详细内容或原文请订阅后点击阅览
停止占用所有数据并利用它们做点什么 ⚙️
请将您的数据提供给机器。人工智能正在将数据需求提升到一个新的水平。📈假设您可以访问 5,000 张被正确诊断患有某种特定类型癌症（A 型）的患者的 X 射线图像。今天，使用这些数据来训练机器人在新患者中检测出这种癌症出奇地容易。要构建这个机器人，您需要构建一个由神经网络驱动的图像分类器，而 5,000 张 X 射线图像将是您的训练数据集。您将再添加 5,000 张没有癌症的患者的 X 射线，这样分类器就会同时拥有健康和受影响的 X 射线的示例。本质上，这个图像分类器机器人会使用图像梯度在像素级别寻找常见模式，并使用一种广泛使用的机器学习算法（称为反向传播）将该模式与 A 型癌症相关联。请注意，您不必向机器人指定像素级别的模式，它就可以检测出癌症。这将是一个非常低效的过程，也可能不准确。相反，在我们的深度学习模型中，机器人会自己寻找模式。它会仔细评估带有癌症的图像的小像素网格，并将其与所有其他图像中的相应网格进行比较，以找到存在的模式。如需进一步阅读，您可以查看诸如内核卷积之类的概念，或机器人如何在 Kaggle 竞赛中检测各种物体。如果您想深入了解这项技术，您可以阅读我的文章“大规模学习和‘如果-那么’的终结
来源:Medium - Archie.AI别再坐等所有数据，用它做点什么吧⚙️
别再坐等所有数据，用它做点什么吧⚙️
别再坐等所有数据，用它做点什么吧请将您的数据提供给机器。
人工智能将数据需求提升到了一个新的水平。📈
假设您可以访问 5,000 张被正确诊断为患有特定类型癌症（A 型）的患者的 X 射线图像。
如今，使用这些数据来训练机器人在新患者中检测这种癌症出奇地容易。
要构建这个机器人，您需要构建一个由神经网络驱动的图像分类器，而这 5,000 张 X 射线图像将是您的训练数据集。
您将添加另外 5,000 张未患癌症的患者的 X 光片，这样分类器就有健康和受影响的 X 光片的示例。
本质上，这个图像分类器机器人将使用图像梯度在像素级别寻找常见模式，并使用一种广泛使用的机器学习算法（称为反向传播）将该模式与 A 型癌症关联起来。
请注意，您不必在像素级别向机器人指定模式，它就可以检测癌症。 这将是一个非常低效的过程，也可能不准确。
相反，在我们的深度学习模型中，机器人会自己寻找模式。 它会仔细评估带有癌症的图像的小像素网格，并将其与所有其他图像中的相应网格进行比较，以找到存在的模式。 如需进一步阅读，您可以查看诸如核卷积之类的概念或机器人如何在 Kaggle 竞赛中检测各种物体。
内核卷积 在 Kaggle 竞赛中检测各种物体如果您想深入了解这项技术，可以阅读我的文章“大规模学习和‘如果-那么’逻辑的终结”。
大规模学习和‘如果-那么’逻辑的终结重点是，使用当前可用的开源/SaaS 深度学习平台、一点动力和对正确数据集的访问，人们可以立即设置这个机器人。