![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Réseaux de neurones de graphes - Conférence 15
Graph Neural Networks - Conférence 15 - Learning in Life Sciences (printemps 2021)
Dans cette conférence YouTube sur les réseaux de neurones de graphes, l'orateur couvre un large éventail de sujets, y compris les bases des réseaux de graphes, les représentations spectrales, la classification semi-supervisée et la modélisation de données multi-relationnelles. L'accent est également mis sur l'intersection des réseaux de graphes et du traitement du langage naturel et sur la manière de générer des graphes pour la découverte de médicaments. Le conférencier explique diverses méthodes pour propager l'information à travers les graphes afin d'obtenir des plongements de nœuds utiles qui peuvent être utilisés pour des tâches de prédiction. La conférence souligne également l'importance de l'apprentissage contrastif pour les GNN, les avantages potentiels de la combinaison de représentations basées sur des patchs et de méthodes basées sur l'attention, et l'utilisation de l'approche du transformateur dans la PNL. La seconde moitié de la conférence se concentre sur la discussion d'articles qui présentent les utilisations pratiques des GNN dans la découverte de médicaments et comment coder et décoder la structure des molécules à l'aide d'un arbre de jonction.
Cette vidéo traite des multiples applications des réseaux de neurones graphiques (GNN) dans les sciences de la vie, y compris la découverte de médicaments et l'inférence de graphes latents. L'orateur met en évidence les problèmes et les pistes potentielles dans les GNN, tels que le manque de localité spatiale et d'ordre fixe, et la configuration envisagée consiste à prédire le type d'un nœud donné, à prédire un lien entre deux nœuds, à mesurer la similarité entre deux nœuds ou deux réseaux , et regrouper les nœuds en effectuant une détection de communauté dans le réseau. Le conférencier explique également comment les GNN peuvent former et intégrer efficacement des graphiques, transformer et agréger des informations et gérer les effets secondaires de la polypharmacie. De plus, la conférence couvre deux méthodes d'apprentissage automatique des représentations dans les sciences de la vie, des modèles de méta-apprentissage comme MARS étant exploités pour se généraliser à de nouveaux types de cellules. Enfin, la conférence explique comment les GNN peuvent apprendre des représentations cellulaires latentes sur plusieurs ensembles de données pour capturer l'hétérogénéité des types de cellules.
L'IA pour la conception de médicaments - Conférence 16
AI for Drug Design - Conférence 16 - Apprentissage profond dans les sciences de la vie (printemps 2021)
Cette conférence traite de l'utilisation de l'apprentissage en profondeur pour la conception de médicaments. Il explique comment l'apprentissage en profondeur peut être utilisé pour trouver de nouveaux composés résistants aux antibiotiques. Il explique également comment les modèles d'apprentissage en profondeur peuvent être améliorés en incorporant des connaissances biologiques.
Cette deuxième partie de la conférence donne un aperçu de la façon dont l'apprentissage en profondeur peut être utilisé dans la conception de médicaments, en particulier pour prédire l'activité antivirale des combinaisons de médicaments. Le modèle a été testé in vivo à l'aide d'essais cellulaires et deux nouvelles combinaisons de médicaments synergiques ont été identifiées.
Deep Learning pour le repliement des protéines - Conférence 17
Deep Learning pour le repliement des protéines - Conférence 17 - MIT Deep Learning in Life Sciences (printemps 2021)
Cette vidéo traite de l'utilisation de l'apprentissage en profondeur dans le domaine du repliement des protéines, et plus particulièrement de la manière dont l'apprentissage en profondeur géométrique peut être utilisé pour étudier les structures des protéines et prédire des éléments tels que les sites de liaison des ligands et les interactions protéine-protéine. La vidéo couvre également les méthodes de modélisation basées sur des modèles ou sans modèle, diverses approches pour la prédiction de contact dans le repliement des protéines et l'utilisation de réseaux de neurones résiduels pour la modélisation d'images dans la prédiction de la structure des protéines. Dans l'ensemble, l'orateur met l'accent sur la promesse d'un apprentissage en profondeur pour faire progresser notre compréhension des structures des protéines et de leurs fonctions, et fournit des exemples et des résultats détaillés pour étayer cette affirmation.
La vidéo aborde diverses approches de l'apprentissage en profondeur pour le repliement des protéines, y compris l'utilisation de prédictions et de modèles de co-évolution pour une modélisation précise, l'importance de trouver de meilleurs homologues et le potentiel de l'apprentissage en profondeur pour obtenir des résultats comparables sans s'appuyer sur la physique traditionnelle. méthodes. Les conférenciers se penchent également sur l'utilisation de sorties différentiables et l'importance de la précision globale, ainsi que sur l'évolution de l'espace algorithmique et le potentiel d'apprentissage en profondeur pour prédire les confirmations de protéines en fonction de facteurs tels que la variation génétique ou les petites molécules. Dans l'ensemble, la vidéo met en évidence le potentiel passionnant de l'apprentissage en profondeur pour révolutionner la prédiction de la structure des protéines et ses nombreuses applications.
Apprentissage automatique pour la pathologie - Conférence 19
Machine Learning for Pathology - Conférence 19 - MIT Deep Learning in the Life Sciences (printemps 2021)
La conférence couvre divers aspects de l'application de l'apprentissage profond en pathologie computationnelle, y compris les défis et les limites de la technologie. L'orateur discute de la nécessité d'être prudent dans la confiance aveugle aux algorithmes et souligne l'importance de comprendre ce qu'un réseau apprend. La conférence explore plusieurs exemples de la façon dont l'apprentissage en profondeur est utilisé dans le diagnostic du cancer, le pronostic et l'évaluation de la réponse au traitement pour développer des outils pronostiques et prédictifs pour la médecine de précision. Le conférencier aborde également les défis du développement de traitements multi-médicaments contre la tuberculose et propose divers projets de laboratoire pour s'attaquer au problème. Dans l'ensemble, la conférence souligne le potentiel de l'apprentissage en profondeur en pathologie, tout en reconnaissant ses limites et la nécessité d'une approche multidisciplinaire pour assurer son déploiement efficace en milieu clinique.
Dans cette vidéo YouTube intitulée "Machine Learning for Pathology - Lecture 19 - MIT Deep Learning in the Life Sciences (printemps 2021)", l'orateur discute des tentatives de son équipe pour traiter l'hétérogénéité de lot à lot et de cellule à cellule dans l'apprentissage automatique pour la pathologie en utilisant des normalisation de la variation (TVN) et une approche k-plus proche voisin. Ils décrivent également l'utilisation du profilage morphologique pour classer les médicaments en fonction de leurs effets sur les bactéries et le développement d'une approche basée sur les données pour concevoir et hiérarchiser les combinaisons de médicaments en utilisant à la fois l'apprentissage supervisé et non supervisé. De plus, la conférencière remercie les membres de son laboratoire pour leurs contributions aux études sur la synergie des médicaments par rapport aux antagonismes, soulignant l'importance de considérer le contexte plus large pour comprendre et faire avancer la recherche dans le domaine.
Deep Learning pour la segmentation en imagerie cellulaire - Conférence 20
Deep Learning pour la segmentation en imagerie cellulaire - Conférence 20 - MIT ML in Life Sciences (printemps 2021)
Dans cette vidéo, les conférenciers discutent de l'utilisation de l'apprentissage en profondeur pour le suivi des cellules, qui consiste à déterminer le mouvement des cellules en imagerie accélérée. Ils expliquent que les méthodes de suivi manuelles traditionnelles sont coûteuses et chronophages, et que les méthodes d'apprentissage en profondeur peuvent considérablement accélérer le processus tout en offrant une plus grande précision. Les conférenciers discutent de diverses architectures d'apprentissage en profondeur pour le suivi des cellules, notamment U-Net, StarDist et DeepCell. Ils notent également que l'un des défis du suivi des cellules est de distinguer les cellules qui sont proches les unes des autres ou qui se chevauchent, et que des méthodes telles que le suivi multi-objets ou les approches basées sur des graphiques peuvent aider à résoudre ce problème. Les conférenciers soulignent l'importance de comparer différentes méthodes d'apprentissage en profondeur pour le suivi des cellules et de fournir des ensembles de données en libre accès à des fins de reproductibilité et de comparaison. Ils mettent également en évidence les applications potentielles du suivi cellulaire dans divers domaines, tels que la recherche sur le cancer et la découverte de médicaments.
Enregistrement et analyse d'images d'apprentissage en profondeur - Conférence 21
Deep Learning Image Registration and Analysis - Conférence 21 - MIT ML in Life Sciences (printemps 2021)
Dans cette conférence, Adrian Dalock se penche sur le sujet de l'alignement des images médicales et le problème d'optimisation qui le sous-tend. Il propose une nouvelle méthode appelée voxel morph, qui consiste à utiliser des ensembles de données non étiquetés pour former des réseaux de neurones pour l'enregistrement d'images. Le conférencier aborde également le défi de la robustesse aux nouvelles données et séquences que les réseaux de neurones n'ont jamais vu auparavant et propose de simuler des conditions diverses et extrêmes pour former des modèles robustes. L'orateur compare les modèles de recalage classiques aux modèles voxel morph et synthmorph, ces derniers étant remarquablement robustes. Enfin, le conférencier discute du développement d'une fonction qui génère des modèles basés sur les propriétés souhaitées plutôt que d'apprendre directement un modèle et de l'utilisation potentielle de l'endoscopie vidéo par capsule pour détecter les anomalies du côlon.
Le conférencier de cette conférence aborde diverses approches d'apprentissage automatique pour pallier le manque de données médicales, en particulier dans le contexte des vidéos de coloscopie pour la détection des polypes. Ils introduisent une architecture d'enregistrement et d'analyse d'images d'apprentissage en profondeur qui utilise des poids pré-formés et une initialisation aléatoire pour traiter le changement de domaine et améliorer les performances. Le cours couvre également l'apprentissage faiblement supervisé, l'apprentissage auto-supervisé et la segmentation vidéo faiblement supervisée. L'orateur reconnaît les défis rencontrés dans l'utilisation des approches d'apprentissage automatique dans l'analyse des données médicales et encourage à tester ces approches dans des procédures médicales réelles pour réduire la charge de travail.
Dossiers de santé électroniques - Conférence 22
Dossiers de santé électroniques - Conférence 22 - Apprentissage profond en sciences de la vie (printemps 2021)
L'émergence de l'apprentissage automatique dans les soins de santé est due à l'adoption des dossiers médicaux électroniques dans les hôpitaux et à la grande quantité de données sur les patients qui peuvent être utilisées pour des informations significatives sur les soins de santé. La modélisation de la progression de la maladie est discutée à l'aide de données longitudinales trouvées dans les registres de maladies, ce qui peut poser des problèmes en raison de données longitudinales de grande dimension, de données manquantes et de censure à gauche et à droite. La conférence explore l'utilisation de modèles non linéaires comme les modèles de Markov profonds pour relever ces défis et modéliser efficacement la densité non linéaire des biomarqueurs longitudinaux. De plus, le conférencier discute de l'utilisation de la connaissance du domaine pour développer de nouvelles architectures neuronales pour la fonction de transition et de l'importance d'incorporer la connaissance du domaine dans la conception du modèle pour une meilleure généralisation. Il existe également une expérimentation de la complexité du modèle en ce qui concerne les fonctions d'effet du traitement, et l'orateur prévoit de revoir cette question sur une cohorte plus large pour déterminer d'autres résultats.
Apprentissage profond et neurosciences - Conférence 23
Apprentissage profond et neurosciences - Conférence 23 - Apprentissage profond en sciences de la vie (printemps 2021)
La conférence traite de l'interaction entre l'apprentissage en profondeur et les neurosciences, en particulier dans le domaine des sciences visuelles. L'objectif est de désosser l'intelligence visuelle humaine, qui fait référence aux capacités comportementales que les humains présentent en réponse aux photons qui frappent leurs yeux. L'orateur met l'accent sur l'explication de ces capacités dans le langage des mécanismes, tels que les réseaux de neurones simulés, pour permettre des systèmes construits prédictifs qui peuvent bénéficier à la fois aux sciences du cerveau et à l'intelligence artificielle. La conférence explore comment les modèles d'apprentissage en profondeur sont des hypothèses sur la façon dont le cerveau exécute les processus du système sensoriel et les applications potentielles au-delà de la simple imitation de l'évolution du cerveau. De plus, la conférence montre des exemples pratiques de la façon dont les réseaux de neurones peuvent manipuler les souvenirs et changer le sens de quelque chose.
Cette vidéo traite du potentiel de l'apprentissage en profondeur pour comprendre les fonctions cognitives du cerveau et tirer parti de cette compréhension à des fins d'ingénierie. Le conférencier met en évidence la pertinence des réseaux de neurones récurrents avec leurs capacités de mémoire et de dynamique interne dans ce domaine. La conférence explore la capacité des systèmes neuronaux à apprendre par imitation et comment cela peut être utilisé pour apprendre des représentations, des calculs et des manipulations de la mémoire de travail. La vidéo couvre également la difficulté de trouver des preuves de l'apprentissage par rétroaction en tant que condition d'apprentissage et le potentiel des mécanismes de correction d'erreurs pour régler le système. La conférence se termine par une réflexion sur la diversité des sujets abordés dans le cours et sur la manière dont l'apprentissage en profondeur peut aider à interpréter les systèmes cognitifs à l'avenir.
MIT 6.S192 - Cours 1 : Esthétique computationnelle, Design, Art | Apprendre en générant
MIT 6.S192 - Cours 1 : Esthétique computationnelle, Design, Art | Apprendre en générant
Cette conférence couvre une variété de sujets liés à l'esthétique informatique, au design et à l'art. Le rôle de l'IA dans la démocratisation de l'accès à la création artistique, l'automatisation de la conception et le dépassement des limites de l'art est discuté, ainsi que les défis liés à la quantification de l'esthétique et à l'équilibre visuel dans la conception à l'aide de représentations de haut niveau et de bas niveau. Le conférencier met également en évidence le potentiel de la conception informatique pour découvrir des modèles et transmettre des messages efficacement, avec des exemples impliquant la sémantique des couleurs et la conception de couvertures de magazines. Des expériences de crowdsourcing sont utilisées pour déterminer les associations de couleurs avec divers sujets et les applications potentielles de cette méthode dans différents domaines sont explorées. Dans l'ensemble, la conférence présente le rôle de l'IA dans les applications créatives et le potentiel de révolutionner la façon dont nous créons l'art, le design et d'autres formes d'expression créative.
La vidéo traite de l'utilisation de l'esthétique, de la conception et de l'art informatiques pour générer des œuvres créatives à l'aide de modèles génératifs, tels que StyleGAN et DALL-E. Le conférencier souligne également l'importance d'apprendre en générant et encourage les téléspectateurs à décomposer les problèmes et à utiliser les données pour trouver des solutions innovantes et créatives. Cependant, le conférencier aborde également les limites des modèles génératifs, telles que les données biaisées et la capacité de généraliser et de sortir des sentiers battus. Néanmoins, le conférencier demande aux étudiants de revoir le code fourni et d'expérimenter les différentes techniques de génération d'images esthétiques tout en encourageant la participation à un débat socratique entre Berkeley et le MIT sur l'esthétique et la conception computationnelles.
MIT 6.S192 - Conférence 2 : Un débat socratique, Alyosha Efros et Phillip Isola
MIT 6.S192 - Conférence 2 : Un débat socratique, Alyosha Efros et Phillip Isola
Dans cette vidéo, Alyosha Efros et Phillip Isola discutent de l'idée d'utiliser des images pour créer des expériences partagées. Ils soutiennent que cela peut aider à ramener des souvenirs et à créer un sentiment de nostalgie.
Cette vidéo est un débat entre deux professeurs du MIT sur le rôle des données dans l'intelligence artificielle. Efros soutient que les données sont essentielles à l'IA, tandis qu'Isola rétorque que les données peuvent être un obstacle au développement de l'IA.
pour visualiser le concept de ce que cela signifie pour quelque chose d'être mémorable.