//구글콘솔 광고 추가가
728x90
반응형

 
인프런에서 만우절을 기념하여 천 원샵을 열었다. 전혀 관심 없던 강의들이지만 천 원이라는 사실에 끌려 커피 한잔 가격만큼만 투자해 볼까라는 생각으로 구매해 보았다.
이벤트로 싸게 얻었으니 이참에 구매한 강의들을 들어보면서 새로운 공부를 배워볼 예정이다. 
 
"웹프론트엔드를 위한 자바스크립트 첫걸음"은 원래 33000원을 내야 하는 강의인데 "한 번에 끝내는 자바스크립트: 바닐라 자바스크립트로 SPA 개발까지"강의를 장바구니에 담을 때 이 강의 역시 천 원에 구매할 수 있도록 쿠폰을 준다 하길래 잽싸게 쿠폰을 받아 같이 구매했다.
 

 
 
어차피 자바스크립트를 배워본 적이 없기에 "한 번에 끝내는 자바스크립트"강의를 들으려면 기초 언어가 어느 정도 필요할 것 같아 같이 구매하길 잘했다는 생각이 들었다.
 
 
그래서 구매하게 된 강의들이 아래에 있는 강의들이다. 

 
5500원을 내고 이런 강의들을 얻게되다니. 인프런이 참 좋아지는 하루다.
내용들도 재밌어보이고 강의들에 하나같이 주옥같은 수강평들이 있길래 기대가 된다. 재밌을 것 같다!

728x90
반응형
728x90
반응형

머신 러닝은 기계 학습이라고도 볼 수 있는데 인공지능의 한 분야로, 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 학습하고, 패턴을 인식하며, 예측을 수행하는 기술이다. 말 그대로 기계가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다. 

 

인공지능 안에 머신 러닝이 있고 머신 러닝 안에 딥러닝이 있다 생각하면 이해가 쉽다.

인공지능 머신 러닝 딥 러닝
컴퓨터가 인간의 지능을 모방하여 문제를 해결하고, 학습하며, 의사결정을 내리는 기술. AI의 하위 분야, 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터를 통해 스스로 학습하고, 패턴을 인식하며, 예측을 수행하는 기술. 머신 러닝의 하위 분야. 인공 신경망을 사용하여 데이터를 학습하고, 복잡한 패턴을 인식하는 기술.
딥러닝은 여러 층의 신경망을 쌓아 올려 더 깊고 복잡한 학습을 가능하게 한다.

 


 

이제 머신 러닝에 대해 자세히 알아보자.

 

머신 러닝의 주요 개념과 특징
학습 - 데이터를 통해 학습.
- 데이터를 입력받아, 이를 기반으로 모델을 훈련시키는 과정. 
- 학습 데이터는 모델이 패턴을 인식하고, 예측을 수행하는 데 사용.
패턴 인식 - 머신 러닝 알고리즘은 데이터에서 패턴을 찾아내고, 이를 통해 새로운 데이터에  대한 예측을 수행.
ex > 이미지 분류, 음성 인식, 자연어 처리 등 다양한 분야에서 패턴을 인식.
예측 - 학습된 모델은 새로운 데이터에 대해 예측을 수행.
ex > 주어진 데이터를 기반으로 특정 결과를 예측하거나 분류를 수행.
종류

지도 학습(Supervised Learning) : 레이블이 있는 데이터를 사용하여 모델을 훈련시키고, 새로운 데이터에 대한 예측을 수행. 
주요 작업 - 회귀(Regression), 분류(Classification).
ex > 이미지 인식, 스팸 메일 필터링, 주식 시장 예측 등.
알고리즘 : 선형 획귀, 로지스틱 회귀, 의사 결정 트리, 랜덤 포레스트, 서포트 벡터 머신(SVM)등.
비지도 학습(Unsupervised Learning) : 레이블이 없는 데이터를 사용하여 데이터의 구조나 패턴을 찾는다.
주요 작업 - 클러스터링(Clustering), 차원 축소, 연관 규칙 학습(Associative Rule Mining). 
ex > 고객 세분화, 이상 탐지, 추천 시스템 등.
알고리즘 : K-평균, 클러스터링, 계층적 클러스터링, 주성분 분석(PCA), Apriori 알고리즘 등.
강화 학습(Reinforcement Learning) : 에이전트가 환경과 상호작용하며, 보상을 최대화하는 행동을 학습.
주요 작업 - 탐험과 활용, 마르코프 결정 프로세스(MDP), 정책 학습(Policy Learning), 가치 학습(Value Learning) 등.
ex > 게임 AI, 로봇 제어, 자율 주행 자동차 등.
알고리즘 : Q-러닝, 딥Q-네트워크(DQN), SARSA 등.
준지도 학습(Semi- Supervised Learning) : 레이블이 있는 데이터와 레이블이 없는 데이터를 함께 사용하여 모델을 훈련.
주요 작업 - 레이블이 있는 데이터를 활용하여 레이블이 없는 데이터의 패턴을 학습.
ex > 이미지 분류, 텍스트 분류 등.
알고리즘 : 자기 학습(Self-Training), 공동 학습(Co-Training), 그래프 기반 방법 등.
응용 분야 이미지 및 음성 인식 : 얼굴 인식, 음성 명령 인식 등.
자연어 처리 : 텍스트 분석, 번역, 챗봇 등.
추천 시스템 : 사용자 선호도를 기반으로 추천.
예측 모델링 : 주식 시장 예측, 날씨 예측 등.
게임 AI : 게임 내 NPC의 행동 결정.
알고리즘 머신 러닝에는 다양한 알고리즘이 있으며, 각각의 알고리즘은 특정 문제에 적합.

 

간단하게 말해서,
지도 학습은 문제와 정답을 모두 알려주고 공부시키는 방법. >> 예측, 분류
비지도 학습은 답을 가르쳐주지 않고 공부시키는 방법. >> 연관 규칙, 군집
강화 학습은 보상을 통해 상은 최대화, 벌은 최소화하는 방향으로 행위를 강화하는 학습. >> 보상

 

 

머신 러닝은 현대 생활에서 다양한 방식으로 적용되고 있다. 

일상 생활에 통합되어 있는 머신 러닝 예시.
이미지 인식 - 사진 태그 : 소셜 미디어 플랫폼에서 자동으로 친구들 태그하는 기능.
ex> 페이스북은 사용자의 사진을 분석하여 친구를 자동으로 태그하는 기능을 제공한다.
- 의료 진단 : 머신 러닝은 X-Ray나 MRI 이미지를 분석하여 질병을 조기에 진단하는 데 사용된다.
음성 인식 - 가상 비서 : Siri, Google Assistant, Alexa와 같은 가상 비서들은 사용자의 음성 명령을 이해하고 처리하는데 머신 러닝을 사용한다. 
- 음성 검색 : 음성으로 검색하는 기능은 머신 러닝을 통해 가능.
교통 예측 - 구글 맵스 : 구글 맵스는 머신 러닝을 사용하여 교통 상황을 예측하고 최적의 경로를 제안한다.
제품 추천 - 온라인 쇼핑 : 아마존, 월 마트와 같은 온라인 쇼핑몰은 머신 러닝을 통해 사용자의 구매 패턴을 분석하고, 개인화된 제품 추천을 제공한다.
자율 주행 자동차 - 테슬라 : 자율 주행 자동차는 머신 러닝을 통해 주변 환경을 인식하고, 안전하게 운전하는 방법을 학습한다.
스팸 필터링 - 이메일 : Gmail과 같은 이메일 서비스는 머신 러닝을 사용하여 스팸 메일을 필터링하고, 중요한 메일을 우선적으로 보여준다.
사기 탐지 - 금융 거리 : 머신 러닝은 금융 거래에서 사기 행위를 탐지하는 데 사용된다.
예측 분석 - 주식 시장 : 머신 러닝은 주식 시장의 트렌드를 예측하고, 투자 전략을 최적화하는 데 사용된다.
자연어 처리(NLP) - 챗봇 : 고객 서비스에서 사용되는 챗봇은 머신러닝을 통해 사용자의 질문을 이해하고, 적절한 답변을 제공한다.
보안 감시 - 비디오 감시 : AI 기반 비디오 감시 시스템은 머신 러닝을 통해 비정상적인 행동을 탐지하고, 사전에 경고를 보낸다.

 

이렇게 보면 이미 일상생활에서 얼마나 깊이 통합되어 있는지 놀라울 따름이다. 

미래의 사회에서는 이런 기능들이 더 생기면 더 생겼지 줄어들지는 않을 것 같다.


 

머신 러닝을 공부할 때 필수적인 알고리즘에 대해 간단하게 알아보자.

선형 회귀
(Linear Regression)
- 연속적인 종속 변수를 예측하는 데 사용되며, 독립 변수와 종속 변수 간의 선형 관계를 모델링 한다.
- 사용 사례 : 주택 가격 예측, 주신 시장 예측 등.
로지스틱 회귀
(Logistic Regression)
- 분류 문제를 해결하는 데 사용되며, 데이터가 특정 클래스에 속할 확률을 예측한다.
- 사용 사례 : 고객 이탈 예측, 날씨 예측, 제품 성공률 예측 등. 
결정 트리
(Decision Trees)
- 분류와 회귀 문제 모두에 사용되며, 데이터를 분할하여 예측을 수행한다.
- 사용 사례 : 의료 진단, 고객 세분화, 이상 탐지 등.
랜덤 포레스트
(Random Forest)
- 여러 결정 트리를 결합하여 예측을 수행하며, 과적합 문제를 해결한다.
- 사용 사례 : 질병 탐지, 특징 선택, 예측 모델링 등.
K- 최근접 이웃
(K-Nearest Neighbors, KNN)
- 분류와 회귀 문제 모두에 사용되며, 새로운 데이터 포인트와 가장 가까운 K개의 이웃을 기반으로 예측을 수행한다.
- 사용 사례 : 추천 시스템, 이미지 분류, 고객 세분화 등.
서포트 벡터 머신
(Support Vector Machine, SVM)
- 데이터를 분류하기 위해 최적의 초평면을 찾는 알고리즘.
- 사용 사례 : 얼굴 인식, 필기 인식, 텍스트 분류 등.
나이브 베이즈
(Naive Bayes)
- 베이즈 정리를 기반으로 한 확률적 분류 알고리즘.
- 사용 사례 : 텍스트 분류, 이미지 분류, 감정 분석 등.

 

이런 알고리즘을 이해하고, 실습을 해보면서 적용하는 것이 중요하다 한다. 설명과 사용 사례만 봐도 뭔가 굉장히 호기심을 유발하게 만드는 내용인 것 같다.

 

머신 러닝을 공부할 때 주의해야 하는 점도 알아보자.

데이터 품질과 양 데이터 품질 :
머신 러닝 모델의 성능은 데이터 품질에 크게 의존한다. 불완전하거나 일관성 없는 데이터는 모델의 예측력을 떨어뜨릴 수 있다.
데이터 클리닝, 전처리, 이상치 처리 등을 통해 데이터 품질을 높여야 한다.
데이터 양:
충분한 양의 데이터가 필요하다. 특히 딥러닝 모델은 대량의 데이터를 필요로 하며, 데이터가 부족하면 모델의 성능이 저하될 수 있다.
과적합과 과소적합 과적합:
모델이 학습 데이터에 너무 잘 맞춰져 새로운 데이터에 대한 일반화 능력이 떨어지는 현상.
이를 피하기 위해 교차 검증, 정규화, 드롭아웃 등의 기법을 사용한다.
과소적합:
모델이 데이터의 패턴을 충분히 학습하지 못해 예측력이 떨어지는 현상. 모델의 복잡도를 높이거나
더 많은 데이터를 사용하여 해결할 수 있다.
모델의 복잡성 단순한 모델:
초기에는 단순한 모델을 사용하여 기초를 다지는 것이 좋다.
복잡한 모델은 유지보수와 디버깅이 어려울 수 있다.
복잡한 모델:
복잡한 모델은 높은 정확도를 얻을 수 있지만, 과적합의 위험이 크고, 해석하기 어려울 수 있다.
데이터 누수 테스트 데이터 누수:
테스트 데이터가 학습 과정에 유입되면 모델의 성능을 과대평가할 수 있다.
데이터 분할을 올바르게 수행하고, 특징 선택과 같은 전처리 과정도 학습 데이터에만 적용해야 한다.
편향과 윤리적 문제

편향:
데이터나 알고리즘에 편향이 포함되면 불공정한 결과를 초래할 수 있다.
편향을 탐지하고 완화하는 기술을 사용해야 한다.
윤리적 문제:
머신 러닝 모델이 중요한 결정을 내릴 때, 투명성과 설명 가능성이 필요하다.
이를 위해 설명 가능한 AI(Explainable AI) 기법을 사용할 수 있다.
적절한 평가 지표 평가 지표:
모델의 성능을 평가할 때, 문제에 맞는 적절한 평가 지표를 선택해야 한다.
예를 들어, 분류 문제에서는 정확도(Accuracy) 외에도 정밀도(Precision), 재현율(Recall), F1 스코어 등을 고려해야 한다.
기준 모델 기준 모델:
머신 러닝을 사용하기 전에 기존의 간단한 방법이나 규칙을 기준으로 성능을 비교해야 한다.
머신 러닝 모델이 이 기준을 능가해야만 사용 가치가 있다.
지속적인 학습과 개선

학습 :
머신 러닝은 빠르게 발전하는 분야이므로, 최신 기술과 트렌드를 지속적으로 학습하고 적용하는 것이
중요하다.
개선:
모델을 배포한 후에도 지속적으로 모니터링하고, 새로운 데이터를 통해 모델을 개선해야 한다.

 

 

728x90
반응형
728x90
반응형

AI로 그림을 뽑아내던 젠스파크를 유료로 사용할 수 있는 날들이 이제 며칠 남지 않은 상황에서 딥 리서치라는 기능이 추가되었다는 메일을 받고 부랴부랴 찾아 들어가 보았다. 

딥 리서치. 이름만 봐도 무언가 딥하게 나한테 정보를 제공해 줄 것 같은 분위기라 최근에 관심 있던 부분에 대해 자료를 찾아보기로 했다. 

 

 

 

요즘 테스트 케이스와 게임 분석서를 써보고 있었던 나로서는 무언가 더 공부를 해야 되는게 아닐지 걱정이 되었는데, 이참에 AI의 기능을 한번 이용해 보기 위해 질문을 남겨봤다.

 

 

 

질문을 하니 연구 계획 단계부터 시작하는지 생각과정을 나에게 보여주었다. 생각과정을 쭉 나열하다가 정리가 다 되면 아래 처럼 한글로 자신이 접근한 내용에 대해 보여주면서 화면에 이전에는 떠있지 않던 연구 시작 버튼을 보여준다. 버튼을 눌러 연구 시작을 해보자.

 

 

연구 결과가 나올 때까지는 20분 정도 소요 될 수 있다면서 나보고 이 창을 나가도 메일로 알려줄 테니 편하게 다른 작업 하라고 친절하게 알려준다. AI들이란 참 빠르게 진화하는구나.

 

 

 

짜란!

20분 정도까지는 안 걸리는 것 같은데, 최대 대기 시간이 20분 인가? 시간이 지나면 최종 보고서를 보여준다. 더 보기를 누르면 내가 질문한 내용에 대한 답이 있는 웹사이트로 넘어가면서 자료들을 보여준다. 

그전에 자료들이 어떻게 수집되었는지, 반영되었는지를 확인할 수 있어서 정말 이름 그대로 딥하게 나의 질문을 찾아주는 것 같다.

 

최종 보고서엔 목차까지 추가된 상태로 깔끔하게 정리된 답들을 확인할 수 있다. 

항상 궁금증이 많았던 나로서는 이 기능은 굉장히 흥미롭고 설레었다. 

내용을 보면 아직까지 완벽하게 접근되는 것 같지는 않았지만 충분히 메리트가 있는 AI임은 확실했다.

 

중요한 건 이제 유료로 사용할 수 있는 날이 3일밖에 안 남았다는 건데..ㅋㅋㅋㅋ

젠스파크 사용하실 분 어디 안 계신가요? 우리 모두 1개월 무료로 사용해 보시는 거 어떠신지요.

친구코드로 시작하면 1개월씩 무료입니다. 아래 URL로 가입하시면 됩니다!

https://www.genspark.ai/invite?invite_code=MzBkMTljZTlMODA5ZEwxMTY0TGMwZWJMN2UyYTVhMjc5YjRk

 

 

 

 

728x90
반응형
728x90
반응형

AI로 그림 그리는 걸 해보다가 알게 된 젠스파크.

다른 ChatGPT나 Perplexity와 다르게 Genspark에서는 AI로 그림생성도 가능하고, AI 검색도 가능하다.

 

예전에 게임을 만들 때 배경으로 이미지 한 장이 필요했었는데, 바로 그럴 때 사용하면 된다.

 

아래처럼 이미지를 생성하고 싶은 느낌을 적어서 엔터를 누르면 자신이 어떻게 반영할 것인가 일단 설명을 해준다.

 

여기서 아래 화면처럼 4가지의 이미지를 구성해준다. 여기서 기다리는 시간이 조금 필요하다. 한 1분 정도?

 

게이지가 100%까지 차면 아래처럼 이미지가 등장하는데 생각보다 퀄리티가 괜찮다. 내가 이미지를 어떻게 만들고 싶은지만 제대로 말하면 생각보다 괜찮은 이미지를 얻을 수 있다. 

 

여기저기 AI 그림 생성을 찾다가 친구초대 링크로 가입을 하면 한 달 무료라는 것을 보고 어디인지 모르는 어떤 사이트에서 어떤 분의 친구 초대 링크를 통해 가입을 해서 한 달 무료인 상태로 쓰고 있다. 아마 한 달이 지나면 그때 가서 다시 연장을 하던지 그만할지 생각을 해보겠지만 생각보다는 좋은 것 같다.

 

아래 링크가 내 초대 링크인데 이걸로 가입을 하면 나도 한달 연장이 되고 가입하는 사람도 한 달 무료이다.

다양한 기능도 있고 AI로 그림 생성하는 것도 꽤 재밌으니 이참에 한번 해보시는거 어떠시겠습니까.

누구든지 제 한달 연장을 위해 어차피 가입할 거라면 여기 링크를 통해 가입해 주시면 감사합니다.

https://www.genspark.ai/invite?invite_code=MzBkMTljZTlMODA5ZEwxMTY0TGMwZWJMN2UyYTVhMjc5YjRk

 

 

 

인공지능에 대해서도 몇번 질문해봤는데 답도 곧잘한다. 나쁘지 않다. 

728x90
반응형
728x90
반응형

 

알고 싶지 않았던 티스토리 이미지 업로드 오류이다.

글을 다 써두고 마지막에 사진을 하나 넣는 나로서는 이 오류를 만나면 내 시간이 도려진 기분이 든다.

처음엔 그냥 처음부터 다시 써야되는 것인가 멘붕이 왔었는데 개발자 모드에서 못 할게 뭐가 있는가.

우리는 개발자 모드를 실행시켜서 내 화면을 한 겹 씌운 이 창들을 없애주기만 하면 된다.

 

1. F12로 개발자 도구를 켜주고 요소를 눌러준다.

 

2. ctrl + F를 눌러서 "mce-modal-block"을 찾아주자. mce-modal까지만 찾아도 바로 나온다.

이게 흰색으로 가려지는 커다란 패널 창 하나인 것 같다.

 

3. 해당 부분을 마우스로 가져다 대고 우클릭해서 요소 삭제를 눌러준다.

4. 이제 아까 찾았던 "mce-modal" 어쩌구를 지워주고 "mce-white-dialog mce-container mce-panel"을 적어주자.

역시나 mce-white-dialog까지만 쳐도 나온다. 똑같은 방법으로 요소 삭제를 눌러준다.

얘가 글씨가 써져있던 부분인 것 같다.

 

보통 요소 마지막 부분에 두 개 다 있다. Ctrl + F로 찾기 귀찮으면 요소 누르고 마지막 쪽으로 내려가서 찾아봐도 될 듯하다.

 

끝이다. 개발자 도구 만만세.

728x90
반응형
728x90
반응형

너무 빠르게 프로젝트를 만들고 싶어 만들고 난 순간 이름을 대충 지었다는 것을 알았을 때,

원하는 이름으로 다시 바꾸어 보자.

 

1. 마음에 안 드는 유니티 프로젝트의 파일이 있는 곳으로 간다.

 

2. 유니티 프로젝트를 선택하고 이름을 바꿔주자.

 

3. 이름을 바꿔준 파일을 더블 클릭해서 들어간 다음 이전에 이름으로 만들어져 있는 sln 파일을 지워준다.

 

4. 유니티 허브에서 기존에 있던 마음에 안 드는 프로젝트를 리스트에서 제거시켜 준다.

 

5. 원하는 이름으로 바꾼 프로젝트를 다시 추가시켜준다.

 

끝이다. 

728x90
반응형
728x90
반응형

Puran Utilities 프로그램을 알게 되었다. 복원 프로그램인데 무료로 이용이 가능하다. 현재의 내 경우에는 살리지 못했지만 언젠가 혹시 모를 참담하고도 참담할 상황인, 중요 문서를 쉬프트 딜리트로 지우는 만행을 저지를 수도 있는 나를 위해 남겨둔다. 

 

2016년 이후로 업데이트가 되고 있지 않는 프로그램이라 전부를 찾는 것은 불가능해 보여도 찾고자 하는 파일의 확장자를 추가시켜 두면 찾을 수도 있을 것 같은 부분은 발견했다. 문서나 사진, 동영상 등은 복원이 가능한 것 같다. 

 

PuranUtilitiesSetup.exe
9.63MB

 

일단 프로그램을 다운 받아서 열면 저 화면이 먼저 나오는데 ok를 눌러준다.

 

 

현재 상황이 중요 파일을 쉬프트 딜리트로 지웠거나, 휴지통에서 파일을 지웠을 때 복원시키고 싶은 거라면 File Recovery를 눌러주자.

옆에 있는 Data Recovery는 안열리는 파일을 복원시키는 기능인 것 같았다.

 

 

더블클릭하면 나오는 언어선택창에선 한국어를 지원하지 않으니 영어로  OK 해주자.

 

 

영어로 설명이 나오는데 우리는 읽어볼 필요 없이 OK 버튼 누르면 된다. 

 

 

삭제시킨 파일이 있던 장소를 선택해 주고 그냥 scan 버튼을 눌러서 스캔해도 되지만 이경우엔 다 나오지 않는 것 같다.

어차피 시간이 들여지는 거니 한 번에 한다면 Deep Scan 버튼을 클릭해서 깊게 스캔해 주자. 

 

 

그냥 스캔을 눌러도 꽤 오래 걸린다. 기다려 주자. 혹시나 기다리다 시간이 없어진다면 stop버튼을 눌러서 지금까지 훑은것들만 확인할 수도 있다. 

 

 

스캔이 끝나면 저렇게 지워졌던 파일들이 나오고 확인 버튼을 클릭해 주면 된다.

 

 

이미지를 보면 알겠지만 저기서 찾기엔 쉽지 않다. 아래쪽에 Tree View를 클릭해 주자.

 

 

그럼 간단하게 볼 수 있게 바뀐다. 여기서 원하는 파일을 선택해서 Recover버튼으로 복구시켜 주면 된다.

 

 

이미지에서 보이는 것처럼 파일 뒤에 Excellent Condition, Good Condition은 복원이 가능하지만 Poor Condition은 아쉽게도 복원되지 않는다. 

 

프로그램 사용 방법은 생각보다 쉽지만 못 찾을수도 있으니 쉬프트 딜리트는 신중하게 사용하자.

728x90
반응형
728x90
반응형

유니티에서 스프라이트를 가져와야 할 때 스프라이트 뒤에 배경 색이 있는 경우가 있다. 주로 한 가지 색깔로 되어 있는데 그냥 사용하기엔 번거롭기 때문에 투명으로 변경해 주는 게 편하다.

 

나의 경우 Aseprite 프로그램을 구매해둔게 있어서 거기서 간단하게 수정하는 방법을 기록해 두기로 했다.

예전엔 이 쉬운걸 몰라서 지우개로 한 땀 한 땀 지웠던 적도 있었는데 지금 생각해 보면 그 당시 시간이 많았던 걸까 싶다.


 

화면에 보이는 것 처럼 마젠타 색깔로 되어 있는 스프라이트를 봐보자. 

바로 옆에 있는 팔레트에는 해당 스프라이트에서 사용한 색깔들이 구성되어 있다. 우리는 여기에 투명색을 하나 더 추가해줄 것이다. 

 

색깔 선택하는 창에서 투명쪽으로 마우스를 가져다 대고 꾹 한번 누르면 

 

이렇게 바뀌는데 여기서 저 흰 느낌표가 들어가 있는 빨간색 ui를 클릭해서 팔레트에 추가해 준다.

 

마지막으로 위 순서대로 해주면 배경은 투명으로 바뀐다.

투명색깔을 팔레트에 추가해 주고 채우기 버튼을 클릭해서 배경으로 들어가 있는 마젠타 색 어디든 클릭해주면 배경이 투명으로 채워진다.

 

안지워진 마젠타색들이 거슬리지만 저부분은 사용할 필요 없는 부분이니까 작업해줄 필요가 없다. 혹시나 필요하다면 그냥 똑같이 클릭클릭해주면서 투명으로 채워주면 해결된다.

 

지금까지 아주 간단하지만 모르면 생각보다 뻘짓을 해야 되는 작업이었다. 

 

 

++ 만약 연두색 배경이 있는 스프라이트를 들고 왔는데 Aseprite에서 투명이라고 인식할 수 있다.

그럴 때는 아래쪽에 위치해 있는 Background 레이어를 복제해 준 다음 새 레이어를 하나 만들어 복제한 레이어와 합체해 주고 원래 있던 Background레이어를 지워주면 해결된다.

728x90
반응형

+ Recent posts