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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

[철도 휘파람] [음악 재생]

Introduction to Runway: Machine Learning for Creators (Part 1)

[땡땡] 여보세요 새로운 튜토리얼 시리즈에 오신 것을 환영합니다 소프트웨어에 대한 코딩 트레인 활주로라고 런웨이 란? 런웨이와 땜장이 종류를 다운로드하고 설치하는 방법 주위에? 이것이이 특정 비디오에서 할 것입니다

런웨이는 내가 만든 것이 아닙니다 활주로는 회사, 새로운 회사에 의해 만들어집니다 활주로 자체 그리고 그것은 소프트웨어의 한 조각입니다 사용하고 무료로 다운로드 할 수 있습니다 무료로 사용할 수 있습니다

클라우드 GPU 크레딧이 필요한 측면이 있습니다 나중에 살펴 보겠습니다 그리고 무료 크레딧과 쿠폰 코드를 얻을 수 있습니다 이 비디오의 설명에서 찾을 수 있습니다 하지만 난 정말 당신과 이야기하고 싶어 그게 너무 흥분되어서 앞으로 사용할 계획입니다 미래의 많은 튜토리얼과 코딩 문제, 그리고 교육 내가 할 일

그리고 나는 또한 내가 회사 활주로 자체의 고문입니다 그래서 저는 그 능력에 관여하고 있습니다 괜찮아 런웨이 란? 바로 여기에는 광고 소재에 대한 머신 러닝이 있습니다 인공 지능의 힘을 가져 오십시오 직관적이고 간단한 방법으로 창의적인 프로젝트에 시각적 인 인터페이스

오늘 새로운 제작 방법을 탐색하십시오 이것이 나에게있어 활주로의 핵심입니다 저는 창의적인 코더 인 사람입니다 처리 및 P5JS 작업 중입니다 다른 소프트웨어를 사용하고있을 수 있습니다

그것은 단지 상용 소프트웨어, 코딩 환경입니다 당신은 당신의 자신의 소프트웨어를 작성하고 있습니다 그리고 당신은 최근의 진보를 활용하고 싶습니다 기계 학습에서 이 모델에 대해 읽었습니다 이 모델에 대한이 YouTube 비디오를 보았습니다

당신은 당신의 일에 그것을 사용할 수 있습니까? 글쎄, 활주로 전에 당신이 한 일 중 하나 GitHub 리포지토리로가는 길을 찾으십시오 이 매우 긴 ReadMe를 좋아했습니다 설치 및 구성해야 할 다양한 종속성 그런 다음이 파일을 다운로드하여 설치 한 다음 이 라이브러리를 빌드하십시오 그리고 당신은 정말 오랫동안 거기에 갇힐 수 있습니다 따라서 Runway는 하나의 소프트웨어로 구성됩니다 기본적으로 머신 러닝을 실행하는 인터페이스 당신을위한 모델, 설치 및 구성 다른 일을하지 않아도 Install이라는 버튼을 누릅니다

그리고 그것은 당신에게 그 모델들을 가지고 놀 수있는 인터페이스를 제공합니다 해당 모델을 실험 한 다음 브로드 캐스트 이러한 모델의 결과를 다른 소프트웨어에 적용합니다 그리고 당신은 다양한 방법이 있습니다 HTTP 요청을 통해 방송을 할 수 있습니다 OSC 메시지를 통해 그리고이 모든 것이 말이되지 않을 수도 있습니다 당신에게, 그것은 완전히 괜찮습니다 나는 그들을 통해 찌르고 당신을 보여줄 것입니다 적어도 당신을 보여주기 위해 그들이 어떻게 작동하는지 활주로와 처리 방법 Runway와 P5JS를 페어링하는 방법, 그리고 다른 많은 예제가있는 곳을 보여 드리겠습니다 다른 플랫폼으로 할 수있는 것들과 같은 것들

첫 번째 단계는 여기를 클릭하는 것입니다 런웨이 베타 다운로드에서 자동으로 다운로드를 시작합니다 Mac OS, Windows 또는 Linux 용 실제로 Runway를 이미 다운로드하여 설치했습니다 이 단계를 건너 뛰겠습니다 실제로는 이제 소프트웨어를 실행하십시오 아 이제 런웨이에 오신 것을 환영합니다

시작하려면 로그인하세요 승인 이미 계정이 있다면 당신은 당신의 계정으로 로그인 할 수 있습니다 이미 계정이 있습니다 하지만 저는 새로운 것을 만들려고합니다

과정을 따르십시오 그래서 나는 여기에 갈 것입니다 계정을 만드십시오 이메일 주소를 입력하겠습니다 daniel@thecodingtrain

com에게 아무에게도 말하지 마십시오 그런 다음 사용자 이름과 비밀번호를 만들겠습니다 매우 강력한 비밀번호를 입력 했으므로 다음을 클릭하겠습니다 다니엘 쉬프 먼은 코딩 기차 계정을 만드십시오

아 인증 코드를 제공합니다 daniel@thecodingtraincom으로 계정이 생성되었으며 시작을 클릭 할 수 있습니다 일단 다운로드하고 Runway를 설치하고 가입하면 계정으로 로그인 한 경우 이 화면이 나타납니다 런웨이를 오랫동안 사용했다면 그런 다음 열린 작업 공간을 클릭하여 여기에 올 수 있습니다

작업 공간은 수집 방법이기 때문에 당신이 다른 모델의 무리 특정 프로젝트에 작업 공간으로 사용하고 싶습니다 그러나 우리는 그 어떤 것도하지 않았습니다 제가 가장 먼저 할 일은 모델 찾아보기를 클릭하기 만하면됩니다 그래서 당신이 제안하는 첫 번째 일은 그냥 모델을 클릭하고 무엇을 참조하십시오 Runway 인터페이스 자체에서 게임을 할 수 있습니다 런웨이에서 정말 멋진 것 중 하나가 탐색 할 수있는 소프트웨어 및 인터페이스 모델을 실험하여 작동 방식을 이해하고 그것이 잘하는 것, 잘하지 않는 것, 시작하기 전에 무엇을 하는가 자신의 소프트웨어 나 프로젝트로 가져옵니다

저는이 스페이드 코코 모델을 고를 것입니다 전에 보았다 이것은 매우 합법적입니다 나는 그것을 클릭했을 때 어떤 일이 일어날 지 전혀 모른다 이제 여기에 더 많은 정보가 있습니다 모델에 대해

모델이 무엇을하는지 알 수 있습니까? 스케치와 낙서에서 사실적인 이미지를 생성합니다 모델에 대한 자세한 정보를 찾을 수 있습니다 예를 들어,이 모델을 설명하는 논문입니다 "공간적으로 적응하는 시맨틱 이미지 합성 COCO-Stuff 데이터 세트에 대한 정규화 " 누군가가 물었을 때 이것은 초보자를위한 튜토리얼이라는 것을 기억하십시오 글쎄, 당신이 초보자라는 점에서 초보자를위한 것입니다

여기 와서 놀 수 있습니다 하지만 논문을 찾으려면 아주 깊이 갈 수 있습니다 메모를 읽고 이해 이 모델에 대한 자세한 내용, 모델 작성 방법, 어떤 데이터를 훈련 받았는지 항상 당신이있을 때마다 물어 매우 중요한 질문 기계 학습 모델을 사용합니다 여기에 귀속이있는 것을 볼 수 있습니다 이것이 모델을 훈련시킨 조직입니다 이들은 논문의 저자입니다

크기가 만들어 졌을 때 CPU 및 GPU가 지원되는 경우 갤러리 아래로 갈 수도 있습니다 그리고 우리는 생성 된 일부 이미지 만 볼 수 있습니다 아이디어를 얻을 수 있습니다 이것은 무언가를 테마로 한 모델입니다

이미지 분할이라고합니다 여기에 이미지가 있습니다 이미지 세분화는 무엇을 의미합니까? 이 이미지는 여러 조각으로 나뉘어져 있습니다 다른 세그먼트의 이러한 세그먼트는 색상으로 표시됩니다

보라색 부분, 분홍색 부분이 있습니다 연한 녹색 세그먼트 그리고이 색상들은 모델의 레이블과 연결되어 있습니다 본질적으로, 그것은 일종의 일에 대해 알고 있습니다 그 영역에 그릴 수 있습니다

따라서 이미지 분할을 두 가지 방법으로 수행 할 수 있습니다 내 이미지처럼 기존 이미지를 가져올 수 있습니다 오, 나는 그것을 분류하려고합니다 여기가 내 머리입니다 여기가 내 손입니다

여기가 내 손입니다 또는 정렬별로 이미지를 생성 할 수 있습니다 빈 이미지에 그리기, 여기에 손을 넣어 말하는 여기 머리를 올려 이것이 바로 이미지 분할입니다 적어도 내가 이해하는 방식입니다 내가 지금까지 무엇을 했습니까? Runway를 다운로드했습니다

나는 모델을 찔렀습니다 그리고 방금 하나를 클릭했습니다 이제 그 모델을 사용하고 싶습니다 나는 그것을 가지고 놀고 싶다 나는 그것을보고 싶다

여기 작업 공간에 추가로갑니다 바로 여기에 있습니다 작업 공간에 추가하십시오 이제는 아직 작업 공간이 없습니다 그래서 하나를 만들어야합니다

이 작업 공간을 호출하겠습니다 코딩 기차 라이브 스트림을 말하겠습니다 그래서 저는 그렇게 할 것입니다 Create를 누르겠습니다 이제 작업 공간이 있습니다

보시다시피, 이것은 내 작업 공간입니다 이 작업 공간에 하나의 모델 만 추가했습니다 그리고 지금 당장해야 할 일을 강조하고 있습니다 입력 소스를 선택해야합니다 따라서 모든 기계 학습 모델이 다릅니다

그들 중 일부는 텍스트 입력을 기대합니다 그들 중 일부는 이미지 입력을 기대합니다 그들 중 일부는 입력을 기대할 수 있습니다 스프레드 시트에서 임의의 과학 데이터 그런 다음 모델은 입력을 받아 실행합니다

모델을 통해 출력합니다 그리고 그 출력은 숫자 일 수 있습니다 또는 이미지 일 수도 있습니다 또는 더 많은 텍스트 일 ​​수 있습니다 이제 우리는 사례별로 일종의 공간에 있습니다

그러나 이미지 분할을 올바르게 이해하면 나는 입력과 출력을 확신한다 둘 다 이미지가 될 것입니다 작은 다이어그램을 만들어 봅시다 우리는 이것을 가지고 있습니다 이 모델은 다시 무엇을 불렀습니까? 스페이드 코코 이 머신 러닝 모델이 있습니다

아마도 여기에는 신경망 아키텍처가 있습니다 어쩌면 컨볼 루션 레이어가있을 수도 있습니다 이것은 우리가 그 논문을 읽고 싶을 것입니다 자세한 내용을 알아보십시오 런웨이는 우리가 그것을 즉시 사용할 수있게 해줄 것입니다

그리고 나는 항상 추천합니다 사용 방법에 대해 자세히 알아 보려면 이에 대해 자세히 읽어보십시오 여기 내 가정은 내가 만들고 싶은 소프트웨어에 있습니다 소프트웨어의 그림 조각을 만들고 싶습니다 사용자가 이미지를 분할 할 수 있습니다 아마 당신은 내가 일종의 추첨을 할 것이라고 상상할 수 있습니다 한 가지 색입니다 다른 색의 마커를 사용할 수 있습니다

이 이미지를 무리로 채울 것입니다 다른 색상 그런 다음 모델에이를 공급할 것입니다 그리고 밖으로 이미지가 올 것이다 우리는 입력했습니다

그리고 우리는 출력했습니다 그리고 다시, 이것은 모든 모델마다 다를 것입니다 활주로에서 선택할 수 있습니다 그럼에도 불구하고 많은 규칙이 있습니다 많은 모델들이 이미지를 기대합니다 입력 및 출력 이미지로 그들 중 일부는 텍스트를 입력으로 기대하고 이미지를 출력합니다

또는 입력 및 출력 텍스트로 이미지 등등 그리고 등등 그리고 지금하고 싶은 것은 입력 소스를 선택하는 것입니다 모델의 활주로에서 세그먼트 화 된 이미지를 생성 할 것입니다

그래서 그것은 파일에서 올 수 있습니다 실제로 네트워크 연결에서 올 수 있습니다 앞으로의 비디오에 들어가서 또는 스스로 탐색 할 수 있습니다 난 그냥 세분화를 선택합니다 알아

이것은 가장 위대한 것입니다 방금 일어난 일은 이미지 분할입니다 머신 러닝 모델의 일반적인 기능입니다 활주로에 전체 드로잉 엔진이 내장되어 있으므로 이미지 세분화로 놀 수 있습니다 보시다시피, 이것은 다른 라벨의 색상입니다 많은 교통 수단 인 것 같습니다

어쩌면 내가 원하는 것은 시도하자 사람들을 그려 봅시다 [음악 재생] 비행기와 와인 글라스 비행 오버 헤드와 두 사람 승인 일은 잘되고 있니? 이제 출력을 선택하겠습니다 그리고 나는 단지 미리보기를 원합니다

권리? 미리보기는 지금 내 보내지 않아도됩니다 다른 곳에서는 사용할 필요가 없습니다 난 그냥 Runway 자체에서 놀고 싶습니다 미리보기를하겠습니다 이제 입력을 선택했습니다

세그먼트입니다 활주로 자체의 인터페이스 출력을 선택했습니다 미리보기입니다 이제 모델을 실행할 차례입니다

우리가 간다 원격으로 실행하십시오 따라서 원격 GPU가 활성화되었습니다 가입 만하면 볼 수 있습니다 Runway의 경우 원격 GPU 크레딧 10 달러 한 번만 얼마나 실행하는지 보는 것이 재미있을 것입니다 실제로 사용합니다

한 가지만 말씀 드리겠습니다 추가 크레딧을 받고 싶은데 여기로 갈 수 있습니다 이것은 내 프로필의 일종의 아이콘과 같습니다 클릭 할 수 있습니다 이제 여기로갑니다

더 많은 크레딧 받기로갑니다 그리고 이것은 나를 브라우저 페이지로 데려 갈 것입니다 그리고 더 많은 크레딧을 지불 할 수있었습니다 하지만 여기를 클릭하겠습니다 CODINGTRAIN을 말하여 크레딧을 사용하겠습니다

바로 여기에 따라서 10 달러의 크레딧을 추가로 받으려면 당신은 이것을 할 수 있습니다 그리고 우리는 지금 20 달러의 크레딧이 있어야한다는 것을 알 수 있습니다 여기이 아이콘이 표시되어 있습니다 여기이 아이콘은 작업 공간입니다

그 중 하나의 모델로 하나만 가지고 있습니다 원격 GPU에 연결되어 있습니다 다른 모델을보고 싶다면 이 아이콘으로갑니다 괜찮아 이제 원격 실행을 누르겠습니다

[드럼 롤] 모델을 원격으로 실행 우와! [TA-DA] 어머 아 너무 예뻐요 무아 믿을 수 없어 이것이 바로 스페이드 코코 머신 러닝입니다 모델 생성

여기서 결과를 보는 것은 정말 흥미 롭습니다 그래서 당신은 생각할 수, 아무것도 몰라 이 모델에 대해, 작동 방식과 기대하는 것, 당신은 그것으로 꽤 이상한 결과를 얻을 수 있습니다 아마도 내가 좀 더 사려 깊다면 아마도 전체 공간을 가득 채우고 아마 너무 많이 비워두고 또한 두 사람과 함께 거대한 와인 잔을 포함 시켰습니다 좀 소름 끼치 네요 비록 이런 종류의 저와 비슷하다고 생각합니다 이상한 방식으로 그리고 우리는 여기서 볼 수 있습니다

이것 좀봐 $ 005 제가 언급해야 할 것은 이유입니다 왜 오랜 시간이 걸 렸어요 서버와 실제로 시작할 모든 것 모델을 실행합니다 하지만 이제 실시간으로 실행되므로 훨씬 빨리 일어날 수 있습니다 작성해 봅시다

그렇다면 그것을 채우는 것이 좋은 것입니까? 바닥재를 사용해 봅시다 나무 바닥으로 채우도록하겠습니다 오 우와 그런 다음 과일을 넣으십시오 아 이것은 지금 훨씬 나아 보입니다 옆에 오렌지를 넣자

오렌지 몇 개를 넣고 작은 과일 그릇을 만들어 봅시다 와우 이건 미친 짓이야 와우 나는 멈춰야했다 꽤 놀랍습니다

다시 한 번, 여기 잠시 후 방법에 대해 조금 더 생각하는 이 모델은 실제로 작동합니다 그리고 잘 알려진 데이터 세트를 살펴보면 코코 이미지 데이터 세트가 아마 나에게 더 많은 정보를 줄거야 그것이 잘 될 일에 대해 생각합니다 그러나 당신은 그것이 어떻게 볼 수 있는지 볼 수 있습니다 여기 나무 배경에 과일의 작은 더미 거의 천처럼 보입니다

마치 테이블 위에 앉아있는 것처럼 말입니다 매우 현실적입니다 그리고 그렇습니다 찰리 잉글랜드는 지적합니다 이것은 GPU 크레딧을 계속 사용하고 있습니다

그래도 여전히 볼 수 있습니다 라이브 페인팅을 많이해도 방금 $ 010을 사용했습니다 무료 $ 10로 많은 것을 할 수 있습니다 그냥 놀면서

현명하게 입력하면, 여기에서 분할을 선택했습니다 그러나 파일을 사용할 수도 있습니다 컴퓨터에서 파일을 열려면 나는 그렇게 할 수 있었다 그런 다음 내보내기로 변경하면 출력 나는 또한 실제로 그것을 내보낼 수 있습니다 다양한 형식으로 하지만 물론 여기서도 바로 미리보기에서이 다운로드 저장 버튼을 클릭 할 수 있습니다

이제이 특정 이미지를 영원히 더 많이 저장하고 있습니다 파일로 자, 여기서 실제로 중요한 것은 여기서 더 중요한 것은 네트워크 아래입니다 네트워크에서 여기를 클릭하고 싶었다면 이것은 이제이 특정 기계와 통신 할 수 있다는 것을 의미합니다 내 소프트웨어에서 학습 모델 내가 다운로드했거나 구매 한 소프트웨어인지 여부 다른 사람이 말한 것을 이러한 특정 프로토콜 중 하나 또는 내가 쓰고있는 자체 소프트웨어 거의 모든 프로그래밍 언어 또는 환경 프레임 워크, 모듈 또는 라이브러리가있는 경우 또는 이러한 유형의 프로토콜을 지원하십시오 여기 JavaScript의 좋은 점 중 하나는 JavaScript를 클릭하면 실제로 여기에 약간의 코드가 있음을 알 수 있습니다

실제로 자바 스크립트에 복사 / 붙여 넣기 만하면됩니다 직접 다시 올게요 OSC는 또한 매우 인기있는 메시징 네트워크 프로토콜입니다 창조적 인 코더를 위해 Open Sound Control의 약자이며 응용 프로그램간에 데이터를 보내야합니다

별도의 동영상으로 다시 돌아오겠습니다 이 중 일부가 어떻게 작동하는지 보여줍니다 또한 귀하의 Runway 소프트웨어에 대해서도 언급해야합니다 자체는 소프트웨어와 매우 유사한 방식으로 작동합니다 익숙한 Wekinator라고합니다 Wekinator는 Rebecca Fiebrink가 만든 소프트웨어입니다 몇 년 전에 OSC 메시징을 통해 데이터가 전송되는 신경망 그리고 사실 후에 그 결과를 얻습니다 비록 여기서 중요한 차이점은 런웨이라고 생각합니다

정말 큰 보물을 지원하도록 설정되어 있습니다 사전 훈련 된 모델 Wekinator는 신경망 교육에 더 많은 반면 작은 비트의 데이터로 즉석에서 런웨이가 계획하고있는 것 중 하나는 아마 9 월에 나올 것입니다 자신의 모델을 훈련시키는 기능도 있습니다 이번 런웨이 소개를 시청 해 주셔서 감사합니다 다운로드 및 설치의 기본 사항 소프트웨어, 높은 수준의 관점에서 볼 때 인터페이스 작업의 특징, 무료 클라우드를 얻는 방법 크레딧 그리고 내가 당신에게 제안하는 것은 이 비디오가 다운로드 된 후 소프트웨어를 실행 한 후 이 모델 찾아보기 페이지로 이동하십시오

보시다시피, 다양한 모델이 있습니다 모션, 생성, 커뮤니티, 텍스트, 인식 여기를 클릭하십시오 이 인식을 시도해 봅시다 얼굴 인식 조밀 한 캡

여기 PoseNet은 어디에 있습니까? 동작이 어려울 수 있습니까? DensePose PoseNet 여기 PoseNet이라는 모델이 있습니다 한 명 이상의 사람에 대한 실시간 골격 추적을 수행합니다 이 모델을 다른 라이브러리에서 다루었습니다 TensorFlow JS가있는 ML5 JS 라이브러리와 같습니다

다음 비디오에서하려고하는 것은 내 웹캠으로 Runway에서이 모델 PoseNet을 사용하고 있습니까? 이 컴퓨터에서 로컬로 실행 클라우드 크레딧을 요구하지 않고 이 모델의 결과를 [? 처리?] 자체 전체 워크 플로우를 보여 드리겠습니다 그러나 찌르십시오 주위를 클릭하십시오 원하는 모델을 찾으십시오

의견에 대해 알려주십시오 당신이 만든 이미지를 공유하십시오 그리고 난 당신이 활주로로 무엇을보고 기대합니다 큰 시청 해 주셔서 감사합니다

[음악 재생]

Introduction to Machine Learning | What is Machine Learning | Intellipaat

온라인 쇼핑을 한 적이 있습니까? 예를 들어 Amazon에서 휴대 전화를 찾고 있다고 가정 해 보겠습니다 이제 사이트에서 동일한 가격의 휴대 전화를 권장한다는 사실을 알았을 것입니다

범위 또는 동일한 상표에 의해 이제 제품을 구입하지 않고 사이트를 떠난다면 광고를 추천받을 수 있습니다 방문하는 거의 모든 웹 사이트에서 동일한 제품을 구매하게됩니다 그래서, 어떻게 이런 일이 실제로 일어나고 있습니까? 글쎄,이 모든 것은 기계 학습 때문에 가능합니다 이제 매일 매일 사용되는 기계 학습의 실제 응용 프로그램이 수천 가지가 있습니다

고의로 또는 우연히 기초 혼란스러워! 자, 몇 가지 예제를 살펴 보겠습니다 그래서 여러분 모두는 Gmail 계정을 갖게됩니다 이제 Gmail에서 전자 메일을 다음과 같은 여러 폴더로 구분할 수 있다고 생각하십니까? 기본, 프로모션, 소셜, 스팸 등 또는 당신이 소파에 앉아서 넷플 릭스를 행복하게 둘러보고 있다고 가정 해 봅시다

따라서 과거의 시청 기록과 매우 유사한 영화 추천 목록을 얻을 수 있습니다 그럼 궁금하신 적 있나요? 어떻게 가능합니까? 기계가 귀하의 관심과 비슷한 영화를 개인적으로 제안한다는 것을 알고 있습니까? 운전 중에도 Google지도는 어떤 경로의 교통량이 더 많습니까? 어느 경로가 더 빨라질 수 있습니까? 그리고 얼마나 오래 걸릴까요? 목적지에 도달하려면, 그 길에서 계속한다면? 그렇다면 Google지도는 어떻게 생각하십니까? 이 모든 것들이 기계 학습의 응용 프로그램 일뿐입니다 그러나이 모든 후, 여기서 제기되는 문제는 정확히 기계 학습이란 무엇입니까? 로봇 만이 아닙니다 기계 학습은 주로 기계에 중점을 둔 인공 지능의 하위 분야입니다 그들의 경험을 통해 배우십시오 제가 당신에게 비유로 이것을 설명하겠습니다

따라서 처음에 아무것도 모르는 신생아를 생각해보십시오 그래서 그는 배움을 위해 학교에갑니다 이제 선생님은 알파벳으로 시작합니다 선생님은 편지에 A 편지를 보여줍니다 아이가 그에게 A

라고 말합니다 그는 학생이 모든 것을 배울 때까지 반복적으로 과정을 반복합니다 알파벳들 그래서 여기에서, 학생은 훈련 받고 있습니다 일단 훈련이 끝나면

교사는 학생이 얼마나 잘 배웠는지 확인하기 위해 시험을 실시합니다 이제 우리는 기계와 동일한 비유를 할 것입니다 그래서 처음에 우리는 절대적으로 아무것도 모르는 기계를 가지고 있습니다 그래서 우리는 비슷한 방식으로 기계를 훈련하기 시작합니다 그래서 기계는 A가 무엇인지 또는 B가 무엇인지 전혀 알지 못합니다

그래서 우리는 우리 기계에 문자 A의 다양한 그림을 보여주고 그것을 가르치기 시작합니다 A 훈련이 완료되면, 우리는 다른 글꼴과 스타일의 문자 A를 보여줌으로써 기계를 테스트합니다 그리고 기계가 정확하게 문자를 식별 할 수 있다면 기계는 잘 훈련되었다 그렇지 않다면 효율성을 높이기 위해 더 많은 이미지가있는 기계를 훈련해야합니다 A와 다른 글꼴 및 스타일을 다시 테스트하고 그 정확성을 확인하십시오

우리가 더 많은 훈련을할수록 우리 기계가 더 정확해질 것입니다 이것이 기계 학습의 개념입니다 이제 기계 학습을 크게 분류 할 수 있습니다 세 가지 범주로 나뉩니다 따라서 감독 학습, 감독되지 않은 학습 및 강화 학습이 있습니다

그래서 교수 학습에 관해서, 우리는 분류 된 데이터를 사용하여 기계를 가르칩니다 하자 우리는 과일 바구니를 가지고 있고 각 과일에는 라벨이 붙어 있다고합니다 이제 기계는이 라벨 데이터에 대해 교육을 받았습니다 따라서 일단 교육이 완료되면 테스트 데이터가 제공됩니다이 데이터는 훈련이 완료되었습니다

이제 교육 데이터에 연관된 레이블이없는 또 다른 사례를 살펴 보겠습니다 그것 여기서 기계는 유사한 데이터를 식별하기 위해 데이터의 기본 구조를 이해합니다 패턴 그리고 본질적으로 유사한 데이터는 함께 그룹화됩니다

그래서 여기서 기계는 모든 사과가 본질적으로 유사하다는 것을 이해합니다 함께 그룹화 바나나와 망고도 마찬가지입니다 따라서 이러한 유형의 기계 학습은 감독되지 않은 학습이라고합니다 마지막으로 우리는 알고리즘이 시스템을 통해 학습하는 곳에서 학습 학습을 강화합니다

보상과 처벌 Apple의 이미지를 컴퓨터에 입력하면 사과로 표시한다고 가정 해 봅시다 그것은 보상받을 것이다 그러나 사과를 파인애플이라고 표시하면 부정적인 포인트가 부여됩니다 보상 점이 점점 더 커지면서 탐구를 통해 수천 가지의 결정을 내릴 수 있습니다

그리고 이것은 기계가 훈련되는 방법입니다 그래서 이것은 기계 학습에 대한 간략한 소개였습니다 검색어가 있으면 채팅 섹션에 댓글을 달아주세요 도와 드리겠습니다 너나가

또한 인증 과정을 끝내는 데 관심이있는 경우 Intellipaat 포괄적으로 IBM과 연계하여 데이터 과학 석사 점수를 제공합니다 데이터 과학, 기계 학습, 심층 학습 및 빅 데이터에 대해 배웁니다 그래서 우리는 분석적인 R, SAS 및 Python과 같은 도구 tensorflow 및 keras와 같은 심화 학습 프레임 워크 하둡 (Hadoop), 스파크 (Spark), 몽고 (Mongo) DB와 같은 거대한 데이터 도구를 제공합니다

따라서 지금은 데이터 과학 분야에서 시작하는 것이 당연합니다

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

I used Machine Learning to hack baseball

[불명료 한 소리] – 훔치지 마 거기에는 훔치기가 없습니다

나는 훔치지 않을 것을 예상한다 이것을 보아라 그리고 그는 머물렀다 그는 훔칠거야! 이건 훔친거야! 이 응용 프로그램이 작동한다면,이 아이는 약 훔칠거야! [흥분된 aling] 거리는 소리] 그는 거기에 간다! 거기 그는 간다! 기색이 없어! 그것은 작동합니다 2 년 전 야구 징후를 해독 할 수있는 앱 아이디어를 생각해 냈습니다 따라서 첫 번째 이닝 이후에도 다른 팀이 언제 훔칠 지 알 수 있습니다 그런 다음 사람들이 기계 학습을 코딩하는 데 더 관심을 가지게하는 은밀한 노력으로, 나는이 앱을 모든 사람들에게 무료로 제공 할 수있게 만들 것이다

보고서 드리겠습니다 더 이상 생각할 필요가 없습니다 오늘 저는 앱의 작동 방식을 정확히 보여 드리겠습니다

그리고 우리는 그 앱을 야생에서 사용할 것입니다 우리는 친구 Jabril과 매우 간단한 용어로 기계 학습에 관해 이야기 할 것입니다 그러나 우선 무대를 설정하기 위해 비밀스러운 야구 표시의 매혹적인 세계를 이해해야합니다 게임 내에서의 게임입니다 대부분의 사람들은 당신의 팀이 수비를하고있을 때 포수가 투수에게 징조를 줄 것이라고 알고 있습니다

그러나 당신이 공격을받을 때, 3 루 코치는 배터와베이스 러너 모두에게 징후를 보냅니다 예를 들어, 그는 비밀리에 배트에게 말을 건네 주거나, 다음 피치에서 스윙을하지 않을 수 있습니다 또는 그는 기본 주자에게 훔치라고 말할 수 있습니다 그리고 기수를 훔치는 것은 던지 자마자 뛰기 시작할 때입니다 타자가 그것을 시도하고 치기를 기다리는 대신에

타자가 볼을 맞추지 못하고 포수가 좋은 선수라면, 그는 2 루에서 너를 버릴 수있다 큰 장점이기 때문에 코치들은 실제로 선수들에게 다른 팀의 징후를 알아낼 수 있는지 확인하십시오 그것은 공정한 플레이로 간주되며 게임의 일부입니다 문제는 우리의 두뇌가 복잡한 패턴을 알아내는 데 그리 좋지 않다는 것입니다 그래서 우리는 정확히 그것을하기 위해 기계 학습을 사용하는 앱을 만들기 시작했습니다

그리고 우리가 의미하는 바는 Jabril은 실제로 앉아서 코드를 썼고, 나는 그가 Cheez-Its와 Lacroix를 무제한으로 가지고 있다고 확신 시켰습니다 그것이 작동하는 방법은 다음과 같습니다 코가 코, 귀, 팔, 턱 등에 닿은 것을 본다면 앱의 글자에 코치를 지정합니다 그럼 나는 그 사람이 서명하고 기록을 지켜 볼 것입니다 그 후에 앱에 결과를 알리면됩니다

그래서 그것은 훔친 것이거나 아닙니다 충분한 순서에 대해 이렇게하면 앱에서 예측을 시작합니다 이 경우 "A, D"또는 "코와 턱"의 조합이 도둑 맞음을 예측합니다 이것은 내 작업대에서 충분히 잘 작동했습니다 그래서 지금은 아이 대 성인 Wiffle Ball 게임에서 최초의 실제 테스트를위한 시간입니다

그리고 내 친구 새라는 Wiffle Ball 게임을 매우 진지하게 받아들입니다 그래서 그녀는 아이들 팀의 주장이었고, 바로 그 순간에 훔치라고 신호했습니다 [응원] – 그리고 나는 작은 아이들의 무리에 대해 우리의 애플 리케이션을 사용하는 윤리에 대해 확신하지 못했습니다, 그러나 그들은 득점력과 무자격 상태로 도루를 훔쳐 갔다 그리고 나서 그들은 매우 자신감을 갖고 쓰레기를 말하기 시작했다 [애들 비명 소리] 우리는 피처를 원해, 멍청이가 아니야! 그리고 아무도 내 투수에 대해, 그래서 그 시점에서 장갑이 벗겨졌다

우리는 우리의 전화로 그녀의 표지판을 촬영하는 것이 가장 쉽다는 것을 알았고, 그 후에 응용 프로그램에서 순서를 훑고 뒤에서 잡았습니다 실시간으로 처리하려고하는 것과는 대조적입니다 그리고 난 단지 세 시퀀스 후에 코드를 깨뜨린 것을보고 매우 기쁩니다 그리고 멋진 코드는 일단 코드를 알고 나면 더 이상 앱이 필요하지 않습니다 왜냐하면 도용 신호를 볼 수 있기 때문입니다 우리가 그것을 보았을 때, 우리는 우리의 투수에게 우리 자신의 비밀스런 사인을 경고했다

[음악] Ayyyyy! 너 거기서 친구 야! 그 후 경기의 흐름이 바뀌었고 공식적으로 어른들의 통치를 증명할 수 있었고 아이들은 잠잠 해졌습니다 그래서 우리의 응용 프로그램은 단지 세 시퀀스 후에 코드를 크랙하고 나는 그들을 보여 드리겠습니다 네가 뇌를 사용해서 도둑질 신호를 알아낼 수 있는지 알아봐 첫 번째는 다음과 같습니다 그리고 이것은 STEAL이었습니다

두 번째는 다음과 같습니다 그리고 이것은 별다른 것이 아니 었습니다 그리고 이것은 세 번째입니다 그리고 그것은 STEAL이었습니다 내가 대답 할 것이기 때문에 잠시 멈추고 뒤로 물러나보십시오

Sara가 나중에 확인한 app에 따르면, 그들의 훔친 표시는 그녀가 모자를 만졌을 때만 귀가하고 뒤로 귀를 기울였다 다른 모든 것은 단지 미끼였습니다 이제 앱이이를 어떻게 빨리 알아낼 수 있는지 정확하게 말하기 전에, 우리는 약간의 배경 정보가 필요합니다 그래서 여기에 내 친구 Jabril을 모서리로 묶어주었습니다 그리고 나는 그를 기계 학습에 대한 아주 간단한 설명으로 알려줄 것입니다

이제 Jabril에 대해 알아야 할 것이 있습니다 그는 기본적으로 14 세 때 코딩 방법을 가르쳐 준 천재입니다 그는 놀라운 YouTube 채널을 보유하고 있습니다 캐릭터가 직접 미로를 탐색하는 방법을 가르치는 비디오 게임을 만들었습니다 기계 학습 및 신경 네트워크를 사용합니다

[Jabril] – 좋습니다 여기에 티미가 있다고 가정 해 봅시다 그리고 Timmy는 특정 유형의 장난감을 좋아하지만 다른 장난감은 좋아하지 않습니다 따라서 여기 가짜 예제에서는 장난감의 크기와 복잡성에 따라 결정합니다 그래서 작은 것부터 큰 것까지, 그리고 여기에서 얼마나 많은 부품이 있는지; 한 조각에서 기어와 움직이는 부품 및 그런 것들을 가진 정말 복잡한 장난감까지

그래서 우리가 티미에게 약 20 가지 장난감을 물어보고 그래프에 그것들을 그리기 시작하면, 패턴을보기 시작할 것입니다 그래서 일반적으로, 그는 크고 복잡한 장난감을 좋아하지만 작고 단순한 장난감을 좋아하지 않습니다 그래서 과거의 선호도를 보면서, 우리는 미래에 대해 정말로 좋은 예측을 할 수 있습니다 여기 작은 티미에게이 복잡한 장난감을 보여 주면 이 큰, 우리는 그가 "같은"경계 안에 있기 때문에 그가 그것을 보여주기 전에 그가 좋아할 것이라고 확신합니다 그것은 기계 학습에서 큰 문제입니다

우리는 시간이 걸릴 필요가 없으며 여기에 약간의 티미 마저 보여줍니다 그의 대답을 기록하십시오 우리가 몇 가지를 녹음 한 후에 좋아하는 것과 싫어하는 것, 우리는 경계를 그릴 수 있습니다 그리고 우리가이 경계를 그린 곳은 비밀스런 소스입니다 이 경우, 단지 두 개의 입력으로, 당신은 그것을 볼 수 있고 경계를 놓을 곳을 볼 수 있습니다

대상 서로 상호 작용하는 수천 개의 입력이있는 경우 경계가 어디로 가야하는지 우리의 두뇌가 이해하는 것은 불가능합니다 그러나 기계 학습을 사용하는 컴퓨터에서는 매우 사소한 것입니다

[Mark] -이 비디오에 대한 조사에서 50 명이 넘는 야구 선수와 코치들과 이야기를 나눴습니다 그리고 우리가 간판에 관해 물었을 때, 그들이 모두 기본적으로 같은 전략을 사용하는 방법은 놀라운 것이 었습니다 당신이 그것에 데리러 수 있는지보십시오 [코치] – 모든 코치는 지표를 가지고 있습니다 – 나는이 모든 것을 할 수있는 지표가있다

이런 무작위적인 물건은 내가 만질 때까지 아무 데나 만져라 – 그러면 그것은 지표가 될 것이고 다음 표지는 '뜨거운'표시입니다 그래서 그것은 지표입니다 팔은 '훔치기'입니다 팔을 그냥하면, 그것은 아무것도 아닙니다

– 종종 나는 이것을 줄 것이다 '사이먼은 말하지 않았다' 지표로 간 다음 즉시 내 팔의 어느 곳으로 가면 : 훔치다 번트는 벨트에 달려있다 표시기를 벨트에 연결하십시오

[Mark] – 기본적으로 아무 것도 중요하지 않습니다 지표에 닿기 전까지는 모두 미끼입니다 바로 그 다음 기호가 지시입니다 따라서 지시기를 따라 간다면, 또는 피치를 취하거나, 또는 훔치기 그리고 훔친 표시가 표시기 바로 뒤에 오면, 우리는 여기서 도둑이 기록 된 순서를 봅니다

그것은 우리에게 하나를 보여 주며 우리는 그 시간 순서의 두 글자를 보면서 그 콤보를 저장하고 우리는 똑같은 일을합니다 모든 도둑이 기록 된 서열과 두 글자의 콤보가 모두 나타나있는 서열은이 경우 지표와 훔쳐 간 기호입니다 그것은 D입니다 그래서 우리가 코를 의미하는 것을 디코딩한다면, 그들의 지표와 턱은 이제 그들의 훔친 징후입니다 방금 전 당신이 기계 학습을 전혀 사용하지 않는다고 자백했습니다 단순한 알고리즘 일뿐입니다

우리는 직장에서 깨달았다 거의 모든 팀이 이전에 지표를 사용한다는 사실을 알았 더라면 우리가 당신에게 말했던 모든 사람들을 기반으로 실제적인 표시를 제공하지만,이 간단한 버전이 작동해야하는 표지판을 해독하려는 경우 시간의 90 %와 비슷하지만 다른 10 %는 표시기 이외의 다른 것을 어디에서 기호로 표시합니까? 그 곳에서 기계 학습이 필요합니다 왜냐하면 기계 학습이 충분한 교육 데이터를 제공하는 한 모든 코드를 해독 할 수 있기 때문입니다 그래서 정말로 Jabril x '머신 학습 앱이 얼마나 좋았는지 광란을 기초로 한 몇 가지 교육 데이터를 생성 했는가? 복잡한 훔친 선 나는 그가 그것을 알아낼 수 있는지보기 위해 떠올랐다 그래서 내 비밀 기호는 콧수염 문지름이었다

도둑질 표시는 그 때 나는 50까지 다른까지 가질 수있다 각 순서에 따라 신호를 보내고, 내 오른손, 눈썹에 손을 대면 더 많이 버립니다 그건 훔치지 않아 그래서 순서대로 모든 것을 무시합니까? 비록 우리가 기계 학습을 사용하지 않는다면 이미이 단계를 설정하기 위해 이미 계약을 맺었음에도 불구하고 보통의 컴퓨터를 사용합니다 수천 년 동안 해결할 수있는 이유는 티미에게 경계를 그리는 대신 모든 장난감에 관해 묻는 것과 같기 때문입니다

우리가 전에 gibreel이 코드를 성공적으로 크랙 할 수 있는지 그리고 얼마나 오래 걸릴지 Timmy 장난감 예제보다 한 단계 더 깊이 들어가서 기계 학습 방법을 살펴 보겠습니다 두 개 이상의 입력이 더 복잡한 경우에 경계를 그릴 수있는 신경 네트워크를 만드는 데있어 인간의 뇌를 모방합니다 신경망에는 크게 세 부분으로 나눌 수 있습니다 왜냐하면 저는 이것을 간단하게 유지할 것이기 때문입니다 당신은 우리의 경우에 주어진 표식이있는 입력 층을 가지고 있습니다

우리의 경우 스틸 또는 스틸이없고 중간에 출력 레이어가 있습니다 우리는 숨겨진 레이어를 가지고 있으며 바로 지금은 블랙 박스입니다 그래서 기호가 모자 모자 코 손 이었다면 우리는 이러한 노브들이 어떻게 돌리 느냐에 따라 이러한 인풋 노브를 트윗합니다 각 하나는 왼쪽에있는 손잡이와 상호 연결됩니다 따라서 각 노드에서 간단한 수학이 발생합니다

그리고 그 모든 숫자를 요약하면 0에서 60 사이의 숫자가 남았습니다 그리고 1이 정말로 0에 가깝다면 그것은 훔치지 않습니다 그리고 그 숫자가 정말로 1에 가깝다면 그것은 훔치기 때문에 당신은 그것에게 많은 훈련 데이터를줍니다 우리는 입력을 받는다 이 무표정 노브를 완전히 무작위 방향으로 돌려서 출력물을 시작해야한다는 것을 알고 있습니다

그리고 그것들을 모두 추가하면 5 점 5 점을 얻습니다 글쎄, 그건 이해가 안돼 강철 반을 가질 수는 없으며 더 중요한 것은 훈련 데이터입니다 당신은 답을 알고 있고 당신은 이것을 알고 있습니다 조합은 강철이어야했다

따라서이 숨겨진 레이어 노브를 조정하기 시작하기 전까지 시작하십시오 시간이 지남에 따라 그리고 답이 무엇인지 알 수있는 여러 예제를 거친 후에 더 정확한 결과물 결국 손잡이를 더 미세하게 조정하면 정확도가 떨어지는 지점에 도달하게됩니다 그래서 너 이제 그만둬 모델을 훈련했기 때문에이 3 개의 숨겨진 레이어 노브를 제자리에 고정하십시오 이제는 새로운 답변을 모르는 곳에 입력하면 정확한 결과를 얻을 수 있습니다

이 경우 철강 물론 이것은 간단한 모델입니다 그러나 이것은 확장되어 수천 개의 입력과 수천 개의 출력을 가질 수 있으며 실제로 발견 할 수 있습니까? 복잡한 관계 이것에 대해 정말 멋지다는 것은 기본적으로 우리 자신의 신경망 레인 스는 한 번 배우기 위해 설정되었습니다 나는 내 손과 팔 사이의 상호 작용을 이해할 수있는 충분한 훈련 데이터를 받았고 내 모델은 다음과 같이 균형을 유지했다 훈련을 받고 내 두뇌에있는 중간 손잡이를 슈퍼 글루 (superglue) 한 다음 완전히 새로운 의견을 소개 할 수 있습니다 전에 시도한 적이 없으며 아직도해야할 일을 알고 있습니다

나는 가능한 모든 훈련을받을 필요가 없다 내 뇌 때문에 다른 유형의 대상 신경 네트워크 컴퓨터에서 기계 학습을하기 전에 오랜 기간 동안 경계를 생각했습니다 인간이 준 하드 코드 된 지침 그들은 인간처럼 배울 수 있습니다 오라이와 우리가 볼 수있는 것보다 훨씬 빠르고 포괄적으로 그것을 할 수 있습니다 그래서 Jabril에게 수천 년 동안 무차별 방식을 사용하여 정상적인 컴퓨터를 사용할 수있는 도전 과제를 풀 때 요 맨 귀하의 표시가 콧수염 문지름이라고 말하면 귀하는 무엇이든지간에 그런 다음 그게 다야 Jibril의 기계 학습 알고리즘은 방금 올바른 경계를 만들고 3 분 내에 해결했습니다

기계 학습 모델은 우리의 단순한 버전보다 더 많은 데이터를 필요로합니다 그러나 결국 그것은 모든 징후를 해독 할 것입니다 입력을 캡처하는 한, 맞습니까? 그리고 이제는 실제 시험을 치러야 할 때가되었습니다 그래서 나는 내 친구 Destin에게 비밀스러운 정찰 작업을 해달라고 부탁했다 알았어,이게 그 분야 야

나는 오늘 자라면서 그것을 사용했다 내 아들은 라스 카스에서 놀고있어 세 번째베이스 코치로 영화를 찍어서 모든 데이터를 기계 학습 알고리즘에 연결합니다 이 애들이 나 한테 소리 지르고있어 내 채널이 무엇인지 알기를 원하고 그들이 나를 알아보지 못했다는 사실이 나에게 나에게 증명되었다

지역은 완전히 효과적인 변장이었고 Dustin의 원본 푸티 지에 대한 훌륭한 인터뷰 덕분입니다 우리는 훨씬 더 많은 데이터를 얻을 수 있었고 그 방법이 완전히 효과가 있음을 보여주었습니다 그리고 Destin은 뻔뻔스럽게 삼각대를 설치하고 모든 3 루 코치를 촬영했습니다 그래, 사인 흔적은 꽤 비밀이야 맞아, 네, 알겠습니다

나는 아들을 훔쳐서 곤경에 빠진다 GoPro를 컵에 넣으면 나는 조금 더 긴장하고 신중했습니다 당신은 실제로 영상을보고 프레임 샷을 실시간으로 볼 수 있습니다 손에 마셔 나는 실제로 카니발 사기 과학 비디오에서 특히이 트릭을 몇 번 사용했습니다

Destin의 푸티 지와 마찬가지로 내가 간 게임을 완벽하게 작동 시켰고 일단 코드를 해독하면 멋진 느낌이었습니다 다음에 무엇이 올지 정확히 예측할 수 있습니다 나는 이 변명을 즐겼기를 바라면서 내가 한 것처럼 기계 학습에 대해 더 많이 배울 수 있기를 바랍니다 동영상의 두 버전의 앱에 대한 링크를 제공합니다 체크 아웃 할 설명과 물론 사용에 대한 특정 규칙이있는 경우 당신의 리그에서 과학을 훔치는 기술

나는 그들을 깨뜨리지 말라고하지는 않습니다 그렇지 않으면 개인적인 경험으로 아주 중요한 사람들을 당신에게 화나게 할 수도 있습니다 나는 최근 바하마로가는 길에 곧 상영 될 상어를 방문했습니다 의심스러운 YouTube 계정 활동을 감지했습니다 그래서 나는 당신이 사용하는 동안 절대해서는 안되는 일을했다

보안되지 않은 공용 Wi-Fi 및 비밀번호가있는 경우 내 YouTube 비밀번호를 변경 했습니까? 내 동영상을 모두 삭제할 수 있었고 그 이유는 Nord VPN을 사용했기 때문에 보안되지 않은 공용 Wi-Fi가 필요했습니다 공항에서 아마 다른 사람들과 달리 나는 완전히 암호화되고 보호되고 익명임을 알고 있었다 온라인 보호를 위해서뿐만 아니라 여행 할 때 나를위한 게임 체인저입니다 그러나 내가 좋아하는 모든 웹 사이트는 집에있을 때와 똑같이 작동했으며 Norview PN은 최고이기 때문에 최고입니다 61 개국 이상에 수천 대의 서버와 무제한 대역폭 제공 따라서 호텔이나 커피 숍 또는 공항에서 보안되지 않은 공용 Wi-Fi를 사용하거나 오늘의 헤드 라인을 포기한다면 이제 개인 정보 보호를 더 많이 시작할 준비가되었습니다

진심으로 너는 북쪽 VPN에 간다 차분한 슬래시 마크 Grover를 사용하거나 비디오 설명에 링크를 사용하십시오 75 %가 3 달 미만으로 3 달 동안 일하는 3 년 계획이 있습니다 그래서 Norview pn comm 슬래시 마크 로버가되어 체크 아웃 할 때 코드 마커를 사용합니다 그래서 그들은 내가 너를 보냈고 그들은 여분의 달을 무료로 버릴 것이라고 알고있다

보고 주셔서 감사합니다

How to design a LabVIEW prediction application using machine learning

이 예에서는 게임 회사의 판매 예측 시스템을 설계하려고합니다 우리는 tensorflow를 사용하여이 판매 예측 시스템에 대한 깊은 학습 모델을 구축 할 수 있습니다

tensorflow로이 시스템을 구축하는 방법에 대한 자세한 내용은 Lyndacom을 방문하십시오 먼저 데이터 세트를 살펴보십시오 이것은 다양한 종류의 게임 판매 기록입니다 각 게임은 등급, 액션 테마, 역할극

및 가격과 같은 자체 특성을 가지고 있습니다 역사적 데이터는 게임 속성에 따라 총 수익을 추정 할 수 있음을 보여줍니다 이러한 이유로 기계 학습이나 심층 학습이 예측 시스템을 설계하는 데 적용될 수 있습니다

이 시스템은 새로운 게임의 총 수익을 속성을 기준으로 추정하는 데 도움이되므로 새로운 게임을 만들기 위해 올바른 결정을 내릴 수 있도록 지원합니다 이와 같이 예측 시스템을 설계하기 위해 복잡한 텐서 흐름 코드를 사용할 수 있습니다 그러나 ANNHUB는이 설계 프로세스를 단순화하고 프로그래밍 기술 없이도 동일한 예측 시스템을 작성할 수 있습니다 가장 중요한 점은, ANNHUB을 사용하면이 예측 시스템을 실제 생산을 위해 LabVIEW로 직접 내보낼 수 있습니다 그것이 어떻게 작동하는지 보도록합시다

ANNHUB에서 기계 학습을 사용하여 예측 시스템을 설계하는 것은 간단합니다 먼저 올바른 형식 데이터 세트를 ANNHUB에로드해야합니다 이 데이터 구조를 기반으로 ANNHUB는 신경 네트워크 구조가 어떻게되어야하는지에 대한 좋은 권고안을 제시합니다 이 기능은 기계 학습에 대한 지식이 부족한 사용자에게 유용하며 고급 사용자는 매개 변수를 조정하여 최상의 구조를 얻을 수 있습니다 ANNHUB는 또한 훈련 매개 변수 및 중지 기준을 권장합니다 교육 과정에서 조기 정지 기술은 자동 조화 문제를 처리하기 위해 자동으로 적용됩니다

ANNHUB에서는 사용자가 훈련 된 모델을 검증, 평가 및 테스트하여 유용한 제품인지 여부를 확인할 수있는 유용한 평가 도구를 제공하기 위해 평가 기법도 지원됩니다 이러한 평가 기술은 훈련 세트, 검증 세트 및 테스트 세트의 세 가지 데이터 세트에 적용 할 수 있습니다 또한 ANNHUB는 훈련 된 모델을 내보내도록 결정하기 전에 훈련 된 모델이 완전히 새로운 데이터 세트에 응답하는 방식을 경험할 수있는 테스트 인터페이스를 제공합니다 이 평가 인터페이스에서 모든 평가 기법을 사용할 수 있으므로 사용자는이 모델을 프로덕션 환경에서 사용할 수 있습니다 ANNHUB을 사용하면 교육 된 모델을 여러 환경으로 내보낼 수 있습니다

이 예제에서는이 훈련 된 모델을 LabVIEW로 익스포트 할 것입니다 트레이닝 된 모델을 LabVIEW 환경에로드하려면 ANNAPI가 필요합니다 ANNAPI를 무료로 얻고 LabVIEW에 설치하는 방법을 알아 보려면 ANSCENTER를 방문하십시오 ANNHUB 및 ANNAPI는 단일 사용자 용으로 무료이며 자세한 내용은 https : // wwwanscenter

com을 방문하십시오 ANNAPI는 Create, Predict, Evaluate 및 CleanUp과 3 가지 유틸리티 기능을 포함한 4 가지 주요 기능을 포함합니다 이 예제에서는 Create, Evaluate 및 CleanUp 함수를 사용합니다 Evaluate 함수에 대한 데이터 세트를 테스트 할 경로를 만들어야합니다 우리는 예측 된 산출물과 실제 산출물 (목표치)을 비교할 필요가있다

우리는 또한 Create 기능을위한 "License Content"를 제공해야합니다 "라이센스 내용"을 받으려면 도구 -> ANSCENTER 아래의 ANNAPI 유틸리티를 사용할 수 있습니다 먼저 라이센스 유형을 선택해야합니다 대상 배포 또는 응용 프로그램 배포의 두 가지 유형이 있습니다 그런 다음, 숙련 된 모델을 찾아보고 올바른 사용자 이름과 암호를 입력하여 "라이센스 내용"을 생성하면됩니다 대상 배포의 경우 생성 된 "라이센스 내용"이 대상 식별자에 바인딩되며 동일한 대상을 사용하는 경우이 "라이센스 내용"을 다른 응용 프로그램에 다시 사용할 수 있습니다

또한 훈련 된 모델을 Create 함수에 공급해야합니다 그냥 훈련 된 모델 파일의 내용을 복사하여 Create 함수의 Weight 매개 변수에 붙여 넣기 만하면됩니다 이제는 시험 할 시간입니다 애플리케이션을 실행하기 만하면 예상되는 총 수익과 그 속성을 기반으로 한 새 게임의 실제 총 수익을 보여주는 그래프에서 결과를 얻을 수 있습니다 그래프를 확대하면 예측 된 총 수익이 실제 총 수익과 매우 정확하게 일치 함을 알 수 있습니다

즉, 예측 시스템이 게임의 속성에 따라 올바른 총 수익을 예측할 수 있습니다

AutoML vs Traditional Machine Learning | Plaforms to perform AutoML | ThingsToKnow

전통적인 ML 파이프 라인에 대해 먼저 이야기 해 봅시다 보시다시피, 거기에 많은 단계가 포함되어 있습니다

먼저 데이터 세트를 탐색하고 시각화를 수행해야합니다 통찰력을 얻으려면 데이터를 정리하고 처리 준비를해야합니다

다음 단계는 피쳐 엔지니어링 (feature engineering) 가장 중요한 기능을 식별하고 그다지 중요한 기능을 떨어 뜨리지 마라 기능 공학에 많은 기술자가 있습니다 위의 모든 단계를 완료하면 다른 모델을 골라야하고 교육 데이터 세트에 대한 모델 교육 모델의 정확도에 따라 모델을 선택하고 모델의 매개 변수를 조정하여 모델의 정확성을 높입니다 그럼 너만 가서 뭔가를 예측할 수있어 그렇지 않아? 이러한 모든 중개자 단계를 건너 뛸 수있는 방법이 있다면 어떨까요? 그것이 Auto ML이 도움이 될 수있는 곳입니다

Auto ML 프레임 워크를 사용하면 걱정할 필요가 없습니다 한 가지, 데이터 수집 중 휴식은 자동 ML 프레임 워크에 의해 처리됩니다 그래서 자동 ML은 비 전문가를 가능하게합니다 고품질 기계 학습 모델을 교육합니다 최적의 솔루션을 찾는 효율성을 높이려면 기계 학습 문제

자동 ML 프레임 워크를 확인해 봅시다 Google의 자동 ML Google은 자사의 클라우드 플랫폼에서 많은 자동 ML 제품을 출시했습니다 심상을 위해, 자동 ML vison를 발사했다 당신이 텍스트를 처리하려는 경우 구글은 자동 ML 자연 언어를 가지고 Google은 표 구조화 된 데이터를 처리하기 위해 자동 MI 테이블도 출시했습니다 이 모든 automl 제품은 준비가되고 확장 가능한 생산을 자동으로 구축합니다 ML 모델을 매우 짧은 시간 내에 입력 데이터 세트에 추가 할 수 있습니다 자동 학습 그것은 오픈 소스이며, 파이썬과 Scikit-learn 도서관 주위에 지어진다 여기에는 누락 된 값을 처리하는 기계 학습 파이프 라인이 포함되어 있습니다

범주 형 기능, 희박하고 밀도가 높은 데이터, 및 데이터를 재 스케일링하는 단계를 포함한다 다음으로, 파이프 라인은 전처리 알고리즘과 ML 알고리즘을 적용합니다 자동 Sk 학습에는 15 개의 ML 알고리즘, 14 개의 사전 처리 방법, 및 각각의 각각의 하이퍼 파라미터를 합하여 총 110 개의 하이퍼 파라미터를 산출한다 H2O autoML H2O의 AutoML은 사용자에게 유용한 도구이며, 수행하는 간단한 래퍼 함수를 ​​제공함으로써 수많은 모델링 관련 작업 일반적으로 여러 줄의 코드가 필요합니다 에 집중할 시간을 절약함으로써 데이터 과학 파이프 라인 작업의 다른 측면 데이터 전처리, 피쳐 엔지니어링 및 모델 배치를 지원합니다

H2O AutoML 인터페이스가 설계되었습니다 가능한 한 적은 수의 매개 변수를 사용하여 모든 사용자가해야 할 일은 데이터 세트를 가리키는 것입니다 응답 열을 식별하고 선택적으로 시간 제한을 지정하거나 훈련 된 총 모델의 수에 제한이 있습니다 경비원 깊은 학습 라이브러리 인 Keras를 사용하기 쉽도록 작성된 오픈 소스 파이썬 패키지 그것은 종종 Google의 클라우드 ML 킬러로 알려져 있습니다 Google의 Auto ML 서비스는 무료가 아니기 때문에 autoKeras는 효율적이고 최신 Neural Architecture Search 버전 인 ENAS를 사용합니다

pip install autokeras를 사용하여 쉽고 빠르게 패키지를 설치할 수 있습니다 당신은 자신의 데이터 세트에서 자신 만의 아키텍처 검색을 할 준비가되었습니다 AutoKeras는 훌륭한 오픈 소스 프로젝트에 필요한 모든 것을 갖추고 있습니다 : 빠른 설치, 쉽게 실행할 수 있고 많은 예제가 있으며 수정하기 쉽고 NAS가 결국 알아 낸 네트워크 모델을 보게됩니다

Top 5 Machine Learning Online Courses To Help You Get Started

안녕 모두 오늘 우리는 기계 학습 5에 침입에 대해 논의하고 있습니다 내 채널을 구독하지 않은 경우 시작하는 데 도움이되는 온라인 코스 구독하고 벨 아이콘을 클릭하십시오 우리의 주제를 시작하자

기계 학습 마스터하지 우리 모두 기계 학습 지금은 뜨겁다 전문가 및 유사한 데이터를 학습하는 빠르게 떠오르는 현장 기계입니다 과학자 역할은 기계 학습을 시작하는 데 도움이되는 매우 수요가 많습니다 여기 경력은 시작하기 좋은 온라인 코스와 프로그램입니다 학습 기계 1의 내부 동작을 다음에서 학습합니다 스탠포드 (Stanford)는 학생들이 스스로 만들 수 있도록 온라인으로 제공됩니다

기계 학습의 너트와 볼트에 대해 배우면서 일정을 잡으십시오 자율 차량 설계 음성 인식 기술의 창 자동화 된 웹 검색 및 기계 학습이 우리를 안으로 가져온 것의 더 많은 것 지난 몇 년 동안 인간 게놈 프로젝트 (Human Genome Project) 우리는 기계 학습과 생물학을 혼합하여 우리에게 놀라운 것을 가져 왔습니다 이 수업을 다루는 데이터의 진보는 기계 학습 방법을 보여줍니다 추천 엔진에 대한 의료 진단을 위해 우리 주위에 존재한다 기계 학습과 신경 회로망은 이미 우리 삶의 큰 부분을 차지하고 있습니다

우리는 장면 뒤에 숨어 있기 때문에 그것을 깨닫지 못한다 현재 유스 케이스의 많은 부분을 효과적인 방법으로 조명하여 도움을줍니다 초보자는 ml 지식을 구축 할뿐만 아니라이 과정은 다음과 관련된 학습을 제공합니다 데이터 마이닝 패턴 인식 및 알고리즘 작업 학습의 다양한 유형 차원이 아닌 감독받지 않은 학습과 감독되지 않은 학습의 기초 감소 및 기계 학습에서 차원 성의 다른 문제 이 모든 것은 ml 구현에서 실제 역할을 준비하는 데 도움이되며 이 과정의 디자인 특징은 기계 학습 기계 학습에 초점을 맞 춥니 다 알고리즘 인공 신경망 및 로지스틱 회귀 단일 과정 무료 등록 인공 신경 네트워크 및 로지스틱 회귀 단일 코스 무료 등록이 과정의 평가를 완료하는 데 약 55 시간 기계 4

9 out 5 two 수학입니다 런던 임페리얼 칼리지 (Imperial College London)에서 배우기 수준의 기계 학습을 통해 학생들에게 신경망 및 이와 유사한 기술의 내부 동작이 전문 분야 모두 기계 학습 뒤에 수학을 가져 와서 당신을 도울 실용적인 훈련 기술에 다리를 놓으십시오 기계 학습이 수반하는 일의 유형을 개발하는 데 능숙하다 다변량 미적분학 차원 감소 및 다양한 구성 요소 도움 학생들은 필수적인 빌딩 블록에서 유능 해지기 위해 코스를 차단합니다 프로그래밍 언어 및 기본 언어로서의 파이썬 지식이 필요합니다 선형을 포함한 기계 학습에 사용되는 수학에 대한 이해 선형 대수학 다 변수 계산법에 중점을 둔이 과정의 대수학 특징 주성분 분석 PCA 및 고유치 및 고유 벡터 3 이 전문화 과정의 무료 등록은 완료 기간은 약 2 개월입니다

주당 12 시간 제안이 과정의 평점은 5 점 만점에 45 점입니다 3 국가 연구 대학 고등부에서 배운 고급 기계 경제성이 고급 수준의 온라인 전문성은 학생들을 심화 학습 및 강화 학습 등의 고급 실습 습득 교과 과정은 다양한 유형의 기계 학습 목표 및 목표를 다루게 될 것입니다 자연 언어 처리뿐만 아니라 컴퓨터 비전 및 방법 컨벌루션 뉴럴 네트워크 (convolutional neural network)와 같은 아키텍처는 이미지의 발전에 기여합니다 가공 베이지안 방법은 또한이 과정에서 과학자 cern과 Kaggle 기계 학습 전문가는 다음과 같은 실제 사례를 제공합니다 실제 세계에서 기계 학습을 구현이 전문화는 청구됩니다 학생들이 기계 학습을 적용 할 수있게 해주는 프로그램 더 나은 브레인 스토밍을 포함하는 엔터프라이즈 전문 지식 엔터프라이즈 기계 학습의 정확한 사용 및 과제 파악 실제 구현에서 장애물은 이러한 유형의 실제 전문성입니다

나중에 직업 취업에서 본질적으로 중요하므로 남쪽 소득 학생이 집에서 추구하는 탁월한 선택 작가가 컴퓨터 학습의주의 사항에 따라 디자인 팀 또는 자문 역할에 필수적인 직업 전문 기계 학습은 새로운 것이며 회사는 여전히 어떻게 조정하고 학습하는지 이 과정의 이러한 고급 기술 기능을 적용하는 것이 가장 좋습니다 학습 학습에 중점을 둔 학습 데이터 과학 베이지안 방법 컴퓨터 비전 및 자연 언어 처리 학습을 강화하는 7 이 전문화 과정의 무료 등록 및 자연 언어 이 전문화 과정에서 7 개 과정을 무료로 등록 약 8 ~ 10 개월이 과정의 평가를 완료하는 4입니다 심화 학습 AI의 심화 학습 전문성을위한 5 점 만점 5 점 중급 수준을 나타내는 깊은 학습 전문화가 있습니다 기계 학습 클래스 옵션이 과정은 깊은 학습과 그 학습에 중점을 둡니다 신경 네트워크와의 관계 코스 작업에는 다양한 유형의 구조가 포함됩니다 길쌈 신경망 LS TM 반복적 인 신경망 및 그 이상 이 과정은 이들이 다음을 포함한 다양한 산업에 어떻게 적용되는지를 보여줄 것입니다

의료 자연 언어 처리 및 제조를 통해 직장에서의 자율 주행 기술의 기초 및 파이썬 활용 및 기계 학습 모델에 대한 지식을 구축하기위한 텐서 흐름 이것으로 ml이 어떻게 다시 정의되는지에 대한 견고한 토대를 제공합니다 이 과정의 우리의 세계 특징에있는 자동화는 깊은 배우기에 집중합니다 인공 신경망 길쌈 신경망과 텐서 흐름 5 이 특성화 된 무료 등록 및 텐서 플로우 5 개 코스의 코스 이 전문화 과정에서 약 3 개월이 완료되면 제안 일주일에 11 시간 씩 Google에서 텐서 흐름으로 학습 Google 클라우드의 클라우드 플랫폼은 이러한 과정을 가장 전문적으로 다루고 있습니다 오늘날의 기계 학습을 구현하는 데 사용되는 공통 핵심 기술 여기에있는 교육자들은 학생들에게 기계 학습을 소개하고자합니다 특정 유스 케이스로 갈 때 심오한 방식으로 이 전문화는 신경의 인기에 관한 질문에 답할 것입니다 네트워크뿐만 아니라 감시 및 감독되지 않은 기계 학습 모델 그래디언트 디센트 및 테스트 및 교육 데이터 세트는이 전문 분야에 중점을 둡니다 Google에 기반한 텐서 흐름과 특정 유형의 클라우드 모델 사용 학생들이 인공 지능과 기계 학습을 통해 실제 경험을 쌓을 수있게 해줍니다

이 과정의 장점은 기계 학습 텐서 흐름 구름에 초점을 컴퓨팅 및 기능 엔지니어링이 전문 분야의 5 개 코스 무료 수수료 기간 동안 인증서를 얻을 수있는 옵션이있는 등록 주당 권장 시간 15 시간에 완료하는 데 약 한 달 이 코스는 5 점 만점의 4 점으로, 온라인으로 이용할 수 있습니다 기계 학습을 시작하고 보람있는 방향으로 일하기위한 과정 하이테크 역할 경력 모든 기술 링크는 설명에 주어진 경우 이 비디오가 마음에 들면 좋아합니다 공유하고 내 채널을 구독하십시오 벨 아이콘을 클릭하면 더 많은 업데이트

5 Steps to Machine Learning & AI

– 기계 학습 및 AI 경로, 단계적으로, 제로 (낙관적 인 음악) – 그럼, 여기서 설명 할거야

나는 문맥에 넣으려고 노력할거야 기계 학습 및 인공 지능의 가치 이것은 실제로 가치 토론의 더 많은 것입니다 일러스트를 써서, 알았어 그래서 제가 앞으로 나아갈 것임을 결정했다고 가정 해 봅시다 기계 학습 이니셔티브를 시작하십시오

그리고 기계 학습의 전체 개념은 다시, 지식을 얻는거야, 알았어 그리고이 경우 우리가 무엇을 할 것인지, 우리가 지식을 얻으려고 만하는거야? 우리 사업의 효율성에 대해 즉, 우리의 제조 작업의 효율성 기계 별, 지역별, 계획 별 좋아요, 이제 우리는 어떤 측정 기준도 제시하지 않았습니다 즉 효율성을 어떻게 측정 할 것인가? 우리가하고 싶은 것은 지식을 얻는 것뿐입니다 우리가 얼마나 효율적인지 알았어

기계 학습, 기계 학습이하는 일, 기계 학습은 시간이 지남에 따라 지식을 습득합니다 따라서 초기 지식의 정확성 기계 학습 조종사 그보다 훨씬 더 낮을거야 파일럿의 많은 후반부에, 기계 학습이 더 정확하기 때문에 시간이 지남에 따라 더 많은 데이터가 표시됩니다 당신은 예외를 제거 할 수 있습니다, 당신은 예외를 무시할 수 있습니다, 그런 종류의 물건 하지만이 예제를 사용하여 이 단계는 여기에 있습니다

따라서 기계 학습의 첫 걸음은 AI는 기계 학습이란 무엇인지 이해해야합니다 인공 지능은 무엇입니까? 우리는 이미 기계 학습이 지식의 습득, 인공 지능은 지혜의 획득 즉, 기계 학습은 정확하게 관련되어 있습니다 귀하의 비즈니스가 실시간으로 무엇을하는지 알면, 인공 지능이 더 중요하다 최적의 의사 결정을 내릴 수 있습니다

우리가해야 할 두 번째 단계는 기계 학습과 AI가 어떻게 비즈니스에 도움이되는지 그래서,이 경우, 우리의 정의가 될 것입니다, 정확히 말해서 내 사업을 도울 수있다 내 컴퓨터가 지금 얼마나 효율적으로 운영되고 있는지, 내 지역이 얼마나 효율적인지, 그것은 기계 그룹이며, 지금 실행 중입니다 그리고 얼마나 효율적으로 우리 공장이 지금 운영되고 있는지 대부분의 경우 효율성은 다음으로 제한됩니다

실제 장비 자체의 성능 그러나 비즈니스의 효율성은 사실 훨씬 더 많습니다 비즈니스가 얼마나 효율적으로 운영되고 있는지보다 또는 장비의 작동 효율 실제로 비즈니스가 얼마나 효율적으로 운영되고 있는지를 보여줍니다 예를 들어 OEE를 계산할 때, 효율 계산인데, 장비, 구역 및 식물의 내가 무시하는 것들 중 하나, 나는 단지 그 계산을 기반으로하고 있습니다

기계, 장비, 내 OEE 생산 모델의 내부에 살고 있습니다 하지만 다른 많은 것들이 있습니다 나는 거기에 넣지 않는다 예를 들면, 내 테스트 랩, 내 품질 테스트 랩은 결코 기계가 아닙니다 내 OEE 계산의 내부

내 창고, 내 모든 원자재와 완성 된 제품을 수납 한 절대로 지역이나 기계가 아닙니다 그래도 역시, 이러한 작업의 효율성은 전반적으로, 내 공장이 현재 얼마나 효율적으로 운영되고 있는지 머티리얼 핸들러가 얼마나 빨리 걸리는지 원자재를 장비에 보급하기 위해, 그게 중요한 계산이에요, 맞아요, 하지만 OEE 계산의 일부가 아니며, 내 기계가 고장난 이유가 아니라면, 가용성이 떨어졌고, 내가 원료를 기다리고 있기 때문에, 당신이 모델에 이유를 두지 않는다면 말입니다 머티리얼 핸들러가 비효율적으로 운영되고 있습니다 그래서, 우리가 말하고자하는 것은, 우리는 기계 학습과 AI를 정의 할 것입니다

정확하게 결정함으로써 내 사업을 도울 수있다 내 공장 효율성은 무엇입니까, AI가 추천을 할거야 우리가 효율성을 어떻게 향상시킬 수 있는지 그 결정은 다음과 같습니다 그 효율성 수치를 얻을 수있게, 알았어

그래서 우리가 결정한 후에는 우리가 내 사업을 도울 수있는 방법 우리는 우리의 데이터를 연결시킬 것인가? 바로 그 다음 단계입니다 따라서 정확하게 예측할 수 있도록 기계 효율, 면적 효율성 및 예측, 그리고 식물 효율, 그것을 예측하지, 그러나 그 지식을 얻고, 우리가해야 할 일은 무엇입니까 : 우리 장비의 모든 작동, 그리고 모든 이들 그룹이 어떻게 운영되고 있는지를 보여줍니다 그래서 우리가 할 첫 번째 일은 우리는 데이터를 연결합니다 따라서 가장자리에서 데이터를 가져와야합니다 우리는 SCADA 시스템, MES 시스템, 그리고 우리의 ERP 시스템

OEE 계산에서 우리는 그런 것들에 신경을 썼습니다 그래서 우리는 그것들 모두를 통일 된 이름 공간에 넣을 것입니다 통일 된 이름 공간이 무엇인지 알아야한다면, 그럼 돌아가서 볼 필요가있어 우리가 MQTT, IIOT, 및 통합 된 이름 공간의 값 우리는 지난 달의 비디오에서 통일 된 이름 공간에 대해 이야기했습니다

괜찮아 우리가하고 싶은 첫 번째 일은 우리의 데이터를 연결하는 것입니다 연결할 데이터는 무엇입니까? 대답은 모든 데이터입니다 우리는 어떤 가정을하고 싶지 않습니다 어떻게 데이터가 소비 될지

그래서, 우리가하고 싶은 것은 우리가 얻고 자하는 것입니다 모든 기업의 모든 데이터 포인트, 우리는 그것을 통합 된 이름 공간으로 매핑하려고합니다 그래서 우리는 가공되지 않은 가치에 관심이 있습니다 우리는 스케일 된 값에 관심이 있습니다 우리는 모든 데이터 포인트에 관심이 있습니다

생각 해봐 괜찮아 PLC 펌웨어가 수정 한 내용 우리는 특정 PLC에서 실행 중입니다 시리얼 번호가 뭐니, 누가 그것을 설치 한 정비사 였는지, OEM의 이름은 무엇 이었습니까? 이것은 전체 인천 국제 공항 (IIOT)이 인프라 구성 요소가 중요합니다 센서를 설치할 때, 알고 싶습니다

이상적으로 나는 많은 정보를 얻었을 것이다 특정 센서의 일련 번호 MQTT를 통해 통일 된 이름 공간에 게시 됨 그래서 그것은 내가 섭취 할 수있는 정보입니다 왜? 기계 학습은 지식을 습득하기 때문에 우리 사업에 대해서, 알았어, 더 정확하게 시도하고 획득 할 것입니다 지식, 좋아, 그리고 나서, 인공 지능이 우리에게 줄 것입니다

최적의 결정 기계 학습 알고리즘은, 우리는 어떤 정보에 대한 결정을하지 않습니다 중요하지 않다 기계 학습과 인공 지능은 이러한 결정을 내립니다 다음은 AI가 수행하는 최적의 결정의 예입니다

알고리즘이 우리에게 줄 수 있습니다 AI는 우리에게 권장 사항을 제시합니다 Pepperl 및 Fuchs 기울기 센서 사용을 중지하십시오 이유는, 우리가 비교했을 때, 기계 학습이 비교 될 때, 정확성에 대한 지식을 획득했다 경사 센서 중, 배너의 경사 센서를 비교할 때 Pepperl과 Fuch에게, 우리가 발견 한 것은 Pepperl and Fuch 's 오류율이 높으면 잘못된 정보가 표시됩니다

이는 나쁜 결과를 초래하고 있으며, Banner의 낮은 오류율과 반대 우리에게 더 나은 정보를 제공하고 있습니다 우리에게 더 나은 결과를주고 있습니다 인공 지능은 우리는 실제로 무시할 수있는 손실은 아니지만 측정 가능한 손실, 이들 특정 센서를 사용함으로써, 배너 센서로 비용이 발생하더라도 단위당 11 센트, 우리는 단위당 14 센트를 잃고 있습니다 더 싼 버전을 사용함으로써, 그러므로 3 센트의 이득이 있습니다 그리고 인간은 결코 그것을 결정할 수 없을 것입니다

그 정보는 아주 작은 수준에 있습니다 인간 존재 자체는 절대 불가능 해 그 정보를 결정합니다 그것들은 기계 학습에 대한 최적의 결정입니다 AI가 우리를 위해 침을 뱉었을거야

알았어 그래서 우리가하고 싶은 첫 번째 일은 우리는 데이터를 통일 된 이름 공간에 연결하려고합니다 이것은 중요한 구성 요소입니다 대규모로 배포 할 수는 없습니다 엔터프라이즈 머신없이 AI 학습 통일 된 이름 공간을하는거야, 알았어

이것이 우리가 집으로 가져 오는 이유입니다 그 다음 단계는 데이터를 매핑해야한다는 것입니다 모든 데이터를 IIOT 허브 또는 클라우드로 전송할 수 있습니다 정말로, 우리는 "클라우드"라는 용어를 사용할 것입니다 결국, 이 모든 정보는 클라우드로 들어가야합니다

예를 들어 테슬라의자가 운전용 자동차, 그것은 당신의 모델 S가 아닙니다 귀하의 모델 S에는 컴퓨터가 없습니다 그것은 데이터를 데이터베이스에 저장하고 있습니다 다음에 대한 결정을 내린다 당신 앞에있는 것은 인간이나 차다 내부에 저장된 정보를 기반으로 모델 S

무슨 일이 일어나고 있는지, 테슬라는 수집 된 정보를 클라우드에 업로드하고, AI 알고리즘을 처리하고 있습니다 그 정보와 더 정확한 지식을 다운로드 클라우드 환경에서 그래서, 무슨 일이 일어나는지는, 테슬라는 더 똑똑하고 똑똑해지며 똑똑 해지고, 테슬라가 모은 것뿐만 아니라, 하지만 모든 테슬라가 모은거야, 알았어 그래서, 당신이 그것에 대해 생각할 때, 그것은 기계 학습의 폐 루프 구성 요소입니다 결정하는 기계 학습 알고리즘 센서의 독해 여부 내 테슬라 앞에서, 인간이되고, 개, 여우 또는 무생물, 또는 다른 차량, 또는 세미, 또는 무엇이든 그 정보, 의사 결정, 지식 습득, 테슬라가 수집 한 데이터뿐만 아니라, 그러나 모든 테슬라가 수집 한 데이터에 그리고 그 정보는 구름 속으로 들어갑니다 어서, 잭

– 좋아, 10 명의 다른 오퍼레이터가 있다면 10 개의 다른 기계, 보유한 데이터를 기반으로 만 운영됩니다 그 기계 자체로부터 – – 올 정확한 정보 만 수정하십시오 그 특정 기계에서, 그리고 여기, 이것을 사용합시다 그래서, 기계 학습이 이것을 할 수 있습니다 나는 달리고있는 10 대의 동일한 기계를 가져갈 수있다

10 명의 다른 통신 수에 의해 그리고 내가 기계 학습 알고리즘을 가지고 있다면 내 컴퓨터에서 실행되는 실행중인 연산자가 세 개인 경우 기계 번호 하나, 내 기계 학습 알고리즘은, 사실을 고려하지 않았다 나는이 세 명의 운영자에게만 국한된다 그래서, 그런 것들이 있다고 가정 해 봅시다 세 명의 개별 사업자가하고있다

궁극적으로 성능에 영향을 미치는 그 장비 조각의, 알았어 그래서, 내가 기계 학습 알고리즘을 가지고 있다면 그냥 기계 자체에서 실행, 기계 학습 알고리즘은 3 명의 조작원 사이의 차이를 결정하고, 하지만 배우지도 않고 효과적으로 배우기도 힘듭니다 그 운영자들이 가진 참된 영향, 그 기계를 가져 가지 않으면, 9 대의 다른 컴퓨터와 비교해보십시오 각각에는 3 개의 다른 연산자가 있습니다 추가 정보가 있습니다

기계 학습 알고리즘은 무시할 수있을 것이다 이를 구체적으로 말하면, 이러한 결과는 항상 구체적으로 운영자가 주도하며, 3 명으로부터 운영되는 운영자 만이 아닙니다 내가 선택해야하는 것 좋아, 그러면 우리는 우리의 데이터를 IOT 허브에 넣는다 그리고 우리는 기계 학습 프로그램을 시범 할 필요가 있습니다

그래서,이 경우에, 우리가하고 싶은 것은, 우리가 어떻게 도움을 줄지 결정했습니다 우리 사업은 처음에는 내가 얼마나 효율적인지 알고 싶다 그래서 지식을 얻고 싶다고합시다 내가 기계 수준에서 얼마나 효율적인지, 면적 수준 및 플랜트 수준에 따라 다릅니다 전통적으로 OEE를 사용합니다

우리는 앞으로 나아가서 우리 기계의 가용성, 우리의 기계가 생산하는 제품의 품질, 그 기계의 성능, 전반적인 OEE 번호를 알려줄 것입니다 좋아요, 그래서 이것은 완전히 임의적입니다 그것은 전적으로 임의적입니다 효율성은 항상 그렇습니다 범위입니다

그리고 그것은 항상 상대적인 것입니다 다른 누군가가 우리보다 더 효율적입니다 기계 학습이 효율을 계산하지 못할 수 있음 가용성, 품질 및 성능을 기반으로합니다 기계 학습은 지식 습득을 통해, 지식을 습득함에 따라 결정할 수 있으며, 가장 정확한 획득, 또는 가장 정확한 효율 결정, 가용성, 품질 및 성능을 통한 것이 아니며, 또는 다른 요인이 우리는 자동으로 제거, 인간 제거, 우리의 가용성은 항상 기능이라고 말하면서 예정된 실행 시간 대 실제 실행 시간의 비교 라인 상태

로드 트렉에서 차를 운전하면, 더 느린 속도로가는 것이 더 나을 수도 있습니다 왜냐하면, 아시다시피, – 맞아 – 어쨌든 자유 시간을 갖기 때문에 귀하의 기계를 실행하려면, 그래서 그것을 100 %로 돌리는 것은 의미가 없습니다 당신은 더 많은 전기를 사용할 것입니다 어쨌든 당신의 스케줄에 자유 시간이있을 때, 90 %로 운영하는 것이 수익성을 높일 수 있습니다

– 효율성이란 무엇입니까? 효율성은 제조 과정에서, 가장 적은 노력으로 가장 많은 돈을 벌었습니다 기계 학습, 기계 학습은 우리에게 능력, 지식 습득을 통해 OEE 계산은 변경되지 않습니다 그래서, 제가 지식을 습득한다고 가정 해 봅시다 맞습니다 나는 인간으로서 AQP와 OEE를보고있다

나는 시간이 지남에 따라 지식을 습득하고 있습니다 그리고 나는 말하고있다, "너 알지? "우리의 실적 번호는 항상 60 %이며, "그것은 결코 60보다 높지 않다" 성능 번호는 어떻게 계산됩니까? 우리가 말하는 것은 표준 속도를 가졌습니까? 그 기계가에서 실행되어야합니다 그리고 기계가 실제로 작동 할 때, 우리는 기본적으로, 이것은 당신이 얼마나 빨리 달리고 있는지 비교합니다 우리가 당신이 달리고 있다고 말하는 비율로

우리가 습득 한 지식, 우리가 60 %를 넘지 않으면, 우리는 진절머리 나는 조작자를 가지고있다 또는 우리 표준이 너무 높습니다 – 기계가 잘못 설치되었습니다 – 맞아 그래서 표준을 낮추고, 그 숫자가 올라간다

알았어 그것은 지식의 습득입니다 그 정보로 우리가하는 일입니다 그러나 기계 학습의 경우, 기계 학습은 더 정확하게 관련되어있다 시간이 지남에 따라 지식을 습득합니다

그래서 기계 학습은 자동으로 계산됩니다 사실 우리가 잘못된 표준을 사용했기 때문에 우리의 효율성을 비교하는 것 그걸 자동으로 설명해 줄거야 그것은 시간이 지남에 따라 지식을 습득합니다 그래서, 근본적인 차이점은 여기에 기계 학습이 획득에 초점을 맞추고 있다는 것입니다

시간의 경과에 따른 효율성에 대한 지식, 알고리즘 자체는 정보를 사용합니다 시간이 지남에 따라 더 정확하게 알려줌으로써 이 효율 계산은 OEE와는 반대로, 그것은 정적이다 OEE 계산을 처음 정의 할 때, 우리가 처음 입력을 정의 할 때, 이들은 단지 정적 인 반복적 인 결과입니다 우리가 궁극적으로 기계 학습에서 원하는 것은, 내가 얼마나 효율적인지 말해줘 알았어

인공 지능이 무엇을하기를 원하는지, 인공 지능을 할 것인가, 그 효율성 번호, 우리는 인공 지능을 그 효율성 수치를 취하고, 그리고 다른 많은 변수들, 우리 사업에 관해 무엇을 바꾸어야하는지, 그래서 우리는보다 효율적으로 될 수 있습니다 OEE를 통해 우리가 이미 이와 같은 작업을 수행 한 방식은, 우리는 가용성 수치가 낮다면, 우리 장비가 너무 많이 다운 된 것을 의미합니다 유지 보수 그룹에 이야기하러 가자 "이봐 요, 당신은 장비를 가동시켜야합니다 "예방 유지 보수 프로그램을 배포하고, "이 베어링을 더 자주 바꾼다" 그런 종류의 물건

품질에 관해서, 우리는 말해야 겠어, 이봐, 우리는 낮은 숫자를 본다면, 저기있는 인간이 있어요 인간이 그 숫자를 보지 않는다면, 그것을 전혀 보지 않으며, 단지 저장됩니다 그런데 그것은 매우 일반적입니다 정말로 낮은 품질의 전화 번호가있을 수 있습니다 실제로 그것을 알지 못하면 그냥 받아 들일 수 있습니다

그러나 숫자를 보면 수치가 낮다는 것을 알 수 있습니다 그러면 우리는 더 깊은 다이빙을하고 우리는 말합니다, 당신도 알다시피, 나는 가난한 원료를 가지고 있는가, 나는 진절머리 나는 도구를 사용하고 있는가, 우리는 장비에 열악한 공학을 가지고 있습니까? 우리가 나쁜 품질의 부품을 생산하는 이유는 무엇입니까? 그리고 성능 숫자는, 우리가 낮은 성능으로 달리고 있다면, 우리의 통신 수는, 나는 의미한다, 그들은 단지 기계를 끄는거야, 그리고 긴 휴식을 취하고, 또는 너무 느리게 기계를 실행하는, 이 모든 종류의 것들 이것은 개방 루프 결정입니다 기계 학습은 정확한 획득과 관련이 있습니다 우리의 효율성에 대한 정확한 지식

인공 지능은 앞으로 나아가서 정보를 소비 할 것입니다 어쩌면이 정보도 소비 할 수 있습니다 "이봐, 이걸 바꿀 필요가있어" 인공 지능의 권장 사항은 다음과 같을 수 있습니다 "표준 속도가 너무 높습니다

"자신과 비교하는 숫자 "정확하지 않다 "그리고 당신은 단지 잘못된 표준 속도를 사용하고 있습니다 "너는 그것을 바꿀까?" 어쨌든, 이들은 기계 학습의 초기 단계입니다 그래서 내가 기계 학습을위한 가치 제안을 만들고 있다면, 맞습니다 제가 그 가치 제안을한다면, 이게 내가 꽤 많이하는 방식이야

그 논쟁을 만들거야 – [Zack] 다음에 어떤 비디오를보아야합니까? – 다음에보아야 할 비디오는 아마도 인공 지능, 기계 학습을위한 단계와는 대조적입니다 이것은 실제로 기계 학습에 대한 단계입니다 여기에는 더 높은 수준의 구성 요소가 있습니다 현실은 기계 학습을하는 것입니다

AI에 도달하기 전에 바로 지금, 기계 학습과 AI가 있습니다 그들은 단지 종류의, 그들은 상호 교환 적으로 사용되는, 그러나 그들은 그렇지 않습니다 우리는 그 기계 학습을 확립했습니다 지식의 정확한 획득과 관련이 있으며, 나는 일정 기간 동안, 그 정확한 지식을 습득해야합니다 AI를 활용하는 것에 대해 생각해보기도 전에

우린 그걸 다음에 찍을거야 그래 그래 (낙관적 인 음악)

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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