XiaoMi-AI文件搜索系统
World File Search System随机样本
预测糖尿病患者的朴素贝叶斯算法与梯度提升算法的比较
据估计，随着人口老龄化，糖尿病发病率将从19.9%增加到65-79岁的1.112亿人，预计到2030年糖尿病患者将继续增加到5.78亿人，到2045年将增加到7亿人。机器学习是人工智能的一种，旨在理解或识别数据结构并将数据转换为模型。机器学习在健康领域的应用正在迅速增长，越来越多的健康研究人员在研究中使用机器学习算法。一些机器学习算法可以用来做预测，其中之一就是预测糖尿病的分类算法。根据所用几种算法的比较结果，朴素贝叶斯和梯度提升分类算法具有其他算法的最佳值。梯度提升算法在线性样本上取得了较高的效果，准确率为77.09%，f值达到83.39%。朴素贝叶斯对随机样本测试的结果最优，准确率为 76.57%，f 度量值为 82.82%。分层样本测试结果中准确率最高的是梯度提升算法，准确率为77.34%，f值达到83.39%。
Zignerf：带有可逆生成神经辐射场
生成的神经辐射场（NERF）通过学习一组未经未介绍的图像的分布来综合多视图图像，表现出非常熟练的熟练程度。尽管现有的生成nerf具有在数据分布中生成3D一致的高质量随机样本的才能，但创建单数输入图像的3D表示仍然是一个巨大的挑战。在此手稿中，我们介绍了Zignerf，这是一种创新的模型，该模型执行零击生成的对抗网（GAN）倒置，以从单个脱离分布图像中生成多视图。该模型的基础是一个新型逆变器的基础，该逆变器映射到了发电机歧管的潜在代码中。毫无意义，Zignerf能够将对象从背景中解散并执行3D操作，例如360度旋转或深度和水平翻译。使用多个实数数据集对我们的模型的效率进行验证：猫，AFHQ，Celeba，Celeba-HQ和Compcars。
南非荷兰语的适应儿童希望量表
摘要：这项研究的总体目的是验证Snyder（1997）儿童希望量表的南非荷兰语版本中的一个来自南非开普敦的儿童样本。在此过程中，该研究旨在测试英语和南非荷兰语版本中的测量不变。该研究使用了横截面调查设计，其两阶段分层的随机样本是1022名儿童11至12岁的儿童。我们从开普敦大都市的低矮和中部社会经济地位社区中选择了15所学校的参与者。我们使用验证性因素分析来分析数据。结果表明使用合并样品（x 2 = 35.692; df = 7; p = .00; cfi = .984; rmsea = .063; srmr = .023）非常适合整体模型。多组验证因素分析进一步证明了度量和标量不变性的态度。这表明量表上的项目在两种语言上具有相同的含义，并且比例尺上的分数可以与相关，回归系数和手段相当。总体发现表明，南非荷兰语翻译的儿童希望量表是在南非背景下使用的适当措施。
量子计算的快速弱模拟
摘要 — 量子计算机有望显著加快解决传统计算机无法解决的问题的速度，但尽管最近取得了进展，但在扩展和可用性方面仍然有限。因此，量子软件和硬件的开发严重依赖于在传统计算机上运行的模拟。大多数此类方法都执行强模拟，因为它们明确计算量子态的振幅。然而，这些信息不能直接从物理量子计算机中观察到，因为量子测量会从由这些振幅定义的概率分布中产生随机样本。在这项工作中，我们专注于弱模拟，旨在产生与无错误量子计算机统计上无法区分的输出。我们开发了基于决策图的量子态表示的弱模拟算法。我们将它们与使用状态向量数组和对前缀和进行二分搜索进行采样进行比较。经验验证首次表明，这能够模拟大规模的物理量子计算机。索引术语 — 量子计算、模拟、弱模拟、采样 I. 引言
Instagram 上的疫苗：巴西背景下的情绪表达研究
摘要 随着新冠病毒的出现，有关疫苗的讨论开始在世界范围内产生更大的影响。在社交媒体这个不同受众创作内容、表达看法和兴趣的空间上，有关疫苗的出版物已成为公众辩论的主要话题之一。在本文中，我们旨在识别和分析 2020 年和 2021 年巴西民众围绕疫苗和疫苗接种过程表达的感受和情绪。为此，我们通过 Crowdtangle 图形界面收集了 Instagram 上关于该主题的公开帖子，并从中构建了一个随机样本，作为实证样本。情绪的分类和识别过程是使用人机交互情绪网络（HUMAINE）的标准化描述符进行的，然后采用 Russell (2003) 的环形模型（核心情感模型）。结果，数据分析表明，在巴西的情景中，人们对疫苗普遍存在希望和信心等积极情绪，而根据背景因素（时任总统雅伊尔·博索纳罗的形象、他的讲话和行动，以及 Covid-19 的进展和新变种的出现），语料库中则发现了反对和担忧等负面情绪。
引用本文：Donado，B。E。; Striedinger，M。（2014）。 9-15岁年龄段的关键时期，以吸烟和M
在墨西哥等一些拉丁美洲国家中，40年代出生的几代人之间的烟草消费时代显着下降，他们在二十年后开始吸烟，而80年代的几代人平均消费了十三岁。 div>这项交叉细分研究确定了继续吸烟和吸烟和成瘾的习惯的关键年龄组是什么，并将其与其他年龄的开始，这使他们有可能放弃吸烟的习惯或对帮助计划更敏感。 div>以上需要这个关键的年龄范围，预防性教育计划。 div>为此，他专注于学生群体的表征，例如加勒比自治大学，该大学确定了学生人数的11.41％的影响，对男性的影响是具有统计学上显着差异的女性的两倍。 div>该调查的随机样本为377，其工具由世界卫生组织（WHO）和飞行员进行验证，因为其背景和语义的有效性。 div>在调查中，发现那些在15年后开始吸烟的人放弃了更多比例的习惯，并且当它开始吸烟时，在9至15岁的年龄范围内，这使它成为后来的成瘾，这将使随后的教育计划难以离开习惯。 div>
数据分析
访问stapplet.com并打开1.1计算器/stapplet技能视频。本视频将涵盖如何输入数据并创建一个或两个变量在stapplet.com上的分类数据显示。它还将讨论如何在图中识别关联。1.）出生日。频率表总结了最近一周在美国每天每天出生的婴儿数量的数据。a。）在stapplet.com中输入可变名称和数据。创建条形图和饼图。b。）您认为哪个图最能显示数据？解释您的选择。c。）写一两个句子，以了解您所看到的。（包括上下文）2。）皮尤研究中心（Pew Research Center）询问了来自美国的2024个成人手机所有者的随机样本，他们拥有哪种手机：iPhone，Android或其他（包括非智能手机）。这是结果，按年龄类别分解：（a）为每个年龄组找到手机类型的分布。制作一个分段的条形图以比较这些分布。（b）描述（a）中图的图表显示了成人手机所有者的年龄与手机类型之间的关联。
如何引用本文：Kritika Khandelwal（2024）关于内在动机和学术需求对压力水平的影响的纵向研究
摘要一项为期两年的纵向研究，研究了大学运动员的内在动机，学术要求和压力之间的关联，使用了混合方法设计，该设计将双年度调查中的定量数据与年度半结构访谈中的定性响应配对。参与者：根据学校，体育和性别的年份，选择了来自五所大学的200名大学运动员的分层随机样本，以与利益群体的样本一样多样化。定量措施包括内在动机清单（IMI），学术要求问卷（ADQ）和感知的压力量表（PSS），同时使用主题分析分析了定性数据。研究人员发现，尽管学术要求增加，但运动员表现出很高动力的运动员的压力水平要低得多。机构审查委员会批准了这项研究，该研究符合道德考虑的规格，包括知情同意和机密性。结果与旨在帮助运动员应对学术要求和恢复内在动机的目标干预措施有关。关键词：内在动机，学术要求，压力水平，大学运动员，纵向研究
医疗保健专业人员对在巴西实施Tafenoquine期间进行定量G6PD测试培训的观点（Qualitrust研究）
疟原虫疟疾的有效自由基治愈对于消除疟疾至关重要。p。Vivax自由基固化需要进行精神分裂剂，例如氯喹以及8-氨基喹啉。然而，8-氨基喹啉导致glu-cose-cose-6-磷酸脱氢酶（G6PD）缺乏症的个体溶血，需要事先筛查才能排除那些处于危险中的人。巴西正在开创tafenoquine的实施，塔夫纳奎因是一种单剂量的8-氨基喹啉，指示为p。>正常G6PD活性的70％的Vivax患者。 tafenoquine在Manaus和Porto Velho中实施，位于巴西西部亚马逊的两个市政当局包括对医疗保健专业人员（HCP）的全面培训，该培训是对Point-Point-Point-Point量化G6PD测试和一种新的治疗算法。 Vivax自由基固化结合了tafenoquine。 最初向高级设施（第一阶段）提供培训，后来适用于初级保健部门（第二阶段）。 这项研究分析了HCP在培训和实施过程中的经验，并确定了障碍和促进者。 在每次培训后30天进行了深入的访谈和焦点讨论小组，以进行有目的的随机样本115 HCP。 主题分析是使用MAXQDA软件进行的，通过归纳和演绎编码来分析数据。 分析表明，通过对高级设施进行初步培训，一些HCP并没有自信执行定量G6PD测试并开处方Tafenoquine方案。>正常G6PD活性的70％的Vivax患者。tafenoquine在Manaus和Porto Velho中实施，位于巴西西部亚马逊的两个市政当局包括对医疗保健专业人员（HCP）的全面培训，该培训是对Point-Point-Point-Point量化G6PD测试和一种新的治疗算法。Vivax自由基固化结合了tafenoquine。最初向高级设施（第一阶段）提供培训，后来适用于初级保健部门（第二阶段）。这项研究分析了HCP在培训和实施过程中的经验，并确定了障碍和促进者。在每次培训后30天进行了深入的访谈和焦点讨论小组，以进行有目的的随机样本115 HCP。主题分析是使用MAXQDA软件进行的，通过归纳和演绎编码来分析数据。分析表明，通过对高级设施进行初步培训，一些HCP并没有自信执行定量G6PD测试并开处方Tafenoquine方案。对第二阶段的培训进行修改，从而改善了理解G6PD测试和Tafenoquine的实施过程，以及HCPS获得的知识。此外，通过原位培训，通过消息传递应用程序进行同行交流以及教育材料来解决知识差距。培训支持有效部署Manaus和Porto Velho的新工具，并提高了人们对
无标记数据的替代建模的深度自适应抽样
抽象的替代建模对于参数微分方程系统具有很大的实用性。与经典数值方法相反，使用基于物理学的深度学习方法为这种系统构造模拟器是一个有希望的方向，因为它具有处理高维度的潜力，这需要最大程度地减少训练的随机样本损失。然而，随机样品引入了统计误差，这可能成为近似和高维问题的近似值的主要误差。在这项工作中，我们提出了一种深层自适应采样方法，用于对低规范性参数微分方程的替代建模，并说明了自适应采样的必要性以构建替代模型。在参数设置中，剩余损耗功能可以视为空间和参数变量的不均衡概率密度函数（PDF）。与非参数设置相反，可以使用分解的关节密度模型来减轻参数空间引起的困难。PDF通过深层生成模型近似，从中生成新样品并将其添加到训练集中。由于新样品与残留诱导的分布相匹配，因此重新定义的训练集可以进一步减少当前近似解决方案中的统计误差