Pilihan artikel tentang pembelajaran mesin: kasus, panduan dan studi untuk Maret 2020

Tampaknya tidak ada satu posting pun yang dapat dilakukan tanpa menyebutkan coronavirus, dan koleksi ini tidak akan menjadi pengecualian.

Sejak akhir Januari, jumlah repositori terbuka yang menyebutkan COVID-19 telah mencapai ratusan . Anda dapat menemukan kumpulan data, model, dan visualisasi di dalamnya.

Ada banyak publikasi tentang penggunaan algoritma pembelajaran mesin untuk memerangi penyebaran COVID-19, tetapi beberapa di antaranya memungkinkan Anda untuk berkenalan dengan kode sumber.

Bahan-bahan tersebut tidak dimasukkan dalam seleksi, karena di sini, seperti dalam dua masalah sebelumnya, publikasi telah dikumpulkan yang dirancang untuk menurunkan ambang batas untuk memasuki lingkup ML. Lebih banyak perhatian diberikan pada alat-alat yang mengabstraksi perilaku model kompleks menjadi API tingkat tinggi yang dapat Anda mulai terapkan sekarang.

Prediksi komputasi struktur protein yang terkait dengan COVID-19

Google DeepMind menerbitkan hasil studinya tentang prediksi struktur protein virus. Untuk ini, sumber terbuka DNN AlphaFold digunakan . Informasi ini mungkin berguna dalam pengembangan obat baru. Namun, seperti yang dijelaskan DeepMind di situs webnya, data ini belum diverifikasi secara eksperimental, dan orang tidak dapat memastikan keakuratan struktur.

Pembelajaran mesin untuk menentukan COVID-19 dengan rontgen dada

Salah satu pencipta COVID-CXRmenceritakan cara mulai menggunakan pembelajaran mesin untuk memprediksi kasus parah infeksi coronavirus menggunakan rontgen dada. Inside adalah instruksi tentang cara menyiapkan kumpulan data, melakukan pra-pemrosesan, dan melakukan pelatihan model. Penekanan besar ditempatkan pada menjelaskan prediksi yang dibuat jaringan saraf. Penjelasan terdiri dari dua gambar terkait. Area disorot dalam warna hijau atau merah untuk menunjukkan apa yang berkontribusi pada perkiraan.

5 set data COVID-19 yang dapat Anda gunakan saat ini.

Di sini Anda dapat menemukan data pasien, data distribusi geografis, dan bahkan jutaan pilihan tweet yang menyebutkan virus.

Materi lebih lanjut tidak terkait dengan coronavirus

Pelacakan wajah dan tangan waktu-nyata

Google Research telah memperkenalkan dua alat ringan yang sepenuhnya berfungsi di peramban. Dengan demikian, data tidak meninggalkan perangkat pengguna, yang menjamin keamanannya.

Facemesh memperoleh perkiraan geometri tiga dimensi dari permukaan wajah dari aliran gambar atau video, yang berarti bahwa ia dapat bekerja dengan kamera biasa tanpa sensor kedalaman ( demo ).

Handpose mengenali tangan dalam aliran video dan, berdasarkan pada dua puluh satu landmark (sambungan jari dan telapak tangan), menentukan lokasi bagian-bagian tangan ( demo ).

Pengembangan lebih lanjut dari alat-alat ini akan memungkinkan kita untuk mengenali emosi dan gerak tubuh, dan mungkin mengubah cara kita berinteraksi dengan konten di Internet.

Pengenalan objek volume real-time

Kebanyakan studi pengenalan objek fokus pada peramalan objek dua dimensi, sementara peramalan 3D membuka berbagai aplikasi dari kendaraan tak berawak hingga augmented reality.

Pencipta kerangka sumber terbuka Mediapipe memperkenalkan alat Objectron baru, yang menghitung kotak pembatas tiga dimensi untuk objek secara real time pada perangkat seluler. Sudah sekarang Anda dapat menguji aplikasi seluler pada model yang terlatih untuk mengenali kursi dan sepatu .

Menggunakan BERT di peramban menggunakan Tensorflow.js

Berdasarkan model Q&A MobileBERT, penulis artikel membuat ekstensi untuk Chrome, yang berfungsi seperti pencarian halaman, dengan perbedaan yang dapat Anda ajukan pertanyaan, dan ekstensi akan mencoba menemukan jawabannya.

Sebagai contoh, dalam sebuah artikel tentang kepiting, penulis mengajukan pertanyaan: "Bagaimana kepiting bergerak", dan algoritme menyoroti sebagian teks "Biasanya kepiting bergerak ke samping". Pada halaman dengan resep lasagna, penulis bertanya berapa lama untuk dipanggang, yang mereka terima jawabannya: 25 menit.

Contoh yang kurang berhasil juga diberikan, tetapi potensi untuk menggunakan model ini sudah terlihat.



Itu saja, terima kasih sudah menonton!