XiaoMi-AI文件搜索系统
World File Search SystemJavaScript
挑战机器学习算法在预测脆弱的JavaScript函数Rudolf Ferenc†，p´eter Hegedus ∗，p´eter gyimesi†，g´abor
摘要 - 网络犯罪活动的迅速上升以及受其威胁越来越多的设备将软件安全问题引起了人们的关注。由于所有攻击中约有90％利用已知类型的安全问题，因此寻找脆弱的综合和应用现有的缓解技术是与网络犯罪作斗争的可行实际方法。在本文中，我们研究了最新的机器学习技术（包括流行的深度学习算法）如何在预测JavaScript程序中可能具有安全性漏洞的功能方面执行。我们应用了8个机器学习算法来构建从节点安全项目和SNYK平台的公共数据库中为本研究构建的新数据集构建预测模型，并从GitHub中构建了代码修复补丁。我们使用静态源代码指标作为预测变量和广泛的网格搜索算法来找到最佳的性能模型。我们还研究了各种重新采样策略的影响，以处理数据集的不平衡性质。最佳性能算法是KNN，该算法为预测弱势函数的模型以0.76（0.91 Precision和0.66召回）的预测模型。此外，深度学习，基于树木和森林的分类器和SVM具有竞争力，其F-MEASERIORS超过0.70。尽管F-测量结果与重新采样策略没有很大差异，但精度和召回的分布确实发生了变化。似乎没有重新采样似乎会产生偏爱高精度的模型，而重新采样策略可以平衡IR措施。索引术语 - 泄气性，JavaScript，机器学习，深度学习，代码指标，数据集
使用生物启发和尖峰浅网络
摘要：对医学的贡献可能来自不同的领域，其中大多数领域都充满了渴望贡献的研究人员。在本文中，我们的目标是通过机器学习与网络开发的交集做出贡献。我们使用基于JavaScript的库Tensorflow.js，使用从Kaggle获得的神经网络对生物医学数据集进行建模。本研究的主要目的是介绍TensorFlow.js的功能，并在开发为基于Web的应用程序定制的复杂机器学习模型的开发中促进其实用性。我们对三个数据集进行了建模：糖尿病检测，手术并发症和心力衰竭。虽然Python和R当前占主导地位，但JavaScript及其衍生物迅速增长，提供了可比的性能和与JavaScript相关的其他功能。Kaggle是我们下载数据集的公共平台，提供了广泛的生物医学数据集集合。因此，读者可以通过对所兴趣的任何情况进行较小的调整，轻松地测试我们讨论的方法。结果表明，糖尿病检测的准确性为92％，手术并发症几乎为100％，心力衰竭的精度为80％。可能性很大，我们认为这是专注于Web应用程序的研究人员，尤其是在医学领域的绝佳选择。关键字：生物信息学 - 张力流 - JavaScript - 糖尿病 - 药物 - 机器学习 - Angular
使用 JavaScript 进行医学机器学习
摘要：简介：医学领域的贡献可能来自不同领域；大多数领域都充满了想要提供支持的研究人员。方法：我们使用 TensorFlow.js 对来自 Kaggle 的神经网络生物医学数据集进行建模。我们建模了三个数据集：糖尿病检测、手术并发症和心力衰竭。我们使用 TypeScript 编写的 Angular 来实现模型。使用 TensorFlow.js，我们构建了多层感知器 (MPL) 来建模我们的数据集。结果与讨论：我们使用 TensorFlow.js 作为机器学习平台构建了几个示例。尽管 Python 和 R 目前占主导地位，但 JavaScript 及其衍生产品正在快速发展，提供基本相同的性能以及与 JavaScript 相关的一些额外功能。 Kaggle 是我们下载数据集的公共平台，它提供了大量生物医学案例数据集，因此，读者可以使用相同的代码，以很小的改动，轻松测试我们讨论的内容，用于他们可能感兴趣的任何案例。我们发现糖尿病检测准确率为 92%，手术并发症准确率为 100%，心力衰竭准确率为 70%。可能性是无限的，我们相信对于以网络应用为目标的研究人员来说，这是一个不错的选择，尤其是专注于医学的研究人员。关键词：生物信息学 — TensorFlow — JavaScript — 糖尿病 — 医学 — 机器学习 — Angular
推荐引用 推荐引用 Le, Viet；Bahadur, Tej；Shah, Jainee；Ara, Roushan，“使用 Python 和 JavaScript 的基于 Web 的 AI 助手应用程序”（2020 年）。专业研究学院。63. https://commons.clarku.edu/sps_masters_papers/63
4.1 研究项目概述 ................................................................................................................................ 13 JavaScript：前端开发 ................................................................................................................................ 18 Google Assistant API： ................................................................................................................................ 19 Python：后端开发 ................................................................................................................................ 19 4.2 研究方法的结果以及发生的任何未计划或意外的情况 ............................................................................. 23 4.3 假设的解释和精确的数据 ............................................................................................................. 24
