Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
IA para Design de Medicamentos - Aula 16
AI for Drug Design - Palestra 16 - Deep Learning nas Ciências da Vida (Primavera de 2021)
Esta palestra discute o uso de aprendizado profundo para o design de medicamentos. Ele explica como o aprendizado profundo pode ser usado para encontrar novos compostos com resistência a antibióticos. Também discute como os modelos de aprendizado profundo podem ser aprimorados incorporando o conhecimento biológico.
Esta segunda parte da palestra fornece uma visão geral de como o aprendizado profundo pode ser usado no design de medicamentos, especificamente para prever a atividade antiviral de combinações de medicamentos. O modelo foi testado in vivo usando ensaios baseados em células e duas novas combinações de drogas sinérgicas foram identificadas.
Aprendizado Profundo para Dobramento de Proteínas - Aula 17
Aprendizagem Profunda para Dobramento de Proteínas - Aula 17 - Aprendizagem Profunda em Ciências da Vida do MIT (Primavera de 2021)
Este vídeo discute o uso de aprendizado profundo no campo de dobramento de proteínas e, especificamente, como o aprendizado profundo geométrico pode ser usado para estudar estruturas de proteínas e prever coisas como locais de ligação de ligantes e interações proteína-proteína. O vídeo também aborda métodos de modelagem baseados em modelo versus sem modelo, várias abordagens para previsão de contato no dobramento de proteínas e o uso de redes neurais residuais para modelagem de imagem na previsão da estrutura de proteínas. No geral, o palestrante enfatiza a promessa de aprendizado profundo no avanço de nossa compreensão das estruturas de proteínas e suas funções e fornece exemplos e resultados detalhados para apoiar essa afirmação.
O vídeo discute várias abordagens de aprendizado profundo para dobramento de proteínas, incluindo o uso de previsões e modelos de coevolução para modelagem precisa, a importância de encontrar homólogos melhores e o potencial de aprendizado profundo para alcançar resultados comparáveis sem depender de física tradicional baseada métodos. Os palestrantes também abordam o uso de saídas diferenciáveis e a importância da precisão global, bem como a evolução do espaço do algoritmo e o potencial de aprendizado profundo para prever confirmações de proteínas com base em fatores como variação genética ou pequenas moléculas. No geral, o vídeo destaca o potencial empolgante do aprendizado profundo para revolucionar a previsão da estrutura da proteína e suas muitas aplicações.
Machine Learning para Patologia - Aula 19
Machine Learning for Pathology - Palestra 19 - MIT Deep Learning in the Life Sciences (primavera de 2021)
A palestra aborda vários aspectos da aplicação de deep learning em patologia computacional, incluindo os desafios e limitações da tecnologia. O palestrante discute a necessidade de cautela ao confiar cegamente em algoritmos e enfatiza a importância de entender o que uma rede está aprendendo. A palestra explora vários exemplos de como o aprendizado profundo está sendo usado no diagnóstico de câncer, prognóstico e avaliação de resposta ao tratamento para desenvolver ferramentas prognósticas e preditivas para medicina de precisão. O palestrante também discute os desafios do desenvolvimento de tratamentos multimedicamentosos para a tuberculose e propõe vários projetos de laboratório para enfrentar o problema. No geral, a palestra ressalta o potencial do aprendizado profundo em patologia, ao mesmo tempo em que reconhece suas limitações e a necessidade de uma abordagem multidisciplinar para garantir sua implantação efetiva em ambientes clínicos.
Neste vídeo do YouTube intitulado "Machine Learning for Pathology - Lecture 19 - MIT Deep Learning in the Life Sciences (Primavera de 2021)", o palestrante discute as tentativas de sua equipe de abordar a heterogeneidade lote a lote e célula a célula em aprendizado de máquina para patologia usando normalização de variação (TVN) e uma abordagem de k-vizinho mais próximo. Eles também descrevem o uso de perfil morfológico para classificar medicamentos com base em seus efeitos sobre bactérias e desenvolver uma abordagem baseada em dados para projetar e priorizar combinações de medicamentos usando aprendizado supervisionado e não supervisionado. Além disso, a palestrante agradece aos membros de seu laboratório por suas contribuições aos estudos de sinergia versus antagonismo de drogas, destacando a importância de considerar o contexto mais amplo para entender e avançar na pesquisa no campo.
Aprendizado Profundo para Segmentação de Imagens Celulares - Aula 20
Deep Learning para Segmentação de Imagens Celulares - Palestra 20 - MIT ML em Ciências da Vida (Primavera de 2021)
Neste vídeo, os palestrantes discutem o uso de aprendizado profundo para rastreamento de células, que envolve a determinação do movimento das células em imagens de lapso de tempo. Eles explicam que os métodos tradicionais de rastreamento manual são caros e demorados, e que os métodos de aprendizado profundo podem acelerar significativamente o processo e, ao mesmo tempo, fornecer maior precisão. Os palestrantes discutem várias arquiteturas de aprendizado profundo para rastreamento de células, incluindo U-Net, StarDist e DeepCell. Eles também observam que um dos desafios no rastreamento de células é distinguir entre células que estão próximas ou se sobrepõem, e que métodos como rastreamento de vários objetos ou abordagens baseadas em gráficos podem ajudar a resolver esse problema. Os palestrantes enfatizam a importância de comparar diferentes métodos de aprendizado profundo para rastreamento de células e fornecer conjuntos de dados de acesso aberto para reprodutibilidade e comparação. Eles também destacam as aplicações potenciais do rastreamento de células em vários campos, como a pesquisa do câncer e a descoberta de medicamentos.
Registro e análise de imagens de aprendizado profundo - Aula 21
Registro e análise de imagens de aprendizagem profunda - Aula 21 - MIT ML em Ciências da Vida (Primavera de 2021)
Nesta palestra, Adrian Dalock investiga o tópico de alinhamento de imagens médicas e o problema de otimização por trás dele. Ele propõe um novo método chamado voxel morph, que envolve o uso de conjuntos de dados não rotulados para treinar redes neurais para registro de imagens. O palestrante também discute o desafio da robustez a novos dados e sequências que as redes neurais nunca viram antes e propõe a simulação de condições diversas e extremas para treinar modelos robustos. O palestrante compara os modelos de registro clássicos aos modelos voxel morph e synthmorph, sendo este último notavelmente robusto. Por fim, o palestrante discute o desenvolvimento de uma função que gera modelos com base nas propriedades desejadas, em vez de aprender um modelo diretamente e o uso potencial da videoendoscopia de cápsula para detectar anormalidades do cólon.
O palestrante desta palestra discute várias abordagens de aprendizado de máquina para superar a falta de dados médicos, especificamente no contexto de vídeos de colonoscopia para detecção de pólipos. Eles introduzem uma arquitetura de registro e análise de imagem de aprendizado profundo que utiliza pesos pré-treinados e inicialização aleatória para lidar com a mudança de domínio e melhorar o desempenho. A palestra também abrange aprendizado fracamente supervisionado, aprendizado auto-supervisionado e segmentação de vídeo fracamente supervisionado. O palestrante reconhece os desafios enfrentados no uso de abordagens de aprendizado de máquina na análise de dados médicos e incentiva o teste dessas abordagens em procedimentos médicos reais para reduzir a carga de trabalho.
Registros eletrônicos de saúde - Aula 22
Registros eletrônicos de saúde - Aula 22 - Deep Learning in Life Sciences (Primavera de 2021)
O surgimento do aprendizado de máquina na área da saúde se deve à adoção de registros médicos eletrônicos em hospitais e à grande quantidade de dados do paciente que podem ser utilizados para insights significativos de saúde. A modelagem da progressão da doença é discutida utilizando dados longitudinais encontrados em registros de doenças, que podem representar desafios devido a dados longitudinais de alta dimensão, ausência e censura à esquerda e à direita. A palestra explora o uso de modelos não lineares como modelos profundos de Markov para lidar com esses desafios e modelar efetivamente a densidade não linear de biomarcadores longitudinais. Além disso, o palestrante discute o uso do conhecimento do domínio para desenvolver novas arquiteturas neurais para a função de transição e a importância de incorporar o conhecimento do domínio ao design do modelo para uma melhor generalização. Também há experimentação com a complexidade do modelo em relação às funções de efeito do tratamento, e o palestrante planeja revisitar essa questão em uma coorte maior para determinar outras descobertas.
Deep Learning e Neurociência - Aula 23
Deep Learning and Neuroscience - Palestra 23 - Deep Learning in Life Sciences (Primavera de 2021)
A palestra discute a interação entre aprendizado profundo e neurociência, especificamente na área de ciência visual. O objetivo é fazer engenharia reversa da inteligência visual humana, que se refere às capacidades comportamentais que os humanos exibem em resposta aos fótons que atingem seus olhos. O palestrante enfatiza a explicação desses recursos na linguagem dos mecanismos, como redes de neurônios simulados, para permitir a construção de sistemas preditivos que podem beneficiar tanto as ciências do cérebro quanto a inteligência artificial. A palestra explora como os modelos de aprendizado profundo são hipóteses de como o cérebro executa os processos do sistema sensorial e as aplicações potenciais além de apenas imitar a evolução do cérebro. Além disso, a palestra mostra exemplos práticos de como as redes neurais podem manipular memórias e mudar o significado de algo.
Este vídeo discute o potencial da aprendizagem profunda na compreensão das funções cognitivas do cérebro e no aproveitamento dessa compreensão para fins de engenharia. O palestrante destaca a relevância das redes neurais recorrentes com suas capacidades de memória e dinâmica interna nesta área. A palestra explora a capacidade dos sistemas neurais de aprender por meio da imitação e como isso pode ser usado para aprender representações, cálculos e manipulações da memória de trabalho. O vídeo também aborda a dificuldade em encontrar evidências de aprendizagem por feedback como uma condição de aprendizagem e o potencial de mecanismos de correção de erros para ajustar o sistema. A palestra termina refletindo sobre a diversidade de tópicos abordados no curso e como o aprendizado profundo pode auxiliar na interpretação de sistemas cognitivos no futuro.
MIT 6.S192 - Aula 1: Estética Computacional, Design, Arte | Aprender por Gerar
MIT 6.S192 - Aula 1: Estética Computacional, Design, Arte | Aprender por Gerar
Esta palestra abrange uma variedade de tópicos relacionados à estética computacional, design e arte. Discute-se o papel da IA na democratização do acesso à criação de arte, na automação do design e na expansão dos limites da arte, bem como os desafios de quantificar a estética e alcançar o equilíbrio visual no design usando representações de alto e baixo nível. O palestrante também destaca o potencial do design computacional para descobrir padrões e transmitir mensagens de forma eficaz, com exemplos envolvendo semântica de cores e design de capa de revista. Experimentos de crowdsourcing são usados para determinar associações de cores com vários tópicos e as aplicações potenciais desse método em diferentes áreas são exploradas. No geral, a palestra apresenta o papel da IA em aplicativos criativos e o potencial de revolucionar a maneira como criamos arte, design e outras formas de expressão criativa.
O vídeo discute o uso de estética computacional, design e arte para gerar trabalhos criativos usando modelos generativos, como StyleGAN e DALL-E. O palestrante também enfatiza a importância de aprender gerando e incentiva os espectadores a decompor problemas e usar dados para chegar a soluções inovadoras e criativas. No entanto, o palestrante também aborda as limitações dos modelos generativos, como dados tendenciosos e a capacidade de generalizar e pensar fora da caixa. No entanto, o professor designa os alunos para revisar o código fornecido e experimentar as várias técnicas para gerar imagens esteticamente agradáveis, incentivando a participação em um debate socrático entre Berkeley e o MIT sobre estética e design computacional.
MIT 6.S192 - Aula 2: Um debate socrático, Alyosha Efros e Phillip Isola
MIT 6.S192 - Aula 2: Um debate socrático, Alyosha Efros e Phillip Isola
Neste vídeo, Alyosha Efros e Phillip Isola discutem a ideia de usar imagens para criar experiências compartilhadas. Eles argumentam que isso pode ajudar a trazer de volta memórias e criar uma sensação de nostalgia.
Este vídeo é um debate entre dois professores do MIT sobre o papel dos dados na inteligência artificial. Efros argumenta que os dados são essenciais para a IA, enquanto Isola responde que os dados podem ser um obstáculo ao desenvolvimento da IA.
para visualizar o conceito do que significa algo ser memorável.
MIT 6.S192 - Aula 3: "GANs eficientes" por Jun-Yan Zhu
MIT 6.S192 - Aula 3: "GANs eficientes" por Jun-Yan Zhu
A palestra aborda os desafios do treinamento de modelos GAN, incluindo a necessidade de alta computação, grandes quantidades de dados e algoritmos complicados que exigem extensas sessões de treinamento. No entanto, o palestrante apresenta novos métodos que fazem com que os GANs aprendam mais rapidamente e treinem em menos conjuntos de dados, como compactar modelos de professores usando a estrutura de propósito geral de compactação de GANs, aumento diferenciável e aumento de dados. A palestra também demonstra a edição interativa de imagens com GANs e enfatiza a importância de conjuntos de dados grandes e diversos para o treinamento GAN bem-sucedido. Os códigos para executar o modelo estão disponíveis no GitHub com instruções passo a passo para executar o modelo em diferentes tipos de dados. A palestra termina discutindo a importância da compressão do modelo para fins práticos.