The Challenges and Feasibility of Societal Risk Classification Based on Deep Learning of Representations

2015 ◽  
Author(s):  
Jindong Chen ◽  
Xijin Tang
Keyword(s):  
Deep Learning ◽  
Risk Classification ◽  
Societal Risk ◽  
Societal Risk Classification

Exploring Societal Risk Classification of the Posts of Tianya Club

2014 ◽  
Vol 5 (1) ◽  
pp. 36-48 ◽  
Author(s):  
Jindong Chen ◽  
Xijin Tang
Keyword(s):  
Statistical Analysis ◽  
Support Vector ◽  
Similarity Analysis ◽  
Risk Category ◽  
Training Set ◽  
Societal Risk ◽  
Multi Class Classification ◽  
Risk Categories ◽  
Societal Risk Classification

To identify the societal risk category of the posts of Tianya Club, several studies are carried out toward the posts of Tianya Club. With 2-month manually risk labeled new posts published during December of 2011 to January of 2012, statistical analysis of posts is conducted at first. Later, similarity analysis of posts from one risk category, different risk categories and published on different days are implemented. Finally, multi-class classification of posts using support vector machine (SVM) with different training set is tested. The statistical analysis and similarity analysis reveals the difficulties in multi-class classification of the posts of Tianya Club. The multi-class predictive results indicate that SVM could be applied to multi-class classification of posts, but still need further exploitation.

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Sign in / Sign up

Export Citation Format

Share Document