XiaoMi-AI文件搜索系统
World File Search System细分
心脏结构的进步细分
背景：心脏结构的分割是评估成像心脏的重要步骤。人们对霍蒂智能（AI）方法（尤其是深度学习（DL））的兴趣越来越大，可用于自动化这一过程。现有的心脏分割的AI方法主要集中在心脏MRI上。这项系统的审查旨在评估监督DL工具的性能和质量，以分割CT的心脏结构。方法：搜索EMBASE和MEDLINE数据库，以确定2013年1月1日至2023年12月4日的相关研究。2013年1月1日之后发表在同行评审期刊上的原始研究有资格纳入，如果他们提供了基于DL的基于DL的工具，用于对CT上的心脏结构进行分割和非冠状大船只的分割。从合格研究中提取的数据包括有关被分割的心脏结构，研究位置，DL体系结构和报告的性能指标，例如骰子相似性系数（DSC）。使用清单的医学成像中的人工智能清单评估了纳入的研究的质量（主张）。结果：包括2020年以后发表的18项研究。The DSC scores median achieved for the most commonly segmented structures were left atrium (0.88, IQR 0.83 – 0.91), left ventricle (0.91, IQR 0.89 – 0.94), left ventricle myocardium (0.83, IQR 0.82 – 0.92), right atrium (0.88, IQR 0.83 – 0.90), right ventricle （0.91，IQR 0.85 - 0.92）和肺动脉（0.92，IQR 0.87 - 0.93）。与索赔的研究合规性是可变的。特别是，只有58％的研究表明符合数据集说明标准，大多数研究未在外部数据（81％）上测试或验证其模型。结论：监督的DL已应用于CT上各种心脏结构的分割。大多数表现出与DSC值测量的相似性能。现有研究受到培训数据集的规模和性质的限制，对地面真相注释的描述不一致以及在外部数据或临床环境中缺乏测试。
细分：营销战略的基础
概述 营销的一个目的是识别客户的需求，从而确定满足这些需求的最佳方式。然而，组织几乎不可能满足每个客户的独特需求。相反，将资源分配给特定的客户群体更为有效。由于客户的需求各不相同，营销人员必须识别相似客户群体中的共同需求，并识别不同客户群体之间的独特需求。这种对市场的理解是 Gelb 的增长手册的基础。作为一种更为人熟知的研究技术，市场细分是实施成功营销战略不可或缺的步骤。市场细分的真正价值在于将客户划分为不同的群体，以便有效地接触客户子集。市场细分力求识别具有共同点但特征与其他客户群体不同的客户群体。使用分类信息对每个细分市场进行分析并为每个细分市场分配一个描述性昵称（例如，战士、创新者等）非常有帮助。此外，应根据细分市场中各个成员的共同特征对每个细分市场进行详细描述。此分析过程可帮助研究人员验证细分解决方案是否符合市场现实，并以全面而有见地的方式描述每个细分市场。除了分析过程之外，还有其他一般经验法则可帮助验证细分解决方案。应使用以下标准评估细分市场：
细分 Z，有毒和有害物质
俄勒冈州职业安全与健康管理局 (OSHA) 负责管理和执行 OAR 437-004-6000 中采用的农药工人保护标准 (WPS – 40 CFR 170)。当产品标签上带有工人保护标准语言（“农业使用要求”）的农药产品用于为销售或转售而种植或维护的植物（例如零售苗圃或温室中的植物）时，WPS 适用。为销售或转售而种植或维护的植物包括但不限于食用、饲料和纤维植物；观赏树木和灌木；草坪草皮；开花植物和幼苗。这与环境保护署对 WPS 的解释和应用一致。
极端监督实例细分
本文介绍了一种新颖的方法，可以使用极端点，即每个对象的最上方，最左侧，最左侧，bottommost和最右点进行学习。这些要点在现代边界框注释过程中很容易获得，同时为预分段提供了强大的线索，因此可以使用盒子监督的方法以相同的注释成本来提高性能。我们的工作将极端点视为真实实例掩盖的一部分，并传播它们以识别潜在的前面和背景点，它们全部用于训练伪标签生成器。然后，发电机给出的伪标签又用于监督我们的最终模型。在三个公共基准测试中，我们的方法大大优于现有的盒子监督方法，以完全监督的对应物进一步缩小了差距。尤其是，当目标对象分为多个部分时，我们的模型会生成高质量的掩码，而以前的盒子监督方法通常会失败。
用于客户细分的因果人工智能
TripAdvisor 想知道在其平台上推广会员资格是否能提高参与度和预订量。他们无法直接查看现有数据，比较会员和非会员，因为选择成为会员的客户恰恰是参与度最高的客户。他们也无法直接进行 A/B 测试，因为他们无法强迫用户注册成为会员。幸运的是，TripAdvisor 刚刚进行了一项实验，通过为随机子集的客户提供更简单的会员注册流程来探索用户留存率。
使用机器学习的客户细分...
杜尔格摘要的计算机科学与工程技术研究所 - 我们居住的世界每天都会收集大量数据。必须分析此类数据。在这个高度创新的激烈竞争时代超越所有人的时代，公司计划需要考虑当前的环境。现代企业建立在创新的想法上，因为有很多潜在客户不确定要购买什么或不购买什么。根据性别，年龄，兴趣和其他购买模式等因素可能与广告相关的消费者被称为客户细分。任何组织的主要目标都是确定其核心客户，并了解其买家的行为方式和利用其产品。此外，每个消费者都可以以独特的方式利用组织的商品。我们正在尝试解决列出该组织买家的问题，以描述这些客户使用该公司产品的建设性行为和方法。此外，在该行业工作的公司无法确定目标市场中可能的客户。为了找到数据中的隐藏模式并做出更好的决策，在这项工作中使用了机器学习。采用聚类技术的客户细分过程确定要针对哪种消费者细分。无监督的机器学习中的一种常见方法是客户细分。我们提出了这项研究中的解决方案，该解决方案利用K-均值聚类，这是一种用于数据集群集的强大方法。使用肘法，找到理想的簇。可视化数据后，策略是确定可用于分类客户并得出一些结论的重要特征。创建的集群协助企业专注于某些客户，并在社交媒体平台和营销活动中向他们推广材料，从而真正感兴趣。索引术语 - 机器学习，客户细分，K-均值算法，肘方法。