XiaoMi-AI文件搜索系统
World File Search SystemBagging
模型压缩 - CS@Cornell
1.简介 集成是通过加权平均或投票将预测组合在一起的模型集合。集成方法在过去十年中一直是重要研究的焦点，并且已经引入了各种集成方法。众所周知的集成方法包括 bagging [2]、boosting [14]、随机森林[3]、贝叶斯平均 [9] 和 stacking [17]。人们对集成方法的兴趣大部分源于其出色的实证表现。然而，集成有一个经常被忽视的缺点：许多集成很大且速度很慢。这使得集成方法无法用于内存、存储空间或计算能力有限的应用程序（例如便携式设备或传感器网络），以及需要实时预测的应用程序。例如，考虑增强决策树、袋装决策树或随机森林。这些模型通常包含数百或数千个决策树，每个决策树都必须存储并在运行时执行以进行预测。执行一棵树很快，但执行一千棵树则不然。
模型压缩 - CS@Cornell
1. 简介 集成是通过加权平均或投票将预测组合在一起的模型的集合。过去十年，集成方法一直是重要研究的焦点，人们推出了多种集成方法。众所周知的集成方法包括 bagging [2]、boosting [14]、随机森林 [3]、贝叶斯平均 [9] 和 stacking [17]。人们对集成方法的大部分兴趣源于其出色的实证表现。然而，集成有一个经常被忽视的缺点：许多集成很大而且很慢。这使得集成方法不适用于内存、存储空间或计算能力有限的应用（例如便携式设备或传感器网络），也不适用于需要实时预测的应用。例如，考虑 boosted 决策树、bagged 决策树或随机森林。这些模型通常包含数百或数千个决策树，每个决策树都必须存储并在运行时执行以进行预测。执行单个决策树很快，但执行一千个决策树则不然。
基于软件和硬件技术的神经计算机接口人工智能算法的稳健性
摘要 本文主要研究利用信息技术进行脑机交互，利用脑电图（EEG）信号检测大脑活动模式。在实验中，我们使用了机器学习方法，即以下分类器：Bagging、Boosting、Nearest Neighbors 和 Support Vector。实验从手指运动任务期间对 EEG 信号的真实观察开始。我们使用 10 倍交叉验证来评估每个分类器的性能，包括准确性和稳健性。结果发现，支持向量分类器在分类器中表现出最高的稳定性。实验的主要目标是确定分类器的稳健性的重要性，特别是在医疗应用中。总之，该实验有助于脑机交互领域的发展以及在医疗保健和其他地方具有实际应用的稳健神经接口技术的开发。
心脏病预测基于生理参数，使用集合分类器和参数优化Agung Muliawan 1，Achmad Rizal 2，
使用集合分类器和参数优化基于生理参数的心脏病预测Agung Muliawan 1，Achmad Rizal 2，Sugondo Hadiyoso 3* Institut Teknologi Dan Sainsia Mandala，Indonesia，Indonesia 1 Telekom University 1 Telekom University，Indonesia 23 sugondo@telkomuniversity.actistia in Indonesia telkomuniversity.ace.ac.act.ace.ace.act.act act：20 3 333 333 303 303接受：2023年11月7日 *通讯作者摘要本研究描述了使用具有参数优化的集合分类器对心脏病的预测。作为输入，从UCI机器学习存储库中获取了一个公共数据集，该数据集是指UCI机器学习中的数据集。数据集由13个变量组成，这些变量被认为会影响心脏病。粒子群优化（PSO）用于特征选择和主成分分析（PCA），以降低特征的尺寸。在几种机器学习方法上的应用优化应用，例如SVM（径向基础功能），深度学习和集合分类器（装袋和增强），以获得最高的精度比较。与PCA相比，该研究使用PSO维度降低的结果降低导致精确度。相反，通过优化深度学习参数的精度为84.47％，并优化SVM RBF参数，精度为83.56％，获得了最高精度。使用SVM上的袋子在83.51％的装袋中的最高精度，与SVM相差0.5％，而无需使用袋装。关键字：心脏病，机器学习，降低维度，参数优化，合奏分类器1。简介
人工智能应用于电池研究：炒作还是现实？
1.简介 B 1.1.什么是 AI？C 1.2.关于数据的重要性和良好实践 D 1.3.监督和非监督方法 E 1.4.超参数 E 1.5.最常用的机器学习方法 F 1.5.1.神经网络 F 1.5.2.决策树、随机森林、Boosting 和 Bagging 方法 G 1.5.3.支持向量机 G 1.5.4. k-最近邻 G 1.5.5.基于概率的方法 G 1.5.6.生成模型和逆向设计 H 1.6。编程语言和平台 I 1.7。大纲/范围 I 2。材料设计和合成的应用 J 2.1。材料发现 J 2.1.1。活性电极材料 K 2.1.2。固体电解质 M 2.1.3。液体电解质 N 2.2。材料的加速多尺度建模 O 2.3。实验规划、材料筛选和合成 Q 2.4。观点与挑战 R 3.应用于电极和电池制造 S
预测激光粉末床融合添加剂制造过程中的鞭毛尿酸酯的热电学因子
添加剂制造（AM）工艺，例如激光粉末床融合，可以通过分层扩散和熔化粉末来制造物体，直到创建自由形式的零件形状。为了提高AM过程中涉及的材料的特性，重要的是要预测材料表征作为处理条件的函数。在热电材料中，功率因数是对材料如何将热量转化为电的有效性的量度。虽然较早的作品已经使用各种技术预测了不同热电材料的材料表征特性，但在AM过程中尚未探索机器学习模型的实现，以预测鞭毛尿酸酯（BI2TE3）的功率因数。这很重要，因为BI2TE3是低温应用的标准材料。作为概念证明，我们使用了有关涉及的制造处理参数的数据以及在BI2TE3 AM中收集的原位传感器监视数据，以训练不同的机器学习模型，以预测其热电功率因子。我们使用80％的培训和20％的测试数据实施了监督的机器学习技术，并进一步使用了置换功能重要性方法来识别重要的处理参数和原位传感器功能，这些特征最能预测材料的功率因数。基于合奏的方法，例如随机森林，Adaboost分类器和Bagging分类器，在预测功率因数方面表现最好，而袋装分类器模型则达到了90％的最高精度。此外，我们发现了前15个处理参数和原位传感器功能，以表征材料制造属性（例如功率因子）。这些功能可以进一步优化，以最大程度地提高热电材料的功率因数，并提高使用该材料制造的产品的质量。
监督与无监督的学习
●Breiman（2001）首先提出了随机森林算法，但基于1995年的Tim Kan Ho●RF采用了两种集合技术：首先是训练样本，以种植基于不同培训训练数据的树木森林。第二个是特征空间的子采样。●如果我选择变量的子集（例如x1, x3, x7) to create a split in a node of a decision tree, and another subset (x2, x4, x5, x7) to create a different one, there will be events that get classified in a different way by the two nodes ● Often there is a dominant variables that is used to decide the split, offsetting the power of the subdominant ones.rf通过减少不同树的相关性来避免该问题