मशीन लर्निंग पर लेखों का चयन: मार्च 2020 के मामले, गाइड और अध्ययन

ऐसा लगता है कि कोरोनोवायरस का उल्लेख किए बिना एक भी पोस्ट नहीं कर सकता है, और यह संग्रह अपवाद नहीं होगा।

जनवरी के अंत से, COVID-19 का उल्लेख करने वाले खुले रिपॉजिटरी की संख्या सैकड़ों में रही है । आप उनमें डेटासेट, मॉडल और विज़ुअलाइज़ेशन पा सकते हैं।

COVID-19 के प्रसार से निपटने के लिए मशीन लर्निंग एल्गोरिदम के उपयोग के बारे में बहुत सारे प्रकाशन हैं, लेकिन उनमें से कुछ ही आपको स्रोत कोड से परिचित होने की अनुमति देते हैं।

ऐसी सामग्रियों को चयन में शामिल नहीं किया गया था, क्योंकि यहां, पिछले दो मुद्दों के रूप में, प्रकाशन एकत्र किए गए हैं जो एमएल क्षेत्र में प्रवेश करने के लिए सीमा को कम करने के लिए डिज़ाइन किए गए हैं। उन उपकरणों पर अधिक ध्यान दिया जाता है जो उच्च-स्तरीय एपीआई में जटिल मॉडलों के व्यवहार को सार करते हैं जिन्हें आप अब लागू करना शुरू कर सकते हैं।

COVID-19 के साथ जुड़े प्रोटीन संरचनाओं की कम्प्यूटेशनल भविष्यवाणियां

Google डीपमाइंड ने वायरस प्रोटीन की संरचना की भविष्यवाणी पर अपने अध्ययन के परिणामों को प्रकाशित किया। इसके लिए, डीएनएन अल्फाफोल्ड के खुले स्रोत का उपयोग किया गया था । यह जानकारी नई दवाओं को विकसित करने में उपयोगी हो सकती है। हालाँकि, जैसा कि दीपमाइंड ने अपनी वेबसाइट पर स्पष्ट किया है, इस डेटा को प्रयोगात्मक रूप से सत्यापित नहीं किया गया है, और किसी को संरचनाओं की सटीकता के बारे में सुनिश्चित नहीं किया जा सकता है।

COVID-19

को COVID-CXR के रचनाकारों में से एक छाती एक्स-रे द्वारा निर्धारित करना सीखनाबताता है कि छाती के एक्स-रे का उपयोग करके कोरोनोवायरस संक्रमण के गंभीर मामलों की भविष्यवाणी करने के लिए मशीन सीखने का उपयोग कैसे शुरू करें। अंदर एक निर्देश है कि डेटा सेट कैसे तैयार किया जाए, पूर्व-प्रसंस्करण और मॉडल प्रशिक्षण का संचालन करें। तंत्रिका नेटवर्क द्वारा की जाने वाली भविष्यवाणियों को समझाने पर बहुत जोर दिया जाता है। स्पष्टीकरण में दो संबद्ध चित्र शामिल हैं। पूर्वानुमानों में योगदान देने के लिए क्षेत्रों को हरे या लाल रंग में हाइलाइट किया जाता है।

5 COVID-19 डेटासेट जो अभी उपयोग किए जा सकते हैं।

यहां आप रोगी डेटा, भौगोलिक वितरण डेटा और यहां तक ​​कि लाखों ट्वीट्स का चयन कर सकते हैं जो वायरस का उल्लेख करते हैं।

इसके अलावा गैर-कोरोनावायरस संबंधित सामग्री

रीयल-टाइम फेस एंड हैंड ट्रैकिंग

Google रिसर्च ने दो हल्के उपकरण पेश किए हैं जो पूरी तरह से ब्राउज़र में काम करते हैं। इस प्रकार, डेटा उपयोगकर्ता डिवाइस को नहीं छोड़ता है, जो इसकी सुरक्षा सुनिश्चित करता है।

फेसमेश छवि या वीडियो स्ट्रीम से चेहरे की सतह के लगभग तीन-आयामी ज्यामिति का अर्थ निकालता है, जिसका अर्थ है कि यह एक नियमित कैमरे के साथ गहराई सेंसर ( डेमो ) के बिना काम कर सकता है ।

हैंडपोस्ट वीडियो स्ट्रीम में हाथों को पहचानता है और इक्कीस स्थलों (उंगली और हथेली के जोड़ों) के आधार पर, हाथ के हिस्सों ( डेमो ) का स्थान निर्धारित करता है ।

इन उपकरणों के आगे विकास से हमें भावनाओं और इशारों को पहचानने की अनुमति मिलेगी, और संभवतः इंटरनेट पर सामग्री के साथ बातचीत करने का तरीका बदल जाएगा।

वास्तविक समय की मात्रा पहचान

अधिकांश वस्तु मान्यता अनुसंधान दो-आयामी वस्तुओं की भविष्यवाणी करने पर केंद्रित है, जबकि 3 डी भविष्यवाणी मानव रहित वाहनों से संवर्धित वास्तविकता के लिए अनुप्रयोगों की एक विस्तृत श्रृंखला का खुलासा करती है।

ओपन सोर्स फ्रेमवर्क मेडियापिप के रचनाकारों ने नया ऑब्जेक्ट्रोन टूल पेश किया, जो मोबाइल उपकरणों पर वास्तविक समय में वस्तुओं के लिए तीन आयामी बाउंडिंग बॉक्स की गणना करता है। पहले से ही अब आप कुर्सियों और जूते को पहचानने के लिए प्रशिक्षित मॉडल पर मोबाइल एप्लिकेशन का परीक्षण कर सकते हैं । MobileBERT Q & A मॉडल के आधार पर Tensorflow.js का उपयोग करके ब्राउज़र में BERT का उपयोग करते हुए , लेख के लेखकों ने Chrome के लिए एक एक्सटेंशन बनाया



, जो पृष्ठ खोज की तरह काम करता है, इस अंतर के साथ कि आप एक प्रश्न पूछ सकते हैं, और विस्तार इसका उत्तर खोजने की कोशिश करेगा।

उदाहरण के लिए, केकड़ों के बारे में एक लेख में, लेखकों ने एक सवाल पूछा: "केकड़े कैसे चलते हैं", और एल्गोरिथ्म ने पाठ के एक टुकड़े पर प्रकाश डाला "आमतौर पर केकड़े बग़ल में चलते हैं"। Lasagna नुस्खा के साथ पृष्ठ पर, लेखकों ने पूछा कि सेंकना करने में कितना समय लगा, जिससे उन्हें एक उत्तर मिला: 25 मिनट।

कम सफल उदाहरण भी दिए गए हैं, लेकिन इस मॉडल का उपयोग करने की क्षमता पहले से ही दिखाई देती है।



यह सब, देखने के लिए धन्यवाद!