論文の概要: EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications

• arxiv url: http://arxiv.org/abs/2403.18203v1
• Date: Wed, 27 Mar 2024 02:24:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 18:36:01.797154
• Title: EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications
• Title（参考訳）: EndToEndML: 機械学習アプリケーションのためのオープンソースのエンドツーエンドパイプライン
• Authors: Nisha Pillai, Athish Ram Das, Moses Ayoola, Ganga Gireesan, Bindu Nanduri, Mahalingam Ramkumar,
• Abstract要約: 機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。 本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
• 参考スコア（独自算出の注目度）: 0.2826977330147589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) techniques are widely applied in the life sciences. However, applying innovative AI techniques to understand and deconvolute biological complexity is hindered by the learning curve for life science scientists to understand and use computing languages. An open-source, user-friendly interface for AI models, that does not require programming skills to analyze complex biological data will be extremely valuable to the bioinformatics community. With easy access to different sequencing technologies and increased interest in different 'omics' studies, the number of biological datasets being generated has increased and analyzing these high-throughput datasets is computationally demanding. The majority of AI libraries today require advanced programming skills as well as machine learning, data preprocessing, and visualization skills. In this research, we propose a web-based end-to-end pipeline that is capable of preprocessing, training, evaluating, and visualizing machine learning (ML) models without manual intervention or coding expertise. By integrating traditional machine learning and deep neural network models with visualizations, our library assists in recognizing, classifying, clustering, and predicting a wide range of multi-modal, multi-sensor datasets, including images, languages, and one-dimensional numerical data, for drug discovery, pathogen classification, and medical diagnostics.
• Abstract（参考訳）: 人工知能(AI)技術は生命科学に広く応用されている。 しかし、生物の複雑さを理解し、分解するために革新的なAI技術を適用することは、生命科学の科学者がコンピュータ言語を理解し、使うための学習曲線によって妨げられている。 複雑な生物学的データを分析するためのプログラミングスキルを必要としない、AIモデルのオープンソースでユーザフレンドリなインターフェースは、バイオインフォマティクスコミュニティにとって極めて価値のあるものになるだろう。 異なるシークエンシング技術への容易にアクセスでき、異なる「オミクス」研究への関心が高まり、生成される生物学的データセットの数が増加し、これらの高スループットデータセットの分析が計算的に要求されている。 今日のAIライブラリの大部分は、高度なプログラミングスキルと、機械学習、データ前処理、視覚化スキルを必要とする。 本研究では,手作業による介入やコーディングの専門知識のない機械学習モデル(ML)の事前処理,トレーニング,評価,可視化が可能な,Webベースのエンドツーエンドパイプラインを提案する。 従来の機械学習とディープニューラルネットワークモデルを視覚化と統合することにより、われわれのライブラリは、画像、言語、および1次元数値データを含む、幅広いマルチモーダル・マルチセンサーデータセットの認識、分類、クラスタリング、予測を支援し、薬物発見、病原体分類、医療診断を行う。

関連論文リスト

• Neuronal Auditory Machine Intelligence (NEURO-AMI) In Perspective [0.0]
  ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ニューラル・ニューラル・ニューラル・インテリジェンス(Neuro-AMI)の概要を述べる。 本稿では,ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ラーニング・ツールについて概説する。
  論文  参考訳（メタデータ） (2023-10-14T13:17:58Z)
• Unveiling the frontiers of deep learning: innovations shaping diverse domains [6.951472438774211]
  ディープラーニング(DL)は、学習、視覚化、最適化、精錬、予測が可能なコンピュータモデルの開発を可能にする。 DLは、オーディオ視覚データ処理、農業、交通予測、自然言語、バイオメディシン、災害管理、バイオインフォマティクス、薬物設計、ゲノム学、顔認識、生態学など、様々な分野に適用されている。 本稿では,すべての研究分野におけるディープラーニングの適用可能性と,関連するメリットと課題について検討する。
  論文  参考訳（メタデータ） (2023-09-06T04:50:39Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
  Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。 本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-17T12:10:26Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Deep Learning in Mining Biological Data [7.834172629639729]
  ディープラーニング(DL)は多くの複雑なパターン認識問題の解決に成功している。 本稿では,生物配列,画像,信号データへのDLの適用について述べる。 また、生物データのマイニングにおけるいくつかのオープンな研究課題についても概説している。
  論文  参考訳（メタデータ） (2020-02-28T23:14:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。