استفاده از علم داده برای مقابله با مشکلات عصب شناسی ، بینایی رایانه ای و تصویربرداری پزشکی

مشخصات دانشکده: کارلوس فرناندز گراندا

مصاحبه توسط ML Ball

استادیار ریاضیات کارلوس فرناندز گراندا به تازگی به دانشکده موسسه Courant پیوسته است علوم ریاضی و مرکز علوم داده و در حال تدریس "روش های آماری و ریاضی" ، دوره مورد نیاز برای کارشناسی ارشد علوم داده است. فرناندز گراندا که اهل مادرید است ، مدرک دکتری خود را دریافت کرد. در مهندسی برق از دانشگاه استنفورد ، M.S. در ریاضیات کاربردی (یادگیری ماشین و بینایی رایانه) از École Normale Supérieure de Cachan (پاریس) و مدارک مهندسی از Universidad Politécnica de Madrid و École des Mines (پاریس).

در پاییز امسال ، شما در حال تدریس دوره مقدماتی روشهای آماری و ریاضی مورد نیاز برای علم داده. آیا از آن لذت می برید؟

بله ، من از آموزش بسیار لذت می برم. هدف این دوره این است که به دانش آموزان زمینه ای در زمینه احتمال ، آمار ، جبر خطی و بهینه سازی ارائه شود تا بتوانند الگوریتم های پیشرفته تری را در یادگیری ماشین و علم داده درک کنند. اکثر دانش آموزان برای دوره کارشناسی ارشد خود می روند ، هرچند در ابتدا مطالب آنقدرها هم پیچیده نیستند ، اما من سعی می کنم آن را در سطحی دقیق تر از آنچه احتمالاً در مقطع دبیرستان دیده اند ، مورد بررسی قرار دهم. من به آنها دیدگاه عملی در مورد موضوعات ارائه می دهم ، اما جنبه های تئوریک بیشتری را نیز به آنها می گویم تا هر دو را بشناسند. مانند بیشتر - به طور خاص ، احتمالاً و جبر خطی. همچنین ، بسیاری از تحقیقات من در زمینه بهینه سازی است ، بنابراین بسیار مناسب است. من یادداشت های خودم را می نویسم زیرا در واقع کتابی وجود ندارد که شامل تمام ریاضیات اولیه مورد نیاز شما برای علم داده باشد. من واقعاً از تدریس این موضوع که اساسی است اما می تواند بسیار مشکل باشد لذت می برم. من فکر می کنم برای درک درست الگوریتم های پیشرفته برای دانش آموزان مهم است.

در مورد احتمال ، آمار ، جبر خطی و بهینه سازی چه چیزی به شما علاقه دارد؟

همه آنها برای علم داده به نظر من احتمال ، روشی بسیار مفید برای برخورد با عدم قطعیت و دانش جزئی به صورت اصولی است. جبر خطی به ما امکان می دهد مدلهای خطی با تفسیرهای هندسی بصری بسازیم. آمار به ما این امکان را می دهد که از داده ها نتیجه گیری کرده و صحت این نتایج را بررسی کنیم. در مورد بهینه سازی ، شاید ده تا بیست سال پیش ، بسیاری از افرادی که در زمینه کارشناسی ارشد در زمینه آمار مشغول به کار بودند ، بهینه سازی را فرا نمی گرفتند ، اما اکنون این امر اهمیت فزاینده ای پیدا می کند ، زیرا به ما امکان می دهد از مدل های انعطاف پذیر و پیچیده تری استفاده کنیم. برای درک رویکردهای مختلف علم داده که در برنامه در معرض آنها قرار می گیرد ، دانش آموزان باید در هر یک از این چهار زمینه دارای پایه های قوی باشند.

سابقه شما چگونه شما را برای کار فعلی شما آماده کرده است؟

من در مادرید بزرگ شدم. پدرم مهندس برق و مادرم پزشک بود. در دبیرستان ، من عمدتاً به ادبیات علاقه داشتم ، اما در نهایت کارشناسی مهندسی برق را انجام دادم. در اسپانیا ، برای افراد متداول استدانش آموزان خوب به مهندسی برق بروند زیرا از نظر علمی معتبر است ، مانند فیزیک در آلمان. خوشبختانه ، من دوره های ریاضی و برنامه نویسی را بسیار دوست داشتم ، بنابراین معلوم شد. همچنین به من اجازه داد در یک سال و نیم گذشته در پاریس در l’École des Mines کار کنم ، که یک فرصت عالی بود. از آنجا که می خواستم در مورد یادگیری ماشین ، هوش مصنوعی و بینایی رایانه ای بیاموزم ، همزمان در Ecole Normale کارشناسی ارشد انجام دادم. آنجا بود که فهمیدم این مناطق را خیلی دوست دارم. سپس من پایان نامه کارشناسی ارشد خود را در فیلیپس در آلمان در زمینه تصویربرداری رزونانس مغناطیسی انجام دادم و واقعاً از آن بسیار لذت بردم. من برنامه را دوست داشتم اما متوجه شدم که در مورد چارچوب نظری که زیربنای برخی از الگوریتم ها است ، آنقدر که می خواستم نمی دانم ، به همین دلیل تصمیم گرفتم برای دکترا

چقدر آیا روش ریاضی و علم داده از کشوری به کشور دیگر متفاوت است؟ نظریه اسپانیا کمتر احتمالاً به دلیل عدم وجود سنت است. من نمی توانم در مورد آلمان خیلی اظهار نظر کنم زیرا زمانی که من آنجا بودم ، در شرکتی مشغول تحقیق بودم.

در مورد دانشگاه های آمریکا ، با محققان زیادی ملاقات کردم که بسیار کاربردی هستند اما هنوز به نظریه علاقه دارند. به در عین حال ، بیشتر محققان نظری اغلب از برنامه های کاربردی دانش خوبی دارند. من این را بسیار جذاب می دانم.

موضوع دکتری شما چه موضوعی بود. در استنفورد؟

قبل از اخذ دکترا ، الگوریتم هایی برای تصویربرداری رزونانس مغناطیسی بر اساس بهینه سازی ایجاد کردم. من به این روش ها بسیار علاقه مند بودم و همانطور که قبلاً اشاره کردم ، می خواستم نظریه زیرین را بهتر درک کنم. در دانشگاه استنفورد ، دکترای من زیر نظر امانوئل کاندس بود که در روشهای مبتنی بر بهینه سازی برای مشکلات معکوس بسیار تأثیرگذار بوده است. من مطالعه کردم که چگونه می توان این الگوریتم ها را برای مشکلاتی مانند وضوح فوق العاده در میکروسکوپ فلورسانس و ضمانت های نظری مشتق شده به کار برد که نشان می دهد تحت چه شرایطی می توانیم انتظار داشته باشیم که آنها کار کنند.

از یک سو ، من هنوز به تجزیه و تحلیل نظری روشهای تحلیل داده بر اساس بهینه سازی علاقه دارم. از سوی دیگر ، من به کاربردهای کاربردی تری مانند مرتب سازی سنبله در علوم اعصاب علاقه مند شده ام. این مشکل مستلزم پردازش داده ها از حسگرهایی است که سیگنال های نورون های مختلف را دریافت می کنند. شما می خواهید این سیگنال ها را مخلوط کنید تا تصمیم بگیرید کدام یک از هر نورون بیرون می آید. بسیاری از چالش های جالب مانند حجم زیاد داده ها وجود دارد. از آنجا که اندازه گیری های زیادی وجود دارد ، بسیار مهم است که اطمینان حاصل کنید که الگوریتم ها را برای قسمت هایی از داده که فعالیت در آنها وجود دارد به کار می برید. در غیر این صورت همه چیز از نظر محاسباتی بسیار گران می شود.

در علم داده ، اکتشافات بزرگ بعدی را از کجا می بینید؟

اخیراً پیشرفتهای شگفت انگیزی در یادگیری ماشین در مورد مشکلات به وجود آمده است. در بینایی رایانه ای و تشخیص گفتار این پیشرفت ها در دسترس بودن مجموعه داده های عظیم با نمونه های حاشیه ای امکان پذیر شده است. من فکر می کنم یک چالش مهم در آینده استسال است که بتوانیم این تکنیک ها را در زمینه های دیگر که در آن اطلاعات زیادی نداریم به کار گیریم. برخی از ایده ها قطعاً باید منتقل شوند ، اما شما مجبور خواهید بود از داده ها به شیوه ای ظریف استفاده کنید ، زیرا آنها به خوبی طبقه بندی نمی شوند. به عنوان مثال ، تشخیص پزشکی ، علوم اجتماعی ، اقتصاد ، سیاست - شما داده های زیادی در این زمینه ها دارید اما معمولاً بسیار ناهمگن هستند ، بنابراین نمی توانید مشکلاتی را ایجاد کنید که به اندازه "بیایید چهره برخی افراد را شناسایی کنیم" تمیز است.

در حال حاضر ، ما تکنیک های کلان داده هیجان انگیز داریم که در مواردی مانند بینایی رایانه بسیار خوب کار می کنند ، اما هنوز باید نحوه استفاده از آنها را در بسیاری از زمینه های دیگر که می توانند تأثیر داشته باشند ، بررسی کنیم. معلوم نیست چگونه می توان داده ها را کنار هم جمع کرد ، قسمت های جالب را شناسایی کرد و سپس آنها را به روش های پیچیده ترکیب کرد - این همان چیزی است که ما می توانیم در صورت داشتن مجموعه داده های عظیم تنظیم کنیم ، مانند دید رایانه. این چیزی است که من فکر می کنم جذاب است.

آیا زندگی در نیویورک و کار در Courant و CDS برای شما مناسب است؟

از آمدن به نیویورک بسیار هیجان زده بودم. من فکر می کنم Courant مکان بسیار خوبی برای بودن است. من بیشتر ریاضی دارم ، بنابراین در اینجا بیشتر از بخش مهندسی خوشحالم. اما در عین حال ، احساس می کنم ارتباط قوی ای با برنامه ها وجود دارد. من در حال حاضر به علوم اعصاب علاقه مند شده ام و Courant/CDS مکانی ایده آل برای انجام چنین کارهایی است.

ابتدا در cds.nyu.edu در 26 اکتبر 2015 منتشر شد.