PyData Prague #26 - Table Diffusion

👋 Давайте распространяемся на наше следующее мероприятие и проведем отличные взаимодействия с круглым столом!

🗓 26 -й Prague Pydata Meetup состоится в ** MSD **. В этот раз переговоры начнутся немного раньше в 18:00, и мы призываем вас прийти, как только ** 17: 30 **, чтобы насладиться возможностью общаться и освежить себя (что вы можете продолжать делать во время перерыва и после переговоров).

🤗 Наша главная цель - построить сообщество вокруг Python и данных и сделать его гостеприимным для людей с различными навыками и уровнями опыта.

⚡ Если вы заинтересованы в том, чтобы выступить с ** молниеносной беседой ** (до 5 минут, чтобы представить идею, инструмент или результаты, связанные, по крайней мере, в некоторой степени с Python и/или данными), свяжитесь с нами до или во время события.

** 📢 Обнаружение дефектов в рентгеновских изображениях твердых таблеток. Увеличение данных стабильной диффузией **
** [Zdeněk Morávek] (https://www.linkedin.com/in/zdenek-moravek-b314471b/) **
Увеличение данных - это стандартный метод, применяемый для улучшения подготовки контролируемых систем машинного обучения. Он выполняет преобразование существующих данных, таких как вращения, обрезка, масштабирование и т. Д. Метод оказался полезным, все еще существуют некоторые обработки исходных данных, которые влияют на эффективность и масштабируемость увеличения.
Генеративный ИИ позволяет создавать синтетические данные из исходного набора данных. Синтез практически безграничен, и синтетические данные не разделяют никаких угощений с исходными данными. Это делает его мощным расширением для увеличения данных, особенно если исходный набор данных ограничен. По -прежнему есть вопрос, представляют ли синтетические данные хорошо оригинальный набор данных.
Мы применили генеративный алгоритм стабильной диффузии для генерации синтетических трещин в таблетках твердотельного состояния. Набор данных ограничен по размеру, а трещины представляют собой низкие контрастные объекты с переменными свойствами. Мы разработали классификатор Mask R-CNN и обучили его с доступным набором данных в качестве базовой модели.
Мы выбрали подходящие изображения для обучения стабильного диффузионного генератора и создали синтетический набор данных. Мы исследовали статистику пиксельных свойств реальных и синтетических наборов данных, показывающих, что основные функции сохраняются, хотя детали различаются. Мы использовали синтетические данные для обучения альтернативной модели и сравнить ее производительность с базовой линией. Мы продемонстрировали, что с точки зрения точности мы можем достичь улучшения, но, с другой стороны, мы наблюдали более высокое ложноположительное соотношение, а также снижали применимость к качественно различным наборам данных. Мы обсуждаем причины этих наблюдений и как улучшить их.

** 📢 Ай-сгенерированные табличные синтетические данные: что это такое, как они созданы, и его приложения **
** [Ivona krchová] (https://www.linkedin.com/in/ivona-krchova/) **
Синтетические данные стали важным инструментом в науке о данных, предлагая способ генерировать реалистичные данные при сохранении конфиденциальности. В этом выступлении мы рассмотрим сгенерированные AI табличные синтетические данные-что это такое, как они созданы и как их можно эффективно использовать в различных контекстах.
Я начну с краткого обзора синтетических данных, объясняя ее ключевую концепцию и то, как они отличаются от традиционных методов анонимизации данных. Затем я кратко опишу алгоритм, разработанный в основном ИИ для создания табличных синтетических данных. Наконец, мы рассмотрим ключевые козырьки, мы обсудим, как можно использовать синтетические данные для улучшения наборов данных, адреса отсутствующих значений или смягчения смещения в результатах модели.

Место проведения откроется в 17:30, но вступление не будет проходить раньше, чем в 6:00 вечера. Там будут выкупные закуски, 🤗 спонсоры.

Пожалуйста, RSVP здесь.
До скорой встречи,
Pydata Prague Team