XiaoMi-AI文件搜索系统
World File Search SystemJ48
各种机器学习的实现
轮替运动是传统神经系统检查的一个标准方面，涉及具有主动肌和拮抗肌关系的肌肉群之间的振荡。一个有代表性的例子是前臂的旋前和旋后。偏瘫明显证明了轮替运动的差异，临床量化是通过使用序数标度来实现的，这本质上是主观的。安装在手背周围的配备陀螺仪的适形可穿戴无线惯性传感器可以客观地量化前臂旋前和旋后的轮替运动。这项研究的目标是应用各种机器学习算法，根据前臂旋前和旋后的轮替运动来区分偏瘫患者受影响和未受影响的上肢对。评估了机器学习算法（例如多层感知器神经网络、J48 决策树、随机森林、K 最近邻、逻辑回归和朴素贝叶斯）的性能，同时考虑了分类准确性和开发机器学习模型的时间。机器学习特征集来自获取的陀螺仪信号数据。使用来自适形可穿戴无线惯性传感器的陀螺仪信号数据，逻辑回归和朴素贝叶斯机器学习算法在机器学习模型收敛时间和区分偏瘫上肢对的轮转运动（考虑到内旋和外旋）的分类准确性方面都实现了相当不错的性能。
陆军部第 78 号功勋部队......
功绩单位嘉奖。根据陆军部长指令，依据第 220-815 号法案，功绩单位嘉奖授予美国陆军下列单位，以表彰其在指定时期内，表现出色、功绩卓著的单位。报告内容如下：1. 韩国釜山军港初级侦查支队因在 1958 年 6 月 1 日至 1958 年 7 月 27 日期间为支援韩国作战行动提供出色服务而受到表彰。该支队负责调查釜山军港及其邻近单位和地区发生的由联合国人员犯下的或针对联合国人员的或涉及美国政府财产的刑事犯罪，支队成员在完成高度敏感的任务时表现出令人钦佩的决心和机智。该支队通过其技术技能、高超的调查手段和专业知识，在调查涉及军事物资、安全和关键部件的盗窃案中发挥了突出作用。通过与韩国政府和执法机构的密切合作，罪犯被逮捕，重要情报被收回并送回适当的供应渠道。美国宪兵队侦察支队的模范贡献促进了联合国的世界和平运动，为其成员单独和集体赢得了巨大荣誉，维护了军队的尊贵声誉。（美国陆军第 8/48 号一般命令，第 1953 年 9 月 15 日）
使用机器学习对糖尿病进行分析...
ITM（SLS）Baroda University ITM（SLS）Baroda University，Udaipur摘要：糖尿病是导致全球医疗灾难的慢性病。全球3.82亿人患有糖尿病。到2035年，这将翻倍至5.92亿[1]。糖尿病是血糖水平升高带来的疾病。这种升高的血糖水平的症状包括尿液频繁，口渴和饥饿增加。中风，肾衰竭，心力衰竭，截肢，失明和肾衰竭的主要原因之一是糖尿病。我们的身体在吃东西时将食物转化为糖，例如葡萄糖。然后，我们的胰腺预计将释放胰岛素。胰岛素是解锁我们细胞的关键，使葡萄糖可以进入并被我们用作燃料。但是，这种机制在糖尿病中不起作用。最普遍的疾病形式是1型和2型，但还有其他品种，包括妊娠糖尿病，在怀孕期间发展。数据科学的新兴主题称为机器学习，研究机器如何从经验中学习。这项研究的目标是创建一个系统，通过融合几种机器学习方法的发现，可以更准确地对患者进行早期糖尿病预测。k最近的邻居，逻辑回归，线性回归，随机森林，J48，IBK，ANN，多层预言，幼稚的贝叶斯，支持向量机和决策树是所采用的一些技术。与模型的精度一起计算了每种算法的精度。然后从具有良好准确性的患者中选择预测糖尿病的模型。关键字：机器学习，糖尿病，准确性，WEKA软件，编码1。引言糖尿病是即使在年轻人中，人们也是人们的快速增长疾病。糖尿病的症状经常排尿，口渴，疲倦/嗜睡，体重减轻或增加，视力模糊，浓缩难度
评论论文：心脏病预测系统的 WEKA 数据挖掘技术分析
数据挖掘的特点是通过非常大的数据集搜索有用的信息。数据挖掘的一些关键和最常见的技术是关联规则、分类、聚类、预测和顺序模型。数据挖掘技术被广泛用于各种应用。数据挖掘在医疗保健行业的疾病检测中起着重要作用。患者应该需要进行一系列疾病检测。然而，使用数据挖掘技术应该减少检测次数。在时间和性能方面，这种减少的检测起着重要作用。心脏病是一种导致死亡的心血管疾病。由于对不同情况下的健康问题进行预测和分类，在最近的情况下，健康问题非常严重。数据挖掘领域包括这些领域中异常及其风险率的预测和识别。如今，医疗行业掌握着决策所必需的隐藏信息。为了预测心脏病，本研究 (Weka 3.8.3) 软件使用了 K-star、J48、SMO、朴素贝叶斯、MLP、随机森林、贝叶斯网络和 REPTREE 等数据提取算法。使用标准数据集和收集的数据集组合预测准确度、ROC 曲线和 AUC 值的结果。通过应用不同的数据挖掘算法，患者数据可用作训练样本进行诊断。以前的研究的主要缺点是它们需要准确度和特征数量。本文概述了最近用于预测心脏病的数据挖掘技术。并确定心脏病的主要风险因素，按对心脏造成损害的顺序对风险因素进行分类，例如高胆固醇、糖尿病、吸烟、不良饮食、肥胖、高血压、压力等。数据挖掘功能和技术用于识别风险因素的级别，以帮助患者提前采取预防措施以挽救生命。
人工智能在教育和招聘中的应用
摘要：在教育行业，人工智能通过改变学习方式带来了革命。学习变得更加个性化，对学习者来说也更加方便。人工智能有望通过不同的个性化应用对教育产生创新影响。每个学生将通过人工智能代理获得更多的学习时间。人工智能可以改变学习者的学习方式和招聘流程。人工智能可以使学习和招聘流程自动化，从而使结果更加具体、准确和快捷。本文分析了人工智能对学习者、机构和招聘人员的影响。本研究将研究人工智能给教学、教育机构和招聘带来的变化。本文探讨了人工智能对教育和招聘带来的挑战。本研究将为学习者、机构和招聘人员提供有见地的信息，并为学术体系建设提供详细的知识。 关键词：人工智能、人工智能代理、教育机构、招聘、个性化应用 1.引言 人工智能在教育行业发挥着重要作用。它对教育机构、学生、教师有帮助，也有助于校园招聘。人工智能使机器能够收集、存储、分类、管理和分析从各种来源收到的数据。这些数据可用于多种用途，从提供常见问题的解决方案到根据学生的需求为他们创建教程。教育机构始终需要强大的数据分析和预测分析工具来协助他们开展各种学术和管理活动。人工智能在很大程度上填补了这一空白。另一方面，学生在获取完成学习所需的课程和笔记方面面临问题。人工智能为学生提供了各种平台，以便轻松访问课程和学习材料。它让他们能够轻松舒适地访问所需的学习材料，也帮助他们按照自己的节奏完成学习。人工智能改变了教育系统对教师和学生的工作方式。2. 文献综述 Wilton WT Fok 等人 (2018) 提出了一种基于深度学习并使用 TensorFlow 引擎开发的模型。该模型通过分析学生的学术和非学术参数对他们进行分类，以预测他们的学位课程。关联规则和决策树技术主要用于预测。该模型使用了 2000 名学生的数据，准确率在 80% 到 91% 之间。Anbukarasi V 和 A. John Martin (2019) 使用 Weka 工具在数据集上应用了九种机器学习程序。从 1100 名学生那里收集数据来建立和测试该模型。本文得出结论，与剩余算法相比，J48、RF、贝叶斯网络和 REPTree 算法的准确度最高。Navyashree SL 等人 (2019) 对多种机器学习技术进行了比较研究，以预测安置情况。本研究使用了来自安置部门的二手数据。在研究了各种类型的监督、无监督、强化机器学习技术之后，作者得出结论：SVM 和贝叶斯信念网络是最佳的安置预测算法。Mehdi Mohammadi 等人 (2019) 使用 KNN、决策树和朴素贝叶斯数据挖掘算法来预测学生的表现。决策树、KNN 和朴素贝叶斯学习程序应用于数据集。KNN 的准确率为 0.5464%。决策树的准确率为 0.5325%。朴素贝叶斯算法的准确率为 0.4616%。作者得出结论，与其他两种预测学生 GPA 的算法相比，KNN 算法具有最好的准确度。