PrinceofAI Weekly

هفته نامه شماره هشتاد و یکم

اخبار:

مدل های یادگیری عمیق را می توان با داده های محدود آموزش داد

مدل‌های یادگیری عمیق، مانند آن‌هایی که در تصویربرداری پزشکی برای کمک به تشخیص بیماری یا ناهنجاری‌ها استفاده می‌شوند، نیاز به آموزش با داده‌های زیادی دارند. اما اغلب داده کافی برای آموزش این مدل‌ها در دسترس نیست یا داده‌ها بسیار متنوع هستند.

اولوبک کامیلُف، استاد مهندسی کامپیوتر و مهندسی برق و سیستم‌ها در دانشکده مهندسی مک‌کلوی در دانشگاه واشنگتن در سنت لوئیس، به همراه شیرین شوشتری، جیامینگ لیو و ادوارد چندلر، دانشجویان دکتری گروهش، روشی برای حل این مشکل رایج در بازسازی تصاویر توسعه داده‌اند. تیم تحقیق نتایج خود را این ماه در کنفرانس بین‌المللی یادگیری ماشین در وین، اتریش ارائه خواهد داد.

به عنوان مثال، داده‌های MRI که برای آموزش مدل‌های یادگیری عمیق استفاده می‌شود، می‌تواند از فروشندگان، بیمارستان‌ها، ماشین‌ها، بیماران یا قسمت‌های مختلف بدن گرفته شده باشد. مدلی که بر روی یک نوع داده آموزش دیده است، می‌تواند هنگام استفاده بر روی داده‌های دیگر خطاهایی را معرفی کند. برای جلوگیری از این خطاها، تیم تحقیقاتی از روش یادگیری عمیق معروف به Plug-and-Play Priors استفاده کرده و با تغییر داده‌هایی که مدل با آن‌ها آموزش دیده، مدل را به مجموعه جدیدی از داده‌ها تطبیق داده است.

شوشتری گفت: "با روش ما، مهم نیست که داده‌های آموزشی زیادی ندارید. روش ما به مدل‌های یادگیری عمیق امکان می‌دهد با استفاده از یک مجموعه کوچک از داده‌های آموزشی، بدون توجه به اینکه از چه بیمارستان، چه ماشین یا چه قسمت بدن تصاویر آمده‌اند، تطبیق یابند."

صنعت:

تجزیه و تحلیل یادگیری ماشینی اسکن چشم ممکن است به تشخیص ام اس کمک کند

یک مطالعه نشان داد که استفاده از یادگیری ماشین برای تجزیه و تحلیل اسکن چشم می تواند به تشخیص علائم اولیه مولتیپل اسکلروزیس (MS) کمک کند و به طور بالقوه به تشخیص زودهنگام کمک می کند. این مطالعه که در مجله "هوش مصنوعی" منتشر شده است، استفاده از افتالموسکوپی لیزری اسکن مادون قرمز (IR-SLO) را در ارتباط با توموگرافی انسجام نوری (OCT) برای شناسایی ام اس مورد بررسی قرار داد. در حالی که OCT قبلاً برای تشخیص MS مورد مطالعه قرار گرفته بود، IR-SLO چنین نبود.

محققان در ایران از یادگیری ماشین بر روی 265 اسکن IR-SLO از 32 بیمار ام اس و 70 کنترل استفاده کردند و الگوریتم های آموزش زیرمجموعه ای از این اسکن ها را انجام دادند. بهترین الگوریتم بیش از 82 درصد دقت در شناسایی بیماران ام اس به دست آورد. ترکیب اسکن‌های IR-SLO و OCT دقت را به 96.9% افزایش داد.

آزمایش این ابزار بر روی یک مجموعه داده خارجی از ایالات متحده، 97.3 درصد دقت را برای بیماران ام اس نشان داد. این مطالعه پتانسیل یک فناوری غیرتهاجمی، کم‌هزینه و در دسترس را برای تشخیص خودکار ام‌اس برجسته می‌کند، اگرچه مطالعات بیشتری با بیماران بیشتری برای اعتبارسنجی مورد نیاز است.

مقاله:

Context-aware geometric deep learning for protein sequence design

طراحی و مهندسی پروتئین با استفاده از پیشرفت‌های یادگیری عمیق با سرعتی بی‌سابقه در حال تکامل است. با این حال، مدل‌های کنونی نمی‌توانند به‌طور بومی موجودات غیر پروتئینی را در فرآیند طراحی در نظر بگیرند. در اینجا، ما رویکردی از یادگیری عمیق را معرفی می‌کنیم که به‌طور انحصاری بر اساس یک تبدیل هندسی از مختصات اتمی و نام عناصر است که توالی‌های پروتئینی را از اسکلت‌های پشتیبان پیش‌بینی می‌کند، در حالی که محدودیت‌های تحمیل شده توسط محیط‌های مولکولی متنوع را در نظر می‌گیرد. برای اعتبارسنجی این روش، نشان می‌دهیم که می‌تواند آنزیم‌های بسیار پایدار و با فعالیت کاتالیتیکی بالا را با نرخ موفقیت بالا تولید کند. این مفهوم پیش‌بینی می‌شود که تنوع طراحی پروتئین را برای ایجاد عملکردهای مورد نظر بهبود بخشد.

آموزش:

کوواریانس چیست؟

کوواریانس یک معیار آماری است که نشان می‌دهد چگونه دو متغیر به صورت همزمان تغییر می‌کنند و آیا افزایش یکی از متغیرها باعث افزایش یا کاهش متغیر دیگر می‌شود. به عبارت دیگر، کوواریانس اندازه‌گیری می‌کند که تا چه حد دو متغیر به هم وابسته هستند. پس کوواریانس نشان می‌دهد که چگونه دو متغیر به هم وابسته‌اند. کوواریانس مثبت نشان‌دهنده همبستگی مثبت و کوواریانس منفی نشان‌دهنده همبستگی منفی است.

کدینگ:

کتابخانه trimesh در پایتون چیست؟

کتابخانه trimesh  در پایتون یک ابزار قدرتمند برای کار با مش‌های سه‌بعدی (3D meshes) است. این کتابخانه قابلیت‌های متعددی را برای تجزیه و تحلیل، ویرایش و نمایش مش‌های سه‌بعدی فراهم می‌کند و به طور گسترده در حوزه‌های مختلفی از جمله گرافیک کامپیوتری، شبیه‌سازی، واقعیت مجازی، و مهندسی معکوس استفاده می‌شود.