XiaoMi-AI文件搜索系统
World File Search System朴素
IAES国际人工智能杂志（IJ-AI）
迁移学习使我们能够利用从一项任务中获得的知识来帮助解决另一项相关的任务。在现代计算机视觉研究中，问题是哪种架构对于给定的数据集表现更好。在本文中，我们比较了 14 个预训练的 ImageNet 模型在组织病理学癌症检测数据集上的表现，其中每个模型都配置为朴素模型、特征提取器模型或微调模型。Densenet161 已被证明具有高精度，而 Resnet101 具有高召回率。当后续检查成本高时，适合使用高精度模型，而当后续检查成本低时，可以使用低精度但高召回率/灵敏度的模型。结果还表明，迁移学习有助于更快地收敛模型。
使用机器学习预测心血管疾病
摘要 —心血管疾病 (CVD) 是全球主要死亡原因之一。早期诊断和干预对于降低与这些疾病相关的风险至关重要。在本研究中，我们提出了一种基于机器学习的系统，使用极端梯度提升 (XGBoost) 技术预测心血管疾病。我们采用随机搜索的特征选择和超参数优化来提高模型的准确性。通过交叉验证评估模型的性能，并与其他算法进行比较，包括 K 最近邻 (KNN)、朴素贝叶斯、支持向量机 (SVM) 和随机森林。实验结果表明，我们基于 XGBoost 的模型优于其他算法，准确率为 98%，ROC 曲线下面积为 0.98。索引词 —心血管疾病、机器学习、XG-Boost、特征选择、超参数调整、随机搜索、交叉验证、预测模型、算法比较。
使用独特的人工智能预测心脏病
心脏病是一种普遍的健康问题，需要尽早发现才能有效治疗。本研究专注于使用各种机器学习技术开发预测模型，以便尽早意识到心脏病风险。该方法涉及数据收集、预处理、特征提取和选择，以及应用不同的 ML 算法进行性能分析。从孟加拉国的各个医疗中心收集的数据包括年龄、性别、吸烟、肥胖等 19 个属性。特征提取和选择技术用于识别与心脏病预测最相关的属性。该研究采用了逻辑回归、朴素贝叶斯等不同的人工智能技术进行比较分析。该研究旨在确定心脏病预测的最佳分类器，其中使用选定特征的随机森林可实现 90% 的最高准确率。这种方法可以作为早期心脏病预测的有力工具。
低剂量的酵母β-葡聚糖的有效性
朴素的英语摘要背景和研究目的是源自真菌和酵母的β-葡聚糖以其免疫调节作用而闻名。已经断言，酵母β-葡聚糖通过激活巨噬细胞（免疫系统的主要防御能力之一）来显着提高免疫系统的功能。它的好处在全球范围内进行了广泛的研究，在运动员，强调的妇女，老年人，健康的成年人和儿童中。上呼吸道感染是全球每个年龄段的最常见感染形式，对生产力，医疗保健支出和经济都有重大负面影响。基于已发表的研究，酵母β葡萄糖的应用被证明是在管理和预防复发性呼吸道感染时可能的治疗和预防方法。因此，本研究旨在评估酵母β-葡聚糖1,3/1,6对中等压力的成年人中疲劳，呼吸道感染，免疫标记和肠道健康的有效性。
智能分析脑电信号以评估消费者决策：神经营销研究
摘要 — 神经营销是一个新兴领域，它将神经科学与营销相结合，以更好地了解影响消费者决策的因素。该研究提出了一种通过分析脑电图 (EEG) 信号来了解消费者对广告 (ads) 和产品的积极和消极反应的方法。这些信号是使用低成本单电极耳机从 18-22 岁志愿者那里记录下来的。采用朴素贝叶斯 (NB)、支持向量机 (SVM)、k 最近邻和决策树等机器学习方法以及提出的深度学习 (DL) 模型进行了详细的受试者相关 (SD) 和受试者独立 (SI) 分析。SVM 和 NB 对 SD 分析的准确度 (Acc.) 为 0.63。在 SI 分析中，SVM 在广告、产品和基于性别的分析中表现更好。此外，DL 模型的性能与 SVM 相当，尤其是在基于产品和广告的分析中。索引词 —BCI、EEG、神经营销、机器学习、深度学习
空间物体分类选定算法的分析
摘要 随着来自世界各地众多设施的天文数据的增加，对更快、更复杂的数据分析方法的需求也随之出现。对天空中大量物体的大量观察所捕获的数据可以非常快地达到很大的体积，这使得科学家无法手动分析。这就需要快速可靠的自动化数据处理方法，这可以在计算机科学研究中找到。利用不同研究领域使用的算法对于处理有关天体的信息至关重要。在这项工作中，我们将计算机科学领域的机器学习方法应用于天文学问题。我们列出了三种不同的机器学习算法及其内部工作原理，并展示了如何将它们应用于天文学问题。我们展示了如何使用这些算法来加速大量数据的处理，以及它们如何帮助科学家对天体进行分类。我们研究了每种算法的表现，并尝试根据不同物体的特征，在分类问题中找到表现最佳的算法。关键词 knn、朴素贝叶斯、决策树
原创文章 基于脑电图的情绪状态分类降维技术的比较分析
摘要：目的：本研究旨在评估各种降维方法（包括主成分分析 (PCA)、拉普拉斯评分和卡方特征选择）对脑电图 (EEG) 数据集分类性能的影响。方法：我们应用了降维技术，包括 PCA、拉普拉斯评分和卡方特征选择，并使用线性回归、K 最近邻 (KNN) 和朴素贝叶斯分类器评估了它们对 EEG 数据分类性能的影响。对模型的分类准确性和计算效率进行了评估。结果：我们的研究结果表明，所有降维策略通常都能提高或保持分类准确性，同时减少计算负荷。值得注意的是，PCA 和 Autofeat 技术可提高模型的准确性。结论：使用降维技术可以通过减少计算需求而不影响准确性来增强 EEG 数据分类。这些结果表明，这些技术有可能应用于既需要计算效率又需要高精度的场景。本研究中使用的代码可在https://github.com/movahedso/Emotion-analysis找到。
人工智能在教育和招聘中的应用
摘要：在教育行业，人工智能通过改变学习方式带来了革命。学习变得更加个性化，对学习者来说也更加方便。人工智能有望通过不同的个性化应用对教育产生创新影响。每个学生将通过人工智能代理获得更多的学习时间。人工智能可以改变学习者的学习方式和招聘流程。人工智能可以使学习和招聘流程自动化，从而使结果更加具体、准确和快捷。本文分析了人工智能对学习者、机构和招聘人员的影响。本研究将研究人工智能给教学、教育机构和招聘带来的变化。本文探讨了人工智能对教育和招聘带来的挑战。本研究将为学习者、机构和招聘人员提供有见地的信息，并为学术体系建设提供详细的知识。 关键词：人工智能、人工智能代理、教育机构、招聘、个性化应用 1.引言 人工智能在教育行业发挥着重要作用。它对教育机构、学生、教师有帮助，也有助于校园招聘。人工智能使机器能够收集、存储、分类、管理和分析从各种来源收到的数据。这些数据可用于多种用途，从提供常见问题的解决方案到根据学生的需求为他们创建教程。教育机构始终需要强大的数据分析和预测分析工具来协助他们开展各种学术和管理活动。人工智能在很大程度上填补了这一空白。另一方面，学生在获取完成学习所需的课程和笔记方面面临问题。人工智能为学生提供了各种平台，以便轻松访问课程和学习材料。它让他们能够轻松舒适地访问所需的学习材料，也帮助他们按照自己的节奏完成学习。人工智能改变了教育系统对教师和学生的工作方式。2. 文献综述 Wilton WT Fok 等人 (2018) 提出了一种基于深度学习并使用 TensorFlow 引擎开发的模型。该模型通过分析学生的学术和非学术参数对他们进行分类，以预测他们的学位课程。关联规则和决策树技术主要用于预测。该模型使用了 2000 名学生的数据，准确率在 80% 到 91% 之间。Anbukarasi V 和 A. John Martin (2019) 使用 Weka 工具在数据集上应用了九种机器学习程序。从 1100 名学生那里收集数据来建立和测试该模型。本文得出结论，与剩余算法相比，J48、RF、贝叶斯网络和 REPTree 算法的准确度最高。Navyashree SL 等人 (2019) 对多种机器学习技术进行了比较研究，以预测安置情况。本研究使用了来自安置部门的二手数据。在研究了各种类型的监督、无监督、强化机器学习技术之后，作者得出结论：SVM 和贝叶斯信念网络是最佳的安置预测算法。Mehdi Mohammadi 等人 (2019) 使用 KNN、决策树和朴素贝叶斯数据挖掘算法来预测学生的表现。决策树、KNN 和朴素贝叶斯学习程序应用于数据集。KNN 的准确率为 0.5464%。决策树的准确率为 0.5325%。朴素贝叶斯算法的准确率为 0.4616%。作者得出结论，与其他两种预测学生 GPA 的算法相比，KNN 算法具有最好的准确度。
机器学习脑电信号回顾... - ijarcce
摘要：自发现以来，脑电图 (EEG) 一直是识别患者某些健康状况的主要方法。由于可用的分类器类型很多，因此分析方法也同样繁多。在这篇评论中，我们将专门研究为生物工程应用的 EEG 分析而开发的机器学习方法。根据这些信息，我们能够确定每种机器学习方法的总体有效性以及关键特征。我们发现，机器学习中使用的所有主要方法都以某种形式应用于 EEG 分类。范围从朴素贝叶斯到决策树/随机森林，再到支持向量机 (SVM)。监督学习方法的平均准确度高于无监督学习方法。这包括 SVM 和 KNN。虽然每种方法在各自的应用中的准确性都有限，但希望如果正确实施，这些方法的组合具有更高的整体分类准确度。关键词：EEG 分析、EEG 信号、SVM。
手部运动多层极限学习机...
脑机接口 (BCI) 技术通过脑电图 (EEG) 将人与机器连接起来。BCI 的机制是模式识别，通过特征提取和分类进行。各种特征提取和分类方法可以区分人类的运动，尤其是手部运动。这些方法的组合可以大大提高结果的准确性。本文探讨了多层极限学习机 (ML-ELM) 计算的九种特征提取类型的性能。在不同数量的 EEG 通道和不同的 ML-ELM 结构上测试了所提出的方法。此外，在离线模式下对真实和虚构的手部运动进行分类时，将 ML-ELM 的性能与 ELM、支持向量机和朴素贝叶斯的性能进行了比较。以离散小波变换 (DWT) 作为特征提取的 ML-ELM 优于其他分类方法，最高准确率为 0.98。因此，作者还发现结构影响 ML-ELM 对不同任务、使用的特征提取和使用的通道的准确性。