亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

這本書將技術和醫療領域相結合，涵蓋了計算機視覺（CV）和機器學習（ML）的進步，這些進步促進了診斷以及治療和預防性醫療保健的自動化。它特別關注可解釋的人工智能（XAI），揭開了ML的黑盒子，并彌合了技術人員和醫療界之間的語義鴻溝。《醫療中的可解釋人工智能：為生物醫學開箱機器學習》旨在成為計算機科學、電子與通信、信息技術、儀器控制和電氣工程等領域的從基礎到中級再到專家級別的實踐者、研究者和學生的首選參考書。

這本書將以以下方式惠及讀者：

探索計算機視覺和深度學習的最新技術，以開發用于醫療保健診斷的自主或半自主算法。研究計算機科學家和醫生之間如何通過XAI建立橋梁。關注數據分析如何提供理由來應對醫療保健的挑戰，并使決策過程更加透明。啟動關于醫療保健中人工智能與人的關系的討論。統一關于醫療保健隱私保護的學習。

人工智能(AI)技術，特別是那些基于深度學習(DL)的技術，已經在各種各樣的任務上變得非常有效，有時甚至表現得比人類專家更好。然而，它們也有一些問題:它們通常以不透明和/或棘手的方式運行，它們的非常好的性能僅是統計上的，即使在明顯的情況下也可能失敗，它們可能做出有偏見的決定，它們很容易通過對抗性攻擊進行操作，舉幾個例子。這些限制阻礙了它們在具有重大經濟或社會利益的應用中被采用，特別是在關鍵或明智的應用中，如自動駕駛、醫療診斷或貸款批準。

考慮到這一點，為了增加基于深度學習的人工智能系統的可信性，通過為這些系統所做的決策提供人類用戶可以理解的解釋，進行了大量的研究。本書的目的是為專家或外行人用戶介紹可解釋深度學習領域的主要方法的最新和原始貢獻。提出了兩種主要類型的方法:“事后”或“模型不可知”的方法，其中對一個已經可用的“黑盒”系統的操作進行建模和解釋，以及內在的方法，其中系統被專門設計為具有可解釋的操作模式的“白盒”。本書是我們在ICPR’2020 IAPR和IEEE會議上組織的一個非常成功的研討會“Explainable Deep Learning-AI”的后續工作，該研討會對該領域正在進行的研究進行了大規模的參觀。可解釋性的問題在許多媒體領域都得到了解決，包括圖像、文本、時間序列和表格數據。兩章具體論述了解釋方法評價的難點和重要問題。最后，在結語部分提出了仍然存在的挑戰。

//www.elsevier.com/books/explainable-deep-learning-ai/benois-pineau/978-0-323-96098-4

近年來，機器學習(ML)、人工智能(AI)和其他數據驅動技術取得了重大進展，在生物醫學信息學、健康信息學、醫學AI、醫療物品AI (AIoMT)、醫療AI和智能家庭護理等許多領域都取得了令人振奮的進展，將醫療和健康數據分析帶入了一個新時代。這是一個神奇的時代，所有這些現代機器學習和數據分析技術的幾乎所有應用領域都平等地存在著機遇和挑戰。我們很幸運，因為我們現在已經使用不同的先進機器學習技術在醫療診斷和醫療健康服務方面取得了許多最先進的成果。例如，目前許多淺層和深度學習框架和AI技術已經成功地應用于醫療診斷和醫療健康服務。然而，在試圖解決復雜問題時，仍有許多挑戰需要克服，以獲得令人滿意的解決方案。例如，從可靠性、倫理、可解釋性等角度來看，數據驅動AI和黑盒深度神經網絡越來越受到關注。

我們已經看到機器學習、人工智能和其他數據分析(如數據建模、數據挖掘)技術在醫療診斷和醫療保健服務領域的應用越來越多，例如神經生理信號和神經成像處理、癌癥和疾病診斷、醫療健康(如電子健康記錄)和福祉數據分析、流行病診斷和預測，這只是其中的一部分。許多新的方法和算法被開發出來，旨在解決與我們日常生活密切相關或重大影響的現有問題或新興問題。現在是時候推動傳播應用AI和ML技術解決醫療診斷和保健服務領域問題的最新結果和發現了。本書旨在展示數據驅動和基于數據的ML和AI技術的最新進展，重點介紹了方法和算法的實現，包括信號處理和系統識別，數據挖掘，圖像處理和模式識別，以及深度神經網絡及其應用。

深度學習是人工智能的一個分支學科，它使用一種名為人工神經網絡的機器學習技術，從大型數據集中提取模式并做出預測。深度學習在醫療保健領域的日益普及，以及高度特征的癌癥數據集的可用性，加速了深度學習在復雜癌癥生物學分析中的應用研究。雖然早期的結果很有希望，但這是一個快速發展的領域，癌癥生物學和深度學習領域都出現了新知識。在這篇綜述中，我們概述了新興的深度學習技術以及它們是如何應用于腫瘤學的。我們專注于組學數據類型的深度學習應用，包括基因組、甲基化和轉錄組數據，以及基于組織病理學的基因組推斷，并提供了如何集成不同數據類型以開發決策支持工具的觀點。我們提供了具體的例子，如何深度學習可以應用于癌癥診斷，預后和治療管理。我們還評估了深度學習在精確腫瘤學中的應用目前的局限性和挑戰，包括缺乏表型豐富的數據和需要更多解釋的深度學習模型。最后，我們討論了如何克服目前的障礙，從而使深度學習在未來的臨床應用成為可能。

人工智能(AI)包含多種技術，其共同目標是計算模擬人類智能。機器學習(ML)是人工智能的一個分支，專注于通過使用數學算法識別數據中的模式來進行預測。深度學習(DL)是ML的一個亞組，專注于利用受大腦神經結構啟發的多層神經網絡算法進行預測。與其他ML方法(如邏輯回歸)相比，DL的神經網絡架構使模型能夠隨著數據[1]的數量和維數的增長呈指數級伸縮。這使得DL特別適用于解決復雜的計算問題，如大規模圖像分類、自然語言處理、語音識別和翻譯[1]。

由于包括基因組、轉錄組和組織病理學數據在內的多種數據類型的可用性和整合性不斷增加，癌癥護理正在向精準醫療轉變(圖1)。用于轉化研究或臨床任務的多種高維數據類型的使用和解釋需要大量的時間和專業知識。此外，多個數據類型的集成比單個數據類型的解釋更占用資源，并且需要能夠從大量復雜特征中學習的建模算法。使用ML算法來自動化這些任務并幫助癌癥檢測(識別癌癥的存在)和診斷(表征癌癥)已經變得越來越普遍[2,3]。令人興奮的是，DL模型有潛力利用這種復雜性來提供有意義的見解，并從多種數據類型中識別相關的粒度特征[4,5]。本文綜述了深度學習在癌癥診斷、預后和治療選擇方面的最新應用。我們專注于組學和組織病理學數據的DL應用，以及多種數據類型的集成。我們提供了一個簡短的介紹新興DL方法相關的應用程序涵蓋在這一綜述。接下來，我們將討論DL在腫瘤學中的具體應用，包括腫瘤起源檢測、分子亞型鑒定、預后和生存能力預測、基因組性狀的組織學推斷、腫瘤微環境分析以及未來在空間轉錄組學、宏基因組學和藥物基因組學中的應用。我們總結了目前的挑戰和潛在的策略，使DL在臨床環境中常規應用。

//pubmed.ncbi.nlm.nih.gov/34579788/

圖像分類、目標檢測與跟蹤、姿態估計、人臉識別和情感估計在解決計算機視覺問題中都起著重要的作用。

本書將重點介紹這些和其他深度學習架構和技術，以幫助您創建使用Keras和TensorFlow庫的解決方案。您還將回顧多種神經網絡架構，包括LeNet、AlexNet、VGG、Inception、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLO和SqueezeNet，并通過最佳實踐、技巧、捷徑和陷阱了解它們如何與Python代碼一起工作。所有代碼片段都將被分解并進行詳細討論，以便您可以在各自的環境中實現相同的原則。

使用深度學習的計算機視覺提供了一個全面而簡潔的指南，將DL和CV結合在一起，實現自動化操作，減少人工干預，提高能力，并降低成本。

你會:

• 掌握深度學習的代碼和概念，將指導原則應用到您自己的項目中
• 對各種體系結構進行分類和評估，以更好地理解您在各種用例中的選擇
• 深入基本深度學習功能，找出它們是如何工作的。

不久前，計算機視覺還只是科幻小說的專屬內容，但現在，即使不是在整個社會，也正迅速成為各行各業的普遍現象。人類視覺是人類感官中最珍貴的一種，在模仿人類視覺這一領域取得的進展令人驚嘆。直到1957年，拉塞爾·基爾希才掃描出了世界上第一張照片——他兒子的黑白照片。到20世紀80年代末，西羅維奇和柯比的工作幫助人臉識別成為一種可行的生物識別技術。盡管存在隱私問題和法律挑戰，但Facebook在2010年將人臉識別技術納入其社交媒體平臺時，使這項技術無處不在。

這本書試圖解釋計算機視覺問題的深度學習和神經網絡的概念。我們正在詳細研究卷積神經網絡，以及它們的各個組成部分和屬性。我們正在探索各種神經網絡架構，如LeNet, AlexNet, VGG, R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO, ResNet, Inception, DeepFace，和FaceNet的細節。我們還在開發實用的解決方案，以解決二值圖像分類、多類圖像分類、目標檢測、人臉識別和視頻分析的用例。我們將使用Python和Keras作為解決方案。所有的代碼和數據集被檢入GitHub repo快速訪問。在最后一章中，我們將學習深度學習項目中的所有步驟——從定義業務問題到部署。我們還在處理在制定解決方案時面臨的重大錯誤和問題。在這本書中，我們提供了訓練更好的算法的技巧和技巧，減少訓練時間，監測結果，并改進解決方案。我們也分享代表性的研究論文和數據集，你應該使用它們來獲得進一步的知識。

這本書把這個主題分成三部分。在第1章到第4章，本書描述了神經網絡的本質和揭秘他們如何學習。并指出了不同的架構及其歷史意義。實踐者在擁有所有所需資源的情況下，可以體驗到LeNet優雅的簡單性、AlexNet提高的效率以及流行的VGG Net。在第5至7章，從業人員運用簡單而強大的計算機視覺應用，如訓練算法來檢測物體和識別人臉。在進行視頻分析時，我們遇到了漸變消失和爆炸的困擾問題，以及如何在ResNet架構中使用跳過連接來克服它。最后，在第8章中，我們回顧了完整的模型開發過程，從正確定義的業務問題開始，系統地推進，直到模型在生產環境中部署和維護。