Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

VISTA 2.0 es un motor de simulación de código abierto que puede crear entornos realistas para entrenar y probar vehículos autónomos. Puntaje de crédito: MIT CSAIL

Los mundos digitales hiperrealistas han sido anunciados como una de las mejores facultades de conducción para vehículos autónomos (AV), ya que han demostrado ser útiles para probar situaciones de conducción peligrosas. Tesla, Waymo y otras empresas de vehículos autónomos dependen en gran medida de los datos para permitir simuladores fotorrealistas caros y patentados, ya que probar y recopilar datos matizados de casi me estrello no suele ser lo más fácil o interesante de recrear.

Con ese fin, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Sintética (CSAIL) del MIT crearon “VISTA 2.0”, un motor de simulación basado en datos que los automóviles pueden estudiar para conducir en el mundo real y recuperarse de situaciones cercanas a un choque. Además, todo el código es de código abierto para el público en general.

“En este momento, solo las empresas tienen programas de software como el tipo de entornos de simulación y capacidades de VISTA 2.0, y este programa de software es propietario. Con este lanzamiento, el podría tener acceso a una nueva herramienta sólida para acelerar la investigación y el crecimiento de la gestión sólida adaptativa para la conducción autónoma”, dice la profesora del MIT y directora de CSAIL, Daniela Rus, autora principal de un artículo sobre la investigación.

VISTA 2.0 se basa en el modelo anterior del equipo, VISTA, y es básicamente diferente de los simuladores AV actuales porque está basado en datos, lo que significa que fue construido y renderizado de manera fotorrealista a partir de información del mundo real, lo que permite el cambio directo a la realidad. Mientras que la iteración preliminar admitía únicamente el seguimiento de carril de un solo automóvil con un lograr una simulación basada en datos de alta fidelidad requirió repensar los fundamentos de cómo se pueden sintetizar diferentes sensores e interacciones de comportamiento.

Ingrese a VISTA 2.0: un sistema basado en datos que puede simular variedades de sensores avanzados y situaciones e intersecciones masivamente interactivas a escala. Con mucha menos información que los modelos anteriores, la fuerza laboral pudo desarrollar vehículos autónomos que serían mucho más potentes que los que manejaban grandes cantidades de información del mundo real.

“Es un gran salto en las capacidades de simulación basada en datos para automóviles autónomos, además del aumento de la escala y la habilidad para hacer frente a una mayor complejidad de conducción”, dice Alexander Amini, CSAIL Ph.D. alumno y coautor principal de dos nuevos artículos, junto con su compañero Ph.D. alumno Tsun-Hsuan Wang. “VISTA 2.0 demuestra la capacidad de simular datos de sensores mucho más allá de las cámaras RGB 2D, pero también lidars 3D dimensionales extraordinariamente altos con miles y miles de factores, cámaras basadas en eventos sincronizadas irregularmente e incluso situaciones interactivas y dinámicas con otros autos también”.

La fuerza laboral fue capaz de escalar la complejidad de las funciones de conducción interactiva para cuestiones como adelantar, seguir y negociar, junto con situaciones de múltiples agentes en entornos extremadamente fotorrealistas.

Entrenar modelos de IA para vehículos autónomos implica forraje difícil de proteger de varios tipos de casos extremos y situaciones inusuales y peligrosas, porque la mayor parte de nuestra información (afortunadamente) es simplemente común y corriente, día a día. día conduciendo. Lógicamente, no chocaremos contra diferentes vehículos simplemente para mostrar una no chocar contra diferentes vehículos.






VISTA es un simulador fotorrealista basado en datos para la conducción autónoma. Es probable que no solo simule video en vivo, sino también cámaras de eventos y datos LiDAR, y también incorpore otros autos simulados para modelar condiciones de manejo avanzadas. VISTA es de suministro abierto. Puntaje de crédito: MIT CSAIL

No hace mucho tiempo, hubo un cambio de entornos de simulación diseñados por humanos más tradicionales a estos construidos a partir de información del mundo real. Estos últimos tienen un gran fotorrealismo, pero los primeros pueden reproducir fácilmente cámaras digitales y lidars. Con este ha surgido una pregunta clave: ¿Se puede sintetizar con precisión la riqueza y la complejidad de todos los sensores que necesitan los vehículos autónomos, como lidar y cámaras basadas en eventos que son más escasas?

La información del sensor Lidar es mucho más difícil de interpretar en un mundo basado en datos: está intentando generar nuevas nubes de nivel 3D con miles y miles de puntos, solo a partir de vistas dispersas del mundo. Para sintetizar nubes de nivel lidar 3D, el equipo usó la información que recopiló el automóvil, la proyectó en un área 3D proveniente de la información lidar, y luego dejó que un nuevo automóvil digital condujera regionalmente desde donde estaba ese automóvil original. Por último, proyectaron todo eso de nuevo en el cuerpo de visión de este nuevo digital con la ayuda de redes neuronales.

Junto con la simulación de cámaras basadas en eventos, que funcionan a velocidades superiores a miles de veces por segundo, el simulador no solo pudo simular estos datos multimodales, sino que también lo hizo todo en tiempo real, lo que permitió entrenar redes neuronales. fuera de línea, pero también verifique en línea en el automóvil en configuraciones de realidad aumentada para evaluaciones seguras. “La pregunta de si la simulación multisensor a esta escala de complejidad y fotorrealismo era factible dentro del ámbito de la simulación basada en datos era en gran medida una pregunta abierta”, dice Amini.

Con eso, la facultad de conducción se convierte en una celebración. Dentro de la simulación, puede moverse, tener varios tipos de controladores, simular varios tipos de eventos, crear situaciones interactivas y simplemente agregar nuevos autos que ni siquiera estaban en la información original. Examinaron el seguimiento de carril, el cambio de carril, el seguimiento de automóviles y situaciones más peligrosas como adelantamientos estáticos y dinámicos (ver obstáculos y moverse para no chocar). Con la multiagencia, tanto los corredores reales como los simulados trabajan juntos, y los nuevos corredores pueden ingresar a la escena y administrarse de cualquier manera.

Llevar su automóvil a gran escala a la “salvaje”—a.ok.a. Devens, Massachusetts: el equipo notó una rápida transferencia de resultados, tanto con fracasos como con éxitos. También fueron capaces de mostrar la palabra mágica y elegante de los modelos de automóviles autónomos: “fuerte”. Confirmaron que los AV, educados únicamente en VISTA 2.0, son tan fuertes en el mundo real que pueden lidiar con esa escurridiza cola de fallas difíciles.

Ahora, una barandilla de la que depende la gente que no puede sino ser simulada es la emoción humana. Es el saludo agradable, el asentimiento o el cambio intermitente de reconocimiento, que son el tipo de matices que la fuerza laboral necesita implementar en el trabajo futuro.

“El algoritmo central de este análisis es cómo tomaremos un conjunto de datos y construiremos un mundo muy artificial para el estudio y la autonomía”, dice Amini. “Es una plataforma que considero que tarde o temprano se extenderá en muchos ejes alternativos de la robótica. No simplemente , sin embargo muchas áreas que dependen de comportamientos imaginativos y proféticos y sofisticados. Estamos emocionados de lanzar VISTA 2.0 para ayudar al grupo a recopilar sus propios conjuntos de datos y convertirlos en mundos digitales donde simularán directamente sus propios autos autónomos digitales, conducirán por estos terrenos digitales, prepararán en estos mundos, y luego cambiarlos directamente a vehículos autónomos reales de tamaño completo”.


El sistema entrena autos sin conductor en simulación antes de que salgan a la carretera


Esta historia se vuelve a publicar por cortesía de MIT Information (web.mit.edu/newsoffice/), un sitio web popular que cubre información sobre análisis, innovación e instrucción del MIT.

Cita:
Investigadores lanzan simulador fotorrealista de código abierto para conducción autónoma (21 de junio de 2022)
consultado el 21 de junio de 2022
de https://techxplore.com/information/2022-06-open-source-photorealistic-simulator-autonomous.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el objetivo de investigación o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se ofrece únicamente para funciones de datos.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

nariz robótica que puede “oler” enfermedades en tu aliento: lo último en inteligencia artificial | IA robótica

Published

on

Neuroscience News logo for mobile.

The Ultimate Managed Hosting Platform

Resumen: Un nuevo sistema robótico puede identificar compuestos naturales inestables relacionados con enfermedades mediante el análisis de emisiones corporales.

Suministro: Prensa de la universidad de Tsinghua

Los científicos están trabajando en métodos de diagnóstico que detectarían compuestos químicos del aliento, el sudor, las lágrimas y otras emisiones corporales y que actuarían como huellas dactilares de cientos de enfermedades.

Sin embargo, llevar esta idea, generalmente conocida como “volatolómica”, y sus ciencias aplicadas de diagnóstico relacionadas desde el laboratorio hasta la comercialización requeriría la colaboración de muchas disciplinas.

Esto incluye investigadores como químicos, científicos de suministros e ingenieros eléctricos que rara vez hablan el mismo idioma y en gran medida no están familiarizados con los hallazgos de los demás.

Una evaluación completamente nueva de este tema aún muy joven pretende ser un puente entre los muchos actores dispares involucrados.

Mientras huele una fragancia, siente el aroma de flores o especias, o experimenta un olor a contaminación, lo que su cuerpo definitivamente está sintiendo es compuestos naturales inestables, sustancias químicas que tienen un punto de ebullición bajo y, por lo tanto, se evaporan fácilmente. Eso es, son inestabley estas sustancias químicas en conjunto se conocen como compuestos naturales inestables o COV.

Todos los organismos lanzan intencionalmente COV para diversas funciones, incluidas la defensa, la comunicación y la copia. Sin embargo, los COV también se lanzan de paso como parte de todos los procesos orgánicos, junto con los procesos asociados a la enfermedad. Estos lanzados son además distintivo a cada uno de esos procesos. Esto implica que hay una “firma” o “huella digital” VOC explícita para cada enfermedad.

Dichos VOC asociados con enfermedades también se liberan mucho antes de que las personas puedan darse cuenta de que algo anda mal con ellos y, por lo tanto, también mucho antes de que cualquier médico pueda realizar un método de diagnóstico, ya sea a través de análisis de sangre, rayos X, muestras de tejido o algún otro examen o trabajo de laboratorio.

Una gran cantidad de enfermedades, entre ellas el cáncer, se manejan mucho más fácilmente cuanto antes se las reconoce. Por lo tanto, si los investigadores y los médicos son capaces de categorizar la huella digital VOC de varias enfermedades, y los ingenieros pueden desarrollar dispositivos que puedan identificar rápidamente tales huellas dactilares, esto probablemente podría suponer una revolución en la capacidad de los medicamentos para diagnosticar y finalmente tratar enfermedades.

Como bono adicional, la falta de necesidad de cualquier proceso invasivo de tal análisis a través de ‘olfatear’ significa que será indoloro también, a diferencia de muchos métodos de diagnóstico actuales.

Ese es el concepto principal detrás de la idea del sujeto más joven de volatolómica, o evaluación de todo el conjunto de COV que alguien exhala con su aliento o emite de su piel, sudor, lágrimas o, ciertamente, a través de algún otro mecanismo corporal.

Si bien el sector de la volatolómica es nuevo, la idea del análisis de la enfermedad a través de la inhalación del aliento de alguien realmente se remonta al antiguo médico griego Hipócrates y al legendario médico histórico chino Bian Que, e incluso en los últimos 50 años, cientos de huellas dactilares VOC de enfermedades han sido reconocidas. Sin embargo, hasta ahora, nos han faltado ciencias aplicadas de diagnóstico superiores para hacer mucho con esta información.

Lo que ha provocado la explosión de la investigación en volatolómica en los últimos años es el tipo de ciencias aplicadas, junto con la extracción de datos de grandes cantidades de datos (“Grandes datos”), el estudio de máquinas y los sensores de nanomateriales, que sin duda puede determinar de forma rápida y precisa estas huellas dactilares de COV frente a la enorme complejidad y elementos confusos, como los COV emitidos por los alimentos, el consumo y la contaminación del aire ambiental, y lograrlo independientemente de las fuentes físicas de las que provengan.

“Sin embargo, el tema es tan joven y atrae a investigadores de muchos campos como la química, la ingeniería eléctrica, la informática, la ciencia de los materiales y, por supuesto, a los médicos que se ocupan de los pacientes a diario, que no están acostumbrados a hablar entre ellos, que Por lo general, utilizan metodologías totalmente diferentes y, por lo general, ni siquiera usan las mismas palabras”, dijo Yun Qian, coautor del estudio e investigador de la mayoría de los cánceres de la Universidad de Zhejiang.

“Así que reunimos a un grupo de personas de estas diversas disciplinas para redactar un documento de evaluación completo que esperamos funcione como un puente que conecte la experiencia de los demás en este tema en expansión”.

Los autores primero resumieron todos los COV que pueden relacionarse con diferentes enfermedades de todas las fuentes físicas posibles en una especie de enciclopedia de enfermedades volátiles.

“Esta parte de la evaluación fue esencial, ya que los químicos, los científicos de materiales y los ingenieros eléctricos necesitaban mucho una lista de objetivos de este tipo”, agregó Mingshui Yao, otro de los autores e investigador del Laboratorio Estatal Clave de Programas complicados de varias fases con la Academia de Ciencias del idioma chino.

Los científicos desarrollan un dispositivo de diagnóstico para identificar compuestos distintivos de enfermedades específicas. Puntaje de crédito:
Nanoanálisis, Tsinghua College Press

“Querían saber cuáles son las huellas dactilares o ‘biomarcadores’ para los que están diseñando sus herramientas de diagnóstico. Ahora simplemente buscarán esto”.

Además, la revisión proporciona un comentario sobre el estado actual de las ciencias aplicadas relacionadas con la evaluación volatolómica, específicamente los mejores dispositivos de “fosa nasal digital” (E-nose) y “fosa nasal fotónica” (P-nose) para la detección de VOC.

Al describir el estado actual de las cosas, los obstáculos que enfrentan los constructores de esas “narices robóticas”, y proporcionar perspectivas futuras, los revisores se proponen brindar a los documentos una muy buena comprensión de estas ciencias aplicadas de detección de vanguardia y ofrecer a todos los investigadores de volatolómica un esbozo de dónde se encuentran las principales brechas de análisis, y así permitir un estrechamiento de la todavía apreciable brecha entre la mesa de laboratorio y la implementación comercial.

Los autores esperan que con el estudio como nivel de referencia para todos los involucrados, estas brechas se resuelvan y se superen los obstáculos al crecimiento de la tecnología, especialmente en lo que respecta a suministros de mayor absorción de COV, suministros de detección selectiva, mejores estructuras de sensores y buen procesamiento de datos. estrategias.

Ver adicionalmente

El objetivo final es tener la capacidad de implementar la volatolómica como la norma dorada en el diagnóstico científico.

Acerca de esta información de análisis de robótica

Escritor: Yao Meng
Suministro: Prensa de la Universidad de Tsinghua
Contacto: Yao Meng – Tsinghua College Press
Imagen: La imagen se atribuye a Nano Analysis, Tsinghua College Press

Análisis auténtico: Entrada cerrada.
Volatolómica en el cuidado de la salud y su tecnología de detección avanzada” por Yun Qian et al. Nanoanálisis


Resumen

Volatolómica en el cuidado de la salud y su conocimiento superior de detección

Numerosas enfermedades afectan cada vez más el estado de salud y la calidad de vida de los seres humanos. El volatolome emitido por los pacientes se ha considerado como una posible familia de marcadores, volatolomics, para análisis/detección. Hay dos problemas básicos con la volatolómica en el cuidado de la salud.

Por un lado, debe aclararse y verificarse la relación estable entre el volatoloma y enfermedades particulares. Por otra parte, se deben explorar estrategias eficientes para la detección exacta de volatolome. Se han publicado varios artículos de revisión completos sobre este tema.

Sin embargo, queda por desear un resumen y una elaboración oportunos y sistemáticos. En este artículo de evaluación, la metodología de análisis de la volatolómica en el cuidado de la salud es pensada críticamente y presentada, en un primer momento. Luego, las unidades de volatolome basadas en enfermedades específicas a través de diferentes fuentes físicas y los dispositivos analíticos para sus identificaciones se resumen sistemáticamente.

En tercer lugar, se lanzan adecuadamente las ciencias aplicadas superiores de las fosas nasales digitales y fotónicas para la detección de compuestos naturales inestables (COV). Los obstáculos existentes y las visiones futuras son profundamente pensadas y mencionadas.

Este texto podría brindar una muy buena orientación a los investigadores sobre este tema interdisciplinario, no solo entendiendo las ciencias aplicadas de detección de vanguardia para documentos (antecedentes médicos), sino también haciendo referencia para aclarar la selección de COV objetivo en el curso de la investigación. análisis de sensores para químicos, científicos de suministros, ingenieros electrónicos, etc.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

Sistema de inteligencia artificial que imita la mirada humana podría usarse para detectar cáncer – Lo último en inteligencia artificial | IA robótica

Published

on

AI helped protect businesses from COVID-19 risks

The Ultimate Managed Hosting Platform

Resumen de la taxonomía característica propuesta en este trabajo. Para los ejemplos, usamos la siguiente situación hipotética: un modelo de regresión experto en datos normalizados para predecir la velocidad máxima del automóvil. La alta calidad es una característica compuesta calculada principalmente en función de diferentes opciones, y x12 es una característica de ingeniería predictiva arbitraria. Puntaje de crédito: la necesidad de opciones interpretables: motivación y taxonomía. https://kdd.org/exploration_files/vol24issue1_1._Interpretable_Feature_Spaces_revised.pdf

Las estrategias de racionalización que ayudan a los usuarios a percibir y creer los modelos de aprendizaje automático generalmente describen cómo ciertas opciones utilizadas en el modelo contribuyen a su predicción. Por ejemplo, si un modelo predice el riesgo de que una persona afectada desarrolle una enfermedad cardíaca, es posible que un médico desee saber en qué medida la información sobre la frecuencia cardíaca de la persona afectada influye en esa predicción.

Pero cuando estos son tan complicados o enrevesados ​​que el consumidor no puede percibirlos, ¿sirve de algo la metodología de la razón?

Los investigadores del MIT se esfuerzan por mejorar la interpretabilidad de las opciones para que será más cómodo utilizando las salidas de . Basándose en años de trabajo en el tema, desarrollaron una taxonomía para ayudar a los constructores a crear opciones que probablemente serán más fáciles de conocer para su audiencia.

“Descubrimos que en el mundo real, aunque hemos estado utilizando métodos de última generación para explicar los modelos de aprendizaje automático, todavía hay mucha confusión derivada de las opciones, no del modelo en sí”, dice Alexandra Zytek. , un y doctorado en ciencias de la computadora portátil. alumno y creador principal de un artículo que presenta la taxonomía.

Para construir la taxonomía, los investigadores describieron las propiedades que hacen que las opciones sean interpretables para cinco tipos de usuarios, desde especialistas en inteligencia artificial hasta las personas afectadas por la predicción de un modelo de aprendizaje automático. Además, brindan instrucciones sobre cómo los creadores de modelos pueden transformar las opciones en códecs que probablemente sean más fáciles de entender para un laico.

Esperan que su trabajo aliente a los constructores de maniquíes a pensar en usar características interpretables desde el comienzo del proceso del evento, en lugar de intentar trabajar hacia atrás y lidiar con la explicabilidad después del hecho.

Los coautores del MIT incluyen a Dongyu Liu, un postdoctorado; la profesora visitante Laure Berti-Équille, directora de análisis del IRD; y el creador sénior Kalyan Veeramachaneni, científico de análisis principal del Laboratorio de Programas de Datos y Resolución (LIDS) y jefe del grupo Knowledge to AI. A ellos se une Ignacio Arnaldo, científico de conocimiento principal de Corelight. El análisis está impreso en la versión de junio del Grupo de Curiosidad Particular sobre Descubrimiento de Información y Minería de Conocimiento de Affiliation for Computing Equipment. Publicación Exploraciones.

Clases del mundo real

Las opciones son variables de entrada que se pueden alimentar a modelos de aprendizaje automático; normalmente se extraen de las columnas de un conjunto de datos. Los científicos del conocimiento generalmente eligen y elaboran opciones para el modelo, por lo que se ocupan principalmente de hacer que se desarrollen ciertas opciones para mejorar la precisión del modelo, no si un tomador de decisiones puede percibirlas o no, explica Veeramachaneni.

Durante varios años, él y su equipo han trabajado con los responsables de la resolución para determinar los desafíos de usabilidad del aprendizaje automático. Estos especialistas en áreas, la mayoría de los cuales carecen de conocimientos de aprendizaje automático, generalmente no creen en los modelos porque no perciben las opciones que afectan las predicciones.

Para un desafío, se asociaron con médicos en la UCI de un hospital que utilizaron el aprendizaje automático para predecir la posibilidad de que una persona afectada enfrente problemas después de una cirugía cardíaca. Algunas opciones se han introducido como valores agregados, al igual que el patrón de la frecuencia cardíaca coronaria de una persona afectada a lo largo del tiempo. Si bien las opciones codificadas de esta manera estaban “preparadas en modelo” (el modelo podría seguir los datos), los médicos no se dieron cuenta de cómo se calcularon. Verían moderadamente cómo estas opciones agregadas se relacionan con valores únicos, por lo que podrían identificar anomalías en la frecuencia cardíaca de una persona afectada, dice Liu.

Por el contrario, a un grupo de científicos que estudian les gustaron más las opciones que se han agregado. En lugar de obtener una característica como “variedad de publicaciones que un alumno hizo en los tableros de diálogo”, tendrían opciones asociadas moderadamente agrupadas y etiquetadas con palabras que entendían, como “participación”.

“Con la interpretabilidad, una dimensión no coincidiría con todas. Mientras vas de un espacio a otro, hay necesidades totalmente diferentes. Y la interpretabilidad en sí misma tiene muchos rangos”, dice Veeramachaneni.

El concepto de que una dimensión no coincidiría con todas es esencial para la taxonomía de los investigadores. Describen las propiedades que pueden hacer que las opciones sean interpretables para varios tomadores de decisiones y describen qué propiedades son aparentemente más importantes para los consumidores en particular.

Por ejemplo, los desarrolladores de aprendizaje automático posiblemente se encarguen de tener opciones que sean compatibles con el modelo y predictivas, lo que significa que se espera que mejoren el rendimiento del modelo.

Por otra parte, los creadores de resoluciones sin experiencia en aprendizaje automático pueden beneficiarse mejor de las opciones que pueden estar redactadas por humanos, lo que significa que se describen de una manera pura para los clientes y comprensible, lo que significa que buscan el consejo de métricas que los clientes pueden causar.

“La taxonomía dice, si estás haciendo opciones interpretables, ¿hasta qué punto son interpretables? Es posible que no desee todos los rangos, dependiendo del tipo de especialistas de área con los que esté trabajando”, dice Zytek.

Poniendo la interpretabilidad primero

Los investigadores también definen métodos de ingeniería característicos que un desarrollador puede usar para hacer que las características sean más interpretables para una audiencia seleccionada.

La ingeniería característica es un proceso en el que los científicos del conocimiento reelaboran el conocimiento en un formato que los modelos de aprendizaje automático pueden procesar, utilizando métodos como la agregación de datos o la normalización de valores. La mayoría de los modelos tampoco pueden seguir el conocimiento categórico hasta que se transforman en un código numérico. Estas transformaciones a veces son casi inconcebibles para que los laicos las desempaquen.

Crear opciones interpretables posiblemente implicaría deshacer parte de esa codificación, dice Zytek. Por ejemplo, un método típico de ingeniería característica organiza tramos de datos para que todos incluyan el mismo número de años. Para hacer que estas opciones sean más interpretables, se pueden agrupar los rangos de edad usando palabras humanas, como niño pequeño, niño pequeño, pequeño y adolescente. O en lugar de usar una característica reelaborada como la frecuencia del pulso común, una característica interpretable podría ser simplemente la información exacta de la frecuencia del pulso, agrega Liu.

“En muchos dominios, la compensación entre las opciones interpretables y la precisión del modelo es definitivamente muy pequeña. Cuando estuvimos trabajando con evaluadores de bienestar infantil, por ejemplo, volvimos a entrenar al modelo usando solo opciones que cumplían con nuestras definiciones de interpretabilidad, y la reducción del rendimiento fue prácticamente insignificante”, dice Zytek.

A partir de este trabajo, los investigadores están creando un sistema que permite a un desarrollador de maniquíes manejar transformaciones características difíciles en un método más amigable con el medio ambiente, para crear explicaciones centradas en el ser humano para modas Este nuevo sistema puede incluso convertir algoritmos diseñados para clarificar conjuntos de datos listos para el modelo en códecs que pueden ser entendidos por los responsables de la resolución.


Modelo radiómico ayuda a predecir la respuesta al tratamiento con radioterapia en pacientes con metástasis cerebrales


Datos adicionales:

La necesidad de opciones interpretables: motivación y taxonomía. kdd.org/exploration_files/vol2 … e_Spaces_revised.pdf

Cita:
Construyendo la explicabilidad en los elementos de los modelos de aprendizaje automático (2022, 30 de junio)
consultado el 30 de junio de 2022
de https://techxplore.com/information/2022-06-components-machine-learning.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato veraz con el objetivo de investigación o análisis personal, no
la mitad también podría ser reproducida sin el permiso por escrito. El material de contenido se proporciona únicamente para funciones de datos.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

Los datos ‘falsos’ ayudan a los robots a aprender más rápido: lo último en inteligencia artificial | IA robótica

Published

on

'Fake' data helps robots learn the ropes faster

The Ultimate Managed Hosting Platform

Introducción

Ingenieros de lenguaje de programación de programas de software para portátiles que han usado C, C++y Programación Java Los idiomas, mientras que los programas de software en crecimiento, han utilizado declaraciones de mayúsculas y minúsculas. Sin embargo, en el caso de Python, no pueden usar declaraciones de cambio de caso porque no parecen estar definidas en Python.

En este artículo, se hará mucho hincapié en la afirmación del caso de intercambio porque hay varios elementos que aclaran por qué la afirmación del caso de intercambio tiene más ventaja que la afirmación if-else. Los componentes son:

  • En comparación con la escalera if-else, una aserción de intercambio funciona mucho antes. Ocurre debido a una mesa de aumento que genera el compilador para un intercambio durante la compilación. Como resultado final, durante la ejecución, en lugar de verificar qué caso se acepta, solo decide qué caso debe ejecutarse.
  • Las declaraciones de cambio son más limpias que las cadenas if-else.
  • Califican mejor la semántica del código que las cadenas if-else.
  • Permiten mucho menos espacio para errores que las cadenas if-else.
  • Reducen la duplicación y sin duda mejoran la eficiencia.
  • Ofrece legibilidad adicional en comparación con las declaraciones if-else.

Simplemente piense, si los programadores obtienen una forma alternativa de escribir códigos que estas complicadas declaraciones if-else en Python, ¿cómo no sería? Si los programadores desean estar protegidos contra el código desordenado que utiliza declaraciones if-else, entonces deben considerar utilizar declaraciones de intercambio de mayúsculas y minúsculas de su codificación. Los beneficios de utilizar declaraciones de casos de intercambio ya se mencionaron anteriormente.

Python no presenta declaraciones de cambio de caso como C, C ++, Java y Ruby, pero seguramente presenta algunas disposiciones para que estas declaraciones funcionen.

Por ejemplo, Python permite a los programadores crear sus fragmentos de código que funcionan como declaraciones de cambio de caso de Python en diferentes lenguajes de programación.

Este texto está destinado a ofrecer métodos para implementar declaraciones de cambio de mayúsculas y minúsculas en Python.

Cambiar afirmación en Python

El swap se puede definir como un mecanismo de gestión que se utiliza para comprobar el valor ahorrado en una variable y ejecutar las declaraciones de caso correspondientes. La función de la aserción de caso de intercambio es introducir circulación de control en este sistema y asegurarse de que el código no esté abarrotado por una serie de declaraciones ‘if’. Por lo tanto, el código parece diligente y claro para los espectadores. Esta gloriosa función de programación es utilizada por los programadores para implementar la distribución de control de su código. El trabajo de la aserción de caso de intercambio es hacer coincidir los valores especificados dentro de las declaraciones de caso con variables dentro del código.

¿Por qué la afirmación de cambio de caso no está en Python?

En Python, las declaraciones de cambio de caso no existen debido a propuestas insatisfactorias. Muchas propuestas fallaron porque es posible que no funcionen bien con la sintaxis de Python y la forma de codificación establecida.

La mayoría de los lenguajes de programación presentan capacidades de intercambio de casos porque carecen de construcciones de mapeo correctas, y la razón es que un valor no se puede asignar directamente a una función.

Pero en el caso de Python, con la ayuda de una mesa de mapeo (dict), es posible asignar un valor seguro a una función segura. En cuanto a la eficiencia, el diccionario de Python puede ser más amigable con el medio ambiente que otra respuesta.

En Python, en lugar de realizar el caso de intercambio, se utiliza un conmutador. En Python, el conmutador a menudo se conoce como asignación de diccionario.

A diferencia de otros idiomas donde se usa un caso de intercambio en el que se ejecutan instancias de acuerdo con la entrada del usuario, en el conmutador, las opciones disponibles se ejecutan de acuerdo con la entrada del usuario.

¿Aprender cómo implementar la aserción de caso de cambio de Python?

Para los programadores que han codificado en lenguajes como C, C++ o Java, parece extraño que Python no ayude a cambiar las declaraciones. En lugar de eso, Python presenta muchas soluciones alternativas similares a un diccionario, capacidades lambda de Python o cursos de Python para la implementación de declaraciones de cambio de caso.

Los programadores deben examinar PEP 3103 para que entiendan la razón exacta por la que Python no se proporciona con la afirmación de caso de intercambio.

¿Qué es PEP 3103?

En Python, PEP significa Propuesta de mejora de Python, y se pueden encontrar varios de ellos. Un PEP se puede describir como un documento en el que se incluyen nuevas opciones para Python. El documento también incluye elementos de diseño de Python, como diseño y elegancia, para el equipo.

PEP 3103, modelo: $Revision$, es una aserción de intercambio/caso, y se creó el 25 de junio de 2006 y se publicó el 26 de junio de 2006.

Este PEP se introdujo para introducir nombres canónicos para las numerosas variantes de varios elementos de la sintaxis y la semántica, como

como “diferente 1”, “universidad II”, “elección 3” y más.

Esta propuesta fue rechazada debido a que no hubo apoyo popular para la misma.

Antes de profundizar más en estas características, es bueno ver el funcionamiento diario de las declaraciones de cambio de caso en el resto de los lenguajes de programación.

Veamos el programa mencionado a continuación hecho utilizando el lenguaje de programación C:

——————————————

swap (DayOfWeek){
    case 1:

        printf(“%s”, Monday);

        break;

    case 2:

        printf(“%s”, Tuesday);

        break;

    case 3:

        printf(“%s”, Wednesday);

        break;

    case 4:

        printf(“%s”, Thursday);

        break;

    case 5:

        printf(“%s”, Friday);

        break;

    case 6:

        printf(“%s”, Saturday);

        break;

    case 7:

        printf(“%s”, Sunday);

        break;

default:

        printf(“Incorrect Day”);

        break;

}

——————————————

Racionalización

En este sistema mencionado anteriormente, si la entrada es “2”, entonces el resultado final de salida puede ser “martes”, y si la entrada es “6”, entonces el resultado final de salida puede ser “sábado”. Cuando la entrada está entre 1 y 7, entonces, en este caso, el resultado final de salida puede ser “Día incorrecto”.

Opciones de las capacidades de la caja del interruptor

Ahora avancemos hacia las opciones de las capacidades de intercambio de casos en Python y aprendamos con ejemplos cómo funcionan estas opciones.

1. Utilización de asignación de diccionario

Los programadores que conocen diferentes lenguajes de programación deberían haber descubierto cómo funciona un diccionario. Para almacenar un grupo de elementos en la memoria, el diccionario utiliza pares clave-valor. En Python, cuando los programadores usan un diccionario como sustituto de las declaraciones de cambio de caso, las claves del par clave-valor funcionan como un caso.

La instancia mencionada a continuación demuestra la implementación de la aserción de caso de intercambio utilizando un diccionario.

En este programa, se describe un mes de ejecución () para imprimir qué semana, cada semana del mes es.

Comencemos a crear declaraciones de casos primero y luego escribamos las capacidades de una persona en particular para cada caso. Asegúrese de que se escriba una ejecución para tratar con el caso predeterminado.

——————————————

def monday():
   
    return “Monday”

def tuesday():

    return “Tuesday”

def wednesday():

    return “Wednesday”

def thursday():

    return “Thursday”

def friday():

    return “Friday”

def saturday():

    return “Saturday”

def sunday():

    return “Sunday”

def default():

    return “Incorrect Day”

——————————————

El siguiente movimiento es crear un objeto de diccionario en Python y almacenar todas las capacidades que se describieron en este sistema.

——————————————

switcher = {
    0: ‘monday’,

    1: ‘tuesday’,

    2: ‘wednesday’,

    3: ‘thursday’,

    4: ‘friday’,

    5: ‘saturday’,

    6: ‘sunday’,

     }

——————————————

En el movimiento final, se puede crear una función de intercambio en este sistema que puede conformarse con un número entero como entrada, realizará una búsqueda en el diccionario e invocará las capacidades correspondientes.

——————————————

def day(DayOfWeek):
   
 return 

     switcher.get(default)()

——————————————

Todo el código se verá de la siguiente manera:

——————————————

def monday():
    return “Monday”

def tuesday():

    return “Tuesday”

def wednesday():

    return “Wednesday”

def thursday():

    return “Thursday”

def friday():

    return “Friday”

def saturday():

    return “Saturday”

def sunday():

    return “Sunday”

def default():

    return “Incorrect Day”

    switcher = {

    0: ‘monday’,

    1: ‘tuesday’,

    2: ‘wednesday’,

    3: ‘thursday’,

    4: ‘friday’,

    5: ‘saturday’,

    6: ‘sunday’,

     }

def day(DayOfWeek):

return switcher.get(DayOfWeek, default)()

print(swap(1))

print(swap(0))

——————————————

El código anterior imprime la siguiente salida:

——————————————

martes

Lunes

——————————————

2. Utilizando lecciones de Python

Clases de Python también son otra opción disponible que se puede utilizar para implementar declaraciones de cambio de mayúsculas y minúsculas en Python.

Una categoría puede describirse como un constructor de objetos que comprende propiedades y estrategias.

Para saber esto diferente, usemos la instancia mencionada anteriormente una vez más.

En este proceso, se puede describir una metodología de intercambio dentro de una clase de intercambio de Python.

Instancia

En la primera acción, se puede delinear un método de intercambio dentro de una clase de intercambio de Python que se puede conformar con cada semana del mes como argumento, y luego esto se puede convertir en una cadena.

——————————————

class PythonSwitch:

def day(DayOfWeek):

        default = “Incorrect Day”

        return getattr(self, ‘case_’ + str(DayOfWeek), lambda: default)()

——————————————

Aviso: se utilizan dos problemas en la instancia anterior: la frase clave lambda y la metodología getattr().

los Frase clave lambda se utiliza para describir una función sin nombre en Python. La función de la frase clave Lambda es invocar la función predeterminada en el momento en que una persona ingresa una entrada no válida.

La realización de la getattr() La metodología es invocar una ejecución en Python. Ahora vamos a crear capacidades de persona particular para cada caso.

——————————————

  def monday(self):
        return “Monday”

  def tuesday(self):

        return “Tuesday”

   def wednesday(self):

        return “Wednesday”

   def thursday(self):

        return “Thursday”

 def friday(self):

        return “Friday”

 def saturday(self):

        return “Saturday”

 def sunday(self):

        return “Sunday”

——————————————

Todo el código se verá de la siguiente manera:

——————————————

class PythonSwitch:

def day(self,DayOfWeek):

        default = “Incorrect Day”

        return getattr(self, ‘case_’ + str(DayOfWeek), lambda: default)()

def monday(self):
       
       return “Monday”

 
 def tuesday(self):

        return “Tuesday”

  
 def wednesday(self):

        return “Wednesday”

   
def thursday(self):

        return “Thursday”


 def friday(self):

        return “Friday”

 
def saturday(self):

        return “Saturday”

 
def sunday(self):

        return “Sunday”

my_switch = PythonSwitch()

print (my_switch.day(1))

print (my_switch.day(6))

——————————————

El código anterior imprime la siguiente salida

——————————————

Lunes

sábado

——————————————

Limitaciones de las declaraciones de intercambio

1. No hay una disposición en el canje, además de en el caso de hacer uso de flotación fija.

2. La expresión variable no se puede usar dentro del caso.

3. No se permite el uso del mismo fijo en dos instancias totalmente diferentes.

4. La expresión relacional no se puede utilizar dentro del caso.

Conclusión

Este texto le enseñó qué son las declaraciones de cambio de caso, qué opciones se pueden utilizar en lugar de declaraciones de cambio de caso y la forma en que se pueden utilizar.

A lo largo del viaje de este texto, nos dimos cuenta de que Python no presenta una afirmación de caso de intercambio incorporada, pero estas opciones se pueden utilizar para aclarar el código y se puede lograr un mayor rendimiento.

Como se definió anteriormente, Python no tiene el poder de un caso de intercambio incorporado, sin embargo, para que el código se vea limpio y claro y para obtener una mayor eficiencia, debe utilizar estas opciones.

Con este texto, hemos hecho todo lo posible para proporcionar la información más efectiva sobre las declaraciones de cambio de caso tanto como sea posible. Siéntase feliz de compartir y brindar sus valiosas sugerencias sobre este texto en los comentarios a continuación.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending