Reale Anwendungen von Deep Learning Training Ppt

Folie 1

Diese Folie listet Anwendungen von Deep Learning in der realen Welt auf. Dazu gehören die Erkennung von Entwicklungsverzögerungen bei Kindern, die Kolorierung von Schwarz-Weiß-Bildern, das Hinzufügen von Ton zu Stummfilmen, die Pixelwiederherstellung sowie die Erzeugung von Sequenzen oder Halluzinationen.

Folie 2

Auf dieser Folie heißt es, dass eine der besten Anwendungen von Deep Learning in der Früherkennung und Verlaufskorrektur von Entwicklungsstörungen bei Säuglingen und Kindern liegt. Das Computer Science and AI Laboratory des MIT und das Institute of Health Professions des Massachusetts General Hospital haben ein Computersystem entwickelt, das Sprach- und Sprachstörungen bereits vor dem Kindergarten erkennen kann, wenn die meisten Fälle normalerweise auftreten.

Folie 3

Auf dieser Folie wird die Bildkolorierung beschrieben, also die Technik, Graustufenfotos aufzunehmen und kolorierte Bilder zu erzeugen, die die semantischen Schattierungen und Töne der Eingabe darstellen. Traditionell wurde diese Technik von Hand ausgeführt und erforderte menschliche Arbeit. Heutzutage wird jedoch die Deep-Learning-Technologie verwendet, um das Bild einzufärben, indem sie auf Objekte und deren Kontext innerhalb des Fotos angewendet wird.

Folie 4

Auf dieser Folie heißt es, dass ein Deep-Learning-Modell zur Identifizierung akzeptabler Geräusche für eine Szene Videobilder vorzugsweise mit einer Datenbank zuvor aufgezeichneter Geräusche korreliert. Deep-Learning-Modelle ermitteln dann anhand dieser Videos den optimalen Ton für das Video.

Folie 5

Auf dieser Folie wird erläutert, dass Forscher von Google Brain im Jahr 2017 ein Deep-Learning-Netzwerk erstellt haben, um das Gesicht einer Person anhand von Fotos von Gesichtern in sehr geringer Qualität zu bestimmen. „Pixel Recursive Super Resolution“ hieß dieser Ansatz und verbessert die Auflösung von Fotos erheblich, indem er wesentliche Merkmale gerade so weit hervorhebt, dass sie identifiziert werden können.

Folie 6

Diese Folie zeigt, dass die Sequenzgenerierung oder Halluzination dadurch funktioniert, dass einzigartiges Filmmaterial erstellt wird, indem man andere Videospiele sieht, versteht, wie sie funktionieren, und sie mithilfe von Deep-Learning-Techniken wie wiederkehrenden neuronalen Netzen reproduziert. Deep-Learning-Halluzinationen können aus Fotos mit niedriger Auflösung hochauflösende Bilder erzeugen. Diese Technik wird auch verwendet, um historische Daten von Fotos mit niedriger Auflösung in hochauflösende Bilder wiederherzustellen.

Folie 7

Auf dieser Folie wird beschrieben, dass der Deep-Learning-Ansatz für Toxizitätstests für chemische Strukturen unglaublich effizient ist. Früher brauchten Spezialisten Jahrzehnte, um die Toxizität einer bestimmten Struktur festzustellen, aber mit einem Deep-Learning-Modell kann die Toxizität schnell bestimmt werden (kann je nach Komplexität Stunden oder Tage dauern).

Folie 8

Diese Folie zeigt, dass ein Deep-Learning-Modell zur Krebserkennung 6.000 Parameter enthält, die dabei helfen können, das Überleben eines Patienten abzuschätzen. Deep-Learning-Modelle sind effizient und effektiv für die Brustkrebserkennung. Das Deep Learning CNN-Modell kann nun Mitosen bei Patienten identifizieren und kategorisieren. Tiefe neuronale Netze helfen bei der Untersuchung des Zelllebenszyklus.

Folie 9

Auf dieser Folie heißt es, dass Deep-Learning-Algorithmen auf der Grundlage des zum Trainieren des Modells verwendeten Datensatzes Kauf- und Verkaufsaufrufe für Händler vorhersagen können. Dies ist aufgrund der verfügbaren Attribute für kurzfristiges Trading und langfristige Investitionen von Vorteil.

Folie 10

Auf dieser Folie wird beschrieben, dass Deep-Learning-Algorithmen Verbraucher anhand früherer Käufe und ihres Surfverhaltens klassifizieren und in Echtzeit relevante und maßgeschneiderte Werbung anbieten. Wir können dies in der Praxis beobachten: Wenn Sie in einer Suchmaschine nach einem bestimmten Produkt suchen, werden Ihnen auch in Ihrem Newsfeed relevante Inhalte verwandter Kategorien angezeigt.

Folie 11

Diese Folie zeigt, dass Deep Learning eine vielversprechende Antwort auf das Problem der Betrugserkennung bietet, indem es Institutionen ermöglicht, sowohl historische Kundendaten als auch Echtzeit-Transaktionsdetails, die zum Zeitpunkt der Transaktion erfasst werden, optimal zu nutzen. Deep-Learning-Modelle können auch verwendet werden, um zu ermitteln, welche Produkte und Marktplätze anfälliger für Betrug sind, und um in solchen Fällen besonders vorsichtig zu sein.

Folie 12

Auf dieser Folie heißt es, dass Seismologen versuchen, das Erdbeben vorherzusagen, aber das sei viel zu kompliziert. Eine falsche Vorhersage kostet sowohl die Bevölkerung als auch die Regierung viel Geld. Bei einem Erdbeben gibt es zwei Wellen: die P-Welle (die sich schnell ausbreitet, aber weniger Schaden anrichtet) und die S-Welle (die sich langsam ausbreitet, aber den Schaden groß macht). Es ist nicht einfach, Tage im Voraus Urteile zu fällen, aber mithilfe von Deep-Learning-Techniken können wir das Ergebnis jeder Welle auf der Grundlage früherer Datenverarbeitung und Erfahrungen vorhersagen. Dies kann Stunden dauern, ist aber schnell genug, um als nützliche Warnung zu dienen, die Leben retten und Schäden verhindern kann.

Folie 13

Diese Folie gibt einen Überblick über Deep Fakes, womit man sich auf verändertes digitales Material wie Fotos oder Videos bezieht, bei dem das Bild oder Video einer Person durch die Ähnlichkeit einer anderen Person ersetzt wird. Deep Fake ist eines der schwerwiegendsten Probleme, mit denen die moderne Zivilisation konfrontiert ist.

Hinweise für Kursleiter:

Im Jahr 2018 wurde ein Parodie-Clip über Barack Obama erstellt, in dem Sätze verwendet wurden, die er nie ausgesprochen hatte. Darüber hinaus wurden Deep Fakes bereits verwendet, um Joe Bidens Aufnahmen zu verfälschen, in denen er zeigt, wie er bei der US-Wahl 2020 die Zunge herausstreckt. Diese schädlichen Anwendungen von Deepfakes können die Gesellschaft erheblich beeinflussen und zur Verbreitung falscher Informationen, insbesondere in sozialen Medien, führen.