2017년, 그들은 점점 성장하고 있다. 어린아이었던 그들이 디지털 업계의 큰손이 돼 간다. 늘 수익 창출의 늪에서 허덕이는 IT 기업의 입장에선 중요한 기점이다. Z세대가 아닌, 하지만 Z세대들의 소비가 중요한 미디어 기업 관계자들은 그들의 마음을 사로잡기 위해 온 노력을 다한다. <애드위크>와 <디파이미디어>는 13세에서 20세 사이의 청소년 1452명을 대상으로 미디어 이용 현황에 대한 설문조사를 실시했다. ‘어떤’ 소셜 미디어를 ‘언제’ 사용하며 ‘왜’ 해당 플랫폼을 이용하는지 등을 물어봤다.

Z세대의 미디어 이용 현황에 대한 설문조사 인포그래픽(사진=애드위크)

‘유튜브 없인 못살아요’ 50%

Z세대에게 유튜브는 완벽히 일상을 점령했다. 이용하는 소셜 플랫폼을 묻는 질문에서 95%의 청소년이 유튜브를 이용한다고 응답했다. 다음 순서는 인스타그램 69%, 페이스북 67%, 스냅챗 67%, 트위터 52% 순으로 이어졌다. 더 놀라운 점은 ‘이것 없이는 못살아’라는 항목에 50%의 청소년이 유튜브를 선택했다는 것이다. 과거 ‘TV 없이는 못살아’라고 외쳤던 청소년 세대가 있었다면 이제는 유튜브가 그 자리를 완전히 대체했음을 알 수 있다.

선호하는 미디어 플랫폼에는 성별로 조금씩 차이가 있었다. 여자아이들은 인스타그램, 페이스북, 스냅챗과 같은 동영상·이미지 공유 기반의 소셜 네트워크 서비스를 선호했다. 반면 남자아이들은 트위치tv처럼 게임 스트리밍 방송 플랫폼을 더 선호했다. ‘유튜브 없이는 못살아요’라고 응답한 청소년 수도 남자 청소년이 여자 청소년보다 24%가량 더 많았다. 주로 남자 청소년들이 영상 중심 서비스에, 여자 청소년들이 관계 지향적인 서비스에 더 친근하다는 것을 알 수 있다.

웬만한 유명인보다 믿음직한 SNS 스타

설문조사에 따르면 청소년들은 가수, 배우 등 연예인이나 사회적으로 유명한 인물들만큼 SNS 스타를 신뢰하는 것으로 나타났다. 어떤 물건을 구입할 때 어떤 인물의 조언을 믿느냐는 질문에 대해 경우에 따라 주류 유명인보다 온라인상의 인물을 신뢰한다는 응답이 더 높기도 했다.

미용에 관한 물건을 구매할 때는 주류 유명인의 의견을 더 신뢰하는 쪽이 44%이었지만, 온라인 스타의 의견을 신뢰하는 응답은 48%로 더 높았다. 옷이나 액세사리 같은 물건에는 주류 유명인이 43%, 온라인 스타가 41%로 아직까진 주류 유명인의 영향력이 높았다. 반면 테크 기기에 대해서는 온라인 스타의 의견을 신뢰한다는 응답이 70%로 압도적이었다.

SNS 스타에 대한 신뢰도 만큼, 해당 인플루언서들이 진행하는 브랜디드 콘텐츠에 대해서도 긍정적이었다. 79%의 청소년이 광고에 기반한 브랜디드 콘텐츠에 대해서 괜찮거나 불편하지 않다는 응답을 내놓았다. 유명인들이 제품에 대해 아무런 언급을 하지 않으면서 은근슬쩍 제품을 콘텐츠에 노출시키는 형태의 브랜디드 광고에 대해서도 61%가 괜찮다고 응답했다. 유명인들의 정치적 발언 역시 62%가 긍정적인 응답을 했다.

관계는 스냅챗에서, 정보는 유튜브에서

이밖에도 상황별 이용 플랫폼도 달랐다. 주로 지인들과 관계를 유지하기 위해서는 스냅챗이나 페이스북 같은 소셜 플랫폼이 강했고, 이 밖의 정보 습득성이나 재미 콘텐츠를 위해서는 유튜브가 강했다.

친구들과 소식을 주고받기 위해서는 스냅챗을 이용한다는 의견이 35%로 가장 높았고, 페이스북 26%, 인스타그램 18%가 뒤를 이었다. 뉴스 정보를 얻기 위해서는 페이스북과 유튜브의 이용률이 23%로 동일했다. 트위터가 14%로 뒤를 이었다. 재밌게 웃기 위해서는 유튜브를 이용한다는 의견이 51%로 1위를 차지했다. 또한 팁을 얻거나 정보를 얻기 위한 ‘하우투’ 콘텐츠 역시 유튜브에서 얻는다는 의견이 66%로 압도적이었다. 쇼핑 추천을 얻기 위해서도 24%의 청소년이 유튜브를 본다고 응답했고, 인스타그램 17%, 페이스북 16%가 뒤를 이었다.

tensorflow, macbook, anaconda 설치하고 실행해보기. 할때마다 새롭다. 

두번째 MACbook pro에서 설치해보기. 

영어가 짧아서 install tensorflow의 설치 방법이 4가지가 있다. 를  4개다 설치해보는 걸로 ㅋㅋ

anaconda를 설치해서 터미널로 실행해보는게 익숙한 느낌이다. PyCharm을 어떻게 셋팅해야 터미널에서 실행하는 것 처럼 하는지 아직은... 

anaconda에서 패키지 설치하고, 터미널에서도 설치하고 뒤죽박죽, 왠지 수박 겉 핡고 있는 느낌이랄까. 

https://tensorflowkorea.gitbooks.io/tensorflow-kr 를 기준으로 보고 셋팅하는게 나을듯하다. 

회사에서는 윈도우 PC로 PyCharm으로 돌리고 있다. 얕은 지식이 오락가락 ㅋㅋㅋ 맥북은 익숙하지도 않고. 

"깃허브의 주소는 https://github.com/tensorflowkorea/tensorflow-kr 입니다.

깃북의 주소는 https://tensorflowkorea.gitbooks.io/tensorflow-kr 입니다.

깃허브의 작업 방법에 대해서는 블로그 포스팅을 참고해 주세요."

라고 되어있으니 잘 참고해야지 

.

https://www.android.com/filetransfer/

Android File Transfer

Browse and transfer files between your Mac computer and your Android device.

DOWNLOAD NOW

By downloading, you agree to our Terms of Service and Privacy Policy.

베이즈 확률  http://hamait.tistory.com/742

확률

확률은 매우 간단합니다. 주사위로 생각해 봅시다.

주사위 1개를 던저 나오는 눈의 수를 생각 할때 , 주사위 던지는 조작을 "시행"이라고 합니다.

이 시행으로 얻어진 결과 중에서 조건에 맞는 결과 집합을 "사상" 이라고 합니다.

만약 홀수가 나오는 사상이라면 시행의 결과가 1,3,5 인 눈의 집합이 됩니다.

결국 공식을 다음과 같이 정의 할 수 있습니다.

확률 P =   문제 삼고 있는 사상이 일어나는 경우의 수 (A) /  일어날 수 있는 모든 경우의 수 (U) 

곱사상

두 사상 A,B 가 있다고 합시다.

- A 는 4 이하의 눈이 나오는 사상 

- B 는 짝수가 나오는 사상 

A 와 B 가 동시에 일어나는 "동시확률" 은 ?

A 는 4/6 

B 는 3/6  

A * B = 1/3     즉 두개의 사상이 함께 일어날 확률은 두 사상을 곱하여 계산합니다. 

조건부 확률

어떤 사상 A 가 일어났다고 하는 조건 아래서 사상 B 가 일어나는 확률을 , A 의 조건 아래서 B 가 일어나는 "조건부 확률" 이라고 합니다.

P(B|A) 라고 합니다. ( A 가 일어난 후에 B가 일어날 확률 ) 

P(B | A)    =  '4 이하의 눈이 나왔을 때 그 눈이 짝수 일 확률' =   2/4 

P(A | B)    = '짝수의 눈이 나왔을때 그 눈이 4이하일 확률' = 2/3

승법정리

P(A∩B) = P(A)P(B|A) = P(B)P(A|B) 

검증해볼가요?  (위의 주사위 확률을 문제로 삼고 진행해 봅시다) 

A 사상과 B 의 사상이 함께 일어날 확률은?  위 곱사상 편에서 보면  1/3 이었습니다.

P(A) 는 ?  4/6  이 었지요.

P(B|A) 는 ? 2/4 였습니다 ( 위의 조건부 확률에서 확인) 

P(A)와 P(B|A) 를 곱하면 ?   네 1/3 이 됩니다. 

베이즈 정리는 이 승법정리에서 간단히 유도 됩니다. 

베이즈 정리 

위의 승법정리를 토대로 간단히 다음과 같은 식이 얻어집니다.

P(A∣B)=​P(B)​​P(A)P(B∣A)

​ 

위에서 A 나 B 로 하면 먼가 이해하기 힘들거 같아서 

A 를 H 로 바꾸고 (Hypothesis :  '원인' 혹은 '가정' )

B 를 D 로 바꾸어 보겠습니다. ( Data :  '결과' 혹은 '데이터') 

P(H∣D)=​P(D)​​P(H)P(D∣H)

​ 

위의 정리는 이렇게 말하고 있습니다.

P(H | D) :   결과 데이터가 이렇게 이렇게 나왔는데 , 이렇게 결과 나오려면 어떤 원인이 있었던 것일까??

P(D)    :      모든 결과 (어떤 가설에든 포함되는 데이터의 비율로 , 한정 상수라고도 한다) 

P (H)   :    (결과 데이터 D 를 얻기 전에)  원인인 H가 성립될 확률 

P(D | H) : 원인 H 가 일어났을때 데이터 D 가 얻어질 확률 

.

분수 계산기

.

베이 즈 규칙

 진정한 베이지안은 실제로 조건부 확률 을 합동 확률 보다 기본이라고 생각 합니다. 관절 확률 P (A, B)를 참조하지 않고 P (A | B)를 정의하는 것은 쉽습니다. 이 노트를 보려면 조건부 확률 공식 을 재 배열 하여 다음을 얻을 수 있습니다.

P (A | B) P (B) = P (A, B)

그러나 대칭에 의해 우리는 또한 얻을 수 있습니다 :

P (B | A) P (A) = P (A, B)

그것은 다음과 같습니다 :

이것은 베이 즈 규칙 ( Bayes Rule) 이라고 불리는 것 입니다.

새로운 증거 B에 비추어 가설 A 에 대한 우리의 믿음을 갱신하는 관점에서 베이 즈 규칙을 생각하는 것이 일반적 이다. 특히, 우리의 후방 믿음 P ( A | B는 ) 우리 곱하여 이전 의 믿음 P ( 를 의해) 가능도 P ( | A B 해당) B 경우 발생할 A는 사실이다.

 베이 즈 규칙의 힘은 P (A | B)를 계산하려는 많은 상황에서 직접 그렇게하기가 어렵다는 것을 알았지 만 P (B | A)에 대한 직접적인 정보를 가지고있을 수도 있습니다. 베이 즈 규칙은 P ( B | A )의 관점에서 P ( A | B ) 를 계산할 수있게 합니다.

예를 들어, 흉부 클리닉을 방문하는 환자의 암 진단에 관심이 있다고 가정합니다.

하자 A는 "사람은 암이있다"이벤트를 나타냅니다

하자 B는 이벤트를 대표하는 "사람는 흡연"

우리는 이전의 데이터 (임상에 진입 한 환자의 10 %가 암을 가지고 있음이 판명 됨)를 기준으로 이전 사건 P ( A ) = 0.1 의 확률을 알고 있습니다. 우리는 사건 P ( A | B ) 의 확률을 계산하려고합니다 . 이것을 직접 찾아내는 것은 어렵습니다. 그러나 우리는 담배를 피우는 환자의 비율을 고려하여 P ( B )를 알 수 있습니다. P ( B ) = 0.5 라고 가정 하십시오. 우리는 또한 P ( B | A )를 우리의 기록에서 진단받은 사람들 중 흡연자의 비율을 조사함으로써 알 수 있습니다. P ( B | A ) = 0.8 이라고 가정하자 .

이제 Bayes의 규칙을 사용하여 다음을 계산할 수 있습니다.

 P ( A | B ) = (0.8 '0.1) /0.5=0.16

따라서, 사람이 흡연자라는 증거 에 비추어 우리는 사전 확률을 0.1에서 사후 확률 0.16으로 수정합니다. 이것은 의미있는 증가이지만 암에 걸릴 확률은 여전히 ​​낮습니다.

분모 P ( B 식에서)는, 예를 들면, 계산 될 수있는 정규화 상수이다 소외 있다

그러므로 베이 즈 규칙을 다른 방식으로 표현할 수 있습니다.

베이 즈 정리 의 예를 보라.

베이 즈 규칙 예제

 우리는 각각 검은 색과 흰 색 공이 들어있는 두 개의 봉지가 있다고 가정합니다. 1 개의 부대는 까만의 3 배 많은 백색 공을 포함한다. 다른 가방에는 흰색처럼 검은 색 공이 세 배나 많이 들어 있습니다. 우리가이 봉지 중 하나를 무작위로 선택한다고 가정 해보십시오. 이 가방에서는 무작위로 5 개의 볼을 선택하여 각 볼을 선택한 후에 교체합니다. 결과는 우리가 흰 공 4 개와 검은 색 공 1 개를 찾는다는 것입니다. 주로 하얀 공이 든 가방을 사용할 확률은 얼마입니까?

 해결책. A를 무작위 변수 "가방 선택"이라고하면 A = {a1, a2}이고, 여기서 a1은 "대부분 하얀 공이있는 봉"을 나타내고 a2는 "대부분 검은 색 공이있는 봉지"를 나타냅니다. 우리는 가방을 무작위로 선택하기 때문에 P (a1) = P (a2) = 1 / 2라는 것을 알고 있습니다.

B가 "4 개의 흰색 볼과 5 개의 선택에서 선택된 하나의 검은 공"이벤트라고합시다.

그런 다음 P (a1 | B)를 계산해야합니다. 에서 베이 즈 규칙 이 있습니다 :

 이제 대부분 흰색 공이있는 가방의 경우 공이 흰색 인 확률은 3/4이고 공이 검은 색이 될 확률은 1/4입니다. 따라서 우리는 이항 정리 (Binomial Theorem)를 사용하여 P (B | a1)를 다음과 같이 계산할 수 있습니다.

비슷하게

금후

.