Applications réelles de la formation Deep Learning Ppt

Diapositive 1

Cette diapositive répertorie les applications du Deep Learning dans le monde réel. Celles-ci incluent la détection du retard de développement chez les enfants, la colorisation des images en noir et blanc, l'ajout de son aux films muets, la restauration de pixels et la génération de séquences ou l'hallucination.

Diapositive 2

Cette diapositive indique que l'une des meilleures applications de Deep Learning est la détection précoce et la correction de trajectoire des troubles du développement liés au nourrisson et à l'enfant. Le laboratoire d'informatique et d'IA du MIT et l'Institut des professions de la santé du Massachusetts General Hospital ont créé un système informatique capable de détecter les troubles du langage et de la parole avant même la maternelle, lorsque la plupart des cas apparaissent généralement.

Diapositive 3

Cette diapositive décrit la colorisation d'image, c'est-à-dire la technique consistant à prendre des photos en niveaux de gris et à produire des images colorisées qui représentent les nuances et les tons sémantiques de l'entrée. Traditionnellement, cette technique était réalisée à la main et nécessitait un travail humain. Aujourd'hui, cependant, la technologie d'apprentissage en profondeur est utilisée pour colorer l'image en l'appliquant aux objets et à leur contexte dans la photographie.

Diapositive 4

Cette diapositive indique que pour identifier les sons acceptables pour une scène, un modèle de Deep Learning préfère corréler les images vidéo avec une base de données de sons préenregistrés. Les modèles de Deep Learning utilisent ensuite ces vidéos pour déterminer le son optimal pour la vidéo.

Diapositive 5

Cette diapositive explique qu'en 2017, les chercheurs de Google Brain ont créé un réseau d'apprentissage en profondeur pour déterminer le visage d'une personne à partir de photos de visages de très mauvaise qualité. "Pixel Recursive Super Resolution" était le nom donné à cette approche, et elle améliore considérablement la résolution des photographies, mettant en évidence les caractéristiques essentielles juste assez pour l'identification.

Diapositive 6

Cette diapositive montre que la génération de séquences ou l'hallucination fonctionne en créant des séquences uniques en voyant d'autres jeux vidéo, en comprenant leur fonctionnement et en les reproduisant à l'aide de techniques d'apprentissage en profondeur telles que les réseaux de neurones récurrents. Les hallucinations d'apprentissage en profondeur peuvent produire des visuels haute résolution à partir de photos basse résolution. Cette technique est également utilisée pour restaurer des données historiques à partir de photographies de qualité basse résolution vers des images haute résolution.

Diapositive 7

Cette diapositive décrit que l'approche Deep Learning est incroyablement efficace pour les tests de toxicité des structures chimiques ; les spécialistes mettaient des décennies à établir la toxicité d'une structure particulière, mais avec un modèle d'apprentissage en profondeur, la toxicité peut être déterminée rapidement (il peut s'agir d'heures ou de jours, selon la complexité).

Diapositive 8

Cette diapositive montre qu'un modèle d'apprentissage en profondeur de détection du cancer contient 6 000 paramètres qui pourraient aider à estimer la survie d'un patient. Les modèles d'apprentissage en profondeur sont efficients et efficaces pour la détection du cancer du sein. Le modèle Deep Learning CNN peut désormais identifier et catégoriser la mitose chez les patients. Les réseaux de neurones profonds aident à l'étude du cycle de vie cellulaire.

Diapositive 9

Cette diapositive indique qu'en fonction de l'ensemble de données utilisé pour former le modèle, les algorithmes d'apprentissage en profondeur peuvent prévoir les appels d'achat et de vente pour les commerçants. Ceci est bénéfique pour les transactions à court terme et les investissements à long terme en fonction des attributs disponibles.

Diapositive 10

Cette diapositive décrit que les algorithmes de Deep Learning classent les consommateurs en fonction des achats antérieurs et du comportement de navigation et proposent des publicités pertinentes et personnalisées en temps réel. Nous pouvons le voir en action : si vous recherchez un produit particulier sur un moteur de recherche, le contenu pertinent des catégories associées s'affichera également dans votre fil d'actualités.

Diapositive 11

Cette diapositive montre que le Deep Learning offre une réponse prometteuse au problème de la détection des fraudes en permettant aux institutions de tirer le meilleur parti des données clients historiques et des détails de transaction en temps réel recueillis au moment de la transaction. Les modèles d'apprentissage en profondeur peuvent également être utilisés pour déterminer quels produits et marchés sont les plus vulnérables à la fraude et pour redoubler de prudence dans de telles circonstances.

Diapositive 12

Cette diapositive indique que les sismologues tentent de prévoir le tremblement de terre, mais c'est beaucoup trop compliqué. Une prédiction erronée coûte cher à la fois au peuple et au gouvernement. Il y a deux ondes dans un tremblement de terre : l'onde p (se déplace rapidement mais fait moins de dégâts) et l'onde s (se déplace lentement mais les dégâts sont élevés). Il n'est pas facile de porter des jugements des jours à l'avance, mais en utilisant des techniques d'apprentissage en profondeur, nous pouvons prévoir le résultat de chaque vague en fonction de l'analyse des données et des expériences antérieures. Cela peut prendre des heures, mais c'est assez rapide pour servir d'avertissement utile qui peut sauver des vies et prévenir des dommages.

Diapositive 13

Cette diapositive donne un aperçu de Deep Fakes, qui fait référence à du matériel numérique modifié, tel que des photos ou des vidéos, dans lequel l'image ou la vidéo d'une personne est remplacée par la ressemblance d'une autre personne. Deep Fake est l'une des préoccupations les plus graves auxquelles est confrontée la civilisation moderne.

Remarques de l'instructeur :

En 2018, un faux clip de Barack Obama a été réalisé, utilisant des phrases qu'il n'a jamais prononcées. De plus, Deep Fakes a déjà été utilisé pour déformer les images de Joe Biden montrant sa langue lors des élections américaines de 2020. Ces applications néfastes des deepfakes peuvent influencer significativement la société et entraîner la diffusion de fausses informations, notamment sur les réseaux sociaux.