Hace unos días me encontré con “Una encuesta sobre el aprendizaje profundo en Medical_Image Analysis”. Dice que 2016 ha sido el año ganador de la mayoría de los trabajos publicados de análisis de imágenes médicas con un registro de ~ 250. Y las redes neuronales convolucionales (CNN) son las más utilizadas.
RBM : Máquinas de Boltzman restringidas.
RNN : Redes neuronales recurrentes.
AE : Auto-Encodes.
Otros incluyen la Red Adversarial Generativa.
- ¿Es el número de nodos en una capa oculta más que la capa de entrada? ¿Es esto un problema? ¿Qué se puede aprender en tales redes neuronales?
- ¿Qué es la traducción automática estadística?
- Hay muchas distribuciones de probabilidad presentes en las estadísticas, ¿cómo debería uno usarlas? En general, veo personas que usan distribución gaussiana en algoritmos de aprendizaje automático.
- ¿Qué es la recuperación de información? ¿Qué tan relacionado está con el análisis de datos y el aprendizaje automático?
- Visión por computadora: ¿cómo sé qué vector de características en un vector combinado es más confiable?
Sin embargo, también proporciona ideas interesantes a través de las cuales podemos observar y decidir concisamente sobre temas candentes y cuantificar la cantidad de trabajo dedicado a cada uno de ellos.
A. órganos
B. Tareas / naturaleza del análisis
C. Tecnologías de imagen
