Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Elektronische Patientenakte - Vorlesung 22
Elektronische Patientenakten - Vorlesung 22 - Deep Learning in Life Sciences (Frühjahr 2021)
Das Aufkommen des maschinellen Lernens im Gesundheitswesen ist auf die Einführung elektronischer Patientenakten in Krankenhäusern und die große Menge an Patientendaten zurückzuführen, die für aussagekräftige Erkenntnisse im Gesundheitswesen genutzt werden können. Die Modellierung des Krankheitsverlaufs wird anhand von Längsschnittdaten diskutiert, die in Krankheitsregistern gefunden werden, was aufgrund hochdimensionaler Längsschnittdaten, Fehlen und Links- und Rechtszensur zu Herausforderungen führen kann. Die Vorlesung untersucht die Verwendung von nichtlinearen Modellen wie tiefen Markov-Modellen, um diese Herausforderungen zu bewältigen und die nichtlineare Dichte von longitudinalen Biomarkern effektiv zu modellieren. Darüber hinaus erörtert der Referent die Verwendung von Domänenwissen zur Entwicklung neuer neuronaler Architekturen für die Übergangsfunktion und die Bedeutung der Einbeziehung von Domänenwissen in das Modelldesign für eine bessere Verallgemeinerung. Es gibt auch Experimente mit der Modellkomplexität in Bezug auf Behandlungseffektfunktionen, und der Referent plant, diese Frage in einer größeren Kohorte erneut zu prüfen, um weitere Erkenntnisse zu ermitteln.
Deep Learning und Neurowissenschaften - Vorlesung 23
Deep Learning and Neuroscience - Vorlesung 23 - Deep Learning in Life Sciences (Frühjahr 2021)
Der Vortrag diskutiert das Zusammenspiel von Deep Learning und Neurowissenschaften, speziell im Bereich Visual Science. Ziel ist es, die menschliche visuelle Intelligenz zurückzuentwickeln, die sich auf die Verhaltensfähigkeiten bezieht, die Menschen als Reaktion auf Photonen zeigen, die ihre Augen treffen. Der Referent legt Wert darauf, diese Fähigkeiten in der Sprache von Mechanismen zu erklären, wie z. B. Netzwerke simulierter Neuronen, um prädiktive gebaute Systeme zu ermöglichen, die sowohl den Hirnwissenschaften als auch der künstlichen Intelligenz zugute kommen können. Der Vortrag untersucht, inwiefern Deep-Learning-Modelle Hypothesen dafür sind, wie das Gehirn sensorische Systemprozesse ausführt, und die möglichen Anwendungen, die über die bloße Nachahmung der Evolution des Gehirns hinausgehen. Darüber hinaus zeigt der Vortrag praktische Beispiele, wie neuronale Netze Erinnerungen manipulieren und die Bedeutung von etwas verändern können.
Dieses Video erörtert das Potenzial von Deep Learning für das Verständnis der kognitiven Funktionen des Gehirns und die Nutzung dieses Verständnisses für technische Zwecke. Der Referent hebt die Relevanz rekurrenter neuronaler Netze mit ihren Gedächtnis- und Eigendynamikfähigkeiten in diesem Bereich hervor. Die Vorlesung untersucht die Fähigkeit neuronaler Systeme, durch Nachahmung zu lernen und wie dies genutzt werden kann, um Repräsentationen, Berechnungen und Manipulationen des Arbeitsgedächtnisses zu lernen. Das Video behandelt auch die Schwierigkeit, Beweise für Feedback-Lernen als Lernbedingung zu finden, und das Potenzial von Fehlerkorrekturmechanismen zur Abstimmung des Systems. Der Vortrag schließt mit einer Reflexion über die Vielfalt der im Kurs behandelten Themen und darüber, wie Deep Learning bei der Interpretation kognitiver Systeme in der Zukunft helfen kann.
MIT 6.S192 - Vorlesung 1: Computational Aesthetics, Design, Art | Lernen durch Generieren
MIT 6.S192 - Vorlesung 1: Computational Aesthetics, Design, Art | Lernen durch Generieren
Diese Vorlesung behandelt eine Vielzahl von Themen im Zusammenhang mit Computerästhetik, Design und Kunst. Die Rolle der KI bei der Demokratisierung des Zugangs zur Kunstschöpfung, der Designautomatisierung und der Überschreitung der Grenzen der Kunst wird ebenso diskutiert wie die Herausforderungen bei der Quantifizierung der Ästhetik und dem Erreichen eines visuellen Gleichgewichts im Design unter Verwendung von Darstellungen auf hoher und niedriger Ebene. Der Dozent zeigt auch das Potenzial des Computerdesigns auf, um Muster aufzudecken und Botschaften effektiv zu vermitteln, mit Beispielen zur Farbsemantik und zur Gestaltung von Zeitschriftencovern. Mittels Crowdsourcing-Experimenten werden Farbzuordnungen zu verschiedenen Themen ermittelt und die Anwendungsmöglichkeiten dieser Methode in unterschiedlichen Bereichen ausgelotet. Insgesamt stellt der Vortrag die Rolle der KI in kreativen Anwendungen und das Potenzial vor, die Art und Weise, wie wir Kunst, Design und andere Formen des kreativen Ausdrucks schaffen, zu revolutionieren.
Das Video diskutiert die Verwendung von Computerästhetik, Design und Kunst zur Erstellung kreativer Arbeiten mit generativen Modellen wie StyleGAN und DALL-E. Der Dozent betont auch die Bedeutung des Lernens durch Generieren und ermutigt die Zuschauer, Probleme aufzuschlüsseln und Daten zu nutzen, um innovative und kreative Lösungen zu finden. Der Referent geht jedoch auch auf die Grenzen generativer Modelle ein, wie z. B. voreingenommene Daten und die Fähigkeit, zu verallgemeinern und über den Tellerrand hinaus zu denken. Nichtsdestotrotz weist der Dozent die Studenten an, den bereitgestellten Code zu überprüfen und mit den verschiedenen Techniken zur Erzeugung ästhetisch ansprechender Bilder zu experimentieren und gleichzeitig die Teilnahme an einer sokratischen Debatte zwischen Berkeley und dem MIT über Computerästhetik und -design zu fördern.
MIT 6.S192 - Vortrag 2: Eine sokratische Debatte, Alyosha Efros und Phillip Isola
MIT 6.S192 - Vortrag 2: Eine sokratische Debatte, Alyosha Efros und Phillip Isola
In diesem Video diskutieren Alyosha Efros und Phillip Isola die Idee, Bilder zu verwenden, um gemeinsame Erlebnisse zu schaffen. Sie argumentieren, dass dies helfen kann, Erinnerungen zu wecken und ein Gefühl von Nostalgie zu erzeugen.
Dieses Video ist eine Debatte zwischen zwei Professoren am MIT über die Rolle von Daten in der künstlichen Intelligenz. Efros argumentiert, dass Daten für die KI unerlässlich sind, während Isola kontert, dass Daten ein Hindernis für die KI-Entwicklung sein können.
um das Konzept zu visualisieren, was es bedeutet, dass etwas unvergesslich ist.
MIT 6.S192 - Vortrag 3: "Effiziente GANs" von Jun-Yan Zhu
MIT 6.S192 - Vortrag 3: "Effiziente GANs" von Jun-Yan Zhu
Die Vorlesung behandelt die Herausforderungen beim Training von GAN-Modellen, einschließlich der Notwendigkeit hoher Rechenleistung, großer Datenmengen und komplizierter Algorithmen, die umfangreiche Schulungssitzungen erfordern. Der Dozent stellt jedoch neue Methoden vor, mit denen GANs schneller lernen und mit weniger Datensätzen trainieren können, z. Der Vortrag demonstriert auch die interaktive Bildbearbeitung mit GANs und betont die Bedeutung großer und vielfältiger Datensätze für ein erfolgreiches GAN-Training. Die Codes zum Ausführen des Modells sind auf GitHub mit Schritt-für-Schritt-Anleitungen zum Ausführen des Modells für verschiedene Datentypen verfügbar. Die Vorlesung schließt mit einer Diskussion über die Bedeutung der Modellkomprimierung für praktische Zwecke.
MIT 6.S192 - Vortrag 3: "Effiziente GANs" von Jun-Yan Zhu
MIT 6.S192 - Vortrag 3: "Effiziente GANs" von Jun-Yan Zhu
Die Vorlesung behandelt die Herausforderungen beim Training von GAN-Modellen, einschließlich der Notwendigkeit hoher Rechenleistung, großer Datenmengen und komplizierter Algorithmen, die umfangreiche Schulungssitzungen erfordern. Der Dozent stellt jedoch neue Methoden vor, mit denen GANs schneller lernen und mit weniger Datensätzen trainieren können, z. Der Vortrag demonstriert auch die interaktive Bildbearbeitung mit GANs und betont die Bedeutung großer und vielfältiger Datensätze für ein erfolgreiches GAN-Training. Die Codes zum Ausführen des Modells sind auf GitHub mit Schritt-für-Schritt-Anleitungen zum Ausführen des Modells für verschiedene Datentypen verfügbar. Die Vorlesung schließt mit einer Diskussion über die Bedeutung der Modellkomprimierung für praktische Zwecke.
MIT 6.S192 - Vorlesung 5: "Malen mit den Neuronen eines GAN" von David Bau
MIT 6.S192 - Vorlesung 5: "Malen mit den Neuronen eines GAN" von David Bau
David Bau diskutiert die Entwicklung des maschinellen Lernens und das Potenzial zur Erstellung selbstprogrammierender Systeme. Er stellt Generative Adversarial Networks (GANs) vor und erklärt, wie sie trainiert werden können, um realistische Bilder zu erzeugen. Bau diskutiert seinen Prozess zur Identifizierung von Korrelationen zwischen spezifischen Neuronen in einem progressiven GAN und bestimmten semantischen Merkmalen in generierten Bildern. Er demonstriert, wie er mit Hilfe eines GAN verschiedene Elemente wie Türen, Gräser und Bäume zu einem Bild hinzufügen kann. Darüber hinaus erörtert er die Herausforderung, einem GAN neue Elemente hinzuzufügen, und die ethischen Bedenken im Zusammenhang mit realistischen Darstellungen der Welt.
MIT 6.S192 - Vorlesung 7: "The Shape of Art History in the Eyes of the Machine" von Ahmed Elgemal
MIT 6.S192 - Vorlesung 7: "The Shape of Art History in the Eyes of the Machine" von Ahmed Elgemal
Ahmed Elgamal, Professor für Informatik und Gründer des Art and Artificial Intelligence Lab, diskutiert den Einsatz von KI zum Verständnis und zur Generierung kreativer Produkte auf menschlicher Ebene. Elgamal diskutiert die wissenschaftliche Herangehensweise an die Kunstgeschichte und die Bedeutung der Weiterentwicklung der KI, um Kunst wie Menschen zu verstehen. Er erörtert auch die Verwendung von maschinellem Lernen zur Klassifizierung von Kunststilen, die Analyse der internen Repräsentationen, die Identifizierung von Unterschieden zwischen Kunststilen und die Quantifizierung der Kreativität in der Kunst durch KI. Elgamal schlägt auch das Konzept der primären Objekte in der Kunstgeschichte vor und untersucht das Potenzial der KI zur Erzeugung von Kunst, wobei er die Grenzen der aktuellen KI-Ansätze bei kreativen Aktivitäten erkennt. Elgamal diskutiert jedoch auch laufende Experimente, um die Grenzen des KI-Netzwerks zu erweitern und abstrakte und interessante Kunst zu schaffen.
Ahmed Elgammal diskutiert auch die Ergebnisse eines Abstimmungstests, um festzustellen, ob Menschen Kunst, die von einem GAN geschaffen wurde, von der von Menschen unterscheiden können, wobei Kunstwerke als Grundlage dienen. Menschen dachten, dass Kunst, die von GAN-Maschinen hergestellt wurde, zu 75 % der Zeit von Menschen produziert wurde, was das Konzept der Stilmehrdeutigkeit und seine Bedeutung für die Verbindung von Computer Vision und maschinellem Lernen mit Kunstgeschichte und künstlerischen Interessen betont.
MIT 6.S192 - Vorlesung 8: "How Machine Learning Can Benefits Human Creators" von Rebecca Fiebrink
MIT 6.S192 - Vorlesung 8: "How Machine Learning Can Benefits Human Creators" von Rebecca Fiebrink
Rebecca Fiebrink, Forscherin im Bereich Musik und KI, betont die Bedeutung der menschlichen Interaktion und das Halten der Menschen bei der Nutzung und Entwicklung von maschinellem Lernen für kreative Zwecke. Sie spricht über ihr Tool Wekinator, das den Einsatz von maschinellem Lernen in Echtzeitmusik für die menschliche Schöpfung ermöglicht. Sie demonstriert den Bau verschiedener gestengesteuerter Instrumente wie einer Trommelmaschine, eines Klangsynthesealgorithmus namens Blotar und eines Blasinstruments namens Blowtar. Sie hebt hervor, wie maschinelles Lernen für Entwickler von Vorteil sein kann, da sie komplexe und nuancierte Klangpaletten erkunden und die Datenanalyse für Sensoren und Echtzeitdaten erleichtern können. Sie geht auch auf die Vorteile der interaktiven Manipulation von Trainingsdaten ein und erklärt, wie wir durch maschinelles Lernen auf natürlichere Weise mit Computern kommunizieren können, und fügt dem kreativen Arbeitsprozess Überraschungen und Herausforderungen hinzu.
MIT 6.S192 - Vorlesung 9: "Neural Abstractions" von Tom White
MIT 6.S192 - Vorlesung 9: "Neural Abstractions" von Tom White
In diesem Video diskutiert der Künstler und Dozent Tom White seinen Ansatz, maschinelle Wahrnehmung und neuronale Netze in seine künstlerische Praxis einzubeziehen. White teilt seinen Hintergrund aus dem Studium der Mathematik und des Grafikdesigns am MIT und seine derzeitige Arbeit als Lehrer für kreatives Programmieren an der Victoria University. Er spricht auch über seine Forschung zum Bau von Werkzeugen, um anderen zu helfen, das Medium kreativ zu nutzen, und über seine eigenen Kunstwerke, die die maschinelle Wahrnehmung erforschen. White zeigt seine Skizzen und Drucke, die mit KI-Algorithmen erstellt wurden, und spricht über seine Zusammenarbeit mit Musikgruppen und seine jüngsten Kunstausstellungen. Er diskutiert auch die Herausforderungen der Zusammenarbeit mit neuronalen Netzen und die unbeabsichtigten Folgen, wenn KI-generierte Kunst in die Wildnis gebracht wird.