Künstliche Intelligenz (KI) und maschinelles Lernen für absolute Anfänger 2023

1. Einführung in den Kurs: Hallo allerseits. Willkommen zu diesem Kurs über Künstliche Intelligenz für den absoluten Anfänger. Und herzlichen Glückwunsch, dass Sie diesen Schritt unternommen haben, um in Ihre Fähigkeiten zu investieren. Was die Fähigkeiten angeht, kann man mit künstlicher Intelligenz, einer der aufregendsten Technologien der letzten Zeit, wirklich nichts falsch machen einer der aufregendsten Technologien der . Ich meine, soweit es die Vierte industrielle Revolution genannt wurde . Also habe ich diesen Kurs gemacht, wie ich weiß, Ea im maschinellen Lernen kann sehr einschüchterndes Thema für den Durchschnittsmenschen sein. Ich meine, es klingt sehr technisch. Selbst wenn Sie ein IT-Profi sind, klingt es sehr technisch. Vielleicht bist du ein IT-Manager oder ein nackter Typ. Ich mag einen Cybersicherheitsexperten oder vielleicht bist du nicht in der IT und so. Bist du keine Idee, du bist nur ein Geschäftsmann, aber du hast das transformative Potenzial künstlicher Intelligenz gesehen . Und du willst die AA verstehen, aber du weißt nicht, wo du anfangen sollst, oder? Nun dann ist dieser Kurs genau das Richtige für dich. Wir werden entmystifizieren, was EA-maschinelles Lernen ist. Und der springende Punkt dieses Kurses besteht darin, EIA zu entmystifizieren und für alle zugänglich zu machen und die Komplexität zu beseitigen , die zu diesem Thema zu tun scheint. Also über mich, nur ein kurzer Überblick über mich Leute. Diese gut aussehende Person bin ich. Mein Name ist Dan Moody Style. Ich bin seit etwa 100 Jahren in der IT und auf zwei Jahrzehnten. Also habe ich mehrere Auszeichnungen. Mein Bereich, ich war einfach ein, was der globale Stil des Vereinigten Königreichs in Visa brachte. Also wohne ich derzeit in London arbeite für mich buddhistische Veröffentlichungen, wie ein Isochore des CA Magazine. Und ich habe viele Auszeichnungen auf diesem Gebiet gewonnen. Sag dir das nur, damit du weißt, dass du beim Diskurs in guten Händen bist. Derzeit arbeite ich jetzt an Cloud-Sicherheit und künstlicher Intelligenz. Und was ich wirklich gerne mache, ist, dass ich komplexe Themen und das Codon annehme , damit Leute es verstehen und anwenden können. Der springende Punkt dieser Folie ist es , Ihnen zu zeigen, dass ich weiß, wovon ich rede. Und ich, ich habe etwas Erfahrung, damit du in guten Händen bist. Also über den Diskurs. Worum geht es in diesem Kurs? Der springende Punkt davon? Wenn Sie das Gefühl haben, dass ich vielleicht einen großen Fehler gemacht habe , indem ich an diesem Kurs teilgenommen habe. Ich hoffe, du änderst deine Meinung und verstehst dich. Also nehme ich alle anhaltenden Bedenken weg Sie möglicherweise noch über den Diskurs haben. Dieser Kurs ist also für wen Sie lernen möchten, KI, künstliche Intelligenz, maschinelles Lernen, aber Sie wissen nicht, wie Sie es vorgehen sollen, oder? Alles scheint zu weit fortgeschritten zu sein, um komplex zu sein. Du kennst das Programmieren nicht, du kennst das Codieren nicht, du findest es sehr langweilig und interessiert sich nicht dafür, oder? Du hast weder Antwort, stimmt zu und Mathematik oder wie Python und all das andere Zeug, das du siehst. Aber es scheint nur ein zu sein, so dass der Diskurs wie für Sie ist , wenn Sie wirklich diese Bedenken haben, oder? Was Sie also in diesem Kurs tun werden, werden Sie verstehen, was künstliche Intelligenz und maschinelles Lernen von Grund auf neu sind, weil Sie entweder davon ausgehen , dass er kein Wissen darüber hat. Sie werden Ihr eigenes Machine Learning-Modell erstellen , weil ich kein großer Fan des Todes durch PowerPoint bin. Das verstehe ich nicht. Ihr Projekt besteht also darin, Ihr eigenes Machine Learning-Modell von Grund auf neu zu erstellen Ihr eigenes Machine Learning-Modell von , ohne eine Codezeile zu schreiben . Das ist mein Versprechen an dich. Sie werden Ubuntu-Dienste bereitstellen, auf künstlicher Intelligenz basieren. Und du hast es einfach nicht getan, hast keine Verbindung und eine Lernbereitschaft. Ich Leute, ich weiß, das klingt zu gut, um wahr zu sein, aber wir werden sehen, wie es geht. Also nur ein kurzes Fenster, Elektroroboter mich. Das tue ich. Ich bin auf meinem YouTube-Kanal , auf Facebook und auf meinem Blog verfügbar . Wenn Sie sich also mit mir in Verbindung setzen möchten , tun Sie dies bitte. Und das ist der Typ. Also danke ich dir vielmals. Ich hoffe, Ihnen hat dieser Kurs genauso gut gefallen, wie es mir gefallen hat, ihn zu machen und uns in der nächsten Lektion zu sehen. Danke. 2. Overview über die KI: Hallo allerseits. Willkommen in diesem Abschnitt , in dem es darum geht, künstliche Intelligenz zu verstehen, ein kurzer Überblick über die Entwicklung. Der Zweck dieses Abschnitts, Leute, ist es, Ihnen einen Kontext über EIA zu geben, was EI ist und was nicht. Und im Grunde genommen, wie wir diesen Zeitpunkt der KI-Entwicklung erreicht haben . Jetzt glauben Sie es vielleicht nicht, aber die UVP gibt es seit mehreren Jahrzehnten bis in die 1950er Jahre. also daran, warum denken Sie erst jetzt, dass wir das Konzept von va, von allem so sehr hyperbolisch sehen . Also habe ich erwähnt, dass es nur so viele KI-Produkte sind. Und das hat sich in letzter Zeit geändert. Machen Sie die UVP plötzlich relevant? Und überall, wo Sie sehen werden, sehen Sie jeden Tag alle möglichen Stellenausschreibungen, Ihre Nähte, alle möglichen Unternehmen, die sich beeilen, KI und maschinelles Lernen in diese Produkte zu übernehmen . Was sind Studenten , die heutzutage einfach eine Art anderes machen? Das ist der springende Punkt dieses Abschnitts. Also lasst uns zuerst anfangen. Zuallererst, was sind die KI-Leute? Ich meine, was halten die Leute von Geld? Wie bereits erwähnt, wenn du den durchschnittlichen Kerl auf der Straße gestoppt hast und ihn nach Spiel fragst, und was denkst du? Was ist Künstliche Intelligenz? Woran denkst du, worüber der Typ nachdenken wird? Also lasst uns einen Blick darauf werfen. Also zuerst, ja, oft über die Dinge, die sich drehen, sprechen wir über Atome. Wir wissen, dass sie zur Popkultur werden können, weißt du, Filme, Bücher, aber Helion, du machst gut, was du im Fernsehen siehst. Die durchschnittliche Extremität und künstliche Intelligenz bedeuten auch, dass die Maschinen die Kontrolle übernehmen. Großartig, wie im Film Terminator 2. Ich meine, wenn du dich erinnerst, ist es einer meiner Lieblingsfilme aus meiner Kindheit, im Grunde ein reziprokes medizinisches Skynet. Es wird zu einer selbstbewussten Rate und es braucht, dass es versucht, alle Menschen auszurotten. Und es heißt, es schafft diese Maschinen, die als Terminatoren bezeichnet werden, um die Menschheit auszurotten. Das ist also so, als würde er viele Leute denken , dass KI das ist. Seltsam. Wenn du etwas Neueres wie die Show namens Westworld machen willst. Was da drin passiert , dass Menschen diese realistischen Roboter erschaffen , waren im Grunde Sklaven. Und diese Roboter beginnen langsam, langsam aufzuwachen und erkennen, dass ihre Ärmel und sie anfangen, sich zu wehren. Wenn du wie ich bist, hast du vielleicht ein mehrfarbiges 2000 und eine Space Odyssey. Es ist wie ein Meisterwerk von Stanley Kubrick. Und darin gibt es einen kritischen Hal , der im Grunde bösartig wird und nicht den Ordnungen der Menschen gehorcht. Das EINE, Es ist ein sehr, sehr berühmter Film. Der Grund, warum ich diese drei Filme aufgenommen habe, und all diese stammen aus zwei verschiedenen Zeiträumen. Was von der 90 stammt, ist eins und aus der jüngsten Zeit, als es aus den 1970er Jahren stammt, war ich, glaube ich. Also Leute, was ist der Sinn? Es geht darum, Ihnen zu zeigen, dass künstliche Intelligenz die Menschen schon immer fasziniert hat. Es ist immer fasziniert, dass die Menschen aus allen Zeiträumen davon fasziniert waren , dass das Konzept einer Denkmaschine etwas ist, das unserer Popkultur sehr, sehr privilegiert ist . Also, aber, und dann sprichst du über UVP. Meistens denken die Leute, wenn Menschen die Maschinen nehmen von Menschen übernehmen, was ein beängstigendes Gespräch ist, stimme ich zu. Das Konzept von Maschinen, die langsam übernehmen , die Dinge, die Menschen tun. Es ist ein beängstigender Gedanke, aber das ist nicht wirklich ein ist. Gehen wir also zurück zum Anfang. Wer hat diesen Begriff KI geprägt? Was ist derjenige, der diesen Begriff geprägt hat? Der Vater von Bewegungsbögen ist also mehr als künstliche Intelligenz , die sich normalerweise auf John McCarthy beziehen , der den Begriff 1956 prägte. Und er bezeichnete als Wissenschaft und Technik der Herstellung intelligenter Maschinen. Und das ist, dass ich mich auf den letzten Teil konzentrieren wollte , intelligente Maschinen und was denkst du ein indonesischer Maschinenhersteller? Ich meine, wenn Sie mehrere Jahrzehnte zurückgehen, Menschen mit einem Tada-Rechner und einer intelligenten Maschine. Und sie haben von etwas wie Magie gesprochen , die du gerade einlegst. Es berechnet die ganze Berechnung von selbst. Wir wissen nicht , dass das nicht der Fall ist. Schiefer. Ich habe genauso berechnet, wie hart codierte Anweisungen von Programmen zitiert werden. Es erwartet eine bestimmte Eingabe und gibt Ihnen eine bestimmte Ausgabe. Es gibt nicht viel Intelligenzschicht. Wenn wir also behalten, wenn wir das im Hinterkopf behalten, was ist jetzt UVP? Eia mischt die Wissenschaft von Computern, die Ergebnisse erzeugen, aber Delta, die darauf programmiert werden, programmiert man es nicht explizit. Programmieren Sie das Computersystem, um alles zu tun. Stattdessen hat es jene intelligenten Algorithmen , mit denen es langsam von selbst lernt. Und was dann passiert, ist, dass es Sprache tatsächlich erkennen kann. Es kann Gesichter erkennen, Bilder erkennen, Vorhersagen treffen, intelligente Entscheidungen treffen und menschliches Urteilsvermögen mit hohem Maß an Genauigkeit nachahmen . Darauf beziehen wir uns im Grunde, wenn wir künstliche Intelligenz sagen. Ich hoffe also, dass Sie den Unterschied zwischen Ihren normalen Programmen nicht verstehen können , die im Grunde durch ihre Programme begrenzt sind und die ihr Leben steuern, die zu einem Künstliche Intelligenz KI. Was Sie tun, ist, dass Sie nicht explizit darauf programmiert sind, irgendetwas zu tun. Sie würden ihm einen bestimmten Satz von Eingaben geben. Und dann lässt man es von selbst lernen, wie es geht. Du wirst es später sehen. Aber ich hoffe, Sie verstehen jetzt, was die Unterschiede jetzt eine sehr wörtliche Geschichte haben, die zurückreicht, wie ich Ihnen in 77 Jahrzehnten gesagt habe. Und ich lege es in den Ressourcenbereich ein. Ich möchte nicht, dass Sie Sie langweilen, indem Sie Ihnen spezifische Daten und alles geben. Sie können also ein bisschen alleine nehmen, es ist sehr, sehr interessant. Es zeigt Ihnen die Fed-Meilensteine, die passiert sind. Ich hoffe, du verstehst Leute, wovon wir reden und lass uns jetzt zum nächsten Abschnitt übergehen. 3. Die Wirkung von KI: Hallo Leute. Willkommen in diesem Abschnitt. Jetzt, wo wir verstanden haben, was KI ist und was, wie sie entstanden ist, was war ihre grundlegende Geschichte. Lassen Sie uns näher darauf eingehen, wie groß die EIA von einem Deal ist. Ebenso ist es so wichtig, weil es für euch sehr wichtig ist , EIS zu verstehen, nicht nur eine Modeerscheinung. Es ist nicht wie ein Trend , der etwas vereinen wird , das sehr beliebt sein könnte und einfach verblasst. Nein. Ai wird fast jeden Aspekt eines persönlichen und beruflichen Lebens verändern. Und das sage ich nicht leichtfertig. Ich bin nicht nur übermäßig dramatisch. Ich zeige dir warum. Warum es so wichtig ist , vollständig zu erfassen. Lass mich dir ein paar Kontexte zeigen. Bisher hatten wir in der Menschheitsgeschichte unsere eigenen, würde ich sagen, drei große industrielle Revolutionen. Und mit industrieller Revolution meinen wir das Bein, etwas, das entstand, was auch immer die enorme Veränderung und das soziale Niveau genug Unternehmen, Arbeitsplätze, wie Städte waren wie Menschen arbeiten , wie die Wirtschaft vorangetrieben hat. Schauen wir uns also die erste an , die industrielle Revolution. Jetzt glauben Sie es im Arbeitskampf oder nicht, es gab eine Zeit, in der die Menschen hauptsächlich arbeiteten Farmen. Und Ihr Einkommen basierte darauf, wie viel Arbeit Sie geleistet haben, wie viel manuelle Leber Sie darin investiert haben , und Sie wissen nicht, Sie könnten bei Tieren mit Ihrer Arbeit Hilfe nehmen, aber das war ziemlich so viel wie es war. Landwirte waren die Haupteinnahmequelle und wie die Menschen früher arbeiteten. Was vor ein paar Jahrhunderten passiert ist, ist, dass die Automatisierung begann. Dampfkraft, elektrische Strommaschinen. Sie kamen herein und ich kann es nicht verstehen. Ich kann Ihnen die Auswirkungen dessen nicht überlastet haben, was es war, denn jetzt hatten Sie Massenproduktion in Fabriken an Montagelinien. Es war etwas, das in der Geschichte der Menschheit noch nie passiert ist. Also was ist passiert? Jump begann zu den Factory-Events zu wechseln. Die Menschen fingen an, in die Städte zu ziehen , in denen es Arbeitsplätze gab. Und was ist passiert? Die Stadt begann zu gedeihen , dass Ökonomen Bu begannen, zu steigen, zu springen und sich zu bewegen begannen. Und das hat die Neuzeit ziemlich eingeläutet und die Menschen begannen, in die Städte zu ziehen. Also kombiniere ich einfach die erste, zweite Industrielle Revolution, weil die erste auf Dampf und Wasserkraft basierte. Der andere ist elektrisch, aber das Konzept bleibt gleich. Dies war also die erste, zweite industrielle Revolution, die die Art und Weise verändert, wie Menschen arbeiten. Die zweite war die digitale Revolution. Jetzt sollte das einfach sein , denn du lebst gerade bei Jungs. Was war die digitale Revolution von mechanisch auf digital entfernt. Was war diese Revolution? Es waren Computer, Digitalisierung, Internet, Smartphones. Und sie kamen und haben Unternehmen und das Leben der Menschen für immer verändert . Es gibt einen Grund, warum Sie derzeit kein analoges Telefon verwenden. Wissen Sie, alle analogen Telefone, die Sie in Museen oder im Internet sehen , waren es englische Allophone. Und aufgrund der digitalen Revolution ist dies der Grund, warum Sie dies wahrscheinlich auf Ihrem persönlichen PC zu Hause, auf Ihrem Smartphone oder auf Ihrem Tablet im Highspeed-Internet beobachten dies wahrscheinlich auf Ihrem persönlichen PC zu Hause, auf Ihrem Smartphone oder auf . Das ist der Grund, warum sie das getan haben, sind alle Vorteile der digitalen Revolution. Jetzt denke ich, dass du verstehen kannst, was ich mit diesem gelben Streifen mache, der Bühne. Jetzt RIAA, so wichtig. Jetzt kommen wir also. Also diese, das ist die vierte Revolution , die mitten drin ist, sie beginnt. Und EI ist ein großer Teil der gerade stattfindenden industriellen Revolution . Es ist eine Fortsetzung der digitalen Revolution. Und im Grunde baut es darauf auf, es zu finanzieren. Was also passiert ist, ist jetzt, dass EI da ist. Und was vor ein paar Jahrzehnten Science-Fiction zu sein schien , wird jetzt Realität. Wir sehen eine Robotik von uns im Alltag wie Siri Alexa, was uns hilft, bessere Entscheidungen zu treffen. Es verbessert die Qualität eines Lebens ist wie, und es wird hoffentlich die Linien zum Besseren verändern . Aber es hat bereits begonnen, die Arbeitsmärkte zu stören. Das begann, Arbeitsplätze zu eliminieren , die nicht auf einem hohen Niveau menschlicher Interaktion auftreten. Und neue Arbeitsplätze wurden geschaffen wenn Unternehmen anfangen, sie zu betrachten oder faul oder wenn Sie hier KI und maschinelles Lernen anschließen können . Ich hoffe, dass Sie verstehen, warum KI jetzt so wichtig ist, warum, wie es sein wird und wie sie revolutionieren wird wie Menschen arbeiten und Menschen leben werden. Ich habe einen Link im Ressourcenbereich hinzugefügt, Leute, damit Sie mehr Informationen über die vierte Revolution erhalten können , weil, es glauben oder nicht, Es ist nicht nur die Idee andere Aspekte von n, Es ist sehr faszinierend. Es wird die Menschen führen, alle Regierungen sind daran interessiert zu prüfen, wie sie damit umgehen können. Was ist die Ethik davon? Es ist einfach schrecklich. Wir können einen Vortrag halten oder wir können einen Kurs haben, der sich gerade dazu widmet. Ich hoffe also, dass Sie jetzt verstehen, warum es so wichtig ist. Also jetzt haben wir verstanden, dass Sie wissen, wie wichtig ein ist, aber warum ist es plötzlich so Kohlenstoff geworden, ich meine, was in den letzten Jahren passiert ist , was wir so sehen riesig sicherlich Evas Produkte und Dienstleistungen. Wir sehen, dass IT-Stellenausschreibungen Unternehmen sich für Regierungen interessieren , weil das Konzept der VAs, Ausnahmen von Fünfzigern und dem Senat, aber nichts Wesentliches geschah. Und warum war das? Nun, es war hauptsächlich aus drei Gründen, drei Mängeln. Es mangelte an Rechenleistung, Datenmangel und Mangel an Talent. Wenn wir uns das also anschauen, und das sind die drei Dinge, die jetzt verschwunden sind. Und wir sind im Grunde genommen weitgehend verfügbar geworden. Und das ist der Grund, warum sie einen so großen Anstieg im Bauchmuskeldienst hatten . Und schauen wir uns die erste Reihe an, warum sie farbig drucken kann. Was passiert ist, ist die Hauptsache Cloud Computing. Nun, technisch gesehen existierte es es vor der Cloud, oder? Künstliche Intelligenz war die Essenz eines Stücks. Aber in letzter Zeit war die Cloud wirklich der Katalysator für die Beschleunigung der KI-Einführung. Warum? Nun, weil KI eine enorme Menge an Rechenleistung benötigt . Und was mit der Cloud passiert ist, können Sie VMs mit CPU, Arbeitsspeicher oder Festplatte aufdrehen , und Sie können sie grundsätzlich in eine so leistungsstarke VM einfügen, wie Sie möchten. Jetzt haben Sie diese Compute-On-Demand-Dienste, die ich nur bei den Cloud-Anbietern war. Darüber hinaus ist das große Problem mit Anbietern wie AWS oder GCP, sie haben sogar Managed Services und KI, die einen großen Teil der Komplexität für Dienste erfordern. Und sie haben die Eintrittsbarriere auch für Neuankömmlinge aufgehoben . Es ist also sehr einfach, sich nicht an der Montage zu beteiligen. Wir haben es vorher einfach nicht möglich. Und das zweite sind Daten-Jungs. Jetzt braucht die Cloud Daten und vieles davon. Warum? Denn je mehr Sie Daten ein KI-Modell füttern, desto genauer können Sie Vorhersagen und Entscheidungen treffen. Und Bytedaten, ich möchte, ich möchte klar sein. Ich meine nicht Daten, nur Aufzeichnungen, aber Daten bedeuten Weiss, Bilder, Video, geografische Lage, Smartphone-Daten und so weiter. Und das ist vorher einfach nicht möglich, es war nicht möglich, zu viel zu speichern, da viele Daten entweder wegen der Kosten oder des Speichers selbst begrenzt waren. Jetzt mit Big Data und den reduzierten Speicherkosten ist dieses Talent verschwunden. Und schließlich, aber nicht zuletzt war das menschliche Element, das Investitionen war. Regierungen. Wir sehen diesen ewigen Wert unserer Investitionen in KI nicht . Und das hat sich dramatisch verändert. Die Elemente haben jetzt das Potenzial erkannt und es gibt viel Investitionen in die Zukunft. Ai. Und Unternehmensgründungen suchen nach, wie sie die Rocky Mountains verändern können, um in Zukunft gerecht zu werden. Wir haben Bildungseinrichtungen der Universität engagierte und Master-Studiengänge an der UVP anbieten. Der Verlauf des Kursniveaus im Diskurs, den Sie gerade bearbeiten. Das ist vor einiger Zeit einfach nichts Unerhörtes , denn niemand hätte sich für die Hilfe interessiert, war einfach nicht populär geworden. Aber all das ist verschwunden. Deshalb ist es in letzter Zeit so populär geworden. Und okay, so neuartig hat die Auswirkungen von KI verstanden und warum sie so populär geworden ist. Wie nutzen Sie den Agar jeden Tag, wenn Sie sich nur ein paar Dienste vorstellen können. Werfen wir einen Blick auf Netflix, ich glaube, jeder hat einen Wechselstromfluss, richtig Leute. Du bist Personalisierung. Personalisierung, die, wie Sie wissen, für Filmempfehlungen geschieht , verwendet das mobile Auge, das Sie haben, während Sie Filme ansehen und Netflix versteht, welche Arten von Filmen Sie mögen, es empfiehlt sich, was, das ist alles maschinelles Lernen. Es sieht sich die Filme an, die sie mögen und ähnliche Filme, die andere Leute sehen. Und basierend darauf ist es Modell, es ist das a- und maschinelle Lernmodell. Empfehlt dir Filme , damit er sich weiterhin interessieren kann. Ich denke, jeder erkennt jeden , der unbedingt mit der rechten Maustaste ein iPhone hat. Was der Lebenslauf tut, ist eine Sprachsynthese zu verwenden, Spracherkennung wie National Natural Language Processing, versteht, was Sie sehen und mit hoher Genauigkeit ist es in der Lage um Ihnen bereitzustellen, was Sie wollen und es ist in der Lage, Google zu verbinden. Ich denke, jeder sollte das wissen wie die Google-Suche. Während Sie tippen, können Sie sehen, dass Google das Leerzeichen ausfüllt. Es ist bereits zu verstehen, wonach Sie mit hoher Genauigkeit suchen werden. Es kann vorhersagen , dass sich KI entwickelt, die in die Google-Suchalgorithmen integriert ist. Ähnlich wie Google Maps haben Sie möglicherweise Google Maps gesehen, oder? Was macht es? Es würde Google Maps verwenden. Es ist als Schätzung gekennzeichnet, wo Sie es hatten und wie man ohne Befehl navigiert Radioaktivität, Sie hustet, Taifune und alles. Twitter. Heute haben Sie vielleicht die Priorisierung der Zeitleiste gesehen. Es hat sich geändert. Anstatt nur den obersten Tweet zu sehen, wird tatsächlich untersucht, was Sie getan haben, was Ihre Interessen sind woran der relevante Vertrag interessiert sein könnte. Und darauf aufbauend priorisiert es Ihre Tweets und zeigt sie Ihnen, richtig, an welchen Studiengebühren am meisten interessiert sein könnten. In ähnlicher Weise Flicken, Markieren ihres angesagten Sprachfalles. Ich meine Dinge, die in einer modernen Gesellschaft nicht akzeptabel sind . Es ist eigentlich, dass ein Kerl nicht einfach Millionen und Millionen von Tweets zu spät manuell durchläuft . Eigentlich ist es sterblich, geht es durch und die Flaggen, welche Rede aus Hassreden besteht und sie kennzeichnet und weniger sichtbar ist. Ich glaube, Facebook benutzt jeder richtig? Facebook du durch Gesichtserkennung nennst du new tag deine Kontakte. Durch Gesichtserkennung kann man verstehen, welche Bilder auf welchem Kontext Ihr Kontext zeigt. Und es ist in der Lage, Millionen und Millionen von Bildern zu durchsuchen und es dir zu zeigen. Dies sind also nur einige von ihnen und jeden Tag Implikationen , die KI verwenden. Also muss ich es kontextualisiert machen und es zeigt, wie viele Augen werden und wie du genug geworden bist. Ich meine, du benutzt es, ohne darüber nachzudenken. Okay Leute, danke. Ich hoffe, du hast jetzt verstanden was auch immer wir hier wunderbar erreichen wollen. Lassen Sie uns also mit dem neuen Abschnitt fortfahren. Danke. 4. Google AI: Leute, jetzt, da wir KI und ihre Konzepte und Auswirkungen verstanden haben , Lassen Sie uns eine schnelle Demo mit der Vision API machen, die von Google verfügbar ist und die Ihnen die Möglichkeit gibt, Bilder mit EIA und bekommt daraus allerlei Einblicke. Es kann Ihnen sagen, dass Sie sich Bilder ansehen , die Ihnen sagen können, welche Objekte es gibt, welche Emotionen unter den Gesichtern der Menschen sind, welche Texturen in ihrer Magie vorhanden , so stark ist. Ich meine, man kann sogar die Bilder im Unterricht jeden Tag in Millionen von Kategorien erkennen jeden Tag in , die bereits vordefiniert sind. Aber Google, einige Leute verwenden es, um Text in Bildern zu erkennen. Für OCR kann q Dokumente verarbeiten, auch wenn Sie wie in einem Unternehmen sind. Angenommen, wenn Sie ein E-Commerce-Unternehmen sind und Bilder akzeptieren, können Sie es für Externalität verwenden, um herauszufinden, ob Bilder Inhalte für Erwachsene enthalten, während sie sich in Käfigen befinden. Es ist ein extrem leistungsfähiges Werkzeug. Also schauen wir uns mal an Leute. Falls du dich also fragst, was die Screeners und das YMCA mögen, siehst du zwei von mir. Es ist einfach. Ich habe mich selbst in Keile gesteckt, einen mit einer handschriftlichen Notiz und wann hätte eine gedruckt. Mal sehen, schauen wir uns die Google-Vision an und sehen, wie viele Daten Google mit künstlicher Intelligenz daraus extrahieren kann . Besuchen Sie die Seite stattdessen im Ressourcenbereich, klicken Sie einfach darauf und wir sehen uns dort. Also Leute, das ist ein Bildschirm. Ich habe Ihnen gesagt, ob dies Google Vision API ist einfach Es ist Agent, um google.com Slash Vision zu clouddot. Wie ein Toluol. Es hat eine Vision-API, damit Sie es tun können, dann müssen Sie einfach nichts programmieren. Sie können Ihr Bild einfach erneut ziehen und sehen, welche Art von Daten es daraus extrahiert werden kann. Schauen wir uns also das Hybrid-Bild an, das ich dort abgelegt habe. Lasst uns von ihrem Blick auf den Schlussstein öffnen . Das sind also ziemlich interessante Leute. Sieh mal. Also brauchte es meinen Ausdruck, singte möglich und möglicherweise bin ich glücklich, bin ich wohl, ich schätze, ich lächle ein bisschen besser. Sie können sehen, dass es verbunden ist, ob es 98 Prozent Vertrauen ist zu sagen: Nizza, Okay, was sind die Objekte? Es gibt eine Person, definitiv das gelbe Hemd und alles was Liberale ist. Handschriftenhülse, nur damit Sie alles sehen können , was es erkannt hat Was ist die Textsuche. Es hat also nicht ein „Ich bin großartig“ bezeichnet. Okay, so sehr konnte es erkennen, welche Eigenschaften es hat, nicht die Farben und alles. Das ist erstaunlich. sichere Suche erkennt, ob Lego glücklicherweise kein Dokument auf diesem Bild gibt . Gott sei Dank dafür. Und so können Sie sehen, wie viel es nur für das einfache Bild aus Gesicht, Emotionen, Objekt, Etiketten und Text erkennen konnte nur für das einfache Bild aus Gesicht, Emotionen, Objekt, Etiketten und Text erkennen . Eigentum ist sichere Suche. Okay? Lasst uns also eine Sache machen. Schauen wir uns das an , in dem ich das gedruckte Bild halte. Okay. Dies ist also der zweite. November habe ich das gedruckte Dokument meiner Hand. Ich wollte nur das U sehen, um den Unterschied zu zeigen. Okay. Auch hier schätze ich freue mich auf beiden Bildern, was nett ist. Okay. Was sind die Objekte jetzt? Interessanterweise Person das, was er das Shirt nannte, und all diese Zinsniveaus. Okay. Trikot-Sportuniform Okay. Nimmt es auch meinen Bart? Das gefällt mir. Ups, tut mir leid. Text. Sieh dir das an. Ich würde wahrscheinlich nicht erkennen, dass ein großartig ist. Lerne, wie man es benutzt, weil ich denke, es war mehr, meine Beleuchtung war nicht lesbar, aber ich mag diesen monomialen Fischer, sagt London, wenn man hier sehen kann, konnte er das sogar erkennen. Das ist ziemlich erstaunlich. Das siehst du hier, oder? Eigentum ist in Ordnung, die dominanten Farben und andere Es ist süchtig machend Antwort, wenn solche , zum Glück, keine Kontaktfrist, Vermeidung und Erlösungsbild gibt . Sie können sehen, wie viel Bild aus den Bewegungen von Objekten extrahieren kann . Und dann wurde bewusst gerade gedruckt und 100 handgeschrieben. Aber ich mag die Tatsache sehr, dass es sogar unterscheiden konnte. Ich war nicht bereit dafür. Und es heißt, London ist nur der BUN sichtbar und konnte das auch erkennen. Du denkst also, ich wollte dir nur eine schnelle und schnelle Demo geben. Ich werde einfach furchtbar wie geworden sein und wie viel Bild erkennen kann. Ich möchte, dass du eine Sache machst. Ich möchte ein paar Fotos machen und mich schützen. Sie sehen nur, spielen Sie einfach damit herum, sehen Sie, wie viele Bilder. Und der DEC, irgendwelche Bakterien speichern es nicht. Sie müssen sich also keine Sorgen um den Datenschutz oder irgendetwas machen, sondern sehen Sie einfach, wie viele Informationen es aus einem Ihrer Beispielbilder extrahieren kann. Okay. Danke Leute und wir sehen uns im nächsten Abschnitt. 5. Zusammenfassung: Hallo allerseits. Also haben wir endlich das Ende dieses Abschnitts erreicht. Und ich hoffe wirklich, dass es Ihnen gefallen hat zu erfahren, was sein Hintergrund ist und wie groß es sich auf unseren Alltag auswirkt. Jetzt haben wir von der Realität des AIA-Feindes erfahren unterscheiden sie ihn wirklich von der Science-Fiction-Version, die leider in den Köpfen einiger Leute vorhanden ist. Und wir haben auch verstanden, warum die EIA heute plötzlich überall weiß was, was, warum, warum ist das? Was sind die Faktoren, die dazu beigetragen haben? Und schließlich mit der schnellen und schmutzigen Demo der Google Vision API, die die Bilderkennung nutzt, die die Bilderkennung nutzt um einen wirklich erstaunlichen Effekt zu erzielen. Und diese EPA steht jedem zur Verfügung, der es nutzen möchte. Ich würde euch auf jeden Fall alle ermutigen , damit zu experimentieren. Sehen Sie sich die verschiedenen Ergebnisse an, die mit Objekten, Texten und Ausdrücken entstehen . Versuchen Sie, etwas mit einer 100 zu planen und etwas hochzuladen, das gedruckt wurde, um wirklich ein Gefühl dafür zu bekommen wie zugänglich ist und er zu einer Idee, Energie und wie intelligent es ist. Jetzt, da Sie eine solide Grundlage haben, ist es jetzt an der Zeit, einen tiefen Einblick in die Funktionsweise der KI zu machen und welche Schlüsselkonzepte sind. Und das sind erworbene Leute, bevor wir anfangen zu bauen , wenn die KI-Dienste. Dies ist also definitiv das kommende Modul, das definitiv das wichtigste ist. Also sehe ich dich im nächsten Abschnitt. Danke. 6. Grundkonzepte für die Kai: Hallo allerseits. Willkommen in diesem Abschnitt, in dem Sie die Details darüber besprechen , wie KI funktioniert und was maschinelles Lernen ist. Und das sind sehr wichtige Leute. Wir werden ausführlich die verschiedenen Arten von Machine Learning-Modellen, wie sie funktionieren und Michael Butterworth, süße Situation, diskutieren. Die Bedeutung dieses Modells ist, dass wir, sobald Sie dieses Fundament haben, Sie dieses Fundament haben, beginnen können, unsere eigenen Modelle zu bauen. Deshalb ist es einfach, dies ist der wichtigste Abschnitt dieses Kurses. Und ich bräuchte hier auf jeden Fall Ihre volle Aufmerksamkeit, bitte. Einfach ausgedrückt, wenn Ihr grundlegendes Szenario Ihre Grundlagen vorhanden sind, wird das Erstellen von KI-Diensten viel einfacher. Also lasst uns anfangen. Zunächst möchte ich ein paar allgemeine Begriffe klären, möchte ich ein paar allgemeine Begriffe klären die Sie viel gehört haben und die Leute austauschbar verwenden. Und das ist KI und Machine Learning und Deep Learning. Während ich also zusammen benutzt habe, sind sie definitiv nicht gleich. Also müssen wir das klären, Leute. Künstliche Intelligenz haben wir besprochen. Es ist eine Möglichkeit, jedes System zu beschreiben, das Aufgaben replizieren kann Aufgaben replizieren , die zuvor menschliche Intelligenz erforderten. Fast immer. Ich meine, das ist ein bisschen eine Art komplexer Entscheidungsfindung. Das menschliche Urteil wäre erforderlich, wie Sie wissen, wie die meisten USCA-Systeme AAA Vorhersagen machen würden. Klassifizierungen sind Entscheidungen mit einem hohen Maß an Sicherheit in einer Weise, die dem menschlichen Urteilsvermögen ähnelt. Dies ist also der gesamte Bereich der Herstellung intelligenter Maschinen, die dies tun. Der nächste Schritt ist Machine Learning. Das ist eine Teilmenge des Auges. Und wie der Name schon sagt, ich meine, man könnte verstehen, was es aus dem Namen selbst ist. Es geht darum, einem Wettbewerb die Fähigkeit zu geben mit unserer Säure zu lernen, aber selbst Entscheidungen zu treffen. Und dies ist definitiv der Bereich, den wir den größten Teil unserer Zeit verbringen und entsorgen werden. Oder warum ist das so? Das ist einfach. Fast alle AAC-Systeme, die ich heute mit maschinellem Lernen und KI erstellt maschinellem Lernen und KI können ohne maschinelles Lernen erstellt werden. Ich werde dich nicht anlügen, aber im Moment ist maschinelles Lernen die primäre Methode zum Erstellen von KI-Systemen. In ähnlicher Weise können Sie maschinelles Lernen für andere Dinge als die Acht verwenden. Aber im Moment ist der Großteil des maschinellen Lernens verwandt. Wir werden also im Kapitel über Machine Learning und wie es funktioniert sehr detailliert eingehen. Was sind verschiedene Typen? Schließlich ist Deep Learning, oder Deep Learning ist eine Teilmenge des maschinellen Lernens. Es ist im Grunde genommen das Machine Learning in die nächste Stufe , die den besten Weg gibt, es zu verstehen. Deep-Learning-Modelle nicht. Sie können ihre eigenen Vorhersagen völlig unabhängig von Menschen treffen völlig unabhängig von und nutzen neuronale Netze. Nun, was heißt das? Im Grunde genommen ist es von der Funktionsweise deines Gehirns inspiriert. Das biologische neuronale Netzwerk, das kein menschliches Gehirn ist. Es analysiert Daten mit einer logischen Struktur , die dem Menschen ähnelt. Wir kennen den Drang zu Schlussfolgerungen. Und ehrlich gesagt Leute, einige sehr, sehr Komplexität des Themas. Ich werde nicht zu sehr ins Detail gehen. Stattdessen konzentrieren wir uns den Großteil davon auf das mittlere, nämlich maschinelles Lernen, wie erwähnt. Lassen Sie uns also einen tiefen Einblick in maschinelles Lernen machen, und wir sehen uns im nächsten Abschnitt. Danke. 7. Maschinelles Lernen: Hallo Leute, Willkommen in diesem Abschnitt , der mit Leichtigkeit der wichtigste Abschnitt dieses Kurses ist , in dem detailliert erklärt wird, wie maschinelles Lernen funktioniert. Wie ich bereits erklärt habe, ist Machine Learning eine Teilmenge künstlicher Intelligenz. Und was macht es? Es ermöglicht einem Programm oder einer Software, aus seiner Erfahrung und seinen verbesserten, verbesserten Aufgaben zur Selbstversorgung zu lernen Aufgaben zur Selbstversorgung , ohne explizit programmiert zu werden. Jetzt klingt es wirklich seltsam, aber wie machen wir das? Wenn Sie also etwas über traditionelle Programmierung oder die Funktionsweise von Computern wissen , wissen Sie, wie Computer funktionieren. Oh, was ein Computer macht, ist, dass Sie das Gefühl haben, etwas Eingabe zu nehmen und eine Programmrate zu schreiben und ihnen zu sagen, dass ich sagen kann , Okay, das wird es kommen. Dies ist es, was Sie tun müssen, und es verwendet dieses Programm, um eine Ausgabe zu erzeugen. So haben Computer immer so ziemlich funktioniert. Niemand kommt zum maschinellen Lernen. Es ist etwas anders. Sie geben ihm tatsächlich die Eingabe und sagen ihm, wie hoch die erwartete Ausgabe ist. Und der Computer selbst wird ein Programm ausarbeiten. Man nennt es die Farbe selbst, ein Modell. Es wird damit generieren, was die Ausgabe ist. Wenn wir es uns also eins nach dem anderen ansehen, erhalten Sie viele Daten. Aber es wird reichen und du gibst es ihm und musst diese Daten verstehen. Gute Leute, das wird es sein. Ja, die Maschine selbst wird ein Modell bauen. Wir werden dies nutzen, um etwas vorherzusagen, was noch passiert ist. Du hast es noch nicht verkauft. Jetzt gebe ich es ausführlicher. Ich werde nie sehen, ob es funktioniert oder nicht. Ihr Modell ist korrekt oder nicht. Wenn es weniger gab, werde ich ihm nicht mehr Daten geben. Sie müssen es mehrmals zurückgeben. Wir stellen fest, dass es mehr Nutzungsraten gibt, bis der gewünschte Output gebildet wird. Was passiert? Die Maschine läuft es im Grunde allein. Und es gab solche, die im Laufe der Zeit immer genauer wurden, als würde er debattieren. Also lasst uns sehen. diagrammatischere Darstellung dieses Kreises macht es klarer. Also Leute mit maschinellem Lernen. Während du es getan hast, hast du Trainingsdaten und ja, also schauen wir uns das an. Was im Prozess des maschinellen Lernens passiert , beginnt mit Eingabe von Trainingsdaten in einen Algorithmus. Okay, was geht es dann zu ihnen? Zuallererst werde ich mit ihnen gehen, ist nur eine Möglichkeit für den Computer zu verstehen welche Daten Sie passen und einen Sinn daraus machen. Was wird also passieren? Die Maschine wird diesen Algorithmus verwenden, diese Daten aufnehmen und ein Modell erstellen. Dieses Modell nennt er ein. Was ist also im Grunde genommen das Modell? Das Modell ist die Ausgabe Ihres Algorithmus und Ihrer Daten. So heißt es im Grunde genommen, es wird dies verwenden, um etwas vorherzusagen, das noch nicht passiert ist. Jetzt haben wir FedEx Daten, wir haben Delgado von den Verkäufen ein Modell erstellt. Mal sehen, was los ist. Wenn Sie ein paar echte Daten angeben. Nehmen wir jetzt ein paar tatsächliche Daten und füttern sie in das Modell ein. Was passiert dann? Die Vorhersage wird eine Vorhersage machen und sie wird sehen, ob sie korrekt ist oder nicht. Was werde ich also beurteilen, das sind, also nehmen wir an, dass die Vorhersage nicht zurückgehen wird. Wenn die Vorhersage nicht wie erwartet ist , nährt der Algorithmus mehrmals bis zur gewünschten Ausgabe als Telefone, was passiert ist, dass dies einen Algorithmus für maschinelles Lernen ermöglicht Algorithmus für maschinelles Lernen lerne Exon und produziere die optimalste Antwort. Und es wird im Laufe der Zeit an Genauigkeit zunehmen. Je mehr Daten Sie füttern , wird die Genauigkeit erhöhen. Kurz gesagt, die Kautionsentscheidung ist maschinelles Lernen, und wenn Sie sich daran erinnern, was wir bereits besprochen haben, sind wir d von d Theta so wichtig für KI und warum die Möglichkeit, so viele Daten zu haben, das ist warum Sie sehen, dass so viele KI-Dienste zunehmen. Nun, das ist einer von ihnen benutzt. Ein Modell für maschinelles Lernen ist nur so gut wie die Daten, die Sie ihm zuführen, wie weil es aus historischen Daten lernt, die in es eingespeist und es hat seine Vorhersagealgorithmen erstellt, um die Ausgabe für einen neuen Satz von Daten bestimmen die Genauigkeit der Modelle. Wenn es von der Qualität und Menge der Eingabedaten abhängt, geben Sie ihm eine große Menge an Daten, werden ein besseres Modell erstellen und genauer produzieren. Ich hoffe also, dass ich jetzt etwas von dem Rätsel des maschinellen Lernens wegnimmt . Gehen wir also zum nächsten Abschnitt und sehen die verschiedenen Arten von maschinellem Lernen an, die sie sind. Danke Leute. 8. Arten von Maschinelles Lernen: Hallo Leute. Willkommen zu diesem Abschnitt, in dem wir uns den verschiedenen Arten des maschinellen Lernens befassen werden. Maschinelles Lernen ist also ein komplexes Objekt an sich. Und das ist es nicht, es wurde in zwei Hauptbereiche unterteilt, nämlich überwachtes Lernen und unbeaufsichtigtes Lernen. Jeder hat also einen bestimmten Zweck und eine bestimmte Aktion. Sie wissen, dass sie innerhalb des maschinellen Lernens unterschiedliche Ergebnisse erzielen und verschiedene Arten von Daten verwenden. Ich würde sagen, dass ungefähr 70 Prozent des maschinellen Lernens normalerweise überwachtes Lernen sind. Unüberwachtes Lernen liegt zwischen 10 und 20 Prozent. Der Hauptunterschied zwischen den beiden liegt normalerweise in den Daten, die zugegebenermaßen die Etikettendaten berücksichtigt oder unbeschriftet werden. Was ist der Unterschied in den Daten, die es gekennzeichnet haben? Ich, weißt du, es ist ziemlich einfach, die wichtigen Ergebnisse zu verstehen. Dann fütterst du es in das Modell, fest verstanden. Sie sagen dem Computer also es sich um die Daten handelt und das sind Sie, welche Ausgabe Sie extrahieren. Und wenn nicht beschriftete Daten und begrenzt sind, da sie nicht über die Ausgabe verfügen, fehlt die Eingabezeile in einem der Parameter nicht . Das Gute an der Bezeichnung IT ist also dass Sie dem Computer bereits sagen, was Sie erwarten. Aber es wird mehr menschliche Anstrengungen verursachen , da Sie jetzt alle Daten beschriften müssen . Und das kann ziemlich lange dauern. Und beim unbeaufsichtigten Lernen müssen Sie ihm nicht sagen, was die Daten sind, damit Sie alle menschlichen Anstrengungen ausspucken können. Aber das Problem ist natürlich, dass es komplexere Lösungen verursachen wird. Also lasst uns das machen. Lassen Sie uns im überwachten Lernen ins Detail gehen. Also möchte ich, dass du verstehst , wenn du eine Aufgabe machst und zum ersten Mal etwas machst und du hast eine Unterstützung als Stehen über dir und es wirft machst und zum ersten Mal etwas machst und du hast eine Unterstützung als Stehen über dir , ob du es tust es ist etwas, auf das richtig hingewiesen wird. Wenn es während dieser langen Zeit nicht so lange an Wärme angeschlossen war, tun Sie es richtig. Das ist also im Grunde genommen das, was überwachtes Lernen ist, dass weder die Erklärung da ist und dann das Bild die Maschine verkauft, es unter Aufsicht tut. Nun, was heißt das? Sie geben ihm eine Beschriftungsdaten , wenn Sie es drehen. Und was passiert, ist im Grunde das Detail, das du es fütterst. Es kommt bereits mit der Antwort zurück. Der Alkohol, den Dalton sich einfallen lassen sollte. Also eine Labeldatenbank. Und nehmen wir ein Beispiel. Du, du fütterst verschiedene Arten von Blumen, weißt du, vielleicht Rosen, Gänseblümchen, Narzissen. Wann immer Sie ihm die Daten hier geben, was ist die Blume? Es ist schon in den Daten vorhanden. Was also passiert, ist ein neuer Datensatz profitiert, und Sie vor, dass das Modell es mit den Beispielen vergleichen wird , die Sie bereits gegeben haben. Und um vorherzusagen, was das neue Bild ist. Dies ist im Grunde überwachtes Lernen, unbeaufsichtigtes Lernen. Es ist genau das Gegenteil. Die Realität wird perfekt bereinigt Ebene Daten ist nicht so einfach zu bekommen. Oder wenn es eine Menge menschlicher Anstrengungen gibt, die darauf eingehen. Also, und manchmal zeigt die Forschung , dass ich die Antwort selbst nicht kenne, wenn ich die Fragen stelle . Das ist also das unbeaufsichtigte Lernen, das in Jungs kommt. Beim unbeaufsichtigten Lernen erhält das Modell des maschinellen Lernens eine Reihe von Daten ohne klare Anweisungen, was damit zu tun ist. Es kann also eine Reihe von Beispielen für Daten ohne das Ergebnis oder die richtige Antwort sein. Was wird also passieren? Das Modell wird diese Daten selbst weitergeben und es ist irgendwie die Muster zu finden. Es wird Strukturen in den Daten finden , indem es Funktionen extrahiert. Also zeige ich es dir in letzter Zeit ausführlich. Lassen Sie uns einen grafischen Fluss wie zuvor haben, um frühe Ideen aufzustehen. Aber bevor wir gehen, würde ich Leute, wie ich dir sagte, 70 Prozent sind normalerweise viel Sheila, aber überwachtes Lernen und dann würde ich sagen, dass es 10 bis 20 Prozent sind. Angenommen, es gab auch ein anderes , das Verstärkungslernen genannt wird, das nicht so oft verwendet wird . Aber ich möchte mit Ihnen besprechen falls Sie darüber nachgedacht haben, verstärkt. Reinforcement Learning geht es mehr um Versuch und Irrtum. Im Grunde genommen ist es ein Weg, als würdest du ein Videospiel spielen, weißt du, du das erste Mal mit dem Level spielst, weißt du nicht, was du tun sollst, oder? Du fummelst herum, du machst das, machst diesen Versuch und Irrtum, du machst Fehler und du verstehst diese. Dies ist im Grunde das, was Verstärkungslernen ist. Es gibt ihnen, Dinge zu tun, Fehler zu machen und zu verstehen, was passiert. Und es findet sich selbst. Diese Technik wird normalerweise für das Training von Robotern verwendet. Wissen Sie, es macht eine Reihe von Entscheidungsaufgaben wie Venedig, autonome Fahrzeuge wie alleine fahren oder Inventar verwalten. Dies ist im Grunde genommen der Punkt, an dem Verstärkungslernen ins Spiel kommt, aber wir werden nicht zu sehr ins Detail gehen, da es sich auf beaufsichtigt und unbeaufsichtigt konzentrierte. Jetzt, da wir diese beiden verwendeten Hauptmodelle verstehen , sehen wir uns eine grafische Darstellung von ihnen an, um eine bessere Vorstellung zu bekommen. Erstens wird also überwachtes maschinelles Lernen. Im überwachten Lernen verwenden wir, wie ich Ihnen sagte, bekannte oder beschriftete Daten. Und da die Daten bekannt sind, sagt das Lernen der Phosphorylase gerne, Sie wissen, was Output ist, ich gebe Ihnen ein einfaches Beispiel. Angenommen, Sie haben ein Kind bei sich, oder? Du zeigst ihnen ein Bild von einem Hund und er sagte, dies sei ein Hund und es wird ein Bild von einer Katze gezeigt und du würdest sie finden, Hey, es ist eine Katze. Jetzt zeigst du ihm genug Bilder. Der Showman des Veranstaltungsortes, neues Bild. Jetzt wird er wissen, dass es erkennen wird, dass er lernen wird, zwischen ihnen zu unterscheiden , denn was passiert ist, muss man ihn treffen und er kann verschiedene Hunderassen erkennen. Es weil auch wenn man das nicht gesehen hat, weil er weiß, was seine grundlegenden Eigenschaften eines Hundes sind. Okay. Ich hoffe du verstehst es. Also lass uns sehen. Jetzt hast du eine Reihe von Bildern. Sie haben diese Datenrate. Du hast ein Etikett für einen Hund angebracht. Und wenn wir das Modell des maschinellen Lernens und die Änderung des Algorithmus nicht hatten , haben Sie jetzt ein überwachtes Lernmodell. Jetzt hast du diese Daten. Füttern wir ihm ein paar unbekannte Daten. Sie werden also ein Bild von einem neuen Hund machen, das noch nie gelebt hat. Was geht es wird Action aufnehmen. Ja, es ist ein Arzt, also verstehe ich, dass es ziemlich einfach ist. Das ist es, was lernen Leute ist, man trainiert das Modell genug. Es versteht die mobile Welt, was sie tut, wird hineinkommen. Also, und jetzt schauen wir uns unüberwachtes Lernen an. Nun, wie wir bereits sagten, war es unbeaufsichtigtes Lernen. Die Daten sind nicht gekennzeichnet, es ist nicht bekannt. Sie geben dem Modell absolut gesünder, aber die Daten werden überhaupt nicht überwacht werden. Sie geben also einige Daten dazu, wie zum Beispiel Katzen, Hunde und Bilder, aber Sie sagen es nicht, Sie sagen dem Modell nicht, was es ist. Diese Daten werden also in den Algorithmus des maschinellen Lernens eingespeist , der zur Reinigung des Modells verwendet wird. Was glaubst du dann, was das Model machen wird? Er wird nach Mustern suchen. Es wird gut sehen. Amanda, Katzen und Hunde sehen anders aus. Sie haben verschiedene Aktivitäten, um die Daten weiterzugeben , und es wird sie klassifizieren. Diese beiden Tiere sehen einander ähnlich aus, aber sie werden sich die Unterschiede zwischen diesen ansehen. Also die Algorithmen, maschinelles Lernen von selbst und es entdeckt ein Muster auf einer Struktur. Und da es mit nicht beschrifteten Daten arbeitet, muss es selbst herausfinden, was die Gemeinsamkeiten sind , und sie trennen. Also ja, es wird den Wagen separat trennen und es wird den Hund getrennt trennen. Sie verstehen also, was der Vorteil von unbeaufsichtigtem maschinellem Lernen ist. Es ist, es hat die Fähigkeit, zu den unbeschrifteten Daten zu wechseln. So menschlich, denn es wird nicht erworben und das Etikettieren all dies ermöglicht, alle Daten vor dem Lesen zu machen, das Etikettieren all dies ermöglicht, alle Daten vor dem Lesen zu machen ein viel größeres Ökosystem über die Rechnung, da er die gesamte menschliche Arbeit überspringen kann. Aber was das Ding ist, es wird viel komplexer. Ich hoffe, Sie haben jetzt verstanden, betreute und unbeaufsichtigte Bücher für maschinelles Lernen zu ernten . Und so werde ich zum nächsten Abschnitt in dieser Demo übergehen , der einer dieser Algorithmen ist , weil die Leute manchmal fragen, wie diese Algorithmen funktionieren. Also brauche ich die nächste Szene, Leute, danke. Ich hoffe, dass Sie verstanden haben, dass all diese verschiedenen Modelle funktionieren. 9. KNN: Hi Leute. Willkommen in diesem völlig optionalen Abschnitt. Es liegt an dir. Du kannst es überspringen, wenn du willst. Es geht also im Grunde darum, denn viele Leute fragen mich manchmal nach diesen Algorithmen für maschinelles Lernen. Weißt du, wie funktionieren die? Was kann Mechanik hinter einigen dieser Algorithmen stehen? Wenn Sie die Details dazu wissen möchten, habe ich mich für einen einfachen Algorithmus für maschinelles Lernen entschieden. Es ist einer der am einfachsten und einfachsten zu implementierenden, nämlich ein Algorithmus für maschinelles Lernen , der als Kim-Schlüssel für den nächsten Nachbarn bezeichnet wird. Und kurz ein Algorithmus. Es ist ein überwachter Algorithmus für maschinelles Lernen. Und was es tut, basiert auf dem einfachen Prinzip, dass ähnliche Dinge in unmittelbarer Nähe existieren. Ich meine, ihr William Nachbarn seid, ihr seid im Grunde so. Das lässt A ist B, es ist im Namen auch der nächste Nachbar. Oder es ist sehr unkompliziert und leicht zu verstehen. Was also passiert, ist, dass es die vorhandenen Daten gruppiert und was es tut, wenn Sie neue Daten geben, die Daten in die gleiche Kategorie eingefügt werden, ob es sich um ähnliche Dinge handelt. Und darauf aufbauend lässt es eine Vorhersage Schuldige unterscheiden die Wahrscheinlichkeit das. Nehmen wir also ein Beispiel dafür , was dieses Diagramm ist. Angenommen, Sie haben ein Bild von einer Kreatur eine Katze oder einen Hund gewählt hat, oder? Was passiert, ist, dass Sie das Modell, die Daten über Katzen und Hunde basierend auf Größe und Gewicht, gefüttert die Daten über Katzen und Hunde basierend auf Größe und haben. Es hat also eine Gruppe , die Daten normalerweise über die Straße und die Glühbirnen oder diese IKT-Branche entscheiden. So wie Sie vielleicht ein neues Bild von einer Katze und einem Hund machen möchten. Und ich baue das Modell nicht, egal ob es sich um eine Katze oder einen Hund handelt. Ich sage ihm nur, dass es eine erhöhte Breite ist. Was wird also passieren? Du gruppierst es und du wirst prüfen, was seine nächsten Nachbarn sind, ionische Katzen oder Hunde. Und darauf aufbauend wird es eine Vorhersage machen. Also lasst uns einen Blick darauf werfen. Also füttere ich ihm ein neues Bild, das ich habe. Ich sag ihm nicht, was es ist, oder? Was er tun wird, ist Größe und Gewicht zu überprüfen. Lasst uns nach Italien fallen, hatte einen Fang, seine nächsten Nachbarn so. Es ist also ziemlich das Gleiche. Es geht zurück auf 6 Uhr. Entweder ich habe ein Bild von einem Hund erstellt, ohne ihm zu sagen, was passieren wird. Es wird die Größe und das Gewicht überprüfen, okay. Es ist für jemanden, es fällt in die nächsten Nachbarn, die Hunde sind. Darauf aufbauend wird es sagen, okay, das ist definitiv ein Hund. Ja. So können Sie den Vorteil dieser Mörserstrategie verstehen , um zu verstehen, dass Leute Python-Scripting davon machen, können Sie leicht Modelle davon im Internet finden. Der Nachteil davon ist der, weil es viele Daten benötigt, die Sie verstehen können, um Vorhersagen richtig zu treffen , weil es sein ähnliches Modell kategorisieren muss . Genauigkeit erhöht sich basierend auf der Anzahl der Daten, die sie hat. Der Nachteil der Besucher wird langsamer, wenn das Datenvolumen zunimmt. Wissen Sie, denn wenn Sie das haben , was er als Umwelt bezeichnet hat, müssen Sie schnell Vorhersagen treffen. Knn ist vielleicht nicht das optimalste Modell, das für Sie bekommen wurde. Aber vorausgesetzt, Sie haben einige ausreichende Rechenressourcen, wissen Sie, Ihre Computer sind so leistungsstark, dass sie tatsächlich alle Daten verarbeiten können , die Sie verwenden werden, dann kann es ein sehr gutes Modell sein benutzen. Ich hoffe, Sie haben jetzt etwas davon verstanden wie viel uneleganter Grund der wahlweise riesigen Menge an Algorithmen liegt. Ich werde sie nicht alle durchgehen. Ich wollte Ihnen nur zeigen, dass dies das Back-End dafür ist , wie normalerweise Algorithmen funktionieren. Okay Leute, Danke. Wie du im nächsten Abschnitt bist. 10. Zusammenfassung: Hallo Leute, wir haben gesehen, dass wir das Ende dieses sehr wichtigen Abschnitts über maschinelles Lernen und die Schlüsselkonzepte hinter KI erreicht dieses sehr wichtigen Abschnitts über haben. Ich hoffe, Sie haben die Kernkonzepte des maschinellen Lernens von KI verstanden . Wir haben uns gemacht, wir haben einen tiefen Einblick in das maschinelle Lernen gemacht und verschiedene Arten davon gelernt. Die verschiedenen Arten von Modellen , die Sub-Arrays und unbeaufsichtigt sind. Und wir haben uns auch einen der Algorithmen angeschaut, der als k-nächster Nachbar bezeichnet wird. Wie ich schon sagte, dies war der wichtigste Teil der direkten Kosten. Das Gute daran ist, dass die Theorie jetzt vorbei ist. Der theoretische Teil dieses Kurses ist vorbei, jetzt haben Sie genügend Informationen, genug Wissen, um mit der Erstellung eigener Machine-Learning-Projekte zu beginnen , die Sie nicht tun werden. Das sind also wirklich aufregende Leute. Wir sehen uns im nächsten Abschnitt. Danke. 11. Zeit zum Aufbau eines maschinellen Lernmodells: Okay Leute. Also willkommen. Ich freue mich Ihnen sagen zu können , dass der konzeptionelle Teil 1, 2, 3 fast fertig ist. Hallo Leute. Willkommen in diesem Abschnitt. Und ich freue mich Ihnen mitteilen zu können, dass wir den konzeptionellen Teil fertiggestellt haben . Natürlich. Und jetzt sind wir bereit, beim Aufbau tatsächlicher Dienste auf künstlicher Intelligenz zu knacken . Da maschinelles Lernen also eine Leidenschaft von mir ist, dachte ich, es wäre eine gute Idee, Lasst uns ein überwachtes Machine Learning-Modell für uns selbst erstellen . Was wirst du also tun? Wir werden eine Maschine trainieren, um liberale Bilder zu erkennen und sie dann mit neuen Daten zu präsentieren , um zu überprüfen, ob das von uns hergestellte Modell erfolgreich war oder nicht genau wie zuvor besprochen. Die ganze Theorie, dass wir über einen Gott gesprochen haben, wirst du ihn in die Tat umsetzen. Die gute Nachricht ist also, dass wir Ihnen nicht geben werden, dass Sie keine Programmierung durchführen müssen da sie unter den vorhandenen Tools stehen, die die gesamte Tasche für uns auf Komplexität verwalten können. Es ist etwas, das wir uns vor ein paar Jahren nicht vorstellen konnten . Um es zu tun, schauen wir uns eines meiner Lieblings-Tools an , das von Google lehrbare Maschine ist. Jetzt lehrbare Maschine, es ist, was genau ist es? Es ist angezündet. Es ist ein Tool, das das Erstellen von Machine Learning-Modellen sehr, sehr faszinierend und einfach macht , dass es jeder kann. Es gibt kein technisches Hindernis zu überwinden. Es wurde 2017 ins Leben gerufen. Und was es tut, macht Machine Learning für jeden zugänglich. Es ist schnell, einfach und es ist sehr einfach zu machen. Sie können, wissen Sie, Modelle für maschinelles Lernen für Ihre Anwendungseinblicke und -kompetenz erstellen Modelle für maschinelles Lernen für Ihre . Laut einer Ruhe könnten Sie sogar die Modelle erforschen, die Sie für Ihre Projekte erstellen , und einfach für mich zum Lernen gespendet haben. Also lass mich einfach zeigen, dass du mich dorthin gehen lässt. Der Link dazu befindet sich im Ressourcenbereich, Leute. Hallo Leute. Das ist also lehrbare Maschine. Aber als ich Ihnen davon erzählt habe , können Sie hier Modelle erstellen, die Sie erstellen können. Mit diesem können Sie nun Modelle erstellen, mit denen Sie Bilder mit einer Webkamera-Dateien identifizieren können . Sie können ihnen beibringen, was wasserdicht ist und wenn ich Samples höre, ist sogar mein Favorit, dass Sie ihm sogar beibringen können , Körperbewegung zu klassifizieren. Angenommen, ein Schalter, den Sie vor Ihrer Webcam einschlagen. Also nur um es dir zu zeigen, ja, du kannst sehen. Das ist also für Bilder, Sounds, man kann etwas sogar Pausen machen. Das alles kannst du also tun. Beginnen wir also mit den ersten Trend-Laien. Aber jede Show, die Sie erhalten, wenn Sie sie in Aktion sehen, verstehen wir sie viel besser. Lasst uns anfangen, Leute. Und lasst uns ein Image-Produkt machen. Okay? Was werden wir also tun? Wir werden im Grunde genommen das tun, was er sagte: So ist dies die komplexeste Maschine für maschinelles Lernen, Entschuldigung, lehrbare Maschine, die diese anderen Lanisha-Klassenleuten zu dieser anderen Art von Daten bringt , die wir tun werden widerlegt es. Also lasst uns eine Sache machen. Lassen Sie uns ein Modell für maschinelles Lernen erstellen , um verschiedene Arten von Früchten zu identifizieren. Sie werden es also für einige Live-Daten trainieren und dann sehen, wie es funktioniert, wie gut es verschiedene Arten von Bildern identifizieren kann , die Sie präsentieren und was er nennt. Also das ist alles, was du brauchst, um es zu tun. Also lasst uns eine Sache machen. Lasst uns anfangen, Leute. Lassen Sie uns wie erstklassig kreieren, heißt es Apple. Okay, zweite Klasse, Lass es uns schaffen. Lassen Sie uns noch eine Vermutung hinzufügen. Das wäre ich glaube, ich habe es verstanden. Okay. Okay, jetzt, da wir diese wenigen verschiedenen Klassen erstellt haben, müssen wir ihm einige Daten geben. So schwer, dass wir ihm ein paar Bilder füttern müssen , damit es es tatsächlich verstehen kann. Wenn uns also Live-Daten präsentiert werden , lasst uns eine Sache tun. Lassen Sie mich ihre Webcam einschalten und für einige Bilder präsentieren. Okay Leute. Also das bin ich. Ich werde einen Apfel und 2008 so weit wie möglich hochhalten . Sie sehen das also, das sammelt tatsächlich alle Daten. Es schien, als hätte Apple so viel wie möglich für Vol präsentiert. Ich gebe ihm so viele Daten wie möglich, damit es es erkennt. Du hast also einen Onkel 25 und Wendys, ich denke, das sollte reichen. Okay. Das war's für Napa. Okay. Das Gleiche gilt jetzt für die Bananen-Typen. Okay, also lasst es uns halten. Dies dient nur dazu, ihm so viele Daten wie möglich zu geben. Okay? Es baut all diese Bildbibliothek auf. Okay? Ich denke, das genauso wie wir es dafür getan haben. Okay. Noch eins. Okay. Lasst es uns aufnehmen. Lassen Sie es alle Datenwarnungen beibehalten, versuchen Sie es so weit wie möglich zu drehen. Es tut also so viel wie Daten, um welche Rate zu erstellen? Ok. Das ist so ziemlich ich denke genauso viel mit ja. Okay. Jetzt haben wir uns Daten angeärgert, wie wir es getan haben. Wir lernen ein überwachtes maschinelles Lernen, wir haben aktuelle Daten geärgert, jetzt müssen wir das Modell trainieren. Also lasst uns das anklicken. Ja. Also was macht es jetzt? Es wird behaupten, anfangen, seine Maschinen zu bauen, überwachtes Machine Learning-Modell, falsch gehandhabt Golfer. Und basierend auf den Daten, die wir uns Sorgen gemacht haben, nicht Jungs, sehr wichtig für Nazgul weg von dieser Seite, denn dann hört es auf. Es läuft also nicht dort vorbei. Ja, genau. Darauf habe ich mich bezogen. Also was macht es jetzt? Es schaltet seinen überwachten Algorithmus für maschinelles Lernen ein. Und es bereinigt das Modell um Live-Daten zu erkennen, wenn es passiert. Also ist es jetzt fast fertig. Okay, nun, also ist es jetzt suchbereit, akzeptieren wir Daten. Darum machst du dir darüber keine Sorgen. Sie sehen das also, sie haben das Konfidenzniveau geschrumpft. Das Publikum macht sich also keine Sorgen, denn es ist also lass mich meine Hand hochlegen. Siehst du den Schnee? Es versteht nicht, was die Hand ist. Denk einfach, es ist ein Apfel. Das ist ziemlich lustig, weil wir nicht finanziert haben gestorben, aber er hat es getan und lasst uns einige tatsächliche Daten vorhersagen und sehen, was passiert, okay? Okay, ehrlich gesagt einfach okay. Und lasst uns einen Apfel mit umfangreichem Wissen sehen. Du siehst das zu 100 Prozent. Es heißt, dass dies eine App ist und du siehst, dass sie sie nicht verwirrt. Okay? Und wir würden es wissen was passiert? Ich denke, es wird dir ersparen zu sehen, ob ich meine Hand bewege und denke, dass das dahinter passiert ist, ist das anders? Ja, ich denke, es bleibt weniger witzig. Also okay. Du siehst die Banane und sie präsentierte Dinge wichtig. Sie sehen also, dass Sie gerade erkennen es immer noch ein paar Knicke am Sorter-Tool gibt. Sie können sehen, dass es sich das Backend ansieht , und aus irgendeinem Grund ist es ein Publikum , da einige der erfassten Daten es nicht vollständig definiert haben. Aber Sie sehen, wie diese Ideen jetzt, wenn ich einen Apfelmoment sage, dass es ein Apfel ist, von einem 100-prozentigen Signaturbonus in Banane stecken . Ich sehe den Ehemann auf den Daten. Das war also ziemlich aufregend. Jetzt haben Sie ein Modell erstellt. Was können wir damit machen, Leute? Dies soll Ihnen also nur zeigen, dass Sie Modell jetzt exportieren können, wenn wir zum Exportmodell gehen dieses Modell jetzt exportieren können, wenn wir zum Exportmodell gehen. Wenn Sie auf Mein Modell hochladen klicken, gibt es Ihnen tatsächlich einen Live-Link. Wenn ja, macht er diesen Link, du kannst ihn benutzen, wer hat diesen Link kostenlos gesagt? Oder wenn Sie es gerne herunterladen möchten, können Sie tatsächlich eine Zip-Datei herunterladen wobei die gesamte Codierung erledigt ist. Sie sehen also, wie viel schweres Heben Google hinter der Szene für Sie getan hat. Das ist also, ich wollte Ihnen nur zeigen, wie einfach es jetzt ist, Modelle für maschinelles Lernen zu erstellen. Und Sie haben eine tatsächliche Anwendung der Reinheit gesehen , die wir im vorherigen Kurs gelernt haben. Natürlich gibt es eine Menge Polieren, die wir mit diesem Modell machen können. Mein Ziel ist es Ihnen nur zu zeigen, wie einfach es ist. Also habe ich einen Auftrag für euch. Ich möchte, dass du ein Audio oder einen Post-Prozess machst und mit diesem erstaunlichen Service für dich selbst spielst . Sie werden nicht glauben, dass die Leute einige erstaunliche Werkzeuge gebaut haben , die Sie für eine lehrbare Maschine halten. Und ich möchte wirklich, dass du es selbst erlebst, anstatt mir nur zuzusehen, wie du es selbst machst. Also sobald du damit fertig bist und du im nächsten Abschnitt nervös mit dem herumgespielt hast . Danke. 12. Services in AWS: Hi Leute. Willkommen in diesem Abschnitt. Jetzt hoffe ich, dass Ihnen die letzte Lektion gefallen hat mit einem wirklich erstellten Modell für maschinelles Lernen. Jetzt sind wir bereit, einige Nachrichten-KI-Dienste auszuprobieren, diesmal jedoch nicht bei Google, sondern bei Amazon. Jetzt bietet Amazon einige der erstaunlichsten Machine Learning-Dienste an oder besitzt absolut kostenlos, wie Google, sie möchten maschinelles Lernen für jedermann zugänglich machen . Bevor wir beginnen, müssen Sie Sie also dazu bringen , einen kostenlosen AWS-Vertrag auf Konto zu erstellen . Wenn nicht, wenn Sie noch keinen haben, ist es sehr einfach zu tun. Gehe einfach zum Bereich Ressourcen und ich lege den Link dort hin, Gott da. Und bitte füllen Sie das Formular aus und Sie hätten es, wenn Sie es nicht getan haben, bitte gehen Sie dorthin und machen Sie das zuerst. Das, was ist, gibt Kunden im Grunde die Möglichkeit, viele AWS-Services bis zu festgelegten Limits für jeden Service völlig kostenlos zu erforschen und auszuprobieren . Jetzt tut er auf diesen eingeschränkten Diensten, die grundsätzlich gegen jeden Dienst auf der Seite angeboten werden . Wenn Ihre Anwendung, die Sie verwenden, die 3D-Elemente überschreitet spielen Sie einfach eine standardmäßige Pay-as-you-go-Servicegebühren, die für jeden von uns vorhanden sind, aber die gute Nachricht ist, dass wir nicht überschreiten werden sie. Wir werden diese Dienste nicht so oft nutzen. Wenn Sie es also noch nicht getan haben, erstellen Sie bitte Ihre 50 oder Ihren Service. Auf dieser Seite können Sie sehen, dass dies die Grundlage für Amazon.com ist , nur wenige solcher maschinellen Lernen dieser Verknüpfung, es gibt keinen Ressourcenbereich. Dies sind die drei Machine Learning Services , die Sie in AWS für das kostenlose Kontingent ausführen können. Es ist also amüsant, Sie haben Text-to-Speech, Straße zu Text oder maschinelles Lernen, die Sie durchführen werden, Sie nehmen drei der prominentesten Dienste in Anspruch und nutzen sie. Sie können also sehen, dass wir Amazon Polly haben, das Text im Grunde genommen in Sprache umwandelt. Okay? Was auch immer Ihre Berichterstattung braucht, kann es tatsächlich dazu bringen, ein Leben wie dieses zu führen. Okay? Wie das, was Sie nennen, wenn Sie wie Erbsen oder Blogs haben, können Sie tatsächlich darauf hinweisen, dass Amazon-Polygon in wie ein komplett mach it Audio konvertiert wird . Und Amazon Transcribe, was nur für Sprache zu Text entgegengesetzt ist . Okay? Sie können verstehen, dass diese Idee tatsächlich Sprache und gemischte Textur annehmen. Du hast ein Video, es läuft, es kann es komplett transkribieren und aufschreiben. Es scheint, dass McLean tatsächlich Modelle für maschinelles Lernen ist, aber dies ist ein vollständig verwalteter Service, sodass Sie keine der Komplexität wenig kompliziert machen müssen. Backend. Amazon Lex ist eine Chatbox, weißt du. So können Sie tatsächlich Ihr eigenes Diagrammfeld erstellen, das Sie auf Websites sehen, die nicht mehr in natürlicher Sprache sind, und verstehen, was Sie wollen. automatisierte Bild- und Videoanalyse umfasst viele davon drin. Sie werden drei dieser prominentesten Dienste auswählen , nämlich Amazon Polly, Text-to-Speech. Amazon Transkribiere nur Sprache zu Text. Und Amazon Lex, Konversation-KI für Chatbox. Und wir werden versuchen, drei dieser Dienste zu erbringen. Das ist also ziemlich aufregend. Lassen Sie uns in den nächsten Abschnitt gehen. Hat angefangen, es zu bauen. Danke. 13. AWS Transcribe: Hallo Leute. Okay. Das erste Ding, der erste Service, möchte ich, dass ihr euch diesen Amazon AWS-Transkribe anschaut . Was bedeutet AWS-Transkript in einem Satz, es ist Rede zu Text. Was es tut, sind grundlegende Verwendungen, Deep Learning, die, wenn Sie sich von früher erinnern, es wie eine Teilmenge des maschinellen Lernens ist. Was es tut, konvertiert Sprache in Text, deren Prozess als automatische Spracherkennung bezeichnet wird. Was es also macht, eröffnet es viele spannende Möglichkeiten. Wenn Sie ein Entwickler sind, können Sie einige sehr leistungsstarke Funktionen für Anwendungen wie Videountertitel haben . Wenn Sie eine E-Learning-Anwendung haben, können Sie Untertitel hinzufügen. Alles. Sie können konstante oder schlechtere Aufnahmen transkribieren damit Sie sie wie einen solchen Text durchsuchen können. Oder Sie können die Aufnahme von Minuten von Meetings automatisieren. Weißt du, ich meine, die Möglichkeiten sind ziemlich erstaunlich. AWS transkribieren Sie also, es wird von der AWS Machine Learning-Plattform gesteuert . Was heißt das also? Im Laufe der Zeit wird es tatsächlich schlauer. Wenn es beim Lernen lernt, wird es mit der Zeit intelligenter. Also lasst uns das tatsächlich in Aktion tun. Also habe ich, du hast dein AWS-Konto inzwischen erstellt, da ich möchte, dass ihr es selbst anstatt mir nur dabei zuzusehen, wie ich Sachen mache. Dass der beste Weg etwas zu tun ist, es selbst zu machen. Das ist also ein kleines, wir machen es angesichts der Tage, an denen ich das genommen habe, Sie werden dies auch als MP3-Datei im Ressourcenbereich finden Sie werden dies auch als MP3-Datei im Ressourcenbereich finden. Also werde ich zur Wehrpflichtigen Disomie gehen. Also lasst uns hören, auf 1520 Sekunden fing es mit einer Frage an. Teams scheinen also ein zusammengesetztes Objekt im Universum zu bilden. Zeitsynchron. Hi, es ändert sich nicht. Künstliche Intelligenz. Am meisten darüber. Okay, das waren also ziemlich interessante Tage. Ich meine, das ist ein nicht formaler kleiner Midi-Clip von BBC über künstliche Intelligenz. Wie ein Dual Do ist das auch im Ressourcenbereich gut , das ist ziemlich interessant. Sie können sich den gesamten MP3-Clip anhören, wenn Sie wissen möchten, ich möchte, dass Sie dieses Video in Text als Englischkenntnisse umwandeln möchten . Lassen Sie uns dies also mit AWS transcribe back IS tun, also ist dies die Idee mit der Konsole. Lasst uns also den Glukosetransport transkribieren . Lasst uns diesen Fall öffnen. Okay, es gibt also mehrere Möglichkeiten, das zu tun. Ich meine, wenn du willst, gibt es etwas, das in Echtzeit Transkription bezeichnet wird. So können wir es tatsächlich , wenn Sie in das Mikrofon sprechen transkribieren, wenn Sie in das Mikrofon sprechen, aber ich möchte es dadurch nicht machen. Machen wir es mit einem Transkriptionsjob. Also wollten wir die MP3-Datei transkribieren , die wir gerade gehört haben. Um das zuerst zu tun, müssen Sie es in einen S3-Eimer legen. Ich meine, wenn Sie nicht wissen, was S3 ist, ist es wie ein Ordner in AWS. Es ist wie Dropbox oder OneDrive, ein paar Folien, bevor Sie diesen Ordner erstellen und bei Embry die Datei dort hochladen müssen. Also habe ich es schon gemacht. Aber nur um euch zu zeigen, würde sie es nicht wissen, gehe zu S3. Also habe ich schon einen Bucket namens S3 Demo, Udemy, Demo-KI, und ich habe Tag gesetzt, du kannst sie sehen, aber die Datei ist schon da. Wenn Sie also nur hierher gehen müssen, erstellen Sie einen Bucket. Du hast einen Namen für deinen Bucket. Es muss einzigartige Leute sein, nur um dich wissen zu lassen und du kannst die Standardoptionen, die es gibt, so ziemlich behalten . Und das ist dort eine Empathie-Datei hochgeladen. Also schätze ich, wenn ich einen S3-Bucket habe und wir haben die Datei dort abgelegt. Also lasst uns wenigstens transkribiert darauf zurückgehen. Okay, also lass uns einen Job besorgen, um ihn zu transkribieren. Nennen wir es also auch Blau. Wir können, wir können alle Standardoptionen verwenden, Leute, das ist Fokus, zumindest bestimmte Sprache, Englisch. Das ist also ja, das ist sehr anstrengend, wo sich die Datei befindet. Lassen Sie uns also den Verlauf durchsuchen. Ja, lass uns das wählen. Ja, das ist die Datei, die wir transkribieren möchten. Okay. Also ja, es ist cool. Als Nächstes gibt es einige andere Optionen Sie von einer Welt aus abschließen können. Im Grunde müssen wir uns nicht darauf einlassen. Es kann grundsätzlich alle Standardoptionen beibehalten. Okay, jetzt können Sie also sehen, wie unsere Transkript-Demos laufen, so dass dieser Clip laufen, so dass dieser Clip etwa ein paar Minuten leuchtet. Es kann also etwa 15 bis 20 dreißig Sekunden dauern , um zu transkribieren. Also ja. Was werden Sie tun, ist uns den sogenannten transkribierten Job zu geben, war , dass wir ihn in Aktion sehen und sehen, wie genau er war. Ich meine, hat es die ersten 30 Sekunden transkribiert , die sich angehört fühlen und mit irgendwelchen Fehlern leben, die ich gerne hätte, mal sehen, wie genau es war. Aktualisieren wir es und sehen Sie sich die Aktie an. Okay. Es ist im Gange, Leute, manchmal dauert es ein paar Minuten, Ausfallrate. Okay, Leute, lasst uns fertig sein. Okay, also lasst uns auf sie klicken und sehen, was passiert ist. Lass uns runter gehen. Hier. Ist okay. Redner. Das ist also tatsächlich, hier ist die Transkription passiert, Leute. Also lass uns sehen. Werfen wir einen Blick auf den Knorren , der vor uns operieren muss. Und wenn du dich erinnerst, was die Videos sind, was bedeutet AIA? Es hatte einen Satz damit ein Leerzeichen bei mir gelegt. Hey, fangen wir jetzt mit einer Frage an, die du sehen kannst, also ist es überraschend genau bis hin zu den Pausen in Sätzen. Ich würde empfehlen, ich würde empfehlen, dies zu lesen und sie dann Seite an Seite anzuhören. Und dann vergleicht man die beiden, um ein Gefühl dafür zu bekommen , wie genau es war. also verfügbar sind, würden Sie die Jobs natürlich für geschäftsspezifische Ereignisse oder Zeiträume planen , oder Sie würden kein EPS von anderen Diensten erstellen. Ich würde euch empfehlen, mit einigen anderen Dateien damit zu spielen , zu verstehen, wie es funktioniert und lass es mich wissen. Ich hoffe also, dass Sie ein gutes Gefühl dafür haben, wie es funktioniert und wie genau es ist. Wie eine Do-Schleife. Es eröffnet viele Möglichkeiten. Ich meine, Sie können Callcenter transkriptieren. Wissen Sie, Leute möchten nach ihren Callcenter-Aufzeichnungen suchen oder sie möchten Ticking-Protokolle von Meetings automatisieren , alles , was Sie tun können. Es ist eine sehr starke Dichte. Sie können sehen, wie einfach es ist. Also hoffe ich, dass das für euch nützlich war. Wir sehen uns in der nächsten Demo. Danke. 14. AWS Lex: Hallo Leute, willkommen zu unserer letzten Demo von Amazon Machine Learning Services. Also werden wir eine Demo von Amazon Lex machen, diesem Timer, der etwas komplexer ist als die letzten beiden. Bisher haben wir Text zu Rede und Rede zu Text gemacht. Lassen Sie uns dieses Mal etwas Dynamischeres machen, was viel von diesem Zeug zusammenbringt. Ich bin mir absolut hundertprozentig sicher, dass Sie gleichzeitig mit Chatbots interagiert haben müssen. Und unter wenn Sie eine Website besuchen, wissen Sie, was ist ein Chat-Bot im Grunde genommen ein Programm für maschinelles Lernen, das ein Gespräch anregt, das Sie möglicherweise telefonisch über den Ladentisch mit der Person aber es ist keine Person, die Sie mit virtuellen Maschinen interagieren. Amazon Lex verwendet also maschinelles Lernen, das Sprache oder Text erkennt, und es kann Maßnahmen ergreifen. Es kann Bestellungen basierend auf dem, was der Kunde gesprochen oder geschrieben hat, ausführen. Es ist die gleiche Technologie, die auch dem Amazon-Elixier folgt. Und Sie können für Sie extrem leistungsstarke Chatbots mit minimalen technischen Fähigkeiten für Geburtshilfe erstellen . Gehen wir also tatsächlich zur Amazon-Konsole und fangen an, daran zu arbeiten. Und wir sehen uns dort. Okay Leute. Also jetzt die Haare auf der Konsole, Lass uns zu Amazon gehen, Lex. Okay, los geht's. Okay, also wird es das nicht regenerieren. Manchmal sind die Dienste, die Sie sich ansehen, nicht in den Regionen. Also bin ich derzeit in den USA Eastern Ohio und lass uns nach London fahren. Okay. Das ist also Amazon Lex. Lasst uns jetzt anfangen. Okay. Vielleicht siehst du hier ein paar Dinge, die du anfangs verwirrend erscheinen könntest, Kumpel, ich erkläre es. Also zoomen wollen sich schälen, nehmen wir an, wir wollen eine Tafel für andere Burger erstellen, oder? Was also ein Einzug beabsichtigt ist im Grunde das , was er tun wollte. Ich möchte gefälscht bestellen. Ich möchte einen Flug buchen oder eine Reise buchen. Okay. Das ist die Absicht. Teilnahme ist das, was der Benutzer sagt. Typen, wie unser Notizbuch, ich möchte einen Burger bestellen, ich möchte ein Hotel buchen, ich möchte einen Flug buchen. Slots sind im Grunde die Parameter, die Sie geben, werden ein Video live geben. Um welche Art von Burger, um wie viel Uhr? Solche Dinge. Die Erfüllung findet am Ende statt. Das ist es, was, nachdem alles getan wurde, platziert es den anderen. Okay? Das ist also im Grunde genommen nur andere Namen für Sachen, aber es ist ziemlich dasselbe. Sie wissen also, Amazon hat bereits viele dieser Musterbox vordefiniert. Du musst also eigentlich nichts tun. Du kannst einfach etwas Vordefiniertes machen, aber ich möchte es selbst machen. Also machen wir es als Lev, einfache Schöpfer, die mehrere gekauft haben, was nicht kann, wir werden die Bestellung für Burger weitere Studenten oder die Burger annehmen , das ist ein MFA, aber nehmen wir Englisch, Großbritannien. Okay, sie ist Output-Wege. Wir können Amy fortsetzen. Hallo, mein Name ist Amy. Okay. Das ist das Sitzungstimeout, nachdem Richard angehoben sein Benutzer nicht vertikal ist. Keine Antworten hier, es wird es zurückgesetzt. Dies sind also alle Standardoptionen, die im Grunde genommen kopiert werden, wenn Sie vertrauliche Informationen über Minderjährige und all das nehmen . Also nein, ist es nicht. Die Vertrauensschwelle wird grundsätzlich eingerückt. Wie viel Intelligenz ist leicht zu erkennen, was der Benutzer mit dem augustinischen Erbe gleich ist. Es geht im Grunde darum, wie viel Vertrauen in erkannt wird, dass sie es in der Regel verwenden. Sagt der Benutzer, ist, ist es nahe an dem, was wir denken? Sagt er? Im Grunde die Intelligenz , die es benutzt. Okay, was ist jetzt noch übrig? Entfalten wir uns. Okay, was ist jetzt noch übrig? Ich glaube, wir haben alles hierher gestellt. Timeout für Sitzungen. Okay. Fünf Minuten. Ja, tut mir leid, ich habe vergessen, den Sitzungs-Timer zu setzen. Okay, lasst uns weitermachen und es jetzt erstellen. Okay, wie ich schon sagte, als Erstes ist die Schaffung des beabsichtigten Tarifs. Wir haben diese Grenze geschaffen oder was möchten Sie tun? Wie ich schon sagte, wir wollen Burger bestellen. Dein Augenlid hat die Skala erweitert. Also lasst es uns machen. Erstellen Sie Inhalte. Ja, ich möchte eine Absicht schaffen. Also das Dokument den gleichen Namen der Flaschenbestellung. Okay? Und okay. Also okay, hier fragst du dich was der Benutzer außer Platz hat. Was glauben Sie, dass der Benutzer einen Rookie tippt , um das Board zu initiieren? Was auch immer Sie erkennen, was sie tun, etwas Nitrat oder Mord. Ich will ja, du kannst es so oft hinzufügen, wie du willst. Vermisse OK. Ok. Ok. Und jetzt eine dislodge-Seite, was haben die Milliwatt gemacht, die Informationen, die Sie tatsächlich vom Benutzer ticken werden . Lasst uns also über das Engagement nachdenken. Was willst du? Wenn der Typ sagt, ich will als Erstes einen Burger , was fragst du ihn? Fragst du dich , welche Art von Programm? Das ist es, was ich ihn danach fragen werde , denn der Bot wird fragen. Das ist also im Grunde das, was der Datentyp ist. Also klicken wir einfach auf alphanumerisch. Es hat eine Menge vordefiniertes Amazon. Sie können E-Mails, Telefonnummern, Uhrzeit, Datum sehen , es ist ziemlich, es ist sehr gut bei Mr. Gardner. Okay. Welche Art von Burger? Entschuldigung. Tut mir leid, nur um Burger zu sein. Burger. Dies ist ein, ist eigentlich der Name des Slots, keine Aufforderung. Dies ist die Aufforderung. Okay. Also okay, nachdem du die Art von Bugger genommen hast, können wir ja fragen, die Standortrate. Wir wissen nicht wo der Typ ist. Nehmen wir also die Stadt. Das wird er fragen. Okay. 99. Eine Sache noch. Okay. Sie hatten den direkten Abfluss oder haben jeden Tag geliefert. Ich denke also, dass Amazon bereits eine API-Daten oder Abweichungsrate hat. Ja, im Sterben. Es tut mir leid. Um wie viel Uhr? Lieferung? Ja. Ich denke, das ist ein Bein nur für ein einfaches Audit. Ich denke, das ist mehr als genug , um nicht zu technisch zu werden. Jetzt all dies später angemessen, sehe ich, dass nur einer überprüft wird, jetzt wollen wir alle von ihnen. Ja, der erste wird welche Art von Vulgär sein? Die zweite wäre die Priorität. Wenn man sich die Proteine anschaut, ist die Reihenfolge , in der es zwei Fragen gibt. Erstens ist Priorität eine Art gefälschter Sekunden, der Ort. Drittens ist diese Zeit. Okay? Aufforderung zur Bestätigung. Das ist im Grunde ja, du willst sicher bestellen. Im Grunde sind Sie also sicher, dass Sie die Ordnung wiederherstellen möchten? Ja. Rat, wenn der Benutzer nein sagt. Okay. Nun, denn Filament ist im Grunde genommen, wenn Sie alles genommen haben, wie ich Ihnen gesagt , und die Bestellung aufgegeben haben, jetzt werden wir uns Ihre Geschäftslogik nicht ansehen. Offensichtlich. Wir werden es nur speichern und in Biomarkern zurück an den Benutzer. Aber lassen Sie uns hier nicht einfach eine genetische Botschaft auf der linken Seite geritten . Okay, also wenn er geht, lass Danke. Ihre Bestellung für mal sehen, dann haben Sie die Buckets Nummern gebrochen und im Grunde genommen was Sie hier aus dem Slot nehmen, sind Sie dynamisch unter gefüllt. Schlitz. Für den ersten Slot wurde Liste, liefern Sie den Ort beim literarischen unten. Okay. Also denke ich, dass das mehr als genug ist. Betrachten Sie einfach nur klicken. Mal sehen. Hoffen wir, dass ich eine Methode nicht aufgebraucht habe. Bauen wir seinen Hintern auf. Mal sehen, was passiert. Ja, lass uns einen Bot bauen. Mal sehen. Ups. Kein Wert für Ablehnungsanweisungen kurve und reject statement.me, ungültig. Okay. Mal sehen, was passiert ist. Okay. Ihre Bestellung wurde beantwortet. Ich glaube, ich glaube, ich habe vergessen, das Radikale zu setzen. Wenn diese als Tochter ausweisen. Es gab dort keine andere Aussage . Lass es uns nochmal bauen. Okay. Es baut sich für solche Dinge auf, was passiert? Es ist, als ob Sie ein Programm erstellt haben oder ein Computerprogramm im Grunde genommen den Boden kompiliert, okay, alles wurde da hineingelegt. Es baut es im Grunde im Back-End auf und erstellt den Bot bereit. Okay. Gibt es ein Nein. Okay, jetzt kannst du tatsächlich den richtigen Bildschirm hinzufügen. Sie können sehen, dass er das ist, was er als Bot bezeichnet hat, ist jetzt bereit für uns, mit dem Abschluss der Rechnungen zu interagieren , die er zum Abschluss geführt hat. Und dann können Sie tatsächlich Desktop-Gespräche damit machen. Mal sehen. Wir sollten also in der Lage sein, eine Bestellung für einen Burger aufzugeben und ihn an den Kunden zurückzuspiegeln wenn Sie es richtig konfiguriert haben. Okay, also ist es jetzt fertig. Leute, lass es uns sehen. Okay. Mal sehen. Lass uns sagen, ich will okay. Welche Art von Burger? Sie können jetzt sehen , dass es unten Slots gibt. Es überprüft, was ich sagen möchte. Okay. Wo wohnst du? Ich lebe in der Leiche. wie viel Uhr möchten Sie liefern als bm? Ja. Das ist das Exterieur-Ding, das wir einsetzen, ja. Ja. Okay. Dafür ist passiert , aber die Bestätigungsnachrichten wurden nicht angezeigt. Interessanterweise hast du mal sehen, was passiert ist. Antwort. Ich glaube, ich habe das leider nicht gespeichert. Ok, mein Fehler Leute. Ich habe vergessen , das zu sagen, weil dies eine sehr generische Botschaft ist, die Sie wollen. Es gibt kein Okay. Danke. Euer Ehren. Für lassen Sie uns einfach eine Typliste einfügen. Okay. Okay. Ja. Weil wir diese Nachricht an jeden lokalen Distributor haben wollen. Vielen Dank für die Bestellung für den Typ wurde uns mit Dielektrikum gesegnet. Ich denke, es wird Groß- und Kleinschreibung beachtet, auch jeden int aufgeführt und die Vorschau festgelegt. Also jetzt die Reaktion auf die Gelder des Kunden auf den Kelch, aber nicht nur genetisch zu zeigen. Lasst uns gut arbeiten. Ich will das nicht. Ich möchte, dass es für den Benutzer angepasst wird, weil es kein Fungizid verwenden wird. Aber jedes Mal, wenn Sie einen Änderungsfall vornehmen, müssen Sie ihn erneut erstellen, nur um es Ihnen mitzuteilen. Mal sehen, ob ich vom Insipid Luster Modul profitiere . Okay. Fangen wir noch mal an. Okay, also ist es wieder das Limit, im Grunde genommen durch diese lustigen kleinen Zeitspaß erkennen , weil es die Rinde wieder von Grund auf neu zusammenstellt und im Grunde überprüft, damit es ganz unten nicht geht irgendetwas Nur nach links. Okay. Liebe in London. Und BM? Ja. Okay. Gut. Jetzt können Sie sehen, dass der Kundensponsor nicht die genetische Sprache gegeben hat, die wir nicht wollten. Das sind also keine Leute, du hast deinen eigenen Bot erstellt und er ist sehr, sehr mächtig. Sie können es so oft anpassen, wie Sie möchten. Natürlich wird die Willenskraft Webcam Sie davon überzeugen, sie in einige Geschäftslogik zu integrieren, sollte Unordnung wählen und im Grunde all diese Parameter nehmen und eine Flüssigkeit in ein Restaurantsystem geben eine Flüssigkeit in ein Restaurantsystem und daher kommt die Bestellung direkt. Aber jetzt hast du deinen eigenen Bot erstellt. Es muss heute ziemlich viel damit gesammelt worden sein. Und wenn du das siehst, kannst du es auf Facebook stellen. Du kannst es auf Slack legen. Diese beiden haben es nicht benutzt, aber es ist wirklich nur möglich, diese Box zu überwachen wie viele Anfragen eingegangen sind und es gibt ein Problem. Dies ist also das Mächtige daran, dass SHE die gesamte natürliche Sprachverarbeitung nutzt die gesamte natürliche Sprachverarbeitung , um im Grunde mit den Benutzern zu interagieren. Und wenn Sie manchmal zum Glück sagen, können Sie wirklich überprüfen, ich möchte, dass Sie überprüfen, wie der Bot intellektuell ist, wenn Sie einfach etwas wie verwirrend setzen, wenn ich einfach etwas einsetze, das ich nicht hineingelegt habe. Ja. Siehst du das? Also entschuldigen Sie sich, können Sie das bitte wiederholen, weniger klar das noch einmal. Lassen Sie uns etwas sagen, das ich nicht wirklich überprüfen werde, um den Kontext dessen zu überprüfen, was ich mache. Okay? Ja, sehen Sie, ist tatsächlich drin, ich habe keine dieser Äußerungen abgegeben, ich habe etwas anderes ausgedrückt, aber es hat verstanden. Das ist also sehr mächtig. Ich wollte wirklich glasiert werden, möchte, dass ihr euch das anschaut, versteht, wie es funktioniert und deine eigene Box kreiert. Das ist von jedem, das ist viel komplexer als das, was wir zuvor benutzt haben. Ich hoffe, du hast es genossen und blickt und OPIA, es nimmt etwas von der Verwirrung weg, die zuvor mit der Toolbox der Götter passiert ist. Im Moment möchte ich, dass Sie Ihr eigenes benutzerdefiniertes Board erstellen. Lass es mich wissen. Danke. 15. AWS Polly: Hallo Leute, Willkommen zur zweiten Demo von AWS Machine Learning. Also diese Familie werden wir uns einen anderen Service ansehen , der Amazon Polly heißt, der genau das Gegenteil von AWS-Transkribe ist. Statt Rede zu Text werden wir Text in naturgetreue Rede machen. Was dieses Polytope bedeutet, dass maschinelles Lernen also Sprachklänge sehr natürlich synthetisieren könnte , und Sie können Anwendungen machen, die im Grunde sprechen, wenn die Syntax von Poly That verwendet wird, aber die Interpunktion in einem Text Sie könnten so sein wenn Sie das haben, was er Kommas oder Lebensmittel nennt , die tatsächlich für Hinweise für Parser und Bücher verwendet werden . Ich meine, wenn Sie, wenn Sie eine Website oder einen Blog erstellt haben, können Sie im Grunde genommen Polyploid haben , das Sie zu Ihren Besuchern geführt haben. Oder wenn Sie ein E-Learning haben, können Sie abweichendes Kursmaterial in vollständig auftragsgesteuerte Kosten umwandeln . Oder vielleicht bist du ein Bankzins. Sie können Polyploidie und interaktive Sprachantwort haben. Als der Kunde also nach einem ausgeglichenen Polygon angefordert hat, er nicht automatisch an Ihren Kunden abgespielt , sondern menschliche Interaktion. Also hoffe ich, dass du die Idee verstehst. Erstellen wir also einen Text dafür und schauen wir uns an, wie es funktioniert. Das ist also nur etwas, das ich Jungs geschrieben habe und ich meine, du kannst es so ziemlich. Ich dachte das gerade im Handumdrehen. Ich möchte das nur in Amazon, Polly, stellen und es mir ansehen. Flexicurity, extrem unkompliziert. Wir sehen uns in der AWS-Konsole. Okay Leute, so schwerer. Im Gegensatz zu der transkribierten Pflege brauchen wir keinen S3-Bucket oder etwas, das mit der Lautstärke ziemlich unkompliziert sein sollte , weil meine Absicht nur darin besteht, Ihnen zu zeigen, wie es funktioniert. Lasst uns also zu Amazon gehen. Polly, los geht's. Nun, okay, so einfach, wie ich schon sagte, es ist hier sehr, sehr einfach. Sie können einfach Dinge hierher stellen und wie er es nennt, wiederholte Dienste. Mein Name ist John Allen Wilson Lehrbuch. Hi. Mein Name ist Joanna. Ich lese jeden Text, den du hier tippst. Okay, das war ziemlich nett. Und du kannst sehen, dass du das tatsächlich von männlich zu weiblich ändern kannst und all das. Hi, ich bin Matthew. Ich lese jeden Text, den du hier tippst. Okay. Also lasst uns die Architektur setzen. Hallo allerseits. Dies ist eine Demo von Amazon Polly für Ihren Udemy-Kurs. Polya konvertiert diesen Text in Sprache basierend auf den Parametern, die Sie festgelegt haben, um Ihnen zu zeigen, wie Amazon AI-Services den Parametern, die Sie festgelegt haben, um Ihnen zu zeigen funktionieren. Sie können dies verwenden, um eine interaktive Sprachantwort für Callcenter und andere Anwendungen basierend auf Ihrem Anwendungsfall zu erstellen. Oder Sie können Amazon Polly verwenden, um Audiodateien aus Blogs oder Websites zu erstellen . Hoffe das war nützlich. Tschüss. Okay, lasst uns das durch weibliche menschliche Abfälle führen. Hallo allerseits. Dies ist ein Sanft von Amazon Polly, für Ihren Udemy-Kurs konvertiert Polya diesen Text basierend auf den Parametern, die Sie festgelegt haben, um Ihnen zu zeigen, wie Amazon KI-Services funktionieren. Sie können dies verwenden, um eine interaktive Sprachantwort für Callcenter und andere Anwendungen basierend auf Ihrem Anwendungsfall zu erstellen. Oder Sie können Amazon Polly verwenden, um Audiodateien aus Blogs oder Websites zu erstellen . Hoffe das war nützlich. Tschüss. Okay, du siehst plötzlich, dass du überprüfen kannst, wie genau die Rate von zwei Ziehungen sind. Und obwohl man Lexikon setzen kann, was ich vielleicht in einer Aussprache lexikone, einige Vögel habe ich anders ausgesprochen. Es gibt einige Wörter, die nicht so ausgesprochen werden, wie Sie Slang und Vokabular haben möchten Sie können diese tatsächlich hier hochladen und es wird sie lesen und es wird diese virtuellen so verändern wie Sie es wollen ausgesprochen. Es ist also ziemlich einfach, Leute. Es ist, als wäre es viel einfacher als das Transkript einfach ist. Ich möchte, dass du damit spielst, es dir ansiehst und siehst, wie es funktioniert. Okay. Danke. 16. Zusammenfassung: Hi Leute. Endlich erreichen wir das Ende dieses Abschnitts, und ich hoffe, es hat Ihnen gefallen. Wir finden, dass das angewandte, was wir theoretisch gelernt haben auch diese Konzepte umgesetzt hat. Also haben wir eine Lehrmaschine für maschinelles Lernen entwickelt , die Google Teachable Machine modelliert, die zwischen verschiedenen Arten von Objekten und Bildern unterschieden wird. Und ich gebe Ihnen ein paar Hausaufgaben, um das zu machen, etwas Audio zu verwenden, einfach zu verwenden und zu sehen, können Sie ein gutes Modell für maschinelles Lernen bekommen? Ein Modell. Und schließlich haben wir eine Amazon 50 oder Dienste für maschinelles Lernen verwendet , um Audiodaten zu transkribieren , Spracherkennung und Erstellung von Konversations-Chatbots, die die Verarbeitung natürlicher Sprache verwenden Bestellungen, werden all diese kostenlosen Dienste nutzen. Implementieren Sie tatsächlich einige grundlegende EI-Dienste? Ich hoffe, dies hat dazu beigetragen, die Konzepte , die Sie zuvor gelernt haben, zu festigen , und jetzt haben Sie zuvor ein besseres Verständnis des A1. Gehen wir nun zum letzten Abschnitt über dem Sie alles aufgewendet haben. Danke. 17. Warum ist Governance notwendig?: Hallo Leute. Willkommen in dem Abschnitt, ein äußerst wichtiger Teil der Sporen ist, der sich auf künstliche Intelligenz, Governance und Standards bezieht und insbesondere darauf, wie KI missbraucht werden kann. Jetzt scheint das ein bisschen verwirrend zu sein , denn wie kann er missbraucht werden? Sie könnten fragen, nun, die traurige Tatsache ist , dass das Auge KI ist wie jede andere Technologie in dieser Hinsicht. Es wird immer Menschen geben , die versuchen, Technologie und Musik für unethische Aktivitäten zu erklären . Und nehmen wir das Beispiel von sagen wir, das Internet. Jetzt ist das Internet wie ein massiver technologischer Sprung für die Menschheit. Das Leben von Millionen und Millionen Menschen wurde eine Diagonale umgewandelt. Aber nur, wissen Sie, wie viele Cyberkriminelle haben sich genommen. Ihr ganzes Konzept von Cyberkriminellen, das wegen des Internets wirklich abgehauen ist und wie sie mitgenommen haben, nutzte es aus. Wie jede andere Technologie ist KI auch so und kann missbraucht werden. Und damit diese Dinge die Kontrolle haben können und wir eine Art Regulierungsgeräusche unserer Standards für KI haben müssen . Warum denkst du, dass ich gehen muss oder nicht? Lasst uns ehrlich sein. Niemand mag Vorschriften, oder? Ich denke vor allem in der Informationstechnologie. Es scheint normalerweise ein Blocker für Generation zu sein. Es scheint etwas zu sein , das Wachstum, Innovation und Technologie angeklagt wird . Und KI war historisch gesehen eine selbstregulierte Branche. Es gab, gab es nicht so viel Regulierung. Die Regierungen haben nicht so viel ausgewählt. Es kostete anfangs. Und was geschah war, als viele Dinge geschehen, begann die Massenadoption der Ais plötzlich wirklich. Covid-19 war ein Game Changer für viele Unternehmen auf der ganzen Welt. Und er schwenkt einen von ihnen an. Viele Unternehmen, was sie getan haben, war, dass sie die Technologie-Roadmap-Rate beschleunigten. Sie werden beschleunigt die Akzeptanz in die Cloud. Eigentlich beschleunigte die Akzeptanz auch der Digitalisierung, des E-Commerce und der KI. Und das Unternehmen ist wirklich verbunden. Es kann nicht so sein, als ob die Wahlen im Wild West Nordic anwesend sind und sie freigeben, damit die KI-Systeme von den Kunden vertrauen können, müssen Sie einen breiten regulatorischen Rahmen haben . anwesend. Und genau das kommt die Frage ins Spiel. Vertrauen Sie, wie misst man ihm und dem VA-System Vertrauen? Weil Mixed Mike hier eine Art Paradoxon zu sein scheint , oder? Ja, es ist nicht wie Menschen, hätte das Ei keine Emotionen, wie ein Imperium sagt. Also genau dort, Konzept des Vertrauensbefehls. Hier kommt das Interessante auf. Jetzt gib mir irgendeine Voreingenommenheit. Das ist eine gute Frage zu stellen, weil Menschen Voreingenommenheit haben, oder? Menschen oder Vorurteile, Nicht-Mensch ist völlig objektiv. Das ist es, was zu einer Art Subjektivität, ehrlichen Haltungen führen kann , und deshalb brauchen wir Schecks und Salden. Die traurige Tatsache ist also, dass Sie sich daran erinnern, wie KI funktioniert, wie Sie Trainingsdaten angeben müssen , auf deren Grundlage sie beginnt, Daten zu sammeln und alle Datensätze zu verstehen , die Sie einführen. Keine Vorurteile bei der Datenerfassung von Menschen. Verdammt, bleib in Belgrad, es kommt darauf an, dass du einen Algorithmus für die Gesichtserkennung erstellst, wenn du ein Beispiel nimmst . Und die Handelsdaten , mit denen Sie es füttern. Es repräsentiert nicht alle Gruppen. Nehmen wir an, die Trainingsdaten, die Sie ihm gegeben haben, sind 75, 75 Prozent männliche Gesichter und nur 25 Prozent weibliche Gesichter. Und von allen von ihnen finden 80% der gesamten Gesichter eine Demo von Menschen und nur 20 Prozent sind schwarz. Was denkst du wird jetzt passieren? Denkst du, dass das Modell weiße Menschen und Männer besser erkennt? Natürlich ein gutes Licht, weil diese Reinigungsdaten nicht einheitlich waren, es war nicht fair. Sie haben ihm nicht alle benötigten Daten vollständig gegeben. Nehmen wir also ein Beispiel. Jetzt tut das nichts weh. Es war, als hätten Kim und ich die unten stehenden Links eingefügt und du kannst es überprüfen. Die Anzeigen von Facebook sind viele von ihnen. Es wurde herausgefunden, dass es nach Geschlecht und Rasse diskriminiert wurde . Was also geschah, war, wenn es darum geht Jobs von Krankenschwestern und Sekretärin zu verknüpfen, die verpasst wurden. Es zielte auf einen absteigenden Knoten ab, von Familie zu Frau. Und wenn es lokal in Arbeitsplätzen war, nein, wie Taxifahrer von etwas, schickte es es hauptsächlich an Minderheiten. Und es waren hochbezahlte Jobs wie, weißt du, wie ein Haus zu verkaufen oder so ähnlich. Es zielte auf weiße Leute ab. Was also passiert war, war, wie ich schon sagte, das sind die Vorurteile in meinem Algorithmus, die Februar aufgrund der ausgefüllten Trainingsdaten reptiliert wurden. Jetzt war das auch etwas sehr erstaunliches. Die rassistische Voreingenommenheit für sie und die bessere Musikbar im Gesundheitswesen kommt und was nicht passiert ist, weiß, dass dieses Krankenhaus versucht hat, Menschen zu finden , die gezieltere medizinische Versorgung benötigen. Sie waren einem höheren Risiko ausgesetzt. Und was nicht war, zielte darauf ab, wie viel sie ausgegeben haben. Im Moment, was geschah, war Schwarze tatsächlich mehr medizinische Probleme hatten, aber sie gaben weniger aus. Weiße, weiße, weiße Leute gaben mehr aus. Auf dieser Grundlage entschied dieser Algorithmus, dass entschied dieser Algorithmus, dass Schwarze genauso viel medizinische Versorgung benötigen wie weiße Menschen. Und es hat nicht angefangen, und es fing an, ich denke, dass weiße Leute darauf basieren. Sie sehen also, wie es passiert ist, richtig, mit verurteilter Einkommensungleichheit. Das Ding ist passiert. Und dies war ein sehr berühmter Fall und dort war es in den Nachrichten überwiegend auch ein ziemlich berühmtes US-Justizsystem namens Kompass, von dem wir herausfanden, dass es tatsächlich gegenüber Schwarzen voreingenommen war . Und das erfahren Sie mehr Details in den kommenden Folien, aber ich hoffe, das gibt Ihnen eine Idee. Ai kann tatsächlich voreingenommen werden, es ist nicht ganz objektiv wenn man es nicht richtig behandelt. Also das sind wie viele? Dies ist ein Beispiel, von dem ich gesprochen habe. Dieses System hieß Kompass. Dies ist also ein Beispiel, in dem Vorurteile und künstliche Intelligenz Schaden anrichten können. Um Menschen zu entspannen, die wirklich Schaden mögen , haben wir Menschen Konsequenzen hinterlassen , die sich nachhaltig auf ihr Leben auswirken können. Compass war ein System, das in den Vereinigten Staaten verwendet wurde. Was nutzt es, nützlich zu sein? Es wurde von der Anfrage des Justizsystems verwendet, um zu prognostizieren, welche Humanisten wahrscheinlich wieder beleidigen würden. Okay, erinnern wir uns, wie hoch die Wahrscheinlichkeit war , dass sie Verbrechen begangen haben? Auch hier würde der Richter auf der Grundlage von Bewertungen treffen, dass die Richter Entscheidungen treffen würden , wenn alles von der Menge der GLD Leute kaufen, die Höhe der Kaution. Sie können sich also vorstellen, dass das Leben der Menschen beeinflusst wird und was passiert ist? Nun, sie finden heraus, dass es eine Tendenz gegen schwarze Menschen gab, die besser sind als dieser Algorithmus. Schwarze Menschen, indem sie ihnen gaben und höhere Punkte gaben, die sie gingen, bestand eine höhere Wahrscheinlichkeit , dass sie ein höheres Risiko wieder zu beleidigen, obwohl ich es ähnlich mag weiße Menschen, die eine viel höhere kriminelle Geschichte hatten, erhielten sie niedrige und niedrige Punktzahlen. Wie Sie hier auf der linken Seite sehen können, diese Person, Bernard Papa, er hatte nur sehr wenige Vorteile, sehr klein, ist diese Person, Bernard Papa, er hatte nur sehr wenige Vorteile, sehr klein, was beleidigend bedeutet, aber der Weiße, aber wie ein ziemlich bedeutendes Strafregister. Und Sie können sehen, aber das Risikoniveau ist völlig verzerrt. Und dem Schwarzen wurde Gegensatz zum Weißen ein hohes Risiko eingeräumt. Das Gleiche auf der rechten Seite. In der frühen Zeit kann Robert Kennedy sehen. Robert Kennedy hatte also um Beleidigung gebettelt, aber Becky Tryptophans und keine nachfolgenden Straftaten bringen ihm, dass seine Stimme sechs Jahre alt war. Während es scheint wirklich geladen zu sein, weil Clique, damit Sie sehen können, wie es passiert ist. Was passiert war, war, dass die Daten an die Fragesteller gebunden wurden. wurden 137 Fragen gestellt basierend auf denen das System den Punktestand gab. Und es berücksichtigte nicht all die verschiedenen Dinge, die für ihren Rat und all das waren. Auf dieser Grundlage gab es tatsächlich, glaube ich, dass es eine gemeinnützige Organisation namens ProPublica gab. Sie haben dies hervorgehoben und es wurde auch zu einem großen Skandal für dieses Unternehmen. Und der Bericht ist öffentlich, er ist öffentlich verfügbar. Du kannst es herunterladen. So können Sie jetzt sehen Ich hoffe, Sie können sehen, was die Unterschiede sind. Nicht wenn du ein Richter bist und ein Ts beurteilst, oder? Und wenn ein Typ auf dich zukommt, auch wenn der Typ vorher nichts Bedeutendes getan hat, aber wenn er ein hohes Risiko von 10 bekommt, denkst du nicht, dass das dich unbewusst beeinflussen wird, dass diese Voreingenommenheit eintreten wird und du könntest ihnen eine höhere Gefängnisstrafe oder ähnliches geben. Ich hoffe, dies gibt Ihnen ein Verständnis dafür, wie gefährlich es ist und wie stark es Sie beeinflussen kann. Mal sehen, was wir dagegen tun können, okay. 18. Arten von of: Hallo Leute. Also in diesem Abschnitt, wie wir bereits besprochen haben, und ich habe Ihnen gezeigt, wie Systeme ich habe Ihnen gezeigt, wie Systeme aufgrund der Handelsdaten und der Vorurteile, die darstellten, versehentlich Vorurteile wie ein in sie eingeschlichen haben könnten aufgrund der Handelsdaten und der Vorurteile, die darstellten, versehentlich Vorurteile wie ein in sie eingeschlichen Handelsdaten und der Vorurteile, die darstellten, versehentlich Vorurteile wie ein in sie eingeschlichen die Daten, die das anstreben. Die Frage ist also, wie schaffen wir Vertrauen? Keine der Gesellschaft, wir sollten immer danach streben, KI-Technologie zu entwickeln, die für alle völlig fair ist. Und auch für Unternehmen, wie wenn Sie mehr und mehr künstliche Intelligenz für Land oder maschinelles Lernen werden , müssen Sie dies angehen. Sie werden also zeichnen, Sie können sich vorstellen, was passieren würde, wenn Sie ein KI-System verwenden und sie auf ein KI-System bringen. Und es stellt sich heraus, dass es bestimmte Kunden diskriminiert. Das wird also eine große Wiederholung des Rückens für Sie sein und Leute zurückgeben oder Sie informieren. Was brauchen wir also, um Vertrauen zu schaffen? Wie schaffen wir Vertrauen? Nun, Kruste stützt sich auf vier Dinge, die Integrität, Erklärbarkeit, Fairness sind, und in letzter Zeit ist es das nicht. Mal sehen, was passiert ist. Nun, was heißt das? Der erste Begriff ist Integrität. Was meinen Sie mit Integrität Ihres Systems unter einfach gesetzt, das ist genau wie wir ein Zuhause überprüfen, oder? Wenn Sie ein Haus kaufen, musste ich einen Scheck haben, um die Fundamente zu überprüfen , um sicherzustellen, dass es stark und robust ist. Das Gleiche wie das. Sie müssen prüfen, wie wird die Definition der Trainingsdaten in das System eingespeist? Was sind die Kontrollen über diesen Knierücken? Wie wurde es gebaut? Hey, wie läuft es? Güte, etwas von Anfang bis Ende, damit keine Änderungen in einem Algorithmus passieren , wird nicht geändert und es wird kontinuierlich überwacht. Das ist also Integrität, Erklärbarkeit. Nun, das ist ziemlich einfach. Was bedeutet es, dass du es erklären können solltest? Der Grund dafür ist, dass ein Modell eine bestimmte Produktion macht und Sie in der Lage sein sollten zu verstehen, dass die Ergebnisse keine Blackbox sein sollten , damit niemand weiß, wie ich das gemacht habe. Ich habe eine kommutative, aber besondere Entscheidung. Und das ist im Wesentlichen dafür, es zu kosten, besonders wenn Sie Entscheidungen treffen werden die auf diesen Handlungen basieren, Richard Gibbs. Sie müssen also erklären können, warum und wie ein Motto einen Output hervorgebracht hat. Und es sollte in der Lage sein, uns dabei vorgestellt zu werden, das ist eine sehr ausnutzbare Ausnutzbarkeit. Fairness, das nennt man nicht Wind Back und Oracle-Gewebe oder möchten Sie einer systemischen Gebühr vertrauen , wenn sie nicht fair sind? Es sollte also so gebaut werden, dass es so frei von Voreingenommenheit wie möglich ist, damit Sie wissen, welche Daten Sie füttern. Es muss relevant und angemessen sein, und es sollte von den Menschen erlaubt werden, klein zu sein. Nehmen wir also ein Beispiel. Wenn Sie EIA gekauft sind, ist Occam so, als würde man Schulen an Menschen geben und basiert auf einem Kurs zu koordinieren, da nein, tut mir leid, der Digitalisierer kognitiv schlecht und sie nicht in der Lage sein werden, Kredite zurückzuzahlen. Das ist also eine Voreingenommenheit, oder? Sie müssen sie also mit sich zeichnen und müssen sie kontinuierlich überwachen , um sicherzustellen , dass keine Vorurteile in die Trainingsdaten einschleichen . Und Belastbarkeit. Belastbarkeit ist die technische Robustheit und Compliance bei anderen Sicherheitsmaßnahmen, dem Risikomanagement. Niemand versucht den Algorithmus zu gefährden und trotzdem schlammig, jemand versucht zu mögen welche Effekte kontrollieren, wissen Sie, KI-Systeme sollten stark genug sein, um so zu widerstehen, dass x, das heißt y war gegen komplex. Dies sind also die vier Attribute , von denen wir sprechen. Ich hoffe also, dass Sie verstehen, ob Ihr AIE-System den sportlichen Anforderungen entspricht, dann können Sie sehen, wenn Sie sehen, dass dies der Fall ist , sollte es rückblickend sein. Wie werden wir nun, was ist der Mechanismus? Aber auf der ganzen Welt erhalten Menschen Vorschriften auf der ganzen Welt. Und sie sind normalerweise so ansässig , als wären sie Dinge, in denen VAE, Dinge in den USA und über die Grenze hinweg viele Regierungen sehen, viele Regierungen sehen die Ihre Sammlungen räumen. Eine Sache, die wir trotz bedeutender Bedeutung am 23. April 2021, was passiert ist, der erste konkrete Vorschlag, UVP, war heilig wie ein Entwurf, den ich von der Europäischen Union erstellt habe. Und dies ist wahrscheinlich, dass dies effektiv den Rücken und die Debatte über künstliche Intelligenz und das Gesetz führen effektiv den Rücken und die Debatte über wird. Ganz viele Unternehmen, seien es kleine und große Unternehmen, sie werden kaum künstliche Intelligenz nutzen , wie Sie sie durchgehen können. Wenn Sie also vertraut sind, DSGVO, war die DSGVO eine Datenschutzverordnung. Und sobald es größtenteils war, wurde es schnell zum globalen Standard dafür wie andere Nationen es als Blaupause betrachteten. Das Gleiche wird auch hier passieren. Das wird so ziemlich erwartet weil die DSGVO den Ton für die ganze Welt angibt. In ähnlicher Weise könnte diese Anerkennung den Ton für die ganze Welt bestimmen. Dies wird wahrscheinlich in einer Sekunde nach 2022 in einer Übergangszeit in Kraft treten . Sie können sich also vorstellen, dass in der zweiten Hälfte von sagen wir 2 Tausend Kredit dafür, dass Sie anfangen können, in Kraft zu treten und wenn sie möchten, den Mechanismus dieser Sache ins Spiel zu bringen. Also was, wovon träumt das genau? Es teilt also im Grunde genommen die Systeme auf, die Kategorien durcheinander bringen könnten Menschen mit hohem Risiko und begrenztem Risiko und die grenzenlosen Pflegesysteme in den letzten beiden, ich mag so ziemlich gleich. Und so wollen sie sein , wenn er das Klassifizieren und Umgang mit den I-Systemen anrief . Drei Hauptstufen, die sie geteilt haben, vernachlässigten ein gewisses akzeptables Risiko, hohes Risiko und sind endlos begrenzt. Ein akzeptables Risiko sind grundsätzlich Systeme, die als Bedrohung für die Sicherheit und den Lebensunterhalt und die Rechte von Menschen angesehen werden die Sicherheit und den Lebensunterhalt und , die einfach nur Bankregulierung des einfachen Schlagdurchschnitt darstellen, dass es wie eine Null-Toleranz ist, solche Dinge. Und das begrenzte und das Minimum war schwul. sind einfach kleine Dinge, die Gately verwenden, um Ihren Spam-Ordner beizubehalten, wissen Sie, es verwendet maschinelles Lernen um zu wissen, wie viele Bilder gerade in einer Spanne kommen. Es betrifft nicht, dass das Hauptaugenmerk auf Hydrosphäre liegt. Was ich im Grunde auch möchte, ist es eine hochrangige Definition wie ein System zwischen Bewertung, um Kunden zu sehen, Verbraucherkreditwürdigkeit oder die kritische magische biometrische Identifizierung des magischen Brandes, wie solche Dinge. Und diese unterliegen sehr strengen Verpflichtungen, die, bevor sie in den Markt gebracht werden können, Risikobewertungen stattfinden werden. Die Datensätze, die wir brauchen , um wirklich zu heilen. Sie müssen Informationen bereitstellen , die verwendet werden sollen und wie es passiert. Sie müssen eine menschliche Aufsicht darüber haben und Robustheit der Sicherheit und Genauigkeit hervorheben. Wie würdest du wie nennen? Nun, wenn Sie ein KI-System entwickeln, muss es es wie etwas betrachten , das als Konformitätsbewertung bezeichnet wird. Was es also tut, lässt es jemanden mit technischer Dokumentation und der Qualität des Systems zurück , damit es sich an die Nation hält. Und wenn ja, wird es registriert und was werden Sie auf den Markt gebracht? Angenommen, dass sich etwas ändert, ändert etwas die Empathie eines Systems, als Sie vollständig zurückgehen müssen , und wir bestätigen es durch diese Li, all die Dinge, die Sie über Fairness erwähnt haben und Integrität und all diese Dinge, sie würden tatsächlich ein Mechanist werden. So können Sie diese violette Regulierung weltweit ins Sekretorium sehen. Also hoffe ich, dass Sie jetzt Leute verstehen, wie er die Risiken nannte , die derzeit ein System sind und wie dominant auf der ganzen Welt und der Pudding und die Maßnahmen und sie in die Schritte, um sicherzustellen, dass Ökosysteme vertraut werden können. Danke. 19. Weg für dich: Hallo Leute. Jetzt haben wir endlich das Ende dieses Kurses erreicht und dies ist unser letzter Abschnitt. Ich hoffe, dass ich einfach reise. Und Sie haben wie ein gründliches Verständnis der Grundlagen der künstlichen Intelligenz und des maschinellen Lernens gewonnen Grundlagen der künstlichen Intelligenz und des . Was ist jetzt die Frage von 1 Million Dollar? Nein, wohin geht ihr von dort aus und baut auf dem auf, was ihr in diesem Kurs gelernt habt. Wenn Sie also eine Karriere verfolgen möchten, einen Brunnen, ist die gute Nachricht, dass Sie sich für eine professionelle Person entschieden haben , was keine große Nachfrage ist. Selbst wenn die Pandemie Millionen von Arbeitsplätzen zerstört. Sie haben große Riesen, die stark in KI investieren. Sie haben Globins, die Ihre Startups undeutlich investieren. Es wird erwartet, dass bis 2030 1 Drittel dieses Buches in den USA durch Automatisierung und Roboter ersetzt wird. Also ich meine, das ist genau so , als gäbe ich etwas von LinkedIn. Ich meine, der am meisten gefragte Job war Spezialist für künstliche Intelligenz, der wie ein jährliches Wachstum von 74 Prozent eingestellt wurde, was absolut erstaunlich ist. Also nochmal eine Doktrin-Analyse. Gardner, wie ich schon sagte, nicht einmal 2030, was wie ich 2024 mag 32 Viertel des Unternehmens und operationalisiere ein. Die gute Nachricht ist also , wenn man eine Karriere in der UVP anstreben will, die gute Nachricht haben Sie sich für einen Beruf entschieden, der Nachfrage bedeutet. Okay? Und im Bereich Ressourcen habe ich einen Link zu einer kürzlich durchgeführten Studie der britischen Regierung aufgenommen, wie die Industrie für künstliche Intelligenz in Großbritannien wachsen kann. Und es ist nicht nur so, dass Sie feststellen, dass dies auf globaler Ebene von Europa bis zum Nahen Osten geschieht . Darüber hinaus wissen Sie nur, dass die Europäische Union Hafen für den Vorschlag zur Regulierung der UVP ist , der der erste rechtliche Rahmen für das A ist, der die Risiken der Fähigkeit von KI berücksichtigt, wenn ich CA nicht geht überall, Leute sind gut. Das sind eine gute Nachricht. Wir schauen uns an, was sind die schlechten Nachrichten? Nun, die schlechten Nachrichten, ich weiß nicht, ob man es schlechte Nachrichten nennen kann, aber nur etwas, das man beachten muss. Es ist ein sehr technisches Gebiet und Sie müssen sich tief in einige technische Fächer wie Programmierung und Data Science vertiefen. Wenn Sie Ihre eigenen Modelle für maschinelles Lernen erstellen möchten und ehrlich gesagt, wenn Sie etwas von NEA wert machen möchten, das in der Natur des Tieres, das ist KI. Und es gibt keine Möglichkeit , davon zu überspringen. Egal, ob Sie KI-Ingenieur oder Datenwissenschaftler werden möchten. Ich lege nach meiner Erfahrung ein, welche Art von Fähigkeiten du verfolgen musst. Sieh dir den Bildschirm an, ja. Dann sind zahlreiche Aufbaustudenten-, Bachelor- und Master-Studiengänge von akkreditierten Universitäten und Institutionen verfügbar , die Sie von Grund auf neu aufnehmen können und Sie wirklich auf den Fähigkeiten aufbauen können. Wenn Sie also an Fähigkeiten interessiert sind und das großartig ist , sind viele dieser Programme nicht verfügbar. Vor kurzem musste man es wirklich wie ein wirklich spezialisiertes Programm mit dem Wissen viel häufiger werden. Es ist also viel einfacher , eine richtige Karriere zu verfolgen. Und jetzt habe ich die Programmiersprache erwähnt. Das ist also die Frage, die mir viel zu sagen ist. Wenn es mir gut geht, möchte ich KI verfolgen und ich möchte eine Programmiersprache aufgreifen und auf welche sollte ich mich konzentrieren? Nun, es gibt zahlreiche Möglichkeiten für künstliche Intelligenz, aber meine Empfehlung ist fast immer kaufen. Es gibt einen Grund, warum es die beliebteste Programmiersprache für maschinelles Lernen ist. Der Grund dafür ist, dass es mit 316 Verbindlichkeiten gefüllt ist. Sie wurden also schon viel Arbeit geleistet und können Ihnen helfen, einen Laufstart zu bekommen. Und es ist sehr einfach zu verstehen, dass Ethan schon immer beliebt war, ich bin ehrlich, aber mit KI und maschinellem Lernen hat es wirklich angefangen. Es ist definitiv, sie werden wie nein sein. Eine andere ist die Liste. Aber es ist eine Option, aber das ganze Wasser, das meiste davon ist es ehrlich gesagt nicht in Python vorhanden. Es ist nicht so benutzerfreundlich wie Python. Es ist alles hat nicht die reiche Anzahl von Verbindlichkeiten, die Exciton hat. Java ist auch sehr beliebt und es ist ein starker Anwärter gegen Python. Es wird auch als Werte und benutzerfreundlich sein. Ich denke, jeder, der in einer großen Organisation gearbeitet hat, hat einen Dollar erlebt. Und der letzte, wenn Sie ein Zahlencruncher sind, dann r, was eine aufstrebende Sprache ist. Es könnte für dich sein. Es wurde sehr richtig bei ihnen weil es gut für statistische Analysen ist. Und es ist noch besser als Python, wenn es um Nummer-Crunching geht. Es bietet eine sehr leistungsstarke Unterstützung für Data Mining und erweiterte Datenanalysen. Es gibt auch andere Sprachen wie C plus plus Prolog und ich kann weiter darüber weitermachen. Aber wenn du ehrlich meine Meinung würfeln willst, dann kannst du mit Python wirklich nichts falsch machen. Und es gibt einen guten Grund, es ist keine Momentspur für KI-Profis. Und dann stehen zahlreiche Kurse zur Verfügung, Sie können es aufnehmen und Sie erhalten eine sehr gute, solide Grundlage für den Start einer Karriere in der KI. Okay, das war nur ein Leitfaden. Nur um dir zu helfen, mit dem Ion zu starten , wenn du deine Acharya startest, was ist zu tun? Also denke ich, dass wir zu einer Schlussfolgerung gekommen waren. Jetzt. Wir sehen uns dort. Danke. 20. Das Ende!: Hallo zusammen und herzlichen Glückwunsch, vielen Dank für den Abschluss des Kurses und ich hoffe, Sie haben jetzt etwas über KI und maschinelles Lernen gelernt . Und es ist kein so beängstigendes Thema mehr wie es am Anfang zu sein schien. Also nur ein schneller Jemand, ich meine, diese anderen Dinge, diese anderen Errungenschaften, die Sie jetzt gemacht haben, haben Sie die grundlegenden Konzepte des maschinellen Lernens verstanden. Sie haben Ihre eigenen Machine Learning- und KI-Modelle erstellt, und es klingt unglaublich, aber ja, das haben Sie getan. Und Sie haben auch das Gefährliche des Missbrauchs von KI erkannt . Laden Sie ein nettes Regieren und einige Risikomanagement-Rahmenbedingungen ein, die wir eingeführt haben. Und Sie haben es auch verstanden, ich hoffe, ich habe Ihnen die Tools gegeben , die Sie haben müssen. Wenn du deine Karriere wirklich voranbringen willst. Und wie ein wirklich in künstliche Intelligenz investieren. Ich meine, der Himmel ist der Limit Jungs. Wirklich, es gibt kein Stoppen von EA. Und er sagt, du investierst dich selbst für die Zukunft. Also hoffe ich, das hat mir wirklich geholfen und bitte gib mir dein Feedback und deine Kommentare. Ich würde mich freuen, ehrliches Feedback zu haben , das Ihnen hilft, weitere Kurse zu erstellen und Sie werden diesen Kurs mehr finden. Also nur wieder eine schnelle Selbstwerbung, ich habe einen YouTube-Kanal, den Cloud-Sicherheitspersonal. Dies ist meine Facebook-Seite und ein Blog, auf dem angemessen posten. Ich wünsche Ihnen also das absolute Beste in Ihrer Karriere und viel Glück auf Ihrem Acharya und wir sehen uns in Zukunft. Tschüss.