XiaoMi-AI文件搜索系统
World File Search System和机
视觉、学习和机器人：2020 年代的植物人工智能
随着全球人口的增长和对粮食的需求不断增加，农业生产面临着巨大的压力。与此同时，气候变化和资源限制加剧了这些挑战，进一步凸显了对可持续农业实践的需求。为了解决这些复杂的问题，植物科学领域正在经历一场技术革命。人工智能 (AI)、计算机视觉和机器人技术的快速发展正在重新定义植物的研究方式和农业实践的管理方式。从高通量表型到精准农业和实时监测，这些技术正在显著提高效率和准确性，为更具弹性和可持续性的农业系统奠定基础。本研究主题汇集了开创性的研究，以展示人工智能如何推动植物科学的发展并为现代农业提供创新解决方案。
人工智能和机器学习教育游戏：评论
乔治奥斯·扬纳卡基斯 马耳他大学数字游戏研究所，马耳他姆西达 摘要 数字游戏作为教育的新范式已具有重要意义。数字游戏人人都可以访问且价格合理，并为大规模教学和学习提供了机会。近年来，人们对数字游戏的兴趣日益浓厚，以支持大学预科（K-12）学校的计算思维和编程。人工智能（AI）和机器学习（ML）是一个快速发展的领域，在过去几年中吸引了越来越多的学习者。虽然数字游戏和AI/ML的融合对于教学和学习研究人员来说是一个重要且具有挑战性的领域，但该领域尚未进行过文献综述。这项工作的目的是回顾最近对支持AI和ML教育的游戏的研究。经过彻底的搜索，我们选择了相关的论文和游戏并将其纳入我们的定性内容分析。在此综述的基础上，我们概述了相关的研究论文和游戏，并展示了不同的游戏如何提供独特的机会来教授人工智能和机器学习中的许多不同概念和主题。 关键词：教育游戏、人工智能教育、机器学习教育、文献综述 1.简介 在过去的几年里，数字游戏在计算机科学（CS）和信息技术（IT）教育中越来越受欢迎（Harteveld 等人，2014 年；Kordaki 和 Gousiou，2016 年）。数字游戏一直是加强 CS 教育的几种流行方法。在 K-12 学校，有一些课程让学生参与玩游戏，其中包括必须解决的任务和问题才能进步（Vahldick 等人，2014 年），或鼓励学生使用可视化和基于块的编程环境开发游戏
人工智能和机器学习方法
参考文献 1] Klaus Greff 等人。“LSTM：搜索空间漫游。”IEEE 神经网络和学习系统学报，28 (2015): 2222-2232。 https://doi.org/10.1109/tnnls.2016.2582924。[2] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A.(2014)。更深入地了解卷积。2015 IEEE 计算机视觉和模式识别会议 (CVPR)，1-9。 https://doi.org/10.1109/CVPR.2015.7298594。[3] Lee, J., Jun, S., Cho, Y., Lee, H., Kim, G., Seo, J., & Kim, N. (2017)。医学成像中的深度学习：概述。韩国放射学杂志，18，570 - 584。 https://doi.org/10.3348/kjr.2017.18.4.570。[4] Klyuchnikov, N., Trofimov, I., Artemova, E., Salnikov, M., Fedorov, M., & Burnaev, E. (2020)。NAS-Bench-NLP：自然语言处理的神经架构搜索基准。IEEE Access，PP，1-1。https://doi.org/10.1109/access.2022.3169897。[5] Lu, Z., Whalen, I., Dhebar, Y., Deb, K., Goodman, E., Banzhaf, W., & Boddeti, V. (2019)。用于图像分类的深度卷积神经网络的多目标进化设计。IEEE Transactions on Evolutionary Computation，25，277-291。https://doi.org/10.1109/TEVC.2020.3024708。[6] Zhang, T., Lei, C., Zhang, Z., Meng, X., & Chen, C. (2021)。AS-NAS：用于深度学习的具有强化进化算法的自适应可扩展神经架构搜索。IEEE 进化计算学报，25，830-841。 https://doi.org/10.1109/TEVC.2021.3061466。[7] Sun, Y., Sun, X., Fang, Y., Yen, G., & Liu, Y.(2020)。一种用于进化神经架构搜索算法性能预测器的新型训练协议。IEEE 进化计算学报，25，524-536。https://doi.org/10.1109/TEVC.2021.3055076。[8] Verma, M., Sinha, P., Goyal, K., Verma, A., & Susan, S. (2019)。一种用于爬山领域的神经架构搜索的新框架。2019 IEEE 第二届人工智能与知识工程国际会议 (AIKE)，1-8。https://doi.org/10.1109/AIKE.2019.00009。[9] Zhang, H., Jin, Y., Cheng, R., & Hao, K. (2020)。通过采样训练和节点继承实现注意力卷积网络的有效进化搜索。IEEE
工程的人工智能和机器学习
在当今迅速发展的技术景观中，人工智能（AI）和机器学习（ML）已成为各个领域工程师的必不可少的工具。本课程对专门针对工程应用的AI和ML技术进行了全面探索。参与者将深入研究基本原则，实际方法论和现实世界中的案例研究，使他们在工程项目中有效利用AI和ML所需的知识和技能。本课程采用理论讲座和实践演示的融合。由于本课程的跨学科性质，整个学科的参与者将能够参加，欣赏和增强他们的知识，以保持新兴的AI和ML技术。STC打算专注于以下域，但不限于：
制定人工智能和机器人领域的技术战略
1 即使在ISO内部，机器人安全标准也是与汽车安全标准分开制定的。 此外，国际机器人制造商联合会（IFR）在其机器人定义或统计报告中没有包括汽车或自动驾驶汽车。
DOT/FAA/AR-95/43 轴向裂纹扩展和机身
进行了混合实验-数值研究，以建立在加压飞机机身中存在或不存在多点损伤 (MSD) 的情况下的实用裂纹扭结标准。修改了 Ramulu-Kobayashi 裂纹扭结标准，以预测沿 MSD 线的自相似裂纹扩展以及随后在撕裂带附近的扭结。进行了仪器化双轴试验样品和小型机身断裂实验，以生成裂纹扭结和裂纹速度数据，然后将其输入到断裂样品的大变形弹性动力学有限元模型中。计算出的混合模式 I 和 II 应力强度因子以及扩展裂纹之前的大轴向应力用于评估自相似裂纹扩展和裂纹轨迹上的裂纹扭结标准。预测和测量的裂纹扭结角度和位置之间具有极好的一致性。通过计算和测量的应变计数据的匹配进行了额外的验证。