The Breakdown: Machine learning in healthcare

저는 Rajaie Batniji입니다 Collective Health의 최고 건강 책임자 저는 Sanjay Basu와 함께 있습니다

연구 및 분석 책임자 오늘 우리는 머신 러닝에 대해 이야기하고 있습니다 우리는 단어를 듣는 데 익숙해지고 있습니다 기계 학습, 어디에나 던져 그러나 과대 광고와 실제를 분리하는 것은 어렵습니다 이제 산 제이 머신 러닝에 많은 노력을 기울이고 있습니다 여기 집단 건강에

고용주는 왜 관심을 가져야합니까? 글쎄요, 저는이 분야에 많은 수사가 있다고 생각합니다 과대 광고가 많이 있습니다 불행히도 우리는 지금 과대 광고는 올바른 방식으로 구체화되지 않습니다 예를 들어 폐렴에 관한 최근의 기계 학습 기사가 있습니다 당신은 예측할 수 있습니까 천식이 있거나 천식이없는 사람 더 많은 치료 지원이 필요하십니까? 기계 학습 알고리즘은 실제로 천식 환자는 지원이 덜 필요합니다 그것은 매우 반 직관적이었습니다

사람들이 알고리즘을 수행하는 것으로 나타났습니다 훌륭한 컴퓨터 과학자들이 시스템에 대한 전문 지식이 없었습니다 그들이 연구하고있는 병원이 천식 환자 자동 분류 집중 치료실에 그래서 그들은 기본적으로 심사 프로토콜과 잘못된 추론 우리는 머신 러닝 문헌에서 많은 것을보고 있습니다 당신은 우리가 어떻게 구축하고 있는지에 대해 약간의 작업을합니다 핵심 제품에 대한 머신 러닝 집단 건강

우리가 기술을 어떻게 사용하고 있는지에 대해 조금 이야기 할 수 있습니까? 네 우리는 약간 백업하고 말 했어요 실제 문제가 무엇인지 봅시다 새로운 기술을 보지 않고 그냥 붙일 무언가를 찾으려고 노력했습니다 우리는 대신에 "고객과 회원이 직면하고있는 주요 문제는 무엇입니까?" 지금 가장 큰 것 중 하나는 실제로 사생활입니다 우리는 의료 데이터를 다루기 때문에

모든 것을 집계하고이 알고리즘을 모두 실행한다면 실제로 많은 위험이 따릅니다 그래서 우리는 문제를 머리에 두었습니다 기계 학습을 사용하는 대신에 사람들의 데이터를 채굴하기 위해 대신 기계 학습자를 사용하여 사람들의 취약점이 어디에 있는지 지적하고 그들의 프라이버시 측면에서? 저격병처럼 사용할 수 있을까요? 헬스 케어 시스템의 모든 다른 플레이어를 볼 수있는 혈통 병원에서 의사 진료실로 프라이버시 장벽을 강화할 수있는 곳을 찾으십시오 보호 수준을 높이기 위해 알고리즘을 사용 하는가? 우리가하는 두 번째 일은 연기입니다 제 3 자 객관적인 검토 자의 종류입니다 우리 연구에서하는 것 중 하나 우리는 한편으로는 고객과 회원이 있다는 것을 알고 있습니다

반면에 이러한 프로그램 파트너가 제공하는 행동 건강 서비스, 다산 의료 클리닉 등 그들은 모두 다양한 주장을한다 이러한 주장을 확인하기는 어렵습니다 그러나 우리는 실제로 주장을 볼 수있는 사람들입니다 실제로 그들이 있는지 여부를 결정할 수 있습니다 적절한 투자 수익률 계산 생식력 프로그램을보고 있다면 생식력에 더 많은 비용이 든다는 결론을 내리는 것은 매우 쉽습니다 하지만 실제로 알고 싶은 것은 추가 한 후입니다 의료 전문 지식에서 사람들은 나이가 많을 수도 있다는 것을 알고 있습니다

그들은 동반 조건이있을 수 있습니다 당신이 말할 수 있기를 원한다는 것은 비용 효율적인 솔루션과 최상의 프로토콜 사용 슬라이싱과 다이 싱뿐만 아니라 다산 서비스를받는 사람들은 비용이 더 많이 든다고 말합니다 감사합니다, 산 제이 기계 학습을 만들어 주셔서 감사합니다 버즈 단어보다 훨씬 더 The Breakdown의 최신 에피소드와 기사 당사 웹 사이트 집합체 healthcom/insights에 있습니다

우리는 당신이 조정하고 더 배우기를 바랍니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

org는 당신이 갈 곳입니다! 안에 자동화를 통한 세계 알고리즘이 점차 대체 될 것입니다 더 많은 직업, 그것은 개인으로서 우리에게 달려 있습니다 우리의 뇌를 날카롭게 유지하고 여러 분야에 대한 창의적인 솔루션 문제와 화려한 플랫폼입니다 그렇게 할 수 있습니다 예를 들어 매일 매일 도전이 있습니다 다양한 코스를 다룰 수 있습니다 STEM 도메인 이러한 도전은 그들이 그리는 방식으로 제작 당신은 다음 새로운 것을 배울 수 있도록 직관적 인 개념 설명 특이점을 지원하려면 번영과 더 많은 것을 배우십시오 Brilliant, brilliant

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

Deploying Deep Learning Models to the Edge | Data Center to the Edge | Episode 6 | Intel Software

안녕하세요 저는 메가 나 라오입니다

이것은 데이터 센터의 AI입니다 Edge 비디오 시리즈 이 에피소드에서는 심층 신경망을 배포하는 방법을 보여줍니다 가장자리 장치로 인텔 아키텍처 기반 CPU라면 통합 그래픽, 인텔 신경 컴퓨팅 상태 또는 FPGA 인텔 배포판을 소개합니다 OpenVINO 툴킷 및 Python 워크 플로우 가장자리에 응용 프로그램을 배포합니다 마지막으로 툴킷의 기능을 소개합니다 2 세대의 고정밀 추론 Intel Xeon 확장 가능 프로세서

내용을 자세히 살펴 봅시다 이 장에서 다룹니다 배포 프로세스에 대한 입력 고정 된 그래프 인 열차 모델입니다 우리는 인텔의 기능을 소개하여 시작 OpenVINO 툴킷 배포 해결되는 두 가지 주요 구성 요소 최신 최적화 및 추론 엔진입니다 Model Optimizer는 하드웨어 불가지론 적 중간 표현 파일

추론 엔진은 이러한 중간체를 도구 및 대상에 표현 파일 대상은 Intel 아키텍처 기반의 CPU이며 통합 그래픽 또는 신경 계산 상태 제공된 MKDLN, CLDLN 또는 Movidius 플러그인을 사용하십시오 그 추론 엔진 툴킷은 C ++ 및 Python을 모두 지원합니다 이 과정은 기본 워크 플로를 보여줍니다 런타임에 유추 할 파이썬 애플리케이션의 마지막으로이 과정에서는 인텔 배포판 사용 방법을 보여줍니다

모든 변형 양자화를 수행하는 OpenVINO 툴킷 부동 소수점 32 비트 모델을 n 번째로 변환 낮은 정밀도 추론을위한 8 개 최소 손실에서 더 나은 추론 속도를 제공합니다 정확성 데이터 센터에서 Edge까지 AI를 시청 해 주셔서 감사합니다 등록 할 링크를 확인하십시오 강의와 공책을 완성 할 수 있습니다 이 과정의 리소스에 나열되어 있습니다 다음 에피소드에서 나와 함께 방법에 대해 자세히 알아보십시오

선택 과목 수료증을 취득 할 수 있습니다

How Google is unlocking the power of machine learning

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

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

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

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

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

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

Meet the Future :AI and Machine Learning | Overview

또 다른 디지털 미디어 대학 인증 프로그램 인 "Fun Robot"에 오신 것을 환영합니다 “Fun Robot”코스는 3-5 학년 학생들을 위해 작성되었습니다

그러나 어린 학생들도 과정 내용을 받아 들일 가능성이 높습니다 "재미 로봇"코스는 오늘날 로봇의 실제 사용입니다 그리고 로봇 사용의 미래에 대한 소개 학생들은 로봇과 공학의 실제 적용에 이러한 기본 사항을 사용합니다 자신의 로봇을 상상하고 디자인하기 시작하려면 그리고 가상 로봇을 조작하는 프로그램을 작성하십시오

이 과정의 많은 교실 활동은 "연결 해제"활동입니다 즉, 화면이나 다른 전자 기기를 사용할 필요가 없습니다 대신 이러한 교실 활동은 대면 상호 작용 및 협업에 의존합니다 학생들은 실제 재료를 사용하여 자신의 독창적 인 아이디어를 모델로 복원합니다 디자인 사고 과정은이 과정의 핵심입니다

학생들은 로봇 공학으로 해결할 수있는 문제를 정의합니다 생각하고 사용자, 고객 및 소비자를 이해하려고 노력하십시오 그런 다음 실제 요구에 맞는 로봇을 설계하고 제작하십시오 가상 로봇을 제어하는 ​​방법을 알아낼 때 학생들은 컴퓨터 사고를 사용하여 지시 사항을 설계합니다 현재 많은 산업 분야에서 높은 인건비 및 노동력 부족과 같은 문제에 직면하고 있습니다

가까운 미래에 많은 경제가 고령화에 직면 할 것입니다 로봇은 이러한 문제를 해결하는 데 중요한 역할을합니다 또한 Digital Media Academy의 재미있는 로봇 공학 과정은 학생들이 미래로 나아가는 첫 번째 단계입니다 Digital Media Academy 인증 프로그램은 교사와 학생을위한 단계별 교육을 제공합니다 이러한 교육 자료를 최대한 활용하려면 아래 단계에 따라 수업을 준비하는 것이 좋습니다

1 단계 : 교사 리소스 모드에서 코스 개요 인터페이스 열기 2 단계 : 이제 코스 설명 및 코스 목표를 볼 수 있습니다 이러한 목표를 명심하면 가르 칠 때 과정의 초점에 집중하는 데 도움이됩니다 재미있는 로봇 코스에서 학생들은 : 로봇이 무엇인지 이해하고 정의하십시오 로봇의 주요 부분과 함께 작동하는 방식을 식별하십시오 엔지니어링 프로세스를 사용하여 기계 및 간단한 로봇 프로토 타입을 구축하는 방법; 계산적 사고를 사용하여 가상 로봇을 제어하는 ​​방법; 미래의 로봇이 생각하도록 디자인 사고를 사용하는 방법

3 단계 : 과정 개요에는 교사 안내서 및 특정 교육 리소스가 있습니다 코스 자료는 코스에 나타나는 순서대로 배열됩니다 온라인 pdf 버전의 교사 안내서를 사용할 수 있지만 교사 안내서를 다운로드하거나 인쇄하는 것이 좋습니다 과정의 각 부분에 대한 구체적인 내용을 정리할 수 있도록 도와줍니다 4 단계 : 수업에 필요한 과정 자료와 도구를 봅니다

재미있는 로봇 공학 과정을 위해서는 학생들에게 다음 자료를 제공해야합니다 코스의 모델 구성 부분을 완성하려면 가위, 테이프 또는 접착제 펜과 같은 도구를 준비해야합니다 네트워크에 연결할 수있는 컴퓨터 나 태블릿도 필요합니다 헤드폰 (학생들이 수업 시간에 코스 비디오를 독립적으로 시청하도록하려는 경우) 수업 시간에이 비디오들을 동시에 볼 수도 있습니다

이 과정에서 사용되는 사이트 중 하나에는 Flash 소프트웨어를 설치하기위한 컴퓨터가 필요하고 다른 사이트에는 Java 소프트웨어가 필요합니다 다른 웹 사이트를 사용하도록 선택할 수도 있습니다 이 과정을 수행하려면 (교사 안내서에 제공된 조언을 참조하십시오) 로봇은 매우 전문적인 분야이지만 그러나 Fun Robotics 과정에 포함 된 많은 지식은 핵심 과목에 통합 될 수 있습니다 디자인 사고 및 전산 사고 모델의 사용은 로봇과 유사한 기술 프로젝트로 제한되지 않습니다

컴퓨터 사고의 핵심은 복잡한 작업에 접근하고 분해하는 사고 방식입니다 컴퓨터 사고를 이해하는 학생들은이 접근 방식을 사회 과학 연구 계획에 적용 할 수 있습니다 서류 정리, 행사 준비, 또는 효과적인 과학 실험을 설계하십시오 디자인 사고 방식은 사용자 요구에 맞는 제품 또는 솔루션을 만들도록 설계되었습니다 디자인 사고는 인기있는 핫 제품을 만드는 데 사용될 수 있습니다

또한 안전하고 경치 좋은 공원을 설계하는 데 사용될 수 있습니다 이동성과 사회적 상호 작용을 극대화하는 오래된 아파트 교실에서 디자인 사고는 학생들이 참여하는 모든 프로젝트 기반 학습 활동에 적용됩니다 과정의 각 부분에서 학생들이 무엇을 배우게되는지 살펴 보겠습니다 재미있는 로봇 코스의 첫 번째 부분에서 학생들은 로봇과 다른 장치의 차이점을 인식하는 법을 배웁니다

오늘날 로봇의 뛰어난 응용 결과를 이해하십시오 재미있는 로봇 코스의 두 번째 부분에서 학생들은 엔지니어링 프로세스를 탐색하고 로봇 엔지니어가 어떻게 문제를 해결할 수 있는지 배웁니다 이 과정의 세 번째 부분은 학생들이 로봇 모델을 만드는 컴퓨터 사고의 사용에 중점을 둡니다 그런 다음 가상 로봇을 제어하도록 프로그래밍하는 방법을 배웁니다 과정의 마지막 부분-4 부- 학생들에게 실제 세계에서 로봇의 잠재적 응용 분야를 이해하고이 요구를 충족시키는 로봇을 설계하도록 요청하십시오

다음 비디오에서는 Fun Robotics 과정의 각 과정 활동에 대한 모든 세부 정보를 살펴 봅니다 강의 준비를 돕습니다 디지털 미디어 아카데미 | 인증 프로그램 이 자료는 귀하와 학생들에게 모든 범위의 기술 지원을 제공합니다

KNN – The K Nearest Neighbour Machine Learning Algorithm

안녕하세요, 우리가 이야기 할이 특정 비디오에서 내 채널에 오신 것을 환영합니다 KNN K라는 가장 인기있는 기계 학습 알고리즘 중 하나 여기서 K는 1에서 n까지의 숫자를 나타내며 알고리즘은 내가 이 K의 끝까지 내 K 이웃들만큼 좋아 KNN이 무엇인지, 왜 그것을 사용해야하는지 이해할 것입니다

알림을 보내기 전에 YouTube 채널을 구독 해주세요 벨 아이콘을 누르면 내가 가지고있는 소셜 미디어에서 나를 따라갈 수도 있습니다 설명에 링크가 제공되었으므로 이제 시작하겠습니다 kNN 또는 K 가장 가까운 이웃은 알고있는 감독 학습 알고리즘입니다 지도 학습 비지도라는 세 가지 유형의 알고리즘이 있습니다 학습 및 강화 학습 강화 학습은 때때로 반지도 학습이라고합니다

현재지도 학습은 두 가지 유형입니다 분류 및 회귀 선형 회귀는 회귀 유형 및 km입니다 KNN도 사용할 수 있음을 기억하기 위해 분류 유형에서 회귀를 위해이 특정 비디오에서는 그것이 KNN이 사용되는 주요 영역이므로 분류는 이 특정 알고리즘을 이해하기 위해 지금 이해하십시오 여기 문제를 생각해 봅시다 문제 진술은 문제 진술입니다 한 그룹의 사람들이 런던으로 여행한다고 가정하자

마라톤 좋아 이제 우리가 가지고 있다고 가정 해 봅시다 여기서 마지막까지 참가자의 데이터는 이제 문제 상태입니다 그들이 지금 도착한 대륙을 여행 한 거리에 따라 문제는 간단합니다 몇 킬로미터 나 몇 마일을 가져야합니까? 우리는 그들이 지금부터 오는 대륙을 추측해야합니다 작년까지 수집 한 데이터가 어떻게 생겼는지 동서에서 2000 킬로미터에서 10,000 킬로미터까지 데이터 수집 남북 방향은 괜찮아서이 그래프는 자명하다 이제 더 나아가서 사람들을 분류 해 봅시다 이제 우리가 할 수있는 것은 사람들이 안전하게 이천에서 오천 킬로미터 동쪽에서 오는 런던 이스트의 동쪽에 대해 이야기 할 때 유럽이 중요한 것은 Google지도를 열면 오른쪽이 왼쪽에 있습니다 이것은 서쪽이 될 것입니다

이것이 우리가 이것을 다시 한 번의 면책 조항과 관련시킬 수있는 방법입니다 이것은 완전히 가상의 데이터이며 학습 목적으로 만 사용되며 대륙을 정확하게 나타내지 않습니다 서부 호주를 넘어 아시아를 넘어 동쪽 유럽에서 1km 사이드 북아메리카 또는 북아메리카 또는 남미 지역 이천 킬로미터는 여전히 남쪽에서 8시에서 8 시까 지 유럽이 될 것입니다 만 킬로미터를 넘어 서면 아프리카는 우리가 가지고있는 데이터입니다 누군가가 와서 내게 물어 보면 어떻게 될지 우리의 문제를 해결하려고 노력합시다 제발 대륙에 알려주십시오 이것이 우리가 해결해야 할 문제입니다 처음에 K를 하나 기억해 보도록하겠습니다

K는 하나의 평균과 동일한 수의 이웃 k를 의미한다 가장 가까운 데이터 포인트는 여행 한 거리와 일치하는 사람입니다 시각적 참조에서 가장 가까운 사람이 아프리카에 있고 이 사람은 괜찮아요 물건이 단순 해 보입니다 결과는 사람이 아프리카 출신이거나 이제 아프리카에서 여행하는 경우 K를 변경하면 어떻게됩니까? 이 경우 2와 같습니다

가장 가까운 두 개의 데이터 포인트를 고려해야합니다 이 사람으로부터 가장 가까운 두 개의 데이터 포인트를 고려합시다 첫 번째 데이터 포인트는 아프리카에서도 시각적으로 가장 가까운 두 번째 사람이 아프리카에서 두 이웃 모두 아프리카에서 아무 문제가 없습니다 또한 아프리카에서 여행하고 있습니다 결과는 k가 2 인 것과 같습니다

이 사람이 사람이 당신에게 그가 여행하고있는 대륙이지만이 사람은 등거리에 위치하고 있습니다 가장 가까운 두 사람이 서로 다른 대륙에 있기 때문에 아프리카에있는 사람은 또한 등거리에 있습니다 북남미에있는 사람은 또한 등거리이므로 당신의 선택은 무엇입니까? 알고리즘이이 사람의 소속 여부를 알려줍니다 아프리카 나 남미에서 잘 여행하는 경우 명확한 답이 없습니다 난수를 생성 할 수 있다고 생각할 수 있습니다

그런 식으로 표현할 수있는 가치를 얻습니다 아프리카 또는 북아메리카 이제 문제는 두 가지 옵션이있는 숫자입니다 이 경우 명확한 결정 포인트가 없기 때문에 나쁘다 괜찮다고 생각하는 숫자를 사용하지 마십시오 짝수를 알면 두 가지를 얻는 경우에도 항상이 문제가 발생합니다

2 3 3 4 4 무엇을 결정할까요? 지금은 짝수를 사용하지 마십시오 이제 K를 3으로하여이 문제를 해결해 봅시다 이 특정 그림에서 가장 가까운 3 개의 데이터 포인트를 고려해야합니다 가장 가까운 사람이 세 번째로 가까운 사람을 찾으려고합니다 북미 또는 남미 지역은이 경우 투표 다수와 함께 투표에 두 개 이상의 옵션이있는 경우 KNN이 작동하는 방식 이 특정 경우에 어떤 특정 이웃이 속하는지 결정합니다

실제로 북미 또는 남미 지역에 속하므로 이제 KNN 방법을 이해합니다 작동하고 왜 짝수를 사용해서는 안됩니까 홀수를 사용할 수 있습니까? 이 경우에 또 하나의 예를 보도록하겠습니다 이런 사람은 당신에게 자신의 대륙을 찾아달라고 요청하세요 이 사람은 3 명의 이웃과 동등한 거리에 있습니다 다른 하나는 아프리카에 있고 다른 하나는 북남에 있습니다 미국은 유럽에 있습니다 이제 우리는 당신이 똑같이 들어간 사각형으로 돌아 왔습니다

홀수를 사용해도 문제가되므로 이런 종류의 문제가 발생하면 즉, K 값이 최적화되지 않았으므로 K를 최적화해야합니다 데이터 세트를 기반으로 한 가치와 이것이 당신이 기억할 때 기억해야 할 것입니다 K 값을 결정하십시오 K 사람들은 일반적으로 1 2 5 10 15 20을 무작위로 선택하지만 데이터 포인트가 이러한 종류의 데이터에 도달하면 상황에서 K 값이 올바르지 않습니다 알았어 이제 KNN은 쉽게 구현할 수있어 scikit-learn 또는 다른 머신 러닝 알고리즘 라이브러리를 사용하십시오 귀중한 자료를 찾기 위해 실제로 데이터를 활용하려는 경우 라이브러리 정보를 제공하지만 프로그래밍 기술을 시험 해보고 싶다면 당신이 배우고 있고 당신을 위로하고 싶은 경우에 시작하는 가장 좋은 알고리즘 기술과 프로그래밍 지식이 어떻게 진행되는지 확인하십시오 이 알고리즘을 구현하는 것에 대해 생각해보십시오

모든 것이 메모리에로드되어야하기 때문에 더 많은 메모리 KNN이 작동하지 않는 한계와 우리가 이야기 한 것을 알고 있습니다 가장 가까운 이웃을 고려할 두 데이터 포인트 사이의 거리 KNN에서는 거리를 계산하는 여러 가지 방법을 사용할 수 있습니다 유클리드 거리 해밍 거리 맨해튼 거리 minkowski 일반적인 사람들의 거리는 유클리드 거리를 사용하지만 시도해야합니다 그들 각각은 당신이 최고의 결과를 얻을 수있는 곳을 볼 수 있도록 많은 사람들에게 감사합니다 이것이 KNN에 관한 것입니다 나는 KNN의 아이디어를 설명 할 수 있기를 바랍니다 가장 좋은 방법으로 알고리즘은 프로그래밍 머신을 구독하십시오 좋은 시청 해 주셔서 감사합니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

안녕하세요 공동 작업자 인 컴퓨터에 오신 것을 환영합니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

EduTECH 2019 Teacher Demonstration: AI & Machine Learning in the classroom

– 난 사이먼 하퍼 야 나는 기술과 학습의 선두 주자이다

Killara 고등학교에서 그리고 오늘 저는 정말로 이야기 할 것입니다 나를 위해 계속되고있는 여행 그리고 잠시 동안 나의 수업, 인공 지능을보고 실제로 기계 학습을 사용하는 방법 우리 교실의 예측 분석 우선, 나는 시작하고 싶다 교사 중 몇 분입니까? 그리고 그 중 얼마나 많은 사람들이 중등 교사입니까? 괜찮아

그리고 기본? 그리고 네, 알았어요 그래서, 당신이 사용할 수있는 이러한 개념들 1 차 및 2 차 모두에 대해, 그러나 그것은 2 차 수준이므로 약간 더 높을 수도 있습니다 그래서, 정말로 나를 위해, 우리는 항상 그 이유부터 시작해야합니다 아이들이 왜 그렇게 중요한지 인공 지능에 대해 알고 싶습니까? 그들이 이해해야하는 이유는 무엇입니까? 우리가 실제로 어떻게 코딩하고 깊은 이해를하는지 지금 일어나고있는 일과 앞으로 갈 곳의 상황을 그래서, 나는 왜 큰 것부터 시작 할까 그리고 지난 2 년 동안 그것에 대해서 이야기되었습니다, 자동화, 세계화 및 협업 살펴보기 그리고 이것이 어떻게 변화하고 있는지 일, 가정 생활 및 사회 전반에 걸쳐 그래서, 그것은 우리에게 많은 기회를줍니다

학생들이 실제로 경쟁 할 수 있도록 또는 반드시 자신의 도시에 있지 않은 직업을 얻으십시오 그리고이 모든 분야를 열었습니다 우리가 교실에서 이것을하지 않으면, 우리는 성공을 위해 학생들을 세우지 않을 수도 있습니다 변화하는 경제에서 그리고 지금 일어나고있는 일에 대해 저를 비판하는 것은, 우리는 10 년 동안 이야기하지 않고있다 우리는 2 년, 3 년 단위로 이야기하고 있습니다

그래서 학습도 바뀌고 있습니다 그리고 나는 한쪽 편에있는 학생들에 대해 이야기하고 싶다 나는 반대쪽에있는 선생님들에 대해서 이야기하고 싶다 평생 학습은 교사로서 우리는 많이 이야기하는 경향이 있습니다 하지만 우리는 학생들에게 그것에 대해 이야기하는 경향이 있습니다

반드시 자신에 대해 생각하지 않는 평생 학습자로서 이제 선생님은 평생 학습자가되어야합니다 그러나 당신이보기 시작할 때 정말 위협적입니다 인공 지능이하고있는 것, 그리고 어떻게 우리가이 개념들 중 몇 가지를 먼저 전달하는지, 아이들이 실제로이 공간에서 일하도록하십시오 이해하고있다

그리고 그것이 제가 오늘부터 올 때입니다 전체 STEM 아젠다가 있습니다 그것은 전 세계, 특히 우리나라에서 일어나고 있습니다 그리고 STEM과 코딩, 그리고 나는 Killara의 부모님이 내게 와서 말하기를, 봐, 내 아들의 코딩은 그렇게 훌륭하지 않아 그리고 나는 위대하다고 말했다

그리고 왜 그들은 그렇게하고 있습니까? 그리고 그들은 그것에 대한 대답이 없습니다 그래서 이것에 관한 것은 계산적 사고입니다 그것은 문제 해결 능력에 관한 것입니다 그것은 그룹으로 협력 할 수있는 것에 관한 것입니다 그러나 아이들은 그 이해를 가지고 있습니다

인공 지능에 관한 것은 우리가 실제로 거인을 만들고 있다는 것입니다 이제 누가 그게 누군지 말해 줄 수 있니? 누구 시죠? 튜링이야 그래서, 튜링은 기본적으로, 당신이 그것을 볼 때, 그는 컴퓨터 과학을 시작으로 인정받는 사람입니다 인공 지능을보고 실제로 그것에 대해 이야기하기 시작했습니다 그리고 이것이 우리가 시작하는 곳입니다

열쇠는 미래에 아이들은 그렇지 않다는 것입니다 모든 코드 행을 코딩해야합니다 그리고 그것이 바로 교실 교사들을위한 것입니다 이 중 일부를 가르치기 시작했습니다 자, 나는 TAS 선생님이다

5 단계에서 컴퓨팅을 가르치기 때문에 9와 10이됩니다 나는 인공 지능에 특별한 관심을 가지고있다 그래서 나는 아주 간단히 말하고 싶다 이것은 교육부입니다 나는 사실 국가에 13 명 중 한 명이되도록 요청 받았다

인공 지능과 기술에 대해 이야기하다 실제로 이것이 우리 교과 과정에 실제로 어떻게 영향을 미치는지, 우리의 시스템과 우리가 그것을 어떻게 바꿀 수 있을지 생각해보십시오 그 중 심포지엄을 통해 호주, 모든 수준의 모든 시스템 그래서 가서 다시 이야기 할 대표자들 우리가 그것을 어떻게 바꿀 수 있는지에 관해서 다른 것은, 미에현 전문가가되고, 나는 운 좋게도 갈 수 있었다

작년 싱가포르에서 열린 교육 교류 회의 (Educational Exchange Conference) 이제 우리는 호주의 Microsoft 엔지니어가 있습니다 거기서 나가서 기계 학습에 관해서 이야기했습니다 그리고 동시에 그는 말했습니다 "우리는 최첨단에있다

"우리는 실제로 몇 명의 선생님들에게 "내가 설정 한 교훈을 단계별로 따라 가라" 그리고 나는 잘 생각했다 그것이 제가 학생들과 함께 할 곳입니다 그리고 정보 기술 소프트웨어 수업에서 그랬습니다 이제 내가 얘기하고 싶어

어떻게 그 아이들이 도약을하도록 할 수 있습니까? 우리가 어떻게 그들을 이해하게 할까? 이 모든 기술이 얼마나 중요한지? 그래서 이야기가 시작됩니다 그리고 내 길은 네가하는 방식이 아닐 수도있어 그리고 때때로 조금 지저분했다 일이 정말 잘되고 일이 정말 어려워졌습니다 그러나 우리 모두가 이러한 기술을 가르치 려한다면, 우리는 아이들을 위해 더 나은 일을하고 있습니다

나는 단지 클릭해야한다 그래서, 나는 유토피아 적 이상을 바라 봄으로써 시작합니다 애들 한테 말하면, 음, 유토피아는 무엇입니까, 어떻게 보입니까? 그리고 거기서 보게된다면, The Jetsons 아이디어, Star Trek 아이디어 그 기술은 실제로 인류를 돕고 있습니다 실제로 기회를 열어 줬습니다 우리가 은하계를 탐험하기 위해 모든 인종을 포함하는 것입니다

그리고 우리는 그 순간에 따뜻하고 흐릿 해 졌는가? 아니, 아직? 다른쪽에 디스토피아가 있기 때문에 그리고 대중 문화를 사용하여, 인공 지능은 다양한 방법으로 묘사되었습니다 그리고 배고픔 게임을 볼 때 과 기계의 부상 인공 지능을 말하는대로 아이들이 뭐라고하니? 그들은, Skynet, 점령 기계 우리는 어디서 대화 할 것인가? 그리고 나는 우리가 앉아 있다고 생각하는 곳을 안다 그러나 이상 주의적 이상은 아닙니다

그러나 그것은 디스토피아가 아닙니다 그러나 그들이하는 선택은 우리를 보내거나 유토피아 나 디스토피아에 이르기까지 많은 변화가이 변화를 주도하고 있습니다 우리는 이것에 대해 아이들과 정말로 이야기 할 수 없습니다 다른 모든 것들을 설명하십시오

인공 지능은 단지 한 가지 일뿐입니다 하지만 당신이 볼 때, 인공 지능 우리가하는 많은 일에 걸쳐 굽습니다 그래서 당신은 사물의 인터넷을 가지고 있어요 5G에 대한 광고가 표시됩니다 그리고 5G 네트워크를 둘러싸고있는 논쟁이 있습니다

그리고 그것은 미국인이 될 것인가? 누가 우리 5G를 설치하려고합니까? 아니면 중국인입니까? 5G가하는 일 때문에 사물의 인터넷을 연결하고 있습니까? 바로 그 순간에 작동합니다 따라서 도로 시스템을 카메라의 센서와 자동차의 센서에 연결하면, 당신의 전화에 얼굴 인식, 이 모든 것들이 훨씬 더 원활하게됩니다 이러한 모든 장치 및 센서에서 우리는 큰 데이터를 얻습니다 소셜 미디어, 특히 내가 얘기 할 인간 측 우리는 아이들이 이해하도록해야합니다

그 기술과 소셜 미디어는 큰 이점을 가지고 있습니다 그러나 너무 좋지 않은 것도 있습니다 로보틱스 및 자율 주행 차량 우리는 윤리적 원칙에 대해 이야기하고 싶습니다 아이들에게 가르치기

그래서 자율 차량이 아직 여기에없는 이유입니다 기술이 비록 생각하는 것이 정말 중요합니다 특히 어린이와 교사, 음, 우리의 강점은 무엇입니까? 교사로서 몇 년 전에 그들은 말하기 때문에, 우리는 거기에 로봇을 가지고있을거야 우리가 선생님으로 대체 될거야

그러나 당신이이 모든 것을 보았을 때, 이것들은 우리가 잘하는 것들입니다 그리고 저는 30 살 어린이들로 구성된 제 10 학년 IST 수업을 상상할 수 있습니다 붙어 다니려고하는 로봇과 함께 뒤에 껌을 씹고 뒤집어서 그 인간 존재와 그 공감이 없다면 이것이 우리의 힘이되는 곳이라는 사실에 대해서 이야기합니다 다른면, 어떤 기계가 실제로 잘하는가

그래서 당신이 그것을 볼 때, 그들은 효율적입니다 몇 가지 예를 들어 줄거야 네가 그걸 보면서 우리는 외과의 사, 회계사, 변호사를 만나기 시작했습니다 그들은 대체되기 시작했습니다 인공 지능은 이것을보다 효율적으로 수행합니다

그러나 우리 아이들을 위해, 직업 환경이 변하고 있습니다 그러나 그것이 꼭 그들이해야한다는 것을 의미하지는 않습니다 어쩌면 불우한 사람들 그 길에서 우리는 이것을 가르칩니다 제가 말씀 드렸듯이 일반적으로 코드의 민주화가 있습니다 그래서 우리는 AI가 다양한 형태로 존재합니다

그리고 그걸 조금 부숴 야 할 얘기가있어 우리가 이것을 아이들에게 어떻게 가르쳐 줄 수 있는지 그러나 이제 모든 것이 민주화되었습니다 당신은 그 장치를 가질 수 있습니다, 당신은 오픈 소스를 가지고 있습니다 다른 것을 만들어라

그리고 이것들은 기회입니다 우리는 포용하기 위해 애들이 필요합니다 그리고 그들은 정말로 시작해야합니다 그러한 기회를 이해합니다 우리는 유토피아로 이사하거나 뭔가 할거야

아마도 우리를 디스토피아 경로로 보내겠습니까? 자, 제가 교실에서 사용했던 것, Microsoft Azure입니다 그리고 조금 설명하기 만하면됩니다 다른 앱이 있습니다 그래서 우리는 의사 결정 애플 리케이션을 가지고, 우리는 자연 언어 처리 연설 애플 리케이션을 가지고, 우리는 비전 애플 리케이션을 가지고 지난 2 년간 해외로 간 사람은 누구입니까? 그리고 당신은 여권을 가지고 거기에 들어가서 서 있었습니까? 그 일은 간다 (로봇 서보 노이즈를 모방) 글쎄, 그건 실제로보고있어 뿐만 아니라 당신의 몸짓 언어, 너의 얼굴을보고있다 인공 지능을 사용하고 있습니다

실제로 첫째로 모두를 당신을 확인하기 위하여, 당신이 느끼는 것을 확인하십시오 나는 마약을 들고, 어쩌면 나는 약간 긴장합니다 그리고 이러한 기술을 사용하여 사람들을 선택합니다 또는 접근성이 있으며 전체 범위가 있습니다 다른 것들에 대해서는 나중에 이야기 할 것입니다

이제 엔지니어 인 Liam 나는 마이크로 소프트에 대해서 이야기하고 있었다 그는 보았다 여기 교훈이있다 OneNote에서 설정하십시오 이제, 당신이 타이타닉에 있다고 상상해보십시오

그리고 우리 모두는이 이야기를 알고 있습니다 내가 더 낮은 갑판에 있다면 어떻게 될까? 살아남을 확률이 더 높습니까? 아니면 생존 가능성이 낮습니까? 따라서이 실험에서는 실제로 데이터 세트를 사용합니다 타이타닉에서 온 것입니다 이제, 이것은 기계 학습을하는 곳입니다 분석이 시작됩니다

자, 당신이 깨닫지 못하는 것은 우리가 가장 좋아하는 프로그램이 많이 있는데, Excel입니다 AI가 거기에서 구워 졌어 그리고 실제로 이러한 것들을 추가 할 수 있습니다 그리고 이것이 교사로서 우리가 실제로 어떻게 가르치는가입니다 우리는 실제로 아이들이 그걸 가지고 놀 수있게했습니다

그래서 Azure Machine Learning입니다 그리고 그것은 링크입니다 내가 당신에게 보여줄 다음 슬라이드로 넘어갑니다 글쎄, 사실 다음은 아니야 Microsoft Azure Machine Learning을 사용했습니다

교사로서 우리는 전체 범위를 봅니다 통계가 나오고, 우리는 역사적으로 우리는 우리 아이들이하고있는 것을 시간이 지남에 따라 운동합니다 그러나 기계 학습이하는 것은 실제로 그것을 취하면 예측이 시작됩니다 아이들이있을 수있는 곳, 그들이 가진 틈 우리가 실제로 행동 할 수 있도록 그들의 교육을 훨씬 더 신속하게 개인화 할 수 있습니다

그리고 이것은 교육 측면의 힘입니다 따라서이 스프레드 시트에는 범위가 있습니다 승객, 생존자, 성, 나이, 나이 티켓 번호를 입력하면 내가 살아남을지라도 좋은 예측 인자가 될 것인가? 아마도 그렇지 않습니다 내가 거기에 일부를 선택했다면, 어떤 선실

갑판의 아래 부분에 있었습니까? 그래, 그게 아마 나를 도울거야 선실 이름과 내가 어떤 수업을했는지, 첫 번째 또는 두 번째는 좋은 예언자가 될 것입니다 그래서 우리는이 첫 번째 측면에서 무엇을하고 있습니다 데이터 정리가 필요합니다 우리는 데이터를 알고 데이터를 선택하게됩니다

그것은 우리에게 최고의 예측을 줄 것입니다 그래서, 이것이 재미있는 곳입니다 자, 결국 나는 내 세부 사항을 가지고있다 이 세 번째 것을 보게 될 것입니다 그것은 당신을 설정하는 블로그 게시물입니다

그리고 그 단계의 각 단계를 거치면서, 집에서 할 수있게 그걸 교실로 가져 가라 그래서, 그것이 여기에서하는 것,이 타이탄 생존 예측 자, 우리는 데이터 세트를 실제로 알고리즘을 추가합니다 드래그 앤 드롭이므로 코드가 이미 있습니다 그리고 그것이하는 일, 우리는 데이터를 분리합니다 그래서, 20-80

따라서 실제로 데이터를 테스트하기 위해 20 %를 사용합니다 이 모델이 작동하는지 확인하십시오 다른 80 %는 그것을 뒤집어 쓰는 데 사용됩니다 그런 다음 특정 유형의 알고리즘을 적용합니다 그리고이 블로그 게시물에 모두 포함되어 있습니다

머리가 아마 돌고있을거야 나는 정말로 약간 협박 당했다 이걸 어떻게하면 돼? 당신은 다른 알고리즘을 넣는 다음 단계로갑니다 실제로 선택한 영역의 데이터를 정렬합니다 그런 다음 모델을 훈련하게됩니다

이제 실제로 모델을 훈련 할 때, 우리는 우리 모델을 설정하여 그런 다음 타이타닉의 예측 분석을 수행 할 수 있습니다 다른 데이터 세트를 거기에 넣으십시오 그리고 그것은 나에게 신뢰할만한 결과를 줄 것이다 그리고 이것은 기계 학습의 일부입니다 인공 지능이 그렇습니다

이제, 나는 아이들에게 그렇게시켰다 그것은 약간 바위 같았습니다 그들은 정말로 고투했고 그들은 같았다 나는 그것을 얻지 못한다 어디에서, 작동하지 않는가

그러나 실제로 나는 약 4 ~ 5 명의 학생들이있었습니다 10 학년은 끝났고 나머지는 다른 사람들에게 가르쳤습니다 그리고 우리가 실제로 거기에 가지고있는 약 3 개의 수업 위에 그런 다음 확장 활동으로, 학생들에게 세 가지 데이터 세트를 제공했습니다 하나는 뉴 사우스 웨일즈의 수풀 화재에 관한 것이 었습니다

지난 10 년 동안 하나는 대기 질이었습니다 그런 다음 실제로 새로운 모델을 시작하도록했습니다 실제로 그들이 배웠던 단계를 사용합니다 실제로 예측 분석 모델을 얻는 것입니다 완벽 했나요? 아니

항상 작동 했나요? 아니 일부 학생들이 그것을 얻었습니까? 예 안 그랬어? 아니 그러나 우리는 실제로 그들의 사고 과정을 얻고 있습니다 그곳으로 가서 이해하도록하십시오

이제 작년이었습니다 자, 정말로 멋진 것은 올해였습니다 Microsoft와 Education Changemakers는 다음과 같이 말했습니다 "보세요, 우리는 도전하고 있습니다 "AI for Good Challenge"라고 불렀다

이제 Microsoft는 과거에 좋은 도전에 대한 AI를 보유했습니다 그들의 엔지니어 또는 단 하나 학생을 위해 하지만 이번이 처음입니다 그들은 호주의 고등학생들에게 말했다 "우리는 당신이 내일의 창작자가되기를 바랍니다

" 자, 여기가 우리가 가진 곳이야 아이디어를 생각해내는 사람들 세상을 변화시키다 일반적으로 백엔드를 코딩하는 사람들과 동일하지 않습니다 그래서, 그것은 아이들이 이해하도록하는 것을보고 있습니다 그게 어떻게 효과가 있을지 자,이 비디오가 당신에게 도움이 될지 모르겠습니다

나는 물어야한다 얘들 아, 그거야? 효과가 있을까요? 괜찮아 착각이야, 이니셜? 자, 여기에 우리가 간다 그래서 나는 이것을 당신에게 먼저 할 것입니다 아니, 장난 치지 않을거야

알았어, 무슨 말하는지 말해 볼게, 알았지? 정말로 사실에 대해서 이야기하고 있습니다 이것은 Microsoft AI를위한 광고입니다 자, 모든 빅 테크 기업들이 가지고있다 모두 민주화되었습니다 하지만 기본적으로 그 아이디어는 그저 도구 일 뿐이며, 그렇다면 실제로 어떻게 접근성을 가진 사람들을 도울 수 있습니까? AI를 사용하여 실제로 어떻게 개선 할 수 있을까요? 우리의 삶의 질, 우리의 환경, 우리의 바다? 우리는 어떻게 인공 지능을 사용할 수 있습니까? 실제로 인도 주의적 행동을 돕기 위해? 작년 교육 교류 회의에서 92 개국을 하나로 모으고, 교사 모두가 함께했다

그리고 이야기하는 것이 매우 재미 있습니다 당신이 상상할 수있는 것처럼 서부 아프리카의 교육자들에게 그곳에 선생님이 있습니다 나는 어느 나라를 기억하지 못한다 그러나 근본적으로 무슨 일이 있었는지 그들은 세계 경제에 무언가를 팔 수있었습니다

인터넷 때문에 그래서, AI가 실제로 실제로 만드는 것을 상상할 수 있습니다 그 지역의 큰 차이 그래서 우리가 한 일은 무엇보다도 먼저 AI를 사용합니다 그런 다음 그들은 지금 우리의 삶 속에 그것이 어떻게 존재 하는지를 봅니다 미래에 어떻게 될 수 있을까요? 윤리적 원칙을 살펴 봅니다 그리고 나는 충분한 시간이 없다

각각의 윤리 원칙을 통과해야합니다 그러나 사물을 바라 보는 것이 포함 된 것인가, 공정한 것인가, 그것은 안전하고 신뢰할 수 있으며, 다른 아이디어를 사용합니다 자율적 인 자동차 그래서 저는 자율적 인 자동차 디자이너입니다 이 신사가 여기 있으면, 내가 프로그램 할거야

차 앞에서 나간다 내가 100을 할 때 A, 길가에서 멀어 지나요? 절벽으로 가서 날 죽여? 아니면 B,이 신사 숙녀분을 여기로 옮겨서 안전한가요? 그리고 이것들은 일종의 것들입니다 정부 차원에서 그런 일이 벌어지고 있습니다 이게 어떻게 작동하는지 얘기하고있어

그러나 아이들은 그것을 이해하는 것을 가지고 있습니다 그래서, 그들은 일을했습니다 현재 진행중입니다

경쟁은 3 주 동안 끝나지 않습니다 그런데 아이들이하고있는 일 디자인 사고에 도전하고 있습니다 사실 제일 먼저, 어떤 분야에 관심이 있는지 잘 알고 있습니다 인도주의를위한 AI, 환경을위한 AI 또는 실제로 접근 가능성을위한 것입니까? 우리가 어떻게 할 수 있었는지에 대한 예를 들려 주어라 다른 사람들에게 더 많은 삶을 제공하는 삶 OneNote를 사용하면됩니다

이제는 이것에 관한 정말 큰 일은 기술입니다 그래서 우리는 기술에 관해 가르치고있는 것이 아니라, 우리는 단지 그들에게 내용을 가르치는 것이 아니라, 우리는 실제로 기업 기술을보고 있습니다 그러나 그들은 또한 필요로 할 것입니다, 그 의사 소통 기술, 협업 그리고 나는 많은 사람들이 그것에 대해 계속해서 강타한다는 것을 알고 있습니다 그러나 교사로서 우리는 떠난다

그리고 그것은 정말로 고무하고있다 그러나 예제는 어디에 있습니까? 어떻게하면 실제 연습에 포함시킬 수 있습니까? 그리고 나는 가버 리고 그것은보고 및 평가 절기입니다, 4 주 후에 저는 기대에 지쳤습니다 내가 어떻게 그것을 포함합니까, 나는 무엇을 말했는지 잊어 버렸습니다 그래서, 그러한 것들을 제자리에 두는 것이 대단히 중요합니다 지금하고있어

그러나 자신의 라인을 선택하십시오 스키 타는 사람? 누구나 눈이 좋아? 산 꼭대기에서 생각해보십시오 신선한 파우더, 줄 없음 너는 너의 선을 산 아래로 선택할거야 그리고 나는 일년 내내 스키 리조트에서 일했습니다 또는 계절 동안, 그것은 훌륭했다

그래서 아이들도 그렇게 할 수 있어야합니다 자신의 라인을 선택하십시오 물론, 교사로서 당신은 쉽게 길을 따라 도울 수 있습니다 그리고 우리가 기계 학습으로 한 것처럼, 일부는 훌륭한 일을했고, 일부는 진짜 문제를 가지고있었습니다 그리고 일부는 이해하고 일부는 그렇게 많이하지 않을 수도 있습니다

그리고 마지막으로 내 세부 사항이 있습니다 지금, 나는 항상 누군가 나에게 묻는다 왜 내가 케이프와 같은 호주 깃발을 끼고 있는지 누구든지 그 질문을 할거야? 고마워, 닉 (웃음) 그것이 교육 교류 회의였습니다

작년 싱가포르에서 Microsoft로부터 그리고 그들은 모두가 그들의 국가 옷차림을하고 있다고 말했다 그래서 나는 잘 생각했다, 나는 깃발을 얻었다 우리는 그것을 우리 등 뒤쪽에 붙일 것이다 나는 등 뒤에서 깃발을 가진 유일한 사람이었습니다

하지만 함께 오면 좋았어 전 세계의 교육자와