니다

그래서 그건 이 시점에서 정말로 프로그램이 아닌가? 내가 네가 옳은 말을하는 것을 보았다 지금 네가하는 말은 우리가이 브래킷을 가지고 있고 너는 알았어 나는 1에서 5, 10에서 15까지 걸릴거야하지만 그건 하나 야

알고리즘은 메모리에서 선형 슬라이스를 사용합니다 하지만 너는 말하고있다 사각형 슬라이스 나 직사각형 슬라이스를 취하고 싶다면 어떻게 될까요? 그게 내 데이터가 자연스럽게 표현하는 방식이지만 지금은 기억 속에있다 단지 메모리이기 때문에 순서대로 넣는 것입니다 예

어떻게 알고리즘을 작성해야합니까? 그 행동을 모방 예, 모든 것이 가능한 것은 아닙니다 내말은 분명히 무료 점심은 아니지만 그 점은 분명합니다 그들과 우리가 들어가는 창을 쌓아 두는 것만으로도 더 많은 것을 표현하라

그리고 당신은 직사각형 조각을 원한다고 말하고 있습니다 사각형 조각 또는 그런 식으로, 그리고 지금 밖으로 플랫 경우 기억을하면 컴퓨터에 무엇을 설명하고 있는지 알 수 있습니다 그것을 원한다 이제 잠시 뒤로 물러나서 배열이 있다고 가정 해 봅시다 기억이 딱 맞는 것인가? 괜찮아 하지만 2D 배열은 어떨까요? 그것은 더 이상 기억이 아닙니다

우리의 상상력은 다른 것을 겹쳐서 만들었습니다 지금 이미 그게 논쟁 거리가되는 거지? C를 보면 우리가 말할거야 우리는 줄을 따라 줄을, 그 다음에는 Fortran을 결정할 것입니다 우리는 기둥으로 기둥을 만들겠습니다 이제는 모두가 서로를 싫어합니다

왜냐하면 하나 또는 다른 하지만 그 이후에도 우리는 3-D가 무엇인지 말할 것입니다 그래, 그렇지? 그래서 우리는 그 시점에서 정말로 결정했습니다 우리는 각 축에 대해 메모리에서 특정 공간을 이동한다는 것입니다 사실 그것은 보폭 그게 다야

그리고 너는 이미 너 한 걸음 더 폈다 그럴 줄 알았지 배열의 다음 요소를 시작하기 때문입니다 끝났다 분명히, 그렇지? 그래서 당신은 그 물건의 크기가 무엇인지 알아야합니다

나는보고있다 그래서 당신이 캐릭터를 보거나 uint8을 가지고 있거나 당신이 가지고 있다면 더블, 또는 플로트, 맞죠? 당신은 그것들 모두에 대해 같은 금액을 이동하지 않습니다 float은 4 바이트, double은 8 바이트가 될 것입니다 분명히, 그것은 두 배입니다 그래서 당신이 그것을 볼 때 당신은 상상할 수 있습니다

벡터에서 실제로 일종의 2 차원 행렬입니다 그래서 당신은 실제로 그것을 말하고 있습니다 다음 요소가 아닌 다음 요소로 이동하려면 특정 거리를 이동하려고합니다 바이트 그리고 당신은 특정 거리를 이동하여 귀하의 벡터의 끝과 그래서 거기에 귀하의 두 가지 차원

이제 계속하면 이것 모두를 위해 그 때 너는 총계로 그리고 너의 것을 위해 끝날 것이다 요소의 첫 번째 축에 대한 양 두 번째 축과 세 번째 축에 대한 금액 등등? 그게 어디야? 모든 것이 가능하다 그래서 예전처럼 재 형성 기능을 이 가상 차원으로 안전하게 게임을 시작할 수있는 곳입니다 그것이 당신이 정말로 편안하고 모양에 익숙해야하는 곳입니다 권리? 그래서 마지막으로 재구성 한 부분은 어디입니까? 그리고 무엇을 의미합니까? 재구성? 나는 정직 할 것이다 나는 오래도록 형체를 사용하지 않았다

하지만 마지막으로 내가 자동 코드 작성을하고있는 몇 가지 keras를 사용하고 있었다는 것을 기억하십시오 만약 당신은 numpy에 대해 생각합니다 그것은 데이터를 찾는 방법을 알려주는 것과 같습니다 기억 메모리는 1-D이므로 우리 행렬이 100 x 100 인 경우에도 실제로는 올려다 보는 방법 numpy에게 행 56 열 21을 말합니다

하나 대신, 55 점의 큰 점프를 만든 다음 21 점의 작은 점프를 이동하여 해당 데이터를 얻습니다 백에서 -하지만 내가 100에서 100으로 모양을 바꿀 때 나는 모른다 500에 의해 20, 그때 당신은 numpy에게 다르게 물건을 찾는다 고 말하는 것입니다 어떤 종류의 알고리즘을 사용 하느냐에 따라 더 좋을 수도 있습니다

그것을 더 높은 차원의 물체 또는 행렬로 재구성하여 더 많은 수학적 마술을 사용하십시오 때로는 상황을 조금 다르게, 때로는 할 수 있습니다 좋은 물건을 줘 그래, 네가 할 수있는 모든 종류의 마법이있다 여분의 차원에서 벗어나십시오

물론 모든 추가 치수는 여기 가상? 그래서 우리가 행렬을 말할 때 우리는 항상 그것이 가상이라는 것을 의미합니다 그러나 방송이라는 말이 더 사실 인 것처럼 보입니다 맞습니까? 그래서 우리는 우리가 말할 수있는 이런 종류의 상황들, 우리는 오직 벡터 만 가지고 있지만 우리는 그것을 하나의 행렬로 취급 할 수 있습니까? 그래서 그렇게하면서 지금은 일괄 처리를 제대로하는 것이 더 의미가 있습니까? 갑자기 그게 전부 야 가능한 한 우리는 m 단위로 그것을 만들 수 있고 그런 다음에 일괄 처리를 할 수 있습니다 또는 할 수 있습니다

이것이 실제로 numpy 벡터화 튜토리얼에 대해 수행 한 작업입니다 우리는 이전 시리즈에서 줬다 그리고 케라를 사용할 수있는 상황에서 시퀀스 처리, 일괄 처리 및 여러 기능을 동시에 사용하여 3d 텐서 그래서 numpy를 사용하는 법을 배울 때, 연속적으로 터지면서 우리 관객에게 무엇을 설명 할 수 있습니까? 연속적인 의미는 우리가 방금 말한 많은 것이 그것과 관련이 있다고 생각하기 때문입니다 그래, 그래

분명히 연속적인 단어라는 뜻입니다 함께, 맞지? 따라서 연속 배열을 볼 때이 모든 수단은 모든 단일 요소가 표시되는 표준 배열 유형의 배열입니다 너의 시야에서 그리고 그 모든 요소는 같은 순서로 나타났습니다 그들은 원래 기억 속에 있었다

여전히 논란의 여지가 조금 있기 때문에 사람들은 자연의 질서로 자격을 얻는 것에 관해서 조금 논쟁하지만 일반적으로, 특히 numpy에서, 그것은 그들이 왼쪽 상단에서 행렬을 오른쪽 하단으로 이동 한 다음 처음 왼쪽에서 오른쪽으로 이동 한 다음 상단으로 이동하십시오 바닥까지 그리고 그것과 비슷하고 유사합니다 그 후에 공백은 건너 뛰거나 구멍이없고 뒤쪽으로 움직이지 않습니다 이제 우리는 이 가상의 새로운 고차원 추상화를 사용하기로 결정했습니다

우리의 추억의 조각, 정확히 얼마나 우리가 멋진 것들을 좋아하는지 우리가 그 주행 거리에서 빠져 나갈 또 뭐가 있겠 어? 우리가 할 수있는 한 가지는 건너 뜁니다 그래서 연속적으로 물어 보자 마자 무엇이 연속적이지 않은지 생각해야합니다 권리? 그래서, 인접하지 않은 것은 무엇입니까? 무슨 뜻이에요? 비연의 의미는 당신의 데이터는 그들이 친구가 아니에요 너는 그들이 함께 있지 않다고 말한다 그래, 그래서 사이에 공간이있을거야

그들과 당신은 예를 들어 말할 수 있습니다 치수 또는 벡터가 중요하지 않습니다 마지막 차원은 실제로 데이터 크기를 건너 뜁니다 그 크기의 두 배를 건너 뛰면 어떡하지? 그래서 즉, 실제로 벡터에서 두 번째 요소를 모두 볼 수 있습니다 그 완벽하게 컴퓨터가 신경 쓰지 않아도 되나요? 그래서, 그것은 이미지입니다

여기에 보여? 그래, 그럼 이걸 훑어 보지 행을 따라 건너 뛸 수 있습니다 그것은 실제로 실제로 합리적인 것입니다 그것은 만든다 감각

정말 멋진 점은 어디서나 건너 뛸 수 있다는 것입니다 너는 건너 뛸 수있어 귀하의 벡터에서 다음 2D 매트릭스로, 바로 보여? 그래서, 당신이 벡터 당신은 절반만큼 많은 요소로 끝날거야 하지만 그때 너도 그것을 2 차원 매트릭스로 보여 주기로 결정하면 재미있는 작은 패턴 그리고 그걸 조금 공부하면 아마도 그들도 당신의 프로젝트에서 그들의 용도를 가지고 있습니다

그래서 건너 뛰는 것 외에, 음, 그 밖의 것 여기 있니? 그래서, 여기 실제 우승자는 창문에 있습니다 그러나 그것들은 조금 더 복잡하고 우리는 다루지 않을 것입니다 이 특정 비디오에서의 그것들은 우리가 이끌고있는 것입니다 그 힘 이제는 겹치는 블록을 선택할 수 있다는 것입니다 그래서 그것은 단지 이전에 어디를 건너 뛴 것과 같은 일이 조금씩 진행되었습니다

데이터 유형보다 더 적은 비용으로 실제로 갈 수 있습니다 그래서 부유물에 대한 또는 분명히 어떤 의미가 없습니다 그러나 행에 대해서는 그렇지, 그렇지? 따라서 실제로 행의 길이를 모두 건너 뛰지 않아도됩니다 조금 덜 오른쪽 건너 뛸 수 있을까요? 하나의 요소 만 건너 뛸 수도 있습니다 그래서 만약 그 한 요소를 건너 뛰면 슬라이딩 윈도우가 생기고 매우 유용합니다

만약 너라면 사이클을 끝내면 아무 것도 건너 뛰지 마십시오 첫 번째 행을 반복하면됩니다 영원히 끝나지 않을거야 그러나 다른 어떤 것도 건너 뛰기로 결정했다면 금액을 합한 다음 조합 할 수 있습니다

두 가지 요소를 건너 뛰면 얻을 수 있습니다 각각 두 개씩 건너 뛰는 창 그래서 당신 매트릭스를 가져간 것 같아요 그것에 전단을 가하는 거지? 그게 더 시원하다는 거 알지? 너 할 수있어 당신이 연결하는만큼 차원

전단을 가할 수 있습니다 하나의 차원과 강한 전단 다른, 제 3의 전단 차원이 끝나고 이러한 작은 고차원적인 차원으로 끝난다 나는 무엇을 모른다 직사각형의 감옥이나 뭐라고 말하면, 다른 차원에서는 그런 다음 그들을 평평하게하십시오 완벽하게 괜찮습니까? 아무 것도 없어

복사, 초고속, 실제로 예를 들어 JPEG로 보았을 경우에는 다음을 사용합니다 블록을 만들기위한 차원도 포함됩니다 그래서 당신은 당신의 블록을 만들 수 있고 창문을 열고 그것들을 단다 동시에이 모든 것들

당연히 나는 시동기로하지 않는 것이 좋습니다 그리고 나를 믿어 나는 3 일 동안 노력했다 이 코드를 디버그하고 끊임없이 세그 폴트합니다 알겠습니다

모든 안전 장치와 마찬가지로, 모든 문서는 오 세상에 하나님이 결코 그렇게하지 않는다고 말할 것입니다 안돼 그리고 그것은 당신에게 끔찍한 고통을 일으킬 것입니다 작동 할 때까지 그리고 훌륭합니다

하지만 그렇게 해야하는 이유는 코드를 실행하는 데 20 주가 걸리므로 코드를 잘라 내지 못합니다 그럼 또한있다 우리가이 4 차원 시계열 데이터를 갖는 우리의 상황과 같은 상황 우리가자를 필요가있었습니다 복사본을 복사 할 수 없습니다 당신은 할 수 없습니다

umpteen 만 bajillion이 필요할 것 같이 결코 끝나지 않을 것입니다 그것을위한 메모리의 바이트, 그리고 그것은 일어나지 않을거야 아니면 루프와 당신은 모든 것을 복사합니다 당신은 실제로 당신이 원했던 계산을 할 수 없었습니다 여기, 당신은 했어

아무 복사도, 당신은 결코 그 기억 전부를 낭비하지 않아, 당신은 지금 막 진짜로 재미 있 액세스 패턴, 그리고 지금 당신은 케라 또는 scikit-learn 또는 도대체 무엇이 모두 행복합니다 션, 우리는 여기에 잔뜩 이미지가있다 우리가 설명 할 수있는 우리가하는 개념을 검토하는 데 도움을 주시겠습니까? 슬라이스, 오프셋, 스트라이드 같은 것을 여기 사용할 수 있을까요? 그 이미지들로? 네 그래서 첫 번째 이미지를 살펴보면 벡터로 메모리가 있습니다

기억은 괜찮아 그런 다음 우리는 그것을 재구성 할 수 있습니다 그것의 행렬, 좋아요, 열이 될 수 있고, 행이 될 수 있습니다 그 후에 우리는 그것의 조각을 가지고 가려고 노력하십시오 그래서 우리는 먼저 처음 몇 줄을 취할 것입니다

몇 개의 열 또는 중간 열 또는 다른 것이 맞습니까? 우리가 할 수있는 다음 여러 가지 크기로 변형, 맞습니까? 그래서 꼭 반드시 커버해야하는 것은 아닙니다 우리의 원래 배열에있는 모든 것 먼저 슬라이스를하고 나서 재구성 해, 알았지? 그래서 우리가 그 원래의 모양을 만들었다면, 우리는 4에 도달 할 것입니다 4이지만 마지막 요소를 잘라낸 다음 5 by 3을 수행 할 수도 있습니다 대신 15 개의 요소가 필요합니다

좋아하지만 이걸로 우리를 떠난다 우리가 끝 부분을 잘라낸 또 다른 옵션, 우리는 마찬가지로 쉽게 할 수 있습니다 처음부터 슬라이스, 그렇지? 그래서 그것은 실제로 우리가 결정한 모든 상쇄입니다 같은 어레이를 사용하는 것이었지만 대신 하나부터 시작했습니다

마지막으로 지금은 괜찮아 우리는 심지어 건너 뛰는 말을 할 수 있습니까? 그래서 이것은 실제로 안전합니다 왜냐하면 numpy 실제로 제대로했는지 여부를 실제로 확인할 수 있습니다 우리가 말할 수있는 것은 우리가 건너 뛰고 싶다는 것입니다 우리가 만든 행렬마다 두 번째 열 또는 두 번째 행마다 수행하십시오

그 1-D 배열에서 벗어나 5 개의 매우 유용한 공통된 예입니다 그래서이 비디오에서 우리는 그것을 조작하는 것에 대한 몇 가지 아이디어를 다루었습니다 비정상적인 방법이나 내가 아는 대부분의 사람들처럼 나는 numpy를 사용하지 않는다 방법 하지만 괜찮아

– 좋은거야 다음에 무엇을 다룰 것입니까? 그래서 다음 부분은 실제로 그것에서 약간의 창문을 얻을 수있을 것입니다 멋진 조각과 그리고 우리는 여기에 그것을 보여주지는 않을 것입니다하지만 아마도 당신이 원할 것입니다 그 다음에 xar와 같은 흥미로운 형식으로 저장하거나 Keras 훈련을 원할 수도 있고 sklear에 넣을 수도 있습니다

당신이 다차원 적으로 기대할 수있는 것들 텐서 이 비디오가 마음에 들면 시청 해 주셔서 감사합니다 버튼을 누르면 다음에 보게됩니다

AI vs Machine Learning vs Deep Learning | Machine Learning Training with Python | Edureka

안녕하세요 Edureka의 Atul입니다

토론 주제에 오신 것을 환영합니다 인공 지능 vs 기계 학습 vs 깊은 학습 이것들은 많이 혼란스러워하는 용어입니다 당신도 그들 중 하나라면, 내가 너를 위해 그것을 해결하자 그럼 인공 지능은 더 넓은 우산입니다

기계 학습 그리고 깊은 학습은 다이어그램에서 볼 수 있습니다 깊은 학습조차도 기계 학습의 부분 집합이라고 그래서 너는 말할 수있다 그 세 명 모두 기계 학습을하는 인공 지능 깊은 학습은 서로의 부분 집합입니다 그래서 계속 나아가서 이해합시다 서로 얼마나 다른지

그럼 인공 지능으로 시작합시다 용어 인공 지능 1956 년에 처음으로 만들어졌다 개념은 꽤 오래되었고, 그러나 최근에 그 인기를 얻고있다 그러나 왜 잘, 그 이유는 우리가 아주 적은 양의 데이터를 가지고 있기 때문입니다 우리가 가진 데이터는 정확한 결과를 예측하기에는 충분하지 않았습니다

하지만 지금 엄청난 금액 증가가 있습니다 데이터 통계의 제안 2020 년까지 누적 된 데이터 량이 증가 할 것이라고 대략 44 제타 바이트의 스튜 (약 44 제타 바이트) 44 조 GB 데이터의 엄청난 양과 함께 자, 우리는 더 진보 된 알고리즘을 가지고 있습니다 하이 엔드 컴퓨팅 파워 및 스토리지 그 결과 많은 양의 데이터를 처리 할 수 ​​있습니다

예상된다 엔터프라이즈의 70 %가 ai를 구현할 것입니다 향후 12 개월 동안 2016 년에는 40 %, 2017 년에는 51 % 증가했다 AI가 무엇을 잘 이해하고 있는지, 기술 일뿐입니다 복제로 기계가 인간처럼 행동 할 수있게 해줍니다

인공 지능과의 행동 및 성향은 가능하다 기계가 경험에서 배우기 기계는 단지 응답 기반입니다 인간과 같은 작업을 수행하여 새로운 입력에 인공 지능은 달성하도록 훈련받을 수 있습니다

많은 양의 데이터를 처리하여 특정 작업 수행 그들 안에있는 패턴을 알아내는 것 당신은 고려할 수 있습니다 인공 지능을 만드는 것은 건물과 같습니다 교회는 최초의 교회가 세대를 거쳐 완성되었습니다 그래서 대부분의 노동자들 그 일을하고있는 사람들은 최종 결과를 보지 못했습니다

그것에 공예 건물 벽돌에 자부심을 가지고 돌을 치는 그것은 위대한 구조에 놓이게 될 것입니다 AI 연구자들처럼, 우리는 겸손한 벽돌 제조사로 생각해야합니다 그의 직업은 공부하는 것이다 구성 요소를 작성하는 방법 예제 파트는 플래너입니다 또는 학습 알고리즘 또는 무엇이든 받아들이십시오

언젠가는 누군가와 어딘가가 통합 될 것입니다 지능 시스템에 몇 가지 예를 들어 우리 일상에서 인공 지능의 우리의 애플 시리즈 그냥 컴퓨터 테슬라 자기 – 운전 자동차를 재생 이보다 더 많은 예제는 깊은 학습을 기반으로합니다 자연 언어 처리 글쎄, 이것은 인공 지능과 그것이 과대 광고를 얻는 방법에 관한 것이 었습니다 그럼 계속 전진해라

기계 학습에 대해 논의하고 그것이 무엇인지 알아 봅시다 그리고 화이트 프로가 소개되었습니다 그럼 기계 학습이 왔습니다 80 년대 후반과 90 년대 초에 존재하게되었고, 그러나 사람들과 관련된 이슈는 무엇 이었습니까? 기계 학습이 생겨나게 만들었습니까? 통계학 분야에서 하나씩 차례로 토론합시다 문제는 얼마나 복잡한 복잡한 모델을 효과적으로 훈련 시키는가? 컴퓨터 과학 및 인공 지능 분야

문제는 AI 시스템의보다 강력한 버전을 교육하는 방법이었습니다 동안 연구자들이 직면 한 신경 과학 문제의 뇌의 수술 모델을 설계하는 방법 그래서 이것들은 몇 가지 이슈들이다 그 영향력이 가장 커서 존재를 이끌어 낸 기계 학습의 이제이 기계 학습은 그 초점을 바꿨습니다 상징적 접근으로부터

그것은 인공 지능으로부터 물려 받았고 움직였다 방법과 모델을 향해 그것은 통계와 확률 이론에서 빌렸다 그래서 진행하고 봅시다 기계 학습이란 정확히 무엇입니까? 그럼 기계 학습은 AI의 하위 집합입니다 어떤 컴퓨터가 행동 할 것인가? 특정 작업을 수행하기 위해 데이터 기반 의사 결정을 내릴 수 있습니다

이 프로그램은 알고리즘이 시간이 지남에 따라 배우고 향상시킬 수있는 새로운 데이터에 노출되었을 때 기계 학습의 예를 보도록하겠습니다 시스템을 만들고 싶다고합시다 그 측면에 기반한 사람의 예상 체중을 알려줍니다 가장 먼저 데이터를 수집합니다 거기에 보자

이제 각 지점의 데이터가 어떻게 보이는지 그래프의 첫 번째 데이터 점을 나타냅니다 우리는 간단한 선을 그릴 수 있습니다 높이를 기준으로 체중을 예측합니다 예를 들어, 간단한 선 W는 대기 x kgs에서 100을 뺀 값과 같습니다 가장자리는 숨 깁니다

이 선은 우리가 예측을하는 데 도움이 될 수 있습니다 우리의 주요 목표는 차이를 줄이는 것입니다 추정 된 값과 실제 값 사이의 값 그래서 그것을 성취하기 위해서 우리는 직선을 그려 봅니다 이 모든 다른 점들에 꼭 맞는 오류를 최소화하십시오

따라서 우리의 주요 목표는 오류를 최소화하는 것입니다 가능한 한 작게 만들어 오류를 줄입니다 또는 실제 값에서의 차이 예상 값은 성능을 향상시킵니다 더 많은 데이터 포인트에서 모델의 우리는 더 나은 것을 수집합니다 우리의 모델은 우리가 될 것입니다

변수를 추가하여 모델을 개선 할 수도 있습니다 그 (것)들을위한 다른 생산 라인을 창조하십시오 일단 라인이 생성됩니다 그래서 다음에 우리가 새로운 데이터를 먹이면, 예를 들어 모델에 대한 사람의 높이, 그것은 당신을위한 자료를 쉽게 예측할 것이며 당신에게 말할 것입니다 예상되는 체중은 무엇 일 수 있습니다 네가 분명히 이해했으면 좋겠어

기계 학습 그럼 계속 전진해라 깊은 학습에 대해 배우자 이제 깊은 학습이란 무엇입니까? 로켓 엔진으로 깊은 학습 모델을 고려할 수 있습니다 그 연료는 엄청난 양의 데이터입니다

우리는 이러한 알고리즘에 개념을 제공합니다 깊은 학습은 새로운 것이 아니며, 하지만 최근에는 증가하고 깊은 학습은 더 주목을 받고있다 이 필드는 특정 종류의 기계 학습입니다 그것은 뇌 세포의 기능을 뉴런이라고 부릅니다 인공 신경 네트워크 (artificial neural network)의 개념을 이끌어 냈다

간단하게 모든 인공 뉴런 사이의 데이터 연결 데이터 패턴에 따라 더 많은 뉴런을 조정합니다 크기에 추가됩니다 데이터의 크기가 커서 자동으로 기능합니다 여러 수준의 추상화에서 학습 이로써 시스템 허용 의존하지 않고 복잡한 함수 매핑을 배우기 특정 알고리즘에

있잖아, 아무도 실제로 무슨 일이 일어나는지 알지 못한다 신경 네트워크 내부에서 왜 그렇게 잘 작동하는지, 그래서 현재는 블랙 박스라고 부를 수 있습니다 깊은 학습의 예를 들어 보겠습니다 더 나은 방법으로 그것을 이해하십시오 간단한 예부터 시작하여 설명해 드리겠습니다

상황이 개념적 수준에서 어떻게 발생하는지 우리가 시도하고 이해하자 다른 모양의 사각형을 어떻게 인식합니까? 가장 먼저 할 일은 그림과 연관된 네 줄이 있는지 여부 아니면 단순한 개념이 아닌가? 예인 경우 추가 확인 그들이 연결되어 있고 몇 년 후에 다시 폐쇄되면 드디어 확인해 그것이 수직이고 모든면이 동일하든간에, 성취한다면 정확하다 예, 사각형입니다

글쎄, 개념의 중첩 된 계층 구조 일 뿐이다 우리가 여기서 한 것은 복잡한 작업을 수행했습니다 사각형 식별하기 이 사건은 단순한 작업으로 나뉘어져 있습니다 이제이 깊은 학습은 똑같은 일을합니다 그러나 더 큰 규모에서, 다음을 인식하는 기계의 예를 들어 봅시다

기계의 작업이 인식하는 동물 주어진 이미지가 고양이인지 개인지 여부 개념을 사용하여 동일한 문제를 해결하도록 요청받은 경우 어떻게해야합니까? 우리가 먼저 할 일을 배우는 기계 우리는 다음과 같은 기능을 정의 할 것입니다 짐승이 수염을 가지고 있는지 수표에 수표가 있는지 확인하십시오 동물이 귀를 가리킨다면 또는 그 꼬리가 직선인지 짧게 꼬인지를 결정할 수있다 우리는 얼굴의 특징을 정의하고 시스템은 어떤 기능이 더 중요한지 식별합니다

특정 동물을 분류 할 때 깊은 학습에 관해서는 앞서 한 걸음 씩 나아 간다 깊은 학습은 자동으로 기능을 찾습니다 분류 비교에서 가장 중요한 것 기계 학습으로 여기서 우리는 수동으로 그 기능을 수동으로 제공해야했습니다 네가 이해 한 것 같아 인공 지능은 더 큰 그림과 기계입니다

깊은 학습 또는 별개의 문제입니다 그럼 계속 나아가 자 기계 학습에 대한 토론을 집중 그리고 그 차이를 이해하는 가장 쉬운 방법을 깊이 배우라 기계 학습과 깊은 학습 사이를 아는 것입니다 깊은 학습은 기계 학습입니다

그것은 기계 학습의 다음 진화입니다 몇 가지 중요한 매개 변수를 취해 봅시다 기계 학습과 심화 학습을 비교하십시오 그래서 데이터 의존성부터 시작해서, 깊은 학습의 가장 중요한 차이 기계 학습은 볼륨으로서의 성능입니다 아래 그래프에서 데이터가 증가합니다 당신은 데이터의 크기가 작은 깊은 학습 알고리즘은 잘 수행하지 않습니다, 그러나 왜 잘, 이것은 깊은 학습 알고리즘 요구 때문에 대용량의 데이터를 완벽하게 이해하기 반면에 기계 학습 알고리즘은 쉽게 작은 데이터 세트로 잘 작동합니다

다음은 하드웨어 종속성에 대한 심층 학습입니다 하이 엔드 기기에 크게 의존하고 있습니다 동안 기계 학습 알고리즘은 낮은 시스템과 기계에서도 작동 할 수 있습니다 이것은 요구 사항 깊은 학습 알고리즘의 포함 gpus 필수적인 부분 인 깊은 학습 알고리즘을 작동시키는 데 gpus가 필요합니다 그들이하는 것처럼 다량의 행렬 곱셈 연산, 및 이러한 작업 GPU를 사용하여 효율적으로 최적화 할 수 있습니다

이 목적으로 지어 졌기 때문입니다 세 번째 매개 변수 만 기능 엔지니어링 잘 기능 엔지니어링 될 것입니다 복잡성을 줄이기 위해 도메인 지식을 넣는 것 데이터의 패턴을 학습 알고리즘에보다 잘 보이게 할 수 있습니다 이 과정은 시간면에서 어렵고 비용이 많이 듭니다 기계 학습의 경우 전문 지식을 갖추고 있습니다 대부분의 기능은 전문가가 식별해야합니다

도메인별로 손으로 코딩 및 데이터 유형 예를 들어, 기능 픽셀 값 모양 텍스처 위치 방향 일 수 있음 또는 아무것도 괜찮아요 대부분의 기계 성능 학습 알고리즘은 의존한다 기능이 얼마나 정확하게 식별되는지 추출 반면에 깊은 학습 알고리즘의 경우 그것은 데이터에서 높은 수준의 기능을 배우려고합니다 이것은 깊은 학습에서 매우 특징적인 부분입니다 어떤 방향으로 나아가는가? 깊은 기계 학습을 학습하는 전통적인 기계는 작업을 줄인다 모든 문제에 대한 새로운 피쳐 추출기 개발 CN의 경우와 같습니다

n 알고리즘을 사용하여 먼저 저수준 기능을 배우려고합니다 가장자리와 선과 같은 이미지의 그런 다음 사람들의 얼굴 부분으로 진행합니다 마지막으로 고수준 표현으로 얼굴의 나는 상황이 당신에게 더 명확 해지기를 바랍니다 이제 다음 매개 변수를 살펴 보겠습니다

그래서 우리의 다음 매개 변수는 문제 해결 접근법입니다 우리가 해결할 때 전통적인 기계 학습 알고리즘을 사용하는 문제 일반적으로 추천된다 우리가 먼저 문제를 해결 한 다른 하위 부품으로 개별적으로 해결 원하는 결과를 얻으려면 마침내 결합하십시오 이것은 기계 학습 알고리즘이 Lm을 처리하는 방법입니다 반면에 딥 학습 알고리즘 문제를 끝에서 끝까지 해결합니다

이것을 가정 해 봅시다 여러 개체 검색 작업이 있습니다 그리고 당신의 임무는 신원을 확인하는 것입니다 물체가 무엇이고 물체가 이미지의 어디에 있는지 그래서 보자

너는 어떻게 태클 할거야? 기계 학습 개념을 이용한이 문제 기계 학습으로 시작하는 깊은 학습 일반적인 기계 학습 접근법에서 당신은 먼저 나눌 것입니다 2 단계 첫 번째 물체 감지로 문제 그리고 나서 물체 인식 가장 먼저, 당신은 바운딩 박스 탐지 알고리즘을 사용할 것입니다 예를 들어 이미지를 스캔하기 위해 잘라낸 잡기 가능한 모든 대상을 찾으십시오 이제 일단 객체들 당신은 객체 인식 알고리즘을 사용하여 인식됩니다 관련 객체를 인식 할 수있는 돼지와 svm을 좋아합니다

자, 마침내, 결과를 결합하면 식별 할 수 있습니다 객체 란 무엇인가? 다른 쪽의 이미지에있는 곳 깊은 학습 접근 방식으로 끝에서 끝까지 프로세스를 수행합니다 예를 들어 유로 넷에서 이는 깊은 학습 알고리즘의 한 유형입니다 당신은 이미지를 전달하고 그것을 줄 것입니다 객체의 이름과 함께 위치

자, 움직여 보자 우리의 다섯 번째 비교 매개 변수에 실행 시간 보통 깊은 학습 알고리즘은 오랜 시간이 걸린다 이것을 훈련시키는 것은 왜냐하면 너무 깊은 학습 알고리즘의 많은 매개 변수 그 훈련은 보통 때보 다 더 오랜 시간이 걸린다 심지어 2 주 이상 지속될 수도 있습니다

당신이 처음부터 완전히 훈련하는 경우에, 기계 학습의 경우 상대적으로 몇 주에서 몇 몇 예술에 이르기까지 훈련하는 데 훨씬 적은 시간 이제 실행 시간이 완전히 뒤 바뀌 었습니다 테스트 중 데이터 테스트를 할 때 딥 학습 알고리즘은 실행 시간이 훨씬 적습니다 반면 당신이 KNN 알고리즘과 비교한다면, 기계의 한 종류 인 학습 알고리즘 테스트 시간은 크기로 증가합니다 마지막으로 데이터가 증가합니다

그러나 적어도 우리는 해석 가능성을 가지고 있지 않다 기계 학습의 비교를위한 요소 이 사실을 실행하는 것이 왜 주된 이유입니까? 깊은 학습은 여전히 ​​10 번 생각된다 누구든지 업계에서 사용하기 전에 가정 해 봅시다 우리는 깊은 학습을 통해 자동 득점 2 에세이 성능 득점력이 아주 뛰어나다

인간의 성과에 가깝다 하지만 문제가 있습니다 그것은 백인이 그 점수를 주었다는 것을 밝히지 않습니다 참으로 수학적으로 알아낼 수있다

깊은 신경 네트워크의 어떤 노드가 활성화되었는지 그러나 우리는 모른다 뉴런이 모델링 한 것으로 추정되는 것 우리가 집단적으로하고있는 이러한 뉴런 계층은 무엇입니까? 그래서 해석 할 수 있다면 알고리즘을 학습하는 다른 기계의 결과, 같은 의사 결정 나무는 우리에게 무효 선택의 선명한 규칙을 준다 및 물결 무늬가있는 선택했다 따라서 추론을 해석하는 것이 특히 쉽습니다 그러므로 의사 결정 트리와 같은 알고리즘 선형 또는 물류 회귀는 주로 업계에서 해석 가능성을 위해 사용됩니다

이 세션을 끝내기 전에 내가 물건을 요약하자 당신을 위해 기계 학습 알고리즘을 사용하여 데이터를 구문 분석 데이터로부터 배울 수있다 잘 배운 내용을 토대로 정보에 입각 한 결정을 내릴 수 있습니다 이제이 깊은 학습 구조 알고리즘 인공 신경 네트워크를 만드는 레이어 배울 수있는 마침내 지능형 의사 결정을 내릴 수 있습니다

깊은 학습은 기계 학습의 하위 분야입니다 두 가지 모두 넓은 범주에 속합니다 인공 지능 깊은 학습의 일반적이다 가장 인간과 비슷한 것 인공 지능 음,이게 전부 였어 의심이 있으시면 오늘의 토론을 위해 의견 섹션에 쿼리를 자유롭게 추가하십시오

고맙습니다 이 비디오를 듣고 즐거웠 으면 좋겠습니다 그것을 좋아할 정도로 친절하세요 의심과 검색어에 대해 의견을 말할 수 있습니다 우리는 그들에게 대답 할 것이다

가장 빠른 시일 내에 우리의 재생 목록에서 더 많은 동영상을 찾으십시오 Edureka 채널을 구독하여 자세히 알아보십시오 행복한 학습