【大腦是個狂野的遊戲場1】:聊《雜訊》
電影《全面啟動》曾重大啟發了我,它讓我認識了「識」-只有通過「識」才能認、才能知。從那時起,我掛念著人原來可以這樣開發超能力:自由、開放、專注、來回解構再建構......,只要最日常的思索和感受,就可以上綱成浩瀚的新的洞察。
因為這樣,我一直很喜歡讀談人類認知缺陷的書,而儘管每一次都自以為進步一點,又在新的提醒下,發現新的漏洞。
最近讀了當紅的《雜訊:人類判斷的缺陷》,主要觀念可看為作者《快思慢想》的延伸,同樣簡單但扼要。作者將雜訊(noise)從偏誤(bias)區隔開來,相較於後者的可預測,前者瀰漫在整個系統,難以揪出去扭轉。
作者指人的判斷,很難不受雜訊干擾,因而不可靠。主要雜訊種類有「水準雜訊」(例如我們對電影評分數、評星星,但每個人對於數字和星等的界定並不一樣)、「型態雜訊」(例如我們遇到「恰恰會激怒/打動我」的局面或價值,由此動搖了判斷)、「場合雜訊」(因為天氣不/太好、因為昨夜的遭遇、因為連續給了幾個惡評覺得該開始正向一點.....)。
清晰到有點化約的論述,但讀完了厚厚整本書舉出各種範例和交叉辯論,我甚至幾乎要接受「強力建議:以演算法取代人為判斷」的結論。
套用書中的詞,我一直用「perpetual beta(永遠的測試版,指無止盡地使用、分析、改良的電腦程式」)來自我期許,面對新與更新的識與知,stay hungry, stay foolish,但深深走進一本書,常常也像耽溺入戲,有時你來不及更新配備,卻先對原版的自己感到懷疑。
《雜訊》讀到後來,我覺得有點失去對於自己所做判斷的信心。書中所舉的雜訊種類,恰恰是我通常樂於無限上綱去感受和追尋的。創作者與藝術愛好者總是渴望開發更細膩的知覺,希望自己更流動、更多縐摺、無論任何際遇都要找出新鮮又崎嶇的孔洞,而以noise的觀點,這阻礙了有效的判斷,是應該經由系統的校正去驅避的。
同時也有2部Youtube影片,追蹤數超過4萬的網紅聴くだけ音感トレーニング‐ドレミで歌う楽譜,也在其Youtube影片中提到,★楽譜の販売始めました! 販売ページはこちらです → https://store.piascore.com/ 「聴くだけ音感」「きくおん」で、検索して下さい。ぜひご利用ください!! この動画は、原曲とは違うkey₌C(Am)です。 ※tik tok始めました。https://vt.tikto...
bias種類 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
訓練AI模型,要多少數據?拆解企業人工智慧專案為何難落地
2020.12.09 by 若水AI Blog
企業導入AI似乎已成為一種趨勢,但是訓練AI模型,需要多少數據?其背後的商業命題與成本又該如何解決?帶你來一起窺探AI專案背後的秘密!
企業的AI專案在釐清問題本質、找到命題之後,首先會面臨到一個問題:收集數據(Data Collection)和建立AI模型(Model Establishing),該以什麼作為評估基準?
訓練一個AI數據模型,需要多少數據?
訓練AI數據模型時,其實有三個要素,彼此互相影響。分別是: 商業問題的複雜度 、 AI模型複雜度 (Model Complexity),以及 數據複雜度 (Data Complexity)。
因此,如果想知道需要多少訓練數據(Training Data),建議先釐清:這個AI專案到底要處理什麼問題,以及這個問題有多複雜?確定之後,再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度,用不同複雜度的模型和精準數據彼此搭配,找出最佳平衡,才能讓AI專案順利落地。
但光憑想像,很難評估實際的AI數據量和成效,所以開始AI的第一步,需要先透過POC概念驗證(Proof of Concept)實驗來找答案。
簡單來說,就是針對不同複雜程度的商業問題,嘗試選用不同複雜度的模型搭配測試,直到模型跑出來的曲線,符合理想目標。
一般狀態下,假設商業問題本身的複雜度很高,我們會預期要選擇複雜度較高的模型。但是如果數據量不足,那麼選擇複雜度較高的AI模型,反而會比用簡單的AI模型效果還差。(上圖左上、右上,分別代表複雜度10和複雜度50的問題,可以明顯看出複雜的模型曲線比較接近學習數據集(Dataset),但是在測試數據集上的誤差 Eout,反而比簡單模型還差了許多。)
上圖的左下和右下,是以不同複雜度的模型去做POC,跑出來的結果曲線圖。藍色線代表的是學習數據(Training Data)成效,紅色線代表的是測試數據(Testing Data)成效。最理想的POC目標,應該是兩條曲線很貼近彼此,而且位置越低越好。
我們會發現,左下這張圖的兩條曲線雖然彼此貼近,但是就算增加數據,也無法降低誤差。這表示模型偏誤(Bias)高,效果不佳,應該要增加模型複雜度 (Model Complexity)。
增加模型複雜度之後,就會像右下這張圖,藍色曲線(學習數據)雖然數值很低,但在學習數據不足的情況下(灰色區塊),紅色曲線(測試數據)卻「飄」得太高。這表示模型變異誤差(Variance)高,應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後,我們就可以達到理想的結果(兩條曲線很貼近彼此,而且位置越低越好)。
數據哪裡來?發展AI人工智慧之前,先建立數據流
先前我在文章裡提到,很多企業會急著開發AI模型,但AI專案落地經驗的三大關鍵之一,其實是先確認:是否已經準備好數據了?如果沒有這樣的能力,談AI落地其實有點好高騖遠。
AI數據收集(Data Collection)最大的挑戰,在於針對不同型態的命題,會產生不同的AI數據需求,因此需要建立的「數據流」(Data Pipeline),AI數據處理 (Data Processing)和數據標註(Data Annotation)的模式及流程也會有所不同。
發展AI之前,如果能建立起從數據收集(Data Collection)、數據處理(Data Processing)到AI模型學習的數據流(Data Pipeline),並確保可以順暢運行,實際訓練AI模型時才會省力很多。
數據不夠或太多怎麼辦?
Google開設的機器學習(Machine Learning)課程中,第一項原則就開宗明義地指出:「Don’t be afraid to launch a product without machine learning」。
如果你的產品或業務不一定需要用到機器學習(Machine Learning),那就別用,除非你有AI數據。有數據,再來談機器學習(Machine Learning)。但在業界的實際狀況,大家不是沒有數據,而是只有一些些,這時候該怎麼辦?我會建議,先從小地方開始做起,也就是從POC專案著手。
POC專案要有具體成效,除了要注意設計專案、實驗模型的指標(Metrics),企業最重要的是要先定義清楚:AI專案要達到什麼樣的指標,才算是成功?這樣最後做出來的成果,才會真正符合商業目標。
如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?
我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。
過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。
猜猜結果如何?兩次實驗的表現,只差異不到1%。
所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。
AI模型訓練,記得校準商業目標
企業發展AI人工智慧的最終目的,還是希望能 達到商業目標,創造價值 。
所以,訓練AI模型時,團隊如果不知道如何判斷哪個指標,對AI模型學習來說比較重要,建議回歸初心,重新釐清「 這個專案想達到的商業目標是什麼 」。
比方,趨勢科技(Trend Micro)要開發一個能夠判斷電腦病毒的AI,但是勒索病毒(denial-of-access attack)和廣告病毒對客戶的傷害程度大不相同。這時候,工程師就會針對這個命題,餵給AI模型不同病毒種類的數據,讓它學會判斷不同病毒的重要性,分辨出哪些病毒比較嚴重不能有判斷錯誤,而哪些病毒比較無害,不一定要做到一百分。
最常見的訓練方法,是用成本函數(Cost Function)的方式,訓練完再回去調整AI模型的評分(Rating),用加扣分的方式,告訴機器它的學習表現是好是壞,做對就加分,做錯就扣分。
上述評分原則的制定,和企業的商業價值考量息息相關,所以一般在組織分工,會由PM專案團隊負責判斷哪些項目重要,請資料科學家設計在上述Cost Function裡面。
很多人以為,AI人工智慧開發要做到很完美才行,但其實根據我們的經驗,只要AI開發成本符合預算、AI模型表現可接受(大約做到60–70分),而且結果有助於降低成本,就可以算是達到商業目標。反過來,即使AI模型表現非常好(高達90分),但成本卻遠超出預算,就不建議執行。
另外,因為POC階段會做很多的實驗,需要拿兩個穩定且可以互相比較的基準做A/B Test,所以做好基礎建設非常重要。
如果一個團隊裡面有三位工程師,但三個人做出來的結果都無法互相比較,那麼這個實驗就會變得霧裡看花,導致AI專案難以落地。
AI數據小學堂:模型指標(metrics)
在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。
P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。
附圖:AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做?
資料來源:https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA
bias種類 在 凌宗湧 Alfie Lin 花藝生活美學 Facebook 的最佳貼文
品墨良行小富 和衍序規劃設計 - BIAS Architects 真蓉 問我要不要星期日帶澤澤和Ivy一起來上昆蟲標本製作課程?
這完全就是我的菜,所以就立馬報名了,位在新店山區花園新城,興趣誌 的昆蟲標本製作課,在上課前我們還特別上網了解,這些昆蟲的來源,確認後Ivy才願意和我們一起來。
因為課程所使用的昆蟲,皆為自然死亡採集,無活體捕捉、飼養與購買,昆蟲種類以現場準備為主。
課堂上幾乎都是好朋友們一起,Frank帶兒子來上課,Taffi也來探課~
老師說在上課前整個社區都會幫他們撿集,沒想到集中在一起的昆蟲屍體好臭,原本沒有太大興趣的澤澤,沒想到在看見打開扁鍬形蟲的翅膀時,感覺有點像在組合模型,突然開始認真起來,而我選了一隻彩虹吉丁蟲。
昆蟲,是世界上最繁盛的動物,在生態中扮演著非常重要的角色,製作昆蟲標本,除了作為裝飾品外,亦可從製作過程中了解其生物分類、物種特性,進而認識並保育。
興趣誌的昆蟲標本製作課程,沒有過多艱深的技巧,我們運用簡單的軟化、固定與烘乾…等方式操作,非常適合想嘗試標本製作的朋友,也歡迎親子一同體驗。
#興趣誌
#Taffi帶我們去蘭溪秘境
#昆蟲標本製作課
bias種類 在 聴くだけ音感トレーニング‐ドレミで歌う楽譜 Youtube 的最佳解答
★楽譜の販売始めました!
販売ページはこちらです → https://store.piascore.com/
「聴くだけ音感」「きくおん」で、検索して下さい。ぜひご利用ください!!
この動画は、原曲とは違うkey₌C(Am)です。
※tik tok始めました。https://vt.tiktok.com/RMpHVn/
※ツイッター始めました。https://twitter.com/pIc5akRAs2iRUDn
宜しければ、フォローよろしくお願いします。
<音符に付くドレミの表記方法が変わりました。>
これまでは、そのkeyの音には、♯や♭は付かず、臨時記号だけに付いていましたが・・・これからは、keyの音には、予め♯や♭が付いた状態になります。そして、これまでと同じように、さらなる変化音は、青く表記されます。
また、key=Cと移動ド読みは従来通りです。
・・・・・・・・・・・・・・・・・・・・・・・・・・
修業時代に、こんな教材が欲しかった。聴いているだけで、ドレミに強くなり、音感が良くなります。もちろん、一緒に歌えば、さらに効果倍増。#・bなどが出て来ても心の中でイメージしながら、実際には、そのままドレミで歌います。小さなお子さんの絶対音感トレーニング。ドレミに苦手意識のあるミュージシャン・プロを目指す方などに最適です。
音感が良いと楽器の習得も早くなります。曲を覚えるのも楽になります。練習効果バツグンです。また、様々なメロディを覚えると、アドリブや作曲能力にも効果があります。当然、楽器で弾けるように練習するのも価値あります。チューニングは、12平均律、A=440Hz、固定ドです。最近、リクエストがあり、移動ド読みの動画も載せるようになりました。
小さな子供さんの絶対音感トレーニングの場合には、移動ド読みの物は避けて下さい。他の方は、どれでもオッケーです。どれかをやって、マイナスになることなんてありません。ただ、何かの目的がハッキリしている場合には、選べると役に立つと思い分けてあります。逆に選ぶ知識・経験の無い方は、そんなことを考えなくても良いです。
使用方法;
1、まずは、流し聴きしてみて下さい。
2、可能なら、本物のオーディオ推奨。
3、速度調節します。youtube 動画は、音程を変えずに、速度を変えることが出来ます。画面右下の設定、再生速度とあり、選べるようになっています。
4、何度か、聞いているだけで、自然と覚えて、音名が、時々でも浮かぶようになって来ます。寝ながら、ループ再生しておいても、効果あります。
5、余裕があれば声も出してみましょう。正しい言葉・文字でなくて構いません。分からない部分は、唸るような感じで。
6、音楽教室の教材などにも最適です。ご活用下さい。
7、他にも、様々な活用法が考えられると思います。
<音をドレミで理解することの意味・価値>
音は音です。振動です、なぜドレミと言う違う言葉を当てはめるのでしょうか?
人は、モノに名前を与えて、初めて・・・より細かく分類理解することが出来ます。
例えば、犬。チワワとブルドック、ドーベルマンに柴犬など見た目で判断するなら、全く別な生き物です。でも、そこに犬と言う言葉を付けてみるとどうでしょう?突然そこに、何らかの統一感が生まれ、人の心に同じ種類の生き物だと認識出来るようになります。
そして音にも同じようなことが言えます。ドレミと言う言葉によって、漠然とした音に多くの感覚的な統一感を感じ取る事が、出来るようになります。その感覚を身に付けるのに、当チャンネルの動画こそ最適です。
チャンネル登録よろしくお願いします。動画編集。追加の励みになります。
#きくおん#聴くだけ音感#無料楽譜

bias種類 在 聴くだけ音感トレーニング‐ドレミで歌う楽譜 Youtube 的最佳解答
★楽譜の販売始めました!
販売ページはこちらです → https://store.piascore.com/
「聴くだけ音感」「きくおん」で、検索して下さい。ぜひご利用ください!!
この動画は、原曲と同じkeyの固定ド読みです。基本、シ・ミ・ラ・レ・ソが♭します。
※tik tok始めました。https://vt.tiktok.com/RMpHVn/
※ツイッター始めました。https://twitter.com/pIc5akRAs2iRUDn
宜しければ、フォローよろしくお願いします。
<音符に付くドレミの表記方法が変わりました。>
これまでは、そのkeyの音には、♯や♭は付かず、臨時記号だけに付いていましたが・・・これからは、keyの音には、予め♯や♭が付いた状態になります。そして、これまでと同じように、さらなる変化音は、青く表記されます。
また、key=Cと移動ド読みは従来通りです。
・・・・・・・・・・・・・・・・・・・・・・・・・・
修業時代に、こんな教材が欲しかった。聴いているだけで、ドレミに強くなり、音感が良くなります。もちろん、一緒に歌えば、さらに効果倍増。#・bなどが出て来ても心の中でイメージしながら、実際には、そのままドレミで歌います。小さなお子さんの絶対音感トレーニング。ドレミに苦手意識のあるミュージシャン・プロを目指す方などに最適です。
音感が良いと楽器の習得も早くなります。曲を覚えるのも楽になります。練習効果バツグンです。また、様々なメロディを覚えると、アドリブや作曲能力にも効果があります。当然、楽器で弾けるように練習するのも価値あります。チューニングは、12平均律、A=440Hz、固定ドです。最近、リクエストがあり、移動ド読みの動画も載せるようになりました。
小さな子供さんの絶対音感トレーニングの場合には、移動ド読みの物は避けて下さい。他の方は、どれでもオッケーです。どれかをやって、マイナスになることなんてありません。ただ、何かの目的がハッキリしている場合には、選べると役に立つと思い分けてあります。逆に選ぶ知識・経験の無い方は、そんなことを考えなくても良いです。
使用方法;
1、まずは、流し聴きしてみて下さい。
2、可能なら、本物のオーディオ推奨。
3、速度調節します。youtube 動画は、音程を変えずに、速度を変えることが出来ます。画面右下の設定、再生速度とあり、選べるようになっています。
4、何度か、聞いているだけで、自然と覚えて、音名が、時々でも浮かぶようになって来ます。寝ながら、ループ再生しておいても、効果あります。
5、余裕があれば声も出してみましょう。正しい言葉・文字でなくて構いません。分からない部分は、唸るような感じで。
6、音楽教室の教材などにも最適です。ご活用下さい。
7、他にも、様々な活用法が考えられると思います。
<音をドレミで理解することの意味・価値>
音は音です。振動です、なぜドレミと言う違う言葉を当てはめるのでしょうか?
人は、モノに名前を与えて、初めて・・・より細かく分類理解することが出来ます。
例えば、犬。チワワとブルドック、ドーベルマンに柴犬など見た目で判断するなら、全く別な生き物です。でも、そこに犬と言う言葉を付けてみるとどうでしょう?突然そこに、何らかの統一感が生まれ、人の心に同じ種類の生き物だと認識出来るようになります。
そして音にも同じようなことが言えます。ドレミと言う言葉によって、漠然とした音に多くの感覚的な統一感を感じ取る事が、出来るようになります。その感覚を身に付けるのに、当チャンネルの動画こそ最適です。
チャンネル登録よろしくお願いします。動画編集。追加の励みになります。
#きくおん#聴くだけ音感#無料楽譜

bias種類 在 而輻射層結構(RADIAL)又稱子午線輪胎,僅用一個或兩個胎 ... 的推薦與評價
【哈特佛安全誌】 之前有提到輪胎有各式各樣的用途、性能或尺寸等種類,其中, ... 早期輪胎比交多為交叉層結構(BIAS),是由數個胎體層,相互以反方向重疊,利用簾布 ... ... <看更多>