Facilitating Deep Learning Through Vertical Integration Between Data Visualization Courses Within an Undergraduate Data Visualization Curriculum

2019 ◽  
pp. 193-201
Author(s):  
Vetria L. Byrd
Keyword(s):  
Deep Learning ◽  
Data Visualization ◽  
Vertical Integration

A Deep Learning Approach for Process Data Visualization Using t-Distributed Stochastic Neighbor Embedding

2019 ◽  
Vol 58 (22) ◽  
pp. 9564-9575 ◽  
Author(s):  
Wenbo Zhu ◽  
Zachary T. Webb ◽  
Kaitian Mao ◽  
José Romagnoli
Keyword(s):  
Deep Learning ◽  
Data Visualization ◽  
Learning Approach ◽  
Process Data

scholarly journals The Challenges of Data Visualization for Precision Medicine

2019 ◽  
Vol 8 (1) ◽  
pp. 120-124
Author(s):  
Tatiana Silva Bevilacqua ◽  
Raphael Mendoza da Nobrega ◽  
Helen Chen ◽  
Plinio Pelegrini Morita
Keyword(s):  
Machine Learning ◽  
Deep Learning ◽  
Precision Medicine ◽  
Data Visualization ◽  
Essential Role ◽  
Decision Makers ◽  
New Era ◽  
Current Trends ◽  
Treatment Data ◽  
Visualization Of Data

Precision medicine is driving medicine towards a new era where technology and large amounts of data come together to play an essential role in treatment. Data needed to empower and inform decision-makers can be overwhelming to interpret and poses unique challenges related to the visualization of data generated by machine learning and deep learning algorithms. Therefore, the present study aims to provide an in-depth understanding of the challenges, current trends, and opportunities concerning data visualization for precision medicine.

scholarly journals Computer-Aided Screening of Autism Spectrum Disorder Using Eye-Tracking, Data Visualization and Deep Learning (Preprint)

10.2196/27706 ◽  
2021 ◽  
Author(s):  
Federica Cilia ◽  
Romuald Carette ◽  
Mahmoud Elbattah ◽  
Gilles Dequen ◽  
Jean-Luc Guérin ◽  
...  
Keyword(s):  
Autism Spectrum Disorder ◽  
Deep Learning ◽  
Eye Tracking ◽  
Data Visualization ◽  
Autism Spectrum ◽  
Spectrum Disorder ◽  
Tracking Data ◽  
Computer Aided

scholarly journals Helping to detect legal swimming pools with Deep Learning and Data Visualization

2021 ◽  
Vol 181 ◽  
pp. 1058-1065
Author(s):  
Bruno Lima ◽  
Luís Ferreira ◽  
João Martinho Moura
Keyword(s):  
Deep Learning ◽  
Data Visualization ◽  
Swimming Pools

Cyberattack detection model using deep learning in a network log system with data visualization

2021 ◽  
Author(s):  
Jung-Chun Liu ◽  
Chao-Tung Yang ◽  
Yu-Wei Chan ◽  
Endah Kristiani ◽  
Wei-Je Jiang
Keyword(s):  
Deep Learning ◽  
Data Visualization ◽  
Detection Model

A Study on Deep Learning-based Product Data Visualization and Intelligent Monitoring Technology in Smart Factory Environment

2019 ◽  
Vol 20 (10) ◽  
pp. 1933-1942
Author(s):  
ASHIQUZZAMAN AKM ◽  
Dongsu Lee ◽  
Seungmin Oh ◽  
Jihoon Lee ◽  
Jinsul Kim
Keyword(s):  
Deep Learning ◽  
Data Visualization ◽  
Smart Factory ◽  
Monitoring Technology ◽  
Intelligent Monitoring ◽  
Product Data

Deep Learning

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

An emerging role for data visualization

2008 ◽  
Author(s):  
Pamela Ebert Flattau
Keyword(s):  
Data Visualization

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