긍정적 사고, 음식의 절제, 규칙적인 운동

지나온 인생을 돌아보면 위험에 빠진 경우보다는

너무 조심한 탓에

손해를 자초해 왔음을 분명 알게 될 것이다.

위험해져라.

조심하기 보다는 위험해져라.

- 그랜트 가돈, ‘10배의 법칙’에서

모든 것이 급변하는 불확실성 시대에선 안정추구가 위험으로,

과감한 도전이 미래의 안전으로 귀결될 수 있습니다.

안정 추구의 삶은 후회를 가져오고,

도전을 추구하는 삶은 성장과 발전을 가져옵니다.

.

'대답은 빨리'를 

기본 원칙으로 삼읍시다. 

악기를 두드리면 바로 소리가 나는 것처럼, 

민첩한 반응을 하도록 평소에 자신을 단련해 

나갑시다. '지금 말씀드리기가...' 하며 대답을 

회피하는 사람들이 있습니다. 꿀 먹은 벙어리가

되어 상대를 답답하게 만드는 사람도 있습니다. 

이렇게 하면 기회는 날아가 버릴지도 모릅니다. 

모든 일에 있어서 행운은 절묘한 타이밍과 

아주 밀접한 관계를 맺고 있습니다. 

- 마쓰우라 야타로의《일의 기본 생활의 기본 100》중에서 - 

* 때로는 신중한 대답도 필요합니다.

그러나 신중함이 길어지면 대답이 늦어집니다.

평소 모든 일에 답을 준비하고 사는 것이 좋습니다.

답이 준비되어 있지 않으면 모처럼 찾아온

절호의 기회를 잃을 수도 있습니다. 

빠른 대답이 답입니다.

.

음성인식 API는 어떻게 사용하는가?  SKTelecom NUGU

이 포스팅은 RNNs(Recurrent Neural Networks), 특히 RNNs의 한 종류인 LSTM(Long Short-Term Memory)을 설명하는 포스팅입니다.

RNNs은 글, 유전자, 손글씨, 음성 신호, 센서가 감지한 데이타, 주가 등 배열(sequence, 또는 시계열 데이터)의 형태를 갖는 데이터에서 패턴을 인식하는 인공 신경망 입니다.

RNNs은 궁극의 인공 신경망 구조라고 주장하는 사람들이 있을 정도로 강력합니다. RNNs은 배열 형태가 아닌 데이터에도 적용할 수 있습니다. 예를 들어 이미지에 작은 이미지 패치(필터)를 순차적으로 적용하면 배열 데이터를 다루듯 RNNs을 적용할 수 있습니다.

RNNs은 배열에 등장했던 패턴을 ‘기억’할 수 있는 능력이 있습니다. 이 부분은 사람의 기억과 기억력에 비유하면 아주 간결하게 설명할 수 있어서 종종 RNNs을 사람의 뇌처럼 취급합니다.

• 일반적인 인공 신경망 (Feedforward Networks)
• RNNs (Recurrent Neural Networks)
• BPTT:Backpropagation Through Time (시간을 거슬러 가는 backprop)
• 그라디언트 안정화 문제
• Long Short-Term Memory Units (LSTM)
• 다양한 시간 단위의 시계열 데이터 분석
• 예제 코드
• 학습자료

다큐 관찰, 수상한 고양이

if(window.console!=undefined) console.log.bind()

<script type="text/javascript">
if(window.console!=undefined){
    setTimeout(console.log.bind(console,"%cTISTORY","font:8em Arial;color:#EC6521;font-weight:bold"),0);
    setTimeout(console.log.bind(console,"%c  나를 표현하는 블로그","font:2em sans-serif;color:#333;"),0);
}
</script>

.