Descending into ML Google Open Online Education Korean English

Descending into MLYouTube↗ IA↗(long shot)
Education 110.8K views 271 likes 12 dislikes 12 Oct 2018

Google Open Online Education 30.4K subscribers United States YouTube↗

Click to Play Video

말씀드렸듯이, Google 모델은 데이터를 통해 학습시킵니다.

So as we said before, our model is something that we learned from data.

여기에는 복잡한 모델 유형도 많고

And there are lots of complicated model types

데이터를 학습할 수 있는 흥미로운 방식도 많죠.

and lots of interesting ways we can learn from data.

하지만 일단 아주 쉽고 친숙한 방식으로 시작해서

But we're gonna start with something very simple and familiar.

좀 더 복잡한 방식으로 넘어가도록 하겠습니다.

This will open the gateway to more sophisticated methods.

첫 번째 데이터 모델을 학습시켜 볼까요?

Let's train a first little model from data.

간단한 데이터 세트예요.

So here we've got a small data set.

X축은 입력값인

On the X axis, we've got our input feature,

주택 면적이고

which is showing housing square footage.

Y축은 목푯값인

On our Y axis, we've got the target value

주택 가격 예상가죠.

that we're trying to predict of housing price.

이제 주택 면적을 입력하면

So we're gonna try and create a model that takes in

주택 가격을 예측하여 출력하는

housing square footage as an input feature

모델을 만들어볼게요.

and predicts housing price as an output feature.

데이터 세트에 라벨이 있는 예시가 여러 개 있네요.

Here we've got lots of little labeled examples in our data set.

학생의 마음으로 돌아가서 여기에 맞는 선을 그어볼게요.

And I'm go ahead and channel our inner ninth grader to fit a line.

데이터 세트를 잘 보고

It can maybe take a look at our data set and

이쯤에 선을 그으면 이런 모습이 됩니다.

fit a line that looks about right here. Maybe something like this.

이제 이 선이 입력값에 따라 주택 가격을 예측한 모델이 되죠.

And this line is now a model that predicts housing price given an input.

수학 시간에 배운 내용을 떠올려 이 선을 방정식으로 정의하면

We can recall from algebra one that we can define this thing

Y = WX + B가 돼요.

고등학교에서 배울 땐 MX라고 썼지만

Now in high school algebra we would have said MX,

머신 러닝에서는 W를 쓰죠.

here we say W because it's machine learning.

가중치(weight) 벡터의 W를 나타내요.

And this is referring to our weight vectors.

여기 작은 첨자가 들어가죠.

Now you'll notice that we've got a little subscript here

차원이 늘어날 수도 있으니까요.

because we might be in more than one dimension.

이 B는 편향을 나타내요.

This B is a bias.

그리고 W가 기울기죠.

and the W gives us our slope.

선을 제대로 그었는지 어떻게 알 수 있을까요?

How do we know if we have a good line?

손실이라는 개념을 생각해보세요.

Well, we might wanna think of some notion of loss here.

손실을 보면 아까 그린 이 선이

Loss is showing basically how well our line

각각의 예시를 얼마나 잘 예측하는지 알 수 있습니다.

is doing at predicting any given example.

예시에서 주어진 예측값 X에서

So we can define this loss

실제값을 빼면

by looking at the difference between the prediction for a given X value

손실값을 정의할 수 있죠.

and the true value for that example.

이 예시는 손실이 어느 정도 있네요.

So this guy has some moderate size loss.

여기에는 손실이 거의 없고

This guy has near-zero loss.

여기는 손실이 딱 0이네요.

Here we've got exactly zero loss.

이 경우 손실이 양수죠.

Here we probably have some positive loss.

손실은 항상 0 이상의 양수 범위에 있어요.

Loss is always on a zero through positive scale.

손실은 어떻게 정의될까요?

How might we define loss?

이 부분은 조금 더 명확하게 생각해 볼 필요가 있습니다.

Well, that's something that we'll need to think about in a slightly more formal way.

회귀 문제에서 손실을 간단히 정의하는 방법이 있어요.

So let's think about one convenient way to define loss for regression problems.

손실에 관한 함수가 이것밖에 없는 건 아니지만 이 방법으로 시작하면 좋죠.

Not the only loss function, but one useful one to start out with.

이걸 L2 손실이라고 합니다. 제곱 오차라고도 하죠.

We call this L2 loss, which is also known as squared error.

이 손실은 각 예시별로 정의되는데

And it's a loss that's defined for an individual example

예측값과 실제값의 차를 제곱한 값이에요.

by taking the square of the difference between our model's prediction and the true value.

물론 실제값에서 점점 멀어지면서

Now obviously as we get further and further away from the true value,

손실도 제곱이 되면서 커지죠.

the loss that we suffer increases with a square.

모델을 훈련시킬 때는 하나의 예시가 아니라

Now, when we're training a model we don't care about minimizing loss on just one example,

전체 데이터 세트에서 손실을 최소화해야 해요.

we care about minimizing loss across our entire data set.

Similar videos:

Feature Crosses
Google Open Online Education
14.2K views 55 likes 0 dislikes 12 Oct 201828% match

Reducing Loss
Google Open Online Education
100.3K views 430 likes 30 dislikes 12 Oct 201827% match

Logistic Regression
Google Open Online Education
14.3K views 48 likes 15 dislikes 12 Oct 201827% match

Settings Privacy About Contact Donate