Uma rede neural convolucional foi treinada com dados referentes à taxa de semeadura, aplicação de fertilizante, topografia e condutividade do solo, e imagens de satélite, sendo capaz de predizer o rendimento das plantações com precisão superior à dos demais métodos testados. No futuro esse método pode ser usado para gerar recomendações de cultivo com base nas condições locais.
O modelo analisa múltiplas imagens de tomografia computadorizada do pulmão de pacientes potencialmente infectados pelo vírus, entregando um diagnóstico em 15 segundos, quando a análise tradicional leva 15 minutos. A ferramenta está sendo usada no diagnóstico e no acompanhamento do tratamento dos pacientes.
O modelo foi treinado para aprender a representar moléculas como vetores contendo os grupos químicos relevantes para a atividade antibacteriana; depois ele foi capaz de descobrir novos antibióticos potenciais a partir de um banco de moléculas. A halicina, molécula descoberta pelo método, teve sua ação potente confirmada por testes biológicos.
Neste artigo você terá uma breve introdução à Computação Afetiva, que é uma área que utiliza conceitos da Computação e da Psicologia!
O algoritmo desenvolvido se tornou capaz de prever o tempo de vida da bateria com apenas poucos ciclos de recarga, diminuindo o tempo de testes de até 2 anos para apenas 16 dias, o que permite testar novas tecnologias de engenharia e protocolos de recarga de forma muito mais eficiente.
Neste artigo apresento como o conceito de atenção é implementado na estrutura do transformer, quais são as principais etapas que envolvem uma tarefa do tipo seq2seq nessa estrutura, e por que os transformers têm desbancado mesmo as versões mais recentes de RNNs.
Conheça o mecanismo de atenção, que é a base do transformer, a arquitetura de rede mais recente para PLN, e que permite que uma rede focalize em trechos específicos de uma sequência de dados para produzir resultados mais precisos.
O PyTorch apresenta duas grandes inovações: o módulo que implementa os tensores, objetos manipulados pela rede neural, foi projetado para permitir seu alocamento em GPUs, o que aumenta a velocidade da rede; e ele permite a geração de grafos dinâmicos, com redes de estrutura flexível, permitindo maior liberdade de arquitetura ao desenvolvedor.
Os pesquisadores usaram dados de expressão genética para treinar um autoencoder de forma não-supervisionada, e descobriram que as camadas escondidas dessa rede revelava padrões de interação entre os agentes metabólicos, começando pelas mais elementais (proteína-proteína) até as mais complexas (genes associados a doenças).
Os autores do estudo usaram leituras de atividade cerebral obtidas por eletroencefalografia (EEG) para treinar um algoritmo na tarefa de classificar a eficiência do tratamento da depressão com um medicamento clássico. O algoritmo atingiu alta precisão, podendo ser usado para prever quais pacientes responderão ao tratamento.
