XiaoMi-AI文件搜索系统
World File Search System套索
业务决策的定量分析：机器学习
本课程应用多个回归技术，包括线性和逻辑模型拟合，推理和诊断。降低文本采矿的应用。将强调具有大量功能的数据集的特殊适用性的方法。示例包括但不限于前后选择，套索和脊正规化。模型复杂性，偏差差异和模型验证的问题将在大型数据集的背景下进行研究。也少于分布假设的方法也被引入，包括交叉验证和非参数方法。 学生还将被介绍给文本分类和神经网络。 还包括 EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。 本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。 在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。 学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。 所有编程工作将在Python进行。 完成本课程后，学生将能够：也少于分布假设的方法也被引入，包括交叉验证和非参数方法。学生还将被介绍给文本分类和神经网络。EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。所有编程工作将在Python进行。完成本课程后，学生将能够：
引用：Chen Q，Hao P，Wong C等。通过髋部骨折的老年人的1年死亡率的新型命名图的开发和验证：一项研究
抽象客观髋部骨折是一种普遍的状况，老年人的死亡率很高。我们试图为老年髋部骨折患者开发基于列克的生存预测模型。设计回顾性案例对照研究。从医学信息收入ini III（模拟III v.1.4）中设置数据。参与者根据MIMIC-III v.1.4滤除了老年髋部骨折患者的临床特征，包括基本信息，合并症，严重程度评分，实验室测试和治疗。方法和主要结局指标研究中包括的所有患者均来自重症监护，并随机分为训练和验证集（7：3）。根据检索到的数据，最低绝对收缩和选择操作员（LASSO）回归和多个逻辑回归分析用于识别1年死亡率的独立预测变量，然后构建了风险预测的标题图。通过一致性索引（C-索引），接收器操作特征曲线，决策曲线分析（DCA）和校准曲线评估了列格图模型的预测值。这项研究中总共包括341例髋部骨折患者； 121例案件在1年内死亡。在套索回归和多重逻辑回归分析后，新的列诺图包含年龄，体重，淋巴细胞计数的比例，肝病，恶性肿瘤和充血性心力衰竭的预测变量。结论新的预测模型为老年髋部骨折患者的1年死亡率提供了个性化预测。在验证集中，构造的模型证明了以0.738（95％CI 0.674至0.802）为0.738（95％CI 0.674至0.802）的令人满意的歧视，在验证集中为0.713（95％CI 0.608至0.819）。校准曲线在预测和观察到的概率之间显示出良好的拟合程度，而DCA证实了该模型的临床实用性。与其他髋部骨折模型相比，我们的命名图特别适合预测关键患者的长期死亡率。
UNSPSC 代码 - Cooper 标准
46181810 洗眼器或洗眼站 安全与个人防护装备 7155000 44122105 活页夹或弹簧夹 桌面用品 7170000 10190000 害虫防治产品 清洁用品 7145000 10191500 杀虫剂或驱虫剂 清洁用品 7145000 10191506 灭鼠剂 清洁用品 7145000 10191507 驱鸟剂 清洁用品 7145000 10191508 白蚁防护罩 清洁用品 7145000 10191509 杀虫剂 清洁用品 7145000 10191510 阿维菌素 清洁用品用品 7145000 10191511 氟虫腈 清洁用品 7145000 10191700 害虫防治设备 清洁用品 7145000 10191701 动物控制陷阱 清洁用品 7145000 10191703 飞虫控制陷阱 清洁用品 7145000 10191704 苍蝇拍 清洁用品 7145000 10191705 套索 清洁用品 7145000 10191706 捕腿陷阱 清洁用品 7145000 10191707 超声波驱虫器 清洁用品 7145000 12141900 非金属和纯金属元素气体 集装箱式气体 7165000 12141901 氯气 Cl 集装箱式气体 7165000 12141902 氢气 H 集装箱式气体 7165000 12141903 氮气 N 集装箱式气体 7165000 12141904 氧气 O 集装箱式气体 7165000 12141905 氟 F 集装箱式气体 7165000 12141906 砷 As 集装箱式气体 7165000 12141907 硼 B 集装箱式气体 7165000 12141908 碳 C 集装箱式气体 7165000 12141909 磷 P 集装箱式气体7165000 12141910 硒 Se 容器化气体 7165000 12141911 硅 Si 容器化气体 7165000 12141912 硫 S 容器化气体 7165000 12141913 碲 Te 容器化气体 7165000 12141914 砹 At 容器化气体 7165000 12141915 溴 Br 容器化气体 7165000 12141916 碘 I 容器化气体 7165000 12142000 稀有气体 容器化气体 7165000 12142001 氙气 Xe 容器化气体 7165000
原始研究根据可溶性介体确定了预后签名，定义了免疫景观，并预测了HNSCC的预后
背景：头颈鳞状细胞癌（HNSCC）的研究是一种流行而侵略性的头颈癌，重点是可溶性介质的作用。目的是利用可溶性介体相关基因（SMRG）的基于转录组的风险分析来提供对HNSCC患者预后和免疫疗法功效的新见解。方法：我们使用502 HNSCC和44个来自TCGA-HNSC队列的正常样品（TCGA）分析了10,859个SMRG的表达和预后意义。样品以7：3的比例分为训练和测试集，并使用来自国际癌症基因组联盟（ICGC）的40个肿瘤样本进行了额外的外部验证。通过单变量和拉索-Cox回归分析鉴定出具有预后意义的差异表达基因（DEG）。使用套索和多元COX回归开发了基于20个SMRG的预后模型。我们评估了使用最佳数据库和单样本基因集富集分析（SSGSEA）的高风险（HR）和低风险（LR）HNSCC患者的临床结果和免疫状态。结果：20个SMRG对于预测HNSCC的预后至关重要，SMRG签名作为独立的预后指标出现。与LR组相比，在人力资源组中分类的患者表现出较差的结果。 nom图，整合临床特征和风险评分，表现出了实质性的预后价值。表现出较差的结果。nom图，整合临床特征和风险评分，表现出了实质性的预后价值。免疫疗法在LR组中似乎更有效，可能归因于免疫检查点的免疫浸润和表达。结论：基于可溶性介体相关基因的模型提供了一种新的观点，可以评估免疫前功效并展示强大的预测能力。这种创新的方法在推进精确免疫肿瘤研究领域具有巨大的希望，为HNSCC的个性化治疗策略提供了宝贵的见解。
X射线诱导的旁观者效应在于以钙依赖性的方式形成DNA破裂：实验过程的影响和个体因子
背景。作为先天免疫系统效应，天然杀伤细胞（NK细胞）在肿瘤免疫疗法反应和临床结果中起着重要作用。方法。在调查中，我们收集了TCGA和GEO队列的卵巢癌样品，总共包括1793个样品。此外，还包括四个高级浆液卵巢癌SCRNA-SEQ数据以筛选NK细胞标记基因。加权基因共表达网络分析（WGCNA）识别与NK细胞相关的核心模块和中心基因。进行了“计时器”，“ Cibersort”，“ McPcounter”，“ Xcell”和“ Epic”算法，以预测每个样品中不同免疫细胞类型的效率特征。使用套索量算法来建立风险模型来预测预后。最后，进行了药物敏感性筛查。结果。我们首先在每个样品的填充中对NK细胞进行了评分，并发现NK细胞水平的水平影响了卵巢癌患者的临床结果。因此，我们分析了四个高级浆液卵巢癌SCRNA-SEQ数据，在单细胞水平上筛选NK细胞标记基因。WGCNA算法筛选基于大量RNA转录组模式的NK细胞标记基因。最后，我们的研究中总共包括42个NK细胞标记基因。随后，使用14个NK细胞标记基因为Meta-GPL570队列开发14基因预后模型，将患者分为高风险和低风险亚组。结论。该模型的预测性能在不同的外部人群中得到了很好的验证。肿瘤免疫微环境分析表明，预后模型的高风险评分与M2巨噬细胞，癌症相关的纤维细胞，造血干细胞，基质评分以及NK细胞，NK细胞，细胞毒性评分，B细胞分数，B细胞和T细胞CD CD4+TH1正相关。此外，我们发现博来霉素，顺铂，多西他赛，阿霉素，吉西他蛋白和依托泊苷在高风险组中更有效，而紫杉醇对低风险组患者的治疗性更好。通过利用NK细胞标记基因在我们的研究中，我们开发了一种新功能，能够预测患者的临床结果和治疗策略。
课程维修学术兴趣教育和培训...
1。Tang，L。和Song，P.X。（2016）。回归系数聚类中的融合拉索方法 - 数据整合中的学习参数异质性。机器学习研究杂志，17（113），1-23。2。Zhou，L.，Tang，L.，Song，A.T.，Cibrik，D。和Song，P.X。 （2017）。 识别蛋白质特征的套索方法可预测移植后肾移植物存活。 Biosciences中的统计数据，9（2），431-452。 3。 Tang，L.，Chaudhuri，S.，Bagherjeiran，A。和Zhou，L。（2018）。 通过分裂和串联技术学习大规模序数排名模型。 2018年网站会议的同伴会议记录，1901- 1909年。 4。 Tang，L.，Zhou，L。和Song，P.X。 （2019）。 融合学习算法以结合部分异质的Cox模型。 计算统计，34（1），395-414。 5。 Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Zhou，L.，Tang，L.，Song，A.T.，Cibrik，D。和Song，P.X。（2017）。识别蛋白质特征的套索方法可预测移植后肾移植物存活。Biosciences中的统计数据，9（2），431-452。3。Tang，L.，Chaudhuri，S.，Bagherjeiran，A。和Zhou，L。（2018）。通过分裂和串联技术学习大规模序数排名模型。2018年网站会议的同伴会议记录，1901- 1909年。4。Tang，L.，Zhou，L。和Song，P.X。 （2019）。 融合学习算法以结合部分异质的Cox模型。 计算统计，34（1），395-414。 5。 Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Tang，L.，Zhou，L。和Song，P.X。（2019）。融合学习算法以结合部分异质的Cox模型。计算统计，34（1），395-414。5。Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Tang，L.，Zhou，L。和Song，P.X。（2020）。通过置信分布在广义线性模型中的分布式推理。多元分析杂志，176，104567。6。Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D.（2020）。一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。数据科学杂志，18（3），409-432。7。Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。（2020）。8。（2020）。多室传染病模型的综述。国际统计评论，88（2），462–513。[国际统计评论中的第2020-2021条第2020-2021条。]Tang，L。*和Song，P.X。纵向数据分析中的分层后融合学习。Biometrics，77（3），914-928。9。Wang，F.，Zhou，L.，Tang，L。和Song，P.X。（2021）。线性模型中同时推断的收缩膨胀方法（MOCE）。机器学习研究杂志，22（192），1-32。10。tan，X.，Chang，C.H.，Zhou，L。和Tang，L。*（2022）。基于树的模型平均方法
使用语音生物标记物对成年远程医疗呼叫者的自杀风险进行分类：回顾性观察研究
背景：人工智能有可能革新目前用于检测自杀迫在眉睫的风险的做法，并解决传统评估方法的缺陷。目标：在本文中，我们试图根据澳大利亚 2 家远程医疗咨询服务机构拨打的大量（n=281）电话，将短片段（40 毫秒）的语音根据自杀低风险和迫在眉睫的风险自动分类。方法：本研究纳入了来自澳大利亚 On The Line（n=266，94.7%）和堪培拉 000 紧急服务（n=15，5.3%）的共 281 条帮助热线电话录音。当呼叫者确认意图、计划和手段的可用性时，对迫在眉睫的自杀风险进行编码；风险级别由响应咨询师评估，并由临床研究团队使用哥伦比亚自杀严重程度评定量表（=5/6）重新评估。低自杀风险在没有意图、计划和手段的情况下通过哥伦比亚自杀严重程度量表评分（=1/2）进行编码。预处理包括语音信号的标准化和预强调，而语音生物特征则使用统计语言 r 提取。使用套索回归确定候选预测因子。使用带有样条函数以解释非线性的广义加性混合效应模型将每种语音生物标记物评估为自杀风险的预测因子。最后，使用逐个分量的梯度增强模型根据预编码的自杀风险评级对每通通话记录进行分类。结果：总共将 77 个迫在眉睫的风险呼叫与 204 个低风险呼叫进行了比较。此外，从每个语音帧中提取了 36 个语音生物标记物。呼叫者性别是一个显着的调节因素（β =–.84，95% CI –0.85，-0.84；t =6.59，P <.001）。候选生物标记物减少到 11 个主要标记物，并为男性和女性开发了不同的模型。使用留一交叉验证，确保没有一个呼叫者的语音帧同时出现在训练和测试数据集中，精度或召回曲线下面积达到 0.985（95% CI 0.97, 1.0）。gamboost 分类模型正确分类了 469,332/470,032（99.85%）个语音帧。结论：本研究展示了在生态有效环境中对即将发生的自杀风险进行客观、有效和经济的评估，并可能应用于实时评估和响应。试验注册：澳大利亚新西兰临床试验注册中心 ACTRN12622000486729；https://www.anzctr.org.au/ACTRN12622000486729.aspx
开发和验证模型，以预测增生性糖尿病性视网膜病的进展
目的：开发非增殖性糖尿病性视网膜病（NPDR）进展的模型，以增殖性糖尿病性视网膜病（PDR），并确定合并更新的信息是否改善了模型性能。设计：回顾性队列研究。参与者：来自加利福尼亚大学旧金山大学（UCSF）的第三级学术中心的电子健康记录（EHR）数据，以及扎克伯格旧金山总医院（ZSFG）医院的安全网医院不能用来识别NPDR诊断，年龄诊断为1或2型糖尿病的诊断，诊断为1或2型糖尿病的诊断。索引日期之前的PDR（EHR中首次NPDR诊断的日期）。方法：开发了四个生存模型：COX比例危害，具有向后选择的COX，具有套索回归的Cox和随机生存林。对于每个模型，比较了三个变量集，以确定包括更新的临床信息的影响：静态0（静态日期的数据），静态6M（索引日期后6个月进行了静态更新）和动态（在6个月期间静态0加数据和数据更改中的数据更改）。将UCSF数据分为80％的培训和20％的测试（内部验证）。ZSFG数据用于外部验证。模型性能由Harrell的一致性指数（C-Index）评估。主要结果指标：PDR的时间。结果：UCSF队列包括1130名患者，92例（8.1％）患者发展为PDR。ZSFG队列包括687例患者和30名患者（4.4％）患者。所有模型在内部验证中类似地执行（C-Indices W 0.70）。带有静态6m集的随机生存森林在外部验证中表现最好（C-Index 0.76）。保险和年龄都被所有模型选择或排名为非常重要的。其他关键预测因子是NPDR严重程度，糖尿病神经病，中风数量，平均血红蛋白A1C和住院次数。结论：我们将NPDR进展为PDR的模型实现了可接受的预测性能，并在外部环境中得到了很好的验证。使用新的临床信息更新基线变量并不能始终如一地提高预测性能。财务披露：参考文献后可以找到专有或商业披露。眼科科学2023; 3：100276ª2023撰写的美国眼科学会。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
协同创新硕士学位研究院...
课程描述 理学硕士 - 数据科学 CISC7201 数据科学编程简介 本课程涵盖自然语言处理 (NLP) 中的基础和高级主题，涉及将计算模型应用于文本数据。在本课程中，将研究自然语言处理中的核心任务，包括最小编辑距离、语言建模、Nävie Bayes、最大熵、文本分类、序列标记、POS 标记、语法分析和计算词汇语义。将探索现代 NLP 应用，例如信息检索和统计机器翻译。学生将学习如何制定和调查相关主题的研究问题。先决条件：无 CISC7204 数据科学与数据可视化 本课程旨在使学生了解数据可视化在数据科学和大数据分析中的重要性，并培养使用数据可视化工具呈现定量数据的知识和技能。本课程强调数据科学的实践方面，重点是使用 R 或 Python 编程语言来处理数据、生成可视化效果并解释这些可视化效果。学生将学习数据清理、数据重塑、基本制表、聚合和可视化表示的实践，以增加对复杂数据和模型的理解。先决条件：无 CISC7203 数据库和数据挖掘技术本课程旨在让学生学习数据库和数据挖掘概念和技术，用于不同领域的大数据分析和开发。本课程专注于解决大数据问题的数据库和数据挖掘的实际问题。内容包括数据库和数据仓库中的数据建模、SQL、数据库的 Python 编程、数据挖掘应用的 Python 编程和 R 编程。学生将学习数据库建模、查询和编程的技能，以及数据挖掘的编程技术。先决条件：无 CISC7202 机器学习工具 本课程介绍机器学习 (ML) 基础知识、方法和算法，并使用现代软件工具（例如 Scikit-learn 和 PyTorch）进行大量实践。在第一次关于机器学习的入门讲座之后，该课程涵盖了 ML 的四个关键主题：1）回归技术，包括线性回归、岭和套索回归、最近邻和核回归；2）分类技术，包括逻辑回归决策树、提升和装袋、SVM 和朴素贝叶斯；3）聚类技术，包括 k 均值、层次聚类、DBScan 和混合模型；4）深度学习技术，包括神经网络基础、卷积神经网络和生成神经网络。 先决条件：数据科学编程专业化 A 简介：人工智能应用 CISC7013 人工智能原理 传统人工智能原理概述：问题解决和逻辑代理。 现代人工智能原理概述：机器学习、决策树、神经网络、支持向量机和深度学习简介。 先决条件：无
使用时间卷积网络的动态功能连通性分析，用于注意力缺陷/多动症疾病识别
活动）（美国精神病学协会等，2013）。估计，多动症影响大约7.2％的全球人（Thomas等，2015）。当前对ADHD的诊断主要依赖于行为评估和临床措施来量化该疾病的严重程度（Sayal等，2018; Chan等，2023），这是由于其病理机制和临床症状的复杂性而成为一项艰巨的任务（USAMI，2016年）。因此，高度可取的任何计算机辅助诊断方法的出现，该方法支持一种客观和定量方法以自动识别ADHD。静止状态功能磁共振成像（RS-FMRI）是一种非侵入性神经影像学技术，在休息时测量了血氧水平依赖性（BOLD）信号的自发性波动，已广泛用于研究人类的脑功能（Lee等人，2013; cortese et; cortese et and an e an e an e an e an e an。Functional connectivity (FC) derived from rs-fMRI is able to characterize brain function abnormality and thus has been widely used for diagnosis of psychiatric diseases, such as schizophrenia, autism spectrum disorders (ASD), and attention deficit/hyperactivity disorders (ADHD) ( Du et al., 2018 ; Wang et al., 2019c ; Canario et al., 2021 ）。在fMRI分析的领域中，通常假定大脑FC在整个扫描过程（通常几分钟）中是固定的。实际上，越来越多的证据表明，FCS在短时间内发生了很大变化（Zhang等，2016; Jie等，2018; Ding等，2022; Huang等，2023），并且静态FC分析不能充分地感知这些动态的这些动态变化。滑动窗口方法是量化动态FC（DFC）的常用技术。根据此方法，从每个主题中提取的粗体时间序列首先使用固定大小的滑动窗口将每个主题分配为多个重叠或非重叠段，然后将基于每个段的FC网络构建以进行后续分析。基于滑动窗口的DFC分析的现有方法可以大致分为两类：（1）传统的机器学习方法和（2）深度学习方法。In the first category, low-level measures (i.e., clustering coefficients) of FCs are first extracted as new representations of the data, and then the corresponding classifier (i.e., support vector machine, SVM) is trained for final prediction ( Wee et al., 2016 ; Jie et al., 2018 ; Wang et al., 2021 ).例如，Wee等人。（2016）提议使用融合的多组套索算法同时生成这些子细分市场的DFC网络。然后，从每个生成的FC网络计算聚类系数。最后，所有这些段的串联系数都用于训练SVM分类器进行疾病诊断。Jie等。 （2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。 最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。 Luo等。 但是，基于传统的现有方法Jie等。（2018）第一个从每个段构建了动态FC，然后从这些FC中提取时间和空间变化作为特征。最后，使用多种正规化多任务特征学习和多内核学习技术来整合这些特征以进行疾病预测。Luo等。但是，基于传统（2023）提议计算时间微晶格动力学和光谱功率特征，以分析ADHD和正常对照（NCS）及其亚型之间的组差异。这些研究表明，考虑动态特性有助于改善疾病诊断的性能，而发现的FC的变化可能是将患者与正常对照区分开的潜在生物标志物。