Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
ИИ для разработки лекарств — Лекция 16
ИИ для разработки лекарств — Лекция 16 — Глубокое обучение в науках о жизни (весна 2021 г.)
В этой лекции обсуждается использование глубокого обучения для разработки лекарств. Это объясняет, как можно использовать глубокое обучение для поиска новых соединений с устойчивостью к антибиотикам. В нем также обсуждается, как можно улучшить модели глубокого обучения за счет включения биологических знаний.
Во второй части лекции представлен обзор того, как глубокое обучение можно использовать при разработке лекарств, особенно для прогнозирования противовирусной активности комбинаций лекарств. Модель была протестирована in vivo с использованием клеточных анализов, и были идентифицированы две новые синергетические комбинации лекарств.
Глубокое обучение сворачиванию белков — Лекция 17
Глубокое обучение для фолдинга белков — Лекция 17 — Глубокое обучение в науках о жизни Массачусетского технологического института (весна 2021 г.)
В этом видео обсуждается использование глубокого обучения в области фолдинга белков и, в частности, то, как можно использовать геометрическое глубокое обучение для изучения белковых структур и прогнозирования таких вещей, как сайты связывания лигандов и белок-белковые взаимодействия. В видео также рассматриваются методы моделирования на основе шаблонов и без шаблонов, различные подходы к прогнозированию контактов при сворачивании белка и использование остаточных нейронных сетей для моделирования изображений при прогнозировании структуры белка. В целом докладчик подчеркивает перспективность глубокого обучения в улучшении нашего понимания белковых структур и их функций и приводит подробные примеры и результаты, подтверждающие это утверждение.
В видео обсуждаются различные подходы к глубокому обучению сворачиванию белков, в том числе использование предсказаний коэволюции и шаблонов для точного моделирования, важность поиска лучших гомологов и потенциал глубокого обучения для достижения сопоставимых результатов, не полагаясь на традиционную физику. методы. Докладчики также подробно расскажут об использовании дифференцируемых выходных данных и важности глобальной точности, а также об эволюции пространства алгоритмов и потенциале глубокого обучения для прогнозирования подтверждений белка на основе таких факторов, как генетическая изменчивость или малые молекулы. В целом, видео подчеркивает захватывающий потенциал глубокого обучения, который революционизирует предсказание структуры белка и его многочисленные приложения.
Машинное обучение для патологии - Лекция 19
Машинное обучение для патологии — Лекция 19 — Глубокое обучение Массачусетского технологического института в науках о жизни (весна 2021 г.)
Лекция охватывает различные аспекты применения глубокого обучения в вычислительной патологии, включая проблемы и ограничения технологии. Докладчик обсуждает необходимость осторожности при слепом доверии алгоритмам и подчеркивает важность понимания того, что изучает сеть. В лекции рассматривается несколько примеров того, как глубокое обучение используется в диагностике рака, прогнозировании и оценке эффективности лечения для разработки прогностических и прогностических инструментов для точной медицины. Спикер также обсуждает проблемы разработки мультимедикаментозных препаратов для лечения туберкулеза и предлагает различные лабораторные проекты для решения этой проблемы. В целом, лекция подчеркивает потенциал глубокого обучения в патологии, а также признает его ограничения и необходимость междисциплинарного подхода для обеспечения его эффективного применения в клинических условиях.
В этом видео на YouTube под названием «Машинное обучение для патологии — лекция 19 — Глубокое обучение MIT в науках о жизни (весна 2021 г.)» спикер обсуждает попытки своей команды решить проблему неоднородности от партии к партии и от клетки к клетке в машинном обучении для патологии с использованием типичных вариационная нормализация (TVN) и метод k-ближайших соседей. Они также описывают использование морфологического профилирования для классификации лекарств на основе их воздействия на бактерии и разработку основанного на данных подхода к разработке и определению приоритетов комбинаций лекарств с использованием как контролируемого, так и неконтролируемого обучения. Кроме того, спикер благодарит сотрудников своей лаборатории за их вклад в исследования синергии лекарств и антагонизма, подчеркивая важность рассмотрения более широкого контекста для понимания и продвижения исследований в этой области.
Глубокое обучение для сегментации изображений клеток - Лекция 20
Глубокое обучение для сегментации изображений клеток — Лекция 20 — Массачусетский технологический институт курс машинного обучения в науках о жизни (весна 2021 г.)
В этом видео спикеры обсуждают использование глубокого обучения для отслеживания клеток, которое включает в себя определение движения клеток в покадровой визуализации. Они объясняют, что традиционные методы ручного отслеживания являются дорогостоящими и трудоемкими, а методы глубокого обучения могут значительно ускорить процесс, а также обеспечить более высокую точность. Спикеры обсуждают различные архитектуры глубокого обучения для отслеживания ячеек, включая U-Net, StarDist и DeepCell. Они также отмечают, что одной из проблем при отслеживании ячеек является различение ячеек, которые расположены близко друг к другу или перекрываются, и что такие методы, как отслеживание нескольких объектов или подходы на основе графов, могут помочь решить эту проблему. Выступающие подчеркивают важность сравнительного анализа различных методов глубокого обучения для отслеживания клеток и предоставления наборов данных с открытым доступом для воспроизводимости и сравнения. Они также подчеркивают потенциальные применения отслеживания клеток в различных областях, таких как исследования рака и разработка лекарств.
Регистрация и анализ изображений для глубокого обучения - Лекция 21
Регистрация и анализ изображений для глубокого обучения — Лекция 21 — MIT ML в науках о жизни (весна 2021 г.)
В этой лекции Адриан Далок углубляется в тему совмещения медицинских изображений и стоящую за этим проблему оптимизации. Он предлагает новый метод под названием «морфинг вокселей», который включает использование немаркированных наборов данных для обучения нейронных сетей регистрации изображений. Спикер также обсуждает проблему устойчивости к новым данным и последовательностям, которых нейронные сети раньше не видели, и предлагает моделировать разнообразные и экстремальные условия для обучения надежных моделей. Докладчик сравнивает классические модели регистрации с моделями морфинга вокселей и синтоморфов, причем последние отличаются удивительной надежностью. Наконец, докладчик обсуждает разработку функции, которая генерирует шаблоны на основе желаемых свойств, а не изучает шаблон напрямую, и потенциальное использование капсульной видеоэндоскопии для обнаружения аномалий толстой кишки.
Докладчик в этой лекции обсуждает различные подходы машинного обучения для преодоления нехватки медицинских данных, особенно в контексте видео колоноскопии для обнаружения полипов. Они представляют архитектуру регистрации и анализа изображений с глубоким обучением, в которой используются предварительно обученные веса и случайная инициализация для устранения смещения домена и повышения производительности. Лекция также охватывает обучение со слабым наблюдением, обучение с самостоятельным наблюдением и сегментацию видео со слабым наблюдением. Докладчик признает проблемы, возникающие при использовании подходов машинного обучения в анализе медицинских данных, и призывает тестировать эти подходы в реальных медицинских процедурах, чтобы снизить рабочую нагрузку.
Электронные медицинские карты - Лекция 22
Электронные медицинские карты — Лекция 22 — Глубокое обучение в науках о жизни (весна 2021 г.)
Появление машинного обучения в здравоохранении связано с внедрением электронных медицинских карт в больницах и огромным объемом данных о пациентах, которые можно использовать для получения значимой информации о здравоохранении. Обсуждается моделирование прогрессирования заболевания с использованием лонгитюдных данных, найденных в реестрах заболеваний, что может создавать проблемы из-за многомерных лонгитюдных данных, отсутствия и цензуры слева и справа. В лекции рассматривается использование нелинейных моделей, таких как глубокие марковские модели, для решения этих задач и эффективного моделирования нелинейной плотности продольных биомаркеров. Кроме того, докладчик обсуждает использование знаний предметной области для разработки новых нейронных архитектур для функции перехода и важность включения знаний предметной области в дизайн модели для лучшего обобщения. Также проводятся эксперименты со сложностью модели в отношении функций эффекта лечения, и докладчик планирует вернуться к этому вопросу на большей группе, чтобы определить дальнейшие результаты.
Глубокое обучение и нейронауки — Лекция 23
Глубокое обучение и неврология — Лекция 23 — Глубокое обучение в науках о жизни (весна 2021 г.)
В лекции обсуждается взаимодействие между глубоким обучением и нейронаукой, особенно в области визуальной науки. Цель состоит в том, чтобы реконструировать человеческий зрительный интеллект, который относится к поведенческим способностям, которые люди проявляют в ответ на попадание фотонов в глаза. Докладчик подчеркивает важность объяснения этих возможностей на языке механизмов, таких как сети смоделированных нейронов, для создания прогностических построенных систем, которые могут принести пользу как наукам о мозге, так и искусственному интеллекту. В лекции исследуется, как модели глубокого обучения являются гипотезами того, как мозг выполняет процессы сенсорной системы, и потенциальные приложения, выходящие за рамки простой имитации эволюции мозга. Кроме того, в лекции показаны практические примеры того, как нейронные сети могут манипулировать воспоминаниями и изменять смысл чего-либо.
В этом видео обсуждается потенциал глубокого обучения для понимания когнитивных функций мозга и использования этого понимания в инженерных целях. Спикер подчеркивает актуальность рекуррентных нейронных сетей с их возможностями памяти и внутренней динамики в этой области. В лекции исследуется способность нейронных систем учиться посредством подражания и то, как это можно использовать для изучения представлений, вычислений и манипуляций с рабочей памятью. В видео также рассказывается о сложности поиска доказательств обучения с обратной связью как условия обучения и потенциале механизмов исправления ошибок для настройки системы. Лекция завершается размышлениями о разнообразии тем, затронутых в курсе, и о том, как глубокое обучение может помочь в интерпретации когнитивных систем в будущем.
MIT 6.S192 - Лекция 1: Вычислительная эстетика, дизайн, искусство | Обучение путем создания
MIT 6.S192 - Лекция 1: Вычислительная эстетика, дизайн, искусство | Обучение путем создания
Эта лекция охватывает множество тем, связанных с вычислительной эстетикой, дизайном и искусством. Обсуждается роль ИИ в демократизации доступа к созданию произведений искусства, автоматизации дизайна и расширении границ искусства, а также проблемы количественной оценки эстетики и достижения визуального баланса в дизайне с использованием представлений высокого и низкого уровня. Лектор также подчеркивает потенциал вычислительного дизайна для выявления шаблонов и эффективной передачи сообщений, приводя примеры, связанные с цветовой семантикой и дизайном обложки журнала. Краудсорсинговые эксперименты используются для определения цветовых ассоциаций с различными темами, и исследуются потенциальные применения этого метода в различных областях. В целом, лекция знакомит с ролью ИИ в творческих приложениях и потенциалом революционного изменения того, как мы создаем искусство, дизайн и другие формы творческого самовыражения.
В видео обсуждается использование вычислительной эстетики, дизайна и искусства для создания творческих работ с использованием генеративных моделей, таких как StyleGAN и DALL-E. Лектор также подчеркивает важность обучения, создавая и побуждая зрителей разбивать проблемы и использовать данные для поиска инновационных и творческих решений. Однако спикер также обращается к ограничениям генеративных моделей, таким как предвзятые данные и способность обобщать и мыслить нестандартно. Тем не менее, лектор поручает студентам просмотреть предоставленный код и поэкспериментировать с различными методами создания эстетически привлекательных изображений, поощряя участие в сократических дебатах между Беркли и Массачусетским технологическим институтом по вычислительной эстетике и дизайну.
MIT 6.S192 - Лекция 2: Сократовские дебаты, Алеша Эфрос и Филипп Изола
MIT 6.S192 - Лекция 2: Сократовские дебаты, Алеша Эфрос и Филипп Изола
В этом видео Алеша Эфрос и Филипп Изола обсуждают идею использования изображений для создания общего опыта. Они утверждают, что это может помочь вернуть воспоминания и вызвать чувство ностальгии.
Это видео представляет собой дискуссию между двумя профессорами Массачусетского технологического института о роли данных в искусственном интеллекте. Эфрос утверждает, что данные необходимы для ИИ, в то время как Изола возражает, что данные могут быть препятствием для развития ИИ.
чтобы визуализировать концепцию того, что значит что-то быть запоминающимся.
MIT 6.S192 — Лекция 3: «Эффективные GAN» Джун-Ян Чжу
MIT 6.S192 — Лекция 3: «Эффективные GAN» Джун-Ян Чжу
В лекции рассматриваются проблемы обучения моделей GAN, в том числе необходимость больших вычислений, больших объемов данных и сложных алгоритмов, требующих длительных тренировок. Тем не менее, лектор представляет новые методы, которые заставляют GAN учиться быстрее и тренироваться на меньшем количестве наборов данных, например, сжатие моделей учителей с использованием универсальной структуры сжатия GAN, дифференцируемого дополнения и увеличения данных. В лекции также демонстрируется интерактивное редактирование изображений с помощью GAN и подчеркивается важность больших и разнообразных наборов данных для успешного обучения GAN. Коды для запуска модели доступны на GitHub с пошаговыми инструкциями по запуску модели на различных типах данных. Лекция завершается обсуждением важности сжатия модели для практических целей.