Aplicações do mundo real do treinamento de Deep Learning Ppt

Slide 1

Este slide lista as aplicações de Deep Learning no mundo real. Isso inclui a detecção de atraso no desenvolvimento em crianças, coloração de imagens em preto e branco, adição de som a filmes mudos, restauração de pixels e geração de sequência ou alucinação.

Slide 2

Este slide afirma que uma das melhores aplicações do Deep Learning é a detecção precoce e a correção do curso de distúrbios de desenvolvimento relacionados a bebês e crianças. O Laboratório de Ciência da Computação e IA do MIT e o Instituto de Profissões de Saúde do Hospital Geral de Massachusetts criaram um sistema de computador que pode detectar distúrbios de linguagem e fala antes mesmo do jardim de infância, quando a maioria dos casos geralmente surge.

Slide 3

Este slide descreve a colorização da imagem, ou seja, a técnica de tirar fotos em tons de cinza e produzir imagens coloridas que representam as sombras e tons semânticos da entrada. Tradicionalmente, essa técnica era realizada manualmente e exigia mão de obra humana. Hoje, no entanto, a Deep Learning Technology é usada para colorir a imagem, aplicando-a a objetos e seu contexto na fotografia.

Slide 4

Este slide afirma que, para identificar sons aceitáveis para uma cena, um modelo de Deep Learning prefere correlacionar quadros de vídeo com um banco de dados de sons pré-gravados. Os modelos de aprendizado profundo usam esses vídeos para determinar o som ideal para o vídeo.

Slide 5

Este slide discute que, em 2017, os pesquisadores do Google Brain criaram uma rede de Deep Learning para determinar o rosto de uma pessoa a partir de fotos de rostos de qualidade muito baixa. “Pixel Recursive Super Resolution” foi o nome dado a esta abordagem, e melhora consideravelmente a resolução das fotografias, destacando características essenciais apenas o suficiente para a identificação.

Slide 6

Este slide mostra que a geração de sequência ou alucinação funciona criando imagens únicas ao ver outros videogames, entender como eles funcionam e replicá-los usando técnicas de aprendizado profundo, como redes neurais recorrentes. As alucinações de Deep Learning podem produzir visuais de alta resolução a partir de fotos de baixa resolução. Essa técnica também é usada para restaurar dados históricos de fotografias de baixa resolução para imagens de alta resolução.

Slide 7

Este slide descreve que a abordagem Deep Learning é incrivelmente eficiente para testes de toxicidade para estruturas químicas; os especialistas costumavam levar décadas para estabelecer a toxicidade de uma estrutura específica, mas com um modelo de aprendizado profundo, a toxicidade pode ser determinada rapidamente (pode levar horas ou dias, dependendo da complexidade).

Slide 8

Este slide mostra que um modelo Deep Learning de detecção de câncer contém 6.000 parâmetros que podem ajudar a estimar a sobrevida de um paciente. Modelos de aprendizado profundo são eficientes e eficazes para detecção de câncer de mama. O modelo Deep Learning CNN agora pode identificar e categorizar a mitose em pacientes. Redes neurais profundas auxiliam no estudo do ciclo de vida celular.

Slide 9

Este slide afirma que, com base no conjunto de dados usado para treinar o modelo, os algoritmos de Deep Learning podem prever chamadas de compra e venda para traders. Isso é benéfico para negociações de curto prazo e investimentos de longo prazo com base nos atributos disponíveis.

Slide 10

Este slide descreve que os algoritmos de Deep Learning classificam os consumidores com base em compras anteriores e comportamento de navegação e oferecem anúncios relevantes e personalizados em tempo real. Podemos ver isso em ação: se você pesquisar um determinado produto em um mecanismo de pesquisa, também será exibido conteúdo relevante de categorias aliadas em seu feed de notícias.

Slide 11

Este slide mostra que o Deep Learning oferece uma resposta promissora para o problema da detecção de fraudes, permitindo que as instituições aproveitem ao máximo os dados históricos dos clientes e os detalhes da transação em tempo real coletados no momento da transação. Os modelos de Deep Learning também podem ser usados para determinar quais produtos e mercados são mais vulneráveis a fraudes e para ser mais cauteloso em tais circunstâncias.

Slide 12

Este slide afirma que os sismólogos tentam prever o terremoto, mas é muito complicado. Uma previsão incorreta custa muito dinheiro ao povo e ao governo. Existem duas ondas em um terremoto: a onda p (viaja rapidamente, mas causa menos danos) e a onda s (viaja devagar, mas o dano é alto). Não é fácil fazer julgamentos com dias de antecedência, mas usando técnicas de aprendizado profundo, podemos prever o resultado de cada onda com base em análises e experiências anteriores. Isso pode levar horas, mas é rápido o suficiente para servir como um aviso útil que pode salvar vidas e evitar danos.

Slide 13

Este slide apresenta uma visão geral do Deep Fakes, que se refere a material digital modificado, como fotos ou vídeos, no qual a imagem ou vídeo de uma pessoa é substituída pela semelhança de outra pessoa. Deep Fake é uma das preocupações mais severas que a civilização moderna enfrenta.

Notas do instrutor:

Em 2018, foi feito um clipe paródia de Barack Obama, usando frases que ele nunca falou. Além disso, Deep Fakes já foram usados para distorcer as imagens de Joe Biden mostrando sua língua de fora nas eleições de 2020 nos EUA. Essas aplicações prejudiciais de deepfakes podem influenciar significativamente a sociedade e resultar na disseminação de informações falsas, principalmente nas mídias sociais.