Обучение живых и «биологичная» нейронная сеть
Давайте разберемся, как же живой мозг обучается. Насколько его обучение похоже или не похоже на то, как это делают машины. Попытаемся смоделировать некоторые аспекты обучения. В машинном обучении укоренились термины обучение без учителя (англ. unsupervised — без контроля) и обучение с учителем (англ. supervised — под контролем). Обучение без учителя – это обучение по неразмеченным данным, или примерам. А обучение с учителем это обычно обучение по некоторым размеченным данным, обучение на примерах при котором результат регулируется и корректируется некоторым внешним механизмом с учётом этой самой разметки. Иногда термин «обучение без учителя» применяют в случае, когда у нас имеется некий агент, которого мы помещаем в некую среду, причём агент изначально не знает по каким правилам и законам действует среда, и без внешней помощи агент обучается взаимодействовать с этой средой. Если у агента имеется некий механизм оценки достижения цели, то это уже можно назвать термином — обучение с подкреплением. Насколько корректны и применимы эти термины к обучению живых организмов?
Бодрствующий мозг учится в четыре раза быстрее, чем спящий
Исследователи из Национальных институтов здравоохранения США записали активность нейронов мозга людей при обучении. Они обнаружили, что в перерывах между обучением мозг в три раза быстрее воспроизводит сжатые воспоминания, чем во время обучения. Кроме того, бодрствующий мозг в четыре раза быстрее запоминает навыки, чем спящий.
Учёные научились предсказывать по ЭЭГ, какие люди нравятся испытуемому
Исследователи Копенгагенского и Хельсинкского университетов обучили алгоритмы предсказывать выбор пациента по показателям электроэнцефалографии (ЭЭГ) при помощи методов машинного обучения и коллаборативной фильтрации.
ИИ научили определять преждевременный выход из наркоза
Исследователи разработали алгоритм для оценки состояния пациентов во время операций. По активности нейронов компьютерная система распознаёт момент начала выхода из наркоза и предупреждает анестезиолога.
Платформа машинного обучения визуализирует активные нейроны в режиме реального времени
Исследователи Дюкского университета научили ИИ искать и выделять активные нейроны. Новый способ упростит диагностику и позволит наблюдать за мозгом людей и других животных в режиме реального времени.
Модель машинного обучения восстановила изображения, которые видел человек
Исследователи использовали модель машинного обучения Brain2pix для преобразования сканов изображений мозга в изображения. Модель успешно восстановила увиденные человеком сцены путем анализа его мозговой активности.
Исследователи DeepMind создали виртуальную крысу, чтобы понять, как её мозг управляет движениями
Исследователи из DeepMind и Гарвардского университета создали виртуальную модель крысы с искусственным интеллектом, и запрограммировали её на выполнение нескольких задач. Затем они использовали методы нейробиологии, чтобы понять, как искусственный мозг управляет движениями цифрового грызуна.
Делимся самым большим в РФ пластом данных по онлайн-обучению с проектами по лингвистике, персонализации, педдизайну, ML
Перед Новым годом команда Михаила Sverdlove Свердлова объявила, что готова делиться обезличенными данными уроков Skyeng с внешними исследователями и стартапами. Вскоре после праздников мы поговорили с Мишей, о каких именно данных идет речь, что уже с ними делают и почему получить свой дата-сет можно, только написав ему на почту. — Если вы делитесь данными, то почему бы просто не залить датасет куда-нибудь? Самый большой корпус английского языка в России, по-моему, составляет 10 тысяч позиций. К концу января в нашей школе глобально прошло свыше 9,1 миллионов уроков — насколько знаю, большим набором именно по онлайн-образованию и урокам один-на-один обладают только китайские школы. Мы знаем, что происходило и как менялись действия учителя и ученика за все уроки, которые мы провели, у нас есть трек истории всех упражнений по ним. Это порядка 120 метрик по учителям, а также около 300 параметров по детям двух возрастных групп (4-11 и 11-18 лет) и взрослым разных возрастов, городов, статусов (например, студентам) и так далее. И это точно не все параметры, которые мы можем собирать, — кажется можно использовать в 2-3 раза больше. На таком объеме история «вот ссылка на датасет, покрутите, кто хочет» едва ли будет работать.
Простой классификатор P300 на открытых данных
Мой коллега Рафаэль Григорян eegdude недавно написал статью о том, зачем человечеству потребовалась ЭЭГ и какие значимые явления могут быть зарегистрированы в ней. Сегодня в продолжение темы нейроинтерфейсов мы используем один из открытых датасетов, записанных на игре, использующей механику P300, чтобы визуализировать сигнал ЭЭГ, посмотреть структуру вызванных потеницалов, построить основные классификаторы, оценить качество, с которым мы можем предсказать наличие такого вызыванного потенциала. Напомню, что P300 — это вызванный потенциал (ВП), специфический отклик мозга связанный с принятием решений и и различением стимулов (что он из себя представляет мы увидим ниже). Обычно он используется для построения современных BCI. Для того, чтобы заняться классификацией ЭЭГ, можно позвать друзей, написать игру про Енотов и Демонов в VR, записать собственные реакции и написать научную статью (об этом я расскажу как-нибудь в другой раз), но по счастью, учёные со всего мира уже провели некоторые эксперименты за нас и осталось только скачать данные. Разбор способа построения нейроинтерфейса на P300 с пошаговым кодом и визуализациями, а также ссылку на репозиторий можно найти под катом.
