XiaoMi-AI文件搜索系统
World File Search System深度
![59参考[1] Chollet，F。（2018）。深度学习...](/simg/1/1f29087d56cc6482beaf288f27005e41ff13c407.webp)
59参考[1] Chollet，F。（2018）。深度学习...
[13] Ramjee，S.，Ju，S.，Yang，D.，Liu，X.，Gammal，A.E。，＆Eldar，Y。C.（2019）。 快速快速
深度学习拱门的比较研究
图3说明了Yolov5分类结果的实现。网络摄像头将捕获鱼类对象的实时图像，并且网络摄像头记录的输出将在Python程序中处理，其中已将ONNX文件作为学习模型合并。随后，系统将在显示器上显示鱼的图像，并配以相机捕获的鱼类。该系统成功地在监视器上成功显示了被检测到的鱼的实时图像，并伴有其各自的物种。此外，我们优化了该模型以提高速度和准确性，评估了性能指标，例如响应时间和准确率。实时鱼类分类系统展示了在渔业监测，环境研究和水产养殖行业中的潜在应用，为准确性和技术整合的持续进步铺平了道路。
深度
杰西卡·韦姆彭（Jessica Wempen）教授因“矿山和环境监测的遥控感”而获得了庆祝U研究奖。 Wempen博士被Dean Butt提名，并被选为2019年整体研究工作的获奖者。迈克·尼尔森（Mike Nelson）教授被公认为是矿业，冶金和勘探（SME）研究员和杰出成员的社会。认可为中小企业研究员，授予了15年或以上的成员，他们为矿物行业和中小型企业做出了巨大持续的贡献。他还是2020年帕特里克·E·康纳奖的获得者，该奖项每年由犹他州矿业协会（UMA）授予，该奖项授予对犹他州矿业行业做出重大贡献的个人。Michael Free教授是2020 TMS（矿物，金属和材料协会）杰出服务奖的获得者。该奖项认可了一个对TMS服务的个人，“明确促进了该协会为其成员及其支持组织提供服务的能力。”
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
听觉刺激和深度学习可预测心脏骤停后昏迷苏醒
评估心脏骤停后昏迷患者的神经功能完整性仍是一个悬而未决的挑战。昏迷结果的预测主要依赖于专家对生理信号的视觉评分，这种方法容易产生主观性，并使相当多的患者处于预后不确定的“灰色地带”。对听觉刺激后脑电图反应的定量分析可以让我们了解昏迷时的神经功能以及患者苏醒的机会。然而，由于协议繁琐多样，标准化听觉刺激后的反应还远未在临床常规中使用。在这里，我们假设卷积神经网络可以帮助提取昏迷第一天对听觉刺激的脑电图反应的可解释模式，这些模式可以预测患者苏醒的机会和 3 个月后的存活率。我们使用卷积神经网络 (CNN) 对多中心和多方案患者队列中在标准化镇静和目标体温管理下昏迷第一天对听觉刺激的单次脑电图反应进行建模，并预测 3 个月时的结果。对于接受治疗性低温和常温的患者，使用 CNN 预测觉醒的阳性预测率分别为 0.83 ± 0.04 和 0.81 ± 0.06，预测结果的曲线下面积分别为 0.69 ± 0.05 和 0.70 ± 0.05。这些结果也持续存在于处于临床“灰色地带”的一部分患者中。网络预测结果的可信度基于可解释的特征：它与脑电图反应的神经同步性和复杂性密切相关，并受到独立临床评估的调节，例如脑电图反应性、背景爆发抑制或运动反应。我们的研究结果强调了可解释的深度学习算法与听觉刺激相结合在改善昏迷结果预测方面的巨大潜力。
使用深度学习和蒙特卡洛树搜索的勒索软件检测的混合框架
勒索软件攻击已成为一种主要的网络安全威胁，其越来越复杂的技术经常逃避传统的检测方法。提出了一个新颖的框架，该框架通过蒙特卡洛树搜索（MCT）的动态决策能力来协同深度学习模型的预测优势，从而为不断发展的勒索软件变体带来的挑战提供了全面的解决方案。通过严格的评估，混合动力框架在降低误报的同时表现出显着提高的检测准确性，表现优于常规机器学习模型。MCT的整合允许探索多个决策路径，从而实时增强了系统对新型威胁的适应性。此外，提出的模型还保持了计算效率，使其对于企业环境中的实时部署而言是可行的。结果证明了混合模型是现代网络安全中强大的防御机制的潜力，提供了一种可扩展有效的工具来减轻勒索软件威胁。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
2024 年巴塞罗那深度科技峰会上的衍生产品和初创公司
– Qilimanjaro Quantum Tech | qilimanjaro.tech/ BSC | Spinoff Qilimanjaro 是一家全栈量子计算公司，旨在通过遵循独特的战略最大限度地发挥当前的技术能力，在更短的时间内提供实用的量子优势。
深度学习简介（11-785/ 685/485） div>
- 常见算法：线性回归，决策树，支持向量机（SVM），K-Nearest邻居（K-NN）。- 深度学习是机器学习的一个子集，它使用具有多个层（深神经网络）的神经网络来对大型数据集中的复杂模式进行建模。