XiaoMi-AI文件搜索系统
World File Search System线性回归
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
订单履行错误和军用飞机准备就绪
摘要目的——本文旨在衡量供应差异报告 (SDR) 对军用飞机准备就绪指标的影响，包括飞机可用性、非任务能力供应 (NMCS) 小时、拆解和任务受损能力等待部件 (MICAP) 小时。设计/方法/方法——使用线性回归和独立样本 t 检验分析 2009 年至 2018 年的每月 SDR、NMCS、飞机拆解和 MICAP 数据，以检查差异装运是否对飞机准备就绪产生负面影响。结果——线性回归结果在 12 项分析中的 4 项中显着，表明 SDR 是增加拆解的重要预测指标。独立样本 t 检验的结果发现，在所有三项分析中，差异货物的 MICAP 小时数明显高于无差异货物。实际意义 - 这项研究将提高人们对 SDR 降低飞机准备程度的认识，并为美国国防部 (DoD) 供应链领导者提供机会采取行动，提高其组织的订单履行绩效。原创性/价值 - 在国防部内，很少有研究调查 SDR 的影响，据作者所知，之前没有研究过 SDR 对军用飞机准备指标的影响。
使用多种方法对糖尿病患者的预测
摘要本研究使用Babulu Puskesmas UPT的患者数据讨论了使用多线性回归方法的糖尿病患者的预测。这项研究的目的是使用Babulu Puskesmas UPT上的多个线性回归方法为糖尿病患者建立预测系统，并查看如何将预测模型应用于Upt Puskesmas Babulu的糖尿病患者。本研究中使用的研究方法是数据库（KDD）方法中的知识发现，该方法具有多个阶段，例如数据选择阶段，预处理阶段，数据转换阶段，数据挖掘阶段，评估阶段，然后是部署和实施阶段。这项研究中的数据收集技术是访谈技术，私人数据和文献研究。这项研究的结果是获得R2精度值为75％，然后获得93％的精度模型，精度为90％，召回95％和F1得分的评估结果92％。对于预测模型也可以应用于为糖尿病患者构建预测系统，但需要调整使用舍入方法，以便所得的输出可以显示1或0的值。除了系统中的输出外，偶尔会产生负值，因为数据变量与其他几个变量具有负相关性。关键字：糖尿病预测，机器学习
DP-CHUV研讨会系列“精神病学中的定量方法”
本研讨会的目的是为有关精神病研究的人们提供持续的培训和技能发展。它针对具有统计基础知识的研究人员和临床医生（简单的描述性统计，假设检验的概念，简单的线性回归）。该计划和时间表基于参与者的需求和涵盖与统计和测量工具使用有关的领域。这些目标是为参与者提供其他分析工具，以促进研究人员与统计学家之间的沟通，并使其更容易解释数据和结果。
Philippe Sabella-Garnier 的简历
– 将总体业务目标转化为竞争性 KPI 的多目标优化。 – 支持三名初级数据科学家使用 XGBoost 和正则化线性回归对 KPI 进行建模，开发自定义性能指标。 – 设计并实施基于差分进化的优化算法，以找到在尊重业务约束的同时解决优化问题的模型特征值。 – 担任数据科学联系人，负责定义生产架构和数据工程要求。
用智能物联网，体重分析和机器学习彻底改变金库安全
摘要 - 尽管数字支付方法的增加，但持续使用实物货币，对存储钞票和硬币的保险库构成了安全挑战。传统的金库安全措施，包括物理障碍，时间锁，双控制系统和监视，容易受到复杂的攻击和内部威胁的影响。本文通过合并智能物联网（IoT）设备和机器学习算法来监视保险库货架上的钞票的重量，从而提出了一种新颖的方法来增强跳马安全性。通过跟踪和分析重量变化，该系统旨在检测差异和潜在盗窃。该系统采用各种机器学习模型，包括线性回归，套索回归，K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，以预测基于重量和面额的钞票数量。评估表明，线性回归和LASSO回归达到了最高的精度，使其成为该应用的最有效模型。挑战，例如有限的数据，计算资源限制以及对更精致功能的需求，以及潜在的改进，例如数据增强和增强的解释性。这种方法通过整合现代技术来保护盗窃和未经授权的访问，从而在保险库安全方面取得了重大进步。
对预测性的机器学习模型的比较分析
1-3菲律宾大学Diliman，计算机科学系摘要：本文比较了各种机器学习模型，以预测财务趋势的能力，重点是时间序列分析。 我们评估了诸如线性回归，决策树，支持向量机和深度学习之类的模型，并根据准确性，计算成本和解释性来衡量其性能。 我们的结果表明，深度学习模型提供了卓越的准确性，但较不容易解释，而简单的模型虽然不准确，但可以更好地了解基础数据。 本研究提供了基于特定财务应用程序选择合适模型的准则。 关键字：机器学习，预测分析，时间序列分析，财务建模，比较分析。 A. 简介1-3菲律宾大学Diliman，计算机科学系摘要：本文比较了各种机器学习模型，以预测财务趋势的能力，重点是时间序列分析。我们评估了诸如线性回归，决策树，支持向量机和深度学习之类的模型，并根据准确性，计算成本和解释性来衡量其性能。我们的结果表明，深度学习模型提供了卓越的准确性，但较不容易解释，而简单的模型虽然不准确，但可以更好地了解基础数据。本研究提供了基于特定财务应用程序选择合适模型的准则。关键字：机器学习，预测分析，时间序列分析，财务建模，比较分析。A.简介
机器学习-Marek Sokol
恭喜您完成了机器学习专业的所有三个课程！您研究了现代机器学习概念，包括监督学习（线性回归，逻辑回归，神经网络，决策树），无监督的学习（聚类，异常检测），建议系统和增强学习。您了解了建立机器学习模型的一些最佳实践。您还获得了实用技能，将机器学习技术应用于挑战现实世界的问题。现在#BreakIntoai，开始在机器学习中建立您的职业！
MATH 361 线性代数
本课程介绍有限维抽象向量空间和线性变换的理论。主题包括：线性方程组、矩阵、矩阵代数、行列式和逆、线性组合和线性独立性、抽象向量空间、基和坐标变换、内积空间、正交基。我们还考虑线性变换、同构、线性映射的矩阵表示、特征值和特征向量、对角化和相似性。应用包括计算机图形学、马尔可夫链、化学、线性回归、网络流、电路和微分方程。