คณิตศาสตร์และการคำนวณ

รากฐานสำหรับแมชชีนเลิร์นนิงถูกวางลงในกลางศตวรรษที่แล้ว แต่คอมพิวเตอร์ที่ทรงพลังมากขึ้นเรื่อยๆ ซึ่งถูกควบคุมโดยอัลกอริธึมที่ปรับปรุงในช่วงทศวรรษที่ผ่านมา กำลังขับเคลื่อนการระเบิดของแอปพลิเคชันในทุกสิ่งตั้งแต่ฟิสิกส์การแพทย์ไปจนถึงวัสดุ ดังที่ค้นพบ เมื่อธนาคารของคุณโทรมาสอบถามเกี่ยวกับการซื้อสินค้าจำนวนมากอย่างน่าสงสัยจากบัตรเครดิตของคุณในเวลาแปลกๆ 

ไม่น่าเป็นไปได้

ที่พนักงานผู้ใจดีจะตรวจสอบบัญชีของคุณเป็นการส่วนตัว เป็นไปได้มากกว่าที่เครื่องจักรจะเรียนรู้ว่าพฤติกรรมประเภทใดที่เกี่ยวข้องกับกิจกรรมทางอาญา และพบสิ่งที่ไม่คาดคิดในข้อความของคุณ คอมพิวเตอร์ของธนาคารใช้อัลกอริธึมในการเฝ้าดูบัญชีของคุณเพื่อหาสัญญาณการโจรกรรมอย่างเงียบๆ

และมีประสิทธิภาพการตรวจสอบบัตรเครดิตด้วยวิธีนี้เป็นตัวอย่างของ “การเรียนรู้ด้วยเครื่อง” ซึ่งเป็นกระบวนการที่ระบบคอมพิวเตอร์ได้รับการฝึกฝนตามชุดตัวอย่างที่กำหนด พัฒนาความสามารถในการทำงานอย่างยืดหยุ่นและเป็นอิสระ ในฐานะที่เป็นส่วนย่อยของสาขาทั่วไปของปัญญาประดิษฐ์ (AI) 

เทคนิคการเรียนรู้ของเครื่องสามารถนำไปใช้ได้ทุกที่ที่มีชุดข้อมูลขนาดใหญ่และซับซ้อนที่สามารถขุดหาความสัมพันธ์ระหว่างอินพุตและเอาต์พุตได้ ในกรณีของธนาคารของคุณ อัลกอริทึมจะวิเคราะห์ธุรกรรมจำนวนมากทั้งที่ถูกกฎหมายและผิดกฎหมายเพื่อสร้างผลลัพธ์ (“การฉ้อโกงที่ต้องสงสัย”) 

จากข้อมูลที่ได้รับ (“คำสั่งซื้อที่มีมูลค่าสูงที่วางไว้ตอนตี 3”)แต่แมชชีนเลิร์นนิงไม่ได้ใช้ในด้านการเงินเท่านั้น มีการนำไปใช้ในสาขาอื่นๆ ด้วย ตั้งแต่การดูแลสุขภาพและการขนส่ง ไปจนถึงระบบยุติธรรมทางอาญา แท้จริงแล้วGe Wangวิศวกรชีวการแพทย์ในสหรัฐอเมริกา ซึ่งเป็นหนึ่งในผู้บุกเบิกการใช้งาน

ในการถ่ายภาพทางการแพทย์ เชื่อว่าเมื่อพูดถึงการเรียนรู้ด้วยเครื่อง เราอยู่บนจุดสูงสุดของการปฏิวัติ

เรื่องราวภายใน งานวิจัยของ Wang เกี่ยวข้องกับการนำข้อมูลที่ไม่สมบูรณ์จากการสแกนผู้ป่วยที่เป็นมนุษย์ (อินพุต) และ “สร้างใหม่” เป็นภาพจริง (เอาต์พุต) การสร้างอิมเมจใหม่โดยพื้นฐาน

เป็นสิ่งที่ตรงกันข้าม

กับการใช้อัลกอริธึมแมชชีนเลิร์นนิงที่ใช้กันทั่วไป โดยคอมพิวเตอร์ได้รับการฝึกฝนให้ระบุและจำแนกอิมเมจที่มีอยู่ ตัวอย่างเช่น สมาร์ทโฟนของคุณอาจใช้อัลกอริทึมเหล่านี้เพื่อจดจำลายมือของคุณ ในขณะที่รถยนต์ที่ขับเคลื่อนด้วยตนเองจะใช้อัลกอริทึมเหล่านี้เพื่อระบุยานพาหนะและอันตรายอื่นๆ 

ที่อาจเกิดขึ้นบนท้องถนนการสร้างภาพขึ้นใหม่ไม่ได้เป็นเพียงเทคนิคทางการแพทย์เท่านั้น แต่ยังพบได้ในท่าเรือและสนามบิน ซึ่งช่วยให้เจ้าหน้าที่รักษาความปลอดภัยสามารถใช้รังสีเอกซ์เพื่อส่องดูภายในภาชนะบรรจุที่ปิดสนิทได้ นอกจากนี้ยังมีประโยชน์ในอุตสาหกรรมการก่อสร้างและวัสดุ 

ซึ่งภาพอัลตราซาวนด์ 3 มิติสามารถเผยให้เห็นข้อบกพร่องที่เป็นอันตรายในโครงสร้างได้นานก่อนที่จะเกิดความผิดพลาด แต่สำหรับ Wang เป้าหมายของเขาคือการเอาชนะเสียงรบกวนและสิ่งประดิษฐ์ที่เกิดขึ้นเมื่อสร้างภาพปริมาตรของวัตถุ (เช่น หัวใจของผู้ป่วย) ขึ้นมาใหม่ โดยอ้างอิงจากข้อมูลทางการ

ฟิสิกส์ที่ไม่สมบูรณ์และไม่สมบูรณ์มีเหตุผลที่ดีในการดำเนินการโดยใช้ข้อมูลน้อยที่สุดเท่าที่จะเป็นไปได้ ตัวอย่างเช่น ในการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) การสแกนอย่างรวดเร็วจะหลีกเลี่ยงการเคลื่อนไหวที่ไม่ต้องการของหัวใจและปอดของผู้ป่วย ในการตรวจเอกซเรย์คอมพิวเตอร์ด้วยรังสีเอกซ์ 

(CT) ในขณะเดียวกัน คุณต้องการลดปริมาณรังสีให้กับผู้ป่วยให้น้อยที่สุด ซึ่งหมายถึงการบันทึกข้อมูลที่เพียงพอเพื่อสร้างภาพ – และไม่ต้องทำอะไรมากไปกว่านี้ วิธีการสร้าง “การวิเคราะห์” แบบดั้งเดิมจะสร้างภาพโดยการรวมการวัดจากทุกมุมรอบตัวผู้ป่วย ซึ่งเป็นเรื่องยากเนื่องจากหมายถึงการนำชุดข้อมูล

ที่สมบูรณ์

แม้ว่าอัลกอริธึม “การสร้างซ้ำ-สร้างใหม่” ที่พัฒนาขึ้นในช่วงไม่กี่ปีที่ผ่านมาจะทนทานต่อช่องว่างในข้อมูลได้ดีกว่า แต่ก็ต้องการพลังของคอมพิวเตอร์จำนวนมาก นั่นเป็นเพราะอัลกอริธึมเหล่านี้สร้างภาพตัวเลือกหลายภาพ ซึ่งแต่ละภาพต้องถูกนำไปเปรียบเทียบกับข้อมูลที่ “ถูกต้อง” 

เพื่อให้มีการสร้างใหม่ขั้นสุดท้ายอย่างค่อยเป็นค่อยไป ในระยะสั้น Wang มองเห็นเทคนิคการเรียนรู้ของเครื่องแทนที่องค์ประกอบเฉพาะของกระบวนการสร้างใหม่ เทคนิคจะขึ้นอยู่กับ “เครือข่ายประสาทเทียม” (ดูกล่องด้านล่าง) ซึ่งจำลองการทำงานของสมองทางชีวภาพโดยประมาณ โดยแต่ละอินพุต

จะประมวลผลโดยเซลล์ประสาทเทียมที่ “ซ่อนอยู่” อย่างน้อยหนึ่งชั้น ปฏิสัมพันธ์ระหว่างเลเยอร์จะถูกถ่วงน้ำหนักเพื่อให้กระบวนการไม่เป็นเชิงเส้น และพารามิเตอร์เหล่านี้จะเปลี่ยนไปเมื่อระบบเรียนรู้ และปรับเปลี่ยนเอาต์พุตตามนั้น แนวทางที่เรียกว่า “การเรียนรู้เชิงลึก” คือแนวทางที่ใช้ประโยชน์จาก

เครือข่าย “เชิงลึก” เมื่อมีเลเยอร์ที่ซ่อนอยู่จำนวนมากเริ่มต้นด้วย Wang คิดว่าการปรับปรุงจะเล็กน้อยมากกว่าที่จะปฏิวัติ ในการสร้างใหม่ซ้ำๆ ตัวอย่างเช่น การใช้โครงข่ายประสาทเทียมเพื่อทำให้ “เดา” เริ่มต้นสำหรับภาพตามชุดข้อมูลขนาดใหญ่จะทำให้กระบวนการทั้งหมดมีประสิทธิภาพมากขึ้น 

การทดแทนอื่นจะเห็นว่าโครงข่ายประสาทเทียมมีบทบาทในการตัดสินใจเมื่อมีการทำซ้ำอย่างเพียงพอเพื่อสร้างเอาต์พุตที่เพียงพออย่างไรก็ตาม ในระยะยาว Wang มีความทะเยอทะยานมากกว่า เขาเรียกร้องให้มีระบบที่ผสานรวมอย่างสมบูรณ์ ซึ่งใช้อัลกอริทึมการเรียนรู้ของเครื่อง 

โดยใช้ข้อมูลภาพดิบเป็นอินพุต – สร้างภาพขึ้นใหม่ จากนั้นแยกและจำแนกลักษณะทางพยาธิวิทยา เช่น มะเร็งและโรคทางระบบประสาท ระบบดังกล่าวสามารถขยายครอบคลุมถึงการวางแผนการรักษา ทำให้กระบวนการทั้งหมดเป็นไปโดยอัตโนมัติตั้งแต่การรับข้อมูลไปจนถึงการบำบัด

Credit : ฝากถอนไม่มีขั้นต่ำ / สล็อตแตกง่าย