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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Introduction to Machine Learning | What is Machine Learning | Intellipaat

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

따라서 지금은 데이터 과학 분야에서 시작하는 것이 당연합니다

Unsupervised Learning (What Is Machine Learning | Machine Learning Basics)

시리즈의 마지막 비디오에서 우리는 시작했습니다 오해를 해결하는 탐구에 인공 지능과 기계 학습, 감독 학습, 필수 기초 빌딩 블록 현대 분야의 이해 기계 학습

이 비디오의 초점 그 다음에 계속 될 것입니다 하나는 그만 두었고, 그래서 앉아서 긴장을 풀고 가입하십시오 다시 한 번 탐험을 통해 기계 학습의 분야! 빠른 요약하면 기계 학습 분야는 인위적인 웅장한 분야의 하위 집합 지능과 빅 데이터와 데이터 간의 교차점 과학 데이터 과학은 통계, 수학 등의 분야 – 밖으로 이해하는 목표로 및 구조 데이터 의 교차점 데이터 과학 및 인공 지능 특정 기계의 부분 집합 학습, 감독 학습이 수행됩니다

우리가 가지고있는 학습의 한 유형 우리의 데이터에 대한 입출력, 기타 단어, 레이블이 지정된 구조화 된 데이터 및 우리 모델을 극대화하기 위해 '훈련'해야한다 예측 정확도 감독 학습 다음으로 더 세분화되어 학습 모델의 두 가지 주요 모드, 회귀 및 분류 회귀 분석 연속 출력을 예측하기위한 것입니다 다른 말로하면, 출력은 라인 – 우리 모델의 가장 적합한 모델입니다

분류 다른 한편으로는 이산 출력, 즉 매핑 변수를 이산 카테고리에 입력하십시오 이것에 추가하려면 많은 분류 모델은 회귀 알고리즘을 구현합니다 게다가 본질적으로 감독 학습 대부분이 영화 롭게된다 패턴 통계 수학 인식 문제, re-branded as 그들이 있기 때문에 기계 학습 우리가 반복하는 방식으로 적용 그들을 통해, 다른 말로하면, 예측을 높이기위한 모델 정확성

보조 메모로서, 나는 매우 이전 비디오를 볼 것을 권장합니다 이 시리즈에서는 더 깊이 이해할 수 있습니다 감독 학습의 이해 우리는 상당히 집중적으로 걸었다 예 또한, 중요한 용어 우리가 이전 동영상 기계 학습에서, 변수는 지형지 물이라고 부릅니다

변수, 속성, 속성, 기능 – 그들은 모두 같은 것을 의미하지만, 우리의 용어를 지키는 술 업계 표준과 일치하여 향후 기능을 사용하십시오 돌아 오는 중 화제에,이 요점을 되풀이하면서, 이제 다음의 하위 집합으로 이동할 수 있습니다 기계 학습, 무 감독 학습 반면 감독자 학습은 다음과 같은 데이터에 가장 적합합니다 분류 및 구조화 된, 감독받지 않은 학습은 레이블이없는 데이터를위한 것입니다

구조화되지 않았습니다 즉, 우리는 다양한 입력 기능은 알지만 모르겠다 그 결과물은 무엇이 될 것인가 에서 어떤 경우에는 우리가 입력 기능이 의미합니다 감독되지 않은 학습은 가장 대표적인 학습이다

우리가 풀어야 할 현실 세계의 문제 주로 크로스 오버에서 일어난다 큰 데이터와 인공 지능의 분야 사이에서, 이 무 감독 알고리즘은 구조를 유도하는 임무가 주어진다 구조화되지 않은 데이터로부터 감독되지 않은 감독 학습처럼 학습도 추가로 2 개의 1 차 학습 모델 유형, 연관 및 클러스터링 에서 것과 같이, 회귀가있는 감독 학습 연속 데이터를 예측하고 이산 분류 무 감독 학습, 협회는 에 대한 지속적인 데이터 및 클러스터링 이산

우선 우리는 탐구 할 것입니다 클러스터링에 대해 자세히 알아보십시오 분류하는 동안 우리는 사전 정의 된 레이블을 사용하여 적합하게하려고합니다 새로운 데이터를 올바른 카테고리 기반으로 결정 경계, 클러스터링 이 라벨은보기에 의해 파생되어야합니다 많은 데이터 간의 관계 전철기

가장 잘 알려진 것 중 하나 클러스터링 알고리즘은 K- 수단 클러스터링 이 알고리즘 작업은 다음과 같습니다 결정 공간을 분석하여 n으로 표시된 데이터 포인트의 수 그들을 분리 된 수로 나눕니다 K로 표시되는 카테고리이 번호 K 사전 정의 될 수 있거나, 알고리즘은 가장 좋은 숫자를 결정하십시오

에러 함수의 사용 해보자 간단한 예, 데이터 포인트 시청 시간 기능으로 구성 다양한 동영상의 참여 결정할 수있는 방법을 결정하는 목표 그리고 그들이 추천받을 것인지 아닌지를 결정해야합니다 이 예제는 마지막 동영상 (현재 YouTube 데이터 제외) 레이블이없고 구조화되지 않았습니다 자, 먼저, 우리는 K의 양을 결정해야합니다

우리의 데이터는 클러스터로 나뉘어집니다 이것은 미리 정의 될 수 있지만, case 오류 함수를 사용합시다 에서 K- 평균 클러스터링, 제곱의 합 오류 함수는 종종 최적의 K 값 당신이 볼 수 있듯이 K를 증가 시키면 오류가 줄어 듭니다 그래프 팔꿈치로 알려진 특정 지점, K의 증가는 수익의 감소를 가져오고, 더 많은 컴퓨팅 능력과 과핑의 위험이 증가하고, 우리는 곧 논의 할 개념입니다

그만큼 우리 예제의 오차 플롯의 팔꿈치는 4이고, 그러므로 우리는 우리의 결정을 나눌 것입니다 공간을 4 개의 클러스터로 분할합니다 이것은 먼저 4 개의 중심을 추가하고 각각의 클러스터의 중심 지금 초기 중심 위치가 발견됩니다 고밀도의 영역을 선택함으로써 비슷한 특징 조건을 가진 포인트

초기 클러스터 지점이 선택한 다음 알고리즘이 다시 할당됩니다 데이터 점수 새로운 각각의 클러스터로 우리는 그 때 중심을 다시 한 번 업데이트하십시오 데이터 포인트를 해당 클러스터에 재 할당합니다 이 단계는 중심선이 움직이지 않거나 점 멈춤 클러스터를 전환합니다 우리 끝에서 우리는 이제 4 개의 분리 된 빨간색을 정의하지 않는 클러스터 추천 된 파란색으로 업로드 1 일, 1 주일 이내에 노란색 한 달 안에 보라색

이제이 레이블들 일단 클러스터가 정의되면 각 데이터 과학자들에 의해 주어진다 기계 학습 엔지니어 분석 결정 공간 이후의 결과 나누어졌다 그러나 보시다시피,이 감독되지 않은 학습 알고리즘은 직업과 파생 된 구조 인간을 허용 한 비정형 데이터 과학자들과 엔지니어들은 해독하고 데이터를 활용하십시오 지금 전에 계속, 이것이 단지 2 차원의 경우, 즉 2 개의 경우 기능 예 마지막으로 보았 듯이 보다 현실적인 비디오로 많은 대표적인 예 기능을 사용하면 우리가 더 높은쪽으로 들어갈 때 복잡한 3 차원 공간

우리는 이것이 어떻게 문제가 해결되면 문제가 해결됩니다 무 감독 학습 분야, 협회 이 개념을 이해하려면 조금 더 잘 생각해보십시오 클러스터링 문제는 우리가 시도하는 곳입니다 구매에 따라 고객 그룹화 행동, 반면 협회 문제 우리가보고 싶을 때입니다

제품 X를 구입 한 고객이 또한 제품 Y를 구매하는 경향이있다 단어, 지형지 물 간의 상관 관계 데이터 세트의 이것으로보기 다른 형식, 행렬, 여기서 각 열은 지형지 물을 지정하고 행은 각각 데이터 포인트에 해당합니다 예제와 같은 클러스터링 알고리즘 우리가 최근에 겪었던 목표는 행의 복잡성을 줄인다 다양한 유사한 데이터 포인트를 클러스터링 함께 앞으로 나아가십시오

다음과 같은 연관 알고리즘에 대한 주문 의미있는 연관성을 이끌어 내기위한 선례 지형지 물 사이에서 협회 '규칙', 열을 줄여야합니다 다른 단어 이 열의 복잡성 감소는 다음과 같습니다 차원 감소 그만큼 데이터의 차원은 고유하게 표현하는 데 필요한 기능 단일 데이터 지점 우리가 보았던 것처럼 이 시리즈의 이전 비디오 예제에는 두 가지 기능이 있습니다

그것을 2 차원으로 표현하면 우리가 필요로했던 3 개의 특징 3 치수 및 그래서 추세가 계속됩니다 모든 형태의 데이터를 변환해야합니다 그것이되기 전에 기능 세트로 분석,이 과정은 기능이라고합니다 추출과 많은 트레이드 오프가있다 이 선택에서 기능의 양 계속 지키고 싶다면 기능 집합 간단히 말해서, 낮은 차원 성, 당신은 할 수없는 위험을 감수해야합니다

모든 데이터 포인트를 고유하게 식별 데이터 집합에서 알고리즘을 의미합니다 선택의 여지가 파생 될 수 없다 데이터로부터의 패턴, 다시 말하면, underfitting 반면에, 기능 세트가 복잡하고 높습니다 차원 적이면, 우리는 차원의 저주를 불렀다

이 더 많은 측정 기준이 추가되는 시점입니다 데이터 세트가되면 데이터 세트가됩니다 의미있는 것을 찾기에는 너무 희박하다 패턴 즉, 추가 측정 기준에 의해 데이터가 생성되었습니다

의사 결정 공간에 너무 퍼져 나갔다 또한 발생하는 또 다른 문제 높은 차원에서부터, 데이터 세트가 너무 강하게되어 새로운 데이터를 적용하십시오 의사 결정을 분석하는 데 사용되는 알고리즘 공간은 상관 관계를 만들었고 해당 기능 간의 연결 실제로 본질적인 의미가 없습니다 드문 드문 한 데이터가 큰 이유입니다 전문가 시스템이 실패한 이유 약속 된 결과를 실현시키다 높은 차원 성은 왜 낮은 것보다는 해결하기가 훨씬 어려운 문제, 따라서 우리를 우리의 출발점으로 되돌려 놓습니다

점, 차원의 필요성 협회 주문 감소 추출 할 수있는 알고리즘 의미있는 상관 관계 에 대한 인기 기술의 상승 차원 감소는 매니 폴드로 불리는 것 가설 매니 폴드 가설 높은 차원의 데이터 실제로 낮은 차원에 놓여있다 높은 차원에 매입 된 매니 폴드 평신도의 용어로 다양성을 가진 공간 어떤 모양의 표면이든 간단히 놓고, 매니 폴드 가설은 높은 차원의 데이터를 표현할 수있다

저 차원 데이터의 모양으로 변환 후 생성 적용된 이러한 변환 데이터 겪어야하는 것은 동형이 틀림 없다 데이터가 있어야한다고 역으로 역변환하여 원래의 자기와 파괴되지 않은 변환 이 낮은 차원 원래 데이터 집합의 표현 그런 다음 축소 된 기능 집합을 포함합니다 당면한 문제를 대표하는 데 필요한 여전히 의미있는 결과를 산출하고 협회, 그리고 여러 다양한 학습을위한 알고리즘 이 낮은 차원 모양을 파생하십시오

에 두 가지를 나열하십시오 : 1) 교장 성분 Snalysis, PCA, 선형 매니 폴드, 즉 비행기 그리고, 2) Isomaps, 비선형 매니 폴드의 의미 모든 곡면 이 과정은 차원 감소, 특징 선택 및 추출은 전체 기계 학습의 하위 필드, 피쳐 엔지니어링 (feature engineering) 및 많은 것을 만질 수있는 무언가 다가오는이 채널에서 더 많이 깊은 학습 시리즈 이제 나는 한 번하고 싶다 다시 한번 강조하자면, 시간과 설명이 많은 일반화 이 동영상에서 목표와 함께 만들었습니다

현실에서 매우 복잡한 주제를 간소화하다 중복되는 부분이 많습니다 에 명시된 바와 같이 이 모든 것의 출발점에 대한 면책 ​​조항 인공 지능 동영상, 여기 내 목표는 핵심 개념에 대한 소개 개요, 그 후에 당신은 당신을 만족시킬 수 있습니다 다른 것을 보면서 더 많은 것을 배우는 호기심 이 플랫폼의 놀라운 제작자 및 웹상의 자료 그러한 자원 하나 Brilliant를 사용하고 적극 권장합니다

만약 너는 기계에 관하여 더를 배우고 싶 는다 배우는 것은 실제로 어떻게 배우는지 이러한 알고리즘은 감독자에서 작동합니다 회귀와 같은 방법론 분류, 감독되지 않은 학습 Brilliantorg는 그 이상입니다 너가 갈거야! 예를 들어, 기계 학습 과정 우리가 가지고있는 많은 개념들을 통해 이 과거 동영상에서 논의되었습니다 이제 뭐 나는이 주제가 코스는 처음에는 직관적 인 설명이 주어지면 당신은 관련 문제를 겪습니다

만약 문제가 잘못되면 직관적으로 보게됩니다 네가 어디로 잘못 갔는지에 대한 설명 그 결함을 바로 잡는 방법 나의 주요 목표 이 채널은 다양한 기술에 대해 교육한다 변화시키는 혁신 세상에,하지만 더 높은 수준에서 그렇게하는 것 이보다 앞서 나아갈 필요가있다 동영상을보고 실제로 수학과 과학은 내가 토론하는 개념들

Brilliant는 이것을한다 수학과 과학 학습을함으로써 호기심을 자극하고 호기심을 자극한다 사이의 상호 연관성을 보여주는 다양한 주제의 다양성! 또한 오프라인 모드를 사용 중입니다 배우실 수있는 Brilliant의 모바일 앱 가다 다음 중 하나를 다운로드 할 수있는 기능이 있습니다 대화 형 과정

지원 Singularity 번영과 더 많은 것을 배우십시오 Brilliant에 대해 Brilliantorg에 방문하십시오 / singularity 및 무료 가입, 가입 한 첫 200 명 연간 보험료에서 20 % 할인됩니다 신청! 이 시점에서 동영상에는 결론에 오니, 고맙습니다 그것을 볼 시간을내어 주셔서 감사합니다! 만약 너라면 그것을 지원하는 것을 즐겼다

계속 유지할 Patreon 또는 YouTube 회원 이 채널 성장! 우리의 자세한 정보는 웹 사이트를 참조하십시오 더 많은 콘텐츠를 구독하고 좋아요 한입 크기의 페이스 북 페이지 콘텐츠 덩어리 이것은 Ankur입니다, 너는 Singularity Prosperity를 ​​보았다 곧 다시 보자! [음악]

What Is Machine Learning (Supervised Learning) – Part 1

인공 지능, 기계 학습 – 최근에이 단어들이 사용되었습니다 동의어로 – 그러나 그들이 있어야합니까? 이 세 번째 비디오 우리의 인공 지능 시리즈 이 기계의 목적은 학습 시리즈, 나는 그 대답을 추구 할 것이다

질문, 그래서 앉아서, 긴장을 풀고, 나와 함께해라 분야에 대한 탐험에 기계 학습! 질문에 답하기 위해 이 비디오의 시작 부분에서 제기 된 먼저 이해를 얻을 필요가있다 기계 학습이란 무엇인가? 기계 학습은 엄청난 주제이며, 많은 필드가 그것을 채택하고 및 / 또는 그리고이 채택률은 증가 이러한 필드에는 자연 언어 처리, 컴퓨터 비전, 전산 생물학 및 로봇 – 단지 몇 가지 목록 지금 정의하기 학습하는 기계는 무엇입니까, 우선 저희에게 알려주십시오

정의, 학습은 무엇입니까 인간으로서 우리는 두 가지 기본 학습 방식이 있습니다 1) 선언적 지식, 즉, 암기, 축적 개별 사실 그리고, 2) 명령 적 지식, 즉 일반화, 능력을 오래 전부터 추론 할 수있는 능력 사리 이 두 가지 모드의 확장 컴퓨팅 분야에서, 기계 학습 그때 어떤 알고리즘입니다 미래의 결과를 예측할 수있는 과거 데이터

아서 사무엘이 인용 한 것처럼 1959 년, 컴퓨팅의 개척자 인 '기계 학습'이라는 용어는 '자기 학습'프로그램 체커, 기계 학습은 " 컴퓨터에 능력을주는 연구 명시 적으로 배우지 않고 배우기 프로그래밍 "할 수 있습니다 과거 데이터의 새로운 데이터를 추론하지 않습니다 반드시 새로운 아이디어, 실제로, 큰 통계 분야의 일부는 이것에 전념했다 그러한 알고리즘 중 하나는 통계는 회귀 분석으로 알려져 있습니다 1800 년대 초반부터 주변에 있었다

회귀 분석에서 목표는 관계를 수학적으로 측정한다 변수들 사이에 선 – 가장 적합하다고 생각하는 라인을 사용하여 예측 서로 이걸 보자 예, 시청 시간 데이터 및 참여, 좋아요 및 댓글, 무작위 샘플 YouTube 동영상 이제 데이터를 통해 선을 그립니다 트렌드를 볼 수있는 곳, 시계가 커지는 곳 시간은 증가와 상관 관계가있다

약혼 시연의 관점에서 연역 시간, 주어진 시간 우리의 라인 – 오브 – 베스트 – 우리가 레벨을 예측할 수있는 적합성 그것과 그 반대도 마찬가지입니다 현재 우리 모델은 다른 사용을 통한 출력 변수 회귀, 어떤 유형의 정렬 알려진 데이터 분류 문제로 이것을 보려면, 이제 예제를 확장 해 보겠습니다 시청 시간 및 참여도 추적 동영상을 선택하면 동영상을 추천합니다

다른 단어들, 우리는 YouTube의 변수 값 알고리즘은 비디오를 추천하기 위해 사용합니다 같이 당신은 볼 수 있습니다, 우리의 원래 데이터 포인트 이제 레이블이 주어 졌 읍니다 레이블이 지정된 데이터라고합니다 데이터 한 번 레이블이 지정되었으므로 이제 진행할 수 있습니다 의 출력 라벨을 분류 할 때 입력 변수에 기초한 데이터

비슷한 회귀의 경우, 우리는 우리를 위로 갈라 지도록 선을 그 으라 결정 공간,이 라인은 의사 결정 경계라고합니다 ~에서 안구 관점, 그려 보자 경계 : 시청 시간이 80 % 이상인 경우 의 동영상 재생 시간의 45 %가 동영상을 보는 사용자가 동영상을 본 다음 비디오가 권장됩니다 그렇지 않으면, 그건 그렇지 않을거야

이제 우리가 새로운 우리가 결정해야만하는 비디오 권장 사항 먼저, 우리는 변수 및 우리의 결정에 음모 공간; 이것을 레이블이없는 것으로합니다 데이터 결정 경계에 기반 우리 모델은 출력 레이블을 예측할 것이며, 이 경우 비디오를 사용하는 것이 좋습니다 만약 우리는 지금 우리가 나눈 것을 자세히보고 있습니다

데이터를 보면 86 개의 동영상이 제대로 분류되지 않은 권장되는대로 87 개가 권장됩니다 그러나 14 개의 비디오가 그들이 아니었을 때 추천 받고 13 살 때 권고하지 않았던 것처럼 이것은 우리 모델에 예측 적 정확도는 865 % 정확도 공식을 사용하여 계산 됨 올바른 모델의 총수 추측, 173, 모든 데이터로 나눠 짐 포인트, 200 또는 더 구체적으로 진정한 긍정의 합계, 87, 그리고 참 네거티브 86 개를 모두의 합계로 나눈 값 진실한 긍정, 참된 원판, 거짓 양성 반응, 14, 위음성, 13

이 행렬에서 볼 수있는 ~으로 사용되는 혼란 행렬로 기계의 성능 결정 학습 모델, 위양성은 모델이 예측 한 결과 속성이 있습니다이 경우 권고, 현실에서는 그렇지 않습니다 대조적으로 거짓 위 음성은 모델은 속성이 실제로는 실제로 존재하지 않는다 그곳에 우리의 현재 통보 분류 모델을 사용하면 산출 할 직선을 그리시오

100 % 정확도 결정 경계를 오른쪽으로 이동하십시오 참여율이 더 필요하고 우리는 비디오를 잘못 분류합니다 권장하지 않는 것이 좋습니다, 위음성 증가, 참여를 줄이기 위해 이동 Google은 동영상을 권장하지 않는 것이 좋습니다 위양성이 증가합니다

높은 곳에 우리가 곧 보게 될 것입니다 기계 학습 알고리즘은 모델 정확도를 극대화하십시오 자,이 예제 우리는 그냥 통과했습니다 기계 학습 알고리즘 참조 의사 결정 나무로 참고로이 '트리 기반', 즉 조건부 문장 기반 기계 학습 접근 방식은 전문가에게 많은 유사점을 제시합니다

시스템에서 이 시리즈의 이전 비디오 이것은 왜 전문가 시스템이 첫 번째 기계 학습 시스템 지금, 우리의 초점을 바꾼다 알고리즘을 활용하는 알고리즘 유형 다양한 접근법 나눌 조건문 결정 공간, 예를 들어, 경우 지원 벡터 기계 이제 우리가 분명히 다루지 않을 시간이야 다음과 같은 다양한 유형의 모델이 있습니다

이 비디오는 만족 스럽지만 호기심과 더 많은 것을 배울 수 있습니다 다른 제작자의 자원 빼앗을 요지 이 모든 모델에서 똑바로서야 할 필요는 없다 단어, 선형, a의 공식으로 모델링 라인, y = mx + b 그들은 할 수있다 이차, 다항식, 지수 등 이제, 우리의 이전 예제는 두 비디오 데이터 포인트를 분류하는 변수, 시청 시간과 참여

이제 뭐 우리가 다른 것을 추출 할 수 있다면 동영상의 속성을 추가하여 우리 모델의 다른 변수 동영상을 더 잘 분류하자 이 변수는 세션 시간입니다 사용자가 플랫폼에서 보낸 시간 당신의 비디오를보고 난 후에 글쎄, 2D 선은 이제 3D 평면이되어 우리의 의사 결정 공간을 3 차원으로 만듭니다 우리 두 변수의 경우 에서처럼 이러한 분류기는 똑바로 서서 곰팡이를 피울 수있다

데이터 포인트 주변 참고로, 진정으로 유용한 분류기는 라벨이 부착 된 많은 주와 겨루다 게다가 예를 들면 2 개 주, 권장 여부 권장하지만 이상적으로는 동영상과 같은 더 많은 정보 일주일, 한 달 등 권장됩니다 추가 변수 및 우리는 더 높은 상태로 계속 나아 간다

더 높은 차원 공간 빨리 손에서 벗어나기 시작하고있다 말 그대로 모델을 만드는 유일한 방법 보다 복잡한 실제 시스템 사용 이러한 알고리즘은 강력한 데이터 센터 컴퓨터 또는 GPU, 반복 계산에 탁월합니다 상상해 보라 시각화하고 초평면의 수작업으로 수학 1000 차원의 체계

그래서, 이것들을 밟은 후에 간단한 예와 다양한보기 기계 학습 모델은 기계이다 통계를 재 상표 화 한 것을 배우시겠습니까? 안에 감각, 예 그러나 훨씬 더 깊어집니다 그것보다 더 나은 시각화를 얻으려면 다양한 관계의 관계 들판에서 나는 이것들을 설명 할 것이다

거품 다이어그램 3 개의 주요 필드 이 다이어그램에서 인위적인 것입니다 인텔리전스, 빅 데이터 및 데이터 과학 계속하기 전에 부수적으로, 데이터 과학은 구성되어 있고 많은 것으로 구성되어있다 자기 자신의 필드들 수학, 통계 등 데이터의 의미를 파악하는 일차 목표 다른 말로하면, 데이터를 구조화합니다 를 위해 우리 다이어그램의 단순함을 위해서 데이터 과학 및 통계는 같은

큰 데이터, 데이터 과학 및 인공 지능 대다수의 기계가 어디에 있는가? 학습이 일어나고, 데이터 과학과 인공 지능의 교차점 우리의 사례가 발생한 곳입니다 그만큼 우리가 이걸 보았던 예들 비디오는 기계 학습의 하위 집합이며, 감독자라고 불리는 것 배우기 감독 학습은 우리가 우리 데이터에 대한 입력과 출력을 가지고있다 다른 단어, 분류 된, 구조화 된 데이터 및 우리는 모델을 극대화하기 위해 '훈련'해야합니다 그들의 예측 정확도

또한, 당신이 희망적으로 추측 할 수있는 것처럼 예를 들어 감독 학습은 다음과 같습니다 더 하위 섹션, 2 학습 모델의 기본 모드, 회귀 및 분류 회귀 분석 연속 출력을 예측하기위한 것입니다 다른 말로하면, 출력은 라인 – 모델의 가장 적합한 모델인지 여부 직선, 곡선 등이 될 수 있습니다 본질적으로 우리는 입력을 맵핑하려고 시도하고있다

변수를 연속 함수로 변환합니다 분류는 다른 한편으로는 이산 출력 예측 단어, 입력 변수 매핑 이산 카테고리 이것에 추가하려면, 많은 우리가 본 것과 같은 분류 모델 이전에 회귀 알고리즘 구현 게다가 그렇습니다 감독 학습은 다음과 같습니다

근본적으로 통계적인 수학 패턴 인식 문제, rebranded 그들은 기계 학습이기 때문에 우리가 반복하는 방식으로 적용된다 그들을 통해, 다른 말로하면, 기차 모델 예측 정확도를 높입니다 지금 감독 학습 만이 아닙니다 기계 학습의 하위 집합, 다음 이 연재 동영상에서 다루겠습니다 무 감독 학습 및 진행 앞으로 어떻게 모든 것을 깊이 배우는가? 이의 모든 것을 탐구하여 AI, 기계 사이의 오해 학습과 깊은 학습 – 그리고 오는 것 제기 된 질문에 대한 답변에 더 가깝다

이 비디오의 시작 부분! 그러나 이것은 당신이 배우기를 기다려야한다는 것을 의미하지는 않습니다 더! 더 자세히 알고 싶다면 기계 학습 및 나는 진짜로 배우는 것을 의미한다 이 알고리즘의 작동 방식 감독 된 방법론 회귀와 분류, 무 감독 학습 등 Brilliantorg는 여러분이 갈 수있는 곳입니다 예를 들어,이 과정에서 기계 학습, 그것은 우리가 모든 개념을 커버 이 비디오를 통해 진행되었습니다 이 채널의 주요 목표는 다양한 것에 대해 고무시키고 교육한다

기술 및 혁신 세상을 변화시키지 만 높은 수준은 한걸음 나아가 야한다 이 동영상 외에도 실제로 수학과 과학 학습 내가 토론하는 개념 너머 훌륭한 수학과 과학을 만들어이 일을한다 흥미 진진한 학습과 배양 호기심을 보여주는 다양한 사이의 상호 연관성 다른 주제! Singularity를 ​​지원하려면 번영과 자세한 정보 Brilliant, Brilliantorg/singularity로 이동하십시오

Brilliantorg/singularity와 무료 가입! 또한 처음 200 명이 해당 링크로 이동하면 20 % 할인됩니다 연간 프리미엄 가입 이 때 비디오가 결론에 도달했음을 지적하고, 나는 너를 데려 가서 고맙다 그것을 볼 시간! 당신이 그것을 즐긴다면 파트 레온에서 나를 돕는 것을 고려해 보라 이 채널을 계속 성장 시켜라

어떤 주제 제안이라도 남겨주세요 아래 코멘트에! 더 많은 콘텐츠를 구독하는 것을 고려하십시오 내 페이스 북 페이지처럼 한 입 크기의 콘텐츠 덩어리 이것은 가지고있다 Ankur, 너 지켜 봤어

특이점 번영과 나는 너를 볼거야 조만간 다시! [음악]

AI Capital: What can machine learning Do? Implications for the work and the economy

감사합니다 여기에있는 가장 위대한 도시에서 세계와 그 이유의 일부는 내가 역사를보고 있었기 때문입니다

250 년 전에 제임스 와트 (James Watt) 실제로 스코틀랜드에서 증기 엔진을 개발했고 그것은 산업에 불을 붙였다 혁명과 그로 인해 우리 모두는 약 50 ~ 75 배 더 부유하다 우리 조상들이 몇백 년 전에 우리는 초기 단계에있다 Andrew McAfee와 같은 두 번째 기계 시대에 대해 우리의 근육을 단순히 보강하는 것이 아니라 우리의 마음을 증대시키는 것뿐만 아니라 산업 혁명은 부를위한 것뿐만 아니라 중대한 영향을 미쳤다 생산성과 번영에도 영향을 미쳤지 만 사실이 새로운 사람들에 대해 그렇게 행복하지 않은 러 다이 트 사람들이있었습니다

기술은 그들이 많은 일자리를 제거하고 있다고 느꼈기 때문에 그것이 숙련 된 장인에게는 많은 일자리를 없애 버렸습니다 붕괴를 많이 낳았습니다 부의 가치는 더 컸지 만 경제 법이 없습니다 그 혜택은 균등하게 배분되며 모두가 오늘날 기계의 일부로 사람들이 더욱 걱정하고 있습니다 우리의 근육을 논쟁 할뿐만 아니라 보수 주의자들에게 점점 더 적은 것을 상기시킨다

우리가 인간에게 할 수있는 일은 내가 너와 이야기하고 싶은 것 다음 20 분 정도 그리고 나는 정말로 내가했던 질문을 고대하고있다 너희들이 질문 할 기회를 얻는다 고 주장한다 나는이 새로운 것에 대해 이야기 할 것이다 혁명은 기계 학습의 혁명이며 기계 학습은 일부 직업에 영향을 미치고 여기에서 몇 가지 포인트를 만들어서 원하는 첫 번째 기계 학습의 많은 응용 프로그램이 인간 수준의 성능 또는 심지어 초인적 수준의 성능에 도달하고 있습니다

그러나 우리는 인공 지능과는 거리가 멀기 때문에 좁은 AI와 일반 AI의 구별 인공 일반 정보는 당신이 알고있는 할리우드 영화에서 보는 것입니다 사람들의 모든 일을 처리 할 수있는 터미네이터 머신 언젠가 우리는 패널에서 그날이 얼마나 빨리 논의 될지를 성취 할 것입니다 나는 그것이 수십 년이나 어쩌면 몇 세기가 지난 것 같지만 우리가 가지고있는 것 같아요 이미 분명히 더 나은 특정 좁은 응용 프로그램입니다 사람들보다 더 커다란 혼란을 겪고 있습니다 노동 시장에서 기계가 어떤 것들을 잘하고 인간이 다른 사람들보다 나을수록 그것은 적어도 나를위한 질문을 제기한다

기계가 배울 수있는 것과 우리가하는 것들은 무엇입니까? 배울 수 있고 우리는 각각 비교 우위를 가지고 있습니다 그래서이 질문에 답하기 위해 나는 기계 학습에 대해 많은 시간을 보냈다 전문가는 Google에서 demis hassabis 같이 Kings Cross에서 여기 몇 개를 포함하여 deepmind 및 Schoen 다리 무스타파 Suleiman 세계의 많은 다른 사람들과 나는 물었다 그들은 자신들의 기계를 놓을 작업의 유형을 어떻게 결정할 것인가? 학습 전문가와 어떤 사람들이 당신이 알고 있다고 말하면서 준비가되어 있고 우리가 한 것은 21 가지 질문 루 브릭을 개발 한 것입니다 Carnegie Mellon University에서 기계 학습의 책임자 인 Tom Mitchell과 함께 우리는이 저널 과학에 저것을 썼습니다

그리고 저는 여러분과 조금 이야기 할 것입니다 그 질문을 구별하는 데 도움이되는 조금은 우리가 한 다음 일은 미국 경제의 모든 활동에 대한 루 브릭을 적용 또는 미국 경제에서 사람들이하는 모든 일의 목록이 없습니다 그것이 완전히 포괄적이라는 것을 알아라 그러나 그들이 한 것은 그들이 나누어 줬다는 것이다 미국 경제 노동 통계국은 950으로 나뉘어져있다

직업과 각 직종에는 약 20 ~ 30 명이 있습니다 별개의 과제 버스 운전사 학교 선생님 경제학자 방사선 학자 1 분간의 방사선과 의사에게 부속 된 방사선 전문의 중 일부는 27 가지 업무를 수행하고 있습니다 스물 하나 질문 루 브릭을 가지고 우리는 각각의 작업에 그것을 적용 이제 당신과 공유 할 일은 어떤 작업이 기계에 적합한 지입니다 배우는 것과 그렇지 않은 것, 우리가 어떻게 기업이 산업에 미치는 영향을 이해한다 다른 지리 여기에 세계의 다른 나라의 다른 부분은 메인 테이크 어웨이 나는 잠시 후에 더 자세한 내용을 보여 주겠다

헤드 라인 첫 번째 테이크 아웃은 새로운 일자리가 기계 학습에 의해 우리가 절대로 결코 영향을받지 않을 것입니다 이전 기술의 파도가 전에 반면 감동 불균형 적으로 영향을받은 저임금 저 숙련 새로운 기술이 많은 숙련 된 일자리에 영향을 미치고 있지만 전반적인 추세는 여전히 임금 노동보다 낮은 임금 노동에 영향을 미치고 있습니다 이것은 소득 불평등을 계속 증가시킬 가능성이 매우 높습니다 경제학자들은 숙련 편향된 기술 변화를 요구하지만 다른 핵심 요점은 우리가 모든 직업을 볼 때 우리는 하나의 직업을 찾지 못했습니다 기계 학습이 테이블을 실행하고 20 또는 인간이 현재 기계 학습의 거의 모든 경우에 수행하는 30 가지 작업은 사람들이하는 일을 할 수는 있지만 다른 부분은 할 수없고 그 교훈은 많은 리엔지니어링과 완료해야 할 재 설계 기업가 관리자 노동자들이 기계가 어떻게 작업을 재구성하는지 생각해야한다

직업과 인간은 일하기 위해 다른 부분을합니다 그리고 그것이 제가 생각하는 것입니다 앞으로 10 년 또는 2 년 동안 우리가 보게 될 것은 큰 변화입니다 재구성은 사람들이 대규모로 일자리를 잃는 것뿐만 아니라 너무 자주 누르지 만이 재 작업은 제가 취한 네 번째 교훈입니다 이 연구에서 멀리 떨어져있는 이유 중 하나는 기술만으로는 생산성에 영향을 미치지 않습니다 또는 정책 입안자 또는 개인은 기술을 구입하고 설치할 수 없습니다

이전 기술과 마찬가지로 즉시 생산성을 얻으실 수 있습니다 우리는 증기 엔진이 작업을 상당히 재발견해야합니다 새로운 산업의 전체 발명은 어떻게 재발견되었다 공장들이 조직되었다 그런 종류의 재림은 수십 년이 걸린다

새로운 기술과 같은 많은 의도 자산 비즈니스 프로세스 새로운 비즈니스 모델 돈을 버는 방법 새로운 조직 우리는 아직 사람들의 기업가들 대부분을 이해하지 못합니다 끊임없이 새로운 것을 시험하고있다 억만 장자가되지만 어떤 사람들이 갈지 알기가 어렵습니다 어떤 무형 자산이 없어도이 기술이없는 기술 일반적으로 거의 생산성이 거의 없다 내가 말하는 생산성 J 곡선은 J처럼 보입니다

나는 이렇게 할 것입니다 처음에는 이런 새로운 기술이 측정 된 생산성 수준을 낮추고 나중에 하강 부분은 사람들이 일을 재발 명하는 데 시간을 소비하기 때문에 부분은 무형 자산으로부터 이익을 얻을 때입니다 데이터에서 이미 우리가 약간의 J 곡선을 통과하고 있음을 보여줄 것입니다 이러한 데이터 중 일부는 내가 이야기 할 내용에 대한 개요입니다 세부 사항에 조금 들어가면 첫 번째 테이크 아웃이됩니다

기술은 지난 10 년간 숨이 막힐 정도로 놀랍습니다 사람들은 인공 지능을 50 년 동안 연구하고 있었다 그다지 앞장설 수는 없지만 10 년 전에 연구원들의 집합은 제프리 힌튼 (Geoffrey Hinton)과 같은 사람들을 뽑아 냈습니다 Yann laocoön Joshua Ben Geo는 깊이 학습이라는 기술을 개척했습니다 놀라운 성공을 거둔 기계 학습을 보여 드리겠습니다

당신은 몇 가지 예를 들었습니다 비전과 관련해서는 큰 데이터가 있습니다 스탠포드 (Stanford)의 페 이피 리 (Feifei Lee)가 1400 만개의 이미지 여기 넷은 그들 중 넷이고 기계가 시도하는이 이미지들 각각입니다 10 년이 넘지 않은 것을 알기는 정말 끔찍했습니다 어쩌면 70 % 정확합니다

여기이 곡선의 가파른 부분을 봅니다 Geoffrey Hinton과 그의 동료들이 이러한 깊은 학습을 도입했을 때 신경 네트워크를 사용하는 기술은 갑자기 많은 것을 할 수있었습니다 지금 그들이 인간보다 더 잘하고있는 시점에 같은 데이터 세트에서 나는 그 것들이 오렌지인지 레몬인지는 모르지만 기계 학습 시스템은 많은 사람들에게보다 나은 업무를 수행 할 수 있습니다 이제는 이런 일들을 자기 운전을 위해 야생에서 뛰쳐 나오기를 원합니다 자동차가 기계보다 인간보다 낫다는 것은 확실하지 않지만 우리는 커브의 가장 가파른 부분 인 비전의 가장 중요한 부분 우리 기계에 감각을주는 것은 매우 중요한 이정표입니다

연설에서와 같이 다른 중요한 이정표가 있습니다 Siri 또는 Google 또는 Alexa가 완벽하지는 않지만 10 년 동안 우리는 인간과 이야기 할 수 없으며 일상적으로 기계와 이야기하는 인간과 기계는 매우 간단합니다 오늘 밤에 어떤 영화가 나왔는지 아는 대화는 일주일 내내 비가 내리고 기계가 답할 것입니다 때로는 때로는 때로는 정확하지 않지만 실제로는 인류 역사에 대해 이야기 할 수 있다고 생각하면 변화한다 자연 언어로 된 기계는 매우 근본적이며 또 다시 가까워지고 있습니다

내가 공동 설립 한 조직의 AI 지수에 가면 인간 수준까지 우리는 이것과 같은 수백 개의 차트를 가지고 있습니다 인공 지능의 측면과 그 각각은이 중요한 깊은 학습 기술이 실제로 시작된 2010 년 이후 개선 매우 효과적이되어 현재 일부는 중요한 문제를 해결하는 데 사용되고 있습니다 암을 진단하는 것과 같은 문제는 일 주일에 거의 기사가 보이지 않는다 과학이나 자연에서 누군가가 이러한 기술을 사용하여 진단하는 경우 암 폐렴 뇌 동맥류 또는 이번 주에 뇌가있는 곳 동맥류와 그들은 진단에 사용 된 시스템과 동일한 것을 사용하고 있습니다 얼굴 책에서 얼굴을 인식하려면 여러 종류의 셀을 인식 할 수 있습니다

어떤 것들은 암을 가지고 어떤 것들은 암을 가지지 않으며 어떤 경우에는 이러한 생산을하지 않습니다 시스템은 생산성을 매우 빠르게 이끌고 있습니다 eBay에서 기계 번역기를 소개 한 직후 당신은 수출 사이에 즉각적인 약 10 ~ 12 %의 개선을 보았습니다 그들이 그것을 소개 한 국가의 쌍 스페인어 French Russian 다른 언어에서는 이러한 기술 대부분이 깊은 학습이라는 범주를 사용합니다 감독 학습 및 회사를 가진 사람은 누구나보고 있어야합니다 이 목록 및 생각 나는 어디에서지도 같은이 응용 프로그램을 가지고 있습니까 그런 종류의 매핑이 있으면 X를 출력 Y에 입력합니다

깊은 학습 시스템을 통해 더 잘할 수있는 기회 너의 조직 안에있는 사람들이 그 때문에 금 사기가 일어나고있는거야 현재 전 세계의 기업들이 깊은 학습 연구원을 고용하고 있으며 컨설턴트가 인간과 같은 문제를 해결할 수 있는지 알아보기 위해 초인적 인 수준이 훨씬 낮은 비용으로 지금 어떻게 임금에 영향을 미칠 것인가 우리는 러 다이 트처럼 처음으로 오는 일을 걱정해야합니다 경제학자로서 생각한 첫 번째 일은 값 비싼 노동력 대신 저렴한 기술을 사용하십시오 임금을 낮추는 것은 매우 중요합니다 조금 더 힘들어서 최소한 5 개의 다른 효과가 있습니다

효과는 중요하며 우리 기사에서 우리는 더 큰 어떤 경우에는 세부 사항 기술은 칭찬이 아니라 대용품이다 너는 그것의 사진을 찍고있다 나는 나의 웹 사이트에이 슬라이드를 올릴 것이다 그래서 당신은 그들의 사본을 얻을 수 있지만 사진을 찍을 자유롭게 느낍니다 상호 보완 적 성향을 원한다면 트윗을 쓰면됩니다 기술은 역설적으로 보일지도 모르는 인간 노동의 가치를 증가시킨다

그것에 대해 생각해보십시오 지난 200 년간 임금을 위해 일어난 일입니다 산업 혁명기부터 증기 기관으로 내려 가지 않았다 다른 기술들이 전기를 굴려서 인간의 가치를 높였습니다 지난 10 년에서 20 년 동안의 노동이 그렇게 정체되어 있지 않았기 때문에 힘은 다른 중요한 경제적 효과가있는 어느 방향으로 갈 수 있습니다

지금은 다시 엔지니어링이 마지막 하나를 제외하고는 들어 가지 않습니다 작업 재창조 나는 그것이 가장 중요하고 우리가 생각하는 일이라고 생각한다 가장 많이 생각해야 할 것 같아 어떻게 내가 너에게 우리는 21 개의 질문을 취한이 루 브릭을 적용하고 다른 작업과 여기에서 사용할 수있는 몇 가지 질문이 있습니다 기사 과학 그러나 예를 들면 업무 정보가 디지털 방식으로 인 경우에 디지털 데이터를 학습하는 기계에 큰 도움이되는 컴퓨터로 기록한 것은 기계가 학습 할 수있는 빠른 피드백을 얻으면 기계 학습의 피 훨씬 더 빨라서 21 가지 질문을 모두 통과하지는 않지만 더 나은 긍정적 인 방법으로 대답 할 수있는 이러한 질문이 더 많을수록 작업은 기계 학습 기술을 사용하여 특히 감독하에 수행 할 수 있습니다 학습 기술과 여기에 우리가 보았던 직업의 종류가 있습니다 오 그물 큰 데이터는 950 직업 각각 직업으로 설정 각 사람이해야 할 일을 아주 자세하게 묘사하십시오

방사선과 의사의 경우에는 내가 모르는 27 가지 과제가있다 이것은 내가 그들 중 하나에 대해 알았습니다 나는 그들이 이미지를 해석 할 수 있다는 것을 알았습니다 내가 생각한 것 그러나 분명히 그들은이 모든 다른 것들도 잘합니다 우리가 한 것은 각 과제에 루 브릭의 각 질문을 적용한 것입니다 그리고 이제 우리는 기계가 인간보다 이보다 더 낫다는 점수를 얻었습니다

많은 경우에있어 신체 검사를 실시하는 것이 아니라 기계가 아닌 것입니다 학습 시스템은 매우 잘할 수 있으므로 일자리의 일부가 적합합니다 다른 부분을 배우는 기계는 그렇지 않으며 이것이 우리가 대부분의 작업에서 찾은 것입니다 여기에있는 점들 각각은 내가 한 일의 예다 미안하다

미국 경제에서의 직업과 x 축에서 볼 수있는 것은 임금입니다 오른쪽에있는 것은 가장 높은 임금 직종입니다 왼쪽에있는 것은 가장 높은 임금 직종입니다 최저 임금 직종 및 수직 차원은 기계의 가능성 학습 시스템은 그러한 작업을 수행 할 수 있습니다 예를 들어 보통 지불하지 않은 계산원 잘 그들은 임금 스펙트럼의 바닥 근처에있을거야 어쩌면 두 번째 또는 세 번째 백분위 수 그러나 그들의 작업은 기계 학습에 매우 적합합니다

이미 자동화 될 가능성이 높은 항목은 자동화되어 있습니다 많은 표제어에서 보이는 시험관은 중간 항공사 조종사는 탑승자 중 가장 가까운 곳에서 돈을 많이받는 사람들입니다 배포하지만 그들의 작업은 기계 학습에 상당히 적합합니다 몇 가지 매우 높은 임금 임무는 다소 내리 쬐는 것을 보았습니다 이 분석을 할 때 나는 매우 걱정했다

경제학자 나는 데이터를 너무 많이 사용하지 않아도 기쁘다 학생들이 기계 학습을 통해 상대적으로 낮은 점수를 받도록하십시오 약간의 추세가 여기 저임금 일자리가 더 영향을받을 가능성이 있지만 명확하게 면역이 안되는 많은 고임금 직업이 있습니다 우리는 큰 것을 볼 것입니다 혼란을 겪으면이 차트에서 몇 가지가 있음을 알 수 있습니다

기계 학습에 적합한 모든 직업의 일 적합하지 않은 작업은 실제 질문이 전체 작업이 사라지면 다른 방법으로 리엔지니어링이 될 것입니다 구조 그것은 지리학에 의해 이루어지고있는 일의 종류를 밝혀냅니다 맨하탄 또는 다운 타운 로스 앤젤레스에서 수행되는 작업과 다릅니다 와이오밍이나 벤톤 빌 아칸소에는 보통 사람들이 있습니다 두 곳에 학교 선생님 경찰관이 있지만 더 많은 월스트리트가 있습니다 분석가가있는 곳보다 한 곳에서, 다른 곳에서 우리가 발견 한 것은 청색 영역은 기계 학습에서 상대적으로 덜 영향을 미칠 것입니다

빨간색 영역이 더 심하게 영향을받을 것입니다 세계의 많은 다른 나라들에 대해서도 비슷한 분석을하고 있지만 우리는 매우 큰 것처럼 보일 것입니다 지형적 인 차이는 영향을 미치지 않을 것입니다 모든 주 지역의 도시는 골고루 산업 건강을 볼 수 있습니다 보육 및 교육 서비스는 소매 무역에 다소 영향을 미치지 않습니다

교통이 훨씬 더 많이 영향을받을 수 있으며 회사에서이를 수행 할 수 있습니다 미국의 모든 500 대 기업을 조사한 결과, 그들 중 일부는 자사의 핵심 비즈니스 프로세스가 우리가 불스 아이에있어 그 회사를 배우는 기계 나는 그들에게 투자하는 것에 조심해야한다 기계 학습이 많은 사람들을 끌어들일 것이기 때문에 그들이 현재하고있는 기능들과 다른 회사들이 있습니다 상대적으로 많은 다른 방법이 있습니다 이 기술을 사용하여 기계 학습이 어떻게 영향을 미치는지 이해합니다

경제가 지금 당황한 한 가지 질문은 내가 정말로 놀라 웁니다 기술로 할 수있는 것은 왜 우리가 더 많은 생산성을 보지 못했는가하는 것입니다 우리가 볼 수있는 놀라운 기술로 기대했을 것입니다 커다란 이익이지만 생산성이 실제로 느려지는 것으로 나타났습니다 영국의 모든 미국과 실제로 선진국의 모든 경제는 선진국들도 생산성이 10보다 낮았습니다

또는 20 년 전에는 약 절반 정도 성장하여 이전처럼 성장했습니다 2018 년에 데이터를 확인했는데 정확히 지난 13 %였습니다 19 % 상승한 미국의 4 분의 1에 그쳤다

우리는 그것이 어디에 있는지를 정말로 알지 못합니다 어떻게이 놀라운 일이 될 수 있습니까? 여러 가지 일을 할 수있는 생산성과 생산성이 떨어지는 기술 올라가는 것보다는 오히려 전 세계적으로 일어나는 현상입니다 경제학자들이 생산성 역설 (productivity paradox)이라고 부르는 것이 있습니다 그리고 제가 약간의 역사 연구를했을 때 나는 이것을 발견했습니다 증기 기관에서 사실이었습니다

엥겔스 (Engels)라고 불리는 것이 40 정도있었습니다 증기 엔진의 산업 도입 이후 몇 년 동안 생산성 매우 낮은 전력도 약 30 35 년 생산성 게임 없음 폴 데이비드 옥스퍼드와 스탠포드는 ​​전기를 통하는 공장을 보았고 그의 놀람에 전기가 통하지 않은 사람들은 내부적으로 연소 엔진은 컴퓨터와 같을 수도 있고 아마도 AI와 함께있을 수도 있습니다 네 기술을 통하게 한 그 공장에가는 것은 놀랍습니다 기술 미안한 전기는 놀라운 기술이라고 생각하지 않는다 쓰레기 나는 그것이 유행이라고 생각하지 않는다

그러나 그들이 어떻게 다시 엔지니어드하는 데 시간이 걸렸다 일이 끝나면 여기에 무슨 일이 일어나고 있는지에 대한 설명이 많이 있습니다 하나는 AI가 단지 다른 사람과 살아가는 것이 아니라는 것입니다 우리가 그리워하는 것입니다 우리가 얻지 만 보여주지 않는 몇 가지 이점이 있음을 측정 생산성 통계에서 세 번째는 이익이 존재한다는 것입니다

재분배 및 소멸되어 대부분의 사람들이 그들을 얻지 못하고 마지막으로 그러나 적어도 구조 조정 및 구현에 관한이 질문이 있습니다 lags 나는이 가설들 모두 네 가지에 대한 증거가 있다고 생각하지만, 제 생각에 가장 중요한 것은 네 번째 것입니다 이러한 재 설계 및 재 구현은 사용자가 놀라운 신기술로 단순히 구매하기에 충분하지 않습니다 비즈니스를 재창조하고 10 년에서 20 년이 걸린다면 MIT와 계약 한 부분이 바로 생산성을 보게 될 것입니다 일부 그리스 문자와 내 대화의 모든 그래서 이것은 방정식입니다 실제로 이것을 결정하는 전통적인 제품 생산성은 다음과 같이 계산됩니다

이 추가 용어는 재 구현 지연을 나타내지 만 궁극적으로는 J 곡선의 종류로 이어지면 처음에는 생산성이 떨어지고 그 다음에 나중에 다시 그리고 결국 그것은 지금 우리가이 딥에있는 인공 지능 우리가 정말로 많이 얻지 못하고있는 곡선의 한 부분으로 합계를합시다 그때 내가 여기에서 핵심 테이크 아웃을 말하면서 여기를 클릭하자 기계 학습의 많은 응용이 인간 또는 초인적 인 수준에서 우리는 이것을 사용하여 각 카테고리에 속한 작업을 평가할 수 있습니다 루 브릭 거기에 기계에 대한 21 가지 질문 적합성 루 브릭이 있습니다 우리가 18,000 건의 과제를 적용했을 때 우리가 새로운 고임금 일자리를 찾았습니다

이전에는 영향을받지 않았지만 더 큰 교훈을 얻었습니다 한 그룹이 이득을 얻는 것이 아니라 한 그룹이 그것을 잃을 것입니다 모두가하고있는 일을 재발견해야 할 것입니다 작업의 구조 조정과 마침내 우리는 reinvention의 거래 그리고 그것은 기술자들이 가진 진정한 과업입니다 그들의 일을 마쳤습니다

이제는 숨 막힐듯한 기술자들을 보냈습니다 기업가와 경영자를 위해 우리의 기술을 재창조하기 위해 우리 나머지에게 그들이 어떻게 일을 구성하는지 다시 생각해 봅시다 그리고 그 일을한다면 우리는 수확 할 것입니다 원하는 경우 생산성 향상 세트 이것에 대해 자세히 알아보기 나는 당신이 얻을 수있는 많은 기사를 썼다 그것을 내 웹 사이트에서 읽고 그것에 대해 조금 더 읽어보십시오

경제를 재창조하여 혜택을 얻을 수 있도록 저와 함께하십시오 인공 지능 덕분에 대단히 감사합니다 정말 고마워, 이제 괜찮아 우리 랑 같이있어 줘 빨리 물어 보자

질문은 전 세계의 특정 정부가 당신에게 특히 기회와 도전에 살아 있음을 발견했습니다 이 두 번째 Machine Age에서 발표 한 것은 내 큰 것 중 하나라고 생각합니다 실망은 기술자들이 단지 숨 막히게 일한 것입니다 거의 모든 정부가 무너지고있다 내 정부가 기사를 작성했다고 생각한다

미국은 백악관에서 일련의 피정에 참으로 잘못왔다 오바마와 트럼프 밑에서 나는 사람들이 시리즈의 유럽인은 충분하지 않습니다 그것을 다른 사람들보다 조금 더 이해한다 나는 중국이 끝났다고 말한다 그 곳의 지도력은 인위적인 것의 잠재력을 이해합니다

인텔리전스 및 그들은 거액 투자 할 정부 다운 프로그램을 가지고있다 AI 에서뿐만 아니라 경제의 재 탄생과 실제로 이것에 관한 것입니다 1 시간도 채 안되는 무대에서 큰 무대가 시작됩니다 유니콘 더 한 번 감사합니다 아리 우리 패널에 우리와 함께하시기 바랍니다하지만 에릭, 정말 고마워 이제 우리는이 공동 창립자와 함께이 대화를 강화할 것입니다

스텔스 AI Skype 창립 엔지니어 Seedcamp의 리더 재정적 시간보다 대화를 함께하는 것이 더 낫습니다 혁신 편집자보다 더 나은 분은 오신 것을 환영합니다 남자 가시 언덕 이 이야기에 대한 훌륭한 소개를 해주신 에릭에게 정말 감사드립니다 Olly가 나의 패널에게 일찍 암시했던 것에 따라 오늘 여기에서 있기 때문에 멋지다 도덕적 의미보다는 정치적 의미로 반발하며 이 패널의 제목을 광고의 제목으로 변경하십시오

브로셔에 실은 벤처 기업과 대주주가 혁신을 시작했으며 이제는 연설자를 환영 할 수있게 된 것을 기쁘게 생각합니다 경력을 쌓은 후 2007 년 Seedcamp 벤처 펀드를 설립 한 Reshma Suhani M & A 뱅킹과 Vodafone 및 Reshma는 그녀가 여전히 뛰고 싶어하는 일을 즐긴다 고 말합니다 그녀의 80 년대는 내 로봇이 나를 위해 뛰지 않는 한 그녀에게 매우 긴 시간을 줄 것이다 불명예스럽게 어린 독학 컴퓨터 인 Pascal Weinberger를 가지고있다 프로그램 제작자 그는 바르셀로나에서 Telefonica x '실험 총소리 실험실을 사용했습니다

그는 이제 8 월의 인텔리전스라는 자신의 신생 업체를 세우고 있습니다 규모 기계 학습 사용 및 마지막으로 Yan Talon 중 하나 인 에스토니아와 유럽에서 가장 잘 알려진 사업가는 창립자입니다 Skype와 Casa의 엔지니어이며 그는 Center for the Center의 창립자이기도합니다 캠브리지의 실존 적 위험에 대한 연구를 통해 어쨌든 시작합니다 우리가 마침내 합의한 질문을 토론 한 다음 우리는 결국 어디 론가 가고 에릭이 말했듯이 우리는 관중으로부터의 질문도 원한다고 말합니다

끝 그래서 당신은 당신이 원하는 무엇이든지 물어볼 자유가 있지만 첫 번째 질문은 우리는 섹터를 시작할 벤처 기업이나 기술 분야를 다룰 것입니다 비즈니스 혁신을 추진하기 위해 더 많은 것을 배우고 우선은 패널 아래로 빠르게 내려 가면 Eric도 포함됩니다 Reshma는 당신이 생각하기에 더 많은 혁신을 이끌 것입니다 신생 기업 또는 대형 기술이 될 것입니다 왜 내가 먼저 그 사실을 알고 있다는 것을 의미합니까? 우선 도전하고 우리는 보통 우리가 처음 체크인하는 것을보고 있습니다

신생 기업에 들어가기 전에 종자 라운드가 시작되며 도전 과제입니다 큰 녀석들과 싸우려면 실제로 그것은 단지 Gaffa가 아닙니다 작은 이야기를하기 전에 당신은 당신이 새로이 많은 것을 많이보고 있다는 것을 알고 있습니다 회사는 근육을 유연하게 움직이며, 나는 구글과 페이스 북의 제휴를 통해 우리는 많은 밀렵을 벤틀리가 그들을 밀렵하는 LinkedIn에서 발견하고 당신은 알지 못합니다 그 인수를하거나 일종의 더러운 권리를 싸우는 것입니다

도전하는 것은 당연히 우리가 신생 기업의 측면에 있으며 우리는 놀라운 기회 당신이 uipath 같은 회사를 데려 간다는 것을 나는 당신이 알고 있다고 생각한다 에릭은 저임금 일자리에 대해 많이 얘기했는데 위험에 처했습니다 나는 당신이 내가 길을 걷는 방법이 가장 빠르게 성장하는 것 중 하나라고 말했습니다 3 년 만에 일어난 일입니다 그렇기 때문에 신생 기술의 채택이 빠른 속도로 진행되고 있습니다

괜찮아요 괜찮아요 당신이 거기서 끝내서 다행이에요 파스칼은 대기업과 당신을 위해 탄생했습니다 Google 두뇌에서 근무하고 전화하기 전에 지금은 일하고 있습니다

시작 – 어떻게이 질문에 대답합니까? 협업이 지적되기 전에 지적했듯이 유연성과 혁신 속도로 인한 데이터 신생 기업이 보통 당신이 알고있는 큰 회사를 가질 여유가 있다고 고군분투하고 있지만 입양은 대기업 출신이다 대부분의 사람들이 기계 학습에 기반한 새로운 혁신을 알고 있기 때문입니다 대부분 데이터 중심의 혁신이며, 사실 대부분의 큰 회사는 흥미로운 데이터 세트를 보유하고 있으므로 이상적으로 생각합니다 그들 중 하나가 당신에게 기술을 가져다 줄 것을 알리는 협력적인 혁신은 대학에서 기업으로의 기술 이전 일 것입니다 고객과 마침내 큰 회사가 트렌드를 이해하고 그 다음에는 기술을 채택하는 것을 알고 있습니다

네, 저는 신생 기업입니다 왜냐하면 다양한 시대의 끝에 적어도 인간이 끝날 무렵에 취해진 혁신적인 아이디어를 알아야합니다 목격자들은 특히 남자들에게서 왔고 그들은 단지 인간들 일뿐입니다 시작을 밀어 내기 위해 충분히 동기가 부여 된 신생 기업 경계 나는 구글 등 회사가 시도하는 가장 큰 문제는 태클은 부활절과 같아요 당신은 어떤 종류의 사람들에게 동기를 부여합니까? Google을 떠나 자신의 시작을 시작하는 것과 같은 명확한 대안 오케이와 에릭 나는 일어날 수있는 시너지 또는 협업이 있다고 생각한다

그들 사이에는 각각 다른 강점과 약점이 있습니다 혁신은 신생 기업에서 점진적 혁신과 더 큰 회사에서 올 가능성이있는 혁신을 구현하고 종종 의약품에서 볼 수있는 것처럼 신생 기업들이 획기적인 발전을 할 때 한 그룹에서 다른 그룹으로 이전 마약을 쓴 다음 더 큰 회사가 마약을 복용 할 수 있습니다 더 효과적으로 지금 당신이 알 수있는 것들 중 하나 AI에서 학습하는 많은 기계의 기질이 또한 대량의 데이터는 Reshma가 빅 테크 기업은 똑똑한 알고리즘을 개발할 수있는 최고의 인재를 고용하고 있습니다 그래서 어느 정도까지 이것이 신생 기업에 막대한 장벽이된다는 것입니다 정말로 중요한 일을하려고한다면 규모에 맞게 행동해야합니다

기계 학습에서 당신은 여기서 많은 신생 기업을 보았습니다 저는 깊은 마음을 의미합니다 그 다음 단계로 확대하기를 원했기 때문에 분명히 Google에 매진되었습니다 신생 기업이 특정 규모에 도달했다가 매각해야 할 것인가? 다음 단계로 넘어가거나 실제로 이사회에서 경쟁 할 수 있습니다 그들이 Google에 많이 팔렸을 때 내가 많이 생각하지 않는 한 가지처럼 사람들은 AI 개발에서 나눌 수 있다는 것을 깨닫습니다

근본적으로 연구를하거나 연구를 적용 할 수 있습니다 기본적인 영역 조사와 결과의 일종을 취할 수 있습니다 그들과 깊은 마음은 처음부터 매우 명시 적으로 근본적인 지역 연구 및 밝혀진 한 단계는에서 제거 된 것 같습니다 그래서 상업적 수익은 내가 가려고하는 일종의 딜레마와 같습니다 약간의 큰 회사와 보조금을주고 찾거나 어떤 종류의 타협이 당신의 핵심 사명에 너무나 깊게 작용합니다 내 후자를 선택하기로 결정했다

우리가 신생 기업들과 함께보고있는 것들 중 하나이기 때문에 투자는 완전히 새로운 데이터를 만들어 내고 있다는 것을 의미합니다 이미 존재하는 큰 데이터 세트에 의존 당신은 예를 들어 도움이되는 예가 항상 도움이된다는 것을 압니다 당신은 매 분기마다 혈액 검사를 할 수 있습니다 개인적인 수준의 인간 존재가 결코 존재하지 않는다는 것을 알게되었습니다 인구 규모에 맞는 바로 지금 2 만명의 사람들이 있습니다

영국을 가로 질러 그것을 사용하여 당신이 알고있을 때 그것을 곱하면 100x 천 x는 극적이므로이 실시간 데이터가 모두 있음을 의미합니다 그건 새로운 것입니다 Unleashed이고, 많은 것을 알고 있습니다 우리 회사는 처음부터 시작하고 있으므로 그것에 의존해서 나는 우리가 데이터가 어디에 있는지를 알고 있다고 생각한다 우리는 회사의 다른 회사가 엄마와 팝 샵들이 디지털로 가게하는 것을 허용합니다

저는 Alibaba가하고있는 것과 같습니다 중국에서 다시 아날로그로부터 데이터가 존재하지 않는다는 것을 다시 한번 알았습니다 강력한 여러 가지 종류의 긴 꼬리가 있으므로 어떤 것이 있습니다 비전과 음성 인식과 같은 매우 큰 데이터 세트 회사는 유리할 것이고, 그렇지 않으면 경쟁하기가 어렵습니다 실제 규모를 지니고 있지만, 수십만 가지가 더 작다

그녀와 같은 신생 기업에서 다양한 크기의 기회를 발견했습니다 사실 모든 회사는 고객에 대한 독점 데이터를 가지고 있습니다 그들의 생산 과정은 그들이 일하는 방식과 기계 학습이 될 수 있습니다 그것에 적용되고 저 특정한 틈새 시장에있는 이점을 줄 것이다 그래서 서로 다른 크기의 기회와 작은 것들이 있다고 생각합니다 요셉 슘페터 (Joseph Schumpeter) 창업이 성장할 수 있고 더 큰 것을 대체 할 수 있다는이 생각 회사는 특정 문제를 해결하는 더 좋은 방법을 찾으면 무엇을 의미합니까? 너희들은 그래, 나는 실제로 차세대를 생각한다고 말할거야

우리가보고있는 기계 학습 기술은 오늘날 모든 것이 있습니다 대규모 중앙 집중식 데이터 세트는 이전에 설명 된 것과 동일합니다 누군가 특정 데이터를 수집 할 때 고유 한 액세스 또는 불공정 한 이점이 있습니다 보통 내가 생각하기에 큰 회사는 현재 틈새 시장 애플리케이션에 집중하지 않는 한 신생 기업에 대한 불공정 한 이점 기술을 배우는 기술의 다음 물결은 모두 같을 것이라고 생각합니다 가장 흥미로운 몇 가지 문제와 같은 소규모 데이터 세트 학습 우리가 죽음을 본다는 것은 엄청난 양의 데이터를 수집하는 데 정말로 비용이 많이 든다는 것입니다

세트 또는 큰 데이터 세트가 없다는 것을 특히 생각하고있다 그런 질병들과 나는 그들이 우리가 기대하고있는 것이라고 생각합니다 그래서 나는 기대하고 있습니다 당신과 더 많이 배우는 차세대 기계 기술 우리 인간이 순수하게보다는 추상적 인 것보다 더 많이 배우는 것을 알아라 작은 데이터 세트를 처리 할 수있는 상관 관계 기반 그리고 신생 회사들이 불공정 한 태도를 취할 것이라는 것을 알고 있다고 생각합니다

이점은 신생 회사에 대한 균형을 재확인 할 것입니다 일반적으로처럼 데이터 양과 데이터 사이에는 트레이드 오프가 있습니다 그것들이나 알고리즘의 영리함 나는 그것이 0이라는 것을 알았다 지금 바로 그게 바로 이전의 것보다 낫다는 제로 데이터를 나타냅니다 정확히 매우 큰 데이터 세트를 가지고있는 정확히 알파카 (Alpha)와 나는 핵심 포인트 인 des 또한 자기 감독 학습을 보거나 나를 위해 데이터 세트를 생성하지 않음 alphago가 0 인 핵심 포인트는 거기에 0 데이터가 없다는 것입니다

사람이 입력 한 데이터가 0이었습니다 재생하여 많은 양의 데이터를 생성했습니다 그 자체에 대비해서 나는 그런 종류의 접근은 정말 잘 할 수 있습니다 저는 특히 경제학자를 생각합니다 당신이 이전에 준 사례는 특히 모델링 시장을 원한다고 생각합니다

특정 투자 가능한 행동을 모델링하는 것 그것은 게임에서 모델링 될 수 있습니다 나는 그것들이 모든 종류의 어플리케이션이라고 생각합니다 우리는 똑똑한 접근 방식을 사용하는 것만으로 생각할 수 있다고 생각합니다 세 가지 카테고리 오늘날의 큰 성공의 대부분은 감독하에 있습니다 매우 큰 데이터 세트를 사용하는 학습 시스템 몇 가지 애플리케이션이 있습니다

당신이 게임의 규칙을 이해한다면 데이터는 문자 그대로 규칙을 적용 할 것입니다 더 추상적으로 그리고 당신은 당신의 자신의 데이터를 생성 할 수 있습니다 거기에 연구의 국경이 많이있는 세 번째 범주가 있습니다 인간이 당신처럼 조금 더 배우기 위해 기계를 얻으려고 노력하고 있습니다 개 또는 고양이를 인식하는 기계를 알고 있으면 수만 개를 표시합니다

그림 개 또는 고양이 만약 당신이 아이에게 3 살짜리 한 고양이를 보여 주면 아마 2 그들은 어떤 고양이가 더 이상 우리의 두뇌를 보여줄 필요가 없는지 이해합니다 하나 또는 두 개의 예제를 통해 학습 할 때 훨씬 정교하며 요즘 AI의 많은 주요 연구가 기계를 2 년 전 똑똑한 토론을하고있었습니다 오늘 일찍 다른 4 명의 저명한 경제학자와 함께 방 Mariana Merced Carter bill 제인 웨이 제프 삭스 케이트 레이어 가치 경제에서 정부의 역할에 대한 논쟁과 혁신 추진 특히 미국에서는 엄청난 혁신이 이루어 졌음을 분명히 알았습니다 DARPA와 미국 국립 보건원 등 정부가 가지고있는 것들 거대한 자원들 또한 엄청난 양의 데이터 세트를 가지고 있습니다 이 새로운 경제에서 혁신의 선구자로서 정부를 보아라

당신은 그 에릭에 대해 생각합니다 나는 큰 것 중 하나라고 생각하고 싶습니다 실망 스러웠고 아마도 이것은 이전 패널에서 나온 것입니다 미국의 R & D가 이전과 비교했을 때 반으로 줄었습니다 인터넷이 발명되었고 달 프로그램 및 기타 여러 가지 건강 혁신이 투자되어서 우리가 길을 되찾았습니다

미국뿐만 아니라 온 세상에 이익이 돌아왔다 지금은 그들이 최소한 좋은 기회가 있다고 생각합니다 30 년이나 50 년 또는 80 년 전 이었으므로 기회가 있었지만 기초 연구와 응용 연구의 차이 미국은 ARPANET이 된이 핸드 오프가 상당히 잘 해냈다 인터넷은 국방부에 의해 개발되었지만 궁극적으로 우리는 실리콘 밸리에있는 여러 회사에서 상업화 한 것을 알고 있습니다 보스턴 지역은 다른 곳에서 당신이 그 전환을 관리 할 수 ​​있다면 중요한 근본적인 돌파구가 아니라 상업적 가치를 지니고있다

그 혜택을 소비자와 우리 나머지는 mmm 다른 사람은 정부의 역할 실제로 당신이 더 넓은 의미에서 정부를 생각한다면 실제로 생각합니다 대학을 포함하여 특히 공립 대학교라고 생각합니다 그 공간에서의 혁신의 주요 동인 중 하나는 내가 창업자의 대부분을 의미한다는 것이다 누군가가 연구 논문을 어딘가에 출판 한 다음 사람들 그것의 응용을 읽고 이해하는 데 한 시간 일찍 읽어보십시오 핵심 기술을 가지고 시장에서 틈새 시장을 찾아 가서 그 사람을 때로는 상업화해라

대학은 그것을 시장에 가져 간다 나는 일반적으로 다음과 같이 말하고있다 아마도 정부는 이미 최고의 인큐베이터 중 일부입니다 우리가 저기에 있다는 것은 우리가 찾고있는 것보다 훨씬 좋은 일을 할 수 있다고 생각합니다 당신에게 중국을 알게하고 항상 모든 사람들에게 말을 건네는 것 그들이 정말로 잘 된 것이 무엇이든간에 어떤 데이터 세트를 만드는 것입니다

접근 할 수 있고 자신이 아는 사람이 자신의 감각으로 사람들을 나누는 지 확인하십시오 그것에 접근하고 그것을 혁신에 사용할 수 있고 나는 그것이 무엇인가라고 생각한다 특히 서구 세계에서 우리는 훨씬 더 잘 될 필요가 있습니다 소니아는 이미 다른 나라의 정부에서도 위대한 일을하고 있습니다 그들은 내가 당신이 알고있는 경우를 추측하고 나는 그것에 가깝지는 않지만 ODI와 열린 데이터 연구소와 나는 영국 런던이 특히 당신이 시도하는 것을 알고 있다고 생각한다

훨씬 더 많은 일을하고 그것의 기존 사례를 더 많이 찾으려고 노력하십시오 대학 연결의 종류에 관해서는 나는 당신이 확실히 말하고있는 것을 의미한다 우리가 절대적으로하는 더 많은 기술 투자를 배우는 더 많은 기계의 조건 당신이 밀접하게 졸업하거나 아직도 알고있는 대학을 졸업하는 사람들입니다 우리가 후원하는 대학이나 내가 생각하는 다른 분야에서 생각하는 대학 이미 10 년이나 몇 년 동안 밖에 있었으니 인력의 종류에 따라 재능의면에서 꽤 흥미 롭습니다 우리는 더 깊은 기술에 접근하고 있습니다

최신 기술을 아주 잘 알고 있습니다 최신 개발을 연구해라 나는 우리의 종류로 되돌아 갈 것이다 가파 주제 조금 우리도 볼 수 있습니다 구글과 페이스 북과의 경쟁에서 나는 보드 사이에서 그것을 본다 내 대학교 1 학년 때부터 2 학년 때 미안해

2 학년 때 대학에 다니지 못했던 학생들은 적절한 세계 권리와 그들은이 학생들을 뒤쫓아 가고 있습니다 이런 종류의 졸업생들도 졸업생이 될 수 있습니다 그 재능에 경쟁력이있어 좋아, 나는 관객 모두에게 퀴즈가있다 실제로 패널에있는 사람들도 회사가 가장 많은 것을 돌려주는 것입니다

2010 년과 2018 년 중반의 투자자는 Apple Google Amazon 넷플 릭스와 도미노의 피자 도미노 도미노 우리 모두가 도미노의 예에 간다 다른 누구라도 도미노의 의견에 동의하지 않으려 고합니다 어쩌면 그렇게되었을지도 모른다는 것이 요점이었습니다 매우 긍정적 인 방식으로 기술을 사용할 수있는 전통적인 회사 반환을 생성한다 그래서 사람들은 이것에 대해서 어떻게 생각 하는가? 벤처 기업이되어 큰 이익을 얻는 기술 회사가 될 것입니다 인공 지능에서 기계 학습을 사용할 수있는 기존 회사의 종류 나는 도미노와 함께 훌륭한 모범을 보였다고 생각합니다

전에 피자의 품질을보고 있었던 우리가 참여했던 프로젝트 그들은 그들을 보내고 그들은 실제로 컴퓨터를 사용하는 컴퓨터를 사용했습니다 피자를 보내기 전에 피자 사진을 찍는 비전 살라미가 모든 종류의 고르게 분포되어 있다는 것을 알고 있는지 확인하십시오 다른 것들과 나는 그게 일종의 재미 있다고 생각합니다 예를 들어 저에게는 정말 인상적인 사례였습니다

당신이 혁신적이고 사물이 될 거라는 것을 결코 알지 못했을 것입니다 그 토키 오카 현대 기술과 같은 기술을 응용하여 피자의 품질 인 정말 중요한 것 고객이 당신의 희망과 가치를 아는 것입니다 그렇게함으로써 정의 된 Nike는 비슷한 일을하는 또 다른 훌륭한 예입니다 나는 당신이 그것을 알고있는 회사들을 알고 있다고 생각합니다 그것은 가능하고 거의 항상 신생 업체와 협력하여 모두와 함께 완료된 프로젝트는 중소기업이 그것의 중요한 종류 인 그것을하기 위하여 취득되거나 일 된 만약 당신이 이미 수십 년이 걸렸다면 특정 비즈니스에서는 사실 내가 신생 기업에 투자 할 때 종종 내가 찾는 것은 창립자처럼 도메인 지식입니다

전에 알고있는 도메인에서 그렇다면 어떻게 미국에서 정확히 맞는 것인가? 기존 회사에서 가장 많이 존재한다고 생각하는 기회가 있습니다 기업이 성공하여 도미노는 예외이며 앞으로 갈 것입니다 앞에서 말했듯이 창조적 인 파괴의 물결을 보게됩니다 이러한 많은 회사에서 많은 시장 가치를 닦아 내면됩니다 왜냐하면 그들은 빨리 변할 수없는 정신력 때문입니다

충분히 그것의 부분을 생각한다 나는 그것의 고객을 생각한다 예, 당신은 내가 생각한다 그들에는 몇몇 자산 고객 관계 공급자 관계가있다 그러나 비즈니스 모델을 재고하고 이러한 변경을하는 것은 어렵습니다 또 하나의 여름 요점은 생산성 향상이 실제로 멋진 소비자는 당신이 거기에있어 워렌 버핏 (Warren Buffett)이 생산성 향상 기술이 그는 더 많은 산업을 가지고 있기 때문에 생산 능력을 초과하는 생산성으로 생산성이 낮아집니다 그것은 주주에게는 좋지 않은 경쟁을 의미합니다 약간의 갈등이 있으며 그것은 자본주의가 지향하는 방식입니다 당신이 기술의이 파도가 들어오고가는 것을 볼 수 있도록 일하십시오

어떤 승자와 패자가 되겠지만 모두가 앞으로 나올 수는 없다 알았어 나는이 방에서 우리 모두를보고 있다는 것을 알고 있다고 생각한다 우리의 기술과 모델링 및 알고리즘에 깊이 관여하지만 결국에는 하루 종일이 모든 회사가 인간에게 봉사하고 있으며 나는 그렇게 생각합니다 Domino는 재미있는 예제처럼 보이지만 성공할 것입니다

고객 중심의 예를 들어 우리는 최고의 품질을 계속 제공 할 것입니다 피자가 맞다 그리고 나는 대부분의 조직이 그 일을하지 않는다고 생각한다 나는 어제 아메리칸 항공에서 비디오를보고 있었는데, 그들의 비행은 한 번에 10 시간 씩 일종의 고객은 무슨 일이 일어나고 있는지, 그리고 당신이 할 수있는이 시대에 대한 실제 이야기를들을 수 있습니다 완전한 투명성을 확보해야합니다

그렇게하면 하루가 끝날 때까지 여전히 사용자가 있어야합니다 고객 중심의 관점에서 기술 또는 비 에릭에게 약속 한대로 이제는 첨단 기술 서비스를받을 수 있습니다 관객은 곧 있지만 패널에 마지막 질문이 하나있어서 기쁩니다 당신은 모두 질문에 답할 준비가되어 있습니다 그리고 당신은 반드시 생각할 필요가 없습니다

인공 지능을 학습하는 기계는 지난 몇 년 동안, 그리고 누군가가 갈 예정이라면 Google을 대신 할 수 있습니다 마이크로 소프트는 오 블록 체인 공간에서 오는 회사 일 수도 있습니다 그래, 내가 전에 생각했던 것처럼 내가 전에 생각했던 것처럼 신생 기업의 기본적인 장점은 비즈니스 변화와 같은 환경 변화에 적응하는 데 있습니다 기술 환경의 환경과 분명하지 않다는 것이 분명합니다 인터넷에서 주위에 온 것은 정말 크고 왜 정신적 인 변화가 있었는지 말하자면 멋진 회사와 같은 충분한 것들을위한 오프닝과 같았다

구글 등이 있지만 이제는 인터넷이 어떤면에서는 성숙한 것처럼 보입니다 얼마나 쉬운 지 또는 얼마나 많은 종류의 엿봄이 거기 물건을 혼란스럽게했는지는 분명하지 않다 그러나 블록 체인 (blockchain)은 그 점에서 희망의 광선과 같다고 생각할 수도 있습니다 누군가 테리 분야처럼 10 년이라는 말을하면 지금부터 2 년 후에 시작된 기업이며 Google 내 첫 번째 종류의 일은 간단 할 것입니다 우리는 몇 가지 질문을합니다

저는 믿습니다이 두 신사는 우리가 마이크는 자유롭게 어디에서 왔는지 말할 수 있습니다 에릭 당신은 우리가 어떻게 많은 괴롭히기를 볼 것인지를 묘사하는 위대한 일을합니다 다음 수십 년 동안 엄청난 기술적 실업이 아니 었습니다 당신이 전에 생각했던 것보다 훨씬 앞서 생각하는 것을 알기를 좋아합니다

Yan이 우리를 지키기 위해 보낸 시간은 우리가 생각하는 것입니까? 엄청난 기술적 실업을 보게 될지, 만약 그렇다면 어떻게해야 하는가? 그것에 관해서 나는 인공 지능을 언급 한 것처럼 거기에 있다고 생각한다 우리는 그것과는 거리가 멀지 만 어떤 시점에서는 일어날 것입니다 기계가 인간보다 더 잘되지 못하게 막는 물리 법칙은 없습니다 모든 일에 대해 그리고 그 일이 언제 일어날 지 인간은 말의 길로 갈 것입니다 나는 그 제목으로 if의 가치가별로 없다고 쓴 기사를 썼다

누군가 오늘 나에게 말을 줬어 그리고 너는 그들이 너에게 0을 지불 할 수 있다고 말했다 나는 실제로 말을 많이 사용하지 않는 것 같아서 우리가 그 말에 도달 할 것이라고 생각한다 무대는 이제 막대한 과학 기술 실업입니다 기계가 만들어내는 결정이 아닌 선택 사항은 우리가 현상금을 나누기로 결심 한 방법 그 세상에서 우리는 오늘날 우리보다 엄청나게 높은 생산성을 자랑합니다

부의 가난은 우리 경제에 의존 할 필요가 없습니다 우리는 모든 사람들이 우리는 부와 아마도 가장 중요한 교훈을 집중할 수 있습니다 내 책에서 내 연구에서 기술은 운명이 아니라는 것입니다 우리는 우리의 운명을 형성합니다 우리는 우리가 우리가 원하는 가치에 대해 매우 염려 할 필요가 있습니다 우리 기계에서의 사회와 우리 지도자들에게 무엇을 선출 할 것인가? 우리가 할 의사 결정과 우리가 세계로 나아갈 지 여부 공동 번영 또는 부의 집중적 인 집중 중 하나 다른 질문이 있는데이 숙녀분이 여기 와서 내가 너에게 여기서 다시와

미래의 사회 나는 지리적 질문의 일부를 만지고 싶다 일부 패널 위원이 제기 한 지리적 포인트 계정 빅 테크의 역할 신생 기업의 역할과 정부의 역할 세계의 어느 부분에서 앞으로 5 ~ 10 년 내에 생각하십니까? 혁신을 선도 할 것입니다 에스토니아 당신은이 질문에 대답하기를 원합니다 대량의 질문은 유감 스럽네요 세상의 어떤 부분이 나를 이끌어 갈지 모릅니다

에스토니아는 솜털 같은 비 통합적이다 흥미로운 장소이며 실제로이 회의에서 더 좋은 사람들입니다 그것에 대해 이야기하는 것보다 우리 인프라처럼 다시해야만하는 것 같아요 인터넷이 이미 도움을 많이 받았을 때 우리는 많은 도움을 받았습니다 이 긍정적 피드백 고리에 우리가 기본적으로 정부의 사람들 어떤 병원에서나 혁신적인 제품이 세상에 내가 조언을 구하는 등 지금 질문은 마지막으로가는 것입니다 그리고 나는 참치 타르 타르가 한 가지 큰 단점이 없다고 생각한다

130 만명의 사람들은 에스토니아처럼 생각하지 않는다 나는 돌이 있었다 그 무게보다 실제로 펀치하지만 불행히도 나는 생각하지 않는다 그 정도면 오래 갈 것입니다 에릭, 거기에는 두 가지가 있다고 생각합니다

내가 하나를 찾겠다는 특성은 교육받은 인구입니다 기술은 사람들로 하여금 추상적 인 방법과 국가에서 일하도록 요구할 것입니다 교육에 투자하는 사회들 중 두 번째는 포용하는 문화이다 미래에는 미국의 부품을 포함하여 너무 많은 사회가 있습니다 미래로부터 과거를 보호하려고 노력하고있는 영국은 되돌아 가려고합니다 석탄 광산이든 아니면 과거를 상상할 수 있든간에 역사상 성공한 적이없는 사람들이 더 좋거나 더 안전했다

사회는 언제나 미래를 포용하고 기꺼이 일을하고 새로운 기술을 받아들이는 옛 방식 중 일부를 포기하라 비즈니스 모델 새로운 일을하는 방식과 불행하게도 나를 괴롭히는 것은 우리의 정치 지도자 중 너무 많은 사람들이 낙관주의와 성공 그리고 당신이 그 문화적 태도를 올바른 교육은 사회를 선도하는 사람들이 될 수는 없지만 너도 에릭이 내가 기본적으로 라다 루디가 맞았다는 말을하고있어 산업 혁명은 임금을 억제하고 그래서 그렇게했다 진행 방식은 궁극적으로 배포 메커니즘이있는 경우에만 발생합니다 무슨 일이 있었는지 사람들이 싸우는 많은 혼란이있었습니다

당신이 볼 수있는 Charles Dickens를 읽었습니까? 조건 중 일부는 궁극적으로 대중에 투자하기로 결정했습니다 교육 우리는 사회 안전망을 만들었고 우리는 많은 규칙을 만들었습니다 반독점 법과 우리가 이러한 새로운 제도를 발명했을 때 나는 상승 조수가 모든 보트를 들어 올렸지 만 오늘날에도 대부분의 사람들은 오늘날 가장 가난한 사람들은 수백 년보다 훨씬 나아졌습니다 전에는 큰 어려움을 겪었지만 나는 이것을 강조하고 싶다 기술이 결정하고 자동으로 발생하는 것은 아닙니다

다른 사회는 다른 길을 가고있다 좋은 궤적에 있었고 그 다음에는 어떤 선택을했는지에 따라서 우리는 우리가 더 많은 부를 가질뿐만 아니라보다 많은 것을 공유하는 궤도에 올 수있게합니다 번영과 나는 그 토론이 두 가지 기회를 모두 이해하고 위험을 감수해야합니다 이것이 바로 아시아가 광범위하게 흥미로운 이유입니다 그러나 나는 우리가 중국과 인도에 대해 이야기하는 데 많은 시간을 소비한다는 것을 알고 있다고 생각합니다

일본은 정말로 매력적이라고 ​​생각합니다 미래의 선택은 인구 통계 학적 측면에서 매우 흥미 롭습니다 왜냐하면 그들은 인구가 많지 않기 때문에 사람들이 실제로 일을 제대로하고 회사의 일부를 볼 때 거기에 ml와 Tec의 국경의 일본에서 대규모 채택 우리 사업을 시작하기에 가장 빠르게 성장하는 곳 반 직관적 인 생각은 우리 모두가 중국과 인도에 집중하고 있다고 생각합니다 하지만 그들은 내가 생각하기에 그들이 당신이 많이 알고 있다고 생각합니다

디자인이나 사고에 의한 선택권은 귀하에게 직면하게됩니다 10 20 길을 내려가는 50 년을 아십시오 파스칼 예 어떤 것이 다시 노동 시장에 들어가는 노동 비용인지를 결정 짓는다 특히 혁신에 대한 큰 동인 중 하나를 아는 것 자동화 경제는 당신에게 어떤 비용도 들지 않으면 노동 비용입니다 인간에게 왜 기계를 만들기 위해 물건을 발명하는지 알게 될 것입니다

일본과 다른 시장을 알고있는 이유입니다 유럽 ​​특히 여기에 내가이 흥미로운 혁신 드라이버 공간이 너무 때로는 중국이 아니다 우리는 마지막으로 간단한 질문과 데이비드를 할 시간이 있다는 것을 알았습니다 궁금한 미래파의 의장이 되겠다 나는 에릭에게 언급 한 루 브릭에 가고 싶다 당신은 자신의 직업이 기계 학습에 취약 할지를 결정합니다 바스 트가 기계의 다양한 새로운 트렌드에 대한 루 브릭 인 방법 오늘은 아니지만 더 성공적으로 될 수있는 것들을 배우십시오

대량 데이터의 학습뿐만 아니라 학습과 같은 매우 특정한 것들 1 샷 또는 2 샷에서 전송 학습 향상 인공 감성 지능 또는 확률 론적 학습 같은 것들 Stuart Russell이 이전의 이야기에 대해 이야기하고있었습니다 분석하고 더 많은 일자리를 더 빨리 파기 루 브릭이 기계를보기 위해 특별히 설계되었으므로 감독 학습 시스템을 학습합니다 우리는 두 가지 새로운 루 브릭을 개발했습니다 기계 학습의 다른 범주에서는 내가 떨어 뜨린 총알 포인트 중 하나 매우 빨리 내가 ​​생각하지 못했던 다른 발명품들이 있다는 것입니다 아직 아무도 그 가능성이 상당히 변경됩니다 감독 학습 시스템 기계 학습 시스템은 실제로 양자 였다고 우리가 전에 가지고 있었던 것의 개선과 내가있을 것임을 나는 모른다

많은 사람들을 묘사하는 중요한 기술 목록이 우리가 6 개월이나 1 년 중 하나를 볼 수있을 때 그들에게 일하는 것은 우리가 볼 수 없을지도 모릅니다 10 년이나 20 년 동안 그 획기적인 것들을 나는 모른다 그러나 우리는 그것을 알고있다 현재 감독 학습 시스템은 시스템이 확산 될 경우 추가적인 혁신이 없다면 경제 전반에 걸친 모든 다른 직업에 영향을 미치지 만 나는 루 브릭을 개발하는이 방법론은 우리가 다른 신기술 중 일부를 더 잘 이해하고 싶습니다 우리가하고있는 로봇을 위해 우리가하고있는 다른 것들과 똑같은 것입니다

하나는 규칙 기반 시스템을위한 것이지만 귀하의 요점은 기술은 계속 진화 할 것이며 아직 수행되지 않은 작업에도 영향을 줄 것입니다 그 목록 그래서 경제학자는 안전하지만 다른 사람이 다른 사람이 모든 우리는 그곳에서 끝내야한다고 생각하지만 우리 모두에게 감사드립니다 패널리스트 당신

What is Machine Learning | Machine Learning Process and Models | Machine Learning Types | AI and ML

당신이 열광자를 배우는 기계이고 최신 발달과 연락을 취하는 경우, 당신은 분명히 뉴스를 보았을 것입니다 "기계 학습은 링크를 식별합니다

세계의 바다 사이에 " 잠깐, 우리 모두는 얼마나 복잡한지를 분석하는 것이 바다와 같은 개념과 의심 할 여지없이 수십억의 풍속, 기온, 풍속, 지구의 회전 등등이 정보는 당신에게 머신 학습의 놀라운 가능성과 잠재적 인 용도? 그리고 이것은 단지 바다에 들르십시오! 그렇다면 ML은 무엇이며 왜 그것이 중요합니까? 기계 학습은 인위적인 부분입니다 지성 컴퓨터가 스스로 학습하고 작업을 수행하도록 설계되었습니다

새로운 데이터에 노출 될 때 인간이 개입하지 않아도됩니다 컴퓨터 또는 시스템을 의미합니다 기계 학습으로 설계되고 그에 따라 분석, 변경되며 인간이 필요로하지 않는 새로운 데이터 패턴을 발견했을 때 예상되는 결과물을 제공합니다 기계 학습의 자기 식별 및 새로운 패턴 분석의 힘은 복합체에 있습니다 어디서 무엇을 찾을 지 안내하는 강력한 '패턴 인식'알고리즘을 제공합니다 따라서 광범위한 작업 지식이있는 기계 학습 프로그래머에 대한 요구 복잡한 수학적 계산과 빅 데이터 및 AI에 적용하기 년

컴퓨터 학습은 근래부터 윙윙 거리는 단어이지만 개념적으로는 제 2 차 세계 대전 이후에 존재합니다 그러나 지난 10 년 동안에 만 주로 기계 학습 및 그 사용과 관련하여 큰 진전을 보였습니다 인간의 개입이 적고 정확도가 높아 미래 세계를 미래 지향적으로 만드는 우리의 모험에 의해 제약, 교육 기술, 산업, 과학 및 우주, 디지털 발명품,지도 네비게이션, 로보틱스 도메인 이름을 지정하면 기계 학습 인스턴스가 생깁니다 그것에서 만들어진 혁신 그렇다면 기계는 어떻게 배우는가? 간단히 말해서 기계는 인간처럼 행동합니다

인간은 훈련, 경험, 교사들 때로는 뇌에 공급되는 지식을 사용하거나 때로는 과거 경험을 이용하여 현재 상황을 분석하여 결정을 내립니다 마찬가지로 기계는 주어진 입력을 통해 올바른 것을 알 수 있습니다 그리고 무엇이 잘못되었는지 그런 다음 데이터를 기반으로 분석해야 할 데이터가 제공됩니다

그들은 지금까지받은 훈련입니다 어떤 다른 경우에는, 그들은 어떤 생각이 들지 않습니다 옳고 그른 것은 무엇이든, 다만 자신의 경험을 토대로 결정을 내리십시오 기계 학습 과정은 5 단계로 진행됩니다 다양한 형식 및 유형의 다양하고 풍부하고 밀도가 높은 내용에서 데이터를 수집합니다

텍스트 파일, 워드 문서 또는 엑셀 시트와 같은 다양한 소스를 포함 할 수 있습니다 피드 된 전체 컨텐츠에서 실제 데이터를 추출하여 데이터 준비 오직 기계에 실제로 의미있는 데이터가 처리에 사용됩니다 이 단계에는 다음이 포함됩니다 누락 된 데이터, 원하지 않는 데이터 및 아웃 라이어 처리를 검사합니다

적절한 알고리즘을 사용하여 모델 교육 두 번째 단계에서 필터링 된 데이터가 분할됩니다 두 부분으로 한 부분은 훈련 데이터로 사용되며 다른 부분은 참조로 사용됩니다 데이터 훈련 데이터는 모델을 훈련시키는 데 사용됩니다

그런 다음 모델의 정확성을 테스트하여 평가합니다 최대한 정확도를 확인하려면, 개발 된 모델은 준비 중에 사용되지 않은 데이터에 대해 테스트됩니다 단계 마지막으로, 기계의 성능은 현재 존재하는 다른 유형의 데이터에 적합한 다른 모델을 선택함으로써 향상되었습니다 전부 이것은 기계가 모델을 선택할 때 생각하고 재고하는 단계입니다

다양한 유형의 데이터에 가장 적합합니다 음성 기반 검색 및 음성 인식은 기계 학습의 한 예입니다 이미지 인식은 또 다른 것입니다 의료 분야에서 질병은 기계 학습으로 진단 될 수 있습니다 금융 부문, 기계 학습은 금융 사기의 가능성을 예측하는 데 도움이됩니다

고객의 신용 습관, 지출 패턴 등이 포함됩니다 예 기계 학습 모델은 3 가지로 학습 할 수 있습니다 다른 방법 감독 학습, 감독되지 않은 학습, 강화 학습 감독 학습에서 이름에서 알 수 있듯이 기계는 감독하에 학습합니다

먼저, 기계는 '라벨이 지정된'데이터라고도하는 사전 정의 된 데이터를 사용하여 교육됩니다 그런 다음 정답이 컴퓨터에 입력되어 올바른지 및 올바른지를 이해할 수 있습니다 잘못된 대답이 있어야합니다 아이들이 생각하는 모양을 고려해보십시오 놀이

나무 조각의 다른 모양의 낱단은 아이에게 주어진다, 정방형 모양의 말한다, 삼각형 모양, 원형 모양 및 별 모양 첫째, 아이들에게 어떤 모양을 가르쳐야합니까? 당신이 그들에게 그들 자신의 정렬을 할 것을 부탁합니다 마찬가지로 기계 학습에서는 레이블이 지정된 데이터를 통해 기계를 가르칩니다 그런 다음 기계에는 알 수없는 몇 가지 데이터가 주어지며 이전에 레이블이 붙은 데이터를 기반으로 분석됩니다 데이터와 올바른 결과를 제공합니다 감독되지 않은 학습에서는 사전 지식이없고 이전의 훈련도없고 교사도 없다

감독 할 이 학습은 모든 데이터를 기반으로 즉각적으로 사용할 수 있습니다 주어진 시간 토마토 믹스를하는 아이를 생각해보십시오 및 capsicums

그들은 모양이나 색깔에 따라 무의식적으로 분류 할 것입니다 이것은 사전 정의 된 속성 또는 교육 세트없이 즉시 반응합니다 감독되지 않은 학습에 종사하는 기계는 유사한 결과를 바탕으로 결과를 산출합니다 기구 보강 학습에서는 올바른 것은 없습니다

대답은 시스템에 알려졌다 시스템은 강화를 통해 자체 경험으로부터 학습합니다 에이전트 대답은 알려지지 않았으므로 보강 대행자는 무엇을해야할지 결정합니다 주어진 과제와 이것을 위해서, 그것은 현재의 상황에서만 경험을 사용합니다

예를 들어, 숨겨진 보물을 얻는 것을 포함하는 로봇 게임에서 알고리즘 시행 착오 방법을 통해 최상의 결과를 이끌어내는 데 중점을 둡니다 주로 세 가지 구성 요소 이러한 유형의 학습에서 관찰된다 사용자, 환경 및 행동 사용자 수행 중입니다 알고리즘은 그에 따라 사용자를 조정하여 달성 할 수있는 최상의 결과 현재 기계 학습은 아기 단계와 함께 살고있다

다음 10 년 동안 기계에서 급진적 인 변화가 예상 될 수 있습니다 학습 및 그것이 우리의 삶에 영향을 미치는 방식 고객은 이미 기계 학습의 힘과 편안함, 그리고 더 많은 혁신을 확실히 환영 할 것입니다 가까운 미래에 가트너는 말한다

인공 지능과 기계 학습이 중요한 전환점에 도달했습니다 사실상 모든 기술 지원 서비스, 사물 또는 서비스를 확대하고 확장 할 것입니다 신청 그래서, 그것은 놀라운 일이 아닙니다 미래, 기계 학습은 인간 생활의 거의 모든 측면에서 그 진입을 비즈니스 및 산업 분야의 편재, 클라우드 기반 서비스 입력, 데이터, 처리 및 사용법, 연결된 시스템 작동 방식 및 외관 변경 방법 계속 증가하는 인터넷 데이터

결론적으로 말하면, 기계 학습 그 자체의 방식으로 상당히 다릅니다 많은 전문가들이 계속 늘어나는 것에 대한 우려를 제기하고 있지만 의존성과 일상 생활에서의 기계 학습의 존재, 긍정적 측면, 기계 학습은 놀라운 일을 할 수 있습니다 그리고 세계는 이미 그 마술을 목격하고 있습니다 건강 관리, 금융 산업, 자동차 산업, 이미지 처리 및 음성 인식 및 기타 많은 분야 우리 중 많은 사람들이 기계가 전 세계에 걸쳐 전적으로 우리에게 달려 있습니다

우리가 효과적이고 안전하면서도 제어 할 수있는 설계 방법 기계 기계 학습이 우리가 할 일을 변화시키는 것은 의심의 여지가 없습니다 교육, 비즈니스 및 보건 서비스를 제공하여 세계를보다 안전하고 좋은 곳으로 만듭니다 그래서 이것은 기계 학습의 개요였습니다 다양한 기계 학습을위한 웹 사이트 방문 과정에 대한 정보를 얻고 더 많은 유익한 비디오를 얻으려면 채널을 구독하는 것을 잊지 마십시오

What infosec jobs use data science and machine learning?

– 그래, 높은 수준의 데이터 과학 및 기계 학습 기술 알고리즘의 종류의 일종이다, 소프트웨어 응용 프로그램의 종류 허용 수집되는 데이터를 기반으로 예측합니다 내가 의미하는 바는, 당신에게 구체적인 예를 들어 보겠습니다

– 예, 부탁합니다 – Netflix가 사용할 때 – 이 오디오를 듣는 모든 시청자와 모든 사람들 Netflix에 매우 익숙합니다 – 그들은 구매 행위를 본다 사용자의 사용 행동, 귀하의 인구 통계에 근거한 종류, 성별에 따라 과거에 해왔 던 것을 기반으로 한 귀하의 프로필, 그런 종류의 영화 추천을 예측합니다 미래를위한 – 마찬가지로, 우리 모두는 LinkedIn의 일부입니다

우리는 전문적인 네트워크의 일부입니다 LinkedIn은 귀하에게 직업, 이 스펙트럼에서 당신의 능력을 볼 수 있습니다 여기에 새로운 직업이 있습니다 또는 여기에 연결해야하는 사람들 등이 있습니다 모든 것은 본질적으로 기계 학습입니다

또는 데이터 과학 그것은 많은 양의 데이터를 사용하고 있으며, 큰 데이터를 말하자면, 알고리즘을 사용하여 자동으로 사용 패턴 및 프로필 및 동작을 기반으로, 행동의 차선책이 무엇인지 알아내는 것 그래서 공간에는 다양한 역할이 있습니다 – 괜찮아 – 권리? 당신은 나 같은 제품 담당자가 될 수 있습니다

당신이 필요로하는 것은 더 많습니다 많은 분석 기술 : 수학, 컴퓨터 과학, 데이터 분석 등 보안 분석가 같은 사람이 될 수 있습니다 또는 CISO 유형의 프로파일 너의 임무는 사이버 보안 제품을 운영 및 가져오고 있습니다 귀하의 환경, 경고 선별, 경고 작업, 법의학 등 다루기

거기에는 상당한 경력이 있습니다 귀하의 개업의 및 귀하가 당신의 조직은 안전합니다 – 괜찮아 – 그리고 전체가 있습니다 나는 개발자가되고 싶다, 나는 컨설턴트가되고 싶다

우주에서 – 다시 한 번 거기 방을위한 방도 그래서 제가 말하고자하는 바에 따르면, 네가 할 수있는 일, 사이버 보안 공간에서 당신이 관심있는 것을 발견하십시오 그것이 제품 이건, 컨설팅 이건, 그것은 보안 실무자입니다 그것은 디자이너, 제품 디자이너, 예를 들어, 나는 예쁘고, 쓸모 있고, 사용자 친화적 인 등, 디자인 공예도 있습니다 그래서 많은 기회가 있습니다

사이버 보안 공간에서 사실, 사이버 보안은 가장 불완전 고용 상태입니다 우주, 산업 분야에서 많은 사람들에게 길을 열어 준다 채용 정보, 너무 적은 리소스, 그 자리를 차지할 수있는 사람이 너무 적습니다 그래서이 시장은 지금 호황을 누리고 있습니다

What is machine learning in 2 minutes

오늘 나는 Machine Learning이 몇 분 안에 설명 할 것입니다 안녕하세요 여러분, 저는 Riccardo Osti입니다

매일 세계 최고의 브랜드를 돕습니다 소비자 경험에 투자함으로써 더 많은 수익을 올릴 수있다 내 채널을 구독하지 않으 셨다면 지금 당장하십시오 새 동영상을 게시 할 때마다 이메일을 받게됩니다 역사적으로 우리는 컴퓨터를 수행하기 위해 프로그래밍해야한다고 들었습니다

그러나 최근 몇 년 동안 과학자들은 패턴과 통계적 추세에 기반하여 컴퓨터가 행동 할 수있게 만든다 우리 인간이 프로그래밍 한 명령들 즉, 기계 학습 알고리즘은 과거 데이터 세트를 사용하여 예측 및 의사 결정을 내릴 필요가 없습니다 기계 학습은 가능하지 않은 응용 프로그램에 특히 유용합니다 모든 특정 작업을 수행하는 다른 알고리즘을 생성합니다

좋은 예가 컴퓨터 비전입니다 알고리즘을 사용하면 특정 물체 사진에 있거나 없는지 객체의 다양한 특성을 코딩하는 대신 기계 학습이 시작됩니다 그 안에있는 대상과 함께 방대한 양의 사진을 분석하고, 유사점을 확인하며 그 개체를 미래에 식별하는 데 도움이 될 것입니다 간단한 예를 들어 봅시다 : 맑은 날의 사진을 식별하고 싶습니다

그런 다음 알고리즘을 맑은 푸른 하늘과 사진이 담긴 데이터 세트에 제공합니다 비오는 날 알고리즘은이 두 개의 개별 데이터 세트 (예 : 색상, 밝기, 색조 등 이 학습 과정이 끝나면 기계가 사진을 표시할지 여부를 결정할 수 있습니다 화창한 날이든 아니든

일반적으로 기계 학습 결정의 품질은 제품의 크기와 품질과 관련이 있습니다 교육 데이터 세트 사실, 기계 학습 알고리즘은 통계에 크게 의존합니다 큰 역사적 데이터 세트에 대한 결정을 내립니다 기계 학습의 과제는 대개 훌륭한 교육 데이터 세트의 부족과 관련이 있습니다

알고리즘이 요구되는 매우 높은 수준의 정확도에 도달 할 수있는 능력 특정 애플리케이션의 경우 예를 들어, 2018 년에 Uber의자가 운전 차량이 보행자를 발견하지 못하고 사망했습니다 사고에서 복잡한 개념을 단순하게 설명하려고하는이 유형의 비디오가 마음에 듭니다 단어 몇 분만에

의견에 알려주세요! 곧 뵙겠습니다!