O modelo foi desenhado para se beneficiar tanto dos dados de satélite processados por uma rede neural convolucional, quanto por modelos matemáticos, alcançando uma resolução maior de capacidade analítica, tanto espacial quanto temporal.
Um exame de imageamento mostra quais regiões do cérebro estão em atividade, e estes sinais foram usados por uma rede neural artificial para prever a pontuação em habilidade motora de médicos cirurgiões.
Como alguns atributos faciais estão correlacionados com problemas cardíacos, o algoritmo foi treinado para classificar as fotografias em função do estado de saúde do paciente, atingindo desempenho melhor que outros modelos não-clínicos disponíveis.
Neste artigo, apresento as características da linguagem Python que a tornam ideal para aplicações de machine learning, e que fundamentam seu sucesso nesta área.
Uma rede neural convolucional foi treinada para identificar e classificar galáxias em três tipos diferentes, a partir de imagens obtidas de um telescópio. Com isto, foi possível identificar mais de 80 mil novas galáxias, sendo mais da metade de difícil reconhecimento através de outras metodologias.
O algoritmo desenvolvido usa um banco de dados extenso sobre as propriedades das moléculas a serem separadas e das membranas potenciais, gerando predições sobre a eficiência de filtração, e assim acelerando o processo de desenvolvimento de novas membranas com aplicação industrial.
O modelo foi treinado para produzir textos através da “predição da próxima palavra”, mas consegue realizar tarefas que parecem exigir alguma capacidade cognitiva, como por exemplo aquelas em que recebe uma simples instrução, sem ter sido treinado para isso.
O sistema usa um novo tipo de sensor que adere à pele e produz sinais somatossensoriais de alta qualidade, os quais são integrados com os sinais de captura de vídeo para atingir alta precisão no reconhecimento de gestos das mãos.
O algoritmo é capaz de segmentar os pacientes de acordo com seu perfil clínico, assim orientando a equipe médica para prestar o tratamento mais adequado em cada caso, resultando em melhora de condições em 94% dos pacientes e redução da mortalidade pela metade.
O uso de algoritmos genéticos na busca das melhores soluções para o treinamento de redes neurais pode resultar tanto em melhoria de desempenho quanto em redução do tempo necessário para a rede convergir à solução ideal.
