Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Aprendizaje automático para patología - Clase 19
Machine Learning for Pathology - Clase 19 - MIT Deep Learning in the Life Sciences (primavera de 2021)
La conferencia cubre varios aspectos de la aplicación del aprendizaje profundo en patología computacional, incluidos los desafíos y limitaciones de la tecnología. El orador analiza la necesidad de tener precaución al confiar ciegamente en los algoritmos y enfatiza la importancia de comprender lo que una red está aprendiendo. La conferencia explora varios ejemplos de cómo se utiliza el aprendizaje profundo en el diagnóstico del cáncer, el pronóstico y la evaluación de la respuesta al tratamiento para desarrollar herramientas de pronóstico y predicción para la medicina de precisión. El orador también analiza los desafíos del desarrollo de tratamientos multimedicamentosos para la tuberculosis y propone varios proyectos de laboratorio para abordar el problema. En general, la conferencia subraya el potencial del aprendizaje profundo en patología, al tiempo que reconoce sus limitaciones y la necesidad de un enfoque multidisciplinario para garantizar su implementación efectiva en entornos clínicos.
En este video de YouTube titulado "Machine Learning for Pathology - Lecture 19 - MIT Deep Learning in the Life Sciences (primavera de 2021)", el orador analiza los intentos de su equipo de abordar la heterogeneidad de lote a lote y de célula a célula en el aprendizaje automático para patología utilizando normalización de variación (TVN) y un enfoque de k-vecino más cercano. También describen el uso de perfiles morfológicos para clasificar los medicamentos en función de sus efectos sobre las bacterias y el desarrollo de un enfoque basado en datos para diseñar y priorizar combinaciones de medicamentos mediante el aprendizaje supervisado y no supervisado. Además, la oradora agradece a los miembros de su laboratorio por sus contribuciones a los estudios de sinergia versus antagonismo de fármacos, y destaca la importancia de considerar el contexto más amplio para comprender y avanzar en la investigación en el campo.
Aprendizaje profundo para la segmentación de imágenes celulares - Clase 20
Aprendizaje profundo para la segmentación de imágenes celulares - Clase 20 - MIT ML in Life Sciences (primavera de 2021)
En este video, los oradores analizan el uso del aprendizaje profundo para el seguimiento de células, lo que implica determinar el movimiento de las células en imágenes de lapso de tiempo. Explican que los métodos tradicionales de seguimiento manual son costosos y requieren mucho tiempo, y que los métodos de aprendizaje profundo pueden acelerar significativamente el proceso y, al mismo tiempo, proporcionar una mayor precisión. Los oradores analizan varias arquitecturas de aprendizaje profundo para el seguimiento celular, incluidas U-Net, StarDist y DeepCell. También señalan que uno de los desafíos en el seguimiento de celdas es distinguir entre celdas que están muy juntas o se superponen, y que los métodos como el seguimiento de múltiples objetos o los enfoques basados en gráficos pueden ayudar a abordar este problema. Los oradores enfatizan la importancia de evaluar comparativamente diferentes métodos de aprendizaje profundo para el seguimiento de células y proporcionar conjuntos de datos de acceso abierto para reproducibilidad y comparación. También destacan las aplicaciones potenciales del seguimiento celular en varios campos, como la investigación del cáncer y el descubrimiento de fármacos.
Registro y análisis de imágenes de aprendizaje profundo - Clase 21
Registro y análisis de imágenes de aprendizaje profundo - Conferencia 21 - MIT ML en ciencias de la vida (primavera de 2021)
En esta conferencia, Adrian Dalock profundiza en el tema de la alineación de imágenes médicas y el problema de optimización que hay detrás. Propone un método novedoso llamado voxel morph, que implica el uso de conjuntos de datos sin etiquetar para entrenar redes neuronales para el registro de imágenes. El ponente también discute el desafío de la robustez a nuevos datos y secuencias que las redes neuronales no han visto antes y propone simular condiciones diversas y extremas para entrenar modelos robustos. El orador compara los modelos de registro clásicos con los modelos de morfología de vóxel y de síntesis, siendo este último notablemente sólido. Por último, el orador analiza el desarrollo de una función que genera plantillas basadas en las propiedades deseadas en lugar de aprender una plantilla directamente y el uso potencial de la videoendoscopia con cápsula para detectar anomalías del colon.
El orador de esta conferencia analiza varios enfoques de aprendizaje automático para superar la falta de datos médicos, específicamente en el contexto de los videos de colonoscopia para la detección de pólipos. Introducen una arquitectura de análisis y registro de imágenes de aprendizaje profundo que utiliza pesos previamente entrenados e inicialización aleatoria para abordar el cambio de dominio y mejorar el rendimiento. La conferencia también cubre el aprendizaje supervisado débilmente, el aprendizaje autosupervisado y la segmentación de video supervisada débilmente. El orador reconoce los desafíos que enfrenta el uso de enfoques de aprendizaje automático en el análisis de datos médicos y alienta a probar estos enfoques en procedimientos médicos reales para reducir la carga de trabajo.
Historia clínica electrónica - Clase 22
Registros de salud electrónicos - Clase 22 - Aprendizaje profundo en ciencias de la vida (primavera de 2021)
El surgimiento del aprendizaje automático en el cuidado de la salud se debe a la adopción de registros médicos electrónicos en los hospitales y la gran cantidad de datos de pacientes que se pueden utilizar para obtener información significativa sobre el cuidado de la salud. Se analiza el modelado de progresión de la enfermedad utilizando datos longitudinales que se encuentran en los registros de enfermedades, lo que puede plantear desafíos debido a los datos longitudinales de alta dimensión, la falta y la censura de izquierda y derecha. La conferencia explora el uso de modelos no lineales como los modelos profundos de Markov para manejar estos desafíos y modelar efectivamente la densidad no lineal de los biomarcadores longitudinales. Además, el orador analiza el uso del conocimiento del dominio para desarrollar nuevas arquitecturas neuronales para la función de transición y la importancia de incorporar el conocimiento del dominio en el diseño del modelo para una mejor generalización. También hay experimentación con la complejidad del modelo con respecto a las funciones del efecto del tratamiento, y el orador planea volver a examinar esta pregunta en una cohorte más grande para determinar más hallazgos.
Aprendizaje Profundo y Neurociencia - Clase 23
Aprendizaje profundo y neurociencia - Clase 23 - Aprendizaje profundo en ciencias biológicas (primavera de 2021)
La conferencia analiza la interacción entre el aprendizaje profundo y la neurociencia, específicamente en el área de la ciencia visual. El objetivo es aplicar ingeniería inversa a la inteligencia visual humana, que se refiere a las capacidades de comportamiento que exhiben los humanos en respuesta a los fotones que golpean sus ojos. El ponente hace hincapié en explicar estas capacidades en el lenguaje de los mecanismos, como redes de neuronas simuladas, para habilitar sistemas construidos predictivos que pueden beneficiar tanto a las ciencias del cerebro como a la inteligencia artificial. La conferencia explora cómo los modelos de aprendizaje profundo son hipótesis sobre cómo el cerebro ejecuta los procesos del sistema sensorial y las aplicaciones potenciales más allá de simplemente imitar la evolución del cerebro. Además, la conferencia muestra ejemplos prácticos de cómo las redes neuronales pueden manipular los recuerdos y cambiar el significado de algo.
Este video analiza el potencial del aprendizaje profundo para comprender las funciones cognitivas del cerebro y aprovechar esta comprensión con fines de ingeniería. El ponente destaca la relevancia de las redes neuronales recurrentes con sus capacidades de memoria y dinámica interna en este ámbito. La conferencia explora la capacidad de los sistemas neuronales para aprender a través de la imitación y cómo se puede utilizar para aprender representaciones, cálculos y manipulaciones de la memoria de trabajo. El video también cubre la dificultad de encontrar evidencia de aprendizaje por retroalimentación como una condición de aprendizaje y el potencial de los mecanismos de corrección de errores para ajustar el sistema. La conferencia concluye reflexionando sobre la diversidad de temas tratados en el curso y cómo el aprendizaje profundo puede ayudar a interpretar los sistemas cognitivos en el futuro.
MIT 6.S192 - Clase 1: Estética computacional, diseño, arte | Aprender generando
MIT 6.S192 - Clase 1: Estética computacional, diseño, arte | Aprender generando
Esta conferencia cubre una variedad de temas relacionados con la estética computacional, el diseño y el arte. Se analiza el papel de la IA en la democratización del acceso a la creación de arte, la automatización del diseño y la ampliación de los límites del arte, así como los desafíos para cuantificar la estética y lograr el equilibrio visual en el diseño utilizando representaciones de alto y bajo nivel. El disertante también destaca el potencial del diseño computacional para descubrir patrones y transmitir mensajes de manera efectiva, con ejemplos relacionados con la semántica del color y el diseño de portadas de revistas. Los experimentos de crowdsourcing se utilizan para determinar las asociaciones de color con varios temas y se exploran las posibles aplicaciones de este método en diferentes áreas. En general, la conferencia presenta el papel de la IA en las aplicaciones creativas y el potencial para revolucionar la forma en que creamos arte, diseño y otras formas de expresión creativa.
El video analiza el uso de la estética computacional, el diseño y el arte para generar trabajos creativos utilizando modelos generativos, como StyleGAN y DALL-E. El disertante también enfatiza la importancia de aprender generando y alienta a los espectadores a desglosar problemas y usar datos para encontrar soluciones innovadoras y creativas. Sin embargo, el orador también aborda las limitaciones de los modelos generativos, como los datos sesgados y la capacidad de generalizar y pensar fuera de la caja. No obstante, el disertante asigna a los estudiantes a revisar el código proporcionado y experimentar con las diversas técnicas para generar imágenes estéticamente agradables mientras fomenta la participación en un debate socrático entre Berkeley y el MIT sobre estética y diseño computacional.
MIT 6.S192 - Clase 2: Un debate socrático, Alyosha Efros y Phillip Isola
MIT 6.S192 - Clase 2: Un debate socrático, Alyosha Efros y Phillip Isola
En este video, Alyosha Efros y Phillip Isola discuten la idea de usar imágenes para crear experiencias compartidas. Argumentan que esto puede ayudar a traer recuerdos y crear una sensación de nostalgia.
Este vídeo es un debate entre dos profesores del MIT sobre el papel de los datos en la inteligencia artificial. Efros argumenta que los datos son esenciales para la IA, mientras que Isola responde que los datos pueden ser un obstáculo para el desarrollo de la IA.
para visualizar el concepto de lo que significa que algo sea memorable.
MIT 6.S192 - Conferencia 3: "GAN eficientes" por Jun-Yan Zhu
MIT 6.S192 - Conferencia 3: "GAN eficientes" por Jun-Yan Zhu
La conferencia cubre los desafíos de entrenar modelos GAN, incluida la necesidad de un alto cálculo, grandes cantidades de datos y algoritmos complicados que requieren extensas sesiones de entrenamiento. Sin embargo, el disertante presenta nuevos métodos que hacen que las GAN aprendan más rápido y se capaciten con menos conjuntos de datos, como la compresión de modelos docentes utilizando el marco de uso general de la compresión de GAN, el aumento diferenciable y el aumento de datos. La conferencia también demuestra la edición de imágenes interactivas con GAN y enfatiza la importancia de conjuntos de datos grandes y diversos para el entrenamiento exitoso de GAN. Los códigos para ejecutar el modelo están disponibles en GitHub con instrucciones paso a paso para ejecutar el modelo en diferentes tipos de datos. La conferencia concluye discutiendo la importancia de la compresión del modelo para fines prácticos.
MIT 6.S192 - Clase 5: "Pintar con las neuronas de una GAN" de David Bau
MIT 6.S192 - Clase 5: "Pintar con las neuronas de una GAN" de David Bau
David Bau analiza la evolución del aprendizaje automático y el potencial para crear sistemas de autoprogramación. Presenta redes antagónicas generativas (GAN) y explica cómo se pueden entrenar para generar imágenes realistas. Bau analiza su proceso para identificar correlaciones entre neuronas específicas en una GAN progresiva y ciertas características semánticas en las imágenes generadas. Demuestra cómo puede agregar varios elementos a una imagen, como puertas, césped y árboles, con la ayuda de una GAN. Además, analiza el desafío de agregar nuevos elementos a una GAN y las preocupaciones éticas que rodean las representaciones realistas del mundo.
MIT 6.S192 - Clase 7: "La forma de la historia del arte a los ojos de la máquina" por Ahmed Elgemal
MIT 6.S192 - Clase 7: "La forma de la historia del arte a los ojos de la máquina" por Ahmed Elgemal
Ahmed Elgamal, profesor de Ciencias de la Computación y fundador del Laboratorio de Arte e Inteligencia Artificial, analiza el uso de la IA para comprender y generar productos creativos a nivel humano. Elgamal analiza el enfoque científico de la historia del arte y la importancia de hacer avanzar la IA para comprender el arte como lo hacen los humanos. También analiza el uso del aprendizaje automático para clasificar los estilos artísticos, analizando las representaciones internas, identificando las diferencias entre los estilos artísticos y cuantificando la creatividad en el arte a través de la IA. Elgamal también propone el concepto de objetos primarios en la historia del arte y explora el potencial de la IA para generar arte, reconociendo las limitaciones de los enfoques actuales de la IA en las actividades creativas. Sin embargo, Elgamal también analiza los experimentos en curso para ampliar los límites de la red de IA para crear arte abstracto e interesante.
Ahmed Elgammal también analiza los resultados de una prueba de ajuste para determinar si los humanos pueden distinguir el arte creado por una GAN del de los humanos, utilizando obras de arte como referencia. Los humanos pensaron que el arte creado por máquinas GAN fue producido por humanos el 75 % de las veces, lo que enfatiza el concepto de ambigüedad de estilo y su importancia para conectar la visión por computadora y el aprendizaje automático con la historia del arte y los intereses artísticos.