Eine Auswahl von Artikeln zum maschinellen Lernen: Fälle, Leitfäden und Studien für März 2020

Es scheint, dass kein einziger Beitrag ohne die Erwähnung des Coronavirus auskommen kann, und diese Sammlung wird keine Ausnahme sein.

Seit Ende Januar gibt es Hunderte offener Repositories, in denen COVID-19 erwähnt wird . Sie finden darin Datensätze, Modelle und Visualisierungen.

Es gibt viele Veröffentlichungen über die Verwendung von Algorithmen für maschinelles Lernen zur Bekämpfung der Verbreitung von COVID-19, aber nur wenige davon ermöglichen es Ihnen, sich mit dem Quellcode vertraut zu machen.

Solche Materialien wurden nicht in die Auswahl aufgenommen, da hier wie in den beiden vorhergehenden Ausgaben Veröffentlichungen gesammelt wurden, die die Schwelle für den Eintritt in die ML-Sphäre senken sollen. Tools, die das Verhalten komplexer Modelle in übergeordnete APIs abstrahieren, die Sie jetzt anwenden können, werden stärker berücksichtigt.

Computergestützte Vorhersagen von Proteinstrukturen im Zusammenhang mit COVID-19

Google DeepMind veröffentlichte die Ergebnisse seiner Studie zur Vorhersage der Struktur von Virusproteinen. Hierzu wurde der Open Source DNN AlphaFold verwendet . Diese Informationen können bei der Entwicklung neuer Medikamente hilfreich sein. Wie DeepMind auf seiner Website deutlich macht, wurden diese Daten jedoch nicht experimentell überprüft, und man kann nicht sicher sein, ob die Strukturen korrekt sind.

Maschinelles Lernen zur Bestimmung von COVID-19 durch Röntgenaufnahme

des Brustkorbs Einer der Entwickler von COVID-CXRHier erfahren Sie, wie Sie mit maschinellem Lernen beginnen können, um schwere Fälle von Coronavirus-Infektionen mithilfe von Röntgenaufnahmen des Brustkorbs vorherzusagen. Im Inneren finden Sie eine Anleitung zum Vorbereiten eines Datensatzes, zur Durchführung der Vorverarbeitung und zur Durchführung von Modelltrainings. Es wird großer Wert darauf gelegt, die Vorhersagen zu erklären, die das neuronale Netzwerk macht. Die Erklärung besteht aus zwei zugehörigen Bildern. Bereiche werden grün oder rot hervorgehoben, um anzuzeigen, was zur Prognose beigetragen hat.

5 COVID-19-Datensätze, die Sie jetzt verwenden können.

Hier finden Sie Patientendaten, geografische Verteilungsdaten und sogar eine Auswahl von Millionen von Tweets, in denen der Virus erwähnt wird.

Weitere Materialien, die nicht mit Coronavirus zusammenhängen

Gesichts- und Handverfolgung in Echtzeit

Google Research hat zwei leichtgewichtige Tools eingeführt, die vollständig im Browser funktionieren. Somit verlassen die Daten das Benutzergerät nicht, was seine Sicherheit gewährleistet.

Facemesh leitet die ungefähre dreidimensionale Geometrie der Gesichtsoberfläche aus dem Bild- oder Videostream ab. Dies bedeutet, dass es mit einer normalen Kamera ohne Tiefensensor ( Demo ) arbeiten kann.

Handpose erkennt die Hände im Videostream und ermittelt anhand von 21 Orientierungspunkten (Finger- und Handflächengelenke) die Position der Handteile ( Demo ).

Durch die Weiterentwicklung dieser Tools können wir Emotionen und Gesten erkennen und möglicherweise die Art und Weise ändern, wie wir mit Inhalten im Internet interagieren.

Echtzeiterkennung von Volumenobjekten

Die meisten Objekterkennungsstudien konzentrieren sich auf die Vorhersage zweidimensionaler Objekte, während die 3D-Vorhersage eine breite Palette von Anwendungen von unbemannten Fahrzeugen bis hin zu Augmented Reality eröffnet.

Die Entwickler des Open-Source-Frameworks Mediapipe stellten das neue Objectron-Tool vor, mit dem dreidimensionale Begrenzungsrahmen für Objekte in Echtzeit auf Mobilgeräten berechnet werden. Bereits jetzt können Sie die mobile Anwendung an Modellen testen, die darauf trainiert sind, Stühle und Schuhe zu erkennen .

Verwenden von BERT in einem Browser mit Tensorflow.js

Basierend auf dem MobileBERT-Q & A-Modell haben die Autoren des Artikels eine Erweiterung für Chrome erstelltDies funktioniert wie eine Seitensuche, mit dem Unterschied, dass Sie eine Frage stellen können und die Erweiterung versucht, eine Antwort darauf zu finden.

In einem Artikel über Krabben stellten die Autoren beispielsweise die Frage: „Wie bewegen sich Krabben?“, Und der Algorithmus hob ein Fragment des Textes „Normalerweise bewegen sich Krabben seitwärts“ hervor. Auf der Seite mit dem Lasagne-Rezept fragten die Autoren, wie lange das Backen gedauert habe, worauf sie eine Antwort erhielten: 25 Minuten.

Es werden auch weniger erfolgreiche Beispiele gegeben, aber das Potenzial für die Verwendung dieses Modells ist bereits sichtbar.



Das ist alles, danke fürs Zuschauen!