XiaoMi-AI文件搜索系统
World File Search System感知器
简短报告使用人工智能算法实现医疗相关感染的自动化监测
医院相关感染 (HAI) 是医院中最常见的不良事件之一。我们在一项队列研究中使用人工智能 (AI) 算法进行感染监测。该模型正确检测出 73 名 HAI 患者中的 67 名。最终模型使用多层感知器神经网络，实现了 90.27% 的受试者工作曲线下面积 (AUROC)；特异性为 78.86%；灵敏度为 88.57%。呼吸道感染的效果最好 (AUROC 93.47%)。AI 算法可以识别大多数 HAI。AI 是一种可行的 HAI 监测方法，具有节省时间、促进准确的全院监测和提高感染预防绩效的潜力。ª 2021 作者。由 Elsevier Ltd 代表医疗感染协会出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
人工智能与营销：陷阱与机遇
摘要 - 本文从知识创造和知识转移的角度讨论了人工智能在营销中的陷阱和机遇。首先，我们讨论了区分人工智能应用和传统建模方法的“高阶学习”概念，在关注深度神经网络的最新进展的同时，我们介绍了其底层方法（多层感知器、卷积和循环神经网络）和学习范式（监督、无监督和强化学习）。其次，我们讨论了营销经理在其组织中实施人工智能时需要注意的技术陷阱和危险，包括目标函数定义不明确、不安全或不切实际的学习环境、有偏见的人工智能、可解释的人工智能和可控制的人工智能等概念。第三，人工智能将对可以自动化且几乎不需要可解释性的预测任务产生深远影响，我们预测，如果我们不解决人工智能模型和营销组织之间隐性知识转移的挑战，人工智能将在许多营销领域无法兑现其承诺。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。
人工神经网络：简要研究
这些网络模仿生物神经网络，尽管它们使用的是生物大脑系统中发现的原理的子集。特别是 ANN 模型模仿大脑和神经系统的电活动。处理元件（也称为神经元或感知器）相互通信。人工神经网络由三个或更多相互连接的层组成。第一层由输入神经元组成。这些神经元将数据发送到更深的层，更深的层将最终输出数据传送到最后的输出层。内层都是隐藏的，由单元构建，这些单元通过一系列转换自适应地将接收到的信息从一层更改为另一层。每一层都充当输入层和输出层，使 ANN 能够理解更复杂的事物。这些内层统称为神经层。为了得到解决方案，ANN 使用数据样本而不是整个数据集，这样既节省时间又节省金钱。ANN 是用于改进现有数据分析技术的简单数学模型。
QDNN：具有量子层的深度神经网络
量子计算机利用量子力学原理进行计算，在许多计算问题上比经典计算机更强大（Shor 1994；Grover 1996）。许多量子机器学习算法被开发出来，例如量子支持向量机、量子主成分分析和量子玻尔兹曼机（Wiebe 等 2012；Schuld 等 2015a；Biamonte 等 2017；Rebentrost 等 2014；Lloyd 等 2014；Amin 等 2018；Gao 等 2018），这些算法被证明比经典版本更有效。近年来，DNN（LeCun et al. 2015 ）成为机器学习中最重要和最强大的方法，广泛应用于计算机视觉（Voulodimos et al. 2018 ）、自然语言处理（Socher et al. 2012 ）等许多领域。DNN的基本单元是感知器，它由一个仿射变换和一个激活函数组成。激活函数的非线性和深度赋予了DNN很多的表示能力
脑肿瘤检测：深度综合研究...
对于其他机器学习模型，朴素贝叶斯的准确率达到 68.62%，而 SVM（支持向量机）的准确率达到 60.78%。同样，决策树模型的准确率也达到 68.62%。另一种集成技术 Bagging 的准确率达到 66.66%。有趣的是，结合预训练的 VGG-16 和 InceptionV3 模型的混合模型的准确率达到 68.92%。结果表明，卷积神经网络 (CNN) 是最成功的方法，在 MRI 扫描中实现脑肿瘤检测的最高准确率（86.27%）。这表明 CNN 特别擅长学习隐藏在 MRI 图像数据中的关键模式。关键词：磁共振成像 (MRI)、深度学习、卷积神经网络 (CNN)、多层感知器 (MLP)、迁移学习、InceptionV3、特征提取、主成分分析 (PCA)、准确度、VGG16、逻辑回归、随机森林、Ada Boosting、朴素贝叶斯、SVM、决策树、Bagging
有关计算机视觉深度学习的注释
这些讲义是针对一个关于计算机视觉深度学习的一个学期（12周）课程。课程涵盖了深度学习的理论和实践，重点是计算机视觉中的应用。学生将学习深度学习背后的基础数学，并探索诸如多层感知器（MLP），背传和自动分化，卷积神经网络（CNNS），复发性神经网络（RNN）和变形金刚等主题。这些技术在现代人工智能（AI）系统中起着至关重要的作用，包括图像和视频理解，自然语言处理，生成AI和机器人技术。该课程包括各种实践评估，以增强学生对深度学习的理解和直觉及其在计算机视觉中的应用。学生有望具有强大的编程技能，并以前接触线性代数，微积分和概率理论。评估细节不构成这些注释的一部分。
通过实例模式编写器实现可泛化的隐式神经表征
尽管隐式神经表征 (INR) 近期取得了进展，但对于基于坐标的 INR 多层感知器 (MLP) 来说，学习跨数据实例的通用表征并将其推广至未见实例仍然具有挑战性。在这项工作中，我们为可推广的 INR 引入了一个简单而有效的框架，该框架使基于坐标的 MLP 能够通过仅调节早期 MLP 层中的一小组权重作为实例模式组合器来表示复杂数据实例；其余 MLP 权重学习跨实例通用表示的模式组合规则。我们的可推广 INR 框架与现有的元学习和超网络完全兼容，可用于学习预测未见实例的调节权重。大量实验表明，我们的方法在音频、图像和 3D 对象等广泛领域都实现了高性能，而消融研究验证了我们的权重调节。
QDNN：具有量子层的深神经网络
量子计算机使用量子机械原理进行计算，在许多计算问题中，它们比古典计算机更强大（Shor 1994； Grover 1996）。开发了许多量子机学习算法，例如量子支持矢量机，量子主体分析和量子玻尔兹曼机器（Wiebe等人。2012; Schuld等。2015a; Biamonte等。2017; Rebentrost等。2014;劳埃德等。2014; Amin等。2018; Gao等。2018），这些算法比其经典版本更有效。近年来，DNNS（Lecun等人2015）成为机器学习中最重要，最有力的方法，该方法广泛应用于计算机视觉中（Voulodimos等人。2018），自然语言处理（Socher等人2012）和许多其他领域。DNN的基本单元是感知器，它是一种仿射转换，以及激活函数。激活函数的非线性和深度给出了DNN大量表示
文章 使用深度学习和公平人工智能技术对幼儿和成人进行自闭症筛查
摘要：自闭症谱系障碍 (ASD) 与抑郁、焦虑、癫痫等疾病有关，因为它会影响个人的教育、社交和就业。由于诊断困难且无法治愈，因此目标是通过减轻症状来最大限度地发挥个人的能力，早期诊断在改善行为和语言发展方面发挥着作用。本文使用公平人工智能（特征工程、SMOTE、优化等）和深度学习方法对幼儿和成人的自闭症筛查分析。该分析考虑了传统的深度学习方法，如多层感知器 (MLP)、人工神经网络 (ANN)、卷积神经网络 (CNN) 和长短期记忆 (LSTM)，并提出了两种混合深度学习模型，即带有粒子群优化 (PSO) 的 CNN-LSTM 和结合门控循环单元 (GRU-CNN) 的 CNN 模型。这些模型已经通过多种性能指标进行了验证，并且分析证实了所提出的模型比传统模型的性能更好。