اخبار:
محققان یک حسگر رباتیک مجهز به هوش مصنوعی توسعه دادهاند که در خواندن خط بریل از سرعتی تقریباً دو برابر بیشتر از اکثر خوانندگان انسانی برخوردار است.
محققان دانشگاه کمبریج از الگوریتمهای یادگیری ماشین برای آموزش خواندن متن بریل با سرعت 315 کلمه در دقیقه با دقت نزدیک به 90 درصد به یک حسگر رباتیک استفاده کردند. اگرچه این دستگاه به عنوان یک ابزار کمکی ساخته نشده است، اما حساسیت بالای آن نشاندهنده کاربردهای بالقوه در توسعه دستهای رباتیک یا پروتزهایی با تواناییهای لمسی شبیه انسان است. نوک انگشتان انسان اطلاعات حسی بسیار مهمی را ارائه می دهد، تغییرات بافت را تشخیص می دهد و فشار مناسب را هنگام دست زدن به اشیاء اعمال می کند. تکرار این حساسیت در رباتها چالشهای مهندسی، بهویژه در پردازش کارآمد دادههای حسگر را به همراه دارد. بریل خوان رباتیک تیم، مجهز به دوربین در نوک انگشت خود، از الگوریتمهای یادگیری ماشین برای پاک کردن تصاویر و تشخیص دقیق کاراکترهای بریل استفاده میکند. آزمایش سرعت و دقت چشمگیر خواننده را نشان می دهد و از روش های موجود بهتر عمل می کند. پتانسیل این فناوری فراتر از خواندن خط بریل به کاربردهایی مانند تشخیص بافت سطحی و لغزندگی در رباتیک است. این تحقیق از سوی برنامه توسعه تحقیقات جهانی سامسونگ پشتیبانی می شود.
صنعت:
استفاده از یادگیری عمیق در درماتولوژی برای تشخیص بیماری های پوستی
این مطالعه تاثیر قابل توجه هوش مصنوعی (AI) و یادگیری عمیق در تشخیص بیماری های پوستی را مورد بحث قرار می دهد. این مطالعه اخیر یک چارچوب یادگیری عمیق را معرفی می کند که از تصاویر پوست شناسی بدون حاشیه از منابع آنلاین استفاده می کند. این رویکرد جدید از یک الگوریتم طبقهبندی سه مرحلهای مبتنی بر یادگیری متضاد (contrastive learning) استفاده میکند که نتایج امیدوارکنندهای را در تشخیص بیماریهای پوستی مختلف از جمله شرایط جدی مانند آبله میمون نشان میدهد. این مطالعه با ترکیب تکنیکهای یادگیری عمیق و یادگیری متضاد، عملکرد تشخیص بیماری پوستی را افزایش میدهد و در عین حال یک رویکرد فیلترینگ منحصر به فرد را برای کاهش هزینههای آموزشی و بهبود تعمیم مدل معرفی میکند. مدل پیشنهادی به عنوان یک سیستم هشدار اولیه برای آبله میمون عمل می کند و بر نقش حیاتی هوش مصنوعی در سلامت عمومی تاکید می کند. علاوه بر این، این مطالعه تأثیر پیشآموزش بر روی ImageNet و اهمیت پرداختن به سوگیریها در دادههای آموزشی برای اطمینان از انصاف و اثربخشی را مورد بحث قرار میدهد. به طور کلی، کاربرد هوش مصنوعی در مراقبت های بهداشتی شامل تشخیص، پروتکل های درمانی، توسعه دارو، پزشکی شخصی و نظارت بر بیمار می شود و نتایج امیدوارکننده ای را در پیشگیری از بیماری، تشخیص دقیق و طبقه بندی خطر نشان می دهد.
مقاله:
Learning a Decision Tree Algorithm with Transformers
این مطالعه MetaTree را معرفی میکند، یک رویکرد جدید با هدف افزایش عملکرد درختهای تصمیمگیری (decision tree)، که به دلیل قابلیت تفسیر و قدرت پیشبینی آنها بر روی دادههای جدولی شناخته شده است. MetaTree از مدلهای مبتنی بر ترنسفورمر استفاده میکند که بر روی خروجیهای فیلتر شده از الگوریتمهای کلاسیک آموزش دیدهاند تا درختهای تصمیمگیری قوی را برای کارهای طبقهبندی تولید کند. با قرار دادن درختهای تصمیم حریصانه و بهینهشده در مجموعههای داده متعدد و آموزش MetaTree برای تولید درختهایی با عملکرد تعمیم قوی، این رویکرد به طور هوشمندانه استراتژی خود را بر اساس زمینه تطبیق میدهد و در نتیجه عملکرد کلی برتر را در مقایسه با روشهای سنتی به دست میآورد.
آموزش:
بخشبندی تصویر با یادگیری عمیق چیست؟
اهمیت بخشبندی تصویر (Image Segmentation) در پردازش تصویر و بینایی کامپیوتر بر کسی پوشیده نیست و بین وظایف بخشبندی، طبقهبندی و آشکارسازی تمایز فاحشی وجود دارد. بخشبندی شامل برچسب گذاری هر پیکسل در تصویری است که به یک شی تعلق دارد که پردازش تصویر بعدی را تسهیل می کند. روش های بخشبندی کلاسیک، مناطق متصل پیکسلها را با ویژگیهای مشترک شناسایی میکند، در حالی که بخشبندی با یادگیری عمیق این را با مدیریت تغییرات در اندازه، شکل، رنگ و سایهزنی برای بخشبندی مؤثر اشیاء آموخته شده گسترش میدهد.
کدینگ:
رمزگذاری وان هات چیست؟
رمزگذاری وان هات (One-hot encoding) تکنیکی است که در یادگیری عمیق و یادگیری ماشین برای نمایش داده های دسته ای (Categorical) به صورت عددی استفاده می شود. در رمزگذاری وان هات، هر دسته به عنوان یک بردار باینری نشان داده می شود که در آن همه عناصر صفر هستند به جز یکی، که مربوط به دسته ای است که نمایش داده می شود.
به عنوان مثال، مجموعه داده ای را با سه دسته در نظر بگیرید: "قرمز"، "سبز" و "آبی". در رمزگذاری وان هات، "قرمز" ممکن است به صورت [1، 0، 0]، "سبز" به عنوان [0، 1، 0] و "آبی" به عنوان [0، 0، 1] نشان داده شود. این رمزگذاری به مدل اجازه می دهد تا داده های دسته ای را به عنوان ورودی عددی تفسیر کند و آن را برای پردازش توسط الگوریتم هایی مانند شبکه های عصبی مناسب می کند.
رمزگذاری وان هات معمولاً در کارهایی مانند طبقه بندی استفاده می شود، جایی که مدل نیاز به پیش بینی دسته داده های ورودی دارد.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii