PrinceofAI Weekly

هفته نامه شماره هشتاد و سوم

اخبار:

مطالعه رویداد بارش شدید، پیش‌بینی بهبود یافته را از طریق یادگیری ماشینی هدایت‌شده با فیزیک نشان می‌دهد.

یک تیم تحقیقاتی پیش‌بینی‌های شدت بارش را برای رویداد بارش شدید «21·7» در هنان (2021) با اصلاح تابع تلفات شبکه عصبی خود با میانگین TS چند آستانه‌ای غیر قابل تمایز و محدودیت BIAS بهبود بخشیدند. آن‌ها از یک الگوریتم بهینه‌سازی چند هدفه برای بهینه‌سازی پارامترهای مدل استفاده کردند و پیش‌بینی‌های نزدیک به زمان واقعی و بلندمدت را افزایش دادند. این مدل با یادگیری از ویژگی‌های فیزیکی غیرعادی، شدت بارندگی را بهتر پیش‌بینی کرد، اما به دلیل بایاس مدل و داده‌های بارندگی شدید محدود، در تنظیم توزیع بارش با چالش‌هایی مواجه شد.

تکنیک‌های یادگیری ماشین، ادغام پیش‌بینی‌های متعدد، پتانسیلی برای بهبود دقت توزیع نشان دادند، اما تأثیر محدودی بر شدت داشتند. تحقیقات آینده باید بر روی استفاده از مشاهدات چند منبعی و توسعه مدل هایی متمرکز شود که به طور موثر داده های چند مدل و ویژگی های فیزیکی را برای بهبود پیش بینی بارش های سنگین ترکیب می کند.

صنعت:

هوش مصنوعی زلزله را با دقتی بی سابقه پیش بینی می کند

محققان دانشگاه تگزاس هوش مصنوعی ابداع کردند که 70 درصد زمین لرزه ها را در طی یک آزمایش هفت ماهه در چین به طور دقیق پیش بینی می کرد و نشان دهنده پیشرفت در پیش بینی زلزله است. هوش مصنوعی که بر روی داده های لرزه ای آموزش دیده بود، در یک مسابقه بین المللی نیز برنده شد و کارایی آن را برجسته کرد. در حالی که چالش‌هایی در کاربرد این روش در سطح جهانی وجود دارد، موفقیت نشان می‌دهد که پیش‌بینی زلزله، که زمانی غیرممکن تصور می‌شد، ممکن است قابل دستیابی باشد. هوش مصنوعی از یک رویکرد یادگیری ماشینی ساده استفاده می کند و ویژگی های آماری زمین لرزه ها را تجزیه و تحلیل می کند. هدف تحقیقات آینده آزمایش هوش مصنوعی در مناطقی مانند تگزاس و ادغام آن با مدل‌های مبتنی بر فیزیک برای افزایش آمادگی جهانی در برابر زلزله است.

مقاله:

COVID-19 severity detection using chest X-ray segmentation and deep learning

. این مقاله به تأثیر جهانی مهم COVID-19 بر بخش‌های مختلف می‌پردازد و بر اهمیت آزمایش زودهنگام و جداسازی تأکید می‌کند. این یک چارچوب یادگیری عمیق ارائه می دهد که تشخیص COVID-19 و پیش بینی شدت را با استفاده از رادیوگرافی قفسه سینه (CXR) بهبود می بخشد. این چارچوب از U-Net برای تقسیم‌بندی ریه با دقت بالای 0.9924 و یک شبکه کپسول Convolution برای طبقه‌بندی استفاده می‌کند که به نرخ‌های مثبت واقعی بالا دست می‌یابد: 86٪ برای COVID-19، 93٪ برای پنومونی، و 85٪ برای موارد عادی. پیش‌بینی شدت از مدل‌هایی مانند ResNet50، VGG-16 و DenseNet201 استفاده می‌کند که DenseNet201 بهترین دقت را نشان می‌دهد. نتایج تجربی قابلیت اطمینان چارچوب را نشان می‌دهد و تشخیص زودهنگام و ارزیابی شدت را برای بهبود مدیریت بیمار و تخصیص منابع در تنظیمات مراقبت‌های بهداشتی ارائه می‌دهد.

آموزش:

بلاک چین چیست؟

بلاک‌چین یک فناوری دیجیتال است که به عنوان یک دفتر کل توزیع‌شده و غیرمتمرکز عمل می‌کند. در این فناوری، اطلاعات به صورت بلوک‌های دیجیتالی ذخیره می‌شوند که به یکدیگر متصل شده و یک زنجیره تشکیل می‌دهند؛ به همین دلیل به آن «بلاک‌چین» (Blockchain) می‌گویند.

هر بلوک شامل اطلاعاتی مانند تراکنش‌ها، زمان ثبت و یک شناسه منحصر به فرد (هش) است. وقتی یک بلوک جدید به زنجیره اضافه می‌شود، این اطلاعات به صورت همزمان در تمامی شبکه ذخیره و ثبت می‌شوند. این ویژگی باعث می‌شود تا بلاک‌چین امنیت بالا و مقاومت در برابر تغییرات داشته باشد، زیرا برای تغییر یک بلوک باید تمامی بلوک‌های بعدی آن نیز تغییر کنند که این کار عملاً بسیار دشوار و تقریباً غیرممکن است.

کاربردها:

• ارزهای دیجیتال: بلاک‌چین بیشتر به عنوان فناوری زیربنایی ارزهای دیجیتال مانند بیت‌کوین شناخته می‌شود.

• قراردادهای هوشمند: در بلاک‌چین می‌توان قراردادهای خوداجرا شونده‌ای را ایجاد کرد که با رعایت شرایط مشخص، به صورت خودکار اجرا می‌شوند.

• مدیریت زنجیره تأمین: بلاک‌چین می‌تواند به بهبود ردیابی و مدیریت زنجیره تأمین در صنایع مختلف کمک کند.

• رای‌گیری دیجیتال: امکان برگزاری انتخابات امن و شفاف از طریق بلاک‌چین وجود دارد.

بلاک‌چین به دلیل ویژگی‌های امنیتی، شفافیت و عدم نیاز به واسطه‌ها، در حوزه‌های مختلف مانند بانکداری، حمل و نقل، حقوق و سلامت کاربردهای زیادی دارد.

کدینگ:

تنسورفلو (TensorFlow) چیست؟

تنسورفلو (TensorFlow) یک کتابخانه منبع باز برای یادگیری ماشین و هوش مصنوعی است که توسط شرکت گوگل توسعه یافته است. این کتابخانه به برنامه‌نویسان و محققان کمک می‌کند تا مدل‌های یادگیری عمیق (Deep Learning) و یادگیری ماشین (Machine Learning) را طراحی، آموزش و پیاده‌سازی کنند.

تنسورفلو برای پردازش و اجرای محاسبات عددی پیچیده طراحی شده است و از گراف‌های محاسباتی (Computational Graphs) برای انجام این محاسبات استفاده می‌کند. در این گراف‌ها، "تنسورها" (Tensors) به عنوان داده‌های ورودی و خروجی، و "گره‌ها" (Nodes) به عنوان عملیات محاسباتی عمل می‌کنند. این ساختار به تنسورفلو امکان می‌دهد تا به صورت کارآمد بر روی پردازنده‌ها (CPUs)، واحدهای پردازش گرافیکی (GPUs) و حتی واحدهای پردازش تانسور (TPUs) اجرا شود.

ویژگی‌ها و مزایا:

• پشتیبانی از چندین پلتفرم: تنسورفلو بر روی سیستم‌عامل‌های مختلف مانند ویندوز، مک، لینوکس و همچنین دستگاه‌های موبایل (Android و iOS) قابل اجرا است.

• مقیاس‌پذیری بالا: این کتابخانه قابلیت اجرا در مقیاس‌های مختلف، از دستگاه‌های کوچک تا خوشه‌های سروری بزرگ را دارد.

• پشتیبانی از شبکه‌های عصبی عمیق: تنسورفلو ابزارهای متعددی برای طراحی و آموزش شبکه‌های عصبی مانند CNNs و RNNs ارائه می‌دهد.

• اکوسیستم گسترده: تنسورفلو دارای اکوسیستم بزرگی شامل کتابخانه‌ها و ابزارهای اضافی است که برای توسعه و پیاده‌سازی پروژه‌های یادگیری ماشین و هوش مصنوعی مفید هستند، مانند TensorFlow Extended (TFX) برای توسعه و استقرار مدل‌ها و TensorFlow Lite برای استفاده در دستگاه‌های موبایل.

کاربردها:

تنسورفلو در حوزه‌های مختلفی از جمله تشخیص تصویر، پردازش زبان طبیعی (NLP)، ترجمه ماشینی، تحلیل داده‌ها و بسیاری دیگر از پروژه‌های یادگیری ماشین و هوش مصنوعی کاربرد دارد.