Now create your own AI Assistant with few simple steps!

안녕하세요 여러분, 다른 동영상을 환영합니다, 내 이름은 Kunal이며 오늘은 어떻게 보여줄 것인가? 자신의 AI 길잡이를 만드십시오 따라서 2016 년부터 가상 조수 (virtual assistant)에 관한 많은 소문이 생기고 많은 기업 Google Assistant, Siri, Amazon Alexa 및 Cortana와 같이 자체 개발했습니다

그러나 응용 프로그램에서 응용 프로그램을 사용하려는 개발자를 위해 Google은 Dialogflow라는 플랫폼을 사용하고 있습니다 이 비디오가 끝날 때까지 붙어 있다면 AI 통합 방법을 알려줄 것입니다 웹 사이트의 비서 시작하자 먼저 www

dialogflowcom으로 가야합니다 그런 다음 goto console을 클릭하십시오 gmail ID로 로그인하면 갈 수 있습니다 이제 에이전트 생성을 클릭하십시오

그러면 에이전트의 이름을 입력해야하는 페이지가 열리 며 표준 시간대 및 기본 언어 오른쪽 상단에있는 만들기 버튼을 클릭하십시오 몇 초가 걸릴 것입니다 오른쪽에는 "지금 시도"텍스트 상자가 표시됩니다 그러나 에이전트에게 질문을하면 에이전트가 훈련되지 않았기 때문에 응답하지 않습니다

왼쪽으로 스크롤하면 작은 대화라고하는 것이 있습니다 이제는 상담원에게 응답 할 수 있도록 능력을 추가하는 데 사용됩니다 작은 토크를 사용하려면 그냥 활성화해야합니다 간단히하기 위해 질문에 대한 응답을 추가 할 것입니다 원하는 경우 에이전트를 더 잘 만들 수있는 항목을 더 추가 할 수 있습니다

완료를 클릭하면 응답이 저장됩니다 이제 에이전트를 테스트하고 응답합니다 완전한 기능을 갖춘 에이전트가 왼쪽으로 스크롤하여 통합을 클릭하면 웹 데모에서 설정을 클릭하고 사용 설정하면 에이전트의 URL이 표시됩니다 그것에 당신이 다른 페이지로 안내합니다 에이전트를 테스트 할 수있는 곳 No는 "Hi"와 같은 것을 발사 할 수 있습니다

랩탑이나 데스크탑 마이크를 사용하여 음성을들을 수 있습니다 명령 AI 길잡이를 웹 사이트에 통합하려는 경우 기사 링크를 제공했습니다 AI 작성 단계를 찾을 수있는 설명 웹 사이트에 AI Assitant를 삽입하고 나를 믿을 수있는 방법을 설명하는 섹션 그것의 매우 간단하고 우리는 매우 tweeting하여 자신의 버전을 볼 드리겠습니다 @RikkandKikk에 그래서이 비디오를 즐긴다면 버튼처럼 부숴 버리고 채널에 가입하십시오

알림 벨을 눌러 비디오를 놓치지 않도록하십시오 그리고 나는 너를 다음 번에 볼거야

The 7 Steps of Machine Learning

[음악 재생] YUFENG GUO : 감지 피부암에서 검출 에스컬레이터 오 분류에 수리의 필요, 기계 학습에 완전히 부여 된 컴퓨터 시스템의 새로운 능력을 가지고있다 하지만 어떻게 정말 후드 작동합니까? 의 기본적인 예를 통해 살펴 보겠습니다 그리고 얻기의 과정에 대해 얘기를 핑계로 사용 기계 학습을 사용하여 데이터에서 답변

클라우드 AI 모험에 오신 것을 환영합니다 내 이름은 Yufeng의 구오이다 이 쇼에, 우리는 예술, 과학을 살펴볼 것이다 기계 학습 도구를 제공합니다 의 우리가 물어 봤는데 척하자 여부 음료의 질문에 응답하는 시스템을 만들 수 있습니다 와인이나 맥주입니다 우리가 구축이 질문에 응답 시스템 모델,이 모델이라고합니다 교육이라는 과정을 통해 생성됩니다

교육의 기계 학습에서의 목표 우리의 질문에 답 정확한 모델을 만드는 것입니다 시간을 제대로 대부분 그러나 위해, 우리를 모델을 학습합니다 에 훈련 데이터를 수집해야합니다 우리가 시작됩니다 곳이다 우리의 데이터는 와인과 맥주 잔에서 수집됩니다 우리는 데이터를 수집 할 수있는 음료의 여러 측면이 있습니다 on– 유리의 모양 거품의 양에 이르기까지

그러나 우리의 목적을 위해, 우리는 단지 두 가지 간단한 ones–을 선택합니다 광의 파장과 알코올 농도와 색 백분율로 희망은 우리가 음료의 우리의 두 가지 유형을 나눌 수 있다는 것입니다 혼자 이러한 두 가지 요인에 따라 우리는 지금부터 이러한 우리의 기능을 호출 할 수 있습니다 on– 색상과 알코올 우리의 과정의 첫 번째 단계 것 현지 식료품 점에 밖으로 실행하는, 다른 음료의 무리를 구입 우리 measurements– 분광계를 할 수있는 몇 가지 장비를 얻을 수 색상 및 비중계 측정 알코올 농도를 측정한다 우리의 식료품 점은 전자가 나타납니다 하드웨어 부분뿐만 아니라

우리가 가진 booze– 우리의 장비 일단 한 후 모든 up– 설정 그것은 기계의 우리의 첫번째 진짜 단계에 대한 시간 learning– 데이터 수집 이 단계는 품질 때문에 매우 중요하다 데이터의 양 당신은 수집이 직접 예측 모델이 얼마나 좋은 결정합니다 이 경우, 데이터는 우리가 수집 각 음료의 색과 알코올 함량 될 것입니다 이 색상의 우리에게 표를 얻을 것, 알코올 농도, 그것은 맥주 또는 와인인지 이것은 우리의 교육 자료가 될 것입니다

측정 그래서 몇 시간 후, 우리는했습니다 우리의 훈련 데이터를 수집 아마도 몇 가지 음료를했다 그리고 지금은 기계의 우리의 다음 단계에 대한 시간 learning– 데이터 preparation– 우리는 적당한 장소에 우리의 데이터를로드 할 경우 우리의 기계 학습 교육에 사용하기 위해 준비를합니다 우리는 먼저 함께 우리의 모든 데이터를 넣어 무작위 것 순서 우리는 데이터의 순서를 싶지 않을 것이다 그 아니에요 이후 우리가 배울 방법에 영향을합니다 음료 여부를 판정 부는 와인이나 맥주이다 즉, 우리의 결정을 할 것 앞이나 뒤에 온 것을 마실 음료는 무관 시퀀스이다

이것은 또한 어떤 관련 시각화를 할 수있는 좋은 시간입니다 데이터의, 도움 당신은 있는지가 다른 변수 사이의 관계이다 관련 뿐만 아니라 쇼 당신은 모든 데이터 불균형이있는 경우 예를 들어, 경우에 우리는 맥주에 대한 방법으로 더 많은 데이터 포인트를 수집 와인보다, 우리는 훈련이 모델은 크게 바이어스 될 것입니다 그것을 보는 것을 사실상 모든 추측을 향해 맥주는 대부분의 시간을 맞을 것이기 때문이다 그러나, 현실 세계에서, 모델 동등한 양으로 맥주, 와인을 볼 수있는 이 맥주 잘못 절반 추측됨을 의미 시간 우리는 또한 두 부분으로 데이터를 분할해야합니다 우리의 모델을 훈련에 사용되는 첫 번째 부분 우리의 데이터 세트의 대부분 일 것이다

두 번째 부분은 우리 기차 모델의 평가에 사용됩니다 공연 모델이 훈련 것을 우리는 같은 데이터를 사용하지 않으려는 평가에 그 이후는 것 질문을 암기 할 수 있습니다, 당신은 당신의 수학에서 질문을 사용하지하는 것처럼 수학 시험에 숙제 때로는 데이터 우리는 요구를 다른 형태의 수집 조정 및 manipulation– 것들 중복, 정상화, 오류 수정 및 다른 이들처럼 이러한 모든 데이터 준비 단계에서 일어날 것입니다 우리의 경우, 우리는 더 이상 데이터 준비 필요가 없습니다, 그래서 앞으로 이동하자

워크 플로우의 다음 단계는 모델을 선택하고있다 많은 모델이 있습니다 그 연구자 및 데이터 과학자 수년에 걸쳐 만들었습니다 일부는 아주 잘 이미지 데이터, 다른 사람에 적합 텍스트 나 음악과 같은 시퀀스에 대한 수치 데이터에 대한 몇 가지, 텍스트 기반 데이터에 대한 다른 사람 우리의 경우, 우리는 두 features– 색상과 알코올이 백분율 우리는 작은 선형 모델을 사용할 수있는 작업이 완료 얻을 것이다 아주 간단한 하나입니다

이제 우리는 종종 간주되는로 이동 기계의 대량 learning– 트레이닝 이 단계에서, 우리는 점진적으로 향상시키기 위해 데이터를 사용합니다 주어진 여부를 예측하는 우리의 모델의 능력 음료는 와인이나 맥주입니다 어떤면에서,이 사람과 유사 처음 운전을 배우고 처음에 그들은 페달, 노브의 방법 중 하나를 모른다, 그들이 누르거나 사용해야 할 때 스위치가 작동 또는 그러나 연습과 교정을 많이 후 자신의 실수, 라이센스 드라이버가 나온다

또한, 구동 년 후, 그들은 운전에 매우 능숙하게했습니다 운전 및 실제 데이터에 반응하는 행위 자신의 능력을 연마, 자신의 운전 능력을 적용하고있다 우리는 우리의 음료와 함께 훨씬 작은 규모로이 작업을 수행 할 것입니다 직선 특히, 식 Y는 X가 입력되는 경우, MX 플러스 B와 동일하다 m은 직선의 기울기이고, b는 y 절편이고, 및 y는 위치 (x)에서의 라인의 값이다 우리가 우리에게 가능한 값은 조정하거나 훈련 M 개의 기울기가 B 인 것을 단지 m 및 B이다 y 절편

라인의 위치에 영향을 미칠 수있는 다른 방법이 없다 다른 유일한 변수는 X, 우리의 입력 및 Y되므로 우리의 출력 기계 학습, 많은 m의의가있다 이후 많은 기능이있을 수 있습니다 이 값의 컬렉션은 일반적으로 표시되는 행렬로 형성 가중치 행렬 w 마찬가지로, B에 대해, 우리는 이들을 함께 배치 그리고는 편견을 불렀다 교육 과정은 어떤 임의의 값을 초기화 포함 w와 b를 예측하는 시도에 대한 그 값으로 출력한다 당신이 상상할 수 있듯이, 그것은 처음에 꽤 제대로 수행 그러나 우리는 출력이 우리의 모델의 예측을 비교할 수 있습니다 그것은 제조 및 w의 값을 조정 한 것을 및 b를 우리는보다 정확한 예측을 가질 것 주위 다음 번에

그래서이 과정이 반복된다 무게와 편견을 업데이트하는 각각의 반복 또는주기 한 교육 단계라고합니다 그럼 그보다 구체적으로 무엇을 의미하는지 살펴 보자 우리의 데이터 집합 때 우리가 처음 훈련을 시작, 우리는 데이터를 통해 임의의 선을 그린 것처럼입니다 그리고 교육의 각 단계가 진행됨에 따라, 라인 가까이 단계적으로 이동 와인과 맥주의 이상 분리합니다

교육이 완료되면, 그것은 시간이다 모델이 좋은 경우에 볼 수 있습니다 평가를 사용하면, 이것은 어디 우리가 설정하는 데이터 세트 옆으로 이전 플레이로 온다 평가는 우리가 우리의 모델을 테스트 할 수 있습니다 교육에 사용 된 적이없는 데이터에 대해 이 통계는 어떻게 모델이 수도 볼 수있게 해준다 아직 보지 않은 데이터에 대해 수행합니다 이것은 어떻게 대표하기위한 것입니다 이 모델은 현실 세계에서 수행 할 수 있습니다

나는 교육 평가 분할에 사용하는 엄지 손가락의 좋은 규칙은 어딘가 80 % -20 % 또는 70 % -30 % 정도에 이것의 대부분은 원래의 소스 데이터 세트의 크기에 따라 달라집니다 당신은 당신에게 아마, 많은 양의 데이터가있는 경우 평가 데이터 세트에 대한 일부의로 큰 필요가 없습니다 당신이 평가를 수행하면, 그건 당신은 당신이 더 개선 할 수 있는지보고 싶어 가능성 어떤 방식으로 훈련 우리는 우리의 일부 매개 변수를 조정하여이 작업을 수행 할 수 있습니다

몇 가지가 있었다 그 우리 암시 우리가 우리의 훈련을했을 때, 가정 지금 다시 테스트 갈 수있는 좋은 시간입니다 그 가정은, 다른 값을 시도해보십시오 매개 변수 우리가 할 수있는 조정의 한 예 우리는 훈련 집합을 통해 실행하는 횟수입니다 훈련 도중 우리는 실제로 데이터를 여러 번 표시 할 수 있습니다 그렇게함으로써 그래서, 우리는 잠재적 것 높은 정확도로 이어집니다 또 다른 매개 변수는 속도를 배우고있다

이것은 우리가 선을 이동하는 방법까지 정의 정보에 기초하여 각 단계 이전의 훈련 단계에서 이 값은 모두 얼마나 정확한 우리의 모델이 할 수있는 역할을 되고 얼마나 오래 훈련한다 더 복잡한 모델, 초기 조건 결정뿐만 아니라 중요한 역할을 할 수 훈련의 결과 차이는 따라 볼 수 있습니다 모델 훈련을 시작할지에 일부 분포 대 제로 초기화 값 가치와 어떤 그 분포가된다 당신이 볼 수 있듯이, 많은 고려 사항이 있습니다 훈련이 단계에서, 그것은 중요 당신은 당신을 위해 충분한 모델이 좋은 무엇이 정의하는 것이

그렇지 않으면, 우리는 우리 자신에게 조정 매개 변수를 찾을 수 있습니다 아주 긴 시간 이제, 이러한 매개 변수는 전형적으로 하이퍼 파라미터 라 함 이러한 하이퍼 파라미터의 조정 또는 조정 여전히, 과학보다 예술의 조금 더 남아 그리고 실험 과정이다 그 주로 데이터 집합, 모델의 특성에 따라, 및 교육 과정 당신이 당신의 교육 및 하이퍼 파라미터에 만족하면, 상기 평가 단계에 의해 안내, 그건 마지막으로 시간을 유용하게 뭔가를 모델을 사용합니다 기계 학습은 질문에 대답하기 위해 데이터를 사용하고, 그래서 예측 또는 추론은 우리가 마침내 단계입니다 몇 가지 질문에 대한 답변을 얻을

이것은이 모든 작업의 ​​포인트입니다 기계의 값 학습이 실현된다 우리는 마침내 주어진 여부를 예측하기 위해 모델을 사용할 수 있습니다 음료는 색상과 알코올의 비율을 제공, 와인 또는 맥주입니다 기계 학습의 힘은 우리입니다 와인을 구별하는 방법을 확인 할 수 있었다 맥주는 우리의 모델을 사용하기보다는 인간의 판단을 사용하여 수동 규칙 당신은 발표 오늘 아이디어를 추정 할 수 있습니다 다른 문제는 물론, 경우 도메인에 같은 원칙은 apply– 해당 데이터를 준비하는 모델을 선택, 데이터를 수집, 그것은 훈련과 평가, 당신의 hyperparameter을하고 교육, 그리고 마지막으로, 예측 당신은 플레이 더 많은 방법을 찾고 있다면 교육 및 매개 변수, 체크 아웃 TensorFlow 놀이터

그것은 완전히 브라우저 기반의 기계 학습 샌드 박스입니다 당신은 다른 매개 변수를 시도 할 수있는 및 모의 데이터 세트에 대한 교육을 실행합니다 그리고 걱정하지 마세요, 당신은 사이트를 분리 할 수 ​​없습니다 물론, 우리는 더 많은 단계와 미묘한 차이가 발생합니다 미래의 에피소드,하지만이 역할을 도움이되는 좋은 기초 프레임 워크로 우리는 우리에게 공통 언어를 제공하는 문제를 생각한다 각 단계에 대해 생각하고 미래에 더 깊이 이동합니다 AI 모험 다음 시간에, 우리는거야 code– 사용하여, 우리의 첫번째 진짜 기계 학습 모델을 구축 더 이상 그리기 라인과 대수학을 통해 것 [음악 재생]