XiaoMi-AI文件搜索系统
World File Search SystemGithub
Microsoft Ignite，2024年11月更新
每个工程支柱概述了我们为降低特定领域的风险和我们所采取的措施所做的工作，默认情况下，通过设计和运营中提高安全性。例如，默认情况下，我们为所有新租户执行多因素身份验证（MFA），正在实施Microsoft管理的条件访问策略，并正在为Microsoft Azure Portal和Microsoft 365，Microsoft Entra，Microsoft Entra，Microsoft Entra，Microsoft Entra和Intune Admin Centers强制执行MFA。我们还使用GitHub Advanced Security推动秘密向客户推销，这对于公共GitHub存储库免费。此外，在IGNITE上，我们宣布了零日程，我们的首届黑客入侵和研究挑战赛的重点是通过与社区的合作来推进AI和云安全性。
促进RNA的途径和基于网络的分析 -
r软件包Pathlinkr旨在通过简化和简化分析和解释从人RNA-seq数据得出的差异表达基因的过程来帮助转录组分析。它提供了一种综合方法来执行途径丰富和基于网络的分析，同时还产生了出版物质量的数字来结合这些结果，从而使用户可以更有效地解释其发现并从大量数据中提取生物学含义。PathLinkr可从https://bioconductor.org/packages/pathlinkr/上安装，可通过BioConductor论坛提供支持。在https://github.com/hancockinformatics/pathlinkr，在GPL-3.0许可下，可以在GITHUB存储库上获得代码，示例和支持数据，用户可以在其中报告问题或使用GitHub问题系统提出建议。
Statstalk -Africa：经济学和统计中的生成AI应用 - 第1部分
生成人工智能（Genai）是人工智能（AI）最具变革性的分支之一。是指基于从现有数据中学到的模式，可以创建新内容，例如文本，图像，音乐甚至代码。与主要旨在识别模式并做出预测的传统AI系统不同，生成的AI模型可以生成类似于培训的输入数据的新型输出。使用一些更熟悉的生成AI工具用于：生成文本（OpenAi的GPT-4）；发声（Openai Jukebox），DeepMind的Wavenet；图像生成（Openai的DALL-E）；时间序列生成（Amazon Web服务的TimeGan），视频生成（Sora - OpenAI的文本对视频模型）；和代码生成（Openai和Github，OpenAI Codex的GitHub Copilot）。
Microsoft Word - COMIND_3112_Paper_Masood_Egger 2019 已接受版本.docx
3 https://www.fluiconnecto.com/ 4 实验代码可在 Github 上找到。所需工具：Unity（免费开发者版）；Visual Studio 2018（免费开发者版）：https://github.com/eggerjo/ARAssemblyGuidance
行为与认知建模方法 - 唐宁芝
在实验中，程序员将使用 GitHub Copilot 完成各种编程任务：（1）算法设计；（2）计算器的前后端开发；（3）面向对象编程练习。将分析基于 AST/srcML 层次结构的眼动追踪模式和 IDE 行为模式。
用于多种目标的P4编译器
T4P4S - P4开关的翻译器开源（在GitHub上）P4-14语言支持（P4-16即将推出）支持多个目标（硬件独立核心 +网络硬件抽象图书馆）英特尔（DPDK）的Nethals（DPDK）（DPDK），Freescale（odp sdk），OpenWrt（odp sdk），本机，…<
生成AI对高技能工作的影响
这项研究通过分析来自Mi-Crosoft，Accenture的三个随机对照试验的数据以及一个匿名的Fortune Fortune 100 Electronics Manufacturing Company，评估了生成AI对软件开发人员生产的影响。这些现场实验是由公司作为其普通业务过程的一部分运行的，它为开发人员的随机选择子集提供了对Github Copilot的访问，Github Copilot是一个基于AI的编码助手，建议智能代码完成。尽管每个单独的实验都是嘈杂的，在所有三个实验和4,867个软件开发人员中均合并在一起，但我们的分析显示，使用AI工具，开发人员的完成任务数量增加了26.08％（SE：10.3％）。值得注意的是，经验不足的开发人员表现出更高的采用率和更大的增长率。
了解量子软件工程挑战
摘要 —随着量子计算的进步，量子软件对于挖掘量子计算系统的全部潜力至关重要。最近，量子软件工程（QSE）成为一个新兴领域，受到越来越多的关注。然而，尚不清楚软件工程界面临的量子计算挑战和机遇是什么。这项工作旨在了解开发人员认为的与 QSE 相关的挑战。我们对 Stack Exchange 论坛和 Github 问题报告进行了实证研究，开发人员在论坛上发布与 QSE 相关的问题和答案，并在 Github 问题报告中提出实际量子计算项目中与 QSE 相关的问题。基于 Stack Overflow 上现有的问题类型分类，我们首先对 Stack Exchange 论坛上提出的与 QSE 相关的问题类型进行定性分析。然后，我们使用自动主题建模来发现与 QSE 相关的 Stack Exchange 帖子和 GitHub 问题报告中的主题。我们的研究重点突出了 QSE 中一些与传统软件工程不同的特别具有挑战性的领域，例如解释量子计算代码背后的理论、解释量子程序输出、弥合量子计算与传统计算之间的知识差距及其相关机会。索引术语 — 量子计算、量子软件工程、主题建模、Stack Exchange、问题报告。
软件工程师实习生 - 麻烦aluaa
教育南达科他州立大学，布鲁金斯SD计算机科学科学学士学位预期毕业：2026年5月：数据结构，数据库管理系统，面向对象的编程，软件工程，软件工程，软件项目管理计算机架构，操作系统，操作系统，离散数学技能编程和抄写： Scripting AI & Machine Learning: TensorFlow (Basics), Scikit-learn (Basics), Stable Diffusion, Ollama, Google AI Studio, OpenCV, Pandas, NumPy Software & Development Tools: Visual Studio, VS Code, Linux, Docker, Git, GitHub, Jupiter Notebooks, PowerShell, Quartus Prime, PgAdmin Web & Application Development: .NET, Django, RESTful APIs, UI/UX Design, Figma, Cloudflare, HTML, CSS, Chrome DevTools Databases & Data Management: PostgreSQL, MySQL, MongoDB, Data Analytics, Data Visualization Additional Skills: Agile/Scrum, Cybersecurity Basics, Microsoft Office, Slack, Teams, Customer Service PROJECTS Diabetes Prediction System [ GitHub Repository ] January 2025教育南达科他州立大学，布鲁金斯SD计算机科学科学学士学位预期毕业：2026年5月：数据结构，数据库管理系统，面向对象的编程，软件工程，软件工程，软件项目管理计算机架构，操作系统，操作系统，离散数学技能编程和抄写： Scripting AI & Machine Learning: TensorFlow (Basics), Scikit-learn (Basics), Stable Diffusion, Ollama, Google AI Studio, OpenCV, Pandas, NumPy Software & Development Tools: Visual Studio, VS Code, Linux, Docker, Git, GitHub, Jupiter Notebooks, PowerShell, Quartus Prime, PgAdmin Web & Application Development: .NET, Django, RESTful APIs, UI/UX Design, Figma, Cloudflare, HTML, CSS, Chrome DevTools Databases & Data Management: PostgreSQL, MySQL, MongoDB, Data Analytics, Data Visualization Additional Skills: Agile/Scrum, Cybersecurity Basics, Microsoft Office, Slack, Teams, Customer Service PROJECTS Diabetes Prediction System [ GitHub Repository ] January 2025
使用支持向量机进行脑肿瘤图像分类
摘要 本文致力于开发一种对脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤）的 MRI 图像进行分类的模型。数据集是从 Kaggle 收集的。然后，它被组织起来并上传到 GitHub。这项工作利用了 Python 的不同库，即 Matplotlib、NumPy 和 Sci-Kit Learn。Google Collaboratory 已用于执行环境，存储要求有限，为 108 GB。图像从名为“Brain-Tumor”的 GitHub 存储库克隆到 Google Collaboratory。该存储库包含一个对应于所有指定类型肿瘤图像的数据集。支持向量机算法已用于分类。所提出模型的准确率在 84% 到 92% 之间。关键词：Google Collab、图像分类、MRI 图像、机器学习、存储库、支持向量机 (SVM)