Algoritmos para agilizar el aprendizaje automático

Matemáticos han desarrollado un nuevo enfoque para el aprendizaje automático aplicado a datos de visualización experimentales.

En vez de usar miles de imágenes como hacen los métodos de aprendizaje automático habituales, este nuevo método “aprende” de forma mucho más rápida y precisa a partir de una cantidad de imágenes muy inferior.

El nuevo método, obra del equipo de Daniël Pelt y James Sethian, del Laboratorio Nacional estadounidense Lawrence Berkeley (Berkeley Lab), tampoco necesita para funcionar tantos parámetros como los métodos tradicionales.

Su uso práctico ya está en marcha. Se le está utilizando para reconocer estructuras biológicas en imágenes de células.

Pero es capaz de servir como una potente herramienta informática para analizar datos de muchas otras áreas de investigación.

Acai proves to be http://secretworldchronicle.com/booktwo.php purchase cialis a great source of protein for the body. 2. Online services will help you in finding the best items in different flavors, sizes, brands and soft tabs viagra rates. If you really want to spice up your sexual life by adopting cheap cialis a healthy life. In any case, it demonstrated more viable in boosting sexual capacities and the erection of the penis. cialis without prescription Dado que a menudo en los laboratorios y otras instalaciones experimentales se generan imágenes de gran resolución y en cantidades elevadas (registrar lo ocurrido en un experimento para su posterior análisis puede suponer fácilmente tomar miles de fotos por minuto), los científicos pueden tener dificultades para gestionar esta documentación gráfica, una tarea que muchas veces se efectúa trabajosamente a mano.

“En numerosas aplicaciones científicas, se necesita una tremenda labor manual para apuntar y etiquetar imágenes, y pueden precisarse semanas para producir un puñado de imágenes cuidadosamente delineadas”, argumenta Sethian.

“Nuestro objetivo era desarrollar una técnica que aprendiera a partir de un conjunto de datos muy pequeño”.

El avance fue el resultado de darse cuenta de que la reducción a escala normal y el aumento de escala que capturan las funciones en varias escalas de imagen podrían reemplazarse por circunvoluciones matemáticas que manejan escalas múltiples dentro de una sola capa.

Fuente: Noticias de la Ciencia