Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "evolutionary learning" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Analiza istotności cech znamion skórnych dla celów diagnostyki czerniaka złośliwego
Skin lesion features analysis for malignant melanoma classification
Autorzy:
Mikołajczyk, A.
Grochowski, M.
Powiązania:
https://bibliotekanauki.pl/articles/268540.pdf
Data publikacji:
2018
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
algorytm ewolucyjny
uczenie maszynowe
sieci neuronowe
systemy wspomagania decyzji
evolutionary algorithm
neural networks
decision support system
machine learning
Opis:
Pomimo dynamicznego rozwoju metod uczenia maszynowego i ich wdrażania do praktyki lekarskiej, automatyczna analiza znamion skórnych wciąż jest nierozwiązanym problemem. Poniższy artykuł proponuje zastosowanie algorytmu ewolucyjnego do zaprojektowania, wytrenowania i przetestowania całych populacji klasyfikatorów (sztucznych sieci neuronowych) oraz ich iteracyjnego udoskonalania w każdej kolejnej populacji, w celu osiągnięcia jak najlepszej dokładności klasyfikacji znamion skórnych. Algorytm zwraca optymalny zestaw cech opisujących obraz dermatoskopowy wraz z proponowaną architekturą sieci neuronowej. Uzyskano dokładność równą 85,83%, swoistość równą 79,07% oraz czułość równą 92,60%.
Despite the dynamic development of machine learning methods, automatic analysis of skin lesions is still open issue. The following article proposes the use of an evolutionary algorithm to design, train, and to test a whole population of classifiers (artificial neural networks) and to iteratively improve them in each subsequent population, in order to achieve the best possible accuracy in the classification of skin lesions task. The algorithm returns an optimal set of features describing the dermatoscopic image together with the proposed architecture of the neural network. High classification results were obtained, in particular: accuracy equal to 85.83%, specificity 79.07% and sensitivity 92.60%.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2018, 60; 67-70
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Artificial intelligence-powered pulse sequences in nuclear magnetic resonance and magnetic resonance imaging: historical trends, current innovations and perspectives
Autorzy:
Tokarz, Paweł
Powiązania:
https://bibliotekanauki.pl/articles/35508129.pdf
Data publikacji:
2024
Wydawca:
Radomskie Towarzystwo Naukowe
Tematy:
artificial intelligence
machine learning
evolutionary algorithm
artificial neural network
nuclear magnetic resonance
magnetic resonance imaging
pulse sequence
shaped pulse
sztuczna inteligencja
uczenie maszynowe
algorytm ewolucyjny
sztuczna sieć neuronowa
magnetyczny rezonans jądrowy
rezonans magnetyczny
sekwencja impulsów
impuls ukształtowany
Opis:
This review article explores the historical background and recent advances in the application of artificial intelligence (AI) in the development of radiofrequency pulses and pulse sequences in nuclear magnetic resonance spectroscopy (NMR) and imaging (MRI). The introduction of AI into this field, which traces back to the late 1970s, has recently witnessed remarkable progress, leading to the design of specialized frameworks and software solutions such as DeepRF, MRzero, and GENETICS-AI. Through an analysis of literature and case studies, this review tracks the transformation of AI-driven pulse design from initial proof-of-concept studies to comprehensive scientific programs, shedding light on the potential implications for the broader NMR and MRI communities. The fusion of artificial intelligence and magnetic resonance pulse design stands as a promising frontier in spectroscopy and imaging, offering innovative enhancements in data acquisition, analysis, and interpretation across diverse scientific domains.
Źródło:
Scientiae Radices; 2024, 3, 1; 30-52
2956-4808
Pojawia się w:
Scientiae Radices
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies