먼저   구독하세요. 기술적인 내용을 트윗합니다. 내 트위터를    의 스피드런 한 번 더, 시작하자  이 시리즈  방금 당신에게 강화 학습(RL) 밈을 사용했습니다.  너가 게시물을 열어 (옳은 일을 해)  너는 밈(보상)을 받는다  진짜 미끼였어.. 어머나..  그렇다면 왜 meme-Kelvin은 RL이 무엇인지 배우기 어려울까요? 그는   RL의   싶어하기 때문입니다. 그것이 meme-KELVIN입니다! Concept를 이해하는 대신 구현을 배우고   새로운 것, 도구, 기술 또는 무엇이든 배울 때는 그것을 구현하는 것부터 시작하는 게 아니라, 그 도구로 해결할 수 있는 아이디어, 개념, 문제부터 시작해야 합니다!  워 켈빈, 이거 봐: 강화 학습(RL)을 이해하려면 올바른 움직임을 하면 점수를 얻는 비디오 게임을 하는 것을 생각해 봐.  강화 학습은 프로그램이 결정을 내리고 자신의 행동에 따라 보상이나 처벌을 받음으로써 학습하는 방식입니다.  그것은 단지 START-WITH-IDEAS 원칙을 강화 학습에 적용한 예일 뿐입니다. 하지만 저는 52초 안에 전체 ML을 배우는 방법을 알려드리겠다고 약속했습니다...   스피드런!  52초만에 ML을 배우려면   , PyTorch나 원하는 라이브러리 이름으로 구현을 구글(또는 GPT)에서 검색해야 합니다. 어쨌든 내년에 바뀔 것이고 괜찮습니다. 아이디어는 훨씬 더 오랫동안 동일하게 유지될 것입니다  구현이 아닌 ML 개념을 배우고 . 아이디어를 추구하세요!  머신 러닝 아이디어  1. 지도 학습  지도 학습에서 프로그램은 답이 있는 예(라벨이 있는 데이터라고 함)를 사용하여 학습됩니다. 이를 통해 프로그램은 예와 답 사이의 연결을 학습하여 이전에 본 적이 없는 새로운 예에 대한 답을 추측할 수 있습니다.    주택 가격 예측(선형 회귀), 고객이 제품을 구매할지 여부 결정(의사결정 트리) 알고리즘 및 해결해야 할 문제:  2. 비지도 학습  여기서 프로그램은 답이 없는 예(레이블이 지정되지 않은 데이터)를 살펴보고 그 안에서 패턴이나 그룹을 찾으려고 합니다. 이는 유사한 항목을 그룹화하거나 데이터를 설명하는 데 필요한 정보의 양을 줄이는 것과 같은 작업에 도움이 될 수 있습니다.    유사한 음악 취향을 가진 사람들을 그룹화(k-means 클러스터링), 너무 많은 정보를 잃지 않고 이미지 압축(주성분 분석) 알고리즘 및 해결해야 할 문제:  3. 강화 학습  강화 학습에서 프로그램은 여러 가지를 시도하고 보상이나 페널티의 형태로 피드백을 받아 결정을 내리는 법을 배웁니다. 목표는 시간이 지남에 따라 더 나은 결정을 내리고 문제를 더 효과적으로 해결하는 것입니다.    로봇에게 걷기를 가르치기(Q-러닝), 체스를 두는 프로그램을 훈련하기(정책 그래디언트 방법) 알고리즘 및 해결해야 할 문제:  4. 기능 엔지니어링  이는 원시 데이터에서 중요한 정보(특징)를 선택하여 프로그램이 더 잘 학습하도록 돕는 프로세스입니다. 때로는 전문 지식과 창의성을 사용하여 새로운 특징을 만드는 것도 포함됩니다.    잎의 길이와 너비를 사용하여 식물 종 식별 예:  5. 모델 평가  머신 러닝 모델이 얼마나 잘 작동하는지 확인하는 것은 잘 작동하는지 확인하는 데 중요합니다. 정확도, 정밀도, 재현율, F1-점수, 평균 제곱 오차와 같은 측정은 종종 모델의 성능을 확인하는 데 사용됩니다.  ⏲️ 24초 남았습니다. 잘하셨어요!  딥러닝도 다루어 보자!  딥러닝 아이디어  1. 신경망(NN)  이건 정말 추상적입니다. NN을 열로 정렬되어 있고 서로 다른 힘(연결을 통해)으로 왼쪽에서 오른쪽으로 ping을 보내는 뇌-뉴런으로 상상할 수 있습니다. 뉴런(각 계층)이 ping을 받는 힘은 다음 ping을 정의하고 최종 결과 자체도 정의합니다.    이미지에서 객체 인식(피드포워드 신경망), 언어 번역(방사형 기저 함수 네트워크) 알고리즘 및 해결해야 할 문제:  2. 역전파  실수를 하면, 그것으로부터 배우고 그것을 반복하지 않으려고 노력합니다. 역전파는 프로그램이 같은 일을 하는 방법입니다.  이를 통해 프로그램에서 문제가 발생한 부분을 파악하고 올바른 답을 찾는 데 더 나은 성과를 거둘 수 있습니다.  3. 합성곱 신경망(CNN)  CNN은 그림과 같은 격자 모양의 데이터를 이해할 수 있는 특수한 신경망입니다.  그들은 패턴을 배우고 선과 모양 등 그림의 일부를 인식하는 데 도움이 되는 층을 가지고 있습니다.    사진에서 얼굴 감지(LeNet-5), 이미지에서 다양한 동물 유형 식별(AlexNet, VGG) 알고리즘 및 해결해야 할 문제:  4. 순환 신경망(RNN)  RNN은 일련의 숫자나 단어와 같이 순서대로 들어오는 데이터를 처리하도록 설계되었습니다.  그들은 이전의 입력 내용을 기억하고 그 정보를 활용하여 더 나은 결정을 내릴 수 있습니다.    주가 예측(Long Short-Term Memory, LSTM), 주어진 스타일을 기반으로 텍스트 생성(Gated Recurrent Units, GRU) 알고리즘 및 해결해야 할 문제:  5. 전이 학습  이는 이미 많은 것을 학습한 프로그램 모델이 제한된 데이터로 새로운 작업을 수행하도록 미세 조정되는 경우입니다.  이는 프로그램이 이전 학습을 통해 유용한 내용을 이미 알고 있기 때문에 더 빨리 학습하고 더 나은 성능을 발휘하는 데 도움이 됩니다.    다양한 개 품종(ResNet 등)을 학습한 모델을 사용하여 특정 유형의 고양이를 인식합니다. 예:  6. 정규화 기술  이러한 기술은 프로그램이 데이터에서 너무 많은 것을 학습하는 것을 방지하는 데 도움이 되며, 이는 과적합과 같은 문제를 일으킬 수 있습니다.  멈춰요 🏁    0분 52초  완료:   기본적으로 이게 전부입니다. 이제 에이전트에게 켈빈 구글링으로 알고리즘과 해결하고 싶은 문제에 대한 구현 방법을 훈련시키세요!  도구를 사용하기 시작하려면 도구가 해결하는 문제부터 시작하여 문제를 해결하는 데 어떤 개념(들)이 사용되는지 알아봅니다. "도구로 무언가를 하는 방법"과 같이 구현을 머릿속에 두지 마세요. 복잡하고 어차피 모든 것이 머릿속에 맞지 않을 겁니다.   아이디어를 배우고, 구글에서 구현해보세요.  구현 내용을 구글링 5~10번 하면 기억하게 되고, 그러다 보면 그 기술이 쓸모없게 되어 잊어버리게 됩니다. 괜찮습니다. 이런 일은 늘 일어납니다.  아이디어는 잊기 어렵고 오랫동안 기억에 남습니다.  안녕히 계세요. 다음 드래그 레이스에서 뵙겠습니다.    잠깐만요!  교육 시스템이 실무 중심적이고 유익하기를 원한다면   것을 생각해보세요 <3 트위터 새를 따라가는  어쨌든 당신이 텍스트를 좋아하고   하거나 소셜 네트워크에서 재미를 즐기는 중독자라면 트위터를 팔로우할 수 있습니다. 더 많은 것을 원  아니면 아무도 따르지 말고, 누구의 말도 듣지 마! 너만의 길을 만들어!   사실 저는 여러분이 제 트윗을 팔로우하기를 원했어요. 그냥 판매였거든요.    확인하세요 "43초 안에 REACT 배우기"를

This story contains new, firsthand information uncovered by the writer.

Follow The Blue Bird

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

머신 러닝에 대한 이해를 52초 안에 스피드런하세요. 🏎️

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

독특한 생태계를 강화하는 비트코인 UTXO 모델

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

독특한 생태계를 강화하는 비트코인 UTXO 모델

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps