XiaoMi-AI文件搜索系统
World File Search SystemKNIME
奥迪如何用knime
knime ag·talacker 50·8001苏黎世，瑞士·info@knime.com·www.knime.com©2024 Knime ag。保留所有权利。Knime®商标和徽标以及开放式Innovation®商标由Knime AG在Knime GmbH的许可下使用，并在美国和欧盟注册。
利用 H2O.ai 和 KNIME 减少 ML 开发和部署时间
§ 苏黎世总部 § 美国总部位于德克萨斯州奥斯汀 § 拥有 13 年以上经营经验的成长型公司 § 拥有 2000 多名活跃贡献者的开源社区 § 96% 的 EUROSTOXX 50 和 DOW JONES 工业公司使用的软件 § H2O.ai § 加利福尼亚州山景城总部 § 拥有 8 年经营经验 § 拥有 20,000 家活跃公司的开源社区 § 拥有 180,000 多名数据科学家使用的软件 § 自 2017 年以来的开源合作伙伴（H2O-3、Sparkling Water、KNIME Software）
使用机器学习和数据挖掘的人力资源中的预测分析
摘要人力资源管理信息系统（HRIS）由于当今的技术和全球技术发展而迅速发展。随着企业的数字化，它被广泛用于人力资源（HR）和HRIS的预测应用中。HR和HRI，更好地管理人力资源数据并做出更准确，更可靠的决策对企业至关重要。在该领域，数据挖掘和机器学习方法用于通过预测分析揭示管理决策中数据之间的有意义的关系和趋势。两种方法在人力资源领域都非常重要，对于企业将数据集转换为有用信息非常有效。它可以帮助企业了解趋势，这些趋势可以通过使用分析能力来实现更准确和可靠的业务决策。在本研究的范围内，对Bursa汽车行业的一家公司的白领雇员使用HRIS系统的使用进行了研究。通过统计和数据挖掘，研究了人力资源信息系统对公司和信息技术基础设施的成本，时间节省和战略影响，根据该部门工作，年龄，性别和教育水平的差异和关系。KNIME和SPSS统计计划，这些程序是机器学习工具。HRIS结果，并提出了建议以将来的计划。关键字：人力资源管理，人力研究信息系统，数据挖掘，机器学习，汽车，分类，刀具，IBM SPSS统计1.介绍由于全球技术发展，企业更喜欢像在所有部门和领域一样以人力资源管理和信息学为导向技术。今天，人力资源（HR）经历了重大的转变，从就业和业务流程到在建筑工地上实施应用程序，需要使用人力资源信息系统（HRIS）。hris是一个集成的计算机系统，包括获取，存储，分析和分发有关企业人力资源的宝贵信息[1]。使用HRI进行企业的行政流程也提高了做出的决定的可靠性[2]。不仅要监视和管理HRIS人力资源功能和流程
通过机器学习算法预测化合物的血脑屏障通透性
在针对中枢神经系统 (CNS) 的药物开发中，发现能够穿过血脑屏障 (BBB) 进入大脑的化合物是最具挑战性的评估。几乎 98% 的小分子无法渗透 BBB，从而影响药物在 CNS 中的吸收、分布、代谢和排泄 (ADME) 机制，从而降低药物在 CNS 中的药代动力学。由于 CNS 通常无法进行许多复杂的程序，并且对数千种化合物进行体外渗透性研究可能非常费力，因此尝试通过实施机器学习 (ML) 方法来预测化合物通过 BBB 的渗透性。在这项工作中，使用 KNIME Analytics 平台，开发了 4 个预测模型，其中有 4 种 ML 算法，然后采用十倍交叉验证方法来预测外部验证集。在 4 种 ML 算法中，极端梯度提升 (XGBoost) 在 BBB 渗透性预测中表现出色，并被选为部署的预测模型。数据预处理和特征选择增强了模型的预测能力，整体来看，模型在训练集和外部验证集上分别达到了86.7%和88.5%的准确率以及0.843和0.927的AUC，证明了该模型具有较高的预测稳定性。
职位描述
• 进行彻底的数据分析并实施数据驱动的解决方案以支持客户问题故障排除，利用统计建模和机器学习技术来识别根本原因并提供可行的解决方案 • 与现场工程团队合作，分析等离子蚀刻系统的数据并提供及时、有意义和准确的分析结果以支持数据驱动的改进 • 与客户和内部团队进行有效沟通，以简洁、有效和易懂的方式向利益相关者展示复杂的数据分析发现或结果 • 开发先进的统计和机器学习算法以从大型复杂数据集中提取见解，并与内部工程团队合作评估算法的有效性 • 与全球数据工程团队合作分享最佳实践并开展需要数据科学专业知识的跨职能项目 • 管理和维护内部分析解决方案，支持持续开发和实施，并确保始终保持数据的完整性和准确性 • 为当地工程师开发和开展数据分析技能（如 JMP/KNIME）的培训课程 • 分配的其他职责
健康的社会决定因素和 2 型糖尿病
项目方法与结果 使用数据分析平台 KNIME 将 2010 年至 2019 年期间超过 15 亿份肯塔基州医疗补助索赔加载到纵向数据仓库中。关注的主要结果包括患 2 型糖尿病本身的风险，以及该疾病的五种常见并发症：肾病（终末期肾病 (ESRD)）；糖尿病心脏病（心肌梗死 (MI)）；外周动脉疾病 (PAD)；糖尿病神经病变；和糖尿病视网膜病变。对于每种情况，索赔数据和一组医疗/ SDOH 协变量用于进行回归分析。然后使用这些模型来确定哪些因素对每种疾病的发病风险较高或较低。研究作者使用来自区域贫困指数 (ADI) 的地理链接数据来探索健康的社会决定因素与糖尿病并发症之间的关联。 2 型糖尿病 (T2DM) 就 T2DM 本身而言，研究发现导致该疾病发展的因素包括贫困、教育程度低和肥胖，这与文献一致。图 1 显示了 T2DM 的县分布。图 1 . 肯塔基州糖尿病的地理分布