Введение в машинное обучение радиолога - серия из 10 частей
Часть 4
Авторы: Данило Пена, Dr. Тай Вашон
Редактор: Dr. Майкл Докси
Машинное обучение используется более повсеместно, чем вы думаете. От определения того, является ли звонок или электронное письмо спамом, до распознавания рамок вокруг лиц ваших друзей и фактического определения того, кем они являются, или целевого маркетинга для рекламы - компании быстро используют свои данные для увеличения доходов, привлечения внимания и внимания к ним. их веб-страницу.
Эти моменты времени являются частью более масштабного технологического повествования, которое быстро меняет способ ведения бизнеса предприятиями. Радиология ничем не отличается.
В этой статье мы познакомимся с некоторыми из реальных приложений машинного обучения. Но прежде чем мы это сделаем, давайте взглянем на это изображение ниже из Invidia.
Как видите, глубокое обучение - это разновидность машинного обучения, а машинное обучение - разновидность искусственного интеллекта. Это естественное развитие подобластей можно рассматривать как одно поле, нарастающее на другое, и все, что делается для распознавания изображений, можно проследить своими корнями до первых дней создания искусственного интеллекта. Важно понимать эту иерархию, поскольку многие люди (включая нас из этой серии) используют эти слова как синонимы - хотя на самом деле между ними есть более тонкие отношения.
Распознавание изображений - одно из главных достижений в области алгоритмов искусственного интеллекта. Facebook может определить ваше лицо, лицо вашего друга и, возможно, даже вашу собаку, а затем присвоить соответствующий тег имени!
Распознавание изображений или анализ объектов в изображениях быстро продвинулись благодаря использованию подмножества алгоритмов обучения, называемых сверточными нейронными сетями. В этой статье мы не будем подробно разбираться в том, что это означает, но просто помните, что это способ найти детали, составляющие объект.
Например, если вы хотите обнаружить лицо, алгоритм сначала должен научиться определять края. Как только обнаружение краев станет хорошим, вы, возможно, сможете определять углы или дуги. Затем вы можете определять формы, такие как овалы или сферы.
Этот тип обучения, если хотите, происходит под капотом этих сверточных нейронных сетей (также известных как CNN). Эти сети представляют собой подмножество алгоритмов глубокого обучения. Итак, когда вы или ваша организация начинаете добавлять эти функции в рабочий процесс, высока вероятность того, что разработчики используют CNN для сценариев использования изображений! Эти варианты использования могут включать в себя все, от обнаружения лиц до обнаружения объектов или даже сегментации изображения.
Распознавание речи - очень увлекательное и интересное приложение глубокого обучения. Речь - один из тех естественных шагов к взаимодействию с технологиями, поскольку мы можем говорить быстрее, чем печатать, и это естественный способ общения.
С появлением Siri, Alexa, Google Home и других многие компании по всему миру используют машинное обучение и глубокое обучение для сбора огромных объемов речевых данных и выявления нюансов звука.
Помните, что у проблемы всегда должна быть истина. На этом этапе речь - очень простая проблема, поскольку людей можно нанять, чтобы они физически слушали многочасовые звуковые фрагменты, расшифровывали их и использовали эти знания в алгоритме. Оттуда алгоритм будет изучать нюансы звука, интонации голоса и связывать эти различные характеристики, чтобы вероятностно определить, какое слово является наиболее вероятным.
Системы рекомендаций - это третий набор сценариев использования машинного обучения. Эти приложения стали основой для многих компаний. Когда мы говорим о рекомендательных системах, мы имеем в виду таргетированную рекламу на вашей странице в Facebook, рекомендуемые продукты для покупки на Amazon и даже рекомендуемые фильмы или шоу для просмотра на Netflix.
Эти системы работают на алгоритмах машинного обучения, которые обнаруживают нюансы в поведении людей - будь то покупка еды или просмотр последнего сезона The Office. Более того, эти системы не только доказали свою эффективность, но и теперь являются основой многих долларов, потраченных на рекламу и маркетинг. Какую бы рекламу вы ни щелкнули или сколько времени вы потратите на просмотр шоу, - это небольшие части большого алгоритма, который запускает системы рекомендаций этих компаний.
В этой статье мы коснулись поверхности множества приложений, которые есть в машинном обучении и искусственном интеллекте. Автоматизация ручных операций - лишь вопрос времени. Однако при всех замечательных плюсах, которые мы описали, существуют препятствия, которые необходимо преодолеть, прежде чем мы добьемся дальнейшего прогресса. Эти барьеры, характерные для радиологии, будут обсуждаться в следующем разделе.
А пока давайте углубимся в некоторые общие темы машинного обучения, чтобы вы быстрее освоились. Это включает извлечение функций, помеченные данные и наборы проверки! Все объяснено в статье 5.
