XiaoMi-AI文件搜索系统
World File Search System数据建模
计算机科学（CSCI）
CSCI 5660 - 数值分析 I (3 学分) 第一学期的数值方法和分析课程，是科学计算、数据科学、机器学习和科学与工程计算模型中遇到的许多算法的基础。算法的舍入误差和数值稳定性；线性和非线性方程的解；使用插值和最小二乘法进行数据建模；以及优化方法。本课程假设学生具有微分和积分微积分（例如 MATH 2411）、线性代数（例如 MATH 3191 或 3195）和计算机编程（例如 MATH 1376 或 CSCI 1410）的同等知识。与 CSCI 4650、MATH 4650 和 MATH 5660 交叉列出。限制：仅限具有研究生资格的学生。开课学期：秋季、春季、夏季。最大学时：3 学分。评分依据：字母等级限制：仅限具有研究生资格的学生。通常提供：秋季、春季、夏季。
人工神经网络：概述
一个非线性数据建模系统，其中在输入和输出之间建立复杂关系的模型或模式被称为人工神经网络（ANN）。神经网络具有卓越的学习能力。它们通常被用于手写和面部识别等更复杂的任务。神经网络也称为“ perceptron”。它首次出现在1940年代初期。他们最近才成为人工智能的重要组成部分。神经网络被视为可观察的数据显示设备，其中显示了数据源之间的关系。神经网络由由三个单元的神经层组成，并说明了流量，并用“输入”单元以及一层“封闭的UP”单元组成，这对应于“输出”单元[1]。数据到达数据源，并通过网络逐层通过网络传播，直到达到输出为止。本研究中使用的神经网络在以下各节中进行了详细介绍。如图1。
为南卡罗来纳州的未来计划和投资。
此2021 IRP更新为满足这些目标以及与IRP相关的流程和实用程序操作的更新提供了17个计划的建模结果。在其初始部分中，它报告了IRP利益相关者流程，DESC的燃烧涡轮机（CT）替代计划以及建立东南能源交易所市场（SEM）的创建。然后，它提供了一份生成和传输操作报告更新，该报告介绍了有关2020年系统操作和风暴响应的报告。接下来，资源计划分析介绍了使用2020年更新数据建模的17个资源计划的建模和评估结果，以及对所有标识此更新首选生成计划的所有情况的资源计划排名。该报告随后提供了可再生生成水平以及账单和费率影响的预测。它以短期行动计划（Stap）的更新进行了规定，以进行计划和实施的下一步。
研究文章约旦商业银行将人工智能融入数字营销的框架。
摘要 本文探讨了人工智能 (AI) 与约旦银行业数字营销之间的关系。它概述了信息收集、数据建模、处理和交付的主要含义，以及人际沟通的重要性和道德含义。银行在使用人工智能时需要一个连贯的基础。本文为银行业的人工智能开发人员、政策制定者和营销人员以及学者提供了理论背景。尽管人工智能在许多全球和本地企业中得到广泛应用，但很少有研究涉及人工智能在约旦银行业的应用。此外，人工智能迅速改变了数字营销实践，尤其是在冠状病毒 (COVID-19) 大流行的情况下。约旦的银行没有意识到将人工智能融入其数字营销服务时面临的挑战。本文提出了将人工智能技术融入约旦银行数字营销实践的总体框架。本文还提出了旨在帮助银行更有效地瞄准客户的建议
国防部数据战略
开箱即用的 MarkLogic 数据中心平台提供了关键功能，以确保以支持国防部现在和未来使命的方式处理和管理数据：R 摄取和发现 - 无需提前定义模式（本体）。我们不会将结构和转换抛到九霄云外 - 我们只是说您不必提前完成所有工作。摄取时立即索引和搜索您的数据。- 策划 - 通过在摄取之前跳过前期数据建模，您可以专注于协调和丰富数据，以便在第一个用例中添加标记的元数据。然后随着时间的推移迭代协调更多数据以供将来使用。访问 - 轻松访问下游系统和应用程序的数据，具有完全的事务一致性和企业级安全性。我们的平台专注于 DevOps，具有标准化 API 和其他工具，可快速开发应用程序并将其部署到您选择的任何最终用户环境中。
引用：PC Behanzin、L. Agbandji、AK Takpé、JE Sainou 和 RM-A Hounza (2024) 利用人工智能实现 Ganvié 的可持续固体废物管理：挑战与机遇，Afr. J. Manag. Engg. Technol.，2(2)，191-201
摘要：本研究考察了贝宁湖畔小镇甘维埃使用人工智能 (AI) 优化固体废物管理的情况，甘维埃没有结构化的废物管理系统。目前，废物要么被焚烧，要么被再利用，要么被扔进湖里，对环境和健康造成严重影响。本研究重点介绍了当前大多是初级做法，并探讨了人工智能如何改变这些做法。人工智能提供了改善废物收集、运输物流和提高当地社区意识的机会。智能传感器、数据建模和实时警告系统等技术可以提高废物管理的效率。然而，在甘维埃，采用这些技术解决方案面临着重大挑战，包括基础设施不足、财政资源有限以及缺乏技术技能。研究得出结论，人工智能可能成为改善该地区废物管理的重要杠杆，但前提是采取包容性和本地相关性的方法。当地社区的参与对于确保人工智能真正支持甘维埃的可持续发展也至关重要。
在 5G 及 5G 之后的网络中发挥 AI/ML 的力量.docx
本文介绍了目前在 5G 和 B5G 网络中研究和利用的人工智能 (AI) 和机器学习 (ML) 的主要相关机制。该研究解释了 AI/ML 在电信行业的各种应用。介绍了一类神经网络，一般来说，它们是非线性统计数据建模和决策工具。它们通常用于对系统的输入和输出参数之间的复杂关系进行建模或在数据中查找模式。前馈神经网络、深度神经网络、循环神经网络和卷积神经网络属于这一类。强化学习关注智能代理必须如何采取行动才能最大化集体奖励，例如改善系统的属性。深度强化学习结合了深度神经网络，具有可以对非结构化数据进行操作的优势。提出了混合解决方案，例如组合分析和机器学习建模以及专家知识辅助机器学习。最后，介绍了其他具体方法，例如生成对抗网络 (GAN) 和无监督学习和聚类。
机器学习和自然语言处理用于预测航空事故报告中的人为因素
摘要：在航空领域，人为因素是安全事故的主要原因。多年来，人们开发了能够评估人为状态和管理风险的智能预测系统来识别和预防人为因素。然而，缺乏大量有用的标记数据往往是这些系统开发的障碍。本研究提出了一种从航空事故报告中识别和分类人为因素类别的方法。对于特征提取，开发了文本预处理和自然语言处理 (NLP) 管道。对于数据建模，考虑了半监督标签扩展 (LS) 和监督支持向量机 (SVM) 技术。采用随机搜索和贝叶斯优化方法进行超参数分析和模型性能改进，以 Micro F1 分数衡量。最佳预测模型在分类框架的每个级别分别获得了 0.900、0.779 和 0.875 的 Micro F1 得分。所提出方法的结果表明，基于文本数据的人为因素分类可以获得良好的预测性能。尽管如此，建议在未来的研究中使用更大的数据集。
一种时空数据缩减与建模方法
分析和学习时空数据集是许多领域的重要过程，包括交通运输、医疗保健和气象学。特别是，环境中的传感器收集的数据使我们能够理解和模拟环境中的过程。最近，收集的时空数据量显著增加，给数据科学家带来了一些挑战。因此，需要采取措施减少需要处理的数据量，以便分析和学习时空数据集。在本文中，我们提出了 k 维时空缩减方法 ( k D-STR )，以减少用于存储数据集的数据量，同时允许对缩减后的数据集进行多种类型的分析。 k D-STR 使用分层分区来查找相似实例的时空区域，并对每个区域内的实例进行建模以总结数据集。我们用三个表现出不同时空特征的数据集证明了 k D-STR 的通用性，并展示了一系列数据建模技术的结果。最后，我们将 k D-STR 与其他减少时空数据量的技术进行了比较。我们的结果表明，k D-STR 可有效减少时空数据，并可推广到具有不同属性的数据集。
经济影响报告：
与学术界和业界合作，确定所需的数字技能并弥补数字人才的短缺（例如，通过“人工智能技术战略委员会”和建议创建人工智能实习计划），在教育课程中灌输对数字技术的强烈关注（例如，通过将计算机编程引入课程），并在教育领域，特别是公立学校中，向所有人推广数字技术（例如，通过其“面向所有人的全球创新门户（GIGA）”学校计划，确保全国每个小学和初中学生都拥有一台个人电脑或平板电脑）。该国可以进一步深化当今工人的数字专业知识。最近的研究表明，虽然日本58%的工人已经在工作中应用数字技能，但只有14%的人应用了云架构设计等高级数字技能15，这一比例低于该地区其他高收入国家，如韩国（21%）和新加坡（22%）。16该研究进一步表明，需要数据建模、网络和软件开发以及云架构设计等高级技能的工人数量