XiaoMi-AI文件搜索系统
World File Search SystemGandomi
洛杉矶皮尔斯学院课程时间表秋季2024年
22935 LEC 3:10 HRS/WK TBA Gandomi，T M Internet和22936 Lab 2:40 PM-下午5:50 PM Th Gandomi，T M CFS 91102按计划进行某些人会议。 其余活动在线。 打开画布，以通过学生门户网站mycollege.laccd.edu从学期/学期开始的第一天开始课程材料。 注册学生将在学期开始前一周内收到一封电子邮件，其中包含其官方LACCD电子邮件帐户中的重要课程信息。 有关问题，请通过gandomtm@piercecollege.edu与您的教练联系。22935 LEC 3:10 HRS/WK TBA Gandomi，T M Internet和22936 Lab 2:40 PM-下午5:50 PM Th Gandomi，T M CFS 91102按计划进行某些人会议。其余活动在线。打开画布，以通过学生门户网站mycollege.laccd.edu从学期/学期开始的第一天开始课程材料。注册学生将在学期开始前一周内收到一封电子邮件，其中包含其官方LACCD电子邮件帐户中的重要课程信息。有关问题，请通过gandomtm@piercecollege.edu与您的教练联系。
GNBG-II CEC 2025
●Amir H. Gandomi Amir H. Gandomi是数据科学教授，悉尼大学工程与信息技术学院的ARC DECRA研究员。他还隶属于布达佩斯的奥布达大学，作为杰出教授。在加入UTS之前，Gandomi教授曾是史蒂文斯理工学院的助理教授，也是密歇根州立大学Beacon Center的杰出研究员。Gandomi教授发表了三百多篇期刊论文和12本书，这些论文统称为44,000次以上（H-Index = 94）。他已被任命为最有影响力的科学思维之一，并从2017年至2022年连续六年获得了Web of Science的高度引用的研究人员奖（最高1％的出版物和0.1％的研究人员）。在最近由斯坦福大学（Stanford University）完成的最有影响力的研究人员名单中，Amir H Gandomi教授在2021年在AI和Image Processing Subfield中排名前1,000名研究人员（前0.01％）和前50名研究人员！他在15,000多名研究人员中还排名GP参考书目中的第17位。他因其卓越的研究和影响而获得了多项著名的奖项，例如2023年Achenbach奖章和2022年沃尔特·H·休伯奖（Walter L. Huber）奖，这是所有土木工程领域中最高水平的中级研究奖。他曾在几个著名的期刊（例如IEEE Networks of IEEE Networks and Ieee Iotj）中担任副编辑，编辑和客座编辑。Gandomi教授活跃于发表主题演讲和邀请演讲。●Rohit Salgotra Rohit Salgotra是波兰AGH KRAKOW大学的兼职研究员。他的研究兴趣是全球优化和（大）数据分析，尤其是使用机器学习和进化计算。他专门从事自然风格的计算，并用Google Scholar引用了70多个出版物，其中2350多种用H-Index 25。在2021 - 2022年，他在斯坦福大学最有影响力的科学家中被列为印度研究人员类别中，而在波兰研究人员中也被列为2023年。在加入AGH之前，他曾是英国斯旺西大学的研究官，在那里他就COVID-19-19大流行的社会经济方面进行了研究。他的工作在WCCI/GECCO 2023竞赛中获得第二名，以“能源领域：基于风险的调度”中的进化计算竞争。他曾担任三本期刊的学术/客座编辑和几个期刊的审稿人，包括“进化计算的IEEE交易”和“群和进化计算”，包括其他三十多个科幻期刊。●Kalyanmoy Deb Kalyanmoy Deb是美国密歇根州立大学电气和计算机工程系的Koenig主席教授。DEB教授的研究兴趣是进化优化及其在多准则优化，建模和机器学习中的应用。他曾是世界各地各种大学的客座教授，包括瑞典的斯克夫大学，芬兰的阿尔托大学，新加坡的南南技术大学和印度的IIT。他是IEEE，ASME和三个印度科学与工程学院的会员。他是18个主要国际期刊的编辑委员会。他因其在EMO，Infosys奖，工程科学奖，Cajastur Mamdani奖，Cajastur Mamdani奖，IIT Kharagpur杰出校友奖，Edgeworth-Pareto奖，Bhatnagar奖，Bhatnagar奖，Bhatnagar奖的杰出校友奖而获得了IEEE进化计算先驱奖。他已经发表了548多个研究论文，Google Scholar引用了超过149,000的H-Index 123。可以从https://www.coin-lab.org
脑肿瘤大数据的度上分类 - UTS的作品
Manikandan Ramachandran 1，Rizwan Patan 2，Ambeshwar Kumar 3，Soheil Hosseini 4，Amir H. Gandomi 5抽象机器学习算法，例如支持向量机（SVM），已广泛用于检测大数据环境中的脑肿瘤。但是，由于发现涉及的复杂性很高，因此SVM分类器不适合大型数据集。因此，在这项研究中，使用SVM引入MapReduce模型来处理大规模数据并处理此问题。在本文中，引入了一个称为相互信息的MAPREDUCE和最小四边形分类（MIMR-MQC）的框架，用于脑肿瘤检测，以应对与大数据分类相关的挑战。在这里，使用MIMR进行预处理，该过程消除了脑肿瘤数据集中有害和冗余属性。使用大数据集检测脑肿瘤，该技术可降低计算复杂性和时间。然后，使用Lagrange乘数和径向基核函数创建最小四边形支持向量机模型，以提高分类过程的效率。MIMR-MQC框架已在美国中央脑肿瘤注册中心（CBTRUS）上进行了验证。结果表明，与现有模型相比，提出的模型分别将计算复杂性和检测时间分别降低了37％和27％，从而观察到了较高检测准确性的21％。与最先进的机器学习技术进行了比较，MIMR-MQC框架在脑肿瘤检测时间和由于数据分布更好而导致的准确性方面表现更好。
博士学校提供的课程
主要参考：[1]。概率机器学习：简介-Kevin Murphy，麻省理工学院出版社（3月22日），ISBN：9780262046824。[2]统计学习的要素-Trevor Hastie，Robert Tibshirani，Jerome Friedman，Springer New York，NY，ISBN：9780387848570。[3]。机器学习-Tom Mitchell，McGraw Hill，1997年，ISBN：0070428077。[4]。模式识别和机器学习-Christopher Bishop，Springer，ISBN：9780387310732 [5]。模式分类-Duda，Hart和Stork，第二版，Wiley，ISBN：9780471056690。[6]。Thakur，S。和Dharavath，R。（2019）。使用大数据基于人工神经网络的疟疾丰度预测：一种知识捕获方法。临床流行病学和全球健康，7（1），121-126。 https://www.sciendirect.com/science/article/pii/s2213398417301240 [7]。Rao，G。Madhukar，Dharavath Ramesh，Vandana Sharma，Anurag Sinha，MD Mehedi Hassan和Amir H. Gandomi。“ attgru-hmsi：使用混合深度学习方法来增强心脏病诊断。”科学报告14，否。1（2024）：7833。https：//www.nature.com/articles/s41598-024-56931-4二次参考：[1] [1]相关材料将在演讲期间共享并宣布。
约束优化问题的有效隐式约束处理方法
许多现实世界的优化问题，尤其是工程优化问题，都涉及约束条件，这使得寻找可行解变得十分困难。许多研究人员已经针对受约束的单目标和多目标优化问题研究了这一挑战。具体而言，本研究扩展了 Gandomi 和 Deb（《计算机方法与应用机械工程》363:112917, 2020）提出的用于约束优化问题的边界更新 (BU) 方法。BU 是一种隐式约束处理技术，旨在通过迭代削减不可行搜索空间，从而更快地找到可行区域。这样做会扭曲搜索空间，使优化问题更具挑战性。为此，我们实施了两种切换机制，当找到可行区域时，将景观连同变量一起转换为原始问题。为了实现这一目标，我们考虑了两个阈值，分别代表不同的切换方法。在第一种方法中，当约束违规达到零时，优化过程将转换为不使用 BU 方法的状态。在第二种方法中，当目标空间不再发生变化时，优化过程将转入不使用 BU 方法的优化阶段。为了验证该方法的有效性，我们考虑使用著名的进化单目标和多目标优化算法来解决基准测试和工程问题。本文分别在整个搜索过程中使用和不使用 BU 方法对所提出的方法进行了基准测试。结果表明，该方法可以显著提高收敛速度，并能够更好地解决约束优化问题。