XiaoMi-AI文件搜索系统
World File Search SystemClassifier
通过分布式数据库方法和机器学习模型检测数字货币欺诈
摘要 - 随着电子市场的交易开始逐渐上升，世界正在看到数字货币（例如比特币，以太坊和其他人）的金融交换的明显增加，这增加了在使用分布式数据库以及与以太坊网络相互作用的技术相互作用的技术中保持安全性和信任的难度本研究介绍了基于Pycaret库的混合模型，其中包括12个机器学习分类器，目的是确定比特币交易中的欺诈活动并增强以太坊网络和区块链技术的安全性。结果揭示了不同模型通过全面的绩效比较来识别以太坊网络上欺诈活动的有效性。显示出最高精度得分的分类器，范围从0.9814到0.9862，是随机森林分类器，视觉梯度提升机和添加剂树分类器。重要的是要注意，梯度增强分类器和K邻居分类器的表现都很好，精度高于0.96，AUC得分高于0.99。
在线学习课程学习的在线超参数优化
参考[1] Hou，Saihui等。“通过重新平衡来逐步学习统一的分类器。”CVPR2019。[3] Liu，Yaoyao，Bernt Schiele和Qianru Sun。“用于课堂学习学习的自适应聚合网络。”CVPR 2021。[4]刘，Yaoyao，Bernt Schiele和Qianru Sun。“ RMM：用于课堂学习学习的增强记忆管理。”神经2021。[5] Rebuffi，Sylvestre-Alvise等。“ icarl：增量分类器和表示学习。”CVPR2017。[6] Li，Zhizhong和Derek Hoiem。“学习而不会忘记。”TPAMI2017。
人工智能的反馈提高了初级内镜医师对胃病变组织学预测的学习
使用人工智能辅助图像分类器对初级内镜医师进行胃病变组织学预测培训的初步效果。方法 在具有五个卷积层和三个完全连接层的卷积神经网络上构建人工智能图像分类器，通过 2,000 个未放大的内镜胃图像训练 Resnet 主干。独立验证集由来自 100 个胃病变的另外 1,000 个内镜图像组成。六名初级内镜医师审查了验证集的第一部分，然后向其中三名（A 组）披露人工智能的预测，而其余三名（B 组）未提供此信息。所有内镜医师都独立审查了验证集的第二部分。结果 AI 的总体准确率为 91.0 %（95 % CI：89.2 – 92.7 %），敏感度为 97.1 %（95 % CI：95.6 – 98.7 %），特异度为 85.9 %（95 % CI：83.0 – 88.4 %），ROC 曲线下面积 (AUROC) 为 0.91（95 % CI：0.89 – 0.93）。在两个验证集中，AI 的准确度和 AUROC 均优于所有初级内镜医师。在第二个验证集中，A 组内镜医师的表现有所提高，但 B 组内镜医师没有提高（准确度为 69.3 % 到 74.7 %；P = 0.003）。结论 训练后的 AI 图像分类器可以准确预测胃病变中是否存在肿瘤成分。人工智能图像分类器的反馈还可以加快初级内窥镜医师预测胃病变组织学的学习曲线。
使用机器的手语翻译器...
抽象的手语是聋人和静音者的唯一交流手段。，但是许多普通人不知道手语。因此，用手语说话的人很难与那些不说手语交流的人进行交流。本文扩展了先前提出的卷积神经网络（CNN）模型，用于使用基于MobileNETV2的转移学习模型来预测手语。所提出的系统旨在通过将手语的手势转化为文本或语音来为听力受损的用户提供有效的沟通。TensorFlow K-NN图像分类器用于训练训练集的模型。分类器涉及k-neart的邻居分类器。类的数量取决于数据集中唯一标志的数量，每个类都与一个符号关联。Mobilenet模型已在大型图像数据集上进行了预训练，并在ASL手符号图像上进行了微调以学习判别特征。从Mobilenet模型中提取功能后，使用KNN分类器进行手语识别。knn是一种简单而有效的算法，它基于特征空间中其K-Neart最邻居的多数类别为输入样本分配标签。在这种情况下，邻居对应于先前看到的手语手势。拟议的手语翻译系统具有许多实际应用，例如在日常互动期间有听力或语音障碍的人。关键字： - 手语翻译器，K -NN图像分类器，CNN，Mobilenet，TensorFlow，Tokbox。此外，它可以集成到教育平台中，以支持手语学习者并提供包容性的语言教育机会。
使用机器学习医疗紧急情况的药物建议机制
在医疗保健领域，医疗紧急情况下的及时和精确的医学建议可能会对患者预后产生重大影响。这描述了一种全面的“使用机器学习医疗紧急情况的药物建议方法”，该方法是在Python建造的。系统使用两种复杂的分类算法，即随机森林分类器和决策树分类器，以在培训和测试数据集上达到惊人的100％精度水平。该系统的数据集由1100个记录组成，每个记录都有30个功能。这些方面涵盖了广泛的医疗参数，提供了患者健康的完整情况。数据集包括十个涵盖各种医疗状况的独特组：水痘，慢性，过敏，冷，糖尿病，真菌，Gerd，Jaundice，Jaundice，疟疾和肺炎。以整体学习能力而闻名的随机森林分类器，以其可解释性闻名的决策树分类器仔细选择了以建模数据集的深层交互。两种算法都表现良好，在培训和测试数据集上获得了完美的精度评分，表明构建的推荐系统的有效性。这项研究不仅证明了机器学习在医疗保健应用中的有效性，而且还强调了在紧急医疗环境中正确的药物建议的重要性。所达到的100％准确性证明了系统的可靠性和精度，从而灌输了对现实医疗环境中预期使用的信心。当我们穿越技术和医疗保健的界面时，药物建议系统表明机器学习在关键情况下对患者护理的革命性影响。
DOI：https://doi.org/10.48009/2_iis_2024_116 网络分析：对垃圾邮件过滤的机器学习算法的检查 Taiwo Ajani，Universi
本研究通过开发一种混合垃圾邮件过滤模型，填补了理论和应用方面的空白。该模型将随机森林分类器的稳健性与神经网络的复杂模式识别能力以及朴素贝叶斯的概率推理相结合，以增强数据安全和网络分析能力。我们重申垃圾邮件过滤在应对网络安全挑战中的重要性，并强调现有技术的优势和局限性；并论证了强大的垃圾邮件过滤系统在应对日益演变的垃圾邮件威胁方面的重要性。在初步评估的六种预测方法中，随机森林 (RF) 分类器被评为最有效的模型，其最高准确率达到 95.87%，最低误分类错误率仅为 4.13%，并且在识别真阳性和真阴性方面表现均衡。随机森林、神经网络和朴素贝叶斯算法的混合使用进一步将准确率提升至 97.22%。关键词：随机森林分类器、垃圾邮件过滤、支持向量机、决策树、朴素贝叶斯、神经网络、网络分析
一种提高智能计算有效性的智能方法揭示了信用卡欺诈的最佳方法...
卡拉奇，巴基斯坦摘要这项研究比较了信用卡欺诈检测的机器学习（ML）和深度学习（DL）技术。我们评估了不同数据集的16种ML算法和交叉验证方法的组合。在所有模型中，具有重复k折的随机森林分类器的精度最高99.0％，而F1得分为99.1％。表现最高的深度学习模型，人工神经网络（ANN）的精度为91.3％，F1得分为91.1％，而结合这些方法的混合模型达到98.9％的精度和F1分数。随机森林分类器继续是最佳选择。我们的发现表明，随机森林分类器具有重复的K折交叉验证，根据其他机器学习模型，深度学习模型和混合模型作为平衡数据集中信用卡欺诈检测的最可靠方法的21种组合进行了测试，提供了有价值的洞察力，提供了增强安全性预处理和针对各种银行业领域的国防范围的宝贵见解。
跟踪SEC文件的实时裁员
4增加了识别裁员的挑战，许多文件包括有关前瞻性陈述的样板免责声明。这些免责声明通常是指可能对公司价值产生重大影响的假设未来裁员。我们将这些陈述的示例标记为拟合分类器时的单独类别，预计天真的分类器将很难区分这些备注与实际计划裁员的陈述。5在一天中只有8个情况下标记了多个项目，这些都是相关项目7.01和相关项目8.01一起出现的情况。
下肢关节置换术后预测持续使用阿片类药物的机器学习方法
摘要背景本研究的目的是为下肢关节置换术后持续使用阿片类药物使用的预测模型，并确定集合学习和超采样技术是否可以改善模型性能。我们比较了各种预测模型，以识别持续的术后阿片类药物使用，使用各种术前，术中和术后数据，包括手术程序，患者人口统计学/特征，过去的手术病史，阿片类药物使用历史，使用历史，经历了，合并症，生活方式，生活方式，生活方式，Anthesia详细信息和邮政课程。评估了六个分类模型：逻辑回归，随机森林分类器，简单喂养神经网络，平衡的随机森林分类器，平衡的装袋分类器和支持向量分类器。表现。重复分层的k-折叠交叉验证是为了计算接收器操作特性曲线（AUC）下的F1分数和面积。结果有1042例患者接受了膝关节或髋关节置换术，其中242例（23.2％）报告了持续使用的阿片类药物。没有SMOTE，逻辑回归模型的F1得分为0.47，AUC为0.79。所有合奏方法的性能都更好，平衡的包装分类器的F1得分为0.80，AUC为0.94。SMOTE基于F1分数的所有模型的性能提高了。具体来说，平衡袋分类器的性能提高到F1分数为0.84，AUC为0.96。在平衡装袋模型中最重要的特征是术后第1天使用阿片类药物，体重指数，年龄，术前阿片类药物，出院时处方的阿片类药物和住院时间。结论集合学习可以极大地改善持续使用阿片类药物的预测模型。对高危患者的准确和早期鉴定可以在临床决策和通过个性化干预措施的早期优化中发挥作用。
关于合奏学习方法的评论-IJRPR
机器学习方法是集合学习，其中许多分类器被用于预测单个输出。它也称为多分类器系统。为了胜过其他机器学习算法，Ensemble Learne结合了用于机器学习的Multiple算法，以根据从数据和各种投票过程中推断出数据和结果的属性提供弱预测性结果。合奏学习涉及将多个单个模型的预测结合在一起，以做出最终的预测或决策。合奏分类器比许多情况下的单个分类器更准确。合奏学习的概念可以与实际生活环境相匹配。在做出关键决定时，而不是仅仅依靠一种意见时，就会考虑多个专家。在许多情况下，合奏被证明比每个分类器都更精确，但是，整合模型永远不会成功。具有提高准确性的分类器与可行性构成最佳集合的不同之处。如果每个分类器都会产生不同的错误，则总误差将减少。