XiaoMi-AI文件搜索系统
World File Search System学习方法
基于深度学习方法预测抗癌药物敏感性
抗癌药物敏感性的预测是个性化医学的主要挑战。在本文中，CCLE被用作抗癌药物易感性研究的数据集，并选择了基因的数据数据和不同细胞系上的药物敏感性数据。同时，我们签署了一种称为PCA变压器（PCAT）的混合深度学习和机器学习方法，以预测抗癌药物的敏感性。首先，构建了PCA模型以在不同细胞系上提取基因表达数据中的重要变量，因此将约50,000的基因维度降低到500。然后，基于降低性降低基因表达值建立了神经网络变压器模型，以预测药物敏感性，通过均方根误差（RMSE）评估我们的模型的功能，并使用最佳的潜在变量来评估模型估计值。为了验证PCA变压器的性能，本文将变压器模型与前字典模型随机森林（RF）和支持向量回归（SVR）进行了比较。特定组合Include：PCA变压器，PCA + SVR，PCA + RF。最后，将结果与先前的研究方法（ISIR）的结果进行了比较和优化。最终预测结果表明，对于CCLE中的24种药物，该方法预测的平均RMSE为0.7564、6种药物的RMSE小于0.5（L-685458，PF2341066等）。）和18种药物小于1。预测方法的平均RMSE为0.8284（PCA + SVR），0.8757（PCA + RF）和ISIRS（0.9258），表明所提出的方法具有更强的概括能力。
基于学习方法-ERIC
摘要：联合国（联合国）可持续发展目标（SDG）旨在创建一个可持续的世界，并为影响世界的主要社会，生态和经济问题提供永久解决方案。教育在传播和实现这些目标的核心理解方面拥有核心地位。从这种立场中，英语教学（ELT）使自己有余地整合可持续发展目标，以考虑学生的学术目的。考虑到所有这些，这项研究调查了EAP学生对可持续发展目标的概念化，并从土耳其一所州立大学英语和文学系的360名本科生收集的数据中得出。采用描述性调查设计来寻求研究问题的答案，并从参与者那里收集了定量和定性数据。结果揭示了定性和定量发现之间的分歧。定量发现表明，参与者之间的系统思维观点的优势，表明他们将SDG视为一个复杂的整体，涵盖了各种相互交织和相互联系的元素。然而，定性发现揭示了可持续发展目标的有问题的概念化，从而对所讨论的现象提供了更深入的见解。与这些发现一致，这项研究提出了将可持续发展目标纳入教学实践的几种教学意义。AnahtarSözcükler：
翻转课堂学习方法
摘要 — 关于如何通过课程设计和教学方式提高来自不同学术背景的大学生的人工智能素养，目前很少有系统的讨论。本研究介绍了针对大学生的人工智能素养计划的课程和教学方法，并收集并展示了参与者对其有效性的反馈。该课程侧重于机器学习、深度学习和开发人工智能应用程序。它采用翻转课堂学习方法和基于项目的学习方式进行授课。通过翻转课堂调查、焦点小组访谈和反思性写作收集的参与者反馈表明，他们喜欢翻转课堂学习方法，而基于项目的学习帮助他们形成了有关人工智能的概念和道德意识。建议将该计划扩展到更多的参与者，例如高中生和公众。本研究为人工智能素养计划的实施开辟了一条道路。它可能会指导和启发未来在培养来自不同学术背景的公民的人工智能素养方面开展实证和设计研究。
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
脑电图的深度学习方法（...
摘要：在深度学习中，由于时间序列数据的随机性和非线性特性，寻找最佳算法可能具有挑战性。本研究致力于解决采用深度学习算法的 10 类分类和二元分类问题所带来的挑战。我们收集了参与 Corsi Block Tapping 任务的参与者的脑电图 (EEG) 数据，利用多层卷积神经网络 (CNN)、长短期记忆 (LSTM) 和双向 LSTM (BiLSTM) 模型的各种组合，以在不同频带（即 beta 波段 (14-30 Hz)、alpha 波段 (8-13 Hz)、theta 波段 (4-8 Hz) 和 delta 波段 (0.5-4.35 Hz)）上实现最高精度。我们在 10 类分类问题中的研究结果突出了 1 CNN + 4 线性层模型的卓越性能，准确率高达 64.47%。在二元分类领域，1 LSTM + 4 线性层模型表现最佳，准确率高达 93.30%。值得注意的是，β 波表现出增强的预测能力。这些结果对脑机接口实验的设计具有重要意义，特定大脑区域可以以更高的准确率预测反应。此外，未来的应用可能包括认知系统的开发，其中时间和准确性都起着关键作用。
英国基于工程项目的学习方法
2 英国财政部，2005 年，《考克斯商业创造力评估：发挥英国优势》，HMSO（www.hm- treasury.gov.uk/coxreview_index.htm） 3 英国皇家工程院，2007 年，《培养 21 世纪工程师》（www.raeng.org.uk/news/releases/pdf/Educating_Engineers.pdf）
对比传统方法和机器学习方法......
基于光学的深亚波长尺寸特征尺寸的精确测量一直受到制造工艺改进的挑战，包括更小的线宽、更密集的布局以及近原子尺度上更大的材料复杂性。电磁建模在很大程度上依赖于用于解决光学测量逆问题以进行参数估计的前向映射。机器学习 (ML) 方法一直受到关注，要么作为绕过与模拟直接比较的手段，要么作为增强非线性回归的方法。在这项工作中，使用特征明确的实验数据集及其假设二维几何的模拟库来研究 ML 方法。通过比较一种直接的库查找方法和两种 ML 方法（使用径向基函数 (RBF) 的数据驱动非线性回归替代模型和间接应用模拟强度数据的多输出高斯过程回归 (GPR)），说明了 ML 在光学临界尺寸 (OCD) 计量方面的优势和局限性。 RBF 和 GPR 通常比传统方法的准确度更高，而且训练点数最少只有 32 个。然而，随着测量噪声的降低，RBF 和 GPR 的不确定性差异很大，因为 GPR 的方差后验估计似乎高估了参数不确定性。在 OCD 中，必须同时解决准确度和不确定性问题，同时平衡模拟与 ML 计算要求。
