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

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

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

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

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

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

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

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

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

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

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

Crowdsource by Google: Building better products for everyone with machine learning

머신 러닝에 대해 들어 봤지만 무엇입니까? "기계 학습"은 컴퓨터가 몇 가지 예를보고 기술을 습득 할 수있게하는 기술입니다 규칙 세트 대신에

기계 학습을 통해 일상적인 작업을보다 쉽게 ​​수행 할 수 있습니다 좋아하는 사진 검색, 어떤 언어로든 사람과 대화하고 전 세계 어디든 가고 싶은 곳으로 정확하게 이동할 수 있습니다 기계는 어떻게 배우나요? 기계 학습에서 컴퓨터는 일련의 데이터를 통해 공통 패턴을 찾고 식별하고 학습합니다 예를 들어 컴퓨터에 많은 자동차 이미지를 보여 주면 어떤 그림에서든 자동차를 인식하는 방법을 배울 수 있습니다 우리가 보여주는 다양한 자동차 이미지는 더 잘 인식됩니다

따라서 Crowdsource 앱에 대한 귀하의 기여가 중요합니다 컴퓨터가 배울 수있는 정확한 예를 만들고 확인하는 데 도움이됩니다 이는 모든 사람에게 혜택을 줄 수있는 기능을 활성화합니다 이미지 레이블을 확인하면 Google 포토 및 Google 렌즈와 같은 앱이 사진을 분류하고 물체를 식별하는 데 도움이됩니다 문장의 정서에 라벨을 붙이면 Google지도 및 Google Play에서 사용자 언어로 리뷰를 구성하는 데 도움이됩니다

번역을 확인하면 Google Translate가 귀하의 언어로보다 정확한 번역을하도록 도와줍니다 덕분에 좋아하는 앱이 모두에게 도움이됩니다 전 세계 크라우드 소싱 커뮤니티의 일환으로 귀하의 국가 및 전 세계의 기고자들과 함께 수백만의 사례를 제공하고 있습니다 귀하의 답변은 수천 명의 다른 사용자의 답변과 결합되어“최상의”답변을 결정합니다이를“지상 진실”이라고합니다

실제 기술은 특정 기술을 습득 할 수있는 패턴을 찾는 기계 학습 모델에 적용됩니다 사진에서 자동차를 식별하는 방법 또는 한 언어에서 다른 언어로 번역하는 방법 등이 있습니다 기계가 배우는 것은 주어진 데이터에 의해 제한됩니다 세계의 작은 지역에서 온 이미지로 이미지 인식 알고리즘을 개발하면 세계의 해당 부분에서만 객체를 인식합니다 사진과 같은 앱이 모든 사람에게 잘 작동하려면 세계 각지의 이미지를 사용하여 기계를 훈련시켜야합니다

Crowdsource를 사용하면 교육 데이터에서 지역, 언어 및 의견을 나타냅니다 커뮤니티에 참여해 주셔서 감사합니다!

Wake County, NC | Improve property assessments with AI and Machine Learning | SAS Customers

MARCUS KINRADE : 순 마이그레이션을하고 있습니다 약 62 명의 사람들이 매일 웨이크 카운티에옵니다

그래서 언제든지 우리는 6 ~ 7 개의 학교를 세우고 있습니다 우리는 24,000 건의 건축 허가를 받고 있습니다 우리는 매년 12,000 개의 주거용 주택을 추가하고 있습니다 그래서 우리는 추가 기술을 찾고 있습니다 그리고 SAS 인공 지능 기술 우리에게 꼭 맞는 것 같았다

기계 학습 값을 비교하는 데 활용 재산을 평가하는 우리의 전통적인 방식으로 따라서 우리는 SAS에 신선한 가득한 부동산을 제공합니다 매일 밤 파일 그리고 SAS 모델은 310,000 개의 주거용 소포를 모두 재평가합니다 매일 밤 AI 기술을 사용하여 값을 결정합니다

그런 다음 시간 조정을 사용하여 예측 된 2020 년의 가치 따라서 우리의 전통적인 일정표, CAMA 값은 SAS AI 값을 가지며 2, 납세자를 보여주는 것은 우리 사업에 큰 이익이됩니다 SAS와의 협력으로 많은 돈을 아낄 수있었습니다 감정 평가사를 훨씬 더 적게 고용해야했습니다 그리고 우리는 더 빠르고 정확하게 작업을 수행 할 수 있습니다

Learn Deep Learning with Python, Keras and TensorFlow with Applications of Deep Neural Networks.

깊은 신경 네트워크를 환상적인 기술로 만드는 것은 그들은 거의 모든 형식으로 입력을 받아 들일 수 있습니다 그들은 표 형식의 데이터를 취할 수 있으며, 이미지, 텍스트 및 심지어 오디오까지

그런 다음이 정보를 처리하고 그런 종류의 수학적 마술은 결정이나 숫자를 출력합니다 등급을 부여하지만 동일한 유형의 데이터를 많이 출력 할 수도 있습니다 표 형식의 데이터, 이미지, 텍스트 또는 오디오를 출력 할 수 있습니다 내 수업에서는 응용 프로그램 딥 뉴럴 네트워크 (Deep Neural Networks)에 대해,이 신경망을 일상적인 문제 Jupyter Notebooks를 사용하여이 코스의 모든 것을 가르칩니다

및 Python 보시다시피, 코드와 정보를 섞어 볼 수 있습니다 내 과정에서 귀하의 프로그램에서 실제 결과를 볼 수 있습니다 그들 이제 비디오 게임을 만드는 응용 프로그램 중 일부는 비디오가 필요합니다

그래서, 우리는 그것들을 실제로 Jupyter 바깥에서 움직일 것입니다 노트북과 파이썬에서 직접 모든 것은 양립성이 보장된다 Google CoLab을 사용하면 필요에 따라 무료 GPU로 실행할 수 있습니다 GPU, 나를 믿으십시오, 당신의 훈련 시간에 시간을 절약 할 수 있습니다

나는 너에게 많은 것을 보여주지 그래픽 및 기타 멋진 것들을이 비디오에서 볼 수 있습니다 모든 것은 우리가 비디오 마술이 없도록 수업을 들으십시오 자, 나를 넣어 조금은 필요가있다 녹색 화면 마술의,하지만 신경 네트워크는 그런 처리가 필요해 날 믿어 멋지게 보입니다

GAN은 우리가 살펴볼 신경 네트워크의 한 유형입니다 이번 코스 GAN은 Generative Adversarial Neural Network의 약자입니다 GAN은 일반적으로 얼굴을 생성하는 데 사용되지만, 그들이 훈련받은 "가짜 데이터" GAN은 두 개의 신경망을 가짐으로써 작동합니다

그만큼 첫 번째 신경 네트워크는 발전기입니다 본질적으로 난수와 얼굴을 생성합니다 두 번째 신경망은 판별 자입니다 그것 본질적으로 발전기가 정확한 얼굴을 생산하는지 여부를 알려줍니다 이 두 사람 적대적 전쟁을 앞뒤로하고왔다

(충돌) 일단 그들이 당신을 끝내면 정말 다른 난수를 많이 가질 수있는 제너레이터가 있어야합니다 꽤 현실적인 얼굴을 계속 생성합니다 보강 학습, 특히 깊은 학습을 통해 적용하면 매우 강력합니다 Google AlphaZero가 Stockfish를 이기고 본질적으로 마스터가되는 기술 짧은 시간에 모든 체스 이 과정에서 우리는 인공 지능 체육관을 사용하고 배울 수있는 보강 프로그램을 만드는 아타리 비디오 게임 실제 비디오 이미지를보고이 게임을하는 법 게임에서 그리고 어떤 경우에는 실제 비디오 게임의 RAM 상태에서 진행됩니다

앉아라 앉아라 누가 착한 소년이야 히코리 강화 학습을 사용할 때 애완 동물을 훈련하는 것처럼 좋은 일을하거나 뭔가를하는 신경망에 대한 보상 그것은 유리한 결과로 이어집니다

신경망도 매우 훌륭합니다 광고를위한 잠재 의식 메시지를 생성 좋아, 잘 시도해 죄송합니다

신경망이 모든 유형의 입력을 받아 들일 수 있다고 말했던 때를 기억하십니까? 글쎄요 그들은 동시에 여러 유형의 입력을 수용 할 수 있습니다 이것은 어떻게 이미지 캡션이 작동합니다 글을 쓸 수있는 신경망을 만들려면 이미지 캡션, 당신이 할 일은 두 가지를 수용하는 신경망을 만드는 것입니다 서로 다른 유형의 입력, 사진, 그리고 그 순서가 그 순서입니다

끊임없이 성장하는 단어들의 집합 먼저 빈 배열로 전달하면됩니다 토큰을 시작한 다음 그림이 무엇인지 설명하는 단어를 추가합니다 되려고 요로, "너는 한번만 봐

" 이것은 당신이 볼 수있는 놀라운 기술입니다 주위를 도망 다니고 있어요 그것은 객체, 여러 객체를 분류하고 그것을하고 있습니다 매우 효율적입니다 한 번만보아야하기 때문입니다

우리는 당신이 어떻게 할 수 있는지 보게 될 것입니다 이 기술을 파이썬 프로그램으로 옮기고 실제 좌표 및 분류에 대한 정보를 제공합니다 요로 수 있습니다 어리석은, 여기 내 강아지와 박제의 차이를 말할 수 없다 동물 광고판을 말하는 데 어려움이 있습니다

사람들이 그것에 대해 생각하고 그들이 사람들이라고 생각하는 것들 이 간판 그것이 자기가 생각하는자가 운전 차에 관해서는 매우 넓어지기 그러나 기다려라 더있다 이 동영상은 이 코스의 하이라이트 만 보여줄 수 있습니다

전체 목록은 다음과 같습니다 우리가 다루는 다른 주제에 대해서도 설명합니다 이 비디오를 시청 해 주셔서 감사 드리며,이 코스에 대해 질문이 있으시면 그냥 코멘트에 뭔가를 남겨주세요 이 채널을 구독하여 이 코스에 새로운 비디오가 추가 될 때마다 업데이트됩니다 모든 정보 재생 목록 및 GitHub에서 사용할 수 있습니다

Smarter Demos: Predicting Asset Maintenance with Machine Learning

나는 너무 흥분한다 우리 팀이 만든 가장 최근의 해결책

이는 대용량 데이터 솔루션이며 기계 학습 기능을 활용합니다 기계 학습은 미래에 대한 모든 것을 예측하고 예측합니다 인프라 건설 분야와 관련하여 고객을 위해 일하는 우리의 솔루션 예측 유지 보수를 해결하기 위해 노력하고, 그러나 이것은 열려 있고 누군가를 위해 일합니다 어떤 고객, 어떤 중간 크기, 큰, 고객이든간에 대규모 포트폴리오 관리, 대규모 자산 관리, 유지 보수를 예측하고 싶습니다

위험을 예측하고 싶습니다 그리고 이러한 모든 위험 완화, 유지 관리 완화 및 모든 문제 영역, 그것은 원활하게 작동합니다 이 데모에서는 포트폴리오 관리 회사를 예로 들어 설명하겠습니다 이 회사는 동부 해안을 따라 많은 상업 시설을 관리하고 있습니다 그리고 이러한 특성을 관리함으로써 겨울 폭풍이 많이 발생했습니다

예측 분석을 사용하여이 날씨가 어떻게 예측되는지를 예측합니다 이 건물의 HVAC 시스템에 영향을 미칠 것입니다 우리는 이미 겨울철에 발생한 손상 비용을 예측합니다 우리는 또한 이미 피해를 입은 몇몇 도시를 강조합니다 우리는 또한이 건물의 예측 가능성을 강조합니다

또 다른 시스템 고장이 발생했습니다 다음 시각화에서는 하루 평균 비용을 볼 수 있습니다 하루 평균 기온이 보입니다 이것들은 과거에 겨울 폭풍이 몰아 칠 때 발생하는 비용을 의미합니다 오른쪽 상단 시각화에서 재산 시스템 연령을 봅니다

빨간색으로 강조 표시하면 다른 건물을 볼 수 있습니다 이전 겨울 폭풍에 영향을받은 바닥쪽으로, 우리는 건물을 본다 그리고이 건물들이 손상 될 확률 이 시각화에서 예측 가능한 고장이 있습니다 우리의 예측 고장에서, 우리는 예상 비용을 보게됩니다

미래의 폭풍이 발생할 때 잠재적으로 발생할 수 있습니다 우리는 또한 손상 비용이 부합되는 여러 카테고리를 볼 수 있습니다 중간 시각화를 사용하면 이러한 여러 건물의 확률을 볼 수 있습니다 손상되어 건물의 지리적 위치도 알 수 있습니다 실제 고장에서 우리는 이 폭풍으로 인해 두 개의 건물 만 영향을 받았다

건물 내부 온도가 -5도 아래로 내려갔습니다 그리고 손상된 두 건물은 북동 지역에 있었다 실제 발생한 비용은 120 만 달러였습니다 이는 우리가 추정 한 750 만 달러보다 큰 폭으로 하락한 것입니다 결론적으로, 우리의 솔루션은 손상된 건물을 예방 조치하는 데 도움이되었습니다

실제 건물의 건강 상태를 모니터링하는 데 도움이되었습니다 또한 회사의 비용 유지 및 비용을 절감하는 데 도움이되었습니다

Data Efficient Reinforcement learning for Autonomous Robots with Simulated and Off-policy Data

[음악] >> 좋아 고맙습니다

저를 여기 데려다 주셔서 감사합니다 내가하고있는 것을 공유 할 기회 그래서 우리는 세계의 아이들을 봅니다 걷고 경험을 통해 배울 수 있습니다 그들은 더 빠르고 안정적으로 걷는 법을 배웁니다

로봇 공학에서 로봇을 프로그래밍하여 아무리 얼마나 걸어도 걷는다 이 로봇은 들판을 따라 앞뒤로 걷고, 더 빠르고 안정적이지는 않습니다 그래서 제 연구에서, 나는 로봇이 실제로 경험을 통해 어떻게 배울 수 있는지 보여 줬다 그들이 배울 수있는 경험이있는 걷는 것이 훨씬 빠르고 안정적이게됩니다 실제로 누구보다도 빠르게 전에이 특정한 로봇을 프로그램하십시오

내 연구의 일반적인 그림은 내가 원하는 것입니다 컴퓨터와 로봇이 목표를 달성하기 위해 행동을 취하는 방법을 배우십시오 따라서 로봇에만 집중하는 것이 아니라 잠재적으로 더 많은 분야에 적용 가능합니다 이것은 구체적으로 무엇을 의미합니까? 그 컴퓨터 또는 로봇, 내가 에이전트라고 부르는 것은 정책을 배울 수 있어야한다 주어진 세계의 어떤 주를지도 할 것입니다 목표 달성을위한 행동으로 옮깁니다

따라서 이것은 분야의 목표와 동일합니다 보강 학습과 나는 아마 많은 것이라고 생각한다 너 모두 여기에 익숙하다 많은 관심을 끌고있다 강화 학습이 진행되고있는 성공 사례

그것은 지난 몇 년 동안 학습 강화에서 나왔습니다 그래서 초인간 공연과 비디오 게임, 고어 게임에서의 퍼포먼스, 축구를 배우는 시뮬레이트 로봇, 그리고 나서 일부 산업 웹 마케팅과 같은 성공 사례 Microsoft에서 이뤄진 일부 작업은 그 중 일부에 기여합니다 데이터 센터 제어 또는 가정 자동 온도 조절 시스템 제어 그러나 이러한 모든 성공과 함께, 물론 좀 더 가까이서 보면, 우리가 볼 수있는 것은 이러한 학습 시스템은 그리 효율적이지 않습니다

그래서이 Atari 비디오 게임 결과 전에는 5 천만 건의 행동을 취하는 요원을 동원해야한다 바둑 게임의 좋은 정책 21 일간의 셀프 플레이, 수백만 및 수백만 개의 게임과 하나의 예로서, 여기에 시뮬레이션 로봇, 계산 시간의 1 년 반 축구를하는 모든 기술을 배우기 따라서 우리가이 보강 학습이 적용되기를 원한다면 실제 로봇 또는 건강 관리 또는 더 많은 데이터 희소 한 설정, 아직해야 할 일이 많이 남아 있습니다 나는 많은 사람들이 산업계와 학계 모두가 요구하는 것은, 강화 학습이 데이터 효율적 일 수 있는가? 실제 응용 프로그램에 충분합니까? 이것이 나의 연구에도 동기를 부여하는 질문입니다 그러나 나는이 질문에 답하기 전에, 실제로 또 다른 질문이 있습니다

우리가 무엇을 요구해야하는지, 에이전트가 어떻게 행동의 효과를 예측할 수 있습니까? 의미, 내가 이것을한다면, 그 때 이것은 예상 한 결과이고, 대신에 나는 그것을 한 경우에, 이것은 내가 기대해야하는 것입니다 나는 몇 가지 이야기를 할 것이다 우리가 본 다른 방법들 내 연구에서이 예측 질문에 첫 번째 정책은 고정 된 정책을 제공하는 것입니다 작업을 수행하는 방법

우리가 기대하는 성과는 무엇입니까? 그 일을 성취하기 위해 우리가 그 정책을 사용했는지 확인하십시오 내가 이야기 할 또 다른 점은 에이전트가 행동이 어떻게 될지 예측하라 세계의 기본 상태를 변경하십시오 그래서 저는 어떻게 우리가 어떻게 이런 질문을 할 것인가부터 시작하려고합니다 고정 된 동작의 성능을 평가합니다

그러나 그것에 뛰어 들기 전에, 보강 학습 설정을 간단히 소개하겠습니다 이미 익숙하다면, 이것은 내 가정의 일부를 얻을 수있는 유일한 방법입니다 나는 테이블에 나와 열려서 우리는 모두 같은 페이지에 있습니다 그래서 보강 학습 세계 일반적으로 정의되는 몇 가지 구성 요소가 있습니다 나는 이것을 다음과 같이 소개 할 것이다

토크의 첫 부분에서 사용할 예제 목적지에 도달하기 위해 운전하는 자율 차량의 따라서 정의해야 할 첫 번째 것은 자율 차량을위한 주 공간 이 위치는 세계 또는 다른 차가 그것에 관련되어있는 곳 이것은 의사 결정에 필요한 모든 정보입니다 차량은 그것에 영향을 미치는 행동을 이용할 수 있습니다 세계와 같은 기본 상태 휠 조향, 제동 또는 가속

그렇다면 보상에 대한 개념이 있습니다 작업에서 성공할 수있는 것을 캡처합니다 어쩌면 당신은 단지 작은 보상을 얻습니다 목적지에 도달하고 사고가 났을 때, 매우 큰 부정적인 형벌을받을 수 있습니다 마지막으로, 정책 에이전트의 동작을 정의하는 것입니다

그래서 세계 어느 주에서도, 정책은 에이전트에게 에이전트에게 목표를 달성하기위한 조치를 취해야합니다 설정의 상호 작용이 순차적으로 발생합니다 그것은 단지 하나의 행동을 선택하는 것이 아닙니다 그러나 에이전트는 한 상태에서 시작합니다 그것은 행동을 취할 것이고, 그 행동이 얼마나 좋은지에 따라 보상을 받는다

특정 상태로 전환 한 다음 새로운 상태로 전환합니다 이 과정이 반복되므로 제가 일반적으로 저의 작업에서 가정하는 한 가지는 이 상호 작용은 몇 단계의 고정 된 숫자 에이전트는 초기 상태로 돌아가서 작업을 다시 시도 할 수 있습니다 이 전체 상호 작용 순서는 다음과 같습니다 국가 행동 보상 공간을 통한 궤도라고 부른다 이제 보강 학습에서, 대부분의 사람들이 생각하는 문제 정책 개선에 관한 것입니다

우리는 몇 가지 구체적인 임무를 부여 받았다 어떤 정책을 찾아야합니까? 우리가 얻을 수있는 보상의 양을 극대화합니다 하지만 또 다른 중요한 요소가 있습니다 보강 학습 문제는 우리가 고정 정책을받는 곳에서의 정책 평가 우리는 그것을 개선하려고 노력하지 않을 것이지만 우리는 단지 그것을 알고 싶어합니다

이 정책을 실행하면 얼마나 많은 보상을받을 수 있습니까? 나는 이것이 더 중요한 문제라고 주장 할 것이다 정책 개선보다 우선, 일반적으로 필요한 첫 번째 단계입니다 좋은 정책을 배우고 싶다면, 먼저 현재 정책을 평가할 수 있어야합니다 둘째, 현실 세계에서 시스템을 배포하려는 경우, 이게 얼마나 잘되고 있는지 알고 싶어 내가 그것을 밖으로두고 그것을하기 전에 할 일 그것은 실제 사람들과 실제 물건들과 상호 작용합니다

그럼 내가 가자 정책 평가 문제에 대해 좀 더 자세히 살펴 보겠습니다 그래서이 자치 차량을 상상해보십시오 운전할 때 두 가지 결과 중 하나가 나타납니다 나는 여기에서 확실히 단순화하고있다

물론 현실 세계에는 무한한 수의 다른 가능성들 이 차량이 경험할 수있는 것 하지만 아주 높은 확률로 말하자 그것은 목적지에 도달하고 매우 낮은 확률이있다 안전 운전자는 차 충돌을 막기 위해 개입하십시오 이러한 결과는 다음과 같이 계량 할 수 있습니다

차량이받을 보상의 금액 그래서 목적지에 도달하는 것은 아마도 작은 긍정적 인 사건 일 것입니다 개입하는 안전 운전자 매우 강한 부정적인 사건이다 따라서 정책을 평가하는 것은 평가의 문제 일뿐입니다 결과가 될 것으로 예상되는 가치 이것이 어려워지는 곳 강화 학습 설정은 이러한 결과가 단 한 번의 사물이지만 그들은 실제로 탄도에서 일어나고 있습니다

그래서 우리는 모든 개인 결정을 가지고 있습니다 이러한 결과를 얻기 위해 함께 결합 될 수 있습니다 그래서이 확률은 그 자체가 알려져 있지 않습니다 분석적으로 만 할 수는 없습니다 정책을 실행할 때 발생할 일을 계산하십시오

이것이 실제로있는 곳 중 하나입니다 우리가 정책 평가를하는 방법을 고려하는 것이 중요합니다 이것의 더 형식적인 개념은, 이 예제에서 벗어나는 대신에 우리는 우리가 평가하기를 원하는 목표 정책 우리는 목표 정책이 현재 상태에서 주어진 행동에 대한 분포, 우리가 알고 싶은 것은 예상되는 총 보상 우리가이 방침을 실행할 때 궤적을 따라 받게됩니다 그렇다면 왜 우리는 이것을 신경 쓰나요? 그래서 당신이 스스로 운전하는 자동차 회사의 엔지니어라고 상상해보십시오

당신은 새로운 정책을 추진하고 있습니다 사용자는 차를 제어하려고했습니다 그래서 내가 바라는 한가지 엔지니어가하는자가 운전의 자동차 이 상황에서 그들은 것입니다; 그걸 밀어 내기 전에, 그들은 정책을 테스트하는 데 약간의 시간을 할애하고, 무슨 일이 일어나고 있는지에 대한 매우 정확한 평가를 얻으려고 노력한다 이 정책을 실제 사용자에게 적용 할 때 일어날 수 있습니다 그런 다음이 테스트 단계가 끝난 후, 배포 단계가있을 것입니다

정책은 실제로 현실 세계에서 나옵니다 배포 단계에서 당신은 거기에있을 것이라고 기대할 수 있습니다 안전 메커니즘이 훨씬 적다 정책이 정말 나쁜 일을하는 곳 따라서 테스트 시간은 정책 평가가 필요한 부분입니다

그래서 이것이 아마도 이루어질 것이라고 상상했던 것은, 당신은 매우 많은 수의 테스트 드라이버를 고용 할 것입니다 당신은 그들에게이 정책을 실행하는 차를 줄 것입니다 그들은 각각 정책을 실행하는 궤적을 수집 할 것입니다 정책이 얼마나 잘 수행되었는지보고하고, 당연히 보상을 받고 이것을 정량화하십시오 이 정보에서, 당신이 이것을하면, 너는 어떻게 할 수 있겠는가? 잘 정책은 수행 할 것입니다

그래서 이것은 매우 자연스러운 방법입니다 정책을 평가하지만 내가 원하는 것은 무엇인가? 여기에서 강조하고 싶은 것은 이것을하기위한 매우 수동적 인 접근법입니다 방금 정책을 실행하고 어떤 일이 벌어지고 있는지보고 있습니다 왜 그렇게 나쁜지에 대해 잠깐 이야기 할 것입니다 하지만 먼저 나는 이 일을하는 일반적인 방법은 몬테카를로 평가라고합니다

보강 학습 환경에서, 대상 정책을 반복적으로 실행하고, 국가 행동이나 보상 궤적을 관찰하고, 총 보상의 평균을 구하십시오 각 궤적을 가로 질러 보입니다 이 작업을 수행하는 정말 간단한 방법입니다 이 방법으로 문제를 일으키는 것은 매우 드문 결과가 있지만 매우 큰 영향 귀하의 정책 가치에 대한 귀하의 예상치는 얼마입니까? 예를 들어,이 경우, 안전 운전자는 거의 볼 수 없습니다 개입해야하고 그리울지도 모른다

더 자주 보게되면 진정한 확률은 그런 식으로 매우 부정확 한 추정을 얻을 수 있습니다 그래서 이것은 x 축상에 이것을 보여주는 것이고 여기서 얼마나 많은 데이터가 수집되는지 y 축은 예상치를 나타냅니다 파란색 파선은 당신이 추정하려고하는 진정한 가치 너는 과대 평가일지도 몰라 당신의 정책 가치, 그리고 당신이 얻을 때 이 희귀 한 사건 하나, 당신의 가치는 흔들릴 것입니다

주위에 당신이 수집 할 때까지되지 않을거야 매우 많은 양의 큰 숫자의 법칙에 의해서만 나온 데이터 당신의 정책 가치를 잘 예측할 수있게 될 것입니다 따라서 실제로이 설정에서 수행하는 것이 더 나은 것은 무엇입니까? 데이터를 수집하는 방법에보다 적극적으로 접근하는 것입니다 즉, 여기서하고 싶은 것은 우리가 원하는 것입니다 확률을 높이다 안전 운전자가 개입해야합니다

우리가 그렇게한다면, 우리는 더 나은 정량화를 얻을 수 있습니다 그 사건이 우리의 예상 보상에 미치는 영향 나는 정책 평가가 다소 안전의 적용에 의해 동기 부여됩니다 그래서 나는 지금 우리가해야한다고 옹호하고있다 매우 나쁜 사건의 확률을 증가시킨다

그래서 이상하게 들리면, 이런 종류의 설정에 대해 정확히 생각하고 있습니다 우리는 안전 메커니즘을 적절히 배치 할 수 있습니다 여기에 개입 할 안전 운전자가있는 것처럼, 그래서 우리는 아주 좋은 견적을 얻을 수 있습니다 우리가 오기 전에 정책 가치 컨트롤이없는 설정입니다 무슨 일이 일어나 든간에 큰 손해 등을 초래할 수 있습니다

그래서 나 한테 동의한다면 우리가 정책 평가를하는 방식에보다 적극적으로, 확률을 높이는 이러한 중요한 부정적인 사건은 좋은 것일 수 있습니다 기술적 인 문제가 여전히 남아 있습니다 이 일을 할 수있게 남아 있습니다 따라서 이러한 기술적 과제 중 첫 번째는 일단 데이터 수집에 대한보다 적극적인 접근을 취하면, 지금은 우리가 볼 결과의 분포 우리가이 분포를 이동했기 때문에, 우리는 더 이상 평균을 낼 수 없다

우리가 수동적 접근에서하는 것처럼 관찰 한 보상 두 번째 것은 우리가 궤적을 생성하기 때문에, 그림을 그릴 수있는 특별한 정책이 필요합니다 이러한 중요한 사건들을 어떻게 일으키는 지 알아보십시오 그래서 우리는 무엇이 필요한지 알아야합니다 올바른 데이터 수집 정책을보다 적극적으로 활용할 수 있습니다

이 두 번째 기술적 과제에 내 작품이 기여한 곳 먼저 우리가 어떻게 대응할 수 있는지에 대해 조금 이야기 할 것입니다 이 변화하는 데이터 분배 문제 이는 두 번째 부분에서 필요하기 때문입니다 하지만 계속하기 전에 일부 용어를 곧바로 이해하는 것만 큼 좋습니다 내가 목표 정책을 말할 때, 나는 우리가 평가하고자하는 정책을 의미합니다

내가 행동 정책을 말할 때, 우리가 데이터를 수집하기 위해 배포 할 정책을 의미합니다 처음으로이 첫 번째 문제를 먼저 생각해보십시오 변화하는 데이터 분포를 어떻게 처리 할 것인가? 우리가 실행하는 정책을 변경할 때? 이제 우리가 지금 달리고 있다고 상상해보십시오 50 퍼센트의 확률을 가진 행동 정책, 목적지에 도달하고 나머지 50 % 확률은 안전 운전자가 개입해야 할 필요가 있습니다 그래서 첫 번째 결과 만보고, 우리는 이제 우리가 목적지에 약 절반 정도 자주 도착하십시오

그래서 이것을 바로 잡기위한 아주 간단한 트릭입니다 당신이 보는 결과를 단지 곱하는 것입니다 요인의 주위에 두 가지가 있습니다 따라서 이것이 우리가 그 사건을 우리가 그렇지 않은만큼 많이 보지 못했습니다 이렇게하는 일반적인 방법은 중요한 샘플링 및 널리 사용되는 기술입니다

간단히 소개하겠습니다 또는 RL 설정에서 사용 된 방법 우선 우리는 반복적으로 행동 정책을 실행합니다 우리는 다음과 함께받은 모든 보상을 합산합니다 각각의 궤도는 우리가 수동적 인 접근에서와 마찬가지입니다

하지만 여기서 핵심은 우리는 보상 총계를 다시 재 계산합니다 이것이 정확히 어떻게 이해해야 할 필요는 없습니다 완료되었지만 기본적으로 보상을 합산하는 것입니다 수동적 접근 방식에서와 마찬가지로 상대 우도 요소를 곱하는 것입니다 따라서이 요소는 if 이 결과는 저의 목표 정책에 따라 더 많이 나타났습니다

행동 정책은 그것에 대한 무게를 증가시킵니다 가능성이 낮 으면, 그 위에 무게를 줄이자 일단 우리가 다시 가중치를 주면, 우리는 관찰 된 데이터를 사용할 수 있습니다 마치 우리의 이익 정책에서 나온 것처럼 말입니다 그래서 이것은 중요한 샘플링을 만든다

매우 일반적인 기술 우리가 해결할 수있게 해준다 우리가 여기에서 가지고있는 첫번째 기술적 도전 그러나 우리는 여전히 올바른 행동 정책이 무엇인지 알지 못합니다 이것이 내가 다음에 이야기 할 내용입니다 그래서 나 자신과 공동 작업자 이 문제를 보거나 질문하기 우리가 보낼 수만 있다면 우리가 설명한 설정에서 단일 테스트 드라이버

>> 그게 나를 괴롭 히고있어 그래서 국가가 있다고 가정 해 봅시다 안전 운전자가 필요한 곳 거칠게 상태에 도달하는 것처럼 그래서 측면에서, 나를 데려 오는 정책에 대해 생각합니다 당신의 예를 들어 그 주 서식지 예를 들어, 나는 내 마음 속에서 그 목표를 가질 수있다

그러나 그 방침으로 떠오른다 거칠게 보인다 보강 학습 문제를 해결하는 것으로, 왜냐하면 나는 지금 능력을 생각하고있어 실제로이 상을 최대화하십시오 MDP에서 그 상태에 도달하고있다

그래서 아마도 그것은 개념적 어려움 일 것입니다 문제가있다 좋은 데이터 연결 정책을 알아 내려고 노력한 결과, 기본적으로 힘들 수 있습니다 보강 학습 문제로서, 아니면 이런 것들을 하나로 묶는 구조가 있습니까? >> 네, 큰 질문입니다 우선, 우리는 주로 집중하고 있다고 생각합니다

여기에서 정책 평가의 문제에 대해 그래서 우리가 묻는 주요 질문은, 그냥 달리다 해당 정책을 사용하여 데이터를 생성하고, 보다 효율적입니다 정책을 적용하고이를 사용하여 데이터를 생성합니까? 그래서 이야기에서 조금 건너 뛰는 대답은, 예, 그렇게하는 것이 더 효율적입니다 정책 개선 질문의 관점에서, 우리가 여기있는 일을 그 환경에 적응시킬 수 있겠 어? 대답은 다시 예입니다 원칙적으로, 거기에 몇 가지 다른 도전이 있습니다

우리가 할 일은 직관적으로 생각합니다 발견을위한 강화 학습 더 나은 데이터 수집 정책 그래서 우리는이 질문으로 시작했습니다 만약 우리가 하나의 궤도를 수집 할 수 있다면 어떨까요? 우리는 완벽한 평가를 얻을 수 있을까요? 여기에 하나의 테스트 드라이버를 보내는 것만으로도 우리의 정책은 어떻습니까? 따라서 이것은 중요한 샘플링 추정치입니다 당신은 모든 수학을 따를 필요가 없습니다 그러나 우리는 기본적으로, "단일 궤적으로, 이것이 우리가 추정 한 것입니다

우리는 이것을 정확히 할 수 있을까요? 정책의 진정한 가치와 동등한가? 그래서 그것은 밝혀졌습니다 네, 그렇게 할 수 있습니다 그러나 얼마 동안은 이론적으로는, 당신은 그것이 존재한다는 것을 보여 줄 수 있습니다 실제로는 할 수 없습니다 가장 좋은 정책이 무엇인지 분석적으로 경쟁하십시오

그래서 우리는 알렉스가 여기서 제안하는 것을 할 것입니다 그리고 우리는 단지 검색 할 것입니다 우리는 더 나은 데이터 수집 정책이 무엇인지 배우게 될 것입니다 그래서 우리는 목표를 적었습니다 이것은 기계 학습에서 꽤 표준화되었습니다

이게 정확히 무엇인지 따를 필요가 없습니다 그러나 이것은 평균 제곱 오류입니다 그래서 우리는 기본적으로 진정한 가치를 봅니다 그 가치에 대한 우리의 추정치, 어떤 데이터가 주어지면 멀리 제곱 오류 관점에서 우리가 있습니다 따라서이 양을 실제로 추정 할 수 있습니다

그것은 정책의 진정한 가치를 아는 것에 달려 있기 때문에, 당신이 이미 알고 있다면 평가 문제로 끝났습니다 그러나 우리가 작업에서 보여 주었던 것은 이 목적의 기울기를 추정 할 수 있고, 행동 정책과 관련하여 그래서 이것은 지금 우리에게 메커니즘을 제공합니다 행동 정책을 적용하기위한 우리에게 더 정확한 평가를 줄 것입니다 이것이 그래픽처럼 보이는 것은, 가능한 모든 정책의 공간을 상상할 수 있다면, 여기에 x 축을 따라 압축됩니다 목표 정책부터 시작해 보겠습니다

우리가이를 사용하여 데이터를 수집한다면, 평균적으로 일정량의 오류가 발생할 것으로 예상 할 수 있습니다 그런 다음 그라디언트를 추정합니다 그 그라디언트를 따라 한 걸음 나아가십시오 우리는 평균적으로 행동 정책에 봉착하게됩니다 정책 평가를 위해 더 나은 데이터를 제공 할 것입니다

그래서 이것이 어떻게 연결되는지 궁금하면 중요한 희귀 사건의 증가에 대한 이야기, 우리가 표현한 것은 그래디언트에서 파생 된 것은 정확하게 우리에게 알려줍니다 확률을 높이는 법 심각한 희귀 한 사건이 발생할 수 있습니다 그래서 다시, 당신은 따를 필요가 없습니다 정확히이 표현이 말하는 것, 그러나 우리는 다음과 같은 한 가지 요소를 가지고 있습니다 "이러한 행동들이 그들의 확률을 증가 시킨다는 것"과 또 다른 요인 그것은 얼마나 희귀한지, 중요한 사건은 전반적으로이 표현은, "결과가 매우 드문 경우, 그것을 보는 확률을 높이는 데 큰 영향을 미칩니다

" 이제 우리는 우리가 더 나은 행동 정책을 배울 수있게 해줍니다 이 설정에서이 모양이 어떻게 보이는지, 우리는 소량의 데이터를 수집 할 것인가? 초기 목표 정책을 사용하여, 언제든지 이벤트를 발견합니다 우리 추정치에 큰 영향을 미칠 것으로 예상되는 우리는 확률을 높이고, 그리고 이것은 될 수있다 매우 좋은 데이터 수집 전략을 얻을 때까지 반복됩니다 여기에서 핵심적인 것은, 당신은 모든 데이터를 사용할 수 있습니다

정책을 평가하는 방법을 배우면서 수집하십시오 여기에 아무 낭비가 없습니다 계속해서 개선 될 것입니다 타트는 데이터를 수집하는 수동적 인 방법입니다 일반적인 전략은 우리가 목표 정책을 가진 적은 수의 궤적, 지역 정책을 개선하고, 더 많은 궤도를 수집하고, 그런 다음 모든 데이터를 사용하여이를 평가할 수 있습니다

선택적으로 원하는만큼 반복합니다 그래서이 공헌으로, 우리는 지금 올바른 행동 정책이 무엇인지 알고 있습니다 이를보다 정확한 정책 평가에 사용할 수 있습니다 그래서 몇 가지 경험적 결과를 간략하게 보여 드리겠습니다 이것들은 약간의 보강 학습 벤치 마크 문제에 있으며, y 축은 평균 자승 오차이며, 그래서 더 낮은 것이 좋습니다, x 축은 수집 된 데이터의 양입니다

몬테카를로 접근 방식입니다 그것 때문에 낮아질거야 진정한 가치에 대한 일관된 추정치 그러나 당신이 그들의 행동 정책을 동시에 적용하고 있다면, 더 많은 정확성을 더 빨리 얻을 수 있습니다 이것은 로그 – 로그 스케일에 있음을 유의하는 것이 중요합니다

따라서 결과는 30 ~ 70 %입니다 보다 정확한 정책 평가 수집 할 수있는 고정 된 양의 데이터 그래서 이것은 이야기의 첫 번째 부분을 마무리 짓고, 그냥 주요 테이크 아웃 이 점에서 나는 먼저 그것을 강조하고 싶다 정책 평가는 안전하고 신뢰할 수있는 자율 시스템 배치, 활성 데이터 수집은 이 작업을 실제로 안정적으로 수행하기위한 중요한 단계입니다 이 작품은 또한 논증 론적 추론의 더 큰 문제로, 이는 자율 요원이 갖기 위해 매우 중요합니다

그래서 내 작품도 만들어졌다 이 광범위한 질문에 여러 기여 가장 최근의 결과 중 하나는 다시, 이 중요한 표본 추출 유형 방법을 살펴 보았습니다 이는 일정 비율의 컴퓨팅에 의존합니다 그래서 우리는 그 사실을 보여주는 몇 가지 작업을 제시했습니다

이 표현의 분모를 취하면, 데이터를 샘플링하는 진정한 확률입니다 경험적 추정치로 대체한다 중요한 샘플링의 품질을 향상시킬 수 있습니다 가장 최근의 작업 중 일부입니다 이 주제에 관해서 그래서- >> [들리지 않음] 나는 특히 차에 대해 호기심이 많았던 것으로 생각한다

예를 들어 대상 정책에 대해 어떻게 생각해야합니까? 그것은 매우 좋은 정책입니다 가까운 직립 자세에서 많은 시간을 보냈습니까? 아니면 나쁜 정책입니까? 그곳에 도착하지 않는 것이 대부분입니까? 그게 할 일 이니까 정책 적응의 효과에도 영향을 미친다, 맞습니까? 그럼 그 말을 좀 할 수 있니? 네 그래서 그 정책은 부분적으로 최적화되었거나 두 극단 사이의 어딘가에 있습니다 그래서 당신이 얻는 개선의 양은 대상 정책에서 얼마나 많은 차이가 반환되는지에 따라 다릅니다

그래서 당신이 극단적 인 사람이라면, 항상보고있는 대상 정책을 실행중인 경우 똑같은 일에는 이점이 없습니다 있을 경우 항상 개선을 보게 될 것입니다 목표 정책 결과의 차이 네 그래서 실제로 전환하려고합니다

기어와 더 많은 이야기 마치 내가 한 일의 다른 부분처럼 이야기의 첫 부분에 질문이 있으면 나는 여기서 잠시 멈추고 부부를 데려 갈 수있다 예 >> 카풀에 결과를 보여 줬어 정확한 복잡한 링크는 무엇입니까? 가장 큰 링크는 무엇입니까? 너가 실제로하는 상태 손상 카풀 기반 모델에 기대하십니까? >> 그래, >> 질문에 [들리지 않음]

네 그래서 저는 우리가했던 기본적인 방법을 말할 것입니다 본질적으로 보강 알고리즘이다 당신이 이것에 익숙하다면, 정책 구배 메서드 그래서 이것을 구현하는 것 이상으로하지 않았습니다 간단한 보강 접근법

우리는 그 이상으로 확장하려고하지 않았습니다 하지만 보강은 90 년대 초 도입 된 정책 기울기 방법이있었습니다 저와 당신의 규모를 조정하는 방법을 보여주는 많은 문헌들이있었습니다 여기서도 똑같은 기법을 많이 사용할 수 있습니다 그래

예? >> 나는 같은 질문을 가지고있다 당신이 당신의 [들리지 않음]에서 조사한 지평선은 무엇 이었습니까? >> 그런 것들, 제가 방금 전 보여준 것들은 200 시간 간격의 두 수평선 그래, 네가 원하는지 모르겠다 너의 질문은 어떤 것 같아 중요한 샘플링 및 긴 지평선 문제

직감적으로 무슨 일이 일어 났는지 생각합니다 목표 정책에 근접하게 될 정책을 학습하고, 그러나이 극단적 인 희소 한 사건에 도착하는 방법이있는 경우에, 그러한 행동의 가능성을 높일 것입니다 그래서 당신은 정말로 평상시와 똑같은 긴 지평선 문제 데이터가있을 때 중요한 샘플링에 역병 임의의 행동 정책에서 당신에게 주어진 것입니다 사실, 여기서 우리는 가중치의 분산과 같이 사용합니다 거기에있는 수익률의 분산을 방해합니다

>> 너무 많은 정책 그라디언트를 발견하지 못하면 [들리지 않음] >> 그래, 안돼 그래서 우리는 실제로 그렇게 열심히 찾지 못했지만 그래, 너 한테 일방 통행처럼 노력하고있어 그 그라데이션을 아주 가난한 견적은, 그렇습니다 그 질문에 대답 괜찮아

그래서 지금 이야기의 두 번째 부분으로 넘어갑니다 나는 또한 대리인이 매우 중요하다고 생각한다 그들의 행동을 예측할 수있다 세계의 기본 상태에 영향을 미친다 심지어 다소 작업 불가지론적인 방법으로

그래서 이것으로 정확히 무엇을 의미합니까? 모델 기반 강화 학습에 연결할 수 있습니다 다시이 자율 차량 예제로 돌아가십시오 우리는이 차량이 여전히 서있다 그것은 빠른 속도로 앞으로 나아갈 것입니다 그러나 막 시작한 에이전트에게 그것의 통제가 국가를 바꾸기 위해 무엇을하는지 탐험해라

이것은 전혀 명백하지 않습니다 그래서 내가 의미하는 바는 구체적으로 주어진 것입니다 대리인이 선택할 수있는 모든 주 및 조치 우리는 무엇이 될지 알고 싶다 예측 된 다음 상태 결과 또는 다음 주에 대한 분포 일 수 있습니다 나는 이것이 자치 확대의 핵심이라고 생각한다

우리가 이것을 완벽하게 할 수 있다면, 정책 평가 문제, 우리는 매우 효율적으로 데이터를 처리 할 수 ​​있습니다 테스트 궤도를 수집하는 대신, 우리는 모든 다른 결과를 시뮬레이션 할 것입니다 우리는 어떤 정책을 할 것인지 알 수 있습니다 정책 개선과 마찬가지로, 실제 경험을 생성하는 대신, 우리는 그러한 방식으로 합성 또는 시뮬레이션 된 경험으로부터 배울 수 있습니다 이 부분의 이야기와 우리가 해낸 일 여기서 우리는 격차로 인해 많은 동기를 부여받습니다

시뮬레이트 된 도메인과 실제 도메인 사이의 로봇에서 확인하십시오 그래서 특히 이것은 약간의 내가 일하는 경험 RoboCup 3D 시뮬레이션 도메인, 그래서 재미있는 무엇입니까 여기서 로봇이 얼마나 부드럽게 움직이는지를 알아 두십시오 그들은 가질 수있다 이 긴 킥은 공으로 빠르게 움직입니다 그 이유는 신청할 수 있기 때문입니다

이와 같은 도메인에서 학습을 강화하면됩니다 로봇이 사용하는 모든 기술을 크게 최적화하여 너보다 훨씬 좋은 것을 얻으 라 아마도 손으로 조정할 수 있기를 바랄 수 있습니다 그럼 대신 실제 로봇과 비교해 봅시다 이것은 RoboCup 표준 플랫폼 리그 경쟁에서 나온 것입니다

이것은 내가 작업 한 로봇 플랫폼입니다 박사 과정 학생이었습니다 여기서 주목해야 할 것은 로봇은 훨씬 느리게 움직입니다 그들은 덜 멀리 덜 정확하게 공을 차고있어 네가 할 수있는 희망이 없다

이 플랫폼에서 직접 학습 강화 로봇은 실제로 깨질 것입니다 나는 너를 보았다고 생각한다 모두 3 층에 네트 로봇이있다 신청하는 것을 상상하는 것처럼 그것에 강화 학습 알고리즘, 당신은 훨씬 더 많은 로봇이 필요합니다

그래서 한 가지 희망은 우리가 우리가 시뮬레이션에서하는 것과 똑같은 학습을 적용하고, 우리가 시뮬레이션에서 그렇게한다면 우리는 그냥 물리적 로봇에 넣어 그리고 그것은 모두 밖으로 작동합니다, 실제로 로봇을 배울 필요가 없습니다 그래서 당신은 초기 기술을 가지고있는 환경을 가질 수 있습니다 아마도 그게 잘 작동하지 않는 시뮬레이션에서, 느린 걷기 같이, 실제 로봇에서 동일한 상황을 가질 수 있습니다 걸을 수는 있지만 원하는만큼 빨리 갈 수는 없습니다 정책 최적화 알고리즘 적용 시뮬레이션과 당신이 나가는 것은 결국 훨씬 더 빨리 걷는 것입니다

그러면 어쩌면 끝났을지도 모릅니다 너는 이걸 빨리 걷는다 실제 로봇이지만, 불행하게도, 그렇게 할 때 일반적으로 보는 것은 정책은 시뮬레이션 된 환경에서 무언가를 찾는다 그것은 그것에 지나치게 맞 춥니 다 시뮬레이션에서 높은 보상을 얻고, 그리고 그것은 육체적 세계에서 실패하게됩니다

그래서 이것은 추측이지만 일어난 것처럼 보입니다 제가 방금 보여준 비디오는 로봇이 시뮬레이션에서 배우는 것입니다 그것은 단지 땅을 따라 슬라이딩 속도로 매우 빠르게 걸을 수 있습니다 네가 할 때 작동하지 않는다 이런 식으로 카펫을 걸 으면서

그래서 저는 우리가 어떻게 할 수 있는지 보여줄 것입니다 실제로 시뮬레이션을 통해 배우고 실제 로봇에 전송하고 이를위한 알고리즘을 소개합니다 이것을 좀 더 구체적으로 만들기 위해서, 이것은 걷는 것을 배우는 로봇의 문제입니다 그래서 이것을위한 일반적인 MDP 설정에서, 우리는 모든 로봇의 신체 부위의 위치와 속도 우리가 잘 측정 할 수없는 다른 변수가있을 수 있습니다

액션은 로봇이 각각의 명령을 선택하게 될 것입니다 그 관절과 우리는 그것이 움직이는 전진 속도에 기초하여 그것을 보상하십시오 우리는 단지 직선으로 움직이는 것에 관심이 있습니다 그래서지도 작성법을 알려주는 정책을 배우고 싶습니다 관절의 현재 위치 빨리 걷게 할 명령

따라서 궤도 상호 작용에서 이것을 생각할 수 있습니다 루프에서 일어나고있다 에이전트가 상태를로 보내는 곳 정책 및 정책은 조치로 응답합니다 그래서 우리가 지금하고 싶은 것은, 실제 로봇과 상호 작용하는 대신, 우리는 시뮬레이션 된 버전의 로봇과 배우기 이 루프를 통해 생성 된 경험 일반적인 방법론이 있습니다

우리는이 부분에서 이야기 할 것입니다 이를 접지 시뮬레이션 학습이라고합니다 그래서 이것은 우리가 우리가 우리가 현실 세계에서 실행할 수있는 정책이 있습니다 이 정책을 사용하면 상태 행동 궤적의 초기 집합 이러한 궤도는 세계에 대한 우리의 행동 그리고 그것은 우리에게 우리가 어떻게 볼 수있는 몇 가지 데이터를 제공합니다

우리의 행동이 물리적 세계에 미치는 영향 시뮬레이터를 접지하는 단계가 없었습니다 시뮬레이터가 우리에게주는 것을 의미합니다 우리가 육체적 세계에서 관찰 한 것과 유사한 궤도 일단 시뮬레이터가 접지되면, 우리는 강화 학습을 적용하고, 개선 된 정책이 이전 될 것으로 기대할 수 있습니다

이 접지 단계가 있었기 때문에 실제 로봇으로 돌아 왔습니다 그래서이 문제로 돌아가서, 이걸 좀 더 구체적으로 만들거야 우리가하고 싶은 일은 현재의 조인트 포지션을 받는다 센서로부터 얻을 수있는 로봇, 정책은 거기에 보낼 명령을 계산할 것입니다 그래서 우리가 시뮬레이션을 접지하는 것에 대해 이야기 할 때, 이것이 정책의 관점에서 무엇을 의미하는지, 그것이 전송 사이 어딘가에있다

시뮬레이션에 대한 공동 명령 새로운 관절 자세를 되 찾는 우리는 몇 가지를 바꿔서 결과로 나오는 다음 조인트는 그것을 위치시킨다 받아들이는 것은 그것이 가지고있을 것과 비슷하다 실세계에서 같은 명령을 받았다 우리가하는 일에서 우리가하는 일은 합동 명령 수정하기 로봇이 시뮬레이션에 전송하는 것, 이렇게하면 우린 갈거야 명령을 변경하는 방법 시뮬레이션을 통해 우리가 원하는 것 같은 조인트 포지션 육체적 인 세계에서 보았다

이렇게하는 우리의 접근 방식은 우리가 시뮬레이션을 접지 모듈이라고 부릅니다 그래서 로봇이 공동 명령을 보낼 때, 먼저 접지 모듈을 통과합니다 그것들을 수정 된 공동 명령 시뮬레이션을 일으킬 그것과 다르게 반응한다 우리는 원래의 명령을 그냥 통과했을 것입니다 우리는이 접지 모듈을 만들 수 있습니다

두 가지 감독 학습 문제 그래서 첫 번째 단계 우리는 우리의 데이터를 관찰 할 것이고 우리는 실제 효과가 어떻게 될지 예측하는 법을 배우십시오 관찰 한 데이터를 기반으로합니다 그래서 이것은 감독 된 학습 문제이며 우리는 실제 데이터를 사용하면이 궤적을 결과로 나오는 일련의 상태 액션을 얻는다 다음 상태는 적어도 상태 피쳐의 일부 구성 요소에 대해, 이제는 우리에게 우리에게 알려주는 모델을 훈련시킬 수 있습니다

몇 가지 조치가 주어지면 실제 효과가 될 것입니다 그러면 우리는 단지 행동을 선택해야합니다 시뮬레이션 된 환경 내에서 동일한 효과 이것은 감독 학습으로 다시 할 수 있습니다 우리는 시뮬레이션을 통해 국가 행동 궤도를 수집하고 학습 할 수 있습니다

우리에게 알려주는 역 모델 어떤 행동으로 전환 할 것인지, 기본적으로 어떻게 재현 하는가? 시뮬레이션 된 환경에서 동일한 효과 그래서 우리가이 접지 모듈을 갖게되면, 우리는 이것을 강화 학습 루프 여기 그리고 정책의 관점에서 볼 때, 그것이 마치 보이게 될 것입니다 현실 세계와 더 유사한 환경과 상호 작용합니다 그래서 저는 토론하거나 보여줄 것입니다 당신은 로봇 걷기의 과제에 이것을 한 가지 적용합니다

다시 로봇에 대해 배우고 있습니다 RoboCup 대회에서 사용하십시오 우리는이 로봇을 5 분간 걷기로했습니다 실제 경험을 수집하고, 그런 다음 우리는 강화 학습 알고리즘 시뮬레이션은 5,000 분의 걷기가 필요합니다 이것은 완전히 다루기 힘든 금액이 될 것입니다

실제 로봇을 수집하는 경험 그래서 이것은 우리가 시작하는 초기의 걷기입니다 여기서 주목해야 할 중요한 점은 RoboCup 대회를 위해 개발 된 워크 엔진 그래서 전 세계에 걸쳐 많은 사람들이 노력하고 있습니다 이 로봇이 매우 빨리 걸을 수있게하려면, 이것은 우리가 알고있는 한 가장 빠른 것 중 하나입니다

사람들이이 로봇을 위해 개발 한 도보 그럼 우리는 똑같은 걸음 걸이를 시뮬레이션에 직접 넣을 수 있습니다 이것은 단지 움직이고있다 일반적으로 우리가 어떤 접지 작업을하기 전에 우리는 그저 내가 선택한 접지 알고리즘을 적용합니다

제안하고 당신은 로봇을 보게 될 것입니다 걷는 것이 더 어려워지기 시작할 것입니다 좀 더 불안정해질 것입니다 로봇이 걷고있을 때 볼 수있는 것과 더 비슷합니다 때보다 실제 세계 시뮬레이션 환경에서 걷기

그래서 일단 우리가 보강 학습을 적용하면 접지 된 시뮬레이션 정책에 대한 지역 정책 개선, 우리는 40 퍼센트의 산보를 끝내게된다 우리가 시작했던 이전의 걷기보다 빠릅니다 우리가 아는 한 가장 빠른 사람입니다 이 로봇을 가져 왔어 그래서이 부분을 끝내기 위해, 나는 다시 한번 강조하고 싶다

나는 더 나은 행동 모델링이라고 생각한다 매우 중요한 단계입니다 장기 자치 에이젼트들 물리적 세계에서 많은 일을 할 수 있어야합니다 현실 세계의 많은 문제들 물론 로봇 공학이 훌륭한 예일지라도 로봇 공학뿐만 ​​아니라, 기존 도메인 시뮬레이션이 있습니다 그리고 이러한 시뮬레이션이 가능할 때, 우리가 그들을 활용할 수 있다면, 그럼 먼 길을 갈거야

효율적인 보강 학습을 지향합니다 물론 환경도 있습니다 우리는 좋은 도메인 모델링이 없다고 생각합니다 도메인을 처음부터 모델링 할 수있는 것도 자율적 인 대리인에게 중요한 능력이되어야합니다 우리는 또한 당신과 관련된 다른 일을했습니다

시도하기 위해 도메인 시뮬레이션을 사용할 수있다 주위에 신뢰 구간을 두다 정책 실행 정책 전개의 안전과 같은 것에 관심이 있습니다 그래서 이것은 이야기의 일부를 마무리 짓고, 그 중 일부를 소개하고 싶었습니다 박사 학위 동안 내가 한 일

결론을 내리기 전에, 내가 실제로하는 다음 방향의 일부 탐험에 관심이있다 보강 학습 데이터 만들기 현실 세계에 충분히 효율적입니다 일반적인 논평으로 특정 연구 방향으로 들어가기 전에, 나는 공부하는 것이 좀 더 이론적 측면에서 학습을 강화하거나 알고리즘 측면뿐만 아니라 문제에 RL 적용 현재 순간에 그 얼굴에 평평하게 떨어진다 연구를하는 데 정말로 중요한 방법입니다 그래서 내가 계속할 계획의 문제 중 하나 장기간에 걸친 작업은 로봇 축구의 이러한 문제입니다

지금 당장은 정말 다루기 힘들 겠지 이 작업을 처음부터 배우는 것을 상상해보십시오 그래서 이것이 RL 알고리즘을위한 정말 좋은 테스트 베드라고 생각합니다 나는 또한 일하는 것이 정말로 중요하다고 생각한다 여러 애플리케이션 도메인 당신은 반드시 생산하고 싶지 않다

적어도 나를 위해, 그것은 단지 생산하지 않는 것이 중요합니다 알고리즘은 하나의 테스트 영역에만 한정됩니다 그래서 내 박사 과정을 통해 나는 또한 자율 주행 차량의 교통 시스템 반드시 배우는 것은 아니지만, 우리는 또한이 맥락에서 강화 학습을보고 있습니다 앞으로 나아가겠습니다 서로 다른 응용 분야에 걸쳐 작업하며, 어떤 알고리즘을 개발할 가능성이 있습니다

많은 다른 분야에 적용 가능합니다 그래서 연구 방향에 관해서는 생각하는 것은 정말로 이것을 성취하기 위해 탐험 할 것을 약속합니다 나는 다음과 같은 것들을 보는 것이 상태 및 동작 추상화는 RL 확장에 중요합니다 이론적 특성 이해하기 우리가 제안하는 방법 중 신뢰할 수있는 방법을 얻는 데 중요합니다 우리가 실제로 신뢰할 수있는 마지막으로, 비록 내가 예측에 초점을 맞추고 있지만, 나는 아직도있을 것이라고 생각한다

연결에서 남겨진 몇 걸음 정책 개선을위한 예측 주 및 행동 추상화 측면에서, 여기에있는 기본적인 생각은 당신이 그것을 생각할 수 있다는 것입니다 에이전트와 같이 의사 결정을 내릴 수있는 수준이 다릅니다 그래서 자치 차량의 경우, 어쩌면 그 자체가 "드라이브 홈"이라는 액션이 ​​있습니다 서로 다른 방향성 용어로 구성된 그 길을 따라 가야한다는 것, 그리고 그것들 각각은 거기에서 두건 아래의 아주 낮은 레벨의 컨트롤조차도

그래서 RL에서 시간적 추상화의 올바른 수준에서 추론하기 알고리즘이 얼마나 효과적인지에 큰 영향을 미칩니다 차량을 타려는 상상을하는 경우 집을 운전하는 법을 배우면 이것을 매우 낮은 수준의 행동처럼 추론하면, 그것은 매우 어려운 작업입니다 더 높은 수준의 추상화를 추론하려는 것 제가이 공간에서 특히 관심을 갖고있는 한 가지 문제는, 매우 낮은 충실도 시뮬레이션으로 학습 할 수있는 능력입니다

그래서 당신이 축구 경기에서 상상할 수 있다면, 당신은 수준에서 시뮬레이션 할 수 있습니다 로봇은 실제 통제 각각의 개별 관절 모터의 당신은 또한 수준의 시뮬레이션을 상상할 수 있습니다 그냥 공을 지나가는 원 이러한 문제 중 하나는 학습하기가 훨씬 쉬워야하며, 반드시 쉽지는 않지만 전략과 같은 것을 배우기 쉽습니다 그렇다면 적절한 수준의 트레이드 오프는 무엇입니까? 매우 추상적 인 표현으로 무엇을 배울 수 있습니까? 그런 다음 관심있는 실제 작업으로 다시 전송할 수 있습니까? 추상화를 도입하면서 상처를 입힐 수있는 근사치 당신이 방법을 사용할 수 있다는 보장

우리가 설립하는 것이 정말로 중요하다고 생각합니다 우리가 개발중인 메소드의 속성 예를 들어 통계적으로 내가 할 수있는 자신감과 같은 속성 내 견적을 받거나 일관된 방법이 있습니까? 의미, 결국 충분한 데이터만으로 올바른 답을 얻었습니까? 그래서 나는 확립 할 수 있다고 생각한다 이와 같은 방법은 실무자가 우리가하는 것을 신뢰할 수 있어야합니다 마찬가지로 중요하다

당신의 방법이 실무자가 그것을 사용할 수 없다면, 보증이 얼마나 좋은지는 중요하지 않습니다 당신이 알 수 있도록 설명 할 수있는 왜 당신의 예측은 그들이 무엇인지에 대한 것입니다 그래서 마침내, 내가하는 대부분이 예측에 중점을 둡니다 그러나 나는 아직도 한 번은 있다고 생각한다 우리는 우주에서 완벽한 예측을 할 수 있습니다

행동의 효과를 모델링하거나 고정 된 정책을 평가하는 것, 여전히 몇 가지 질문이있을 것입니다 이를 효율적인 정책 개선에 연결하십시오 그래서 나는 어떻게 우리가 공간을 탐색 할 수 있는지에 관심이 많습니다 가능한 최선의 정책을 찾는 모든 가능한 정책 과제 또는 한 가지 과제에 대해 배우면, 우리가 배운 것을 새로운 일로 어떻게 옮길 수 있습니까? 그래서 일단 우리가 할 수 있고 if 이 모든 것은 마침내 대답 할 수있게 될 것입니다 큰 질문은 강화 학습이 실제 응용 프로그램에 충분한 데이터 효율적입니다

이것이 내가 계속해서 기대하는 바입니다 정말 빨리 마무리하기 전에 물론 많은 사람들이 이 연구에 기여했습니다 내 고문 인 Peter Stone은이 모든 일에 관여했습니다 연설의 첫 번째 부분은 Scott Niekum, UT 오스틴, 필 토마스 (UMass Amherst) 그렇다면 교통 시스템의 공간에서 내가 한 일은 불행히도 자율 차량 오늘은 시간을 보내지 못했습니다

매우 많은 수의 공동 작업자도 보유하고 있습니다 그래서 그걸로와 주셔서 감사합니다 오늘 말씀하고주의를 기울이십시오 이제 더 많은 질문을 드리겠습니다 네

>> 이야기의 두 번째 부분, 많은 것을 이전하면 성장을 배우게됩니다 그래서 당신이 익숙하지 않다면 너는 기본적으로 무엇을 암기한다 델타가 있고 당신은 계속 머물러 있습니다 당신이 정책을 생각 해낼 때까지 각인을해라 당신이 기대하는 것처럼 현실 세계에서 행동합니다

네 >> 보통 통제 사람들은 그렇게하기 시작했기 때문에 그들은 복잡한 시스템의 경우, 모델링은 어렵습니다 그래서 만약 당신이 두려워 학습 컨트롤은 아무것도 아니지만 멋진 단어입니다 모델링을 우회하여 배우기 만하면됩니다 명목상의 모델이며 나는 델타를 배울 것입니다

이 한 가지 방법이 있습니다 당신은 명백한 모델을 배우고 모델에서 델타를 발견 할 수 있습니다 모델에 신호가 있습니다 당신이 신경 쓰는 공간의 문제 다른 방법은 내가 완전히 우회 할 것입니다

모델링하고 좋은 정책을 배웁니다 내가 약간의 세부 사항을 놓치지 않는 한, 내가가는 것처럼 너는 길을 벗어나는 것 같아 모델을 우회하려면, 맞죠? >> 우리는 시뮬레이션을 활용하고 있습니다 그 자체가 세계의 모델입니다 그래서 그 시뮬레이션 내에서, 우리는 모델이없는 방식으로 학습하고 있습니다

우리는 단지 거기에서 좋은 정책을 직접 얻으려고합니다 네 >> 그래서 당신은 당신의 생각이 무엇인지에 대해 논하겠습니까, 거기에 어떤 장점을 볼 수 있습니다, 특정 도메인에 있습니까? 지금 말하자면, 그건 아주 뜨거운 모델입니다 우리는 근사 모델을 수행 한 다음 주입 할 수 있습니까? 그 시뮬레이터에서의 습관은 배워야 할 델타를 배웁니다 네

아니, 정말 좋은 질문이라고 생각해 그래서 우리가하고있는 일이 실제로는 그것과 다소 비슷합니다 우리는 본질적으로 지역적으로 시뮬레이션을 수정하고 있습니다 이렇게 약간 슬라이드 등을 맞댄, 나는이 과정이 반복적임을 보여주고 있었다 그 이유는 시뮬레이션을 수정할 때 데이터에 의존하는 방식으로, 그것은 본질적으로 무엇에 묶일 것인가? 정책에서 얻은 데이터의 현재 배포가 >> 정확하게

>> 그런 의미에서 우리는 특정 정책에 국한된 시뮬레이션, 거기에서 최적화하지만 그때 우리는 다시 가야 해 현실 세계와 그 과정을 계속하기 위해 더 많은 데이터를 얻으십시오 그럼에도 불구하고 이 같은 수준 이상의 반복 학습 방식 네 그래서 나는 네가 어느 정도까지 할 수 있는지 궁금해

작업 공간을 변경하여 시뮬레이션을 수정하십시오 종종 많은 오류가 있습니다 시뮬레이션은 물리학에서 올 수 있습니다 카펫을 세우면 되 잖아 [들리지 않음] 발을 들기 만하면됩니다

더 높아질수록 더 많은 상황을 커버 할 수 있습니다 >> 네, 좋은 질문입니다 그래서 그것의 일부는 우리가이 일을했다는 것입니다, 나는 걷는 것에 대해 이야기하고 있었다 우리는 다른 작업을 보았지만 지금은 우리가 사물을 바로 잡을 수 있다는 것을 발견했습니다 나는 상황을 상상할 수 있었다

그 행동을 바로 잡는 것만으로는 충분하지 않습니다 그래서 카펫과 물건처럼, 비록 그것이 물리학 파라미터와 같다하더라도 잠재적으로 조정될 수있는 너는 실제로 볼 수 없다 사물이 감정을 바꾸는 방법에 사로 잡혀 있습니다 발이 막혔다면 그 대신에 시뮬레이션에서 카펫 당신의 발을 놓아주고 그것이 자유롭게 움직일 수 있도록 그런 다음 동작을 변경하여 표시 할 수 있습니다 마치 카펫 위에서 더 붙어있는 것처럼

그래서 나는 네가 포획 할 수 있다고 생각해 행동을 수정하는 것만으로도 이러한 것들을 얻을 수 있습니다 확실히 몇 가지 사항이 있다고 생각합니다 그것을하기에 충분하지 않다 뿐만 아니라

예 >> 그 질문도 끝내 실제 작은 로봇의 운동학 이 로봇은 악명이 높습니다 올바른 조인트 위치를 갖는

얼마나 실험을 해봤 니? 더 나은 알고리즘 제공 실생활에의이 전달 다른 사람의 무작위 잡음을 그냥 주입하는 것과 비교하면 어떨까요? 왜냐하면 당신이 모터의 무작위 순열을 취해야한다면, 얼마나 잘하는거야 귀하의 시뮬레이터는 단지 그 모든 것을 조정하는 대신에 근사치입니다 그 작은 모터를 계속해서 시험해보고 실제 세계 문제를 엔진에 적용 할 수 있을까요? >> 네, 좋은 질문입니다 그래서 우리는 보았다 그 기준선을 접근법으로 그래서 우리는 더 빠른 걷는 성능으로 끝났습니다

나는 다른 흥미로운 무역을 생각한다 당신은 그 방법이 무엇인지 알 것입니다 보다 강력한 정책을 배울 수있는 방법을 주입합니다 그래서 나는 다시 정책의 지역적 개선이라는 개념 소음을 주입하면 우리는 더 오랫동안 배울 수 있습니다

여전히 안정적인 정책을 구할 수있다 그 로봇에 전송할 것이고, 하지만 당신은 현실 세계를 착취하는 사람들 중 일부를 포기했습니다 빠르지 만 여전히 안정적이라면 말이됩니다 네 그러나 나는 동시에, 실제 세계를 근사값으로하려는 알고리즘이 약간의 오류는 있지만 여전히 오류를 로봇으로 번역하고 있습니다

>> 아니, 맞아 아직도 오류가 있습니다 우리가 경험적으로 본 것은 사물에 노이즈를 추가하는 것보다 오류가 적습니다 >> 그러나 결과를 보는 것은 멋지다 그 작은 녀석을 위해 문서화 된 가장 빠른 산책이 진정한 것인가? >> 그것은 주로 RoboCup 대회를 기반으로합니다

도착하려고하는 사람들이 많이 있습니다 이 nanos에 가장 빠른 도보 우리는 지난해이 대회에서 이것을 사용했고 더 빠른 걷기를 사용하는 팀은 없었습니다 그럼 우리가 아는 한, 보고 된 속도도 그렇습니다 >> 하위 작업이 필요한 것 같습니다

의 나노 경쟁 누가 나노를 더 빨리 걷게 할 수 있겠습니까? >> 네 그래서 거기에 어떤 사람들은 그 (것)들을 얻는 것을 시도에 종사한다 엄청나게 빠르며 로봇이 넘어 지는지 신경 쓰지 않아도됩니다 그래서 그 경우에, 그것이 우리가하는 것과 정확히 똑같지는 않습니다 우리와 비교하기 위해 여기에서 비교하려고 노력합니다 실제로 유용한 것을 얻고 싶다

RoboCup의 작업을 위해 그래서 이것은 빠르고 안정적인 반면 당신은 그들을 빨리 갈 수 있습니다 로봇을 끝까지 쓰러 뜨릴 수 있습니다 그것의 뛰기 또는 이렇게 네

>> 음, 다시 Josiah에게 감사드립니다 >> 감사합니다

Welcome to the world of Machine Learning with ML.NET 1.0 – BRK3011

>> 모든 권리는 시작되었습니다 그래서 이것은 마지막 회기입니다

내 이름은 GNAW만큼 애매하다 나는 너는 60 분 만에 행복해 당신과 포크들이 즐거워하기를 바랍니다 그것은 끝날 것이다 당신이 만든 모든 권리 이 년을 지어 라

이것은 마지막이다 그것 나는 우리가 각자를 위해 꼭 끼워야한다고 생각한다 빌어 먹을 우리는 최고를 구했다

너희들 중 한 명 고맙습니다 [박수 갈채] 마지막으로 그게 우리가하는거야

60 분 남았 어 이 세션에 대한 희망 보자 건물을위한 전체 가격 그럼 시작하십시오

시작하기 전에 우리가 얻을 수있는 모든 것을 얻으십시오 나는 청중을위한 질문을 가지고있다 다음 60 분 동안의 세션 여기 몇 군데의 포크 그리고 우리는 신속하게 처리 할 것입니다 청중은 단지 얻고 있습니다 나는 프로그램 매니저 다 – IT 'S 기계 학습으로 시작 했습니까? 할 수 있었다 가장 큰 데이터 중 하나

과 우리는 손수레를 가지고 있습니까? 굉장한 우리는 기술을 사용하는 고객이 있습니다 고맙습니다 이 세션에서 우리는 카프카 하이브와 HBASE 같은 그래서 나는 네가 할 수있는 일에 대해 얘기하자

좋은 생각이라고 생각 했어 사실 기계의 세계에 들어가기 이 고객들의 몫을 나누기 위해 배우기 나는 세사르에 의해 그들이 건축 할 때를 통해 가십시오 크리스 로렌 우리는 압도적이다

큰 응용 프로그램과 무엇입니까 오늘 여기있으세요 당신이 이미 존재하는 것처럼 그 (것)들은 무역을 중지합니다 그리고 다시, 보았습니다 NET은 대단한 방법입니다 옳고 그름

약간의 일들 다양한 응용 프로그램을 만들 수 있습니다 시나리오에 맞게 작업하십시오 VDOT에서 WEP APPS를 만들 수 있습니다 어떤 사람은 그렇지 않을 수도 있습니다 하지만 몫을 원해

SGLAM RON의 NET 및 MOBILE APPS 우리가 수집 한 것 그래서 전부다 그리고 – ZAMRON 우리가 이야기하고있다 고객 여정과 통찰력 학습을위한 훌륭한 기계를 만드십시오 그들이 결정을 내리는 방법 IN ML 그물 빨리 지나갈 수있게 해줘

그들이 만든거야 당신이 전형이라면 우리가 이걸 다루는 부분은 무엇인가? 큰 데이터 풍경에 대해 생각해보십시오 세션 넘겨주기 시작하십시오 나는 너희들이 FAIRLY – YOU라고 생각한다

너는 새로운 것이 무엇인지에 대한 전반적인 견해를 가지고있다 패턴을 이해하십시오 만약 너라면 ML과 NET 1 0

우리는 보여줍니다 고객 기반에 대해 생각해보십시오 어떻게 시작해야 할까? 호수가있는 호수를 지어야한다 ML NET EXPERIENCE L 프레임 워크

그러나 나는 이것을 생각한다 포함 된 냉각 경험 좋은 참고가 되길 바란다 MODEL BUILDER 및 ML NET CLI AND 우리는 그것을 사용하는 고객을보고 있기 때문에 우리는 너를 어떻게 할거니? 건축물 그래서 거기 엔 뭔가가있다

ML을 배치 할 수 있습니다 규모의 NET 당신이 생각한 곳에서 뜨거운 곳으로 전화를했다 풍부한 오픈 소스 인기있는 라이브러리 장치 및 센서의 데이터 TENSEOR 흐름과 ONYX처럼 에 대한 통찰력있는 사람들의 전형적 사용 너네가 퍼시픽 에선 너니? KAFKA는이 데이터를 수집합니다 그리고 한 가지 방법을 배우는 새로운 방법 한 번 그들은 필요한 데이터를 가지고 있습니다

너는 기계 학습에 대해 생각할 수있다 스트림 처리를 수행 할 수 있어야합니다 그것은 프로그램 할 수없는 것을 프로그래밍하는 것에 관한 것입니다 기기에 대해 생각하는 경우 가끔 있습니다 예를 들어 포크에 묻은 경우 데이터는 JSON 일 수 있습니다

및 AT 크라우드에서 당신은 앞으로 나아갈 수 있습니다 당신이 필요로하는 최소한의 것 가져 오는 기능을 구축하십시오 그들 중 4 명 그래서 그들은 스트리핑을하고 있을지도 모른다 이 이미지와 이미지 및 반품 필요한 데이터를 내려주십시오

및 기타 그 안에 얼굴이 있거나 없는지, 너는 그들이 실행될 수 있음을 나타냅니다 시작을 알지 못합니다 내가 취한다면 비행 및 기계 학습에 관한 것 내가 낳은 다른 예 그게 스트림 프로세싱이야 남자와 같은 셔츠 설명 그리고 그들은 SQL에 저장하려고합니다

하나는 지금 당장 입을 옷을 입으십시오 또는 IT 장치 데이터의 경우 SQL이 없음 나 한테 다시 쓸 수있어? 저장 많은 사람들이 HBASE를 사용합니다 그게 무엇을 반환하는지 또는 선택에 따라 달라진다 이 셔츠,이 경우에 당신은 그거 저장해라 그리고 그들의 이야기 몇 가지 주요 단어를 볼 수 있습니다 층

핵심 경로 용 긴 소매 또는 사업체와 같은 설정 당신이 저장하고있는 ANALYTICS 그리고 그 값을 생각해보십시오 이 데이터 만 필요하지는 않습니다 교회에 B – 셔츠 내가 말하면 실용적 기초에 대한 분석 실행 1, 000 개의 제품까지 확대 그리고 당신은 분석을 실행하고 싶습니다

온라인 스토어 판매 조건의 IT 또한 역사적인 기초 그럼 너 할 수있어 거기에 큰 도전이 될지도 모릅니다 데이터 스토리지에 보관하십시오 너도 알지도 못하는 것일까? 그래서 일괄 처리 측면에서, 글쓰기 시작하기 전형적으로 당신은 데이터를 얻을 것입니다

이 기능들, 당신이하는 일 사전 신청에 대한 다른 신청 앞에는 예가 있습니다 당신 또는 클라우드에서 그러면 그들은 얼굴이있는 이미지의 예가있다 모든 분량의 데이터를 섭취하십시오, 그들 안에 너는의 예를 가지고있다 사용 시간에 따라 몇 주 얼굴이없는 것을 상상해보십시오

그게 줘야 해 그들 기계 학습이 모두 무엇인가 데이터 그리고 나서 생각할 필요가있다 이 예에서 배우는 내용은 다음과 같습니다

거버넌스 생각하는 법 그런 다음 건물을 짓거나 메타 데이터 및 관리, 보안, 우리가 기계 학습이라고 부르는 것 제어 행정 과 사용할 수있는 모델 다른 봉사 계층

나는 많이 생각한다 기계에 대한 생각하기 우리 고객들의 당신이 생각할 수있는 학습 모델 분석 및 데이터 입력 지능적인 기능 데이터웨어 하우스 창고 하지만 우리는 이 이미지의 입력을 받는다 더 많이보고 더 많이 사용하는 경우 이 이미지와 사례 및 반품 데이터 그 자체가 A에서 사용됨 그 안의 얼굴

함께 자리를 뜨고 싶습니다 ML NET, MECHLT로 당신은 ML을 할 수 있습니다 전체 조직과 그들 당신은 좋아하는 이미지를 가질 수 있습니다 그때부터 분석 분석을 할 수 있어야합니다

내가 너에게 보여준 것 너는 만들 수있어 그곳에 그래서 우리가 얘기해 줄거야 회귀하는 희소 한 모형 게다가

언제 고객이 보는지 방법을 많이 사용하는 것처럼 대답합니다 이 문제 해결의 종류 많은 ML을 쓰는 동안 그물 또는 건축술, 톤이있다 C #을 사용할 수 있습니까? AZURE의 기술 여기 있네

그리고 F #이 모델을 만드는 기술 데이터 공장 및 데이터 브릭 우리도 알다시피 그물 스파크 워크로드 기타 등등 그러나 이 년이 시작되면 오늘의 통찰력은 통찰력입니다

이 역사 또는 뿌리를 보아라 우리가 우리 시간을 보낼 곳은 어디입니까? 그래서 ML의 MICROSOFT에서 NET을 구입하십시오 누군가 HDINSIGHT를 사용하게되는 이유는 무엇입니까? 연구 프로젝트 호출 TLC 왜 HDINSIGHT를 사용하여 고객을 봅니까? 회사에서 번호를 찾았습니다 나는 그 이유 중 하나라고 생각한다

년 확장 성이 뛰어납니다 기존에 보존하고 싶은 것이 있습니까? AZURE MACHINE LEARNING, 투자 그들은 뛰고 있을지도 모른다 WINDOWS HELLO OFFICE와 같은 경험 하나의 번역문과 하나의 번역문에

힘 AZURE 팀 분석 그들이이 일을 요인으로 생각한다면 그리고 전체적으로 더 많은 이름을 알 수 있습니다 지원 책임의 책임 우리가 개발자를 목표로 삼고 있기 때문에 그들에 지금 관리하고 있습니다 ML과 우리는 NET을 설계했습니다

당신은 많은 조각과 HDINSIGHT을 얻습니다 그 문제의 프레임 워크 WITH 1 여러 워크로드를 지원할 수 있습니다 0 우리는 새로운 기능을 추가하고 있습니다

건축물에는 참여자가 없습니다 자동 빌더처럼 자동 ML 및 도구 거기에는 아무 것도 없습니다 및 커맨드 라인 인터페이스 구성 요소 및 모든 구성 요소 정말로 당신을 위해 함께 다른 사람과 함께 일해라 맞춤식 기계 학습 모델을 작성하십시오 그들은 같은 플랫폼의 일부입니다

우리는 또한 생각한 것을 가지고있다 같은 코드를 유지하고 싶습니다 확장 성의 핵심 포인트 베이스 고객이 가끔 수시로 돌보다 또는 핵심 가치 제안 또는 핵심 디자인 GOOGLE AMAZON에서 실행하십시오

때문에 ML에서의 원칙 그물 NOT 할 수있는 유일한 우리는 100 개의 APACHE를 사용하고 있습니다 당신은 ML을 가져오고 사용하십시오 그물 코드베이스를 변경해야합니다

과 트레이너와 ML 그 변종 레벨 보안에 대해 우리가 이야기 해 줄 것입니다 상자에서 나오지만 할 수 있어요 그 저렴한 비용

그리고 당신은 본다 오픈 소스를 사용하여 이익을 얻습니다 그것은 가격이 책정되었습니다 아주 낮은 비용 인기있는 프레임은 수위와 비슷하게 작동합니다

AZURE의 빅 데이터 제공 업체 그러나 같은 세트를 사용하는 유량 또는 오닉스 어쨌든, 너는 경악하고있다 그건 ML NET 제공 그냥 — "그 길은 무엇인가"

너무 통찰력, 이 슬라이드의 한 지점 더만 확보하십시오 빨리 얘기하자 AT보고있는 경우 내가 원하는걸 모든 것과 같음 HIVE, KAFKA, STORM 및 기타 그러나 ELSE

이 일에 NET 그들이 결정 했음에도 불구하고 NET은 무료입니다 교차 플랫폼입니다 그들은 뭔가를 만들고 싶어

그리고 그것은 오픈 소스입니다 그 소리 HDINSIGHT 많은 질문이 있습니다 큰 퍼시픽 이야기 답변이 필요합니다

예를 들어, 당신이하는 것들은 무엇입니까? 우리는 스트림 프로세싱에 대해 말했습니다 ML과 함께 할 수 있습니다 NET 1 0? 그곳에 이 아키텍처에서 우리는해야한다

그게 너의 몇 가지 숫자 야 스트리밍을 즐기거나 그럴 생각 너가 이미 할 수있는 활주에 본다 폭풍 또는 우리가 생각하고있는 것이 있다면 해야 할 것 당신은 성찬 분석을 할 수 있습니다 우리의 봉사 계층

그 층 모델, 제품을 만들 수 있습니다 데이터 분석가에게 줄 것이다 추천인 너는 가격을 만들 수있어 우리는 PRESO를 사용합니다

SPARK SQL 저장 예측 및 명암 이미지 AZURE에는 여러 유형이 있습니다 매출 예측 및 전체 구축 저장 시스템 프리미엄

그래서 훨씬 많이 이러한 모든 시나리오 어떻게 결정을 내릴 수 있습니까? 너 여기 볼 수있어 우리는 AZURE의 생각한다 – 또는 공기 너 거기 걸어 다닐께 너 뭐라구? 흐름 또는 우리가 사용하고있다 – 켜기 여기에 잠깐 들러보고 싶다

전염병은 충분합니다 또는 또는 두 번째는 THE IS NET WEBSITE ETL을 사용해야합니다 그래서 그들은 니가 ML을 찾고 있다면

순전히 너 그림이 필요로하는 질문들 우리는 기계를 클릭 할 수 있습니다 아웃 그로부터 시작 하자구 웹 사이트 당신이 더 나아 간다면 질문 및 이야기 다양한 샘플보기 프로와 단둘이

첫 레트 우리는 하나를 클릭하고 한 번에 쉽게 벗어나십시오 그것들은 우리에게 당신을 데려 갈 것입니다 그래서 스파크, 하이브 그게 뭐야? 샘플을 빌려서 도와주세요 서비스에 표시됩니다

스파크를 얻고있다 그것들은 스크래치에서 나온 것입니다 너를 보여 줄 수있게 해줘 입양의 비트 어디서? 이 신속하게

샘플 REPO 너 할 수있어 너는 P에 대해 생각하고, 우리는 고객을 가지고있다 FRAUD DETECTION에 대한 샘플이 있습니다 누가 예비 선상에서 사용할지 모릅니다

문제를 규명 할 수 있습니다 너 할 수있어 하지만 지금은 그걸 실행하고 싶다 권장 제품 너는 할 수있어

시스템은 클라우드에 있습니다 그러나 아무 것도 판매 스파이크 이상 탐지 당신 NET WORK APPLICATIONS를 구축하고있다 ONYX를 사용하여 이미지 분류를 수행 할 수 있습니다 P

를 사용하지만 스파크보다 힘이 적습니다 및 개체 검색 각 당신이 무언가를 실행하는 경우 이 검체에 대한 여기의 검체 P보다 돈을 많이 벌고 있습니다 우리 모두 훈련 코드를 가지고 있습니다 성과는 당신과 당신입니다 이 모델들과 소비 코드

자원 비트를 사용한다 각 사례에 표시 될 수 있습니다 그곳에 그래서 나는 그게 조각이라고 생각해 데이터 사이트가있는 곳 많은 사람들이 글을 쓰고 있습니다

작업 표에서 가기로 결정한 신청서 작성 모형 건축 법규 스파크로 알았어, 사람들은 말했어 그리고 모델을 소비하는 것 만약 너라면 ETL을 위해 그것들을 사용하십시오 하지만 현실에서 기계 학습에 대한 새로운 지식 데이터웨어 하우스 주변에 더 가까이 있습니다

시작된 채널을 얻고 싶습니다 그것의 측면 그리고 스트리밍 엔진 당신이 샘플을 방문한다면 다시 한 번 당신이 폭풍 또는 일부를 사용한다면 PERHAPS를 가능하게하는 시나리오 폭풍을 저지른 고객 이미 거기에 이것은 대단한 것입니다

폭풍 그것 때문에 사랑한다 샘플을보기 시작하십시오 저지대 자연 너는 처리 할 수있어

그리고 배운다 다음 페르시아는 받아 들여진다 하나의 사건이 일어납니다 당신 시나리오 또는 여기에 대한 찬성 MICROBATCH가 필요하지 않습니다 그리고 배치

분석하고 내가 너에게 살아 보여라 그와 같은 시스템이 있습니다 응용 프로그램이 이것을 사용합니다 너는 무엇을 가지고 있니? 그게 어디에서 중요합니까? 당신 앞에 블레이저가 있습니다 시스템은 모든 것을 처리 할 수 ​​있어야한다

ML NET APP 이것은 블레 이저 사용 한 사건 너무 폭풍 그리고 실행중인 모델 그 감각에서 대중적이었습니다 IT는 MEL입니다

NET IT는 기계 학습을 원합니다 하지만 스파크는 많은 순간을 가지고있다 언젠가는 재미 있습니다 그것은 긍정적이다 스파크는 일반적인 목적이기 때문에 감정

그것은 잘 작동하고 있습니다 만약 프레임 워크와 스파크와 함께하는 ETL, 나는 기계 학습이 재미 없다고 말합니다 그것은 자연적인 감각을 사용하여 당신은 그 죄의 대가를 보게 될 것입니다 귀하의 필요에 맞는 똑같은 플랫폼 그것은 ML의 한 예입니다

NET PLAY 하지만 그것은 마이크로 바입니다 너는 가져 왔어 나는 스크래치에서 톱 빌드를 원한다 방해 너는 많은 사건을 BATCHING하기 때문에 나 당신이 그걸 어떻게 할 수 있는지 보여 줘

함께 그러나 무역을 이해하십시오 나는 시각 스튜디오를 나가기 위하여 가고있다 아주 낮은 LATENCY 스트림 처리 주변 이리 당신은 시각적 인 입을 위해 사용합니다 비슷한 사건들

그리고 제 3 ML NET을 당신이 원하는 패키지를 얻으십시오 하나는 좀 더 환상적이다 한 번 패키지를 모두 받으십시오 인터랙티브 쿼리 기술 선택

소스 코드는 현재 존재합니다 이 지점에서 당신이 정한 시간에 MICROOSOFT DOT ML NAME 호수와 호수는 우리가 지금있다 공간 코드를 원하면 가장 원시적 인 형태의 데이터 할 수있다

그럴 수 있어요 한 번 나는 너트를 세웠다 JSON의 BE TEXT 또는 동등한 내가 갈 수있는 패키지와 이름 공간 앞으로 그리고 너는 드러내고 싶어

앞뒤로 내 기계 만들기 귀하의 조직 어떤 경우에는 그렇다 학습 문맥 너 때문에 너는 작게 노출 될거야 엔티티와 함께하는 실내에서 팀

그래서 ESQL은 좋을 것 같습니다 이것은 창조와 비슷합니다 적당한 당신도 마찬가지 지요 DB 문맥

그 다음에 내가 가지고있는 것 더 많은 사용자에게 노출 시키십시오 해야 할 일은 내 데이터 세트에 있습니다 자원 관리에 대한 질의 응답 훈련 훈련 및 검사 매우 중요합니다

그래서 오른쪽면에 통보하는 경우 인터랙티브를 바라 보는 경우 너는 나에게 2 개의 데이터 세트가있을 것이다 클러스터 당신은 매우 솔직하게 할 수 있습니다 이리 나는 테스트를 거친 데이터를 가지고있다

소지품 – QUALIES에 대한 이야기 세트 이 데이터 중 하나를 탐색하면 매우 중요합니다 결과 여기에 SET SETS가 있습니다

캐싱은 매우 중요한 영역입니다 여기에는 두 개의 열이 있습니다 첫번째 사용자 수는 과연 얼마 였는지 상상해보십시오 열은 열 텍스트입니다 IT는 클러스터에게 문의 사항 제출 실제 텍스트

상원 의원 그리고 그들은 같은 질문을 내고 있습니다 가치가있는 두 번째 칼럼 지금 그들 중 일부는 관심이 있습니다 1 또는 0 심판이있는 경우 동일한 결과와 결과 좋든 싫든 예를 들면 나는 이미 사용 가능합니다 왜 컴퓨터를 사용해야합니까? 나는이 곳을 좋아한다

한 번 더 그래서 결과를 캐싱 그분에 대한 심판은 많습니다 결과는 언더 라이닝과 함께 캐시 됨 긍정적 인 것은 긍정적 인 것입니다 데이터가 변경되지 않았습니다 다른 종횡비 제보

그래서 내가 읽은 길 MATERIALIZED VIEWS 그래서 왜 느려지는가요? 이 데이터에 MY ML로 설정하십시오 그물 너 큰 데이터로 그들은 가입한다 환경은 [불가분] 당신은 계산을하기 때문에

수업 그것은 두 분야가 있습니다 첫번째 그리고 자원과 시간을 가져 가라 필드는 호출되는 텍스트의 유형입니다 결과를 원하는 고객 및 고객 텍스트 및 유형 문자열

이게 뭐야? 좌절하다 그래서 기술이있다 매핑을 표시하는 것은 결과를 미리 예측할 수있는 곳 데이터 세트의 첫 번째 열을 여기에 입력하십시오 언젠가 타임베이스를 앞두고 두 번째 필드는 레이블이 붙어 있습니다 스케줄 또는 소스 데이터와 상관없이 그건 열두 번째 색인입니다

그 변경된 또는 아닙니다 그리고 다른 모습 내 상처는 무엇인지 나타냅니다 거래입니다 우리는 이야기한다 긍정적 또는 부정적이다 큰 데이터 시스템

한 번 쓰고, 이 경우에는 하나도 아닙니다 나는 가고있다 많은 시간을 읽고, 업데이트하십시오 이 상급 수업을 읽고 사용하는 방법 삭제하지 마십시오 그건 사실이 아니야

내 데이터에 나는 데이터를 말하려고한다 실용적인 삶 배신하다 여기를보십시오 나는 안으로 들어가기 위하여 가고있다 그

GDPR과 같은 규제 여기 내 수업은 어떻게 전화를 걸 냐고 고객을 삭제해야합니다 데이터 세트를 읽으려면 매개 변수로 업데이트하고 삭제해야하는 데이터 내 훈련에 그것을 전달할 것입니다 지금 PRESTO에서 보는 경우

그 데이터 세트 그런 다음 여기에 매개 변수 더 강해진 것은 아니다 IT가 전화를 했어 나는 이미 있었어 그것의 측면

IT가 실제로 빛나는 곳, 머리글 나는 또한 앞으로 나아갈 것이다 데이터가있는 시나리오를 상상해보십시오 그리고 빨리 읽으십시오 나는 가고있다

오라클 그리고 잠시 멈추다 내 훈련 데이터 모델 사용하기 I 그밖에 그리고 당신은 싱글을 쓰고 싶습니다 테스트 데이터를 사용하려고합니다

모두에 대해 실행되는 선택 쿼리 내 모델이 실제로 얼마나 적합한 지 판단하십시오 출처 프레스토는 연결자가있다 실행할 수 있는 내가 가지고있는이 지점에서 이러한 모든 데이터 소스 및 데이터 세트로 실행하십시오

길드 기계 사람들은 독창적 인 질문을 할 수 있습니다 학습 한 것은 내가 읽은 것입니다 그곳에 너는 어떻게해야합니까? 이 데이터에 지금 테스트하십시오 석회석과 함께? 알았어, 그래서 뭐야? 여기는 엄청난 클리어입니다 석회석 거기에 큰 데이터 있음 일반 요구 사항의 열 또는 텍스트 데이터 호수의 데이터

그러나 메타 닷타 특정 부분으로 변환되어야한다 METASTORE에 데이터가 저장되어 있는지 확인하십시오 특정 기계 학습 형식 그래서 메 타 스토 레입니다 지금 알고리즘은 이해할 수 있습니다 뭐 높은 메타 스토어는이 글쓰기입니다

내가해야 할 일은 다음은 이 모든 대형 데이터 엔진을 묶습니다 여기에 열을 가하고 만들어라 함께 SPARK IT에서 보시려면 기본적인 유형의 벡터 이해하십시오 – 생각한다면 필수적으로 내가 그렇게하는 길 피고용인이 허락 한 카탈로그를 알 수 있습니다

ML NET은 파이프 라인을 만듭니다 몹시 떠들어 대다 P와 그 중 일부를 보는 경우 데이터를 변환하는 파이프 라인 기술 그것은 매우 위험하다

한 번 내 데이터가 올바른 형식입니다 구성 요소 그래서 당신이 보면 – ML 트레이너를 추가 할 수 있습니다 나는 너는 기본적으로 싱글을 가질 수있다 추측 컨대 나는 변혁가라고 말하라

메타 스토아와 데이터 호수와 모두 나는이 추정자를 만들려고한다 ENGINES가오고 이해할 수 있습니다 순진한 묘사로 처음에는 이 데이터 개념으로부터 큰 것 단계 저는 앞으로 나아갈 것입니다

원근법 두 배 클릭 한 경우 내 텍스트를 변형하려고합니다 그걸 생각하면 그 때마다 생각해 이 변형을 위해 나는 가고있다 엔진은 일반적인 것을하려고합니다

동기 변환 호출 사용하기 최소한의 것 권리? 그리고 그것은 그램에서 호출되는 텍스트 어떤 경우에는 공유하기에 좋을 것입니다 이 입력 열에 나타납니다 하지만 엔진은 최적화 할 수 없습니다

이것은 특징의 결과입니다 성과 관점에서 될거야 나도 같이 갈거야 거래 관점에서 볼 때

첫 번째 열을 입력하십시오 모두가 함께 따라야하는 모든 것 그 상원의 지시서 내가 탔어 일반적인 METASTORE 최소의 내 입력 텍스트 열과 변환 된 할수있다 그래서 뭘하고있는거야? 그것이 미래의 텍스트 열 메트로 스토어? 지금 스파크와 하이브 이걸 사용하십시오

한 번 내가이 일을 끝냈어 일차적 인 참가자의 편이다 내가 가서 트레이너를 추가 할 수 있어요 메트로 스토어에서 그래서 공동체 이에

나는 점을 말하기를 갈 예정이다 너 알 잖아, 스파크가 가고있어 우리는 본질적으로 노력하고 있기 때문에 메트로 스토어 소유 그리고 잠깐 수행 감정 분석 및 수련 메라 ​​스토어를 소유하게 될 것입니다 그래서 그 고소 여부를 알리기 위해 2 개의 전자석과 그 방법 0 또는 1은 이진 분류입니다

그 밖의 다른 집들과 이야기하십시오 문제 나는 그것을 설정하려고한다 그것은 빠르다 그리고 그 의미 내 콘테스트의 한 부분

나는 가고있다 그거야 거래를 사용하는 경우 연수생을 말하고 지금 내가 할 수있는 일 잠에서 깨어나 스파크는 읽을 수 없다 지금은 하나만 선택할 수 있습니까? 그 데이터

그게 유일한 그랩 수 있습니다 ML의 많은 트레이너들 그물 데이터 하지만 지금은 가고있다 제공하십시오

이것이 바로 지능입니다 지원 및 호환 모든 나에게 보여주고있다 나는 사용하려고하고있다 갑작스런 스파크는 절정에 처함 물류 이동

너 레이블 예제의 트랜잭션 데이터 내가 발표 한 기능 요약 그래서 이들은 몇 가지 이점이 있습니다 또는 변형 됨 지금 내가 지어 줬어 건축과 함께하는 것 : 데이터를 가져올 수있는 파이프 라인 하지만 데이터 레이크를 만드는 경우 IT를 오른쪽으로 변형 최신 오픈 소스 시스템 형식 및 기계 학습 알고리즘

알 필요가있는 기술 다음 단계는 내 모델을 훈련시키는 것이며, 이 차이 그런 다음 데이터 내가하는 부름에 의한 방법 파이프 라인 조직의 선택 추측에 맞는 API 패스 당신이 아마존에 있다면 당신은 아마 존재합니다 나만의 훈련 데이터에 AZURE DATA FACTORY가있는 가족

짐을 실은 이것은 기차를 실행할 것입니다 우리의 많은 사용은 AZURE 데이터를 사용합니다 데이터 및 전철 제공 공장 및 공기 흐름 개방 모델

한 번 준비가되어 있습니다 SOURCE PROJECT 그것은 많은 것을 가지고있다 내 미래의 일부 계획 그것과 함께하는 순간 AT보고있는 경우 단계

우리의 예측은 모델이 될 것입니다 12, 000 스타의 스타 그래서 내 모델을 훈련 한 변혁 존경받는 거대한 모멘텀이있다 훈련 데이터에 있지만 내가 원했던 것 그걸로 다중 건물을 만드는 경우 의 프레디릭을 변형하려면 배포해야하는 솔루션 데이터

내 테스트 데이터를 사용할 수 있습니다 PREM OOZY IT의 인기가 가고 있습니다 나는 초기 다 한 번 수행 한 내려가는

하지만 이미 투자 했어 나는 내가 갈 필요가있는 예언들 당신은 그것을 계속 가질 수 있습니다 하지만 나 모델에 가치를 부여하십시오 나는 가게에 갈거야 이 시간이되면 생각하지 마십시오

이 전선에있는 IT가 전화를 걸었습니다 브랜드를위한 새로운 NET 응용 프로그램 내가이 과정을 진행할 때 새로운 신청서 권리? 괜찮아, 나는이 분류를 사용하려고한다 그래서 나는 아마도 그것이 나의 기계 학습이기 때문에 질문 그곳에

괜찮아 아니 태스크 내 계획에 따라 갈 예정입니다 질문 우리는 시간을 절약합니다

움직여 라 점수에 레이블이 붙어 있습니다 에 좋아, 그럼 너, 너 알지, 들 아주 좋아요

이 높은 수준을 결정하는 종류, 나는 건축 할 수 있어야한다 어떤 기술이 당신에게 가고 있습니까 여기에있는 판결 분석 모델 다음에 큰 질문을하기 위해 내 데이터를 풀기 시작합니다 나는 변환한다 당신 앞에서 보관 해

권리? 올바른 형식으로 추가 신규 신청서를 작성하는 경우 기계 학습 알고리즘, NEW 굉장합니다 하지만 이미 있다면 변형 및 새로운 테스트 데이터 결핵 환자 수는 많다 이 경우 나는 휴식을 결정할 것이다 PREMISES에 대한 루프 구현

여기 디버거에서 실행하십시오 그 데이터를 AZURE로 이동하려면 어떻게해야합니까? 그래서 나는 정확성의 종류를 볼 수 있습니다 그러면 천리안에 너는 너무 많아 우리는이 모델을 가지고 있습니다 옵션

내가 무엇을 먹어야하는지 그리고 나는 여기 저기 다가 가려고한다 당신 무역은 무엇입니까 누구도 메트릭 (metrics) 아래에서 볼 수 있습니다 스토리지 옵션에 대한 정보 당신은 정확성을 보러 갈 것입니다 응, 이것들은 제거 될거야

들 이 정확성 분야는 주목하고 있습니다 저장소는 항상 원격입니다 그 이 모델이 얼마나 잘 작동하는지 알 수 있습니다 몇 밀리 초

캐싱 80은이 정보에 대해 제안하고 있습니다 구름은 중요합니다 과 80 지금 정확한 당일에 우리는 그 점에 관해서도 잘 이야기 할 것입니다 상상력 테스트 자료가 잘못되어서는 안됩니다

2TB의 데이터가 미리 준비되어 있습니다 우리는 단지 시작했다 개념 WE 두 번째 링크 당 45MB가 넘고 편리한 API를 사용하여 호출 그걸 옮겨야 해 IT는 예측 엔진 IT가 허용하는 것 12 년 만에

그게 현실이야 너는 그것에게 프리젠 테이션을 허용한다 그것의 큰 데이터 전송 데이터의 단일 인스턴스에 나는 TRICKY입니다

당신은 알고있다, 유선에 예측 엔진을 만듭니다 말하다 다시 말하지만, 당신이 더 작 으면 데이터의 단일 인스턴스에 대한 예측 데이터는 명시된 경로를 사용할 수 있습니다 나는 여기에 예측 엔진을 말 할 것이다

그리고 거기에 사용할 수있는 도구 그러나 예측 엔진이 다시 시작됩니다 대용량 데이터가있는 경우 입력 클래스의 알림 및 출력 하늘빛 데이터 박스가 있습니다 나는하지 않는다

입력기의 클래스 및 테이크 업 당신이 얼마나 친숙한 지 알고 있습니다 모델 한 번 나는 그 계획을 세웠다 데이터 박스 포함 큰

좋은 거래 ENGINE 나는 싱글을 만들어야했다 그래서 데이터 박스와 우리는 가지고 있습니다 예측 엔진 지금 나는 통과 할 수있다

데이터 박스로 작업하기 그에게 새로운 소식을 전하십시오 나는 가고있다 꽤 많은 시간 그들에게 화가났다 이 새로운 청원을 불러내 어라

바닥 가져 오는 링크가 있습니다 기계 학습을위한 앱 하나 당신은 단계 가이드에 의해 단계에서 단계로 즐겁습니다 내 휴식 지점을 다시 놓을거야 이 장치가 어떻게 작동하는지

이리 나는이 예측을 당신에게 보여줄 것입니다 그래서 우리는이 장치들을 기본적으로 운송합니다 실제 작동 여부 또는 예측 방법 너에게, 그리고 거기에 세트가있다 하고있다

나는 너를 이길거야 당신이 필요로하는 지시 사항들 여기 디버거에서 볼 수 있습니다 데이터에 데이터로드 안함 이 상원의 계획 상자에 넣고 순금으로 돌아온다 긍정적이고 확률이다 그리고 플러그를 꽂습니다

너도 그렇다면 점수는 당신에게 잘 알려져 있습니다 많은 데이터를 사용하면 옵션을 사용할 수 있습니다 예측 그게 바로 예입니다 이제 당신이 데이터를 움직여서, 어떻게 시작 할 수 있니? 블록 저장 장치를 표준화하려면

프리미엄 ML 정보 분석을 구축하기위한 NET 꾸리다 우리가 생각하는 것 모델 이러한 개념 중 일부 우리가 뭘 뿌려야 하죠? THE BLOB 걱정하지 마십시오 저기에 있었어

IT가 출시되었습니다 우리는 여기에 우리의 갑옷에 이것을 담을 것입니다 AZURE와 함께 그것은 기술이 있습니다 그래서 다음에 내가 원하는 것은 좋은 결과를 얻은 채 배팅 된 나는 이미 그것을 하나의 것으로 보았습니다

궂은 나날들 IT LAX의 기능 다음에 내가 빨리 덮고 싶어하는 것 원근법 보기를 위해 단순한 우리가 가진 특징은 무엇입니까? 작동, 당신은 알고있다 ML에 추가

NET 1 0 THE FIRST 거대한 세계에서 원자 번호 변경 내가 자동으로 얘기하고 싶어하는 것 그 말에 귀를 기울이십시오

그래서 ML NET 또는 자동 인공 지능을 극대화하십시오 스파크 실행자가 다른 경우 이것은 우리가 추가 한 새로운 기능입니다 지역 주민 발굴과 노력 코드 예를 기억한다면 데이터 및 중간 결과 내가 끝날 때까지 내가 갔다 그들이 다시 들어가서 그리고 이진 트레이너를 선택하십시오

임시 폴더를 호출 했습니까? 너는 관찰 된 것일 수도있다 결과가 모두 계산 될 때 우리는 수련생 수를 가지고 있습니다 임시 폴더 및 재발행 그곳에 우리는 평균 수명 TRON, 출입구를 내십시오 재구성 우리는 [비실망]하고 있습니다

폴더는 메타 데이터 운영입니다 지금은 시작하는 사람으로 지금 아무것도 움직이지 않으면 이름을 바꿀 수 있습니다 ML이 새로워 짐 폴더의 -이게 뭐니? 하나의 공연에 가장 적합합니다 당신은 실제로 육체적 인 존재입니다

이 시나리오 일인 경우 파일 이동 기본 속도가 느린 경우 너는 오른쪽 트레이너를 뽑았다 ETL 조각 내려 너 모두 귀하의 시나리오 또는 귀하의 시나리오에 따라, 일하면서 일 했어

– 이 연수 자들을 조율 할 수 있습니다 이 데이터를 이동하십시오 하지만 그건 그렇지 않아 이 설정이 하이퍼로 호출 됨 METADATA 운영으로 좋습니다 그래서 매개 변수

다시 시작하는 경우 다시 ANALYTICS의 패턴 기계 학습 및 당신은 새로운 있습니다 우리가 사용해야하는 일터로드 – 작동 이것은 당신을 위해 도전 할 수도 있습니다 잘 우리는 TRANING을 원합니다 이들 당신이 좋아하는 종류의 자동 프리미엄이 중요합니다 그럼 내가 얘기 할거야

이 문제 AUTO ML AUTOMATICALLY 지금 소개 나는이 이야기를 들었다 이 모델을 최고로 구축하십시오 IDEA OF – 당신은 BIT를 가졌습니다

트레이너 및 설정 수행 밴드의 10GB를 얻을 수 있습니다 당신을 위해서 IT 부서는 로컬 컴퓨터를 사용합니다 초당

워크로드가있는 경우 최상의 조합을 도출하기 위해 읽고 쓰는 많은 데이터 여기에서 최고의 공연을 선사합니다 네가 할 수 있기 때문에 대단한거야 모델 AUTO ML EXPERIENCE를 실행할 수 있습니다 그 데이터와의 충돌

우리는 그럴 것입니다 우리는 현지에 있습니다 우리는 3 가지를지지한다 장면과 당신의 성능은 거기에서 일한다 우리는 회귀를지지한다

HIGH BAND 때문에 아주 좋아요 이진 분류 및 다중 폭 도전 중 하나 등급 분류 당신이 사용할 수있는 저체온 수술실입니다 IN SQL 우리가 만든 AUTO ML EXPERIENCE HBASE 또는 스파크 스트리밍과 함께 워크로드 IN

세 가지 다른 방법으로 인터넷 당신이 필요로하는 곳에 저장하십시오 내가 쓰는 도구를 사용할 수 있습니다 매우 쓰기 때문에, 매우 빠르다 당신을 다음에 보여주기 위해서

너는 저체온 운동 및 ML 내가 가고 싶어했던 NET CLI 저장은 20에서 200 사이에 있습니다 보여줘 우리는 ML에 대한 API가 있습니다 그물 밀리, 너를 어떻게 생각해? 너는 나가기를 바란다

네가 원한다면 그걸 할거야 그래서 나는 갈거야 비행 중에 모델을 만들 수 있습니다 그래서 사용 사례 HBASE에 대해 이야기하십시오 방법 다음에 내가 가고 싶어하는 것 HBASE의 이해 방법 내가 지금 경험하고있는 도구 경험 공장

소수 민족 그래서 내가 설명해 줄게 너를 위해 ML을 제공한다 그물 또한 우리 지금 가지지 못한 사람들을 위해 이 올해 건축에 발표 HBASE에서 볼 기회

SO HBASE 도구가 ML을 호출했습니다 NET NEW BOD 아무 SQL 저장소가 아닙니다 그리고 모든 데이터 엘 빌더 이것은 비디오 스튜디오이다 정렬 된 순서로 저장됩니다

그래서 신장 아주 단순한 UI입니다 높은 쓰루트 작성에 도움이됩니다 커스텀 모델을 사용하는 도구 종점 읽고 그 무엇 ML을 자동으로 사용합니다 뭐 사용 사례가 있습니다

그래서 HBASE에서 모든 또한 당신에게 도움이됩니다 클러스터 노드는 지역으로 알려져 있습니다 모델 교육 및 소비를위한 코드 서버 각 지역 서버 수 이 공구를 사용하도록 보여 주시겠습니까? 여러 지역이 있습니다

이 사건에서 그래서 너는이 공구를 발사 할 수있어 나는 그들에게 3 가지를 기원합니다 그리고 오른쪽 클릭 및 광고 클릭으로 이동합니다 지역 번호가 메모리에 있습니다 그들 여기에서 배우는 기계

네가 원한다면 메모리가 있어야합니다 언제 쓸 때? 당신이 할 수있는 그림을 그린다 무언가가 실제로 서면 이 공구는 우리의 웹 사이트에 갈 수 있습니다 이 H 파일에 이렇게 적혀있다 빨리

그것은 NET ML 이것은 기억에 대단하다 MODEL BUILD ERR 페이지 당신이 쓰고 있기 때문에 빨리 모델의 다양한 기능 기억

그리고 나서 특정 기간 이후 BUILD ERR 다운로드를 허용합니다 THRESHOLD, 당신은 THRESHOLD IT를위한 시각적 확장 나는 가지고있다 너 – 그 길은 아주 빠르다 이미 확장 기능을 다운로드했습니다 너는 너의 저장고에 나섰다

나는 그 일을 다시 할 필요가 없다 이 후에 어떤 일이 언제 일어날까요? 최초의 스크린 모델 제작자입니다 귀하의 데이터가 기록 될 NODES GO 첫 번째 스크린은 당신에게 다른 것을 보여줄 것입니다 잃어버린

그래서 방주 보호 이 도구를 사용하여 기계를 학습합니다 암묵적으로 – 쓰도록 우리는 가격 예측을위한 예를 가지고 있습니다 이러한 메모리 구조는 고도로 감옥의 예는 무엇인가? 독서 인 경우 장식 된 패션 의 예인 분석 나도 너에게 편지를 쓸거야 일종의 이종 분류 당신 지하 저장고에 통나무 다른 시나리오를 만들 수 있습니다

내가 할 수있는 곳에 내려 갔다면 커스텀 시나리오는 여기서 만나요 이 데이터를 다시 읽으십시오 그거야? 나는 가고있다 – 여기에서 템플레이트하십시오 나는 목적 당신이 수술을 보는 경우에 분석을 클릭하십시오

그만큼 INSERT, UPDATE, 다음 화면은 정보입니다 이 그것을 얻고 삭제해야합니다 데이터를로드 할 수 있습니다 이후 순서대로 너는 삭제할 수 없다

내가 어떻게 로딩했는지 알았어 HAPPENS를 삽입하기 전에 근데 뭐 파일로 인해 SQL이 표시됩니다 나는 너는 어떤 종류의 원거리와 함께 AZURE SQL에 연결하기 저장 장치가 오래되었습니다 여기 데이터베이스

OF OF OF SQL을 선택하십시오 방해 너는 좋은 시댁을 보았다 하지만 사실 나도 그걸 다시해라 그것은 갑작 스레 300, 700 밀리 초를 보아라 HOPEFULLY에 다시 돌아갈 예정입니다

모든 모든 종류의 스파이크 – 종류 – 권리 그래서 다시 로그인 해주세요 거친 격렬한 에피소드가 막혔습니다 여기 SQL에서 나는 그것을 갈려고한다

그래서 우리가하는 일은 다시 >> 또한 누구에게나 감사합니다 우리가 프리미엄을 소개하는 워크로드 이 데모 용 데이터베이스 그래서 당신은 -이 대신 서면 쓰기 귀하의 데이터베이스에 로그인하고 지금 우리는 BLOB 매장 또는 세대에 이르기까지 데이터베이스 중 하나를 사용할 수 있습니다 우리는 그것을 프리미엄 매니저에게 써 놨습니다

나는 같은 데이터베이스를 사용할 것이다 디스크를 클러스터에 연결합니다 과 내가 중고품을 사용 했어 이것은 불리운다 그렇다면 귀하의 글은 매우 비쌉니다 맛있는 음식 나는 갈거야 빠른

그들은 엄청 빨랐어 괜찮아 나는 테이블을 선택할 수있다 에서 그래서 우리는 훌륭한 성과를 봅니다 이 경우 같은 감정 검토 지적인 변화를 일으켜서

표 해야 할 일 우리는 계속 데이터를 넣고 있습니다 당신에게 미리보기를 보여줍니다 저장 그러나 우리가 생각한 방법 필수적으로 볼 것입니다

다음 회사 소개, 알고 계신다 공구가 제공을 요청합니다 건축 문제 그래서 당신이 예언하는 열입니다 HBASE를 사용하고 계시다면 나는 감옥을 선택하려고한다

2 개의 풍미가 표준과 함께 내가보고 싶어하는 칼럼으로 열거하십시오 저장소와 기타는 – 어디에서 한 번은 내가 할 수있게 만들었어요 나는 화장 할 수 있어요 우리는 프리미엄 관리 디스크를 넣었습니다 훈련의 다음 단계로 서면은 매우 빠릅니다

당신 단계 나는 앞으로 나아갈 것이다 읽는 것에 대해 어떻게 생각하십니까? 너 할 수있어 여기에 30 초 정도의 기차 필요할지도 모르는 일자리가 있습니다

이 공구로 MODEL BUILDER는 단일 밀폐형의 두 번째 시술 보러 갈 트레이닝 디지털 우리가 지원을 시작 했으니 까 정확성의 아래쪽에 있습니다 프리미엄 저장 SSD에 구축하십시오

그래서 너무 멀리있는 모델의 당신은 아주 빨리 창자를 얻을 것입니다 최고의 알고리즘, 최고의 알고리즘 질문이 있으십니까? >> 그럼 너무 좋아? 좋은 IT는 다른 선택했습니다 거래 또 다시, 우리가 말한 이야기 알고리즘이 나가고 있습니다 더 이 기술은 로컬 대 리모컨입니다

도구를 제공 할 시간, 하지만 어떻게 생각할 것인가? 더 많은 시간을 가질 수 있습니다 더 많은 치즈 저장고를 알고 계십시오 알고리즘 및 다른 모델 원격 매장을 만들고 빠르게 만드시겠습니까? 당신을 위해서 이 경우 내 데이터 세트 그래서 캐싱 기술은 매우, 데이터 세트가있는 경우에는 작지만 매우 중요하며 여러 항목이 있습니다 큰일 날 것 같네요

다른 워크로드와 캐싱 시간의 커플을 가져 가라 당신이 가지고 있다면 기법 스파크에서 우리는 스파크를한다 테러범에 관한 데이터 IO 캐시 R 캐시 기반 오늘의 커플을 먹을 수 있습니다

나는 죽었다 APACHE PROJECT 란 무엇입니까? 그래서 만약 30 초 동안 너는 정확성을 본다 너는 스파크에서 읽는 중이다 우리는 86 퍼센트를 얻었다

기억한다면 로컬에 캐시되어 있고 문제가있는 경우 내가 본 마지막 순간부터 동일한 질문을 할 수 있다면 매우 좋을 것입니다 나는 언제 판결 분석을 만들었 는가? 매우 빠르다 HBASE와 PHOENIX에서 이 모델 만이 80 % 나에 대해 말한 것에서 벗어나십시오 정확성 30 초 밖에 걸리지 않습니다

버킷 캐싱이 있습니다 다시, 훈련 한 번 내 훈련은 최근에 쓰여진 데이터, 최근 이제 다음 화면으로 넘어갈 수 있습니다 READ 데이터가 L2에 입력됩니다 이제는 가치있는 화면입니다

그만큼 캐시와 그 서비스를 직접 제공 할 수 있습니다 VALUE 화면에서 보도록 허용합니다 불을 지르며 최고의 모델 성능 그만큼 그것은 매우 빠릅니다 만약 너라면 탐구 된 다른 모델들 높은 가격으로보고 있습니다

에 이 단계에서 불만족 스럽다면 그 자리에 봉사하는 것은 정확성을 가지고, 당신은 할 수있어 지능형 캐시를 모두 호출하는 곳 뒤로 이동하고 더 오랫동안 훈련하십시오 그 의 데이터는 다시 캐시됩니다 더 나은 결과

당신 로컬 메모리 그리고 내가 말하는 것 더 많은 데이터를 문제에 추가 할 수 있습니다 로컬 메모리에는 2 개의 부분이 있습니다 등등 마지막 단계 그것

다이나믹 RAM 및 로컬 SSD MODEL BUILDER는 당신이 할 수있는 것을 허락합니다 그래서 만약 당신이 코드를 자동으로 생성 할 수 있습니다 D14를 가진 송이 VM 유형

그것 내가 여기 프로젝트를 클릭하면 800GB의 로컬 SSD가 있습니다 비어 있는 두 개의 프로젝트를 만들려고합니다 그만큼 비용 없음 : 나는 그것이다고 생각한다 그것이 창출하는 첫 번째 프로젝트 에서

그게 뭐야 그 사이에 클래스 라이브러리 클래스 란 무엇인가? RAM, SSD 및 원격 저장소, 엔진 라이브러리는 모델 우편 파일입니다 자체적으로 재활용하는 방법에 대해 알아 봅니다 그저 훈련 된 모델은 비트

그게 쓸모있어 도구에 훈련 된 IT가 입력되어있다 사례 이 용도로 사용하는 경우 고려하십시오 출력 클래스 와 함께 이 옵션을 작성할 때 옵션

모델 및 입력 및 출력 클래스 그래서 이것은 IO 캐시입니다 알다시피, 우리는 ANO – CREATE PROJECT를 제안했다 너는 단지 그것을 활성화한다 그럼 너 암호 내가 너에게 훈련을 보여 준다면 캐싱을하십시오

아래쪽에 신속하게 코드를 볼 수 있습니다 1TB 규모로 다시 결핵에 이것이 본질적으로 동일한 특징입니다 – 질의 응답 없음 우리가 숙련공에 의해 한 일 에서 캐싱을 좋아합니다 때때로 이 경우는 더 좋은 결과를 가져옵니다

캐싱은 작동하지 않습니다 하지만 ON 학습자 이 또한 하이퍼를 발견했다 전체 작업이 2 배 빨라졌습니다 최고를 제공 한 매개 변수 하지만 20 가지 이상의 질문이 있습니다

성과 당신은 어떻게 볼 수 있습니까? – 기준점은 8 ~ 10 배입니다 경험은 당신이 창조하는 것을 돕고 있습니다 빨리 그래서 QUELIES, REPEAT처럼 최고 성능 모델 기타 귀하가 볼 곳이 QUELIES입니다 파일이 프로젝트에 표시됩니다

많은 조각 보안 그곳에 프로그램 CS 파일입니다 무엇 질문입니다 [OFF MIC] >> YES, 너는 지금 너를 사용할 수있는 방법을 보여주고있다

우리는 해 하지만 우리는 허용되지 않습니다 너와 함께 시작한 훈련 된 모델 번호를 공유하십시오 좋은 질문 문맥을 창출하는 갱 그래도 "좋아

" "알았어 모든 LOAD ML NET 모델 및 시작 가능 권리 그럼 얘기 좀하자 프레디 크크 만들기

나는 하이킹에 갈거야 보안, 이것은 데이터 구조에 있습니다 이 코드는 여기에 약간의 비트가 있고 섹션 하지만 보안은 내 개인적인 데이터 인스턴스 하나 추가 모든 사람과의 마음 그래서 그 길 그리고 말하기를, 새, 너는 적은 것을 싸워라

우리는 보안이 필요하다고 생각합니다 BIT를보고 입력 내용을 봅니다 그만큼 권위와 데이터의 생각 현장에서 새 감사를 부름 나는 원근법 이 클러스터를 넣을 수 있습니다

돌아가서 새로운 감동을 부르십시오 아주 안전한 네트워크 내부 과 나는이 일을 성취하려고 애쓴다 그 정보는 그곳에있다 똑같은 내가 어리 어리다고 말했어

약간 인증 및 승인을위한 기계 학습은 재미 있습니다 방해 우리는 AZURE DIRECTIVE에 의존합니다 나도 다시 이걸 시도해 내가 이걸 실행하면 아파치

함께 – 무엇을 지금, 내 휴식 지점을 어떻게 설정합니까? JEN 1 또는 JEN 2에서 수행 할 수 있습니다 당신은 생성 된 코드를 보게 될 것입니다 보호 데이터가 보호됩니다 그 모델이 나를 위해 창조 한 운송 또는 보관 중

그럼 모두 지금은 본질적으로 생성됩니다 조각이 있습니다 설명하고 싶습니다 단일 예측을위한 코드 이 그림은 비트가 환상적이기 때문에 나타납니다

우리는 디버거를 보러 갈 것입니다 오픈 소스 기술을 보시려면 다시 내가 예측에 가면 스파크, 하이브 및 HBASE 및 기타 측정치가 표시됩니다 프로토콜에서 공개 소스로 너는 진실을 알 것이다 원근법, 모두는 위에 일한다 그리고 점수를 잘받습니다

그게 뭡니까? – 그게 그 의정서에요 그러나 가장 좋아하는 것 중 가장 빠른 데모 AZURE ACTIVE DIRECTY에서 보는 경우 MODEL BUILDER는 당신을 위해 할 수 있습니다 모델 클라우드에 저장되었습니다 그래서 이들은 우리는 도구로 도구를 사용할 수 있습니다 2 다른 프로토콜

그 후에 HOPEFULLY 이것은 만드는 기계를 만든다 그것이 의미하는 바는 ML이있는 모델 그물 나는 가고있다 쉽게 클러스터를 가리키는 것만 큼 쉽게 여기 갑판으로 돌아 가기 AZURE DIRECTY 및 그럴 것입니다

빨리 다음에 내가 원하는 것 작업 그들은 그렇게하지 않기 때문에 다른 도구의 모음입니다 다른 프로토콜 그럼 그게 뭐야? 그 중 일부분에 대한 이야기 우리는 부품 AZURE를 사용합니다

너를 체사에게 데려다 줘라 능동적 인 지시 AZURE 활성 통화 이것을 덮을 것입니다 >> 감사합니다 직접 서비스를 수행하십시오

그것은 기본적이다 당신 [APPLAUSE] >> COOL 그건 DO MAIN SERVICES INSTANCE 그래서 멋진 데모

우리가 가고있는 것 우리는 사용자 신원을 지금 볼 수있는 것은 다른 접근법, 기본 서비스를 수행 한 다음 기본으로 수행하십시오 우리가 만든 것을 사용하는 다른 도구 문제가 될 수있는 서버로서의 행위 ML하지만 사용자 스튜디오 대신에 우리의 클러스터에 티켓 그래서 원하는 다른 사용자가 될 수 있습니다 합리적인 세트의 비트,하지만 온라인 인터페이스 사용 IT가 작동합니다 그럼 조금이라도 보게 될거야

이것이 교차점 일 수있는 경우 어떻게, 당신의 조건에 데모의 비트 플랫폼을 실행할 수있는 플랫폼 일단 당신이 설정을 통해 가면 안됩니다 MAC, LINUX 또는 WINDOWS 다른 그리고 그것이 일과 성격을 어떻게 구분 하는가? 한 번 당신이 알고 있기 때문에 이유가 있습니다 너는 그걸로 할 수 있니? 그래서이 사건에서, 당신이 원하는 과정과 가능성 나는 클러스터가있다 미안, 나좀 시켜줘

매일 또는 매일 모델을 생성하십시오 스위치 당신도 볼 수 있습니다 그래서 새로운 데이터 또는 자동화를 원하십니까? 나는 클러스터와 당신이 본 것을 가지고있다 다른 파이프 라인의 CLI와 함께 지금

이것은 군대이다 또는 무엇이 가장 유용한가요? 매니저 그것은 약간의 일을합니다 이러한 또한 CLI가 있어야합니다 보자

모니터링 구성으로 서비스 DEMO에 대해 알아보십시오 그래서 여기에 창문이 있습니다 관리 등등 그리고 또한 이 경우 나는 그것을 실행하려고한다

특정 도구를 제공합니다 몇 가지 파워 쇼 너는 할 수있어 그래서 예를 들어, 그 중 하나 동일한 데모 작업 MAC 또는 온 라인 온라인 제공하고 있습니다

너 할 수있어 잘 또는 리눅스 당신이 얻은 길 데이터 레이크에서 높은 쿼리를 작성하십시오 CLI는 이것이 글로벌 도구라는 것입니다 그리고 지금 나는 승인에 대해서 말했어

IT를 글로벌 도구로 설치하십시오 APACHE 레인저 인 구성품 너와 같이 볼 수있어 NET TOOL 이거 야 그리고 그것은 많은 것을 가지고있다

INSTUALLED 또는 ML 인 NET 많은 플러그 인을위한 INS 새로운 패키지를 자동으로 받으십시오 다른 것들 그래서 우리는 볼 것이다 설치됨

나는 내가 필요 없다고 생각한다 높은 플러그 인에서 우리가 정의 할거야 지금하십시오 그 밖의 것들 높은 접근 정책은 여기에 있습니다

과 너에게 보여주고 싶은 것은 또한 HOGWARTS이다 나는이 하나를 클릭 할 것이다 그래서 ML을 쓸 수있는 곳 NET, OUTER 내가 실제로 지키고있는 정책들 기차 및 그 다음 그때 우리는 높은 표본 표를 기본값으로 부름 또한 완성품을 누를 수 있습니다

클러스터와 함께 제공되는 테이블 다른 탭을 눌러보고 높은 표본 위에 이종 분류 인 작업 내가 할 수있는 것은 무엇이겠습니까? 다단 규정 및 회귀 일부 데이터를 마스킹하고 싶습니다 우리가 갖게 될 버전으로 나는 특정 사용자를 원하지 않는다 우리는 ML의 나머지를 가지고 있습니다 KIND OF OF DATA이 데이터를 보시기 바랍니다

나는 할 수있다 IN ML 그물 한 번 샘플을 실행 해보세요 내가 여기있는 것처럼 너에게 보여라

동일한 유사 데이터 세트 사용 그래서 나는 스파크 정책처럼 그것을 명명했다 우리가 사용했다 기본적으로 할 수있다 당신의 테이블이 있습니다 이 ML보기

NET OUTER BINARY 분류 테이블 내에있는 열 그런 다음 코드 이름 또는 이 사용자를위한 클라이언트 ID 및 폴더가 감정이 될 것입니다 이 사용자는 도메인 사용자입니다 모델 데이터 세트의 이름 가짜 행동 지시자의 사용자 레이블이있는 TSV입니다

IT 텍스트 파일입니다 나는 그것을 완화시킬 수 있어야한다 COLUMNS와 TABS 사이 마침내 데이터 저것과 같이 쉬운

그래서 지금 나는 라벨 열을 제공해야한다 여기에 와서 쿼리를 실행합니다 열이 란 이름입니다 내가 볼 수있는대로 로깅되었습니다 내가 미리보고 싶어? 나는 사용하고 싶다

ASHISH 데이터를 가지고 있습니다 목표 권리? 마침내 시간 너는 클라이언트 ID가 재확인되었다는 것을 본다 내가 찾고있는 것 같아

지금 다른 사용자가 여기 있습니다 더 나은 모델 이 경우 JUST에서 그리고 그녀의 이름은 앨리스입니다 당신이 할 수있는 한 15 초이므로 QUICK입니다 여기를 보아라 : 나는 그것을 조금만 만들어라

데모 하지만 너와 일할 때 더 크게 그럼이 사람은 앨리스 야 과 많은 사람들이 필요할지도 모릅니다 내가 봤던 정책에 따라 분 또는 시간

너는 그것을 볼 수있다 주의하지 마십시오 그녀는 모두 있었어 감동, 더 좋아 보인다 액세스 및 지금 앨리스가 실행 중입니다

알고리즘과 당신은 최고를 볼 수 있습니다 동일한 검색어, SELECT STAR FROM 아주 정확한 것은 87 년과 마침내였습니다 샘플 테이블과 지금하실 수 있습니다 당신은 5 개의 베스트와 함께 요약을 얻습니다 실제 데이터를 볼 수 있습니다 알고리즘,이 중 가장 좋은 것은 이 데이터는 데이터 레이크가 아닙니다

이 GS LOGISTIC 회귀의 경우 LB입니다 RAW 텍스트 파일은 더 많은 정보를 얻을 수 있습니다 생산 도구 그리고 지금 너 우리가 가지고있는 URL에이 메트릭스 칼럼 레벨 시큐리티를 수행 할 수 있습니다 이리 가장 중요하게 우리가 창출하고있다

사용자가 볼 수있는 조건 코드와 모델, 모델 파일의 데이터 그게 아주 귀엽다 훈련이 시작되었을 때 강한 그래서 이것은 작전을 비난합니다 교육을위한 코드

어떤 것 그리고 과정의 예상 미국 – 당신 어쩌면 어쩌면 분명하지 않을 수도 있습니다 알 잖아, 이걸 모두 검사 해 이전에 데모, 당신이 한 번 조각들 너를 보지 못하게 – 너 그 다음 저장할 수있는 모델 교육 수납 공간에 액세스하고 싶습니다 [불가분] 파일로

과 직접 어떻게 작동합니까? 방법 너는 네가 끝날 때부터 그걸 싣을거야 신원이 밝혀 졌는가? 사용자 신청서, 목재 신청서 등 짐을 싣기 위해 그래서 보자

ML 모델 도트 파일 및 그 다음 그거야 그래서 나는 AZURE에서보고 싶다 코드 코드는 비슷합니다 그것 저장 장치 탐 색기

여기 AZURE가 있습니다 여기에 생성했다 너는 볼 수있어 저장 장치 탐 색기 및 그 안에 이제 우리는이 폴더를 가지고 있습니다 나는 "테스트"라는 폴더를 가지고있다 새로운 소식입니다

그것은 시작과 함께 너 거기 볼 수있어 그리고 내가 본다면 TSV 이것은 창출되었다 우리 MANAGE ACCESS에서 가능한 한 클래스에 동일한 프로젝트가 있습니다 MICROSOFT 참조하십시오

COM에 액세스 교육을위한 도서관 및 코드 이 폴더에 하지만 보지 마라 시각적으로 똑같은 점수 그 안에 앨리스 그녀는 아무런 접근이 없었다 사진관

그것은 시각에 비 슷하다 폴더에 그래서,이 사용자, 스튜디오가 그 위에 갔다 이 경우 부끄럽지 않아요 CLI

우리는 일관되고 현실적입니다 클러스터 노드에서 그리고 난 검색 중이 야 똑같습니다 돌아 가자

클러스터 노드와 그곳으로 다음 섹션으로 정보 나는 명령을 할거야 지금은 나야 확장 및 생산으로 간다 ABFS는 여기에 용기가 있으며 그래서 우리는 당신이 어떻게 볼 수 있었는가? 나는 그 내용을 간파하고 싶다

모델 훈련, 어떻게 테스트 할 수 있습니까? 폴더와 그래서 나는 들어갔다 과 IT, 유효성 확인, 그러나 무엇에 대해 IT SAYS, 2 개의 기록이 발견되었습니다 당신은 보았다 이 사실을 귀하의 실제 의무로 언 U아하는 자에게 무언가가 접근했다 IN NET ALLEGATIONS 또는 HTL NET

저장 우리는 그것을 통과 할 수있었습니다 NET FRAMEWORK 및 NET CORE 그것 IT는 관심이 있습니다

앨리 앨리스 당신이 그것을 실행할 수있는 크루즈 플랫폼 그곳에는 아무런 허가도 없었습니다 WINDOWS LINUX 또는 MAC 이동하는 경우 테스트 폴더 및 히트를 탐색하려면 생산에있어, 그것은 단지에 대한 것이 아닙니다 들어가고 말해라 데이터 및 건물 준비하기 그녀는 허락을받지 못하기 때문에

또는 훈련은 또한 뛰기에 관한 것입니다 그래서 내가 너에게 할 수있는 말은 뭐니? 귀하의 신청서에 해당 모델 정당하게 THE PERMISSIONS를 설정하십시오 이게 맘에 들어요 데이터 호수 자체

그리고 당신은 사용자입니다 어떻게 최적화 할 수 있는가? 신원이 클러스터로부터 유출되다 ASP NET 응용 프로그램 실행 또는 그리고 그들은 존경을받을 것입니다 이 멀티 쓰레딩 또는 어떻게 포함시킬 수 있습니까? 당신이 처한 상황에 도움이된다 그 모델의 창조 여러 번 클러스터 설치 반대 우리는 CI / CD에 앙키 츠로 보았습니다 데이터 호수

사람들은 무엇을해야합니까? 파이프 라인 어떻게 자동화 할 수 있습니까? 그들은 기관에 서기를 권한다 너 한테 한가지 데모 해 줄까? 그래서 그게 좋은 부분입니다 ASV 네트워크에 모델 사용 가능 괜찮아 그래서 지금 우리는 2 가지를 샀어

신청 그래서 여기에 그리고 당신을 혼란에 빠뜨릴 수도 있습니다 내가 API를 가지고있는 해결책 지금은 2 권의 인증 엔진이 있습니다 우리는 잠깐 시간을 멈출 것이다

그 계획에 APACHE 레인저와 우리는 그 두 가지를 가지고 있습니다 다른 것 어떤 사람이 신청할 것인가? CLI가 정확하게 생성 함 그리고 언제 그래서 여기 당신을위한 테이블입니다

또는 시각적 인 스튜디오 그것은 모델이다 그렇다면 응용 프로그램에 대해 생각할 때 ZIP 파일이있는 프로젝트 레벨 액션 당신이하는 것처럼 그들이 보여준 데이터 클래스 데이터를 얻으려는 질문 나중에 우리가 단위 테스트를하고 있습니다

알았어 이 경우, 지금 나는 어떻게 할 수 있는지에 초점을 맞추고있다 높은 플러그 기어 또는 케이스 – 그들 이 모델의 ZIP 파일을 사용합니다 그곳에 저자가 되십시오 그래서 그건 기본적으로 세 가지 클래스가 있습니다

작품 하지만 너는 있니? 모델을 실행할 때 사용해야합니다 높은 테이블을 창조하고, 숨을들이 마십시오 하나는 I 변환 오류 모델, 너는 그 표제를 쓰되 표를 써라 그래서 저축이 저축됩니다

당신 너는 또한 위치 안에 위치를 진술한다 단일 톤 또는 [비 구분] 데이터가있는 곳 그래서 당신은 재사용 할 수있게되면 더 좋을 것입니다 구내에 위치 너의 다른 줄기로부터의 IT 저장 그 경우에 당신은해야합니다 신청

그것은 예측이다 두 곳 모두 허가를 받아야합니다 우리가 얘기 한 엔진 너는 레인저 또는 언더 그라운드에서 그것을 필요로한다 단일 프레디 크크 그것은 위협이 아닙니다

저장 그리고 만약 당신이 생각하면 저장 됨 당신은 그것을 특별한 용도로 사용해야합니다 당신이하고있는 SPARK DATA API 너가 복수를 할 때 길 – CSV 파일을 읽는 중입니다 끔찍한 신청

그게 뭐야? 저장 위치 및하지 않을 경우 나는 당신에게 API를 보여주고 싶습니다 당신 허가를 받으면 접근 할 수 있습니다 우편 번호를 복사 했어 거절 당했다 모든 시나리오에서 그렇다

모델을위한 파일 나는 데이터를 가지고있다 직접적으로 참고할 곳은 어디입니까? 독서 및 사용을위한 수업 스토리지에, 당신은 최소한 모델 우리는 무엇을 했는가? 보관소에서 허가를 받아야합니다 이것은 확장 가능한 방식으로, 당신은 사용합니다

수준 및 AT 허용 예측을위한 [불가피] 다르게 레인저 레벨 나는 그걸 어떻게 쓰는지에 대해 생각 해낸다 거기에있는 플러그 ALL RIGHT, ANY 너 그렇게 할 수있어 몇달 전에 질문이 있으십니까? 좋은 거래

면제 라이언 노박과 ASVI 팀에서 우리는이 부분들에 대해 많이 말하지 않습니다 가자 NET, VDOT NET 그러나 나는 우리가해야한다고 생각합니다 많은 사용 가능한 확장 패키지 일이 잘못 될 수 있습니다

권리? 그래서 같은 방법으로 사용할 수 있습니다 자, 너는 있단다 INSTANCE SIGNAL R 또는 [INDISCERNIBLE] 당신이 알고있는 시스템, 당신이 만든 뼈대 그럼 너는 할 수있다

매일 한 번씩 많은 클러스터 확장 성이 있습니다 IT는 최고입니다 너 어디서 비난 해? 쉬운 시작 클래스로 가라

위 아래로 내려 AT보고있는 경우 그리고 서비스를 구성하십시오 당신 클러스터는 A의 구성 요소입니다 함께 집을 등록해야합니다 AZURE 서비스의 번치

VM, 저장 장치, 우리가 주목 한 동일한 데이터 클래스들 당신이 그것을 사용하는 이름입니다 및 위에 모델을 만들 때 불러 오기 다중 오픈 소스 있음 그 (것)에게에 경로 인 파일 우리가 만든이 프레임 워크 STEEP FILE 우리가 그걸로 등록 했어 클러스터

일이 잘못 될 수 있습니다 만약 당신은 비슷한 것을 빨리 할 것입니다 구성 요소 중 하나 – IF 주입 사용 객체 가져 오기 예측 시스템에 많은 구성 요소가 있으므로, 그리고 그 (것)들을 가진과 잡아 당기기 및 차가운 계획 신뢰성은 최대입니다 HTTP에서 온 데이터

사례 대부분의 신뢰할 수없는 구성 요소 그게 다야 우리가 보내는 것을 보아라 아래로 오는 이유 SO 계정 이 데이터

ML NET은 굉장합니다 그것 FAILURES를 위해, 당신은이다 진실성에 대한 확신을 표하는 중이다 클러스터 생성 한 번에 한 번 그 문

움직여 그만큼 실패한 클러스터가 될 것입니다 데모 난 너와 함께 보여주고 싶어 올게 구현 및 재시도 API

다른 것은 CICD에 관한 것입니다 논리 수동 저울과 같습니다 및 개발 우리는 이걸 실행했다

위 아래로 내려 당신이 비례 할 때 당신이 생산하기를 원한다면 아래로, 그리고 가끔이 사태 일관된 코드를 유지하려면 상당히 그러니깐 특정 데이터와 함께 모델 로컬 데이터 그리고 너는 움츠 리다

당신이 창조를 기원 할 필요가 있다고 모든 길을 다시 맺어 라 귀하의 파이프 라인 모델의 나는 3 노드 또는 1 노드 클러스터, 오른쪽? 그걸로 데모 할거야 그리고 우리는 해독 중입니다 그래서 나는 그것을 빨리하려고 할 것이다

원래 NODE는 해독 될 것입니다 그만큼 나는 문제에서 시작하려고한다 하나는 당신이 아래로 및 로컬 확장 나는 약간의 숙취가있다 REMAINING에 데이터가 복제됩니다 Linux, WINDOWS의 응용 프로그램 웹 응용 프로그램 NODES

DRASTICALY SCALED 인 경우 API를 사용하고 싶은 곳 하나 노드 아래에 공간이 없을 수도 있습니다 내 친구들의 변화된 데이터 그리고 클러스터는 무언가를 얻을 수 있습니다 설정하고 GitHub로 전환 이름 모드가 안전한 모드로 이동합니다 직접 배포했다

알지 못합니다 어디에 AZURE 에의 시각적 인 스튜디오 인터넷 내 데이터 나는 패닉 상태이며, 거기에는 API가 작동 중입니다 이것은 당신의 URL입니다, 내가 본 몇 가지 단계 APP 서비스를 배포 중입니다

거기에서 벗어나기 위해 잘못된 너는 ML 인터넷이 보일거야 안전에 들어가는 이름 노드 굉장하지만 긍정적 인 9 월 방법 우리가하는 다른 것 선고는 거짓입니다 내가 말하면 너는 규모를 올리고 확장하고있다

음식은 불안정하다 비용을 절감하십시오 우리는 발표했다 틀린 것은 사실입니다 내가 간다

AUTOO SCALE 그래서 너는 떠나야 해 내 건물 파이프로 갈 수 있어요 귀하의 클러스터 확장 실행 데이터는 언제나처럼 보입니다 미국 및로드 또는 일정에 따라 달라질 수 있습니다

게시 됨 오류가 발생했습니다 우리는 클러스터를 축소 할 수 있습니다 그 여기 내가 볼 수있다 엄청난 스케일 우리는 안된다

통과하지 못한 검사 적어도 드디어 100에서 노드로 나는 이것을 고칠 수있다 내가 무엇을 할 것인가? 우리는 엄숙한 패션을합니다 내가가는 코드에서 설명 할 것입니다

그래서 우리는 그렇게 할 수 있습니다 과 제공함으로써 새로운 건물을 불러 오려면 내가 기초 자료를 원하거나 좋은 데이터 세트 그래서 나는 단지 오전 시간 기반 그리고 나서 말하면 이 데이터 세트 복사 중, RENAMING 시간베이스 그러면 우리는 스케줄 A를 사용한다 그것

그럼 나는 그것을 넣을거야 클러스터를 원할 때 특별한 시간 내가 데이터를 가지고있는 곳을 얻는다 아래로 스케일링하고 모니터하십시오 세트 DEMO, PUSH, GOOD DATA SET

이것은 많은 세제 옵션이기 때문에 지금 GitHub에있을거야 우리는 대단히 잘하고 있습니다 그리고 나는 계속해서 구성했다 그리고 너는 덜 문제가 될 것이다 통합 및 배치 그래서 지금 당신의 클러스터가 실행 중입니다

이 건물을 트위터로 이동하십시오 만약 스케일 업 및 나는 내 건축으로 돌아 간다 너는해야한다 축소 고장 함께 여기있어

여기에 시합이 있습니다 너는 클러스터를 만들려고 – 너무 많아 몇 가지 조치를 취할 것입니다 다른 구성 요소 및 구성 요소 몇 분 남았습니다 이 기간 동안 어느 시점에서든 내려갈 수 있습니다

내가 원하는 모든 것의 제일 먼저 일하고있다 RESIS SDIL에 내장되어 있습니다 – 시험에 관한 당신의 코드를 보여주기 위해 취업 규칙이 폐지되면 그것 흥미롭지 이 사건에서 아마도 더 많은 시간을 할애 할 것입니다 테스트 대상 유닛 테스트 노드가 내려 갔으므로 완료하십시오

모델 한 가지 시험은 당신을 할 수 있습니다 하지만 그 일은 그 일에 큰 영향을 미치지 않을 것입니다 이 시험을 여기에서 실행할 수 있습니다 하나의 시험 분배 시스템에서 단순한 테스트를 해봐야 할 것입니다

아래로 가세요 아시다시피, 진술, 부정적인 진술 틀린 방향으로 나아가는 것은 의미심장합니다 틀린 말로 나쁜 것 당신의 시스템으로 만들지 않을 것입니다 문장 또는 부정적인 문장 영향을받습니다

그러나 카스트로프틱 권리는 있습니다 이 같은 이 실패는 발생할 수 있습니다 저장 장치 영화 관람 예정입니다 또는 네트워크 장애가 발생할 수 있습니다

그래서 다른 하나는 틀릴 것입니다 재난 옵션을 계획하십시오 그곳에 다른 시험들도 더 흥미 진진합니다 너는 할 수있는 방법의 무리 다 나는 모델을로드하고있다

재해 복구 일부 자원이 있었어 표시된 계략과 같은 계시록 얻기 우리가 실험실을 걸어 다녔습니다 그리고 나는 이성을 지니고있다 그것을 설정하는 방법

그래서 자원 W80보다 높은 것은 아님 저기 있습니다 그들이 HBASE에 대한 검사를 통과하지 못했습니다 절절하다 HBASE 복제물 가져 오기 및 짓다 너는 또한 할 수있다 수출

그래서 이것은 본질적인 주제입니다 많은 기록을 남김 나는 단지 시간을 보낸다 여기에서 모든 것을 테스트하십시오 소개 – 그러나 나는 추천을한다 이것은 우리가 정확하게하는 일입니다

이 자료는 당신 자신을 만듭니다 건물 안에 나는 그것을 편집하고 싶어한다 그와 함께있는 가족 마지막으로 모니터링 중입니다

당신을 한꺼번에 보여줄 수있는 건물 모니터링에 관해 이야기하기 전에, 건물의 계단 당신은 또한 수 어떤 질문? >> 나는 질문이있다 내가 원하는 새야말로해라 회사 소개 – 그리고 그와 관련하여, 작업 대신 YAML에서 수행하십시오 우리가 이미 HDINSIGHT SET를 가지고 있다면 이리

LEMAHIEU는 (는) 지금 >> 그래서 질문 YAML하지만 다르게 표현하는 것이 더 낫습니다

업무 당신이 필요로하는 건물과 함께 교육 신청서 작성, 모델을 훈련시키고, 우리가 만든다 UNIT 테스트 프로젝트, UNITS 실행 생성 된 파일을 테스트하고 복사하십시오 신청서 작성과 함께 웹 API에 모델 우리가 만든 웹 API 및 마침내 게시 IT 파이프 라인 예술품

가능하다면 그것이 끝나면 가서 보아라 그것 이제 끝내고, 지금 당장 IT가 끝나고 지금은 얼마 안남았습니다 내가 갈 것이라고 두 번 볼거야 테스트를 참조하십시오 그런 다음 시동 및 트리거링 또한 릴리스

생성물 때문에 트리거됩니다 너는이 방출을 볼 수있다 지금 웹 API를 게시 함 내 스테이플 링 환경 두 가지 다른 AZURE APP 서비스 하나는 리눅스에, 하나는 WINDOWS에 있습니다 생산에 나가고 싶으면 나에게 묻는다 그러나이 경우에 나는 가지고 있어야한다

MANUAL APPROVAL 가는 중이다 잠시만 기다려주세요 그것이있는 동안 나는 너를 보여주고 싶다 릴리스 파이프 라인

너 할 수있어 웹에 배포하는 방법 리눅스와 윈도우 용 API 마침내, IT가 완성되면 보자 괜찮아 QA 생산에 이미 게시 됨 승인 참석 중입니다

그때 나는 새로 워진 다 너는 그것의 달리기를 볼 수있다 API 나는이 하나의 진실을 알고있다 게다가

지금은 ML에 대한 찬성 NET은 진정한 AZURE에서 실행됩니다 이 거짓말입니다 그게 다야 고맙습니다

[APPLAUSE] >> 우리는 A를 가졌습니다 많은 텍스트 및 숫자 데이터 유형 너는 이미 아주 좋아한다 함께 일하는 방법 호프 Pully 우리는 정보를 어떻게 추가 할 수 있는지 보았습니다 귀하의 신청서에

지금 나는 가고있다 우리가 미리보기를 어떻게 사용할 수 있는지 보여주기 위해 ML의 특징 INCORPORATE 할 NET 미리 깊이 파고 들었던 PMODELS 응용할 수 있도록 다른 데이터 유형과 같이 작업하려면 이미지 및 음성, 오디오 등 우리는 현재 복용을지지 할 수 있습니다 기저부 유출 물 흐름 모델 그리고 ONYX 모델들

그 녀석들 너는 깨닫지 못하는 너는 우리가 협력했던 오픈 소스 개시 자 포크스는 아마존, 인비디아, FACEBOOK 및 많은 하드웨어 제공 업체 INVIDEA 인텔과 다른 사람들처럼 CROSS 플랫폼 산업 표준 기차 기계 학습 모델 모든 기계 학습 모델 또는 픽처 리, 동부 표준시 CETERA, ONYX로 변환해야합니다 나는 너에게 보여줄 방법을 보여줄 것이다 PRETRAINED TENSER FLOW MODELS 및 MIX 모델을 사용하여 응용 프로그램에 적용하십시오 당신은 아마도 많은 예를 보았을 것입니다

깊은 학습을 어디서 사용 했습니까? 우리는 고전적인 모델을 사용합니다 웹상에서 간단하게 이용할 수 있습니다 다운로드 이 사람은 Yolo를 호출합니다 한번만보세요

그것은 객체이다 탐지 예제 나는 보여주고있다 여기 ASP에서 NET APP 및 SELECT 다른 이미지 및 IT 식별 내가 상자를 맺는 것처럼 결합 상자에있는 것의 가능성 그리고이 정도 확신할만한 수준 실례로 예복입니다

지금 나는 너를 실제로 보여줄 것이다 이쪽은 영상 스튜디오에서 제작하십시오 지금은 ANKIT와 CESAR가 보여준 것과 같습니다 우리가 시작하기 전에 ML 문맥 우리가 가지고있는 것조차도 사전 기계 학습 모델 이 경우에는 ONYX YOLO MODEL, 너는 할 시간이 길어

사전 처리 또는 변형 이를 통해 자료를 제출하기 전에 그 모델 SO ML NET NOT ONLY 교육 맞춤식 기계 학습 모델은 필수 사전 처리 이 딥을 사용하기 위해 필요한 단계 학습 모델 너 먼저 볼 수있어 텍스트를로드 한 것과 같은 이미지로드 시작하기 전에 모델에 맞추기 – 데이터를 예상했던 것과 일치시킵니다

깊은 학습 그래프는 NODE입니다 우리는 이미지의 크기를 조정하려고합니다 픽셀을 추출하고 ONYX 모델은 우리 중고품을 사용합니다 우리가 구한 동일한 예측 모델 간단히 취하는 전에 이미지 데이터 및 반환 결과 이 예측 엔진 완전 소개 모든 다른 준비 단계

이 출판물을 공유 할 수 있습니까? 새로운 물건 패키지와 같은이 다른 유형으로도 사용할 수 있습니다 AZ의 기능과 같은 APPS CETERA 나 또한 너에게 보여 줄게 자신 만의 비전을 훈련 시키십시오 모델

나는 뒤죽박죽 질 것이다 나는 이것을 닫았다 이 남자를 태워주세요 백업 그래서 너를 보여줄거야

무언가를 창조하는 것을 창조하는 방법 PRETRAINED를 사용하는 모델의 모델 TENSER FLOW 모델을 귀하가 원하는 항목에 대한 파이프 라인 프로세스 식료품 점 찾기 테니스 요령 모델은 매일 같이 좋아했습니다 자전거와 차들과 사람들과 물건 그것처럼 우리는 기법을 사용하여 호출 과외 학습 IT가 모두 차지한다

너가 배운 지식의 누군가 한 번 문맥 상으로 5 월을위한 모델 훈련 많은 일과 많은 일과 많은 일 DATA of 그걸 너의 계부로 사용해라 NET PIPELINE 및 TRAIN 다른 모델 너의 일에 특별하다 에서 이 경우 나는 한 뭉치를 사용했다 식료품에서 다른 데이터 때로는 그 모델을 훈련 시키십시오

좋은 평판 좋은과 때가 있습니다 이것처럼, 음, 모르겠다 IT가 소다인지 아닌지, 소다의 깡통 중 일부 소다의 유형은 많은 병을 보입니다 주니어가 모델을 얻을 수 있을지 모르겠다 약간은 혼란 스럽지만 그만한 가치가 있습니다

정확히 읽으십시오 이것은 하나의 정의이다 주스 이 사람은 커피, 케이크, 등등 이 기계를 훈련 시키려면 학습 모델, 우리가 할 일 우리는 여기저기서 에너지가 넘을 것입니다

우리가 SQL에서 로딩했을 때처럼 서버에 연결하기 전에 어떤 종류의 데이터 소스 로드를 사용하고 싶습니다 ENUMERABLE에서 이 경우 나는 모든 사람에게 나타납니다 우리가이 안에 들어있는 이미지들 다른 폴더 너도 볼 수있어

나는 클래스마다 하나의 폴더를 가지고있다 케이크, 수채화, 캔디, 시리얼, 동부 표준시, 등등 나는 훈련의 무리가있다 여기에있는 이미지 지금은 끝이야

오늘의 나는 여기에 있었다 나는 커피에 대해 생각하고 있습니다 이 우리의 새로운 훈련을위한 입력입니다 모델 이 부분을로드하려고합니다

쪽으로 IT를 통해 IT가 진행될 것입니다 이들 다시로드 될 것입니다 이미지, 수정, 추출 픽셀과 여기에 우리가있다

TENSEORFLOW 모델을로드합니다 그러면 우리는 추가 다중을 훈련하게 될 것입니다 CLASSSIFIER 위에 그 클래스 CLASSIFIER 템포 플로우의 출력을 사용하여 모델은이 분류 층에 입력하십시오 마침내 우리는 ZIP 파일은 당신이 전에 봤던 것처럼 우리가 이걸 실행할 때, 나는 싣았 어

단지 속도를 향한 시간의 흐름 목적 우리는 다시 ITERATE 오버 다른 모든 수업, PRINTOUT 이 중 하나를 각각 어떻게 샘플링 할 것인가? 수업 모델이 예측되지 않는다면 그 수업 중 하나는 물론, CESAR (선생님) 께서 당신을 초라하게 보여 주셨습니다 당신은 당신의 데이터를 붕괴시킬 필요가있을 것입니다, 귀하의 코드를 거부하지 마십시오 추가 할 수도 있습니다

하나의 추가 사진 더 많은 샘플을 얻으려면이 폴더 그 중 하나의 수업 그때 우리는 TENSORFLOW 모델을로드합니다 CLASSIFIER를 훈련시킨 후 출력 우편 번호 ANKIT처럼 보였습니다 당신은 선관위 선출을 앞두고 있습니다

METRICS, 품질 평가 점수 조심스럽게 실행 한 다음 실행합니다 점수를 받기위한 샘플 여기 또는 뒤쪽에서 명령 행 유니트는 당신이 전에 소중히 여기는 힘을 테스트합니다 게다가 그래서 우리는 한 움큼 이상을 ITERATE 테스트 폴더에있는이 이미지들 중 기차 폴더 대신 당신 테스트를 확실히하고 싶습니다

이미지는 커딩으로 모델링되었습니다 그렇지 않으면 너는 적합 할 것 같은 훈련 나쁜 결과를 초래할 모델 나는 이 사용 AZURE 개발을 게시 할 수 있습니다 그 경로를 따라 내려갔습니다 내가 원하는 약간의 세부 사항으로 이동하려면 다른 주제를 다룹니다 모델 설명력

이 내용 해석하기 기계 학습 모델이 유용 할 수 있습니다 교활한 당신이 많이 기뻐요 테스트 방법에 익숙하지 않은 가족 지원서 기계 검사 학습 모델은 매우 유용 할 수 있습니다

설명 누군가가 그 일을하는 방법 네가 소리를내는 길은 정당하다 트릭커 상당한 표준이있다 그 산업 분야의 기술 이걸 할 수있게 해줘 너 할 수있어

모델을 설명하고 디버그하지만 내가 아는 것보다 더 많이 중요하다 산업 분야에서 일하는 곳 규제 요구 사항 IT는 재무 또는 건강 관리 또는 선반 시간이 지나면 그들은 안할거야 생산에 선적하게하십시오 당신이 무언가를 털어 놓을 수 없다면 어떻게 작동하고 왜 작동하는지 설명하기 너는 좋다고 믿는다

추가 여기 마이크로 소프트에서 많이 사용합니다 시간과 에너지의 데이터 세트는 우리의 기계와 함께 사용합니다 학습 모델은 정당하지 않다 노출되지 않으므로 도구를 사용할 수 있습니다 이 자료를 발견하고 모델이 예측하는 이유를 이해하십시오

그것이하는 방법 너는 결정할 수있어 당신이 사용하는 특성이든간에 그 정보는 그 정보가 아니어야한다 IT는 나이, 성별 또는 많은 것입니다 모델이 실제로는 안된다

부적절한 계정으로 가져 가기 타임스 둘 중 하나를 통해 실행 세계적인 데이터 세트의 두 종류 또는 특정 예측에 대해서 ML을위한 다른 기술들입니다 NET이 숨어있는 것을 가능하게합니다 건강 관리의 예를 보려면 여기를 클릭하십시오 당신이 품질 평가 점수를받는다면 얼마나 건강한가, 너는 82 퍼센트의 건강이 있습니다

그들은 아마 내가 닮은 것 같아 부도, 뭐라구? 너는 원할거야 설명을 되 돌리는 방법 또한 여기에 특징이있다 너는 개선 할 수있다

이것이 왜 100 퍼센트가 아니라는 것을 예측했습니다 건강한 권리? 당신이 디버깅 할 때 모델, 너는 모두를 볼지도 모른다 이해할 수있는 데이터의 데이터 기능의 배포 그들의 상대적 중요성 그 모델 훈련 나는 가고있다

당신이 정확히 어떻게 할 수 있는지 보여주기 위해서 그걸 ML로해라 그물 그래서 나는 가지고있다 엄청난 팬이 되라 응용 프로그램을 즐겁게 나는 그렇지 않았다

잠시 동안 그랬다 하지만 당신은 할 수 있습니다 뉴욕시 택시를 사용하십시오 운임 데이터 세트 아주 간단합니다 이해할 수 있도록 설정된 데이터

대부분의 포크 전에 택시를 이용하십시오 그곳에 이 데이터에있는 데이터는 같은 길의 길이처럼 거리와 시간의 거리 그것이 현금이든 지불 한 사람 신용 카드 또는 기타 기능 잘 우리가 할 수있는 여행 기반에 테스트 데이터 설정 ANDITIER 불러 오기 다양한 기능에 대한 평가 이 특별한 모델에서 왜 그게 기분이 좋을지 예측 했어 10 달러 야 여행 거리가 컸다

이 중요한 관계의 중요성 다른 사람에게 이 중 일부는 여행과 같은 다양한 기능 시간과 경로의 차이점은 근본적으로 다릅니다 모두 중요합니다 가끔 이 특별한 여행에 잘 가라 여행 시간은 조금 더 많았습니다

주행 거리보다 나는 오직 할 수있다 누군가 CAB 드라이버를 가졌다 고 상상해보십시오 가고 기다리는 동안 기다려라 가방과 같은 것

그들 대기 수수료 부과 가지 마라 지금까지와 마찬가지로 그것은 교통이 어려웠을 것입니다 나도 몰라 각 개별 예측 당신은 이해를 얻을 수 있습니다 왜 그렇게했는지 그게했다

우리가해야 할 일 여기에있는 데이터는 우리가 가지고있는 것과 같습니다 우리가 짐을 싣기 전에 데이터 우리는 어떤 변형을 할 것입니다 한 번의 뜨거운 인코딩 및 표준화와 같은 우리가 훈련 할 때의 데이터 비트 우리가 할 수있는 모델은 하나의 마지막 것을 추가 할 수 있습니다 미래 공헌을 계산하려면 여기를 누르십시오

미래 공헌자 계산 설명은 무엇이겠습니까? 모델이 왜 그랬는지 그랬지 추가 때 우리는 이 모델 만 교육하면 안된다 특정 단계를 포함하지만 우리는 또한 실행할 수 있습니다 – 우리는 할 수 있습니다 테스트 데이터 세트를로드하십시오 우리는 할 수있다

어떻게 변신하는지 확인하십시오 데이터 한 번의 뜨거운 인코딩에 대해 이야기했습니다 그리고 NORMALIZATION 이것은 무엇인가 컴퓨터가 실제로 본다

이 개별 1 및 0 많은 즐거움이 있습니다 우리는 도표를 칠 수있다 관계의 종류를 나타내는 그 사이에 NET PREDICTED 실제적으로 얼마나 잘 수행되는지에 대한 것입니다 내 표가 오지 않아

이유 괜찮아 너는 보았다 예 수가 많아요 호프 Pully 당신이 이해하고있는 것을 어떻게 모형이 능력을 설명 할 수 있는가? 디버그를 통해 단계를 도와주세요

코드, 귀하의 모델 및 이해 설명 할 수있는 귀하의 데이터 그들이 신뢰해야하는 다른 사람들에게 그것 우리가 우리의 힘에서 어디로 갔는가? 여기에 슬라이드 괜찮아 아름다운 그래서 너를 고맙게 생각하고 싶다

그만큼 ML에 여섯 번 NET에서 0 1 마지막 1 오늘까지 지어지는 0 환상적인 환상 거기있다 다운로드의 전체 번치, 전체에서 커밋의 전체 뭉치 지역 사회에서 사람들의 무리

정말 환상적 이었어 너와 함께 모든 것을 만들어라 기계 학습 모형 프레임 워크 FOR NET 개발자 거기있다 그것을 사용하는 고객의 수 생산 오늘날 훌륭한 결과를 얻으십시오

IT를 쉽고 간편하게 만들 수 있습니다 그들의 기계 학습 그물 AZURE와 같은 응용 프로그램 NET 응용 프로그램 자동화 기계 호화로운 학습 능력 배우기 너를 시작하게하는 큰 방법이다

우리 모두가 좋아해요 고객 나는 이것을 알지 못한다 기계 학습 스터프가 최고 일 수 있습니다 교활한

공구는 MHELP를 사용해야합니다 더 편하게하십시오 우리는 가고있다 정기적 인 선적을 계속하십시오 우리의 지속적인 개선을 위해 우리가 지금까지 말했던 능력 모델 제작자와 같은 사람들 중 일부 자동 기계 학습 스터프 (AUTOMATED MACHINE LEARNING STUFF) 미리보기 권리가 있습니다 우리는 그것을 향상시키고 그것을 얻으려고 노력하십시오

조지아 우리는 귀하의 피드백을 신속하게 원합니다 가능한 한 오늘 나가보십시오 우리는 기차를 편하게 만들 것입니다

AZURE에서 IT 지원 및 지원 기계의 새로운 유형의 작업을 위해 배우기 우리는 당신의 시나리오를 듣고 싶다 정확히 우리가해야 할 것을 제시하기 위해 누출의 다음 세트에 포함됩니다 오늘 시작하십시오 NET / MR

우리가 도와 줄 부두로 나가라 너는 너를 달성하는 방법을 설명한다 기계 학습 목표 행복 코딩 YA'LL을 정말로 추천합니다

오늘 밤 늦게까지 거기에 머물러 라 나는 앙키와 세사를 고맙게 여기고 싶다 잘된 시간 IT가되었다 환상적인 모든 작업 계속 진행하기

[박수 갈채]

Mapping Electricity Infrastructure with Deep Learning

대단히 고마워요, 카일 나는 웬델이고, 나는 Nicholas School의 석사 과정 학생 에너지 및 환경 연구 우리 팀원들과 저는 오늘 이곳에 오게되어 매우 기쁩니다

작년에 우리의 일에 대해 말해주었습니다 나는 그들이 그들 자신을 소개 시작하게 할 것이다 벤과 네, 안녕하세요 내 이름은 벤 알렉산더 야

나는 공부하고있다 나는 주니어 공부를하고있다 통계 및 컴퓨터 과학 안녕하세요, 나는 수학 및 철학을 공부하는 2 학년 후 아츠입니다 안녕하세요, 저는 Varun Nair입니다

나는 2 학년 공부하고있다 컴퓨터 과학 및 수학 안녕 모두 나는 린 주오이고 나는 중학생이다 통계 및 컴퓨터 과학 환상적이어서 우리의 작업은 전기 인프라를 파악하기위한 심층 학습 모델을 훈련하고 전기 액세스에 도움이되는 항공 사진

이 첫 번째 섹션에서는 우리가 손에 들고있는 전기 액세스의 배경을 알려줄 것입니다 정말로, 전기 액세스 계획이 어떻게 수행되고, 그런 다음 우리의 깊은 학습 방법은 실제로 더 큰 파이프 라인에 맞을 수 있습니다 그래서 첫 번째 전기 액세스 이 전체 프로젝트를 배경으로 한 것입니다 전 세계적으로 10 억 명의 사람들이 있습니다 전기에 대한 접근성이 부족하여 복지, 사회적, 경제, 개발

몇 가지 히트 홈 포인트가 조금 있습니다 전기에 대한 접근성 증가, 산모 사망률 증가 요금이 감소합니다 마찬가지로, 전기에 대한 더 높은 접근성을 가진 교육적 성취 달성 그리고 빈곤에 대한 척도는 전기와 함께 감소합니다 전기 액세스가 증가합니다

상관 관계가 있지만 희망 사항으로 이 문제를 해결하기위한 긴급 성 이제 저는 기어를 이야기로 옮기려고합니다 전기 액세스 계획자가 지상에서 어떻게 도전하고 어떻게 대응할 것인가? 그러한 도전에는 다음이 포함됩니다 먼저,이 문제의 규모는 잘만되면 꽤 분명하다 두 대륙에 걸쳐 약 10 억 명의 사람들

너 압도적으로 농촌 인이 실제 인구를 살펴보면 도전의 추가 요소 그래서 우리는 오른쪽에있는이 도표를 봅니다 앙골라는 인구의 약 60 %가 농촌이다 그 인구의 약 3 %만이 전기를 이용할 수 있습니다 도시 인구의 약 50 %가 접근 할 수 있습니다

그리고이 추세는 여기 보이는 나라들 중 많은 사람들에게 진실입니다 기획자를위한 질문 : 당신은 어떻게 이들에 대한 접근을 확장합니까? 압도적으로 농촌 인구가 넓은 토지에 퍼져 있는가? 그리드 또는 오프 – 그리드 기술이 이러한 과제에 더 잘 맞습니까? 이 문제를 해결하기 위해 전기 액세스 최적화 툴킷이 있습니다 이 툴킷은 그리드 및 오프 그리드 전력 솔루션의 실현 가능성을 살펴 봅니다 수력, 태양, 바람을 사용하는 마이크로 그리드와 같이 연구 지역의 100 %까지 접근 할 수 있습니다 그래서이 경우 세계 은행의 팀은 잠비아와 전기 인프라를 사용하여 이러한 연구를 수행했습니다

이 어두운, 검은 색 / 녹색 선을 여기에서 볼 수 있습니다 그들은 고전압 전송을 나타냅니다 타워 및 전원 라인 다른 지형 공간 데이터와 함께 지도의 모든 부분에 대한 최소 비용 경로를 결정하십시오 그래서 그냥 풀다

이지도는 조금 더 있습니다 : 북동쪽에 밝은 노란색이 보입니다 가정 규모 태양계에 대한 권장 사항은 남서부의 대부분은 진한 노란색으로 지역 사회를 대표합니다 대규모 태양 광 미니 그리드 솔루션을 제공합니다 그리고 전송 인프라를 따라 추천 그리드 확장이 표시됩니다 따라서 그리드 확장이 명확합니다

그리드 인프라 스트럭처 자체의 데이터 가용성에 의존하며, 놀랍게도 얻기가 어려울 수도 있고, 개발 중에는 존재하지 않을 수도 있습니다 국가 우리는 전기 인프라가 어디에 있는지 알지 못합니다 그리드 확장이 이러한 모집단에 적합한 옵션인지 확인하십시오 우리 팀 원격 감지 데이터에 현대 컴퓨팅 기술을 사용하면 우리가이 정보 격차를 메울 수있는 위성 이미지 이 인프라를 자동으로 식별합니다

이제 너에게 줄거야 또 다른 큰 그림은이 프로젝트의 목표를 보았습니다 그것은 개념적 파이프 라인입니다 따라서 한 지역에 대해 고해상도 이미지가 있다면 전송 및 분배 타워를 식별 할 수있는 컴퓨터 모델이 있어야합니다 이 경우이 작은 파란색 탑 또는 블록은 유통 네트워크 및 한 번 더 큰 것을 나타내는 이러한 마젠타 전송 타워

그런 다음이 데이터를 지형 공간 데이터로 반환 할 수 있습니다 정책 입안자, 기획자, 아마도 비슷한 모델링을 사용하는 사람들에게 넘겨 줄 것이다 그러나 나는 잠비아의 나라를 위해 묘사했다 우리의 연구는이 센터에 초점을 맞추고 있습니다 단계 : 식별 할 수있는 심층 학습 모델을 만들고 교육 인프라 자체

그래서 우리는 추상적 인 의미를 발견 할 수있는 능력 때문에 깊은 학습을 선택했습니다 이미지 너에게이 감각을주기 위해서 – 나는 잡초에 들어 가지 않을거야 깊은 학습을 설명하면서 – 깊이있는 개념적 이해 학습 작업은 다음과 같이 진행됩니다 얼굴과 이미지를 식별하십시오

먼저 얼굴이있는 이미지의 큰 데이터 세트가 필요합니다 모델을 훈련시켜 중요한 기능을 배울 수 있습니다 배우는 것 작은 시작 계층 적 모델이기 때문에 작아지며 작동합니다 이미지에 점점 더 많은 추상적 인 구성 요소가 올라감에 따라, 통찰력 거기에 얼굴이 있건 없건간에

따라서이 다이어그램을 통해 처음으로 걷는 것은 모델의 레이어를 사용하면 모델에서 작은 모서리, 점 및 나중에 사용되는 이미지 자체의 커브 모델 좀 더 추상적 인 기능을 결정합니다 이 경우에 당신은 눈, 코, 입의 특징을 생각할 수 있습니다 그러나 비판적으로 우리는 모른다 모델을 알지 못하면 어떤 기능이 중요한지 알 수 없습니다

모델 이것을 스스로 결정합니다 이후 레이어는 이러한 중간 레이어 기능을 결합합니다 실제로 무엇을 결정하고 정확하게 얼굴을 식별 할 수있게합니다 과 비판적으로 모든 사진에 보이지 않는 사람들의 얼굴을 식별 할 수 있습니다 무엇이든간에, 이것은 실제로 추상화의 힘입니다

깊은 학습 모델 깊은 학습은 넘어 간다 인식, 또 다른 흥미 진진한 분야와 응용 프로그램은 자동차를 운전하는 것입니다 이 예제는 다음과 같은 객체의 수를 감지 할 수있는 모델을 보여줍니다 안전 운전 소프트웨어 소프트웨어 시스템과 관련이 있습니다

그래서, 우리의 도구에서 실제로, 또는 일은 실제로 그것에 더 많은 물체 탐지 구성 요소를 가지고 있습니다 이 간단한 2 진 분류 이것은 Varun이 더 설명 할 수있는 것입니다 그래서 다음 섹션에서 그래서 웬델이 당신에게 정확하게

왜 정확히 깊은 학습이 적합한 접근법 일 수 있는지 살펴 보겠습니다 우리가 학기 동안 취한 접근법 중 일부에서 처음에는 바이너리 분류 접근법을 사용했고, 우리가 한 조각의 이미지에서 알고 자하는 접근법 : 에너지 조각이다

인프라가 있습니까? 이 네 가지 예제에서 우리는 모델에 인프라 구조가 있음을 알릴 수있는 모델 2 개의 이미지가 남았고 오른쪽에 인프라가 없습니다 그러나 이것은 아닙니다 우리가 에너지 인프라의 본격적인지도를 생성 할 수있을 정도로 충분합니다 우리가 사람들에게 할 일은 우리가 이미지의 조각을 정확히 알아야한다는 것입니다 인프라 스트럭처가 거짓말을하고,이를 위해 우리는 객체 탐지가 필요합니다

그래서 우리가 동일한 4 개의 이미지를 찍으면 실제로 객체 감지 모델을 사용할 수 있습니다 이번 학기의 프로젝트에서 실제로 사용했던 다양한 유형의 인프라를 볼 수있는 주변의 경계 상자 영상 여기에서 볼 수 있듯이 왼쪽의 두 이미지에서 우리는 실제로 주위에 상자를 그렸습니다 다른 유형의 에너지 인프라를 볼 수 있습니다 그리고 중요한 것은 여기에이 이미지에서 두 개의 상자가 있습니다

두 개의 상자가 있기 때문입니다 인프라가 있습니다 상자가없는 이미지의 경우에도 마찬가지입니다 우리는 모델이 그곳에 무엇이든 그리는 것을 원하지 않습니다 이것이 우리가 앞으로 나아 가기 위해 사용하는 첫 번째 단계입니다

이미지 인프라가 어디에 있는지 정확히 알려줄 수 있어야합니다 궁금하신가요? 우리는 어디에서 우리의 모든 데이터를 얻고 있습니까? 그럼 우리 데이터가 취해졌고, 이전 Data + 프로젝트의 일부로 컴파일되고 모두의 이미지가 포함되어 있습니다 세계 특히, 우리는이 네 가지 위치에 집중하여 여길 봐 주로 다양한 지역을 대표하기 때문에 데이터 집합에 엔티티 예제가 많이 포함되어 있기 때문입니다

그 데이터가 정확히 무엇인지 알기 위해 다음과 같은 일반적인 에너지 인프라 파이프 라인을 고려하십시오 에너지가 발전소에서 생성되고, 그 다음에 스케일 업되어 전송된다 전송 타워에 의해 장거리를 가로 지른 다음 축소 및 주거, 상업 및 산업체에 유통 네트워크 지상보기에서 우리는 모두 그 이렇게 생겼어 그 전에 변전소를 본 사람이 없다면 실제로 그로스 홀 (Gross Hall) 바로 뒤에서 표시 공중보기에서 이것이 우리가하는 것입니다

우리 팀은 더 친숙합니다 보고있는 이 세 가지 유형의 인프라는 공중 관점에서 보일 수 있습니다 그리고이 데이터 세트 실제로 경계 상자 주석을 포함하고 있습니다 인프라 유형이 거짓말 거기에 그려지는 경계 상자의 세 가지 유형

특별히 선택한 우리의 프로젝트 당신이 여기서 볼 수있는 후자의 두 가지에 초점을 맞 춥니 다 주로 대부분의 예제는 데이터 집합에 포함되어 있습니다 그래서 우리는 우리가 밖으로지도 할 수 있다면 우리가 할 수있는 전송 전송 인프라의 대부분은 변전소가있는 곳을 외삽합니다 그걸로 내가 아즈시에게 넘겨 줄거야 우리가 조사한 연구 질문에 대해 더 많이 이야기 할 것입니다

동료 인 Wendell과 Varun은 무엇이 작동하고 있으며 무엇이 우리의 데이터 세트인지 소개했습니다 이제는 조금 더 확대하고 특정 연구 질문에 대한 답변을 확인하십시오 조사 중 우선, 우리는 심화 학습 학습을 알고 있으며, 포함 된 데이터 세트 예 : 자동차, 의자, 고양이 그리고 평범한 일상 생활을 보았습니다

그러나 우리는 100 % 데이터 집합에서 작동한다는 것을 확신하지 못했고 우리의 데이터 세트 그러므로 첫 번째 연구 질문은 우리의 데이터 세트에서 가장 좋은 모델은 무엇일까요? 두 번째 연구 문제는 매우 다른 지역의 데이터 세트를 어떻게 처리 할 것인가입니다 특히 이전에 소개 한 바와 같이 전기 농촌 지역과 저개발국의 접근 상황 그만큼 우리가 훈련을받을 수있는 결과 해당 지역의 경우 교육 데이터가 줄어들 것입니다 이상적으로 기존 데이터를 다듬어 모델을 만들 수있었습니다

다른 지역을 일반화한다 그래서 우리의 희망은 우리 모델이 generalizable, 그러므로 우리는 실험 할 것입니다 – 다른 지역을 특징으로하는 데이터 세트로 실험을 수행하십시오 예를 들어 어디에서 애리조나 데이터 집합에 대해 훈련 할 수 있으며 얼마나 잘 될지 알 수 있습니다 노스 캐롤라이나 데이터 세트에서 예측 그리고 우리가 직면하고있는 다음 문제가 있습니다 우리는 세계의 많은 지역에서 고해상도 이미지를 얻지 못할 수도 있습니다 고해상도 이미지는 얻는 데 실제로 비용이 많이 들며 여기에 서로 다른 해상도의 이미지가 보이는 예입니다

015 미터 해상도 이미지는 10 미터 해상도 이미지로 매우 비쌉니다 공개적으로 사용할 수 있습니다 그래서 분명히 우리가 낮추면 이미지, 얼마나 많은 힘이 얼마나 성능이 떨어지며 무엇이 우리가 잘 수행 할 수있는 모델을 얻기위한 결의안에 대한 요구? 다음으로 저는 Ben에게 방법에 대해 이야기 할 것입니다

이제는이 주제가 왜 중요한지, 우리가 왜 그 주제에 대해 노력하고 있는지 살펴 보았습니다 우리가 답하려고하는 구체적인 연구 질문 중 일부를 보았습니다 우리가 사용해온 구체적인 방법 중 일부를 조금만 살펴보십시오 지난 몇 학기 동안이 많은 질문에 답할 수 있습니다 그럼 먼저 시작하겠습니다

전반적인 파이프 라인에 대한 고차원적인 개요와 함께 우리는 그것을 통해 좀 더 자세히 설명합니다 그러나 전체적으로 우리가해야 할 첫 번째 단계는 이미지 처리 몇 분 전에 데이터 세트에 대해 많이 들었지만 데이터를 특정 방식으로 준비해야만 준비가 될 것입니다 훈련 모델 첫 번째 단계는 처리입니다

둘째, 우리는 우리가 방금 전처리 한 이미지를 사용하여 실제 모델을 훈련 시키십시오 교육을 마친 후 우리는 모델 테스트를 통해 모델의 성능을 평가할 수있었습니다 훈련되지 않은 이미지 테스트 세트 그래서 모델은 절대로 없었습니다 전에 봤어

그런 다음이 세 단계를 완료하고 모델을 만들었습니다 우리는 행복합니다 그리고 우리는 평가했습니다 우리는 그리드 네트워크를 우리가 실제로 공부하려고하는 분야 그리고 나서 우리는 이 정보는 정책 입안자와 다양한 그룹에게 필요합니다

원인 그래서 이것은 다시 한 번 높은 수준의 개요이지만 약간 더 자세히 살펴볼 것입니다 초기 이미지 처리에 대한 세부 정보 앞에서 언급했듯이 우리는 원래 다양한 출처에서 수집되었으므로 정확히 교육에 필요한 올바른 형식 또한, 나는 당신에게 우리가 훈련 준비를하기 위해해야만했던 주요 사항은 이미지를 만드는 것이 었습니다 더 작다

보시다시피 원본 이미지는 매우 큽니다 그들은 10,000 픽셀로 10,000 개입니다 실제로는 꽤 큰 이미지입니다 그래서 문제는 그것이 깊은 학습 모델을 훈련 할 때, GPU 또는 그래픽 처리 장치라고하는 특수 하드웨어를 사용하려면 일종의 다양한 행렬 연산을 위해 실제로 최적화되어 있습니다 핵심 운영에는 5 가지 심층 학습 모델이 필요했습니다

이 이미지들을 맞추기 위해서 GPU의 메모리 요구 사항을 초과하지 않아야합니다 우리는 잘라야 해 이 큰 이미지는 오른쪽에있는이 작은 패치로 512 x 512 픽셀 그리고 한 가지 다른 점은 우리가 패치를 덮어 썼다는 것입니다 당신이이 이미지를 잘라서 물건이 생기는 것을 막으려 고 할 때 약간 패치의 가장자리를 자르십시오

따라서 일단 데이터를 준비하면 모델 훈련을 시작하십시오 깊은 학습을 훈련하는 방법 모델 작업은 데이터를 가져 와서 모델로 가져 오는 것입니다 이 데이터를 모델에 보내면 이미지를보고 패턴을 찾습니다 찾고있는 객체의 유형과 연관되어 있다는 것을 의미합니다 예를 들어, 이 변속기 타워가 여기 있습니다

그래서이 경우에이 이미지를 먹여서 모델을 가져 가면 모델이 당신이 뽑은 곳을 둘러 볼 것입니다 그것은 전송 타워에서 그리고 그것은 픽셀에서 패턴을 배우기 시작할 것입니다 여기에서는 이러한 특정 패턴에서 종종 이러한 유형의 회색 선이 표시됩니다 종종 전송 타워와 관련되어 보인다

흥미롭게도, 그들은 그림자 같은 것들 그래서이 경우 실제로 그림자를 보는 것은 더 많은 것일 수 있습니다 상자에있는 부분보다 유용합니다 왜냐하면 그림자 종류가 실제로 슬라이드에서 본 전송 타워처럼 보입니다 몇 슬라이드 전에

나는 그와 같은 다른 단서를 주울지도 모른다 유사하게, 그들은 배경에서 배울 수도 있으므로 여기에는 아무 것도 없으므로 실제로는 그것이 대상인지 아닌지를 배우는 것뿐만 아니라 이러한 것들이 그 모양은 갈색과 비슷합니다 아마 타워가 아닙니다 이 이 모델은 웬델과 동일한 유형의 물건입니다 그것에 대해 이야기하는 것은 모든 종류의 정말로 흥미 진진한 것들에 사용되는 것입니다

자가 운전용 자동차 및 그 밖의 다른 유형의 것들이 있습니다 이것은 단지 동일한 유형의 기술이지만 위성 이미지 및 항공 이미지에 적용됩니다 모델을 훈련하고 나면 모델을 평가하여 모델을 평가할 수 있습니다 그 일을 잘했다 일련의 테스트 이미지는 우리가 따로 설정 한 이미지 다

처음에는 의도적으로이 이미지를 훈련하지 않았으므로 모델은 그것을 본 적이 없을 것이다 그런 다음 우리가 테스트 할 때 일종의 공정한 것입니다 비교 그것은 전에 그것을 보는 것으로부터의 어떤 지식도 가지지 않고있다, 그것은 아주 새롭다 따라서이 경우 우리는 모델에이 이미지를 기본적으로 제공했습니다

우리는 "훈련을 받았으니이 이미지의 탑은 어디에 있는가?"라고 말했습니다 이 경우 모델은 바로 거기에 세 개의 탑이 있다고 말했습니다 그런 다음 모델에서 나온 라벨을 가져 와서 큰 이미지의 원래 좌표 그래서 우리는 다음 단계로 나아갈 수 있습니다 이 성능을 평가하고 있습니다

우리가 이전 슬라이드에서 보았을 때, 우리가 모델의 산출물을 가지고 나오면 당연히 그것을 볼 수 있습니다 이 경우에는 꽤 좋은 일을 한 것처럼 보이지만 우리는 실제를 생각해 내십시오 우리는 어떻게 더 정량화 할 수있는 더 엄격한 방법을 찾고 싶습니다 모델이 실제로 한 일의 좋은 점 그래서 우리는 이것을위한 척도를 디자인했습니다

이 매개 변수가 작동하는 방식은 각 타워에 대해 타워가 반경 225 미터 이내 인 경우 올바르게 식별되었습니다 진정한 타워의 중심 그래서 명확하게하기 위해서 – 이걸 보자 여기

그래서 원의 중앙에있는이 하얀 점은 진정한 타워 당신이 이미지를 볼 수있는 것 이 경우 우리는 이 녹색 상자가 여기에 있기 때문에 이것이 정확하게 식별되었다고합니다 모델이 확인한 탑 우리는 그 타워가 반지름 안에는 실제 탑의 원이 있습니다

그때는 올바르게 식별되거나 진실한 긍정 유사하게, 여기서 우리는 위음성 또는 여기에 분명히 타워가 있기 때문에 누락 된 감지가 있지만 모델에는 거기에는 아무 것도 레이블이 없습니다 그리고 나서 여기에 거짓 긍정이 있습니다 그 모델이 거기에 타워가 있다고 말했지만, 분명히 거기에 탑 그래서 일단 우리가 각 탑이 확인되었거나 놓친 지 결정하면 정밀도와 리콜을 계산할 수 있습니다 공통적으로 사용되는 측정 항목은 무엇입니까? 이 유형의 작업에 사용됩니다 정밀도는 올바르게 표시됩니다 예측 타워의 수에 대한 예상 타워 및 리콜은 정확하게 예측 된 타워의 수 또는 실제 타워의 수

그래서 조금 더 직관적 인 것은 정밀도가 기본적으로 우리에게 모델이 말한 것들은 얼마나 많은 타워가 실제로 타워입니까? 그리고 리콜은 실제 능력에 대해 말하고 있습니다 모델 찾을 수 있습니까? 그래서 당신은 그들이 둘 다 매우 중요한 것들임을 알 수 있습니다 약간 다르지만 마음에 두어야 할 주요 사항은 정밀도와 리콜이 가능한 한 커야합니다 그것은 가능한 한 하나에 가깝다는 것을 의미합니다 또한 PR 곡선의 예를 보여주기 위해 이것은 정밀 리콜 곡선입니다

이것은 정밀도와 리콜을 시각화하는 방법입니다 여기 이상적인 성능 목표는 내가 전에 언급했듯이 완벽한 성능을 발휘할 수있을 것이다

정밀도와 높은 리콜 이 경우에 당신이 알고있는 것을 의미합니다 수직 방향으로 그리고 멀리 오른쪽으로, 그래서 완벽한 성능을 것입니다 그곳에 있지만, 실제로는 결코 현실적으로 일어나지 않을 것입니다 좀 더 현실적인 곡선은이 파란색 선과이 빨간색 선처럼 보입니다 그리고 다시 나는 오른쪽 상단으로 가면서 언급 한 것이 더 낫습니다

이 경우 파란색 선 성능 측면에서 빨간색 선보다 더 나은 것으로 간주됩니다 나중에 우리가 볼 때 특히이 PR 커브들을 볼 것입니다 우리 실험의 결과를 조사 당신이 그것들을 볼 때 염두에 두어야 할 주요 사항은 오른쪽 상단이 더 좋습니다 좋아, 마지막으로 일단 우리가 가진 모델을 얻으면 훈련을 받았고 우리가이 공연에 만족한다고 말하면 그리드 네트워크를 식별합니다

여기에는 우리가 연구하고 모델을 통해 먹이를주고 자하는 위치, 타워가있는 곳을 알려주고, 그 다음에 우리는 그 라벨을 가져갈 수 있습니다 그것들을 출력하여 지형 공간 데이터로 변환합니다 그러면 어느 쪽을 향하게 할 수 있을까요? Google Maps와 같은 모양으로 보이지만, 위에 표시된 타워가있는 그런 다음 정책 입안자에게 편리한 형식으로 제공 될 수 있습니다 누가 모델의 결과를 볼 준비가 되었습니까? 어떤 모델이 우리의 문제에 가장 잘 맞는지 봅시다 무엇이 최선인지 알아 내기 위해 우리 모델에 대한 모델을 만들려면 데이터를 최대한으로 볼 수 있어야합니다

그래서 우리는 그 중 3 가지를 훈련 시켰습니다 : 빠른 R-CNN, YOLOv2 및 RetinaNet 그리고 이것들은 정말 훌륭한 성능을 제공하는 세 가지 모델입니다 보다 보편적으로 사용되는 데이터에서 테스트됩니다 그래서 우리는 이 세 가지 모델에 대한 실험과 우리가 가지고있는 모든 이미지 피드 미국 전역의 4 곳 그래서 모델로부터 우리는 우리의 테스트 이미지에 대한 우리의 예측을 수행하십시오 여기에는 두 가지 예가 있습니다

어떻게 모델이 수행하는지 따라서 이미지에서 오른쪽의 이미지를 볼 수 있습니다 둘 다 모두 세 모델 모두 전송을 식별 할 수 있습니다 타워

그러나 우리는 우리에게 "아니, 3 가지 모델 모두 똑같은 능력이있는 것은 아닙니다 "예를 들어, YOLO 버전 2가 단지 왼쪽의 이미지에서 하나의 유통 탑을 찾을 수 있습니다 빠른 R-CNN이 더 잘하고 알아내는 동안 두 개의 전송 타워 그러나 RetinaNet은 더 나은 성과를 낼 수 있습니다 비록 아직 완벽한 성능은 아니지만 다른 두 가지보다

하나 우리가 더 많은 것을 원하기 때문에 RetinaNet이 최고라고 말하는 것은 아직 이르다 세 가지 모델의 성능을 정 성적으로 측정합니다 그래서 우리는 홍보 곡선 그리고 PR 곡선에서 당신은 그것을 깨닫습니다 더 빨라진 R-CNN은 더 높은 회복을 달성 할 수 있으며 이는 모든 전송 타워 및 유통 타워, 그것의 더 많은 것을 찾을 수 있습니다

그러나 RetinaNet은 항상 높은 정밀도를 유지합니다 그래서 언제 우리가 RetinaNet과 Faster R-CNN 중 하나를 선택하는 결정 우리는 미래의 조사를 고려하기 위해 한 발 더 나아가 야합니다

그리드 패턴을 맵핑하는 것입니다 오른쪽 이미지를 보면 이전에 본 적이 있으므로 익숙 할 것입니다 우리가하지 않으면 어떻게되는지에 대한 가상의 시나리오를 조사하십시오 완벽한 정밀도와 리콜 그래서 예를 들어, 먼저 이미지가 어떻게 보이는지 봅니다 지금 우리가 보는 것과는 다른 권리가 있습니다

글쎄, 배전력이 사라져서 우리가 가지고 있지 않을 때 일어난다 완벽한 완벽한 리콜 가치

그러나 그리드를 파악하려는 경우 네트워크에 있지만 도트를 연결할 수 있습니다 왼쪽과 오른쪽에 분배 타워가 있습니다 우리는 여전히 선을 그리다 그러면 우리는 어떻게 될까요? 우리는 완벽한 정밀도를 가지고 있지 않습니까? 우리는 다음 중 유통 타워를 보유하고 있습니다 어디에도없고 기존 라인에 연결하기가 어렵습니다 과 하지만 문제가 적을 것입니다 다른 장소에서 깨끗한 라인을 떨어 뜨릴 수 있으므로 우리는 그것을 걸러 내십시오

그래서, 이상적으로 우리는 어떤 모델이 높은 리콜을 내 주길 원합니다 동시에 높은 정밀도 그리고 나서 문제는 Faster R-CNN입니다 RetinaNet보다 약간 높은 값을 가지지 만, 그 비용은 정말 정밀도가 낮아지기 때문입니다 그것은 0

2로 낮게 갈 수 있고 리콜은 약 08이다 즉, 올바르게 감지 한 모든 타워에 대해 약 4 개의 거짓 긍정이 될 것입니다 그리고 이것은 정말로 문제가 될 것입니다 우리는 그리드 패턴을 그리려하고 있습니다

따라서 우리는 RetinaNet 우리가해야 할 가장 좋은 모델입니다 그래서 제 동료 Atsushi가 말한 것처럼 모델의 일반화 가능성은 정말 중요하므로 두 번째 실험입니다 RetinaNet을 식별 한 후 우리가 그 아키텍쳐에서 수행 한 최고의 수행 모델이며 다섯 가지 모델을 훈련했다 이 5 가지 모델은 코네티컷 데이터에 대해 교육을 받았으며, 캔자스 데이터, 노스 캐롤라이나 데이터, 아리조나 데이터 및 미국 데이터 그래서 우리가 미국 데이터를 말할 때 실제로 모든 데이터를 언급하고 있습니다

이 4 곳은 교육 목적으로 함께 묶여 있습니다 그래서 이 다섯 가지 모델을 훈련하면서, 우리가 한 일은 다른 위치 그래서 여기에 우리가 이미지의 모델 공연을 테스트하는 예제가 있습니다 애리조나 우리는 여기에 5 개의 PR 커브가 있다는 것을 알 수 있습니다

제 동료 Ben이 방금 말한 모델 공연의 평가 우리는 미국 모델이 최고의 성능을 가지고 있다는 것을 알 수 있습니다 애리조나에서 훈련 된 모델, 그리고 북쪽에서 훈련 된 모델 캐롤라이나

캔자스와 코네티컷 그래서, 그 후 우리는 또한이 5 가지를 테스트했습니다 우리가 언급 한 다른 세 위치의 모델 그리고 이들로부터 공연 이 홍보 곡선, 우리는 정말 흥미로운 두 가지를 발견했습니다 결과 첫 번째는 매우 다른 교육을받은 모델을위한 것입니다 그들은 서로 충분히 잘 수행 할 수 없습니다

그래서 예를 들면 여기 코네티컷에서 훈련 된 모델은 실제로 성능은 아리조나의 이미지에서 최악이며 그 반대도 마찬가지입니다 아리조나 이미지에 대한 교육을받은 모델 데이터의 경우 이미지는 코네티컷 우리는 가능한 한 대부분의 애리조나의 이미지는 코네티컷의 이미지를 나타내는 반면 사막은 사막을 나타냅니다 교외 지역을 나타냅니다 그 차이가 발생할 수 있습니다

그럼 또 다른 흥미로운 발견은 미국 모델이 테스트 위치에서 훈련 된 모델이거나 때로는 더 나은 모델입니다 이것은 미국 모델이 애리조나보다 훨씬 뛰어나다는 예입니다 애리조나 출신의 이미지 모델 그리고 여기에 USA 모델이있는 또 다른 예가 있습니다 Kansas의 이미지에 대한 교육 인 Kansas 모델보다 뛰어납니다 그래서 당신에게 그게 어떻게 생겼는지에 대한 구체적인 생각을 말하면서, 애리조나 출신의 두 가지 이미지가 있습니다

그리고 여기에있는 예측 결과가 있습니다 코네티컷 모델은이 이미지에서 볼 수 있습니다 코네티컷 모델은 예쁜 타워는 감지하지 못했습니다 거기 분명하다 그리고 나서 코네티컷 모델은 틀린 물건을 발견하는 것

그것은 실제로 지붕이 아니다 우리가 찾고있는 전송 타워 그렇다면 이것은 미국 모델이 보다 나은 실적을 보여주는 예는 이미지입니다 캔사스 출신 미국 모델은 캔자스 모델보다 성능이 좋은 것으로 나타났습니다 여기 블랙 박스는 USA 모델과 USA 모델의 결과를 나타 냈습니다 이미지에서 사용할 수있는 모든 타워를 캡처하지만 캔자스 모델은 3 개 중 2 개의 타워를 찾을 수 있습니다

네, 알았어요 우리가 알고 자했던 세 번째이자 마지막 실험, 정확히 어떻게 성능을 모델링 할 것인가 우리가 사용하는 이미지의 다양한 해상도에서? 그래서 당신에게 아이디어를주기 위해 어떤 이미지가 다른 해상도처럼 보입니까, 우리는 이미지를 애리조나와 우리는 그것을 여러 종류의 전시로 샘플링했습니다 해상도 에너지 인프라를 볼 수 있듯이, 전송 타워는 015 미터 데이터에서 가장 명확하게 볼 수 있습니다

그런 다음 해상도가 떨어질수록보기가 더 어려워집니다 중요한 것은 이 그림들 각각에 대한주의 사항은 각각의 이미지들이 얼마나 정확하게 포착되었는지입니다 그리고 그들이 얼마나 쉽게 접근 할 수 있는지에 대한 정보를 제공합니다 015 미터 데이터의 경우이 유형

데이터 유형은 귀하가 비행기 위치가 매우 고가 인 장비로 비행해야합니다 그런 식으로 붙잡아 라

물론 이미지 유형은 매우 독점적입니다 마찬가지로 03 미터 및 05 미터 데이터와 마찬가지로 위성 이미지이지만 다시 한 번 독점 데이터입니다 엄청나게 많은 양의 소스에서 얻을 수있는 비용은 매우 비쌉니다

이제 우리가 1, 3 및 10 미터 데이터를 얻었을 때 훨씬 광범위하게 사용할 수 있음을 알 수 있습니다 예를 들어 우리는 미국 전체에 대해 1 미터의 데이터를 보유하고 있으며 전 세계 그러나 거기에 따른 절충안 탑 자체가보기가 매우 어려워진다는 것입니다 이 문제에서 우리는 탐구하려고 노력하고 있습니다 저렴한 비용으로 쉽게 액세스 할 수있는 이미지에 액세스 할 수 있으며 이미지가 좋은 모델 성능을 제공합니까? 우리는 실제로 모든 사람의 이미지를 훈련시킵니다

여섯 가지 유형의 해상도와 정확하게 모델 성능을 보려고했습니다 변화 있는 예상대로 015 미터를 나타내는 주황색 곡선 데이터는 우리에게 최고의 성능을 제공했습니다 그리고 이것은 예상대로입니다

그 결의안에서 가장 분명하게 보인다 마찬가지로 03 미터를 주었다 우리는 상당히 좋은 성능을 제공하지만 05 또는 coarser는 우리에게 전혀 좋은 결과를주지 못했습니다

사실 당신은 그들이 수행하지 않았기 때문에 3 및 10 미터 데이터에서 곡선 그들은하지 않았다 결과를 실제로 출력합니다 모델은 에너지 기반 시설에 대해 아무 것도 배우지 못했습니다 당신에게 아이디어를주기 위해 모델이 출력 한 몇 가지 예가 여기에 표시되어 있습니다

다른 해상도의 이미지 예제 여기서 우리는 두 가지를 보았습니다 전송 타워 및 015 및 03 및 0

5 미터 데이터 모든 전송 타워를 발견했지만, 우리가 1 미터 데이터에 도달하면, 우리는 두 개의 탑 중 하나만 찾을 수있었습니다 비슷하게 분배탑에 대해서도 비슷한 결과가 나온다 사실 훨씬 일찍 일어난다 015 미터의 데이터에서 우리는 거기에 총 3 개의 유통 탑 중 3 개를 찾을 수 있습니다

우리가 03 미터의 데이터를 얻었을 때 우리는 세 개 중 두 개를 발견했으며, 05에 도달하고 더 나쁜, 우리는 어떤 탑에도 전혀 싸우지 않는다 그런 종류의 어떤 해상도에서 우리는 많은 종류의 하부 구조 우리 프로젝트에서 결론에 도달했습니다

정확히 무엇 우리가 찾았습니까? 첫 번째 실험에서 우리가 탐구 한 것은이 접근이었습니다 실현 가능한 학습 방법, 심지어 실현 가능? 우리는 RetinaNet 모델에서, 우리가 테스트 한 세 가지 모델 중 최고의 성능을 제공했습니다 그리고 약 065의 리콜 이제 우리는 이러한 결과가 매우 고무적이라고 생각합니다

아마도 우리가 모델과 함께했던 하이퍼 파라미터 튜닝이있을 것입니다 물론 더 많은 데이터를 추가하면 모델 성능이 향상됩니다 둘째, 우리가 지리적 일반화 가능성을 탐구하는 실험 우리 모델의 몇 가지 다른 모델을 훈련 시키면 지리 정보는 실제로 에너지에 대한 지식을 집계 할 수 있습니다 해당 지역의 인프라 스트럭처를 적용하여 성능을 향상시킵니다 그래서 우리가 여기 미국과 애리조나에서 본 예제에서

애리조나, 미국에서 테스트했을 때 에너지 기반 시설에 대한 지식과 실제로 결합 된 모델 지리학은 애리조나 모델 자체보다 더 잘할 수 있습니다 그리고 마침내 우리는 해상도 성능을 조사하여 015 미터 및 03 미터 데이터가 가장 좋은 해상도 였지만 우리는 좋은 결과를 얻을 수있었습니다 0

5 미터 데이터 이상에서는 결과를 얻을 수 없습니다 와 이것들이 우리의 특별한 결과라는 점에 유의해야합니다 우리가 테스트 한 특정 지리, 그리고 그것은 애리조나였습니다 다른 지리적 위치에서는이 임계 값이 조금씩 바뀔 수 있습니다

그럼 다음은 뭐니? 우리를 위해? 우리는 실제로 GitHub에서 데이터, 코드를 공개하고 있습니다 아마도 방안에있는 당신이 우리의 데이터 세트로 놀고 싶어한다면 일부 코드는 여러분이 그렇게하기를 기뻐하고 있습니다 상당히 빨리 두 번째는 계속 정렬하는 것입니다 이 공간에서 연구

앞으로의 주요 과제는 정확히 우리는 이러한 심층 학습 모델을 대규모로 적용하고 있습니까? 우리는 이전에 잠비아의 예 어떤 종류의 도전 과제가 올지 알 수는 없습니다 이런 종류의 모델을 전체 국가에 적용 할 때 우리는 그 모델은 모델이 얼마나 다른 유형으로 일반화 될 것인가? 여기에서 언급 한 것처럼 지리적 도메인 또한 다른 희귀 개체 모든 종류의 에너지를 식별 할 수 있음 인프라는 우리에게 "무엇이 국가의 에너지 경관은 어떻게 생겼습니까? "그리고 마침내 우리는 파트너와 협력하십시오

연구소는 다른 NGO와 함께 작업했습니다 세계 자원 연구소 (World Resources Institute) 및 그들과 우리의 데이터를 공유하기를 계속하고 싶고 그래서 우리가 발견 한 것들을 십억을 넘는 격차를 줄이기위한 잠재적 인 해결책을 그들에게 줄 수있다 여전히 전기에 대한 접근이 부족한 사람들 그래서 우리는 몇 사람 감사합니다 : 카일 브래들리 (Kyle Bradbury) 박사에게 지치지 않는 노력에 대한 특별한 외침 이번 학기를 도와주었습니다

그는 우리 모두를위한 정말 좋은 스승이었고 나는 그렇지 않았습니다 우리가 그 사람 없이는 어디든 가깝다고 생각합니다 그래서 특별한 감사드립니다 너 한테 그 사람 Leslie Collins 박사, Mark Jeuland 박사, Dr

Jordan Malof, Robyn Meeks 박사, Artem Streltsov Bohao Huang도 도움을 청했습니다 특히 Bass Connections와 Energy에 감사드립니다 재정 지원을위한 구상 그들 없이는 이것이 불가능했을 것입니다

오늘 우리의 이야기가 끝났습니다 만약 당신이 듣는 것에 감사드립니다 어떤 질문이든, 우리는 기꺼이 받아 들일 것이지만, 다시 오셔서 감사드립니다

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

안녕하세요 여기 Barrett 이신 분은 제 화면을 볼 수 있습니다

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Coding Challenge #147: Chrome Dinosaur Game (with Speech Commands machine learning model!)

(낙관적 인 피아노 음악) – 아! 자, 안녕하세요 코딩상의 문제에 오신 것을 환영합니다

구글 크롬 공룡 게임 에디션 불행히도 나는 기차 열차에 휘파람을 불지 않는다 나는 오늘 나와 함께 가져 오지 않았다 그래서 이것은 확실히 잘되지 않을 것입니다 코딩상의 어려움이 잘 풀리지는 않지만, 하지만 이걸 시험해 볼거야

나는 빨리 프로그램하려고 노력할거야 구글 크롬 공룡 게임 나는 내 자신의 이미지와 물건을 사용할거야 물론 유니콘 게임이 될 것입니다 나는 p5

js, JavaScript 라이브러리 p5js, 나는 그것과 독특한 방식으로 상호 작용할 것입니다 당신은 비디오의 마지막을 고수해야합니다 내가 지금 너에게 말할거야 내 목소리로 제어하려고 노력할거야

(웃음) 좋아요, 끝까지 건너 뜁니다 아마 내가 거기에서 할거예요 좋아, 이제 시작하겠습니다 시작하겠습니다 그래서, 내가 무엇을해야합니까? 그래서, 먼저 내가 만들거야, 내가 추가 할거야, 나는 p5 웹 편집기에서 파일을 추가 할 것입니다

내가 dino라고 부를거야 js, 비록 그렇지는 않지만, 아니, 유니콘이라고 부르 자 유니콘 js 그게 내 유니콘이 될거야

그리고 내가 무엇을 필요로합니까? 나는 또한 가지고있을 필요가있다, 그들은 선인장 thingies 같이이다, 그 사람들이 기차가 될거에요 trainjs, 파일 추가 먼저 Unicorn 클래스 인 유니콘을 작성해 봅시다 그래서 저는 객체 지향 프로그래밍을 사용할 것입니다

왜냐하면, 너도 알다시피, 나는 그런데, 나는 Flappy Bird와 똑같습니다 그래서 저는 정말로하고 있습니다 다시 똑같은 일이 벌어 지지만, 뭐든간에 이것은 초보자에게 좋은 친절한 도전입니다 어쩌면 객체 지향 프로그래밍을 사용하여 조금 지나치다

하지만 유니콘을 줄자 50 및 ay 위치의 x 위치, 그것은 높이가 될 것입니다 왜냐하면 앉아 있기 때문입니다 창문 맨 아래에 있지만 어쩌면 내가 말할거야, 신장에서 마이너스 50, 그런 다음 show라는 함수를 만들겠습니다 그리고 그걸 그릴거야

나는 그걸 그릴거야 바로 thisx에서 thisy라는 직사각형으로, 나는 그것을 50, 50으로 만들 것이다 그래서 이것은 유니콘 클래스입니다

Unicorn 객체는 x와 ay를 가지며, 그리고 그것을 그리면 직사각형입니다 x와 y의 높이가 50이고, 그것들은 결국 변수가 될 필요가 있습니다 그래서 유니콘이라는 변수를 만들어 보겠습니다 유니콘이 새로운 유니콘이라고 말할거야 내가 여기서 말할거야, 유니콘

쇼 그리고 이걸 실행 해 봅시다 오, 알았어 그래서 물론, 나는 항상 잊어 버린 것을 잊어 버렸습니다 그것은 새로운 JavaScript 파일을 추가 한 것입니다

HTML로 그들을 참조해야합니다 유니콘, 다른 건 뭐라고 했지? 기차 알았어, 그건 유니콘이야 내가 원하는 건, 잠깐, 그 게임을 다시하게 해줘 어떻게 작동합니까? 그냥 앉아 있기 때문에 매번 스페이스 바를 누르면 점프합니다

자, 먼저 해보 죠 먼저 해보자 좋아, 그래서 뛰어 내려면 무엇이 필요한거야? 그것은 속도, y 축을 따라 속도, 그래서 이것을 vy라고 부르 자 그리고 그것이 0이라고 말할 것이다 그리고 점프 (jump)라는 함수를 작성합니다

우리는 일종의 즉각적인 힘을 줄 것입니다 그래서 우리는 그것을 밀어 올릴거야 그래서 저는 이것을 말할 것입니다 동등 함, 음수 5라고합시다 그것은 그것을 움직이고 있습니다

그리고 나서 move라는 함수를 작성하려고합니다 이걸 말하네 y + = thisvy 이제 우리가보아야 할 것은, 내가 unicorn

move라고 말하면, 내가 추가하면 function keyPressed를 호출하고 키가 스페이스 바인지, 유니콘 Jump, 이건 기본적으로 지금까지 Flappy Bird와 동일하지만, 그러면 우리는 그 속도가 시작되는 것을보아야합니다 그래서 저는 항상 그것을 움직이고 있습니다 그 속도가 무엇이든, 속도가 0이면 속도는 0입니다 그러나 내가 점프를하자마자, 그것은 속도를 설정한다

마이너스 5가되면 우리는 그것이 위로 움직이는 것을보아야한다 좋아, 여기에 우리가 간다 여기를 따라 가면, 나는 우주 공간을 누를거야 우리가 간다 아! 안녕, 유니콘, 나중에 보자! 좋아, 그래서 우리는 중력이 필요해

그래서 우리는 어떤 형태의 중력이 필요합니다 이것은 아마도 전역 변수로서 의미가 있습니다 하지만 중력 때문에 정말 유니콘에만 영향을 미칠거야 나는 그것을 여기 넣을거야 0

5라고 가정 해 봅시다 그래서 중력은 어떤면에서는 중립적 인 힘입니다 그래서 그것이 무엇을 하든지 관계없이 중력은 항상 있습니다 유니콘의 속도 조절, 기본적으로 가속 그래서 내가 지금 할 수있는 것, 움직이는 것, 그렇습니다

vy + = thisgravity, 그러나, 나는 이제 떠나고 싶지 않다 왜냐하면 이제는 사라져 버렸기 때문이다 나는 유니콘을 못 가게하고 싶다 바닥에서 떨어진다

기본적으로 바닥 수준이 있어야합니다 그래서, 나는 그것을 할거야, 말하자 그래서 이것을 50 사이즈로합시다 r = 50이라고 가정 해 봅시다 그래서 우리는 다음과 같은 용도로 사용할 것입니다

우리가 그린 모든 부분에 대해 그리고 나서 저는 또한 말할 것입니다, 나는 제약이있을거야 그래서 저는 이것을 말할 것입니다 0과 실제 사이의 현재 y 값 바닥에 앉아있는 곳, 높이도 -이 그래서, 거기에 붙어 있고, 지금 내가 누르면, 똥, 언론 공간, 당신은 그것이 점프 볼 수 있습니다

자, 그건 아주 조금씩 점프입니다 우리는 훨씬 더 뛰어 넘을 수 있어야합니다 그래서 이것을 25로 설정하고 어떤 일이 일어나는지 보겠습니다 좋아, 너무 심하다 그냥 10으로 설정합시다

어쩌면 나는 중력을 더 강하게 만들 필요가있다 그래서 이것에 대한 많은 조정이있을 것입니다 하지만 그냥 해보 죠 이것을 25로 설정합시다 죄송합니다

어쩌면 중력을 2로 설정합시다 우리가 간다, 이것은 조금 더 느낀다 공룡 게임처럼 그래서, 이것은 슬프다 우리 유니콘을 조금 더 재미있게 보이게합시다

이미지를로드 해 봅시다 그래서 여기 바탕 화면에 이미지가 있습니다 나는 배경을 가지고있을 것이다 게임의 배경 나는 유니콘을 가지고있다

이것은 약간의 캐릭터가 될 것입니다 화가 등호에 앉아 그리고 기차가 그 일이 될거야 그것은 뛰어 넘어야한다 그럼, 여기, 내가 뭘 할거야

나는이 파일들을 추가 할거야 내가 파일을 추가 할거야 웹 에디터로 끌어다 놓을 것입니다 그것은 그들 모두를 업로드했습니다 그리고 나서, 여기에 미리 하중을 추가 할 것입니다

그리고 나는 세상에 내버려 둬야 겠어 세상에, 내버려둬 그리고, 그리고 그것들 모두를로드합시다 uImg = loadImage unicornpng, 우리는 똑같이 할 것입니다

학생과 학생의 경우 이것은 기차이며 이것은 배경입니다 배경을 바꿔 보겠습니다 오, 내가 뭘 잘못 생각하니? 배경은 실제로 jpg입니다 자, 이제 배경 지식을 갖자고하자

우리가 간다 유니콘을 갖자 어디 있니? 나는 이미지를 말할거야, 세상에, 우리가 간다 오, 너무 작아! 그리고 그것은 모두 pixelated, 너무 슬픈! 이것을 150으로 바꾸자 그것의 x 값은 없어야합니다, 여기 있어야합니다

우리는 점프 유니콘을 가지고 있습니다 이것은 작업 할 많은 스크린 공간이 아니며, 그래서 실제로 배경 이미지를로드하게하겠습니다 800 픽셀 너비입니다 조금 더 생각할 것입니다 나는 600보다 조금 나아질 것이라고 생각한다

알았어, 유니콘이 뛰어 내릴거야 배경을 좀 더 넓게 만들었습니다 그것은 지금 나는 뛰어 넘기 위해 장애물이 필요하다는 것을 의미한다 그것들은 거의 기차가없는 것들이 될 것입니다 그래서 나는 다른 반을 만들어서 기차라고 부를거야

추추 그에게 생성자를 줄거야 이것들은 x와 y도 가질 것입니다 그래서 x가 될 것입니다, 그것은 가장자리에서 시작할 것입니다, 그리고 y는 사실 하단에도 있습니다 그래서, 높이 마이너스, 나는 그것을 줄 것이다

그리고이 r는 100이 될 것이고, 이제는 쇼 기능이 필요합니다 그리고, 나는 이미지로 그릴거야 (웃음) 내 손가락이 엉뚱한 곳에있다 x와 y에서 열차 이미지, this

r, thisr 그리고 move 함수를 추가하자 우리는 이것을 말할 것입니다 x – =, 그래서, 기차, 그래서 이것은 이상한 일입니다 오,이게 문제가 될거야

(웃음) 고정 된 배경으로 인해 시각적으로 문제가 될 수 있습니다 채팅중인 사람들이 말하고 있습니다 paralaxed 배경, 제발 좋아, 그럼 내가 그걸 알게 될거야 이것은 더 긴 비디오가 될 것입니다

만약 내가 그것을 구현하지만, 정말로, 유니콘이 움직이고있어 유니콘이 움직이고있다 그러나 x는 고정 된 상태로 유지됩니다 기차는, 음, 기차가 움직일 수 있습니다 그들이 기차라면 그건 이상 하네 하지만 그들은 선인장, 선인장이되어야합니다

그들은 여전히 ​​서있고 유니콘은 그냥 접근하고 있지만, 우리는 그것을보고 있습니다 유니콘의 관점에서 이봐, 난 이걸 정말로 망 쳤어 하지만 내가 할 일은 그들을 옮기는거야 전체 장면이 3 픽셀 씩 스크롤되고, 우리가 할 수 있다면 우리가 알아낼거야

어쩌면 나중에 배경을 paralax paralax는 무엇을 의미합니까? 배경이 변경되는 것처럼 보이게하려면, 멀리 떨어져있어, 일종의 다른 속도로 움직입니다 하지만 지금은 그냥 해보 죠 기차라는 배열을 만들자 우리는 설정에서, 사실 우리가 뭘할지 알아? 무승부로, 우리는 단지 무작위로 갈거야

우리는 난수를 고를거야 0과 1 사이에서, 우리는 말하자면, 1 %의 시간, 우리는 말할 것입니다 열차 push, 우리는 새로운 기차를 추가 할거야, 그래서 불규칙해질거야 이것은 제가 만든 Flappy Bird와는 다릅니다 내가 생각하기에 파이프가 어쩌면 불규칙한지도 모르겠다

나는 파이프가 일정한 간격을 유지하고 있다고 생각한다 이제 새로운 열차를 추가 할 임의의 기회가 있습니다 그 다음에 존재하는 모든 열차, 우리는 모든 열차에 대해 말할거야, 나는 기차에서 t 만 말할거야 나는 tmove, t

show라고 말할거야 좋아, 어떻게되는지 보자 우리 기차가 있니? 어쩌면 내가 그것을 더 늘리는 것이 좋을지도 모른다 우리가 간다, 오, 저것 좀 봐 좋아, 그들은 움직이고있어

그들은 다소 느립니다 나는 그걸 뛰어 넘을거야, 알았어, 알았어 (웃음) 그들을 조금 더 빨리 움직이자 우리가해야 할 일들이 있습니다 우와, 이거야, 오,이게 좋은 방법이야

오 ~ 유니콘이 날 수있어 그래서 사실을 고쳐야합니다 내 유니콘이 날지 못하게해야 해, 그렇지? 그것은 내가 바닥면 뛰어 내릴 수 있어야합니다 그러니 그걸 수정합시다 그래서, 유니콘에 들어가야합니다

점프 기능에서, 나는 점프하는 것이 허용 되어야만한다 내가 바닥에 앉아 있으면 즉, y가 y이면, 오 잘, 내가 바닥에 있다면, y가 같은 한, 이게 진짜로 효과가 있니? 나는 동등한 수표를 사용하는 것을 좋아하지 않는다 그러나 이것은 정의상 바닥에 앉아 있습니다 그래서 내가 바닥에 앉아있을 때만 나는 뛰어 넘을 수있다

그래서 y가 그 자리와 같다면 그게 효과가 있는지 봅시다 그럼 점프하고, 어서, 뛰어 오이

y 가자, 기차 오, 그래, 내가 바닥에있을 때만 나는 뛰어 내릴 수있어 좋아요, 그렇게 작동합니다 그래서 고쳐졌습니다

나는 꽤 많이 뛰어 올 필요가 있다고 생각한다 35을 시도해 봅시다 슬라이더 같은 것을 사용해야합니다 우리가 간다, 나는 이것이 게임을 만들 것이라고 생각한다 더이기는 것이 가능하다

기차가 너무 많아 기차가 너무 많아! 나를 괴롭히는 한가지는 기차가 유니콘 앞에서 가고 있어요 나는 그것이 정말로 그렇게 중요하지 않다는 것을 안다 그것은 중요하지 않습니다 그러나 나는 그들보다 뒤에있는 것을 선호한다 그래서 여기서 옮길거야

나는 또한 게임을 좀 더 쉽게 연주 할 것입니다 전 열차 수를 ​​줄 이겠습니다 그래서 확률이 훨씬 낮아질거야 거기에 기차가있다 내가이 게임을 실제로 할 수 있는지 보자

다소 성공적으로, 비록 내가하고 있지는 않지만 아직 충돌 검사 (웃음) 아니! 기차가 더 빨리 움직인다면, 그것은 실제로 그것을 더 쉽게 만들 것이고, 실제로 기차의 속도를 두 배로하십시오 좋아,이게이 게임 같아 이제 재생할 수 있습니다 하지만 충돌 감지 기능을 추가해야합니다

그래서 전에 해봤 어 다른 코딩 과제도 많이 있습니다 꽤 간단한 알고리즘이 있습니다 두 개의 사각형이 있는지 확인하기 서로 교차하거나 교차하지 않습니다

나는 그들의 x와 y를 검사 할 수있다 기본적으로 모든 가장자리, 왼쪽, 오른쪽, 서로에 대항하여 상부, 하부, 그러나 이것은 좋은 기회이다 내가 도서관을 탐험하기 위해서 그게 세상에있어 이 라이브러리는 p5collide2D라고하며, 실제로 그 안에 기능이 있습니다

collideRectRect라고 불리며 나에게 줄거야 내가 그것을 주면 부울 변수 1 개의 구형의 x, y, 폭, 높이 및 다른 직사각형의 x, y, 폭, 높이 실제로이 라이브러리를 사용합시다 이것은 나에게 당신을 보여주기위한 좋은 변명이기도합니다 그 GitHub가 이제 통합되었습니다

jsDelivr이라는 것이 있습니다 이것은 오픈 소스 콘텐츠 전달 네트워크입니다 즉, JavaScript 파일이 GitHub에서 호스팅되는 경우, 나는 그 파일을 다운로드 할 필요가 없다 그런 다음 내 프로젝트에 추가하십시오 나는 단지 그것에 링크 할 수있다

그래서 나는 여기 GitHub로 갈거야 여기에는 여러 가지 방법이 있습니다 GitHub에서 파일을 참조 할 수 있습니다 나는 지금 내가하고있는 일을위한 가장 쉬운 방법이라고 생각한다 그냥 경로를 참조하는 것입니다

여기에 예제 경로가 있습니다 그래서 저는 여기에 indexhtml로 갈 것입니다 다른 스크립트 태그를 추가 할 것입니다 스크립트 src가 같다고 말하고, 나는 그걸 붙여 넣을거야, 가까운 대본, 그러나 이것은 내가 원하는 길이 아닙니다

나는 BMOREN 인 사용자 이름을 원한다 그리고 나는 그 길을 원한다 라이브러리의 축소판을 가져와 봅시다 그리고 그것은 바로 이것 일 것입니다 바로 루트 디렉토리에 있습니다

이제는 그 파일을 참조하고 있습니다 그게 효과가 있는지 봅시다 실제로는 올바르지 않습니다 나는 cdn URL, 사용자 이름, 그러나 나는 또한 repo 이름을 필요로한다 그래서 그 p5

collide2D 슬래시해야합니다, 이제는 잘 될거야, 알았어 나는 충돌 함수를 사용할 수 있어야한다 그래서 나는이 collideRectRect를 사용할 것입니다 내가 이걸 무승부로 불러서 그게 효과가 있는지 알아 보자 우리에게 오류를주지 않습니다

좋아요, 오류가 없습니다 그리고 이제는 확인할 수 있습니다 모든 기차는 유니콘이 t를 치면, consolelog 게임 끝났어, 알았어 그래서, console

log 게임은 끝났어 실제로 루프가 없다고 말할거야 그래서 나는 스케치를 실제로 막을거야 스케치를 완전히 닫고, 정말 사려 깊지 않은 사용자 경험 디자인 선택, 하지만 지금 당장해야 할 일이야 그리고 나서 여기에 함수를 추가하면됩니다

히트 (히트)라고 불리며, 열차를 받는다 나는이 기능을 사용할 수 있다고 말할 수있다 내가 필요한 thisx, thisy, this

r, thisr, 그리고 나서 나는 똑같은 것을 필요로한다 그러나 그 특별한 기차로 그래서, 대신이 직사각형을 검사하고 있습니다 이 열차의 직사각형으로, 이것을 collide라는 변수에 넣을 것입니다

내가 그걸 돌려 주겠다고 말할거야 실은, 너, 내가 이걸 돌려 줄 뿐이야 그것을 반환하므로 true 또는 false 결과를 반환하십시오 이 라이브러리의 충돌 함수를 이제 게임을 실행 해 봅시다 우리는 첫 열차를 기다릴 것입니다

게임 끝! 내가 지금 그것을 할 수 있는지 보자 오, 옛날에는 너무 많은 열차가있었습니다 오, 쏴! 기차를 조금 더 작게 만들어 봅시다 그리고 실제로, 유니콘을 더 작게 만들어 봅시다 잘하면이 도움이됩니다

(웃음) 좋아, 그려 보자, 조금만 디버그하자 상자를 아주 미묘하게 그려서 그래서 아주 작은 사각형을 그려 봅시다 이것이 우리가 실제로 확인하는 것입니다 우리가 간다, 우 – 후! 전체 상자를 보는 데 도움이됩니다

가자, 기차 마우스 클릭으로 열차를 산란하는 것이 좋습니다 좋아, 우리는 길을 잃었다 좋아, 그럼 분명히있어 많은 게임 플레이 개선 여기서 일어날 필요가 있습니다

하나는 내가 더 사려 깊을 수있다 여기 어떻게 낭비되는 공간이 있는지 볼 수 있습니다 이미지와 실제 직사각형을 자르겠습니다 조금 작아 나는 원을 사용할 것을 고려할 수 있었다

더 복잡한 모양을 사용할 수 있습니다 그러나 이것은 지금 당장은 충분합니다 실제로 해보자 알다시피, 마우스를 클릭해도됩니다 기차를 시작하기 위해, 실제로 도움이 될지도 모릅니다

그러나 나는 이것을 논평하게한다 그리고 나가하고 싶은 것은, 나가 가기 바로 전에, 내가 끝내기 전에 네가 할거야 점수가있는이 버전 모든 종류의 더 좋은 것들과 소리들, 그러나 나는 이것을 끝내야한다, 나는이 비디오를 끝내야한다 나는 내 목소리로 기차를 제어하고 싶다 그래서 그렇게하기 위해 ml5

js를 할 것입니다 음성 명령 기계 학습 모델을 갖는 이 JavaScript 라이브러리에 내장되어 있습니다 그래서, 나는 완전히 별개의 비디오를 만들었다 이 특별한 예비 전차 모델과 그것이 작동하는 방법에 대해, 그래서 저는이 비디오에 꽤 빨리 추가 할 것입니다 자세한 내용은 다른 하나를 시청할 수 있습니다

그러나 당신이 문서를 찾고 있다면, 내가 reference를 클릭하고 soundClassifier로 간다면, 이것이 제가하고있는 일입니다 그래서, 내가하고있는 모든 일, 내가해야 할 일은, 음, 사실, 내가해야 할 한가지 나는 시작하기 위해 갈 필요가있다 스크립트 태그를 가져와야합니다 라이브러리를 참조 할 수 있어야합니다 그래서 ml5 라이브러리를 추가하고 싶습니다

그래서 이것을 복사하고 있습니다 여기에 indexhtml로 갈거야 p5collide2D 외에도 ml5를 추가하고 있습니다

그리고 나는 여기로 갈거야 그리고 나는 예감하면서, 나는 소리를 들려 줄거야 정리 자, 나는 변수를 만들거야 예고없이, 나는 soundClassifier라고 말할거야 ml5

soundClassifier와 동일합니다 내가로드하는 모델을 SpeechCommands18w라고합니다 이 모델은 훈련 된 모델이기 때문에 18 개의 특정 단어를 인식하려면, 0에서 9까지의 숫자, 위, 아래, 왼쪽, 오른쪽, 그리고 몇 가지 다른 것들 이 ml5 웹 페이지에 문서화되어 있습니다 그걸 진짜 빨리 보자 그래서, 내가 soundClassifier로 돌아 가면, up, down, left, right, go, stop, 예, 아니오

그래서, 그것들은 인식 할 수있는 훈련을받은 단어입니다 그리고 나는 실제로 또한 얻고 싶다 이게 아마 임계점 이니까, 여기에 이걸 더할거야 왜냐하면 나는 그것이 내가 점프를 말하고 있다는 것을 정말로 확신하기를 원하기 때문에, 그래서 나는 이것을 만들거야 95 이것은 95 % 확실하다는 것을 의미합니다

오는 신뢰도 그 특정 모델로부터 어떻게 그 모델이 훈련되었는지, 당신이 읽을 수있는 종이가 있습니다 다른 비디오에서는 더 많이 이야기합니다 좋아, 이제 내가 그걸 가지고있다 설정에서 soundClassifierclassify라고 말할 수 있습니다

그런 다음 기능을 얻을 수 있습니다 나는 단지 그것을 워드라고 부르겠다 그래서 단어가있다 gotCommand, gotCommand라고 부르 자 콜백 함수입니다

그것은 명령을받을 때마다 트리거 할 것입니다 먼저 오류가 발생하고 오류 콜백이 발생하고, 그 다음 결과 그래서, 오류, 콘솔, 나 콘솔 만 할거야 오류를보고해라 그렇지 않으면 결과 색인이 0 일 것입니다

따라서 결과는 라벨과 신뢰도 점수가있는 배열이며, 라벨은 단어이고, 그리고 내가 찾고있는 단어는 위로이다 해당 레이블이 있으면 unicornjump 그래서 이것은 정말 빠른 방법입니다 특정 키워드를 찾는 저의 그 도서관에서 나는 또한 콘솔 만 할거야

로그 결과 [0] 라벨, 나는 다른 단어들도 또한 얻고 있는지를보기 위해서입니다 그리고 신뢰 지수를 기록 할 수도 있습니다 우리는 그것을 볼 수 있습니다 디버깅에도 좋을 것입니다

이제 나는이 두 가지를 기록했습니다 이 스케치를 실행할거야 쪽으로! (웃음) 쪽으로! 쪽으로! (웃음) 사격! 그러나 당신은 볼 수있다, 그것은 95 %를 얻었다 마우스를 클릭하는 부분을 추가 할 것입니다 나는 나 자신에게 기차를 줄 수있다

그리고 사실, 무작위 열차를 주석 처리해 봅시다 또한, 나는 정말로 더 사려 깊어야한다 기차가 오면 내가 어떻게 골라야하는지 아마 그들 사이의 최소 거리가있을 것입니다 방금 방을 추가했다면 더 긴 기차를 쓸 수 있습니까? 다른 열차와도? 나는 여기서 무슨 일이 일어나는지 모른다

내러티브 결함이 많습니다 여기에 무슨 일이 일어나고 있는지, 하지만 나 혼자 하나 추가 할거야 쪽으로! (웃음) 쪽으로! 사격 좋아, 모두가 채팅에서 제안하고있다 나는 그것을 원으로 바꿔야한다고, 그래서 그것은 실제로 다소 둥근 것처럼 보일 것입니다, 가장자리를 따라 조금 흔들리는 방을 줄거야

교차로가 좀 더 자주 일어나지 않도록하십시오 실제로 그렇게하겠습니다 그래서, 나는 들어갈거야, 유일한 곳은 어디지? 이 충돌 탐지를하는 곳은 어디입니까? 안타 unicorn 있음 그래서 이것을 collideCircleCircle로 바꿀 것입니다 collideCircleCircle 및 원을 원으로 타원 모드 중심을 가정하고, 내가 원을 생각해야 겠어

물체의 중심점으로, 그것은 큰 문제가 아닙니다 그래서, 내가 그렇게 할 수있는 방법, 별도의 변수를 만들어 보겠습니다 x1 = thisx + thisr * 0

5라고 가정 해 봅시다 그래서, 이것은 중간이 될 것입니다 이것은 가운데, 그리고 r 원의 직경입니다 그래서 괜찮습니다 그리고 이것은 y입니다

그리고 x2, y2가 열차입니다 Trainx, trainy, trainr, train

r 그리고 지금은 collideCircleCircle, x1, y1, 그리고 나서 x2, y2 문제는 실제로 r이 반지름인가? 아니면 직경입니까? 그것은 말하는가? CircleDiameter, circleDiameter, 그래서 나는 좋다 좋아, 그럼 이걸 시험해 보자 그리고 이것은 정말로 있어야합니다, 아, 이건 불행한 일이야

이것은 이제 타원이어야합니다 오, 내가 뭘 할 수 있는지 아니? 나는 ellipseMode CORNER라고 말할 수 있습니다 완벽 해, 그래서이 히트 서클을 그려 보자 기차 밑에서 같은 일을 해봅시다 타원이라고 말하면됩니다

이제 우리가보아야 할 것이고 여기에 우리가 가야합니다 그게 그럴거야 좋아, 여기에 우리가 간다! 아, 클릭해야합니다 오, 무슨 일이야? (딩기) 좋아, 나는 r을 두 번 통과 시켰어 이것은 매우 불필요합니다

당신은 반지름이 아닌 지름을 주면됩니다 나는 한 번 r에 전화하고있다 그리고 무슨 일이 일어나는지 보자 알았어 여기

우리가 간다 도약! 잠깐, 왜 내 브라우저가 정말 놀라 울까? 디버깅을 주석 처리합시다 우리는 지금 그걸 갈거야 우리는이 게임을 할거야 이 탭을 닫으십시오

Chrome을 종료합니다 우리는이 게임을하려고합니다! 오, 올라간다, 나는 뛰어 내리고있다 (웃음) 오, 일어나, 우리가 간다! 쪽으로! 쪽으로! 좋아, 준비 됐니? (낙관적 인 피아노 음악) 쪽으로! (웃음) 쪽으로! 어쩌면 음악을 사용할 수없는 것 같아 쪽으로! 쪽으로! 쪽으로! (웃음) 오! 좋아, 모두, 그래서이 코딩 도전을 끝내 이것에 추가해야 할 것들이 너무 많습니다

첫째로, 서사는 단지 의미가 없습니다 이 유니콘이 왜 아직도 서있는거야? 애니메이션이 없다면? 기차가오고 있어요 배경은 일종의 팔라 랙스 이동이어야합니다 그래서 아마도 그것은 뛰어 넘어야 할 것입니다 선인장을 써야 했어

그건 선인장의 복수예요, 그렇죠? 점수가 없으며 새들이 날아 다니지 않습니다 비행 별표를 추가 할 수 있습니다 내가 업로드 할 때, 나는이 비디오가 출판 될 때, 코드로, 나는 많은 것을 포함 할 것이다 코딩 기차 문자, Jason Heglund, Jason Heglund가 일러스트하고 디자인 한, 그래서 나는 그것들을 전부 포함 할거야 사람들이이 게임의 버전을 만들고 싶다면 우리 모두는 음성 명령으로 온라인으로 게임을 즐길 수 있습니다

내가 이것을 시도하자 이것 좀더 시험해보고 작별 인사를 할거야 네, Alka가 지적하고 있습니다 브라우저의 음성 인식 API 대기 시간이 더 짧지 만 한번 더 시도해보십시오 쪽으로! 쪽으로! 쪽으로! 쪽으로! 쪽으로! 쪽으로! 쪽으로! 오, 좋아, 안녕히 계세요! 고맙습니다

나중에 보게됩니다 미래의 코딩 도전에 (딩기) (낙관적 인 테크노 음악) (딩기)