XiaoMi-AI文件搜索系统
World File Search SystemEDICTION
使用机器学习的糖尿病预测
学生，计算机科学与工程学，NIE，迈索尔，印度3-6摘要：体内过多的糖是糖尿病的症状，这种疾病是一种非常危险的疾病，如果不受控制。糖尿病并发症：它可以以多种形式发生，包括心脏问题，肾衰竭，高血压，视觉障碍和器官损伤。早期诊断糖尿病对于有效管理很重要；因此，该项目将专注于使用机器学习（ML）技术进行准确的预测。使用各种ML分类和集成方法，例如支持向量机（SVM），K最近的邻居（KNN），决策树（DT），逻辑回归（LR），随机森林（RF）和梯度提升（GB）。我们旨在提高患者数据集中事实的准确性。每种方法都显示出不同的精度，并且随机森林成为我们研究中的最佳模型。对最准确的模型的分析表明了其准确预测血糖水平的能力，从而导致医疗保健预测的重大进展。
3D蛋白结构预测系统
AMC工程学院，印度班加罗尔摘要：该项目通过简化框架引入了一种创新的三维蛋白质预测方法。通过合并机器学习技术和交互式可视化功能，我们开发了一个用户友好的平台，可实现准确有效的蛋白质结构建模。我们的结果展示了这种方法在增强可访问性并促进结构生物学和药物发现中的数据驱动决策方面的有效性。简化的结合提供了一种无缝且互动的体验，使其成为计算生物学领域研究人员和从业者的宝贵工具。我们的系统深入研究了一种创新的方法，该方法利用了简化框架的能力来彻底改变蛋白质结构的预测。
使用机器的多种疾病预测...
摘要：机器学习方法通过实现精确和及时的疾病预测来改变医疗保健。同时预测多种疾病可以大大增强早期发现和治疗，改善患者的结果并降低医疗保健费用。该系统研究了机器学习算法在预测多种疾病，解决其优势，障碍和未来前景时的使用。它提供了通常用于疾病预测的各种机器学习模型和数据源的概述，强调了特征选择，模型评估以及多种数据类型的融合以改善疾病预测。研究结果强调了多疾病预测中机器学习的希望及其提高公共卫生的潜力。
使用机器学习的IPL分数预测
板球是最受欢迎的游戏。印度超级联赛（IPL）是全美争夺的几个系列之一。已经提出了一种具有两种技术的模型。第一个是得分预测，第二个是对球队获胜的预测。线性回归，逻辑回归，决策树，随机森林，梯度提升回归器，额外的树回归器和XGB回归器用于得分预测。这项研究收集并分析了IPL数据跨越多年的IPL数据，包括球员，比赛，团队和球对球信息，以产生几个结论，有助于改善球员的表现。为了预测获胜者，该模型采用了有监督的机器学习技术。为了高精度，额外的树回收剂以良好的精度使用，为90％。
使用人工神经的二手车价格预测
预测汽车价格在研究中引起了很多关注，因为它需要可观察到的努力和主题的专业知识。进行了各种独特的特征。 开发用于使用过的汽车定价预测的模型。 我们使用了机器学习技术，包括随机森林，支持向量机，逻辑回归和线性回归。 尽管如此，上述方法还是用于回归分析和小组工作。 通过比较几种方法的各自的性能来确定给定数据集的最佳算法。 我们必须借助算法预测最佳％，并使用适当的技术披露结果。 关键字：机器学习，分类，支持向量机和汽车价格预测。 i。预测汽车价格是一个流行而有趣的问题。 根据该机构获得的信息，2014年注册的车辆中有84％用于个人使用。 自2013年以来，这个数字已上升2.7％，预计这种趋势将继续下去，并且将来的汽车会增加。 这给出了预测汽车价格更重要的挑战。 因为汽车的价格通常取决于许多独特的功能和元素，所以准确的汽车进行了各种独特的特征。开发用于使用过的汽车定价预测的模型。我们使用了机器学习技术，包括随机森林，支持向量机，逻辑回归和线性回归。尽管如此，上述方法还是用于回归分析和小组工作。通过比较几种方法的各自的性能来确定给定数据集的最佳算法。我们必须借助算法预测最佳％，并使用适当的技术披露结果。关键字：机器学习，分类，支持向量机和汽车价格预测。i。预测汽车价格是一个流行而有趣的问题。根据该机构获得的信息，2014年注册的车辆中有84％用于个人使用。 自2013年以来，这个数字已上升2.7％，预计这种趋势将继续下去，并且将来的汽车会增加。 这给出了预测汽车价格更重要的挑战。 因为汽车的价格通常取决于许多独特的功能和元素，所以准确的汽车根据该机构获得的信息，2014年注册的车辆中有84％用于个人使用。自2013年以来，这个数字已上升2.7％，预计这种趋势将继续下去，并且将来的汽车会增加。这给出了预测汽车价格更重要的挑战。因为汽车的价格通常取决于许多独特的功能和元素，所以准确的汽车
SpaceX Falcon9使用机器学习登陆预测
该项目工作的目的是使用数据科学和机器学习算法预测SpaceX Falcon 9火箭着陆系统的成功或失败。此项目所需的数据是从SpaceX API收集的。以下工具和技术用于数据预处理和分析：用于数据操作和分析的PANDA和NUMPY，用于探索性数据分析的数据可视化以及用于预测的机器学习算法。该项目涉及以下步骤：从SpaceX API中收集数据，使用Pandas和Numpy进行预处理数据，并使用数据可视化技术，功能工程来提取预测模型的相关功能，构建机器学习模型，以预测Falcon 9 Rocket登陆的成功或使用适当的模型的表现，并使用适当的Metrics进行了预测。该项目使用机器学习算法来预测Falcon 9火箭着陆的成功或故障。该模型对历史数据进行了培训，并对新数据进行了测试以评估其性能。该项目旨在洞悉导致Falcon 9火箭登陆的成功或失败的因素。
自然语音中的词语预测......
电子邮件：lekhnitskaya.polina@gmail.com 摘要：在自然语音感知范式中尚未研究过单词预测机制，因此本研究的目的是：探索自然语音感知过程中 EEG 反应功能与省略单词之间的联系、训练语言模型的置信度得分。 14 名神经典型受试者（平均年龄 - 23.5 岁；5 名男性）参与了这项研究。EEG 包括 24 个通道。研究对象被要求听故事并理解它。所得结果显示，在 T3、T5、P3 电极中，听省略单词和非省略单词存在差异。为了模拟神经信号和自然语音刺激之间的联系，应用了 mTRF。该研究未来可能的方向之一是探索这一范式中的交流过程。 介绍 人脑是一个复杂的动力系统，可以不断处理输入信息。对于声音刺激，与其他类型的感官信息一样，区分信号和噪声非常重要；通过理解信号的特征，人们可以轻松地感知语音。近年来，研究人员开始将注意力转向使用连续的自然语音来探索大脑评估听觉刺激的方式 [3]。其中一种可能的方法称为系统识别，即根据语音刺激对获得的数据进行建模 [3]。在这种情况下，大脑被视为一个“黑匣子”，其中输入语音的特征与神经生理反应之间存在一些映射。这样的黑匣子可以表示为线性时不变系统，通过 EEG 与声学和语言特征之间的联系获得所谓的时间响应函数 (TRF) [3]。据我们所知，在这个范式中还没有研究过单词预测的机制。在语音感知过程中，单词嵌入在更广泛的上下文中，这有助于意义的解释。接收者还可以对即将到来的话语中可能出现的特定词素做出预测。此任务类似于掩码语言建模，其中预训练模型通过双向关注标记来预测句子中的掩码标记（通常标记为 [MASK]）。在这种情况下，模型还会根据上下文对该词进行预测 [7]。现在，感知和理解的神经科学
利用机器学习进行脑肿瘤预测的研究
CSUSB ScholarWorks 研究生院免费向您提供该项目，供您开放访问。该项目已被 CSUSB ScholarWorks 的授权管理员接受，可纳入电子论文、项目和学位论文。如需更多信息，请联系 scholarworks@csusb.edu 。
心脏病预测中的可解释人工智能
心脏病是全球主要的健康问题，导致全球发病率和死亡率居高不下。降低心脏病发病率最重要的方面之一是早期识别和预测。机器学习技术与可解释人工智能 (XAI) 相结合，为精准理解和预测心脏病风险变量提供了一条可行的途径。本文探讨了机器学习 (ML) 和可解释人工智能 (XAI) 在心脏病预测中的应用。该研究利用多种复杂算法，展示了基于机器学习的模型如何高效地识别心脏病高风险人群，并使用可解释人工智能 (XAI) 方法解释这些预测背后的原因。数据集来自 Kaggle，并使用预处理技术来准备用于训练机器学习模型的数据。这些模型包括决策树、随机森林、逻辑回归、支持向量机 (SVM)、KNN 和朴素贝叶斯。结果表明，随机森林表现最佳，逻辑回归表现接近。SHAP 应用于 LR 模型，这提供了直观的解释。此外，通过利用不同的形状图，他们提供了关于特定特征如何影响机器学习模型的预测的关键见解，增强了透明度并使模型更易于理解。