XiaoMi-AI文件搜索系统
World File Search System网络模型
连接人工智能与认知科学
● 初级视觉皮层方向图的中心模型 ● 模拟表明海马神经元中不同电流的信息处理作用 ● 最佳神经脉冲分类 ● 用于模板匹配的神经网络：应用于真实神经元动作电位的实时分类 ● 嗅觉皮层的计算机模拟，对嗅觉信息的存储和检索具有功能意义 ● 利用小脑网络模型进行运动控制的方案 ● 大脑新皮层的计算机模拟 ● 从猴子、人类和机器的运动中发现结构
使用卷积神经网络诊断阿尔茨海默氏病和轻度认知障碍
摘要。背景：阿尔茨海默氏病和轻度认知障碍是老年人的常见疾病，影响了2020年全球超过5000万人。早期诊断对于管理这些疾病至关重要，但是它们的复杂性构成了挑战。卷积神经网络在准确的诊断方面表现出了希望。目的：这项研究的主要目的是使用卷积神经网络诊断健康个体中阿尔茨海默氏病和轻度认知障碍。方法：本研究使用了三种不同的卷积神经网络模型，其中两个是预训练的模型，即Alexnet和Densenet，而第三个模型是CNN1D-LSTM神经网络。结果：在所使用的神经网络模型中，Alexnet在健康个体中表现出最高的准确性，超过98％的轻度认知障碍和阿尔茨海默氏病。此外，Densenet和CNN1D-LSTM模型的准确性分别为88％和91.89％。结论：该研究突出了卷积神经网络在诊断轻度认知障碍和阿尔茨海默氏病的潜力。使用预训练的神经网络以及各种患者数据的整合有助于取得准确的结果。Alexnet神经网络获得的高精度强调了其在疾病分类中的有效性。这些发现为未来的研究和改善使用卷积神经网络诊断这些疾病的领域铺平了道路，最终有助于早期发现和有效地管理轻度认知障碍和阿尔茨海默氏病。
对不良药物反应预测模型的研究...
摘要 - 在临床治疗中，确定药物的潜在不良反应可以帮助医生做出药物决策。响应先前研究的问题，即需要为药物的每种不良反应构建高维和稀疏，独立的预测模型，并且预测准确性较低，本文基于知识图和深度学习，开发了一个不良药物反应预测模型，这可以预测实验结果。涵盖不良药物反应的统一预测。知识图嵌入技术可以融合药物之间的相关信息，并减轻特征矩阵中高维稀疏性的缺点，而深度学习的有效训练能力可以提高模型的预测准确性。本文根据药物特征数据构建了不良药物反应知识图；通过在不同的嵌入策略下分析知识图的嵌入效果，选择了最佳的嵌入策略来获得样品向量；然后构建了卷积神经网络模型以预测不良反应。结果表明，在疏远嵌入模型和400维嵌入策略下，卷积神经网络模型具有最佳的预测效果。重复实验曲线下的平均准确性，𝑭评分，召回率和面积优于文献中报告的方法。获得的预测模型具有良好的预测准确性和稳定性，可以为以后的安全药物指导提供有效的参考。
深度学习的概述：里程碑，模型和趋势
India ---------------------------------------------------------------------***--------------------------------------------------------------------- Abstract - Neural Networks are inspired by human brain, to make the computer to process data.神经网络用于深度学习，这是机器学习和人工智能的子集。基于目标应用程序实现了许多神经网络模型。本文提供了有关深度学习的概述。最初，描述了深度学习的发展。后来，它着重于了解工作必不可少的神经网络的基本概念。第三，它重点介绍了少数关键模型，例如馈电神经网络，经常性神经网络以及卷积神经网络的建筑和工作。最后，它讨论了深度学习的趋势。
计算神经科学/脑物理学博士后研究奖学金
成功候选人将开发并应用基于物理的计算方法来模拟在皮层内部（局部场电位；LFP）和外部（EEG、MEG）测量的电和磁脑信号。有关这种生物物理建模方法的评论，请参阅 Einevoll 等人的《自然神经科学评论》，2013 年。在 COBRA 中，这项建模工作将与在 UiO 生物科学系 Marianne Fyhn 实验室进行的小鼠视觉皮层内部实验记录进行比较。因此，该项目还涉及开发小鼠视觉皮层网络模型。
神经群体活动的动态约束
神经群体活动的动态约束 Emily R. Oby* 1,2 、Alan D. Degenhart* 2,3 、Erinn M. Grigsby* 1,2,4,5 、Asma Motiwala 2,3 、Nicole T. McClain 1,2 、Patrick J. Marino 1,2 、Byron M. Yu** 2,3,6 、Aaron P. Batista** 1,2 1 匹兹堡大学生物工程系；美国匹兹堡 2 认知神经基础中心；美国匹兹堡 3 卡内基梅隆大学电气与计算机工程系；美国匹兹堡 4 匹兹堡大学物理医学与康复系；美国匹兹堡 5 匹兹堡大学康复与神经工程实验室；美国匹兹堡 6 卡内基梅隆大学生物医学工程系；美国匹兹堡 * 表示共同第一作者 ** 表示共同资深作者和通讯作者 通信地址：aaron.batista@pitt.edu, byronyu@cmu.edu 摘要 神经活动随时间展开的方式被认为是大脑感觉、运动和认知功能的核心。网络模型长期以来一直认为大脑的计算涉及由底层网络塑造的活动时间进程。从这个观点可以预测，活动时间进程应该很难被违反。我们利用脑机接口 (BCI) 挑战猴子违反我们在运动皮层观察到的自然发生的神经群体活动时间进程。这包括挑战动物以时间逆转的方式穿越神经活动的自然时间进程。当直接受到挑战时，动物无法违反神经活动的自然时间进程。这些结果为以下观点提供了实证支持：在大脑中观察到的活动时间过程确实反映了它们所实现的底层网络级计算机制。 简介神经群体活动的时间演变，也称为神经动力学，被认为是许多大脑功能的基础，包括运动控制 1 、感觉知觉 2-4 、决策 5-8 、时间安排 9,10 和记忆 11,12 等 13 。例如，决策可能是由神经活动汇聚到点或线吸引子 6-8 形成的；记忆可以通过神经活动放松到点吸引子 12,14 来恢复；手臂运动可能涉及表现出旋转动力学的神经活动 1 。网络模型 6-8,10,14-17 和大脑 1,2,6-8,10 产生的时间结构化群体活动之间的相似性为大脑如何通过动力学实现计算提供了诱人的证据 18-22 。在网络模型中，活动的时间演变由网络的连通性 23 决定。也就是说，每个节点在某一时间点的活动由网络的活动决定。
人工智能和数据分析行业培训
- 简介、神经网络和深度学习的历史、生物神经元的基础知识； - 深度多层感知器 (MLP)：符号、反向传播算法、激活函数、Dropout 层和正则化、整流线性单元 (ReLU)、权重初始化、批量标准化、用于多类分类的 Softmax； - 人工神经网络 - 卷积神经网络 (CNN)、卷积、图像边缘检测、填充和步幅、RGB 图像卷积、卷积层、最大池化、RNN、LSTM、使用 Keras 的神经网络模型和 Tensorflow、迁移学习。7 种用于人工智能和数据分析的工具和应用程序