XiaoMi-AI文件搜索系统
World File Search SystemBayes
CSC 311：机器学习简介 - 讲座1
•线性代数：向量操作，矩阵乘法/裁定量/痕迹/特征值）•微积分：部分导数/梯度。•概率：共同分布（高斯，指数，伯努利，多变量正常）；贝叶斯规则。•统计：期望，方差，协方差，中位数；最大似然。•数值优化：最大化功能，最小化功能，最大值，最小值；最大似然。
使用局部二值模式 (LBP) 特征提取进行玉米叶病分类
摘要 玉米是一种在印度尼西亚等发展中国家广泛种植的植物。为了提高玉米产量，研究人员一直在对玉米植物疾病分类的当前技术进行创新。三种疾病侵袭玉米叶片，即灰斑病、枯萎病和灯心草病。我们使用的数据量为 3500 个数据，其中包括 500 个灰斑病、1000 个枯萎病、1000 个灯心草病和 1000 片健康叶片。本研究旨在开发一种人工智能模型。我们开发的人工智能模型使用 LBP 特征提取结合 k-NN 作为分类器。除了使用 k-NN 方法外，我们还使用了几种分类方法（如朴素贝叶斯和 Adaboost）进行测试。我们的测试结果是，与朴素贝叶斯和 Adaboost 方法相比，k-NN 方法具有最高值。使用 k=5 的 k-NN 的性能结果为 81.1%、AUC 值为 94.1%、F1-Score 为 80.9%、准确率为 81.8%、召回率为 81.1%。
使用机器学习的作物推荐系统
抽象农业是人类生存的基本方面，面临着作物选择方面的挑战，影响了资源分配和生产力。该项目通过提出使用软投票分类器合奏方法的稳定系统来解决这些挑战。合奏包括幼稚的贝叶斯，支持向量机（SVM），决策树和随机森林分类器，提供个性化的作物建议。可行性分析包括技术，运营，经济和调度方面，以确保实用性和有效性。开发遵循增量模型，强调通过反馈的连续增强。结果表明单个分类器的准确性（“决策树”：98.38％，“随机森林”：98.90％，'幼稚的贝叶斯：98.14％，'SVM'：98.50％），整体精度为98.99％。交叉验证证实了鲁棒性。评估指标，例如召回，精度和F1分数表明，软投票合奏的表现优于单个分类器，强调了其在优化农业中作物选择过程的有效性，并促进了改善的资源管理和生产力。关键字：合奏，建议，交叉验证，鲁棒性，回忆1。简介
将微生物组和基因组数据结合的机会和限制进行复杂性状预测
摘要背景：使用微生物组数据与主机基因组信息结合使用的复杂性状的分析和预测是一个最引起关注的话题。但是，仍然有许多问题要回答：微生物组对复杂性状预测的有用程度如何？微波性可靠的估计值吗？可以回收宿主基因组，微生物组和现象之间的潜在生物学联系吗？方法：在这里，我们通过（i）制定一种新型的模拟策略来解决这些问题，该策略使用真实的微生物组和基因型数据作为输入，以及（ii）使用方差 - 组件方法（贝叶斯复制的核心kernel hilbert space（RKHS）和贝叶斯变量选择方法（Bayes c）（贝叶斯），以量化contiper and centery centery andy型依次的变化。提出的模拟方法可以通过保留数据的分布性能的置换程序模仿微生物组和基因型数据之间的遗传联系。结果：使用奶牛的实际基因型和瘤胃微生物群的丰度，无论某些微生物群的丰度是否受宿主的直接遗传控制，微生物组数据都可以显着提高表型预测的准确性。此改进在逻辑上取决于微生物组随着时间的推移而稳定。总体而言，尽管通常高度高度的微生物群丰度分布，但随机效应线性方法对于方差构成估计似乎是可靠的。贝叶斯C的预测性能高，但对因果效应的数量比RKHS更敏感。贝叶斯的准确性部分取决于影响表型的微生物类群的数量。结论：我们得出的结论是，可以使用方差成分估计值来表征基因组微生物组 - 链接，但我们对识别影响微生物群的病变遗传效应的可能性不太乐观，而这些宿主遗传效应影响了微生物群的丰富度，而基因组 - 微生物组 - 菌群 - 基因组 - 型号可能需要更大的样本量。复制分析的R代码位于https：//github。com/migue lpere zenci so/simub iome中。
面向边缘的通用 CNN 加速器
多类算法：GBM、XGBoost、随机森林、逻辑回归、高斯朴素贝叶斯、决策树、多项式 SVM、RBF SVM、SVM、CNN、RNN、CRNN、ANN 单类算法：局部离群因子、一类 SVM、一类随机森林、孤立森林 标记、记录、验证和可视化时间序列传感器数据
算法和硬度用于估计统计相似性
我们研究了计算概率分布之间统计相似性的问题。对于有限的样品空间上的分布P和Q，它们的统计相似性定义为S Stat（P，Q）：= P X Min（p（x），q（x））。统计相似性是分布之间相似性的基本量度，具有几种自然解释，并捕获了预测和假设测试问题中的贝叶斯错误。最近的工作已经确定，有些令人惊讶的是，即使对于简单的产品分布，精确的计算统计相似性也是＃p -hard。这激发了设计统计相似性的近似算法的问题。我们的主要贡献是用于估计两个产品分布之间统计相似性的完全多项式确定性近似方案（FPTA）。为了获得此结果，我们引入了背包问题的新变体，我们称之为“掩盖背包”问题，并设计了一个FPTA，以估算此问题的多维版本的解决方案数量。这种新的技术贡献可能具有独立的利益。此外，我们还建立了一个完全的硬度结果。我们表明，当p和q是估计统计相似性的NP -HARD是内度2的贝叶斯净分布时。
使用机器学习和基于深度学习的成立网络的脑肿瘤分割和分类的有效合奏
摘要：最近，脑肿瘤（BT）已成为影响几乎所有年龄段人群的常见现象。使用计算机断层扫描对这种致命疾病的识别，磁共振成像如今非常流行。开发用于诊断和分类BT的计算机辅助设计（CAD）工具已变得至关重要。本文着重于使用深度学习（DL）模型设计用于诊断和分类的工具，该工具涉及通过获取（CT）图像，预处理，细分和分类的一系列步骤，以使用基于DL的Inception网络模型使用SIFT识别肿瘤的类型。所提出的模型使用模糊C表示算法从获取的BT图像中分割感兴趣的区域。诸如高斯幼稚的贝叶斯（GNB）和逻辑回归（LR）等技术用于分类过程。为了确定其效率的所有技术，都使用了基准数据集。模拟结果确保了提出的方法的性能，最大敏感性为100％，特异性为97.41％，精度为97.96％。关键字：脑肿瘤，深度学习，特征提取，模糊C的平均值，Inception v3，Sift，高斯幼稚的贝叶斯，逻辑回归。____________________________________________________________________________
法律决策中的预测建模
摘要： - 预测建模在增强法律决策过程方面具有巨大的希望，尤其是在美国最高法院（SCOTUS）领域内。本文利用包括SCOTUS案例的数据集研究了机器学习（ML）算法在预测法律结果中的应用。通过严格的预处理和分析，应用了各种ML技术，包括决策树，随机森林，支持向量机（SVM），幼稚的贝叶斯，K-Nearest邻居（K-NN）和XGBoost。使用精度，召回，F1得分和准确度指标评估这些模型的性能，从而揭示了其有效性的细微差异。值得注意的是，XGBoost以72％的精度为最佳算法，展示了其在捕获复杂的法律模式方面的稳健性。相比之下，天真的贝叶斯和决策树算法的精度分别为61％和52％，突出了其适用于法律数据集的潜在局限性。比较分析阐明了每种算法的优势和劣势，强调了选择适合法律决策复杂性的适当技术的重要性。这项研究为法律研究中的预测建模的文献越来越多，为ML在增强法律程序的效率和功效方面的潜在应用和含义提供了宝贵的见解。
加州大学圣地亚哥分校
摘要：近年来，人们对选择性激光熔化 (SLM) / 选择性激光烧结 (SLS) / 直接金属沉积 (DMD) 技术进行了一般性研究，也对该领域的详细问题进行了研究。然而，在上述技术中，对单轨特征的研究存在研究空白。基于 2016-2019 年发布的数据，采用一种方法对知识库以及新技术发展趋势进行了初步的定量分析。这项研究证明了基于贝叶斯算法的数据挖掘技术在分析增材制造过程趋势方面的有效性，以及使用贝叶斯算法获得的知识的实际应用。在完成上述分析之后，在不同加工条件下分析了基于镍基合金和 Fe-Al 青铜的复合材料的单层和双层。描述了激光光斑速度和间距对显微硬度、微观结构和中间层特征的影响。因此，创新方法，即将研究现象的科学数据库分析与随后的实验特征研究相结合，是本研究的科学新颖之处。
使用混淆矩阵分析的机器学习算法的比较分析
医疗保健专家近年来一直在使用越来越多的机器学习来提高患者的预后并降低成本。此外，机器学习已在各个领域应用，包括疾病诊断，患者风险分类，定制治疗建议和药物开发。机器学习算法可以从电子健康记录，医疗图像和其他来源审查大量数据，以识别模式并做出预测，这些数据可以支持医疗保健专业人员和专家，以做出更明智的决策，增强患者护理以及确定患者的健康状况。在这方面，作者选择通过正确的糖尿病预测分类速率比较三种算法（逻辑回归，adaboost和幼稚的贝叶斯）的性能，以确保准确诊断的有效性。这项工作中应用的数据集是从范德比尔特大学机构存储库中获得的，并且是公开可用的数据。研究确定了三种算法在预测方面非常有效。主要是，逻辑回归和adaboost的分类率高于92％，而天真的贝叶斯算法的分类率达到了90％以上。