محققان در پژوهشی جدید، پتانسیل بالای مدلهای یادگیری عمیق (Deep Learning) را برای شناسایی زودهنگام سوءتغذیه در کودکان مناطق محروم به اثبات رساندهاند. 🩺💡
این تیم با مقایسه ۱۶ الگوریتم مختلف بر روی دادههای نظرسنجی کودکان در نپال، متوجه شدند که مدل TabNet به دلیل معماری مبتنی بر توجه (Attention-based)، عملکرد خیرهکنندهای در شناسایی کودکان در معرض خطر دارد.
نتایج این تحقیق نشان میدهد که عواملی مثل تحصیلات مادر، وضعیت رفاهی خانواده و سن کودک، کلیدیترین فاکتورها در پیشبینی سوءتغذیه هستند. این راهکار میتواند به سازمانهای جهانی کمک کند تا مداخلات تغذیهای را دقیقتر و هدفمندتر از همیشه انجام دهند. 📊👶
منبع: arXiv Machine Learning