Небольшая инициатива в области машинного обучения 2021: как она прошла?
Представляем серию сообщений в блогах о наших совместных проектах в области машинного обучения.
Авторы Соня Георгиевска и Йиск Аттема
За последнее десятилетие в области машинного обучения наблюдался экспоненциальный рост, в основном благодаря успеху его подобласти «глубокого обучения», основанного на глубоких нейронных сетях. Последние строятся на традиционных искусственных нейронных сетях, добавляя множество слоев и параметров. Это, вместе с некоторыми математическими трюками и наличием «больших» данных и соответствующего оборудования, сделало сети намного лучше в решении проблем. В то же время было изобретено множество новых архитектур глубоких нейронных сетей, которые показывают еще лучшие результаты и/или способны эффективно использовать данные. В результате глубокое обучение теперь повсеместно используется в компьютерном зрении, распознавании речи, обработке естественного языка, машинном переводе, биоинформатике, разработке лекарств, анализе медицинских изображений, проверке материалов и т. д.
Современному ученому (например, медицинскому исследователю, климатологу, политологу), который хочет воспользоваться преимуществами машинного обучения, становится все труднее быть в курсе последних событий в своей научной области и взрывной рост методов машинного обучения одновременно. Хуже того, многие новые разработки требуют обширных навыков программирования и управления данными. Фактически, мы заметили, что последние достижения все чаще достигаются благодаря тесному сотрудничеству между учеными в предметной области и специалистами по машинному обучению.
Чтобы удовлетворить этот спрос на опыт в области машинного обучения, Центр электронной науки организовал курсы глубокого обучения для заинтересованных исследователей в 2020 и 2021 годах. Однако мы заметили, что «просто курса» недостаточно, чтобы участники успешно применяли машинное обучение в своих исследованиях. . Поиск наилучшего метода машинного обучения для их исследовательской задачи и данных, анализ и интерпретация выходных данных алгоритмов машинного обучения, устранение неполадок, а также итерация экспериментальной установки были важны. Это привело к идее «Малых инициатив» (SSI): открытый конкурс для небольших и средних проектов с упором на применение электронной науки к актуальным исследовательским вопросам.
В ходе первого конкурса SSI Центр eScience отобрал 12 команд, с которыми инженеры-программисты eScience Research (RSE) будут тесно сотрудничать в течение нескольких месяцев во второй половине 2021 года. Цель заключалась в том, чтобы RSE консультировали исследовательские группы о том, как лучше всего применять машинное обучение к своим конкретным исследовательским вопросам, от первоначальной идеи до публикации. Исследовательские группы обладают знаниями предметной области и опытом программирования, в то время как RSE учитывают нюансы между различными подходами и стратегиями машинного обучения для решения конкретного исследовательского вопроса, а также обеспечивают постоянную поддержку на протяжении всего процесса.
Ну как прошла эта инициатива? Какие интересные новые исследования вышли? Каких прорывов мы достигли? В последующие месяцы в серии сообщений в блогах, написанных 12 исследовательскими группами, мы рассмотрим все тонкости этого захватывающего сотрудничества. Написав короткие и доступные рассказы, команды расскажут о своем опыте применения машинного обучения и сотрудничества с eScience Center. Следите за этой серией блогов, чтобы узнать больше!
Обновить
Вот так:
Как найти свою резиновую утку: с помощью машинного обучения понять меняющееся море
Разбор морфологии иврита и сирийского языка с помощью глубокого обучения
Как машинное обучение может помочь Симоне сыграть Людо
Интермеццо: с точки зрения eScience Engineer
Тайна стекла: почему машинное обучение может нам помочь
Изучение политической символики в турецких телесериалах с помощью машинного обучения
