[ChatScript] ChatScript 에제 따라하기 삽질 중 . 

K-POP 소재로 챗봇 개발하기    다라하는데 오류발생. 삽질 중 . 구글링에도 잘 안나옴. 

그런데, 굉장히 단순한 문제였음. 

unknown top-level declaration tablemacro~~~~ 였는데,  구글링에도 답이 없음. 

하다하다 궁극의 코딩 정리를 다시 해보니.

Tablemacro:^NounPlusPP(~~~) 였는데, 

Tablemacro: ^NounPlusPP(~~~) 이렇게 바꾸니 오류 발생 안함. 이건 뭐냐고...?!

그렇게 투애니원의 안부를 chatscript에게 물어볼수 있었다. 

...

기본이 중요, 카메라 세팅

뭐든 기본이 중요하다. 기초를 잘 닦아야 실력을 제대로 키울 수 있는 법. 고프로 촬영의 기본은 카메라 세팅이다. 사진과 영상을 포함해 무려 154개의 세팅 값이 있지만 미리 겁먹을 필요는 없다. 딱 3가지만 알면 되니까. 화면 비율, 프레임, 해상도 말이다.

화면 비율은 결과물의 가로세로 비율을 말한다. 고프로에는 4:3, 16:9, 17:9의 세 가지 비율이 있다. 4:3은 과거 TV에서 많이 사용하던 것. 가장 안정적인 모드로 깊이 있게 담을 수 있으며 편집할 때 유연하게 대응할 수 있다는 장점이 있다. 하지만 요즘 많이 사용하는 비율은 16:9다. 4:3에 비해 위아래가 16.6% 줄어들지만 오히려 좌우가 넓게 느껴져 몰입감을 높인다. 17:9는 16:9와 함께 영화와 멀티미디어 파일에 최적화된 비율이다. 2.7k나 4k 같은 고해상도 설정에서만 17:9 비율을 선택하도록 했다.

고프로 히어로3+는 특별한 모드를 추가했다. 슈퍼뷰 모드는 4:3과 16:9의 장점을 합한 것. 4:3 화면에서 끝부분만 늘려 16:9로 만들었다. 물론 끝 부분에 왜곡이 생기긴 하지만 위아래로 넓은 화상을 담을 수 있다는 장점이 있다. 1080p와 720p 해상도에만 적용된다.

프레임 레이트는 1초에 몇 장의 이미지를 촬영하는가에 대한 설정이다. 프레임 수가 올라가면 결과물의 용량이 커지긴 하지만 슬로모션 같은 효과를 부드럽게 넣을 수 있다. 어두운 곳에서는 프레임 수를 줄이는 것이 좋다. 노이즈가 많이 끼기 때문. 고프로는 밝은 곳에서는 120프레임, 어두운 곳에서는 24프레임으로 세팅하는 것을 추천한다. 이번에 새로 추가된 오토 로우 라이트(Auto Low Light) 기능을 켜 놓으면 어두운 곳에서 자동으로 프레임 레이트를 조절한다. 개인적으로 에디터는 60프레임으로 세팅하고 오토 로우 라이트 기능을 켜 둔다.

해상도는 화면의 크기를 말한다. 3840×2160, 2704×1524, 1920×1440, 1920×1080, 1280×960, 1280×720 중 선택 가능. 그중 대세는 다들 아시다시피 1920 x1080이다. 여기서 촬영팁 하나. 고프로는 화각이 넓어 주변부가 생각보다 더 많이 담긴다. 이게 너무 보기 싫을 때는 편집하면서 영상을 확대해 주변부를 자른다. 물론 화질이 떨어지는 걸 감수해야 한다.

하지만 이때는 결과물의 해상도보다 한 단계 높은 해상도로 찍으면 된다. 그러니까 1920×1080 영상을 원하면 2704×1524로 찍는 것이다. 그러면 주변부를 자르면서도 깨끗한 화질을 유지할 수 있다.

[ChatScript] ChatScript 에서 Harry를 Dorothy로 바꾸고, 한글인사하기 - 웹으로

로컬에 APM 설치하고, 127.0.0.1/testbot.php 를 실행해보았다. 

그런데, chatscript에 보니까 이미 서버를 구현하는게 있던걸. 이런...

ChatScript port=1024 userlog  이렇게 하면 된다는걸~ 

서버측을 실행히켰는데 어떤 입력도 CMD에선 적용이 안됨. 

"I don't know what to say." 만 난발하고. 

암튼 어떻게 할지 모르다가, 웹 대화창에 입력한데로 챗봇이 실행되는걸 보고 입력창에 빌드명령어 다시 넣고.  빌드 한번 더 해보니 한글 답변을 볼 수 있었음. 

이제 첫번째 콘솔창에서 :build Dorothy reset을 실행하고, 컴파일이 끝나면 수정한 내용을 반영할 수 있도록 CS서버를 새로 기동시킨다. CS서버를 새로 기동시키기 위해서는 웹브라우저의 메시지 창에 :restart를 입력하고 send 함으로써 가능하다.

여기서 메시지 창을 통해 명령어를 전송할 수 있다는 점에 의아해 할 수 있는데, 이는 테스트 하는 동안의 편의를 위한 것이고 테스트가 끝난 후에는 메시지 창을 통한 명령어의 전송을  차단하거나 미리 등록한 사용자만 가능하도록 바꿀 수 있다. 현재는 모두에게 허락되어 있는데 등록한 사용자에게만 가능하도록 하겠다면 다음과 같이 수정하면 된다.

l  수정할 파일 : chatscript/authorizedIP.txt

l  현재 내용 : all

l  수정할 내용 : L_t8e3s7t8

수정할 내용에는 대문자 L_로 시작하여 뒤에 사용자 이름을 적으면 되는데, 쉽게 추측할 수 없는 사용자 이름을 쓰는 것이 좋을 것이다. 위와 같이 적었다면 브라우저로 로그인하는 ID가 t8e3s7t8일 경우에만 메시지 창의 명령어를 서버에 전송할 수 있다. 이제 다시 돌아와서 시스템이 restart를 하면, 곧이어 :reset 명령을 준다.

스크린 채널 편성표

https://www.imtcast.com/screen/program/schedule.jsp

당신이 활짝 피어나면 나비는 절로 날아든다.

당신이 뛰어나면 하늘이 먼저 당신을 찾는다.

자아를 실현하는 가장 좋은 방법, 궁극의 행복에 이르는 법은

마음을 활짝 열어 나비를 매료시키는 꽃이 되는 것이다.

결코 외부의 가치관에 끌려다니거나

다른 사람의 인정을 받기 위해 경쟁할 필요가 없다. 

- 리카이푸, ‘내게 남은 날이 백일이라면’에서

‘당신은 목적이 있기 때문에 존재한다.

이 넓은 세상에 당신과 똑같은 사람은 없다.

이전에도 그랬으며 앞으로도 그럴 것이다.

당신은 어떤 필요를 채우기 위해 생겨났다.

시간을 갖고 이것에 대해 생각해보라.’

L. 오스틴의 글 함께 보내드립니다.

...

다른 사람을 느끼고 

다른 사람의 감정이나 문제, 기쁨이 

우리에게 와닿도록 하기 위해서는 우리 자신에게 

시간을 주어야 한다. 가능하다면 감각도 함께 

활용해야 한다. 20초 동안 눈을 감고  

우리 자신의 얼굴과 손을 만져보자. 

혼자 해볼 수도 있고 다른 사람과 

함께 해볼 수도 있다.

- 엘사 푼셋의《인생은, 단 한번의 여행이다》중에서 -

* 나를 알아야

다른 사람도 알 수 있습니다.

나의 감각이 살아야 다른 사람의 감정도 느낄 수 있고,

내가 기쁨을 찾아야 다른 사람의 기쁨도 받아들일 수

있습니다. 그 모든 것의 출발점은 자기 몸입니다. 

내 얼굴과 손을 만져보면 금방 압니다.

단지 20초만 만져봐도...  

...

랜덤 포레스트

기계 학습에서의 랜덤 포레스트(영어: random forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한다.

정의

랜덤 포레스트는 여러 개의 결정 트리들을 임의적으로 학습하는 방식의 앙상블 방법이다. 랜덤 포레스트 방법은 크게 다수의 결정 트리를 구성하는 학습 단계와 입력 벡터가 들어왔을 때, 분류하거나 예측하는 테스트 단계로 구성되어있다. 랜덤 포레스트는 검출, 분류, 그리고 회귀 등 다양한 애플리케이션으로 활용되고 있다.

역사

랜덤 포레스트의 초기 발전은 단일 트리를 확장하는 맥락에서 이용 가능한 결정(available decisions)에 대한 임의의 부분집합(random subset)에 대해 검색하는 아이디어를 도입한 얄리 아미트(Yali Amit)와 도널드 게먼(Donald Geman)의 연구^[1]에 영향을 받았다. 또한 임의의 부분공간(random subspace)을 선택하는 틴 캄 호(Tin Kam Ho)의 아이디어^[2] 역시 랜덤 포레스트의 디자인에 영향을 미쳤다. 포레스트가 성장할 때, 각 트리를 맞추기(fitting) 전에 임의로 선택한 부분공간으로 훈련 데이터를 투영(projection) 시키는 과정에서 트리 사이에 변형이 일어난다.

현재의 랜덤 포레스트의 개념은 레오 브레이먼(Leo Breiman)의 논문^[3]에서 만들어졌다. 이 논문에서는 임의 노드 최적화(randomized node optimization, RNO)와 배깅(bootstrap aggregating, bagging)을 결합한 방법과 같은 CART(classification and regression tree)를 사용해 상관관계가 없는 트리들로 포레스트를 구성하는 방법을 제시하였다.

동기

일반적으로 결정 트리를 이용한 방법의 경우, 그 결과 또는 성능의 변동 폭이 크다는 결점을 가지고 있다. 특히 학습 데이터에 따라 생성되는 결정 트리가 매우 달라지기 때문에 일반화하여 사용하기에 매우 어려움이 따른다. 특히, 결정 트리는 계층적 접근방식이기 때문에 만약 중간에 에러가 발생한다면 다음 단계로 에러가 계속 전파되는 특성을 가진다. 배깅(Bagging) 또는 임의 노드 최적화(Randomized node optimization)와 같은 임의화 기술은 결정 트리가 가진 이러한 단점을 극복하고 좋은 일반화 성능을 갖도록 한다.

기여

• 월등히 높은 정확성
• 간편하고 빠른 학습 및 테스트 알고리즘
• 변수소거 없이 수천 개의 입력 변수들을 다루는 것이 가능
• 임의화를 통한 좋은 일반화 성능
• 다중 클래스 알고리즘 특성

퇴근 후 이시하라 사토미(石原さとみ)와 한 잔하는 기분을 느낄 수 있는 광고 & 인터뷰 영상(자막포함)

...