機器學(xué)習(xí)和AI是科學(xué)中令人興奮的主題，它們有望提供更快，更準(zhǔn)確的數(shù)據(jù)分析和新見解。但是，他們經(jīng)常創(chuàng)建“黑匣子”模型，我們不容易理解或復(fù)制它們。由于科學(xué)依賴我們在以前的工作基礎(chǔ)上的能力，因此這對未來很危險。

在一項新的研究中，John Innes中心信息學(xué)團隊的Matthew Hartley博士和Tjelvar Olsson博士展示了我們?nèi)绾文軌蛱岣咭蕾囉谏疃葘W(xué)習(xí)(DL)模型的數(shù)據(jù)分析的長期可重復(fù)性。

DL技術(shù)是機器學(xué)習(xí)的一個子集，它利用人工神經(jīng)網(wǎng)絡(luò)，模擬真實神經(jīng)元工作方式的模擬系統(tǒng)。在生物學(xué)中，DL已被應(yīng)用于許多問題，例如細(xì)胞圖像分割，基因組變異調(diào)用和轉(zhuǎn)錄因子結(jié)合位點預(yù)測。

本文提供了可重現(xiàn)模型開發(fā)的指南，以及該團隊已開發(fā)的Python軟件包dtoolAI。

“我們發(fā)現(xiàn)這些工具對于使我們自己的AI模型更易于理解和重新創(chuàng)建非常有用，我們希望其他人也能這樣做，”約翰·英內(nèi)斯中心信息學(xué)負(fù)責(zé)人Hartley博士說。

文章“ dtoolAI：深度學(xué)習(xí)的可再現(xiàn)性”出現(xiàn)在Pattern中。