XiaoMi-AI文件搜索系统
World File Search System收集的
对Einkorn收集的乳糜泻患者谷物蛋白抗原抗原的免疫分析研究
农业研究所，农业研究中心，e otv'os o otv'os lor´ and Research Network，Martonv´ as hu 2462，匈牙利B 2462，匈牙利B儿科学系，医学和临床学院，杜布雷肯大学，杜布拉肯大学，Hune Cornary Coleary Colecer and Cartor of Biorcen and bi coles corlary Colector corm an Debrecen，Hu 4032，DeBrecen，匈牙利氏病疾病中心，Heim P´Al国家儿科研究所，布达佩斯，胡1089年，胡1089年，匈牙利E蛋白质组学研究中心（BRC），Eotv。工程和教育，澳大利亚珀斯，澳大利亚珀斯，科学学院，270 Joondalup Drive，6027，西澳大利亚州HO应用生物技术与食品科学系Joondalup，谷物科学与食品质量研究小组，布达佩斯特技术与经济学研究小组，布达佩斯大学，布达佩斯特大学，布达佩斯特，布达佩斯特，布达佩斯特，Hu 1111，Hu 1111，Hunary I Insifuct of Instrical of Instrical of Instrucy of Instruction of Instuct布达佩斯，匈牙利农业研究所，农业研究中心，e otv'os o otv'os lor´ and Research Network，Martonv´ as hu 2462，匈牙利B 2462，匈牙利B儿科学系，医学和临床学院，杜布雷肯大学，杜布拉肯大学，Hune Cornary Coleary Colecer and Cartor of Biorcen and bi coles corlary Colector corm an Debrecen，Hu 4032，DeBrecen，匈牙利氏病疾病中心，Heim P´Al国家儿科研究所，布达佩斯，胡1089年，胡1089年，匈牙利E蛋白质组学研究中心（BRC），Eotv。工程和教育，澳大利亚珀斯，澳大利亚珀斯，科学学院，270 Joondalup Drive，6027，西澳大利亚州HO应用生物技术与食品科学系Joondalup，谷物科学与食品质量研究小组，布达佩斯特技术与经济学研究小组，布达佩斯大学，布达佩斯特大学，布达佩斯特，布达佩斯特，布达佩斯特，Hu 1111，Hu 1111，Hunary I Insifuct of Instrical of Instrical of Instrucy of Instruction of Instuct布达佩斯，匈牙利
用于物联网传感器射频能量收集的整流天线系统
解决方案将集成用于能量收集的多端口整流天线、电源管理单元 (PMU)、微控制单元 (MCU)、RF 收发器模块和传感器。 关键组件是多端口整流天线系统。它从蜂窝和无线系统收集环境 RF 能量以提供直流电源，即使在光线不足和黑暗的室内或嵌入式环境中也是如此。 为了补充低 RF 能量区域的环境 RF 能量，无线电力传输 (WPT) 还可以与独立 RF 源 (>900 MHz) 一起使用以补充 RF 环境。 PMU 用于合并多个输入功率并将其重新分配给多个输出负载。PMU 系统可以容纳具有不同电压规格的传感器或收发器。在 IoT 传感器节点中，功率流以 μW 到 mW 为单位。
无人机辅助数据收集的充电技术
随着Covid-19的需求增加了全球连通性的需求，研究人员正在针对新技术，这些技术可以改善覆盖范围并连接未连接，以便向联合国可持续发展目标取得进展。在此文本中，无人机被视为6G无线网络的关键功能之一，可以扩展以前的无线网络生成的覆盖范围。也就是说，有限的车载能量似乎是阻碍无人机用于无线覆盖的主要缺点。因此，提出了不同的无线和有线充电技术，例如激光光束，充电站和绳索站。在本文中，我们通过对无人机辅助数据集合的情况进行广泛的模拟来分析和比较这些不同的充电技术。我们分析了每种充电技术的优势和劣势，最后表明，激光驱动的无人机在某些情况下与其他充电技术竞争并跑赢大盘。
![初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、](/simg/4/4b79ebb2e692147077c5f05290fe6b1288b2aad1.png)
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
科学宣言和收集的承诺
I, _, CRMV Registration No._, I declare to be aware of the importance of sample collection for the DNA examination of the dogs used in reproduction, aware of the commitments made by CBPA before WUSV, aware of the risks that the lack of care and attention in the handling of the material may lead to the CBPA, aware that any error in the collection, handling and sending the kit-DNA to CBPA秘书处是我唯一的责任。 ，我认为，如果在我所执行的任何案例中，都将在我执行的任何考试中确定与CBPA暂时将自己脱离权利的承诺。 我还假设我将尽一切努力澄清任何误解，与调查合作并承担与我的辩护相关的费用。I, _, CRMV Registration No._, I declare to be aware of the importance of sample collection for the DNA examination of the dogs used in reproduction, aware of the commitments made by CBPA before WUSV, aware of the risks that the lack of care and attention in the handling of the material may lead to the CBPA, aware that any error in the collection, handling and sending the kit-DNA to CBPA秘书处是我唯一的责任。，我认为，如果在我所执行的任何案例中，都将在我执行的任何考试中确定与CBPA暂时将自己脱离权利的承诺。我还假设我将尽一切努力澄清任何误解，与调查合作并承担与我的辩护相关的费用。
自动显微镜技术对被动收集的样本提供了可靠的空气花粉定量数据
空气中的颗粒物数据对于保护人类健康至关重要。人为（例如烟尘、轮胎和刹车磨损）以及生物（例如花粉和孢子）颗粒通常由位于城市环境中的主动采样器监测；因此，偏远山区的数据非常少。此外，生物气溶胶分析耗时且需要大量技能。因此，为了避免主动采样的障碍（即高成本和功耗）并简化数据分析，我们研究了结合自动分析的被动采样作为花粉检测方法。2018 年，我们在意大利圣米歇尔阿迪杰部署了两台 Sigma-2 被动采样器，为期 12 周。自 1990 年以来，这里一直使用 Hirst 型容积采样器监测空气中的花粉。为了获得单个粒子的形态化学信息，我们使用 (i) 自动光学显微镜 (OM) 分析了样品，然后根据粒度和灰度值进行图像分析，以及 (ii) 自动扫描电子显微镜结合能量色散 X 射线光谱 (SEM/EDX)。自动 OM 检测到尺寸范围为 20–80 µ m 的明亮颗粒（即来自天然来源），准确代表了总花粉，SEM/EDX 根据大小、形状和化学成分过滤颗粒，这使我们能够识别可能的花粉候选物（“花粉状”部分）。总体而言，自动化分析技术可以同时提供有关空气中人为、地质和生物颗粒（包括花粉）的数据。此外，被动采样为收集空气生物学研究中的数据提供了一种可靠的选择，特别是在维护主动采样器具有挑战性的偏远地区。关键词：空气生物学、Sigma-2 采样器、Hirst 型采样器、空气中颗粒、SEM/EDX
AFH 关于加州协同跟踪受害者自报的数据 以下数据是通过湾区支持中心进行的调查收集的
AFH 关于加利福尼亚州自报协同跟踪受害者的数据 以下数据是通过湾区支持小组 (BASG) 进行的调查和监视骚扰幸存者联盟 (SHSA) 收集的全州统计数据收集的。收集这些信息的目的是提供加利福尼亚州协同跟踪犯罪的数据驱动图。与性侵犯一样，协同跟踪犯罪的报告严重不足。以下是自报受害者的一小部分样本。我们正在努力应用统计方法来估计该州受害者的真实人口规模。BASG、监视骚扰幸存者联盟 (SHASA) 和全国其他致力于解决这一问题的组织正在开展外联工作，为受害者提供支持，使他们能够站出来并被统计在内。
摘要：本研究的目的是确定近东大学学生对使用 Google 应用程序进行移动学习的看法。研究中使用了研究人员开发的包含 20 个项目的数据收集工具。应用结果表明，数据收集工具的克隆巴赫系数为 0.942。本研究的摘要部分提供了一般信息。在方法部分，表格显示了学生的年龄和性别以及学生就读的院系。研究过程中收集的数据在结果和讨论部分给出，并由研究人员在结论部分进行评估。研究结果表明，学生对移动教育中的 Google 应用程序持积极态度。对数据进行统计分析后发现，学生使用 Google 应用程序可以使大多数任务更容易完成。因此，学生使用这些应用程序可以节省更多时间和精力。提供使用这些应用程序的教育并从这些应用程序中受益将是件好事。本研究收集的数据旨在为来自不同大学和国家从事这一主题研究的其他研究人员提供指导。关键词：人工智能；移动学习；谷歌应用；技术。引用方式：Bicen, H., & Arnavut, A. (2020)。谷歌人工智能方法和在移动学习中使用谷歌应用的统计结果。BRAIN。人工智能和神经科学的广泛研究，11 (1)，121-130。https://doi.org/10.18662/brain/11.1/18
摘要：本研究的目的是确定近东大学学生对使用 Google 应用程序进行移动学习的看法。研究中使用了研究人员开发的包含 20 个项目的数据收集工具。应用结果表明，数据收集工具的克隆巴赫系数为 0.942。本研究的摘要部分提供了一般信息。在方法部分，表格显示了学生的年龄和性别以及学生就读的院系。研究过程中收集的数据在结果和讨论部分给出，并由研究人员在结论部分进行评估。研究结果表明，学生对移动教育中的 Google 应用程序持积极态度。对数据进行统计分析后发现，学生使用 Google 应用程序可以使大多数任务更容易完成。因此，学生使用这些应用程序可以节省更多时间和精力。提供使用这些应用程序的教育并从这些应用程序中受益将是件好事。本研究收集的数据旨在为来自不同大学和国家从事这一主题研究的其他研究人员提供指导。关键词：人工智能；移动学习；谷歌应用；技术。引用方式：Bicen, H., & Arnavut, A. (2020)。谷歌人工智能方法和在移动学习中使用谷歌应用的统计结果。BRAIN。人工智能和神经科学的广泛研究，11 (1)，121-130。https://doi.org/10.18662/brain/11.1/18
主题：根据艺术提供的信息。欧盟法规第 13 条2016/679 依据艺术。欧盟法规编号2016/679（以下简称“GDPR 2016/679”），其中包含有关个人数据处理方面对个人和其他主体的保护规定，我们希望通知您，您提供的个人数据将按照上述法律法规进行处理。数据控制者 数据控制者为 Audisio Specialità Alimentari Srls，注册办事处位于 Via Spegazzini, 2 - 10010 - Bairo (TO) 数据处理者 – （如适用）数据控制者为 Audisio Specialità Alimentari Srls 处理目的 您提供的个人数据对于履行工作关系、为我们公司供应或购买商品或服务是必要的。处理和储存方法 处理将以自动和/或手动方式进行，符合艺术的规定。 32 GDPR 2016/679 关于安全措施，由专门指定人员执行并遵守艺术规定。 29 GDPR 2016/679。我们通知您，遵守合法性、目的限制和数据最小化原则，根据艺术。 5 GDPR 2016/679，您的个人数据将被存储在实现收集和处理目的所需的时间内。沟通和传播的范围我们还告知您，所收集的数据绝不会被传播，未经您的明确同意不会进行沟通，除非是必要的沟通，这些沟通可能涉及将数据转移给公共机构、顾问或其他方，以履行法律义务或由多方进行供应。个人数据的转移 您的数据不会被转移到欧盟成员国或欧盟以外的第三国。特殊类别的个人数据根据欧盟法规第 9 条和第 10 条。 2016/679，您可以向公司提供可归类为“特殊类别的个人数据”的数据，即揭示“种族或民族血统、政治观点、宗教或哲学信仰或工会会员资格，以及基因数据、旨在唯一识别自然人的生物特征数据，与健康或性生活或性取向有关的数据”。
主题：根据艺术提供的信息。欧盟法规第 13 条2016/679 依据艺术。欧盟法规编号2016/679（以下简称“GDPR 2016/679”），其中包含有关个人数据处理方面对个人和其他主体的保护规定，我们希望通知您，您提供的个人数据将按照上述法律法规进行处理。数据控制者 数据控制者为 Audisio Specialità Alimentari Srls，注册办事处位于 Via Spegazzini, 2 - 10010 - Bairo (TO) 数据处理者 – （如适用）数据控制者为 Audisio Specialità Alimentari Srls 处理目的 您提供的个人数据对于履行工作关系、为我们公司供应或购买商品或服务是必要的。处理和储存方法 处理将以自动和/或手动方式进行，符合艺术的规定。 32 GDPR 2016/679 关于安全措施，由专门指定人员执行并遵守艺术规定。 29 GDPR 2016/679。我们通知您，遵守合法性、目的限制和数据最小化原则，根据艺术。 5 GDPR 2016/679，您的个人数据将被存储在实现收集和处理目的所需的时间内。沟通和传播的范围我们还告知您，所收集的数据绝不会被传播，未经您的明确同意不会进行沟通，除非是必要的沟通，这些沟通可能涉及将数据转移给公共机构、顾问或其他方，以履行法律义务或由多方进行供应。个人数据的转移 您的数据不会被转移到欧盟成员国或欧盟以外的第三国。特殊类别的个人数据根据欧盟法规第 9 条和第 10 条。 2016/679，您可以向公司提供可归类为“特殊类别的个人数据”的数据，即揭示“种族或民族血统、政治观点、宗教或哲学信仰或工会会员资格，以及基因数据、旨在唯一识别自然人的生物特征数据，与健康或性生活或性取向有关的数据”。