O algoritmo analisa dados obtidos por satélite, que medem a deformação no solo ao redor dos vulcões. O padrão de alteração dos solos através do tempo permite gerar alertas de até um ano antes do vulcão entrar em atividade.
Os cientistas produziram capsídeos, que são os veículos de entrega da terapia genética, com várias modificações pontuais, e mediram sua eficiência. Depois, um modelo de machine learning foi usado para prever os ganhos de eficiência quando mais de uma modificação fosse realizada. Os capsídeos produzidos com base nos resultados do algoritmo foram muito mais eficientes que aqueles produzidos pelo método tradicional de modificações aleatórias.
Dois modelos foram testados: um apenas com medidas objetivas obtidas dos aparelhos, outro usando ainda uma escala de medida de consciência. Ambos performaram bem na previsão da morte de pacientes dentro de 30 dias. O modelo deve no futuro permitir o prognóstico dinâmico em tempo real dos pacientes.
Usando imagens de tomografia computadorizada dos tumores, um algoritmo aprendeu quais características estavam associadas com o sucesso do tratamento usando imunoterápicos, fornecendo um meio de predizer quais pacientes se beneficiaram do caro tratamento.
O estudo envolveu calcular as propriedades eletrônicas de uma amostra do dataset de interesse, usando um modelo preciso mas computacionalmente caro, e depois usar esses resultados para calibrar um modelo de machine learning que fazia os cálculos usando equações mais simples porém menos precisas. Assim, o modelo aprendeu a corrigir os resultados menos precisos para entregar o mesmo nível de exatidão do modelo mais complexo.
O autor do trabalho usou features de texto característicos de poesia e métodos de machine learning para classificar as sequências da peça Henrique VIII, chegando à conclusão de que o trabalho foi escrito de forma revezada por Shakespeare e por John Fletcher, sendo que uma das cenas teve participação de ambos os autores.
A aplicação de machine learning usando dados de atividade cerebral, batimento cardíaco, condutância da pele e a avaliação subjetiva dos participantes do estudo possibilitou determinar que características como timbre, tom (maior ou menor) e complexidade musical eram as principais responsáveis por provocar reações nas pessoas.
O modelo gerado usou dados históricos de quatro variáveis ambientais, medidas por estações meteorológicas, para prever a incidência de relâmpagos no futuro imediato, com precisão superior à dos métodos mais complexos, que envolvem modelos matemáticos e dados de custo elevado.
Usando um outro modelo como assessor para gerar um score de memorabilidade, uma rede adversarial generativa foi capaz de alterar imagens segundo uma escala do quanto elas eram memoráveis, permitindo reconhecer as características que fazem com que as pessoas se lembrem delas com maior frequência.
A ferramenta chega em boa hora, quando a preocupação com vieses incluídos nas bases de dados para treinamento de algoritmos de machine learning se torna cada vez mais proeminente e relevante.
