XiaoMi-AI文件搜索系统
World File Search System数据挖掘
COS 472 & 572：人工智能与数据挖掘
动手项目经验对于全面理解数据挖掘和人工智能技术至关重要。因此，项目部分将占总成绩的 30%。项目时间表和要求： 1）学期初：团队成员和主题选择：每队 1 至 3 名成员，成员越多，期望越高。您将组建项目团队并选择一个您感兴趣的主题。讲师将提供三个主题，您也可以选择自己感兴趣的主题。2）期中考试后：每个团队将在课堂上进行项目提案演示。该演示应介绍要解决的具体问题、为项目选择的方法（至少两种不同的算法）以及团队成员的分工。3）最后一周，将进行最终项目展示，每个小组应进行 20-30 分钟的展示，然后进行问答。展示应包括对所用方法的详细解释；突出所选方法有效性的实验结果；以及项目代码的演示等。您还需要提交最终项目报告（4 到 8 页类似研究论文的报告）和所有源代码。
课程教学大纲：数据挖掘和道德对话
课程概述：本课程提供了对数据挖掘技术的深入探索，结合对与这些技术相关的道德含义和对话实践的批判性研究。学生将在数据挖掘方面发展技术技能，并参与有关数据隐私，算法偏见以及数据挖掘的社会影响更大的结构化对话。该课程将高级技术主题与从差异（DXD）研讨会的对话中学到的对话技术相结合。
CS 59200-MLS机器学习系统 RSA攻击 +修复 resym：利用LLM恢复变量和数据结构符号 数据挖掘与机器学习 - 普渡大学计算机科学 机器学习简介 - 普渡大学计算机科学 CS592：2025年春季的社会辅助代理商
在本课程中，我们将通过了解如何以高级语言编写的ML模型分解为低级内核，并以分布式方式跨硬件加速器（例如GPU）执行。本课程涵盖的主题包括：神经网络和反向传播，用于表达ML模型的编程模型，自动差异化，深度学习加速器，分布式培训技术，计算图优化，自动内核的生成，内存优化等。本课程的主要目标是就现有ML系统的工作方式提供全面的看法。在整个课程中，我们还将学习这些系统背后的设计原则，并讨论为下一代ML应用程序和硬件平台构建未来ML系统的挑战和机会。
定义教育人工智能、计算机支持的协作学习、教育数据挖掘和学习分析之间的界限：需要连贯性
在过去的 20 年里，教育和技术这个广阔的领域中出现了一系列学科。自 20 世纪 80 年代初以来，人工智能与教育（AIED）这个广阔的领域应运而生，旨在结合人工智能（AI）、学习理论和教育实践来改善学习者使用计算机的学习成果（Boyd 等人，1982 年；Holmes 等人，2019 年）。在 AIED 领域中，基于计算和机器学习的力量出现了各种研究子领域，例如智能辅导系统（Aleven 和 Koedinger，2002 年）、自适应超文本系统（Eysink 等人，2009 年；Romero 等人，2009 年）和计算机支持的协作学习（CSCL）。自 20 世纪 90 年代初以来，出现了一系列 CSCL 出版物，探讨学习者和教师如何使用计算机在线协作。大量 CSCL 研究（例如 Gunawardena，1995 年；Roschelle 和 Koschmann，1996 年；Fischer 和 Mandl，2005 年；Rienties 等，2009 年）发现，支架、自我调节、任务设计和教学临场感是鼓励学习者有效合作的重要概念。2000 年代中期，第三批研究人员（例如 Baker 和 Yacef，2009 年；Rosé 等，2014 年）开始使用教育数据挖掘 (EDM)，利用更大的数据集和增加数据之间的互连来探索学习过程。自 2011 年以来，出现了第四个研究领域，即学习分析 (LA)，它专注于理解复杂的
基于物联网的稳定性评估数据挖掘框架...
摘要：增材制造工艺容易出现生产错误。具体来说，激光定向能量沉积 (DED-L) 的独特物理条件会导致意外的工艺异常，从而导致零件质量不佳。由此产生的成本和缺乏可重复性是阻碍这项创新技术更广泛采用的两大障碍。将传感器数据与生产过程前后相关步骤的数据相结合，可以更好地了解这些过程异常发生的时间和原因。在本研究中，提出了一种基于物联网的数据挖掘框架，以评估在工业级 DED-L 机器上加工 Ti6Al4V 的稳定性。该框架采用边缘云计算方法，从零件生命周期的各个步骤中高效、安全地收集数据。在制造过程中，使用多个传感器来现场监测基本工艺特性。使用适当的破坏性测试获得了 160 个打印样本的机械性能。所有数据都存储在中央数据库中，可以通过网络访问以进行数据分析。结果证明了所提出的物联网框架的成功实施，但也表明制造过程中缺乏过程稳定性。发生的部件错误只能部分与现场传感器数据的异常相关。
HIV感染风险研究中的数据挖掘和机器学习研究：概述和建议
在当代时代，数据挖掘和机器学习的应用已广泛地渗透到医学研究中，这显着促进了诸如HIV研究之类的领域。通过审查过去15年中发表的38篇文章，该研究根据七个不同方面介绍了路线图，利用新手研究人员和经验丰富的研究人员都利用各种机器学习技术来理解该领域的当前艺术状况。通常使用了传统的回归建模技术，但RE搜索者越来越多地采用更先进的完全监督的机器学习和深度学习技术，这些技术通常优于预测性能中的传统方法。此外，该研究还确定了9个新的开放研究问题，并概述了未来的研究计划，以增强HIV感染风险研究的结果。这篇评论有望成为研究人员的有见地的指南，阐明当前的实践并提出该领域的进步。
对空间数据挖掘的生成技术的调查
摘要 - 该论文重点是将生成技术集成到空间数据挖掘中，考虑到时空数据的显着增长和多样性。使用RNN，CNN和其他非生成技术中的广告，探索者探索了其在捕获时空数据中捕获时间和机关依赖性方面的应用。然而，诸如LLM，SSL，SEQ2SEQ和扩散模型之类的生成技术的出现已经为进一步增强时空数据挖掘提供了新的可能性。本文对基于生成技术的时空方法进行了全面的分析，并引入了专门为空间数据挖掘管道设计的标准化框架。通过提供详细的综述和使用生成技术的时空方法的新颖分类学，可以更深入地了解该领域中使用的各种技术。此外，本文强调了有希望的未来研究方向，敦促研究人员深入研究时空数据挖掘。它强调需要探索未开发的机会并推动知识的界限，以解锁新的见解并提高时空数据挖掘的有效性和效率。通过整体生成技术并提供标准化的框架，该论文有助于推进该领域，并鼓励研究人员探索在时空数据挖掘中生成技术的巨大潜力。
评论：心血管疾病诊断和预测的机器学习和数据挖掘方法
简介：心血管疾病（CVD）是全球死亡的最常见原因，其患病率在低资源环境中以及收入较低的人中正在上升。目标：机器学习（ML）算法正在迅速发展并在CVD诊断和治疗决策的医疗程序中实施。每天，医疗保健业务都会创建大量数据。但是，大多数使用不足。从这些数据集中提取知识或其他用途的有效技术很少。方法：ML正在全世界的医疗保健行业应用。在健康数据集中，ML方法可用于预防运动障碍和心脏病。结果：此类重要信息的启示使研究人员可以对如何使用适当的治疗和诊断来获得特定患者的重大见解。研究人员使用各种ML方法研究了大量复杂的医疗保健数据，从而改善了疾病预测中的医疗保健专业人员。结论：这项研究的目的是总结使用机器学习和数据挖掘技术预测心脏病的一些当前研究，分析所采用的各种采矿算法组合，并确定哪些技术是有用且有效的。还考虑了预测系统中未来的方向。
基于深度学习和数据挖掘的艺术设计风格挖掘
摘要。艺术设计风格是艺术家或设计师在创作过程中形成的独特视觉特征，它体现了创作者的艺术成就，美学概念和技术手段。在本文中，将深度学习（DL）和数据挖掘（DM）技术组合在一起以挖掘艺术设计样式信息，并将其与计算机辅助设计（CAD）系统集成在一起，以实现CAD系统的智能升级。通过实时建议和设计方案优化，设计师可以找到更快地满足其需求的设计样式。为了实现此目标，提出了一系列优化策略，包括改进特征提取方法，引入更有效的学习算法和调整参数。通过实验验证，发现这些策略显着提高了艺术风格转移的准确性，并大大缩短了处理时间。优化的算法可以更准确地学习和表达艺术风格的特征，同时在处理大型数据时保持高效率。研究结果为CAD艺术设计的增长奠定了坚实的基础，并为未来的研究提供了宝贵的参考和启蒙。