اخبار:
یادگیری ماشین می تواند تصاویر پزشکی را قابل اعتمادتر کند
این مطالعه چالشهای مرتبط با تصویربرداری رزونانس مغناطیسی (MRI) را در تشخیص سرطان به دلیل حساسیت، بهویژه زمانی که بیماران در حین اسکن حرکت میکنند و در نتیجه تصاویر تار میشوند، مورد بحث قرار میدهد. در حالی که MRI فرصت های تشخیصی قابل توجهی را ارائه می دهد، تصویربرداری دقیق برای تعیین اندازه و موقعیت دقیق تومور بسیار مهم است، که برای درمان های دقیق مانند پرتوهای هدفمند ضروری است. فناوری های پیشرفته ای، از جمله یادگیری ماشین، برای بهینه سازی کیفیت تصویر و کارایی پردازش پیشنهاد شده است. این مطالعه مدل های یادگیری ماشین را ارائه می دهد که برای رسیدگی به آرتیفکت های رایج در تصاویر MRI، مانند نویز و حرکت، و تولید سی تی اسکن مصنوعی از داده های MRI طراحی شده اند. هدف افزایش کارایی و در دسترس قرار دادن این روشها برای تحقیقات و مقایسههای بیشتر است.
صنعت:
چارچوب جدید هوش مصنوعی تصاویر را از هیچ تولید می کند
چارچوب جدید هوش مصنوعی «Blackout Diffusion» که در کنفرانس بینالمللی یادگیری ماشین ارائه شد، با تولید تصاویر بدون نیاز به یک random seed، رویکردی انقلابی ارائه میکند و آن را از سایر مدلهای انتشار مولد متمایز میکند. برخلاف مدلهای موجود مانند DALL-E یا میدجرنی، Blackout Diffusion نمونههای قابل مقایسه را تولید میکند در حالی که به منابع محاسباتی کمتری نیاز دارد. این روش در فضاهای گسسته عمل می کند و کاربردهای متنوعی مانند حوزه های متنی و علمی را امکان پذیر می کند. محققان اثربخشی آن را روی مجموعههای داده مختلف نشان دادند و پتانسیل آن را برای تسریع شبیهسازیهای علمی در ابررایانهها، کمک به پیشرفت علمی و کاهش ردپای کربن علم محاسبات برجسته کردند. کاربردها شامل کشف دارو و درک مکانیسم های بیوشیمیایی و... است.
مقاله:
LLaMA Pro: Progressive LLaMA with Block Expansion
این مقاله یک روش جدید پس از آموزش (post-pretraining) را برای مدلهای زبانی بزرگ (LLM) مورد بحث قرار میدهد، که به طور خاص بر گسترش بلوکهای ترنسفورمر تمرکز دارد. برخلاف انسانها که مهارتهای جدید را بدون به خطر انداختن مهارتهای قدیمی کسب میکنند، LLMها اغلب هنگام یادگیری اطلاعات جدید با فراموشی فاجعهباری مواجه میشوند. روش پیشنهادی شامل تنظیم بلوکهای توسعهیافته با استفاده از یک پیکره جدید است که به طور موثر دانش مدل را بهبود میبخشد. این آزمایشها شامل کد و پیکره ریاضی است که منجر به LLaMA Pro-8.3B میشود، مدلی پیشرفته که در وظایف عمومی، برنامهنویسی و ریاضیات برتر است. LLaMA Pro عملکرد برتر را در معیارهای مختلف در مقایسه با مدلهای باز موجود در خانواده LLaMA نشان میدهد و پتانسیل خود را به عنوان یک عامل هوشمند که قادر به پرداختن به وظایف مختلف است، نشان میدهد. این یافتهها بینشهای ارزشمندی را در مورد ادغام زبانهای طبیعی و برنامهنویسی برای توسعه عوامل زبانی پیشرفته ارائه میکنند.
آموزش:
فرآیندهای تصادفی چیست؟
فرآیند تصادفی یک مدل ریاضی است که تکامل یک سیستم را در طول زمان به روشی که شامل تصادف یا عدم قطعیت است، توصیف میکند. به عبارت دیگر، مجموعه ای از متغیرهای تصادفی است که بر اساس زمان نمایه شده اند. ایده کلیدی این است که، در هر نقطه از زمان، رفتار آینده سیستم به طور کامل قابل پیش بینی نیست.
فرآیندهای تصادفی در زمینههای مختلف از جمله فیزیک، مهندسی، مالی و مخابرات برای مدلسازی سیستمهایی با عدم قطعیت یا ذات تصادفی استفاده میشوند. به عنوان مثال می توان به حرکت قیمت سهام، نویز کانال ارتباطی و بسیاری از پدیده های طبیعی اشاره کرد. انواع مختلفی از فرآیندهای تصادفی، مانند فرآیندهای گاوسی، فرآیندهای پواسون و فرآیندهای وینر، بر اساس ویژگیهای سیستم مورد مدلسازی استفاده میشوند.
کدینگ:
کتابخانه OpenCV در پایتون
OpenCV یک کتابخانه نرم افزاری بینایی کامپیوتر و یادگیری ماشین منبع باز است. این کتابخانه برای ارائه یک زیرساخت مشترک برای برنامه های بینایی کامپیوتر طراحی شده است و به طور گسترده برای پردازش تصویر و ویدئو استفاده می شود. OpenCV به زبان ++C نوشته شده است و دارای رابط هایی برای پایتون، جاوا و چندین زبان دیگر است.
در پایتون، OpenCV در درجه اول برای کارهای مربوط به بینایی کامپیوتر، پردازش تصویر و تجزیه و تحلیل ویدئو استفاده می شود. مجموعه ای جامع از ابزارها و عملکردها را ارائه می دهد که کار با تصاویر و فیلم ها را آسان تر می کند. برخی از عملکردهای کلیدی ارائه شده توسط OpenCV در پایتون عبارتند از:
پردازش تصویر: OpenCV عملکردهای مختلفی را برای پردازش اولیه و پیشرفته تصویر ارائه می دهد، از جمله عملیاتی مانند فیلتر کردن، عملیات مورفولوژیکی، تبدیل فضای رنگی و یکسان سازی هیستوگرام.
تشخیص و تطبیق ویژگی: OpenCV شامل الگوریتم هایی برای تشخیص و تطبیق ویژگی های کلیدی در تصاویر است. این برای کارهایی مانند تشخیص و ردیابی شی ضروری است.
تشخیص اشیا: OpenCV با مدل های از پیش آموزش دیده برای تشخیص اشیا ارائه می شود و از آموزش آشکارسازهای شی سفارشی با استفاده از تکنیک های یادگیری ماشین پشتیبانی می کند.
کالیبراسیون دوربین: از OpenCV می توان برای کالیبره کردن دوربین ها استفاده کرد که برای اندازه گیری های دقیق و کاربردهای بینایی کامپیوتری بسیار مهم است.
تجزیه و تحلیل ویدئو: OpenCV امکان پردازش ویدئو از جمله کارهایی مانند ضبط ویدئو، پخش ویدئو و تجزیه و تحلیل ویدئو را فراهم می کند.
یکپارچهسازی یادگیری ماشین: OpenCV با کتابخانههای یادگیری ماشین ادغام میشود و به توسعهدهندگان اجازه میدهد مدلهای بینایی کامپیوتری را با استفاده از چارچوبهای محبوبی مانند TensorFlow و PyTorch بسازند و مستقر کنند.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii