Uma seleção de artigos sobre aprendizado de máquina: casos, guias e estudos para março de 2020

Parece que nem um único post pode ser feito sem mencionar o coronavírus, e essa coleção não será uma exceção.

Desde o final de janeiro, o número de repositórios abertos que mencionam o COVID-19 está na casa das centenas . Você pode encontrar conjuntos de dados, modelos e visualizações neles.

Existem muitas publicações sobre o uso de algoritmos de aprendizado de máquina para combater a disseminação do COVID-19, mas poucas delas permitem que você se familiarize com o código-fonte.

Esses materiais não foram incluídos na seleção, porque aqui, como nas duas edições anteriores, foram coletadas publicações que são projetadas para diminuir o limiar de entrada na esfera do ML. É dada mais atenção às ferramentas que abstraem o comportamento de modelos complexos em APIs de alto nível que você pode começar a aplicar agora.

Previsões computacionais de estruturas de proteínas associadas ao COVID-19

O Google DeepMind publicou os resultados de seu estudo sobre a previsão da estrutura de proteínas de vírus. Para isso, foi utilizado o DNN AlphaFold de código aberto . Esta informação pode ser útil no desenvolvimento de novos medicamentos. No entanto, como o DeepMind deixa claro em seu site, esses dados não foram verificados experimentalmente e não se pode ter certeza da precisão das estruturas.

Aprendizado de máquina para determinar o COVID-19 por radiografia de tórax

Um dos criadores do COVID-CXRexplica como começar a usar o aprendizado de máquina para prever casos graves de infecção por coronavírus usando radiografia de tórax. No interior, há uma instrução sobre como preparar um conjunto de dados, realizar o pré-processamento e realizar o treinamento do modelo. Grande ênfase é colocada na explicação das previsões que a rede neural faz. A explicação consiste em duas imagens associadas. As áreas são destacadas em verde ou vermelho para indicar o que contribuiu para a previsão.

5 conjuntos de dados COVID-19 que podem ser usados ​​no momento.Aqui

você pode encontrar dados de pacientes, dados de distribuição geográfica e até uma seleção de milhões de tweets que mencionam o vírus.

Outros materiais não relacionados ao coronavírus

Rastreamento de rosto e mão em tempo real O

Google Research introduziu duas ferramentas leves que funcionam totalmente no navegador. Assim, os dados não saem do dispositivo do usuário, o que garante sua segurança.

O Facemesh deriva a geometria tridimensional aproximada da superfície da face a partir do fluxo de imagem ou vídeo, o que significa que ele pode trabalhar com uma câmera comum sem um sensor de profundidade ( demo ).

O Handpose reconhece as mãos no fluxo de vídeo e, com base em vinte e um pontos de referência (articulações dos dedos e palma da mão), determina a localização das partes da mão ( demo ).

O desenvolvimento posterior dessas ferramentas nos permitirá reconhecer emoções e gestos e, possivelmente, mudar a maneira como interagimos com o conteúdo da Internet.

Reconhecimento em tempo real de objetos de volume

A maioria dos estudos de reconhecimento de objetos concentra-se na previsão de objetos bidimensionais, enquanto a previsão em 3D abre uma ampla gama de aplicativos, desde veículos não tripulados até realidade aumentada.

Os criadores da estrutura de código aberto Mediapipe introduziram a nova ferramenta Objectron, que calcula caixas delimitadoras tridimensionais para objetos em tempo real em dispositivos móveis. Já é possível testar o aplicativo móvel em modelos treinados para reconhecer cadeiras e sapatos .

Usando o BERT em um navegador usando o Tensorflow.js

Com base no modelo de perguntas e respostas do MobileBERT, os autores do artigo criaram uma extensão para o Chrome, que funciona como uma pesquisa de página, com a diferença de que você pode fazer uma pergunta, e a extensão tentará encontrar uma resposta para ela.

Por exemplo, em um artigo sobre caranguejos, os autores fizeram uma pergunta: “Como os caranguejos se movem”, e o algoritmo destacou um fragmento do texto “Normalmente, os caranguejos se movem para os lados”. Na página com a receita da lasanha, os autores perguntaram quanto tempo levou para assar, ao qual receberam uma resposta: 25 minutos.

Exemplos menos bem-sucedidos também são dados, mas o potencial para usar esse modelo já é visível.



Isso é tudo, obrigado por assistir!