Una selección de artículos sobre aprendizaje automático: casos, guías y estudios para marzo de 2020

Parece que ni una sola publicación puede prescindir del coronavirus, y esta colección no será una excepción.

Desde finales de enero, el número de repositorios abiertos que mencionan COVID-19 ha sido de cientos . Puede encontrar conjuntos de datos, modelos y visualizaciones en ellos.

Hay muchas publicaciones sobre el uso de algoritmos de aprendizaje automático para combatir la propagación de COVID-19, pero pocas de ellas le permiten familiarizarse con el código fuente.

Dichos materiales no se incluyeron en la selección, porque aquí, como en los dos números anteriores, se han recopilado publicaciones que están diseñadas para reducir el umbral para ingresar a la esfera de LA. Se presta más atención a las herramientas que abstraen el comportamiento de modelos complejos en API de alto nivel que puede comenzar a aplicar ahora.

Predicciones computacionales de estructuras proteicas asociadas con COVID-19

Google DeepMind publicó los resultados de su estudio sobre la predicción de la estructura de las proteínas virales. Para esto, se utilizó el código abierto DNN AlphaFold . Esta información puede ser útil para desarrollar nuevos medicamentos. Sin embargo, como DeepMind deja claro en su sitio web, estos datos no han sido verificados experimentalmente, y uno no puede estar seguro de la precisión de las estructuras.

Aprendizaje automático para determinar COVID-19 mediante radiografía de tórax

Uno de los creadores de COVID-CXRexplica cómo comenzar a utilizar el aprendizaje automático para predecir casos severos de infección por coronavirus mediante radiografía de tórax. En el interior hay una instrucción sobre cómo preparar un conjunto de datos, llevar a cabo un procesamiento previo y llevar a cabo una capacitación modelo. Se pone gran énfasis en explicar las predicciones que hace la red neuronal. La explicación consta de dos imágenes asociadas. Las áreas se resaltan en verde o rojo para indicar qué contribuyó al pronóstico.

5 conjuntos de datos de COVID-19 que se pueden usar ahora mismo.

Aquí puede encontrar datos de pacientes, datos de distribución geográfica e incluso una selección de millones de tweets que mencionan el virus.

Otros materiales no relacionados con el coronavirus

Seguimiento en tiempo real de manos y manos

Google Research ha introducido dos herramientas livianas que funcionan completamente en el navegador. Por lo tanto, los datos no salen del dispositivo del usuario, lo que garantiza su seguridad.

Facemesh deriva la geometría tridimensional aproximada de la superficie de la cara de la imagen o la transmisión de video, lo que significa que puede funcionar con una cámara normal sin un sensor de profundidad ( demo ).

Handpose reconoce las manos en la transmisión de video y, basándose en veintiún puntos de referencia (articulaciones de los dedos y la palma de la mano), determina la ubicación de las partes de la mano ( demostración ).

Un mayor desarrollo de estas herramientas nos permitirá reconocer las emociones y los gestos, y posiblemente cambiar la forma en que interactuamos con el contenido en Internet.

Reconocimiento en tiempo real de objetos de volumen

La mayoría de los estudios de reconocimiento de objetos se centran en pronosticar objetos bidimensionales, mientras que el pronóstico en 3D abre una amplia gama de aplicaciones, desde vehículos no tripulados hasta realidad aumentada.

Los creadores del marco de código abierto Mediapipe introdujeron la nueva herramienta Objectron, que calcula cuadros de límite tridimensionales para objetos en tiempo real en dispositivos móviles. Ya puede probar la aplicación móvil en modelos capacitados para reconocer sillas y zapatos .

Usando BERT en un navegador usando Tensorflow.js

Basado en el modelo de preguntas y respuestas de MobileBERT, los autores del artículo crearon una extensión para Chrome, que funciona como una búsqueda de página, con la diferencia de que puede hacer una pregunta, y la extensión intentará encontrar una respuesta.

Por ejemplo, en un artículo sobre cangrejos, los autores hicieron una pregunta: "¿Cómo se mueven los cangrejos?", Y el algoritmo resaltó un fragmento del texto "Por lo general, los cangrejos se mueven de lado". En la página con la receta de lasaña, los autores preguntaron cuánto tiempo llevó hornear, a lo que recibieron una respuesta: 25 minutos.

También se dan ejemplos menos exitosos, pero el potencial para usar este modelo ya es visible.



Eso es todo, ¡gracias por mirar!