PrinceofAI Weekly

هفته نامه شماره 9

اخبار:

استفاده از هوش مصنوعی برای تشخیص سرطان سینه

مجارستان به یک میدان آزمایشی بزرگ برای AI  تبدیل شده است. نرم افزاری برای تشخیص سرطان، در حالی که پزشکان بحث می کنند که آیا این فناوری جایگزین آنها در مشاغل پزشکی می شود یا خیر.

پیشرفت در AI با تشخیص علائمی که پزشکان از دست می دهند، پیشرفت هایی در غربالگری سرطان سینه ایجاد می کنند. با توجه به نتایج اولیه و رادیولوژیست‌ها، تا کنون، این فناوری توانایی چشمگیری در تشخیص سرطان حداقل به خوبی رادیولوژیست‌های انسانی نشان می‌دهد، که یکی از ملموس‌ترین نشانه‌هایی است که تا به امروز نشان می‌دهد چگونه AI می تواند سلامت عمومی را بهبود بخشد. مجارستان، که یک برنامه قوی غربالگری سرطان سینه دارد، یکی از بزرگترین زمینه های آزمایش این فناوری بر روی بیماران واقعی است. در پنج بیمارستان و کلینیک که بیش از 35000 غربالگری در سال انجام می دهند، AI این سیستم ها از سال 2021 شروع به کار کردند و اکنون به بررسی علائم سرطان که ممکن است رادیولوژیست نادیده گرفته باشد کمک می کند. کلینیک ها و بیمارستان ها در ایالات متحده، بریتانیا و اتحادیه اروپا نیز شروع به آزمایش یا ارائه داده هایی برای کمک به توسعه سیستم ها کرده اند.

صنعت:

 TINYML: آینده یادگیری ماشین در دستگاه های IOT

همانطور که جهان بیشتر به هم متصل می شود، نیاز به دستگاه های هوشمندتر و کارآمدتر افزایش می یابد. ظهور اینترنت اشیا (IoT) دستگاه ها را قادر می سازد تا با یکدیگر ارتباط برقرار کرده و داده ها را به اشتراک بگذارند که منجر به ایجاد شبکه گسترده ای از دستگاه های متصل به هم شده است. با این حال، محدودیت‌های اندازه و قدرت بسیاری از دستگاه‌های اینترنت اشیا، اجرای قابلیت‌های یادگیری ماشین را چالش‌برانگیز می‌کند. اما TinyML، یک فناوری انقلابی است که قدرت یادگیری ماشین را به کوچک‌ترین دستگاه‌ها می‌آورد. TinyML یک فناوری همه کاره است که می تواند در صنایع مختلف مورد استفاده قرار گیرد. یکی از نویدبخش ترین زمینه هایی که TinyML می تواند در آن اعمال شود، مراقبت های بهداشتی است. با استفاده از دستگاه‌های مجهز به TinyML، ارائه‌دهندگان مراقبت‌های بهداشتی می‌توانند علائم حیاتی بیماران را کنترل کرده و ناهنجاری‌ها را در داده‌های آن‌ها تشخیص دهند، که می‌تواند به آن‌ها در شناسایی خطرات بالقوه سلامتی و ارائه درمان سریع کمک کند. در صنعت تولید، از TinyML می توان برای بهینه سازی تعمیر و نگهداری ماشین و کاهش زمان خرابی استفاده کرد. با شناسایی ناهنجاری‌ها در داده‌های تجهیزات، سازندگان می‌توانند زمان نیاز به تعمیر و نگهداری را پیش‌بینی کنند و از خرابی‌های غیرمنتظره جلوگیری کنند و در زمان و هزینه صرفه‌جویی کنند. یکی دیگر از کاربردهای امیدوارکننده TinyML در کشاورزی است. با نظارت بر رطوبت خاک، دما و سایر عوامل محیطی، TinyML می تواند به کشاورزان کمک کند تا عملکرد محصول را بهینه کنند و تصمیمات آگاهانه تری در مورد آبیاری و کوددهی بگیرند. در حوزه خانه‌های هوشمند، از TinyML می‌توان برای ایجاد دستگاه‌هایی استفاده کرد که می‌توانند تنظیمات برگزیده کاربر را یاد بگیرند و کارهای روتین را خودکار کنند. این می تواند زندگی را برای کاربران راحت تر کند و به آنها در صرفه جویی در زمان و انرژی کمک کند. کاربردهای بالقوه TinyML گسترده و متنوع است و انتظار می رود با استقبال صنایع بیشتر از قابلیت های آن، استفاده از آن همچنان رو به رشد باشد.

مقاله:

Adding Conditional Control to Text-to-Image Diffusion Models

در این مقاله یک ساختار شبکه عصبی، ControlNet، برای کنترل مدل‌های انتشار بزرگ از پیش آموزش دیده برای پشتیبانی از شرایط ورودی اضافی ارائه می‌شود. ControlNet  شرایط خاص وظیفه را به روشی سرتاسر یاد می‌گیرد و یادگیری آن قوی است حتی زمانی که مجموعه داده آموزشی کوچک باشد. علاوه بر این، آموزش یک ControlNet به سرعت تنظیم دقیق یک مدل انتشار است و این مدل را می توان بر روی یک دستگاه شخصی آموزش داد. از طرف دیگر، اگر خوشه‌های محاسباتی قدرتمند در دسترس باشند، مدل می‌تواند به مقادیر زیادی (میلیون‌ها تا میلیاردها) داده مقیاس‌بندی شود. مدل‌های انتشار بزرگ مانند  Stable Diffusion  را می‌توان با ControlNets تقویت کرد تا ورودی‌های شرطی مانند نقشه‌های لبه، نقشه‌های تقسیم‌بندی، نقاط کلیدی و غیره را فعال کند. این ممکن است روش‌های کنترل مدل‌های انتشار بزرگ را غنی کند و کاربردهای مرتبط را تسهیل کند.

آموزش:

TinyML چیست؟

TinyML به استفاده از الگوریتم‌ها و مدل‌های یادگیری ماشین در دستگاه‌های بسیار کوچک با قدرت پردازش، حافظه و منابع انرژی محدود اشاره دارد. این دستگاه ها که به میکروکنترلرها معروف هستند، معمولاً کمتر از 1 مگابایت حافظه دارند و حداقل انرژی مصرف می کنند. الگوریتم‌های TinyML به گونه‌ای طراحی شده‌اند که برای این دستگاه‌ها بسیار بهینه شده‌اند و به آن‌ها اجازه می‌دهند کارهای پیچیده‌ای مانند تشخیص تصویر و گفتار، تشخیص ناهنجاری و نگهداری پیش‌بینی را انجام دهند.

TinyML مزایای مختلفی مانند بهبود کارایی، افزایش حریم خصوصی و کاهش تاخیر را ارائه می دهد. یکی از اصلی‌ترین مزایای TinyML این است که دستگاه‌های اینترنت اشیا را قادر می‌سازد تا کارهای پیچیده را انجام دهند و در عین حال حداقل انرژی را مصرف کنند. در نتیجه، دستگاه‌ها می‌توانند برای مدت طولانی‌تری بدون نیاز به شارژ مجدد یا تعویض باتری کار کنند. علاوه بر این، الگوریتم‌های TinyML به دستگاه‌ها اجازه می‌دهند تا وظایف یادگیری ماشین را به صورت محلی انجام دهند و نیاز به ارسال داده‌ها به ابر را کاهش دهند. این نه تنها حریم خصوصی را افزایش می دهد، بلکه پهنای باند مورد نیاز برای انتقال داده را نیز کاهش می دهد. علاوه بر این، TinyML می‌تواند تصمیم‌گیری در زمان واقعی را فعال کند و تأخیر مربوط به ارسال داده‌ها به ابر برای تجزیه و تحلیل را کاهش دهد. این به ویژه در کاربردهایی که نیاز به تصمیم گیری سریع دارند، مانند وسایل نقلیه خودران یا اتوماسیون صنعتی مفید است.

مزایای TinyML بسیار زیاد است و انتظار می رود استفاده از آن در سال های آینده به سرعت رشد کند.

کدینگ:

Pandas چیست؟

Pandas  یک کتابخانه مهم پایتون است که برای کار با مجموعه داده ها استفاده می شود و دارای عملکردهایی برای تجزیه و تحلیل، تمیز کردن، کاوش و دستکاری داده ها است.

چرا از Pandas استفاده کنیم؟

Pandas به ما این امکان را می دهند که داده های بزرگ را تجزیه و تحلیل کنیم و بر اساس تئوری های آماری نتیجه گیری کنیم. Pandas می توانند مجموعه داده های نامرتب را تمیز کنند و آنها را خوانا و مرتبط کنند. این کتابخانه، هدف گسترده‌ تبدیل شدن به قدرتمندترین و انعطاف‌پذیرترین ابزار تجزیه و تحلیل / دستکاری داده‌های منبع باز موجود را داراست و در حال حاضر به خوبی در راه رسیدن به این هدف است. Pandas سریع است و عملکرد و بهره وری بالایی برای کاربران دارد.

راههای ارتباطی با ما:

اینستاگرام:

princeofai@

وبسایت:

تلگرام:

https://t.me/princeofaii