XiaoMi-AI文件搜索系统
World File Search System技术预测
使用机器学习技术预测约旦案例中抗生素耐药微生物的分布模式
抗菌耐药性（AMR）被确定为约旦死亡率的第四个主要原因。然而，与AMR相关的人口统计学和临床特征的数据稀缺，与AMR相关的针对西约丹的常用抗生素。为了解决这一知识差距，从2020年10月至2022年12月，在约旦·韦斯特（Jordan West）的AL-Hussein/Salt医院的AMR进行了回顾性分析，其中包括2893年的报告。使用微生物学报告对两个机器学习（ML）模型，特别是分类回归树（CART）和随机森林（RF）进行了培训，然后用于预测不同类别的抗生素的AMR。最常见的微生物是大肠杆菌（53.3％），肺炎克雷伯氏菌和金黄色葡萄球菌。属于粪肠球菌，金黄色葡萄球菌，克雷伯氏菌肺炎，baumannii菌群，铜绿假单胞菌和肠类杆菌类别的细菌菌株表现出抗药性升高。RF模型与CART相比表现出较高的精度，其范围为0.64–0.99。这一发现表明在预测AMR模式中，RF模型的预测能力具有显着的可靠性。amr容易受到年龄，性别和细菌种类等人口因素的影响。这项研究强调了监测AMR促进适当抗生素治疗的重要性。
政策摘要：全电动城镇建筑 - 罗德岛州巴灵顿
2 基于实证的技术预测和能源转型。https://www.sciencedirect.com/science/article/pii/S254243512200410X 3 RI 以身作则。https://governor.ri.gov/executive-orders/executive-order-23-06
想象一下2050 年的未来武器，它们将采用新技术来改变未来的战场。
负责部门 技术政策研究部组长 李浩均 (055-751-5670) 未来技术预测组组长 善妍 姜亨宇 (055-751-5553)
可持续的协作闭环供应链框架
可持续制造的协作闭环供应链框架：印度包装行业的证据。技术预测与社会变革，191，122489。https：//doi.org/10.1016/j.techfore.2023.122489
完整教授Yann Truong
Xu-Priour，D.L.，Truong，Y。和Klink，R.R。（2014）。集体主义和多语音时间取向对在线社会互动和购物行为的影响：中国与法国之间的比较研究。技术预测和社会变革，88，pp。265-275。
医疗保健供应链
Sunder M，V。和N. R. Kunnath（2020）。六个Sigma减少医疗保健付款人公司中的索赔处理错误。生产计划与控制，31（6），496-511。Göleç，A。和Karadeniz，G。（2020）。 对医疗保健供应链管理的绩效分析以及基于能力的操作评估。 计算机与工业工程，146，106546。 Beaulieu，M。和Bentahar，O。 （2021）。 医疗保健供应链的数字化：产生福利并有效支持医疗保健提供的路线图。 技术预测和社会变革，167，120717。 学习成果：Göleç，A。和Karadeniz，G。（2020）。对医疗保健供应链管理的绩效分析以及基于能力的操作评估。计算机与工业工程，146，106546。Beaulieu，M。和Bentahar，O。（2021）。医疗保健供应链的数字化：产生福利并有效支持医疗保健提供的路线图。技术预测和社会变革，167，120717。学习成果：
国家情报和安全发现研究资助计划
• 全源情报整合与协作技术 • 政治、战略、经济和“冲突驱动因素”的研究与分析 • 推进“红队”、“战争游戏”、情景和行动方案分析 • 技术预测：新兴、关键和颠覆性技术 • 环境变化和健康危机的安全影响 • 安全威胁的风险和弹性框架及测量 • 理解和避免偏见（例如算法偏见）并生成评估的信心指标；以及 • 增强认知、理解、学习和决策（例如可视化等）。
数据与人工智能素养概况表
培训目标——您将了解各种 AI/ML 技术在公司不同领域业务流程优化的潜力。 – 您了解如何基于“ML Canvas”等方法描述自己的AI用例并启动AI项目。 – 您对 AI 团队中的不同角色有广泛的了解，并且知道如何从业务和技术角度建立这样的异构团队，以及如何以目标为导向的方式与他们合作。 – 您了解人工智能技术的监管和道德挑战，并可以为您的公司进行评估。 – 能够通过AI技术预测未来的商业环境变化，并做出适当的应对和利用。
第一性原理密度泛函理论和机器学习技术预测 PtPd 基高熵合金催化剂上的水吸附位点
该期刊文章的自存档后印本可在林雪平大学机构知识库 (DiVA) 找到：http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-192317 注意：引用该作品时，请引用原始出版物。 Rittiruam, M., Setasuban, S., Noppakhun, J., Saelee, T., Ektarawong, A., Aumnongpho, N., Boonchuay, S., Khajondetchairit, P., Praserthdam, S., Alling, B., Praserthdam, P., (2023)，第一原理密度泛函理论和机器学习技术用于预测 PtPd 基高熵合金催化剂上的水吸附位点，高级理论与模拟，6(4)，2200926。https://doi.org/10.1002/adts.202200926