XiaoMi-AI文件搜索系统
World File Search System数据挖掘
使用数据挖掘技术的糖尿病预测-IJRPR
随着全世界的快速精炼，创新至关重要。数据挖掘在医疗保健行业正在蓬勃发展。糖尿病是一种慢性病，如今相当频繁。是出于多种原因而发生的，但最终结果是，未达到人体满足其葡萄糖需求的所需胰岛素。这些激素的正常产生在体内保持正常的血糖水平，范围为70至180 mg / dl（4.0至7.8 mmol / l）。糖尿病的症状之一是高血糖水平，是由胰岛素产生引起的。胰岛素抵抗是这种糖尿病的主要原因。这是一种慢性疾病，筛查是必要的，因为将水平保持在一定范围内很重要，因为它对身体具有如此深刻的影响。在提供的数据中，我们使用建模机学习模型来预测糖尿病。今天，数据挖掘在各种领域，包括农业，医疗保健，安全和银行业务。糖尿病是体内血糖水平升高的慢性疾病。糖尿病会随着时间的流逝对肾脏，眼睛和心脏造成损害。国际糖尿病联合会估计糖尿病会影响全球3.82亿人。到本世纪末，数量将增加到5.92亿。医学专家发现在大多数情况下很难预测糖尿病。糖尿病可以分为三类：
使用机器学习和数据挖掘的人力资源中的预测分析
摘要人力资源管理信息系统（HRIS）由于当今的技术和全球技术发展而迅速发展。随着企业的数字化，它被广泛用于人力资源（HR）和HRIS的预测应用中。HR和HRI，更好地管理人力资源数据并做出更准确，更可靠的决策对企业至关重要。在该领域，数据挖掘和机器学习方法用于通过预测分析揭示管理决策中数据之间的有意义的关系和趋势。两种方法在人力资源领域都非常重要，对于企业将数据集转换为有用信息非常有效。它可以帮助企业了解趋势，这些趋势可以通过使用分析能力来实现更准确和可靠的业务决策。在本研究的范围内，对Bursa汽车行业的一家公司的白领雇员使用HRIS系统的使用进行了研究。通过统计和数据挖掘，研究了人力资源信息系统对公司和信息技术基础设施的成本，时间节省和战略影响，根据该部门工作，年龄，性别和教育水平的差异和关系。KNIME和SPSS统计计划，这些程序是机器学习工具。HRIS结果，并提出了建议以将来的计划。关键字：人力资源管理，人力研究信息系统，数据挖掘，机器学习，汽车，分类，刀具，IBM SPSS统计1.介绍由于全球技术发展，企业更喜欢像在所有部门和领域一样以人力资源管理和信息学为导向技术。今天，人力资源（HR）经历了重大的转变，从就业和业务流程到在建筑工地上实施应用程序，需要使用人力资源信息系统（HRIS）。hris是一个集成的计算机系统，包括获取，存储，分析和分发有关企业人力资源的宝贵信息[1]。使用HRI进行企业的行政流程也提高了做出的决定的可靠性[2]。不仅要监视和管理HRIS人力资源功能和流程
使用数据挖掘进行生物暗物质探索......
作者：J Rivera-Chávez · 2022 · 被引用 5 次 — 由于在产生 rimosa-mide 的菌株中未发现杀稻瘟素 S，这些化合物可能有助于它们防御其他链霉菌。
开发数据挖掘模型以检测心血管疾病
tems，发展个人的健康状况等。[1]。卫生组织产生的数据非常庞大，复杂，因此很难消除数据，以便就患者健康做出重要决定。此数据包含有关医院，患者，医疗索赔，治疗费用等的详细信息。因此，有必要生成一个强大的工具，用于分析和从此复杂数据中提取重要信息。对健康数据的分析通过增强患者管理任务的执行来证明医疗保健。数据挖掘技术的结果是为卫生保健组织提供好处，以将具有相似类型的疾病或健康问题的患者分组，以便医疗保健组织为他们提供有效的治疗。这也可用于预测医院患者的住院时间，用于医学诊断并制定有效的信息系统管理计划。最近的技术用于医学领域，以具有成本效益的方式增强医疗服务。数据挖掘技术还用于分析导致疾病的各种因素，例如食物类型，不同的工作环境，教育水平，生活条件，纯水，卫生保健服务，文化，环境和农业因素的可用性，如图1所示。
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。
通过数据挖掘识别量子缺陷的候选宿主
固态主体中的原子状缺陷是开发量子信息系统的有希望的候选者，但尽管它们非常重要，目前正在研究的主体基底/缺陷组合几乎都是偶然发现的。在这里，我们通过对材料计划数据库中的所有条目应用四阶段数据挖掘和手动筛选过程，系统地评估主体材料的适用性，并通过基于文献的实验确认带隙值。我们确定了总共 541 种可行的主体（16 种一元和 74 种二元）用于引入量子缺陷并可能用于量子信息系统。这比已知的无机相总数减少了显著（99.57%），并且针对特定应用应用额外的选择标准将进一步减少它们的数量。概述的筛选原则可以轻松应用于以前未实现的相和其他具有重要技术意义的材料系统。
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。
MRO 中的数据挖掘 - 阿姆斯特丹 - HvA 研究数据库
数据挖掘似乎是解决 MRO 组织不可预测性问题的一种有前途的方法。因此，阿姆斯特丹应用科学大学与航空业合作开展了一项为期两年的应用研究项目，探索数据挖掘在这一领域的可能性。研究人员研究了 8 个不同 MRO 企业的 25 多个案例，在整个项目中应用 CRISP-DM 方法作为结构指南。他们探索、准备和组合 MRO 数据、飞行数据和外部数据，并使用统计和机器学习方法来可视化、分析和预测维护。他们还使用个别案例研究来预测计划维护任务的持续时间和成本、周转时间和零件的使用寿命。案例研究提出的挑战包括耗时的数据准备、对外部数据源的访问限制以及公司仍然有限的数据科学技能。就如何在 MRO 中实施数据挖掘以及如何克服相关挑战提出了建议。总体而言，该研究项目提供了有希望的概念证明和试点实施
社交媒体数据挖掘助力主动网络防御
作者：A Rodriguez · 2020 · 被引用 14 次 — 考虑到这一点，我们提出了一个端到端的实时网络态势感知系统，旨在从社交中检索与安全相关的信息...
通过可解释的自动化机器学习迈向大型工业数据挖掘
抽象工业系统资源能够生成大量数据。这些数据通常采用异质格式并分发，但它们表示可以挖掘可以允许部署智能管理工具进行生产活动的信息。为此，有必要使用人工智能（AI）模型来实施知识提取和预测过程，但是对于非专家用户而言，对预期AI模型的选择和配置往往越来越复杂。在本文中，我们提出了一种方法和一个软件平台，该方法可能允许不熟悉AI的工业参与者选择和配置算法，以最佳地适应他们的需求。因此，该方法基本上是基于自动化的机器学习。产生的平台有效地可以在AI算法和超参数配置的组合之间做出更好的选择。也可以提供重新塑造算法和模型的解释性的功能，从而提高这些模型在实践用户社区中的可占用性。所提出的方法已应用于预测维护的领域。当前测试是