Author Archive: Sadie Coats

คอมพิวเตอร์บรรลุเป้าหมายสำหรับการฝึกหัดเพื่อระบุสัตว์ในรูปถ่าย

ความรุ่งโรจน์ทางปัญญาประดิษฐ์เนื้อหาในบทความที่เผยแพร่ในวารสารทางวิทยาศาสตร์ในนิเวศวิทยารวมทั้งวิวัฒนาการชี้แจงว่าเป็นความรุ่งโรจน์ที่สำคัญในการศึกษาเรียนรู้รวมทั้งการอนุรักษ์และรักษาสัตว์ป่า ขณะนี้มีโมเดลคอมพิวเตอร์อยู่ในชุดโปรแกรมคอมพิวเตอร์สำหรับโปรแกรม ซึ่งเป็นภาษาทางการโปรแกรมที่ใช้กันอย่างมากมายแล้วก็สิ่งแวดล้อมซอฟต์แวร์เสรีในการคำนวณทางสถิติ

ความรู้ความเข้าใจสำหรับการเจาะจงภาพได้อย่างรวดเร็วนับล้านรูปภาพจากกล้องถ่ายรูปแอบฟังของทางกล้องถ่ายรูปสามารถแปลงกรรมวิธีออกแบบรวมทั้งจัดการเรียนรู้ด้านสัตว์ป่าของบรรดานักนิเวศน์วิทยาได้” ผู้เขียนพรีเซนเทชั่นเป็น UW Department of Zoology and Physiology Ph.D. เรียนจบจากไมเคิลทาบาคแล้วก็ไรอันไม่ลเลอร์อีกทั้งศูนย์ระบาดวิทยาและก็สุขลักษณะสัตว์ของกระทรวงเกษตรสหรัฐฯในเมืองฟอร์ตคอลลินส์โคโล

การศึกษาสร้างผลงานวิจัยของ UW ซึ่งเผยแพร่เมื่อต้นปีก่อนหน้าที่ผ่านมาในรายงานฉบับล่าสุดของสถาบันวิจัยวิทยาศาสตร์แห่งชาติ (PNAS) ซึ่งเป็นโมเดลคอมพิวเตอร์วิเคราะห์ภาพ 3.2 ล้านภาพที่ถ่ายโดยกล้องถ่ายรูปในแอฟริกาโดยแผนการวิทยาศาสตร์พลเมืองที่เรียกว่าSnapshot Serengeti วิธีปัญญาประดิษฐ์ที่เรียกว่าการแบ่งประเภทภาพสัตว์อย่างถ่องแท้โดยมีอัตราความถูกต้องชัดเจนปริมาณร้อยละ 96.6 เหมือนกับกรุ๊ปอาสาสมัครมนุษย์ประสบความสำเร็จในอัตราที่เร็วกว่าคนธรรมดาทั่วไป

ในการศึกษาเรียนรู้ปัจจุบันนักวิจัยได้รับการฝึกอบรมเครือข่ายประสาทเทียมลึกบนเทือกเขาคอมพิวเตอร์ Mount Moran ซึ่งเป็นกลุ่มคอมพิวเตอร์ที่มีคุณภาพสูงของ UW เพื่อจัดประเภทสัตว์ป่าโดยใช้ภาพลักษณาการดักจับสัตว์ 3.37 ล้านรูปภาพที่เอามาจาก 27 ชนิดของสัตว์ที่ได้รับจากห้ารัฐทั่วประเทศสหรัฐอเมริกา แบบจำลองนี้ได้รับการทดสอบในแทบ 375,000 ภาพสัตว์ในอัตราราวๆ 2,000 ภาพต่อนาทีบนคอมพิวเตอร์แล็ปท็อปโดยมีความเที่ยงตรง 97.6 เปอร์เซ็นต์ซึ่งน่าจะเป็นความเที่ยงตรงสูงสุดสำหรับการใช้การศึกษาด้วยเครื่องเพื่อแยกชนิดสัตว์ป่า

โมเดลคอมพิวเตอร์ยังได้รับการทดลองในชุดย่อยที่เป็นอิสระของภาพกวางมูซกวางกวางรวมทั้งหมูป่าปริมาณ 5,900 รายจากประเทศแคนาดาโดยมีอัตราความถูกต้องแน่ใจ 81.8 เปอร์เซ็นต์ แล้วก็ประสบผลสำเร็จในการลบภาพ ว่าง” (ไม่มีสัตว์ใดๆออกจากชุดรูปภาพที่นำมาจากประเทศแทนซาเนียถึง 94 เปอร์เซ็นต์

นักวิจัยได้สร้างแบบจำลองของตนเองขึ้นในแพคเกจซอฟต์แวร์ในโปรแกรม R. แพคเกจ “Machine Learning for Wildlife Image Classification in R (MLWIC)” ช่วยทำให้ผู้ใช้รายอื่นสามารถจำแนกประเภทภาพที่มี 27 จำพวกในชุดข้อมูลได้ ยังช่วยทำให้ผู้ใช้สามารถฝึกหัดแบบจำลองการเล่าเรียนด้วยเครื่องของตนเองโดยใช้ภาพที่เอามาจากชุดข้อมูลใหม่

ผู้เขียนบทนำของบทความ PNAS, วิทยาการคอมพิวเตอร์ล่าสุด Ph.D. จบการศึกษา Mohammad Sadegh (Arash) Norouzzadeh เป็นเยี่ยมในผู้ร่วมเขียนบทความฉบับใหม่ในด้านนิเวศวิทยารวมทั้งพัฒนาการนักค้นคว้าที่เข้าร่วมโครงงานอื่นๆจาก UW เป็นต้นว่า ภาควิชาวิทยาการคอมพิวเตอร์รศ. Jeff Clune และก็นักค้นคว้าข้างหลังปริญญาเอกของเอลิซาเบ ธ แมนวิลล์จากหน่วยศึกษาค้นคว้าสหพันธรัฐไวโอมิงรวมทั้งสัตว์ป่า

องค์กรอื่นๆที่เป็นตัวแทนในกรุ๊ปศึกษาค้นคว้าคือศูนย์วิจัยสัตว์ป่าแห่งชาติของ USDA มหาวิทยาลัยแห่งรัฐแอริโซนา California Conservation of Tejon Ranch มหาวิทยาลัยหน้าจอร์เจียมหาวิทยาลัยฟลอริดาสวนสาธารณะโคโลราโดและก็สัตว์ป่ามหาวิทยาลัยSaskatchewan และก็มหาวิทยาลัย Montana

วิธีการใช้สถิติสำหรับเพื่อการเล่นไพ่

คนนับล้านบันเทิงใจกับการเล่นสะพานและผู้เล่นนับล้านคนรู้เรื่องกฎฐานรากของเกม พวกเขาฝึกแล้วก็เล่นทุกเมื่อเชื่อวัน หลายคนเข้าถึงระดับความชำนิชำนาญและที่ราบสูง เกมของพวกเขาหยุดการปรับแต่ง

มีอะไรรับผิดชอบในที่ราบสูงนี้สำหรับคำตอบคือสถิติ หรือต้องถูกต้องมากขึ้นการขาดความเข้าใจหรือความรู้ความเข้าใจเรื่องการใช้สถิติเมื่อคุณกำลังเล่น

อะไรสถิติจะทำยังไงกับการเล่นสะพานฉันได้ยินคุณถามคำตอบเป็น มาก” พวกเขาสามารถและก็มักเป็นอุปสรรคต่อการเป็นผู้เล่นที่ดีมากกว่า

สมมุติว่าคุณเป็นสัญญา เมื่อฝ่ายตรงข้ามได้ทำมือเปิด dummy นำของพวกเขาถูกเผยสำหรับทุกคนที่จะเห็น คุณรู้ไหมว่าบัตรใดที่คุณเก็บไว้

ช่วงนี้สมมติว่าคุณกำลังเล่นคำสัญญาที่ดีมากยิ่งกว่า มัมมี่มีไพ่ ใบอยู่ในแตรแล้วก็คุณถือไพ่ทั้งหมด ใบรวม ใบ นั่นนับได้ว่าฝ่ายตรงข้ามของคุณถือ คนที่อาจหาญระหว่างพวกเขา

คุณต้องวางแผนการเล่นของคุณขึ้นกับการ์ดที่คุณถืออยู่ในปั้นจั่นคุณอาจต้องลองรวมทั้งหาวิธีการปั้นระหว่างปรปักษ์ การแยก 4-0 อาจคือเกมเล่นอย่างไม่เหมือนกับที่เคยเล่นถ้าเกิดมีการแยก 2-2

คุณไม่อาจจะรู้ได้ว่าบัตรแบ่งในสถานการณ์ใดก็ตาม แม้กระนั้นคุณสามารถใช้สถิติเพื่อให้คุณมีโอกาสที่ดียิ่งกว่า ต่อจากนั้นคุณสามารถเล่นได้ในเหตุการณ์ที่มีโอกาสมากที่สุดคือเปอร์เซ็นต์การเล่น การทำงานนี้จะไม่ได้เรื่องเสมอ แต่ในหลายเกมคุณจะได้รับโอกาสสำหรับในการชนะเกมเพิ่มขึ้นเรื่อยๆ

ตามที่คุณอาจจินตนาการมีสถิติเกี่ยวกับการเล่นสะพานเยอะมากๆ ผู้เล่นที่ดีเยี่ยมที่สุดจะจดจำรวมทั้งจะใช้ทั้งปวง เราที่แกล้วกล้ามากผู้เล่นในบ้านหรือสมาพันธ์ก็จะจดจำเพียงแต่ไม่กี่คนซึ่งพวกเรามีความรู้สึกว่ามีประโยชน์สูงที่สุดส่วนตัวเราและก็เราจะสามารถรู้เรื่องการใช้แรงงานได้

ด้วยเหตุดังกล่าวกลับไปที่การแบ่งคนดีของเรา ในตอนที่เรากำลังกำหนดแผนการเล่นของเราอาจดูเหมือนกับพวกเราว่าการแบ่งระหว่าง 4-0 ระหว่างศัตรูจำเป็นจะต้องการให้เราเล่นต่างจากการแบ่ง 2-2 หรือแบ่งเป็น 3-1 พวกเราไม่สามารถทราบได้ว่าพวกเขาปลีกตัวออกและก็เราบางทีอาจจะไม่สามารถคิดแผนสำหรับทั้ง สถานการณ์ได้ ฉะนั้นพวกเราควรที่จะเลือกอะไรที่น่าจะเป็นเยอะที่สุด?

สถิติบอกเราว่าน่าจะเป็นของการแบ่ง 4-0 เป็น 10% แม้กระนั้นการรับรองความแตกแยก 2-2 คือ 40% รวมทั้งความเป็นไปได้ของการแบ่ง 3-1 ​​คือ 50% บางครั้งก็อาจจะไม่เหมาะที่จะคิดแผนสำหรับในการแบ่งเป็น 4-0 แม้ว่าจะเห็นได้ชัดในช่วงต้นว่าบัตรแบ่งออกด้วยวิธีการแบบนี้คุณต้องการทบทวนกลยุทธ์ของคุณใหม่

ในเหตุการณ์ที่การแบ่ง 4-0 อาจมีผลต่อปริมาณแนวทางที่คุณชนะคุณอาจมีความรู้สึกว่าปรารถนาทดลองการแบ่งในช่วงต้นเกมด้วยการวาดภาพปัด (หรือชุดใดก็ตามที่เป็นความไม่สบายใจ ถ้าหากศัตรูฝ้ายข้างใดข้างหนึ่งออกมาในรอบแรกคุณก็รู้ว่าคุณกำลังต่อสู้กับการแพ้ 4-0 และก็สามารถเล่นเกมของคุณได้อีกครั้ง

แม้การทดลองการแบ่งไม่มีทางเป็นไปได้คุณอาจต้องการสร้างเปอร์เซ็นต์แล้วก็หวังว่าวิธีการของคุณจะคุ้ม

ถ้ามีการ์ดหายไป ชุดอาจมีช่องทางแปลงได้ ความน่าจะเป็นของการแบ่ง 5-0 เป็นเพียงแค่ 4% (และปรปักษ์อาจช่วยทำให้คุณสำเร็จถ้าเกิดเป็นไปได้ว่าจะมีการเสนอราคาที่เหมาะสมความเป็นไปได้ของการแบ่ง 4-1 เป็น 28% แต่ความน่าจะเป็นของการแบ่ง 3-2 คือ 68% คุณอาจอยากได้สร้างแผนแรกของคุณในสมมติฐานการแยก 3-2

การวางแผนการเล่นของคุณเป็นทักษะที่จำเป็นและก็ทราบว่าสถิติขั้นต้นบางอย่างจะช่วยให้คุณคิดแผนได้ แต่ว่าสะพานเป็นเกมแบบไดนามิกและคุณจำเป็นต้องเตรียมพร้อมที่จะทวนแนวทางของคุณใหม่แม้ฝ่ายตรงข้ามไม่ถูกเท้าคุณหรือสถิติไม่ทำงานในความชอบของคุณ