XiaoMi-AI文件搜索系统
World File Search System赛中
柯尼卡美能达的数据科学家在Kaggle举办的世界上最大的AL比赛中赢得了金牌
利用在DX Tokyo生产中使用的优化技术（2025年3月13日） - 柯尼卡·米托尔塔（Konica Minolta，Inc。）（柯尼卡·梅尔塔（Konica Minolta）（柯尼卡·梅尔塔（Konica Minolta））宣布，其数据科学家赢得了圣诞老人2024年获得第13奖，这是全球最大的AI竞争平台，与其他金色的Medal一起获得的困惑置换拼图 - 由世界上最大的AI竞争平台和其他奖项赢得。在Kaggle竞争中，许多世界领先的数据科学家和机器学习工程师都在争夺他们的技能。成为这项享有声望的竞争的获奖者之一，提高了国际对数据科学和AI工程技术的设计和技术能力的认识。柯尼卡美能达（Konica Minolta）的数据科学家和电通信大学的成员，包括Kei Harada教授（信息学系）组成了一个联合团队，参加比赛并获得了金牌。金牌得主柯尼卡美能省公司（Konica Minolta，Inc。Kaggle是全球数据科学家可以从事相同任务并分享各种方法的少数平台之一，使其成为非常有用的学习空间。“我将利用我的工作中竞争中获得的知识，并将继续加深我的知识，以赢得更高的Kaggle Master标题。”竞争的概述和结果竞争的任务称为“圣诞老人2024-困惑置换拼图”，是重新排列文本，最多包含100个英语单词，以创建大型语言模型（LLM）的最自然文本。这需要有效地从大量单词组合中搜索解决方案，这使竞争极为困难。
社论：长期的用户培训和准备，以在闭环 BCI 竞赛中取得成功
脑机接口 (BCI) 的研究已有 30 年左右的历史。然而，即便如此，在实验室环境中完成的大部分工作也很少应用于目标终端用户，例如患有严重运动障碍的人。研究界的主要目标应该是最终将 BCI 带入终端用户可以获利并获得独立和生活质量的状态。将该领域推向实际应用的一种可能性是由 CYBATHLON [由苏黎世联邦理工学院（Riener，2016）发起] 和其他竞赛推动的。这样的竞赛挑战研究机构和行业在现实世界中展示他们的发展并突破研究的界限。在 CYBATHLON（Novak 等，2017）的 BCI 竞赛中，终端用户是飞行员，他们通过使用多类 BCI 控制化身与其他飞行员竞赛。此类竞赛以及其他竞赛对开发人员的要求极高，因为 BCI 系统必须在竞赛时正常工作，在实验室之外的陌生环境中，周围有观众、有噪音，并且没有第二次机会。在中国，BCI 竞赛于 2010 年首次由清华大学组织。自 2017 年起，BCI 竞赛由中国电子学会作为世界机器人大会的一部分组织。每年都有数千名用户参加。BCI 竞赛包含两部分：用户竞赛和算法竞赛。用户竞赛的获胜者随后参加算法竞赛，以测试 BCI 研究团队上传的算法的性能。通过这些 BCI 竞赛，获得了大量用于进一步研究的 BCI 数据，这些数据已用于推动 BCI 算法的进步。在不久的将来，这些数据将在线发布，供世界各地的 BCI 研究人员使用。当然，另一个极其重要的因素是团队为竞赛所做的准备。具体来说，应该训练最终用户飞行员产生稳定和准确的心理状态，产生一致的大脑振荡来控制 BCI，即使在诸如 CYBATHLON 竞技场等潜在的压力环境中也是如此。
在BCI竞赛中为运动障碍用户进行的多个多阶段培训
图4。在训练阶段应用的实验4级范式。用户必须执行每个控制任务（RH，MUS，LAN）5 s。每个任务都与将任务图标与在适当时间瞬间从游戏中提取的图像相结合而制作的图像相关联。对应于无控制任务（NC）的其余间隔的总持续时间为12 s。在此休息间隔的5秒钟后，屏幕上出现了一个绿十字，持续2 s，以提高飞行员的浓度。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
在全球技术竞赛中保持领先
下一届政府将面临新出现的“经济安全政策三难困境”。虽然这并非完全不可能的三难困境，但三难困境意味着政策制定者将能够采取任何两套措施（例如，促进国内产业发展和保护两用技术），但必须牺牲第三套措施（例如，与供应链合作伙伴深度融合）。本论文集由 CSIS 新成立的经济安全与技术部门的顶尖专家撰写，是我们对这场辩论的贡献。
在人工智能竞赛中不要让中小微型企业落后
观点是作者撰写的简短意见文章，旨在鼓励就当前问题交换想法。它们不一定代表 KRI 的官方观点。所有错误均由作者自己纠正。本文由国库控股研究所 (KRI) 研究员 Rachel Gong 博士在 Balqis Athirah Azhar 的研究协助下撰写。作者感谢 Jun-E Tan 博士、Nik Syafiah Anis Nik Sharifulden、Khoo Wei Yang 和 Shazrul Ariff Suhaimi 的宝贵意见。作者的电子邮件地址：rachel.gong@krinstitute.org 署名 – 请按以下方式引用该作品：Gong, Rachel。2024. 在人工智能竞赛中不让中小微型企业落后。吉隆坡：国库控股研究所。许可证：知识共享署名 CC BY 3.0。照片由 Gorodenkoff Studios 在 iStock 上拍摄 有关国库控股研究所出版物和数字产品的信息，请访问 www.KRInstitute.org。
预测玩家在T20板球比赛中的表现...
这项研究利用机器学习技术来预测击球和保龄球的板球性能指标。通过分析关键统计数据，例如面对球，四分，六和经济速率，我们使用线性回归和随机森林回归制定了预测模型。模型达到了高精度，随机森林的性能特别出色。这些发现强调了运动分析中机器学习的潜力，为球员绩效评估和板球战略制定提供了宝贵的见解。