XiaoMi-AI文件搜索系统
World File Search System提升机
基于概率特征的脑电信号在线教育平台困惑学生检测
摘要：在 COVID-19 大流行期间，在线教育已成为一种重要的教育媒介。尽管在线教育具有诸多优势，但它缺乏面对面的设置，这使得分析学生的互动、理解和困惑程度变得非常困难。本研究利用脑电图 (EEG) 数据为大规模开放在线课程 (MOOC) 平台检测学生的困惑程度。现有的困惑检测方法主要侧重于模型优化，而特征工程研究得不够深入。本研究提出了一种新颖的工程方法，该方法使用基于概率的特征 (PBF) 来提高机器学习模型的效率。PBF 方法利用随机森林 (RF) 和梯度提升机 (GBM) 的概率输出作为特征向量来训练机器学习模型。通过几个带有 EEG 数据的机器学习模型，使用原始特征和 PBF 方法进行了广泛的实验。实验结果表明，通过在 EEG 数据上使用 PBF 方法，可以 100% 准确率地检测困惑的学生。 K 折交叉验证和与现有方法的性能比较进一步证实了结果。
用BRFSS数据的糖尿病性预测...
抽象的一种影响全世界许多人的慢性疾病是糖尿病性疾病。如果在早期预测该疾病，则风险和严重程度都可以显着降低。In this research, we need to predict the type 2 diabetic patients at an early stage to reduce the cost of treatment for countries because this is a long time disease we use many machine learning algorithms to find the accuracy for these diseases applied to BRFSS datasets for two years 2014 and 2015 with a different selection of features to predict the disease as decision tree, logistic regression, ADA Boost Classifier, extreme gradient boosting, Linear Discriminant Analysis, Light梯度提升机和Catboost分类器。在使用2014 BRFSS数据集应用我们的实验时，神经网络具有最高的精度，而2015 BRFSS数据集则最佳准确度模型对于Catboost分类器和极端梯度提升，其中最低模型是线性判别分析。此外，在我们的研究中，我们使用具有不同功能选择并获得高精度的相同数据集进行了比较我们的结果。关键字：慢性疾病；糖尿病性麦芽膜；机器学习；人工智能;分类
自动破坏系统和驾驶员安全
1机器人学系1 Ambalika技术研究所，勒克瑙摘要：预测维护（PDM）的目标是一种战略策略，是通过采用数据驱动的策略来预测问题来有效地管理资产维护。此过程涉及随着时间的推移收集数据以监视设备的状况，以确定可以帮助预测和预防问题的模式和相关性。在制造业中，机器通常在没有计划的维护时间表的情况下运行，这会导致由于计划外的不良功能而导致意外的停机时间。为了防止计划外的故障，计划的维护需要以预定的间隔检查机械状态并替换有缺陷的零件。但是，此策略提高了维护费用和机器停机时间。对PDM技术的重点可以降低停机时间的成本并提高工业设备的可用性（利用率），随着行业4.0和智能系统的兴起而增加。此外，通过优化组件有用寿命，PDM具有实现生产可持续实践的潜力。已经对有监督的学习方法进行了分析，例如梯度提升分类器，catboost分类器，轻度梯度提升机和极端的梯度提升。
人工智能在财务分析和预测中的作用：使用数据和算法
该研究的重点是AI在银行业的应用。本研究还研究了其应用对预测的影响，特别是在金融市场和统计分析方面。它将试图分析涉及经济数据，股票价格和货币利率的众多财务方面。该研究采用基于机器学习原理等先进方法，例如梯度提升机，但它也使用了传统的统计方法，例如Arima模型和随机森林。这些不是人工智能技术，因为随机森林取决于从决策树和Arima模型中学习的整体学习，而在时间序列预测中使用的无需涉及鼻网络。这些集成通过将财务决策和提高预测准确性提高30％，并提高风险评估的准确性以及预测交易量的能力提高20％，从而提供了更好的结果。随着AI的进步，财务决策的准确性和简单性将大大提高。当人工智能（AI）进入图片时，银行业面临一些问题。这些问题包括隐私问题，机器偏见和不公平的问题。这项研究表达了这些研究人员，商人和政客都需要共同努力解决这些问题，以便通过公平和创造力地正确地使用AI。
RED ROOSTER 空气链葫芦 - Rami Yokota
• TOKU 高品质叶片电机和行星齿轮箱，配备长寿命润滑脂 • 负载限制器 • 高强度铸钢外壳，经久耐用 • 结构紧凑、重量轻，易于操作 • 延长工作周期和频繁反转 • 可变速度，可准确升降 • 带安全锁的合金钢钩（底部钩配有推力轴承，操作方便） • 可调节负载限制器（不适用于 TMM、TCR Mini 或 TCS） • 故障安全自动盘式制动器（全封闭）确保断电时负载不会掉落 • 紧急停止 • 机械上限和下限提升限位 • 提升高度可满足您的需求 • 可选择绳索、吊坠控制或控制系统 • 噪音低至 80 dB（消音器和过滤器易于更换） • 空气消耗低（TCR 和 TMH 型号） • 气压从 0.4 到 0.63 MPa • 在恶劣环境下耐用 • 维护成本低 • 在适当条件下易于获得备件 • 提升机机身在日本制造，其他所有部件在欧洲制造 • 欧洲/日本制造的高品质校准负载链具有 5：1 FOS • 高速（TCS 和 TMH 型号） • 特殊设计的起重机和小车 • 符合 EC 指令 2014/34/EU 的 Ex 分类 (ATEX
使用机器学习的项目风险管理的预测分析
风险管理与寻求避免和抑制意外成本的每个项目相关，基本上是要求先发制人的。Cur-lock提出了一种基于预测性和机器学习（ML）的新方法来处理风险的方法，该方法可以实时工作，以帮助避免风险并提高项目适应性。该研究的主要研究目的是通过使用先前项目的历史数据来确定项目中的风险存在，重点关注时间，任务时间，资源和项目结果等重要方面。T-SNE技术在降低维度的同时，将特征工程应用于维护重要的结构特性。使用包括召回，F1得分，准确性和精确度量在内的措施分析此过程。结果表明，梯度提升机（GBM）达到了令人印象深刻的85％精度，82％的精度，85％的召回率和80％的F1得分，超过了先前的模型。此外，预测分析可实现85％的资源利用效率，而传统分配方法为70％，项目成本降低了10％，是传统方法实现的5％的两倍。此外，该研究表明，尽管GBM在整体准确性方面都擅长，但Logistic Remission（LR）提供了更有利的Precision-Recall Recall权衡取舍，这强调了模型选择在项目风险管理中的重要性。
使用改进的机器学习
尽管许多研究都集中在海洋事故的可能性上，但很少有人专注于分析后果的严重程度，甚至更少的预测严重程度。为此，在本研究中提出了一个新的研究框架，以准确预测海洋事故的严重性。首先，开发了一种新颖的两阶段特征选择（FS）方法，以选择和对风险影响因素（RIF）进行排列，以提高MA Chine学习（ML）模型的准确性（ML）模型和FS的解释性。第二，提出了一种全面的评估方法，以根据稳定性，预测性能改善和统计检验来衡量FS方法的性能。第三，使用了六个完善的ML模型，并比较了不同预测因子的性能。发现光梯度提升机（LightGBM）具有对海洋事故的严重性词典的最佳预测性能，并被视为基准模型。最后，LightGBM根据提出的FS方法选择的RIF来预测事故严重程度，并从定量的角度对风险控制措施的效果进行了反作用。这项有关改进ML方法使用的创新研究可以有效地分析和预测海洋事故的严重性，为在安全评估和预防事故预防研究中使用人工智能（AI）技术提供新的方法，并触发了新的方向。源代码可公开可用：https：//github.com/fengyinleo/pgi-sdmi。
关键职业清单（Mycol）2022/2023
MASCO 4D Job Title 1121 Managing Directors And Chief Executives 1211 Finance Managers 1214 Business Services Managers 1216 Quality Managers 1321 Manufacturing Managers 1323 Construction Managers 1511 Information And Communications Technology Managers 2141 Industrial And Production Engineers 2142 Civil Engineers 2144 Mechanical Engineers 2146 Mining Engineers, Metallurgists And Related Professionals 2151 Electrical Engineers 2173 Aircraft Pilots And Related专业人士2182制造专业人员2263环境和职业健康与卫生专业人员2426研发专业人员2512软件开发人员2522信息技术系统管理员3112土木工程技术人员3113电气工程技术学家311115机械工程技术学家3119工业和生产技术人员3122 Industrial Suppord Sustisters Support Sustist 321212121212121212 3151315131513121212 315131513121212 315131513121212 31513151315112 315131513151315112 31513151315132治疗设备技术人员7111房屋建筑商7132喷雾画家和清漆器7212焊工和火焰切割机7411建筑物和相关电工7412电气力学和钳工7422信息和通信技术安装程序和服务8161食品和相关产品机器运营商8189固定工厂和机器运营商8189 STASSARY CARTARY CRAFFARY CRACKIFIED CRACKIFIED CRAFFIED 832和机器8332和机器8332和机器8332和机器运算832和机器8332 and Friedified 8332 and Friedified 8332 and Friedified 83332相关植物运营商8343 Crane，提升机和相关工厂操作员
利用机器学习对结构-活性关系进行建模，以确定 GSK3 靶向小分子作为潜在的 COVID-19 治疗方法
冠状病毒会引发严重的上呼吸道感染，并可能扩散到肺部。核衣壳蛋白 (N 蛋白) 在 SARS-CoV-2（引起 COVID-19 的病毒）和其他冠状病毒的基因组复制、转录和病毒体组装中起着重要作用。糖原合酶激酶 3 (GSK3) 活化会使病毒 N 蛋白磷酸化。为了对抗 COVID-19 和未来的冠状病毒疫情，干扰 N 蛋白对 GSK3 的依赖性可能是一种可行的策略。为此，本研究旨在构建强大的机器学习模型，使用定量结构-活性关系方法从食品和药物管理局批准和研究药物库中识别 GSK3 抑制剂。从 ChEMBL 数据库获取了一个非冗余数据集，其中包含 495 种和 3070 种 GSK3 a 和 GSK3 b 化合物。使用 12 组分子描述符来定义这些抑制剂，并使用 LazyPredict 包选择机器学习算法。采用直方图梯度提升算法和轻梯度提升机算法建立预测模型，并根据均方根误差和 R 平方值进行评估。最后，根据最高预测活性（半最大抑制浓度的负对数，pIC 50 值）选择前两种药物（selinexor 和 ruboxistaurin）进行分子动力学模拟，以进一步研究蛋白质-配体复合物的结构稳定性。这种基于人工智能的虚拟高通量筛选方法是加速药物发现和寻找新药理靶点的有效策略，同时可降低成本和时间。
使用机器学习模型随机森林
摘要背景鉴于疾病的发病率和干预时间狭窄的时间窗口，在院前阶段对大血管闭塞（LVO）的及时识别非常重要。当前的评估策略仍然具有挑战性。这项研究的目的是开发机器学习（ML）模型，以使用院前可访问数据来预测LVO。在基于计算机的急性中风患者的症状发作后8小时内接受了CT或MR血管造影术并在8小时内接受再灌注疗法的连续急性急性缺血性中风患者，包括2016年1月至2021年8月。我们开发了八种ML模型，以将国立卫生学院中风量表（NIHSS）项目与人口统计学，病史和血管风险因素相结合，以识别LVO并验证其效率。结果最后，训练组中包括15例365例患者，并将4215例患者纳入了测试组中。在测试集，随机森林（RF），梯度提升机和曲线下的极端梯度提升面积为0.831（95％CI 0.819至0.843），它们高于其他模型，RF呈现出最高的特异性（0.827）。此外，RF的AUC高于其他量表，与NIHS相比，模型的准确性提高了6.4％。我们还发现，识别LVO的前五项是NIHSS总分，凝视偏差，意识水平（LOC），LOC命令和电动机左腿。结论我们提出的模型可能是基于院前可访问的医疗数据来预测LVO的有用筛选工具。试用注册号NCT04487340。