XiaoMi-AI文件搜索系统
World File Search SystemDataset
面部感知的人类单神经数据集
人类杏仁核和海马长期与面部感知有关。在这里，我们介绍了面部感知期间人类杏仁核和海马中单神经活性的数据集。我们记录了人类杏仁核和海马的2082个神经元，当时具有顽固性癫痫的神经外科手术患者使用自然的脸部刺激进行了一次性任务，这模仿了自然的面部感知。具体来说，我们的数据包括（1）来自杏仁核（996个神经元）和海马（1086个神经元）的单神经元活动，（2）眼睛运动（凝视位置和学生），（3）患者的心理学评估，以及（4）来自大型患者和一般参与者的社交特质判断等级，并从一般性的参与者中获得了一般性的参与者和参与者。一起，我们拥有大量神经元的全面数据集可以促进对面部感知的多方面调查，其空间和时间分辨率最高，目前可在人类中获得。
鸢尾花数据集预测模型综述
（这仅供参考 - 作者可以根据研究工作使用其他副标题/内容）1. 简介：当今最有趣的研究课题是机器学习，今天许多人都在机器学习领域工作，一些出版商或研究人员正在发现或更新机器学习的新算法和方法，基本上，机器学习是使机器做出与人脑相同决策的过程。机器学习是人工智能的主要部分，主要分为两类：监督学习和无监督学习。因此，学习阶段分为监督学习、无监督学习和强化学习。作为监督学习过程的一部分，会提出一个输出目标，它可以帮助或使系统学习，它还包含由不同输入属性和输出组成的训练数据实例。监督学习的一个子部分是分类，程序从给定的输入数据中学习并使用此过程对新观察结果进行分类。分类技术有多种类型，例如决策树、神经网络、贝叶斯分类器、支持向量机、K 最近邻等等。以下是一些使用离散数据和连续数据的机器学习分类任务的示例：对信用卡交易进行分类、检测人体疾病（将蛋白质分类为 α 螺旋、β 折叠或随机卷曲的二级结构）、天气预报，以及将新闻报道分类为金融、体育和娱乐。鸢尾花数据集是机器学习中最著名的数据集之一，它包含 150 个鸢尾花样本，具有萼片长度、萼片宽度、花瓣长度和花瓣宽度等测量值。这些样本分为三个不同的种类：山鸢尾、变色鸢尾和维吉尼亚鸢尾。该数据集广泛用于分类任务，由于其简单性和结构良好，是应用机器学习算法的极好起点。
自主构建仅传感器设施的数据集...
∙第一作者：Hyung Lee，通讯作者：Chulwoo Park *Hyung Lee（hyung@hit.ac.kr），部门广播内容，大道健康技术研究所** chulwoo Park（cwpark@geonspace.com），Geo＆Co.，Ltd ** Handong Lee（ditto0830@geonspace.com），Geo＆Co.11。20，修订：2023。12。11，接受：2023。12。27。
诊断成像数据集统计发布
简介 诊断成像数据集 (DID) 是一个月度数据收集，涵盖了英格兰 NHS 患者的诊断成像测试数据。它包括全科医生直接使用癌症关键诊断测试的估计值，例如胸部成像、非产科超声和脑 MRI。引入 DID 是为了监测“改善结果：癌症战略 1 ”的进展情况。该战略阐述了政府、NHS 和公众如何帮助预防癌症、提高癌症服务的质量和效率，并朝着实现与最佳结果相媲美的结果迈进。其中一个方面是确保全科医生能够获得正确的诊断测试，以帮助他们更早地诊断或排除癌症。因此，DID 报告成像活动、转诊来源和及时性。这些数据是从放射信息系统 (RIS) 整理而来的，放射信息系统是用于管理放射科工作流程的医院管理系统，并上传到 NHS Digital 维护的数据库中。 1.1 常用首字母缩略词
诊断成像数据集统计版本
1简介诊断成像数据集（DID）是一个每月的数据收集，涵盖了有关英格兰NHS患者的诊断成像测试的数据。它包括对癌症关键诊断测试的GP使用的估计值，例如胸部成像，非脑化超声和脑MRI。DID是为了监控改善预后的进展：癌症的策略1。这种策略阐明了政府，NHS和公众如何帮助预防癌症，提高癌症服务的质量和效率，并朝着实现最佳成果迈进。其中一个方面是确保GP可以访问正确的诊断测试，以帮助他们更早地诊断或排除癌症。因此，DID报告了成像活动，转介源和及时性。这些数据是从放射学信息系统（RISS）中整理的，该系统是用于管理放射学部门工作流程的医院管理系统，并将其上传到NHS Digital维护的数据库中。1.1经常使用的首字母缩写
基础工业能源数据集 (FIED)
作者感谢 Gale Boyd（杜克大学）、管理员 Joseph DeCarolis（美国能源信息署）、Ozge Kaplan（美国环境保护署）和 Eric Masanet（加州大学圣巴巴拉分校）作为美国生命周期评估中心 2022 年会议工业建模数据集特别会议的小组成员，以及 Heather Liddell（普渡大学）对组织和主持会议的帮助。感谢 Ashna Aggarwal、Patrick Bryant 和 Will Dean（美国能源部能源效率和可再生能源 [EERE] 战略分析办公室）；Steve Capanna、Tomy Granzier-Nakajima、Nicole Ryan 和 Jun Shepard（美国能源部政策办公室）；Amy Jordan（Carbon Solutions, LLC）；Dan Bilello、Elaine Hale、Danny Inman 和 Adrienne Lowney（国家可再生能源实验室）对报告的审查。感谢 Liz Breazeale 编辑本报告，以及感谢 Sam Baldwin（EERE 战略分析）和 Ookie Ma（能源学）对该项目的早期支持。
AMSNet：AMS 电路的网络表数据集
摘要 — 当今的模拟/混合信号 (AMS) 集成电路 (IC) 设计需要大量人工干预。多模态大型语言模型 (MLLM) 的出现已在各个领域展现出巨大潜力，表明它们也适用于简化大规模 AMS IC 设计。使用 MLLM 自动生成 AMS 电路的瓶颈是缺乏描述原理图-网表关系的综合数据集。因此，我们设计了一种将原理图转换为网表的自动技术，并创建了数据集 AMSNet，其中包括晶体管级原理图和相应的 SPICE 格式网表。随着规模的不断扩大，AMSNet 可以显著促进 MLLM 在 AMS 电路设计中的应用探索。我们已经公开了当前版本的数据库和相关的生成工具，两者都在迅速扩展。索引术语 — AMS 电路设计、MLLM、电路拓扑、前端设计
呼吸道合胞病毒（RSV）老年人计划通讯
引言诊断成像数据集（DID）是一个每月的数据收集，涵盖了有关英格兰NHS患者的诊断成像测试的数据。它包括对癌症的关键诊断测试的GP使用的估计，例如胸部成像，非脑化超声和大脑MRI。DID是为了监控改善预后的进展：癌症的策略1。这种策略阐明了政府，NHS和公众如何帮助预防癌症，提高癌症服务的质量和效率，并朝着实现最佳成果迈进。其中一个方面是确保GP可以访问正确的诊断测试，以帮助他们更早地诊断或排除癌症。因此，DID报告了成像活动，转介源和及时性。这些数据是从放射学信息系统（RISS）中整理的，该系统是用于管理放射学部门工作流程的医院管理系统，并将其上传到NHS Digital维护的数据库中。1.1经常使用的首字母缩写
egoexolearn：用于桥接异步自我
抽象能够将他人的活动映射到自己的观点中，即使从很小的时候就开始是一种基本的人类技能。迈向理解这种人类能力的一步，我们介绍了EgoExolearn，这是一个大规模的数据集，该数据集在过程之后模仿人类的演示，在该过程中，个人在执行以exentric-exentric-view示范视频为指导的任务时记录了以自我为中心的视频。关注日常援助和专业支持中的潜在应用，Egoexolearn Conconconconconconconconconconcons conconce concection和示范视频数据涵盖了在日常生活场景和专业实验室中捕获的120小时的120小时。与视频一起，我们记录了高质量的凝视数据并提供了详细的多模式注释，并构建了一个游乐场，用于建模人类从不同观点桥接异步程序动作的能力。为此，我们提出了基准，例如跨视图协会，跨视图行动计划和跨视图所引用的技能评估以及详细的分析。我们期望EgoExolearn可以作为跨越观点弥合行动的重要资源，从而为创建能够通过在现实世界中观察人类进行缝隙学习的AI代理铺平了道路。数据集和基准代码可在https：//github.com/opengvlab/egoeexolearn上找到。
基于仿真的自动驾驶汽车的传感器数据集
在自主系统的背景下开发工具[22，24]，例如自动驾驶汽车（SDC），这是耗时且昂贵的，因为研究人员和从业人员依靠昂贵的计算计算硬件和仿真软件。我们提出了Sensodat，这是一个由32,580个执行基于仿真的SDC测试用例的数据集，该测试案例用SDC的最新测试发电机生成。数据集由轨迹日志和来自SDC的各种传感器数据组成（例如，RPM，车轮速度，制动热，传输等）表示为时间序列。总共Sensodat提供了来自81个不同模拟传感器的数据。在使用Sensodat时，SDC领域的未来研究不一定取决于执行昂贵的测试用例。此外，使用传感器数据的量和变化，我们认为Sensodat可以有助于研究，特别是对于AI开发，用于基于模拟的SDC测试的回归测试技术，模拟中的片段等。链接到数据集：https：//doi.org/10.5281/zenodo.10307479