MIT的機器學習算法判斷社會隔離措施的有效性
大部分 Covid-19 預測是基于過去的疫情如 SARS 或 MERS 的數(shù)據(jù)?，F(xiàn)在 MIT 的一群工程師開發(fā)了一個機器學習模型，使用 Covid-19 疫情數(shù)據(jù)和神經(jīng)網(wǎng)絡去判斷隔離措施的有效性，更好的預測病毒傳播。研究報告發(fā)表在預印本網(wǎng)站上。
預測傳染病擴散的絕大部分模型被稱為 SEIR，將人群分類為“易感”、“暴露”、“感染”和“康復”四組。MIT 研究人員在此基礎(chǔ)上加入了隔離，如果被感染的人處于隔離中，那么病毒將不會傳播給其他人。
他們的模型發(fā)現(xiàn)，像韓國這樣的地方，政府迅速采取干預措施去實現(xiàn)強有力的社會隔離，那么病毒的傳播將會更快的抵達穩(wěn)定階段。而美國和意大利這樣比較緩慢的采取政府干預措施的地方，Covid-19 的有效繁殖數(shù)更長時間停留在 1 以上，這意味著病毒會繼續(xù)以指數(shù)傳播。
在目前的社會隔離措施下，意大利和美國將在 4 月 15 日-20 日之間到達穩(wěn)定階段。模型顯示社會隔離能有效的將病毒的繁殖數(shù)從 1 以上降低到 1 以下。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
MIT
+關(guān)注
關(guān)注
3文章
253瀏覽量
23328 -
機器學習
+關(guān)注
關(guān)注
66文章
8323瀏覽量
132177
發(fā)布評論請先 登錄
相關(guān)推薦
LIBS結(jié)合機器學習算法的江西名優(yōu)春茶采收期鑒別
以廬山云霧茶和狗牯腦茶的明前茶、雨前茶為對象，研究激光誘導擊穿光譜結(jié)合機器學習的茶葉鑒別方法。將茶葉茶，水數(shù)據(jù)融合可有效鑒別春茶采收期，且數(shù)據(jù)融合后表現(xiàn)出更好的穩(wěn)定性和魯棒性，LIBS
觸發(fā)器的無效狀態(tài)怎么判斷
觸發(fā)器的無效狀態(tài)判斷是一個涉及數(shù)據(jù)庫管理和維護的重要方面。觸發(fā)器作為數(shù)據(jù)庫中的一種特殊對象，其有效性直接關(guān)系到數(shù)據(jù)庫操作的正確性和性能。
【「時間序列與機器學習」閱讀體驗】全書概覽與時間序列概述
時間序列中的自相關(guān)性。
時間序列有基于線性場景，也有一些非線性性質(zhì)周期性和不對稱性、波動的聚集性、波動中出現(xiàn)的跳躍現(xiàn)象，以及時間的不可逆性。
發(fā)表于 08-07 23:03
機器學習算法原理詳解
機器學習作為人工智能的一個重要分支，其目標是通過讓計算機自動從數(shù)據(jù)中學習并改進其性能，而無需進行明確的編程。本文將深入解讀幾種常見的機器學習
機器學習的經(jīng)典算法與應用
關(guān)于數(shù)據(jù)機器學習就是喂入算法和數(shù)據(jù)，讓算法從數(shù)據(jù)中尋找一種相應的關(guān)系。Iris鳶尾花數(shù)據(jù)集是一個經(jīng)典數(shù)據(jù)集，在統(tǒng)計學習和
名單公布！【書籍評測活動NO.35】如何用「時間序列與機器學習」解鎖未來？
設(shè)備的運行狀況，生成各種維度的報告。
同時，通過大數(shù)據(jù)分析和機器學習技術(shù)，可以對業(yè)務進行預測和預警，從而協(xié)助社會和企業(yè)進行科學決策、降低成本并創(chuàng)造新的價值。
當今時代，數(shù)據(jù)無處不在，而時間序列數(shù)據(jù)更是
發(fā)表于 06-25 15:00
Chrome瀏覽器地址欄更新，運用機器學習提升相關(guān)性判斷準確性
據(jù)悉，谷歌成功將機器學習（ML）模型融入Chrome多功能框，以實現(xiàn)更為精準的內(nèi)容推薦。舉例而言，若用戶在短時間內(nèi)關(guān)閉某網(wǎng)頁，AI便會判定此頁非所需，進而降低其相關(guān)性得分。
機器學習怎么進入人工智能
，人工智能已成為一個熱門領(lǐng)域，涉及到多個行業(yè)和領(lǐng)域，例如語音識別、機器翻譯、圖像識別等。 在編程中進行人工智能的關(guān)鍵是使用機器學習算法，這是一類基于樣本數(shù)據(jù)和模型訓練來進行預測和
機器學習8大調(diào)參技巧
今天給大家一篇關(guān)于機器學習調(diào)參技巧的文章。超參數(shù)調(diào)優(yōu)是機器學習例程中的基本步驟之一。該方法也稱為超參數(shù)優(yōu)化，需要搜索超參數(shù)的最佳配置以實現(xiàn)最佳性能。
為什么深度學習的效果更好？
導讀深度學習是機器學習的一個子集，已成為人工智能領(lǐng)域的一項變革性技術(shù)，在從計算機視覺、自然語言處理到自動駕駛汽車等廣泛的應用中取得了顯著的成功。深度
什么是機器學習？它的重要性體現(xiàn)在哪
機器學習是一種人工智能（AI）的子領(lǐng)域，旨在使計算機系統(tǒng)通過經(jīng)驗自動學習和改進，而無需明確地進行編程。它側(cè)重于開發(fā)算法和模型，使計算機能夠從數(shù)據(jù)中提取模式、進行預測和做出決策，而無需顯
LabVIEW的六軸工業(yè)機器人運動控制系統(tǒng)
將系統(tǒng)分為算法實現(xiàn)和仿真模塊、DSP控制模塊、及機器人驅(qū)動模塊，以驗證算法的有效性。
KUKA KRAGILUS工業(yè)機器人的實體控制測試：最
發(fā)表于 12-21 20:03
全面總結(jié)機器學習中的優(yōu)化算法
幾乎所有的機器學習算法最后都歸結(jié)為求一個目標函數(shù)的極值，即最優(yōu)化問題，例如對于有監(jiān)督學習，我們要找到一個最佳的映射函數(shù)f (x)，使得對訓練樣本的損失函數(shù)最小化（最小化經(jīng)驗風險或結(jié)構(gòu)風
發(fā)表于 11-02 10:18
?380次閱讀
機器學習的基本流程和十大算法
為了進行機器學習和數(shù)據(jù)挖掘任務，數(shù)據(jù)科學家們提出了各種模型，在眾多的數(shù)據(jù)挖掘模型中，國際權(quán)威的學術(shù)組織 ICDM（the IEEE International Conference on Data Mining）評選出了十大經(jīng)典的算法
發(fā)表于 10-31 11:30
?928次閱讀
NNI：自動幫你做機器學習調(diào)參的神器
NNI 自動機器學習調(diào)參，是微軟開源的又一個神器，它能幫助你找到最好的神經(jīng)網(wǎng)絡架構(gòu)或超參數(shù)，支持 各種訓練環(huán)境 。 它常用的 使用場景 如下： 想要在自己的代碼、模型中試驗 不同的機器學習
工商網(wǎng)監(jiān)
評論