XiaoMi-AI文件搜索系统
World File Search SystemKnn
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。
NFκBIN：一种基于机器学习的方法用于筛选NF-κB抑制剂
Model Threshold Acc FPR Kappa F1 Sens Spec AUC MCC RF 0.47 65.59 29.60 0.31 0.64 60.73 70.40 0.71 0.31 DT 0.48 60.36 33.60 0.21 0.58 54.25 66.40 0.63 0.21 KNN 0.36 65.19 30.40 0.30 0.63 60.73 69.60 0.70 0.31 SVC 0.41 67.61 28.00 0.35 0.66 63.16 72.00 0.75 0.75 0.35 xgb 0.43 62.78 34.00 0.26 0.26 0.61 59.51 66.00 0.69 0.69 0.26 FDA批准对目标NF-κB信号pathway进行批准的药物重复性：在这项研究中，我们
通过脑电图实验了解机械工程专业学生的创造力
脑电图 (EEG) 的 alpha 功率 (8 – 13 Hz) 是各种创造性任务条件的特征，与创造性构思有关。alpha 功率根据与创造力相关的任务要求而变化。本研究调查了事件相关电位 (ERP)、alpha 功率激活和潜在机器学习 (ML)，以对参与创造力任务的工程专业学生的神经反应进行分类。所有参与者都执行了修改后的替代用途任务 (AUT)，其中参与者将日常物品的功能（或用途）归类为创造性、无意义或普通。首先，本研究调查了中央和顶枕颞区的基本 ERP。通过了解工程专业学生创造力的生物反应表明，在 300 – 500 毫秒窗口内，无意义和创造性刺激引起的 N400 振幅（分别为 - 1.107 mV 和 - 0.755 mV）大于普通用途（0.0859 mV）。从每个感兴趣电极的总平均波形的 300 – 500 毫秒窗口上观察到 N400 效应。方差分析确定了一个显著的主效应：在创造性构思过程中 alpha 功率降低，尤其是在（O1/2、P7/8）顶枕颞区。机器学习用于对特定颞区数据的神经反应（创造性、无意义和普通）进行分类。使用 k 最近邻 (kNN) 分类器，并使用从参与者收集的数据集根据准确度、精确度、召回率和 F1 分数评估结果。kNN 分类器的整体准确率为 99.92%，曲线下面积为 0.9995，成功对参与者的神经反应进行了分类。这些结果对于机器学习技术在创造力研究中的更广泛应用具有巨大潜力。 [DOI: 10.1115/1.4056473]
使用各种机器学习技术结合脑半球间振幅比从脑电图中识别人员
科学界正在探索脑电图 (EEG) 与个人信息之间的关联。尽管使用 EEG 进行身份识别对研究人员来说很有吸引力，但是感知的复杂性限制了此类技术在实际应用中的使用。在这项研究中，通过降低脑信号采集和分析过程的复杂性解决了这一难题。这是通过减少电极数量来实现的，在不影响准确性的情况下简化了关键任务。事件相关电位 (ERP)，又称时间锁定刺激，用于从每个受试者的头部收集数据。在放松一段时间后，向每个受试者直观地呈现一个随机的四位数字，然后要求他们思考 10 秒。对每个受试者进行了 15 次试验，在每个心理回忆片段之前都有放松和视觉刺激阶段。我们引入了一个新颖的派生特征，称为半球间振幅比 (IHAR)，它表示横向对应电极对的振幅比。该特征是在使用信号增强技术扩展训练集后提取的，并使用多种机器学习 (ML) 算法进行测试，包括线性判别分析 (LDA)、支持向量机 (SVM) 和 k-最近邻 (kNN)。大多数 ML 算法在 14 个电极的情况下显示 100% 的准确率，根据我们的结果，使用更少的电极也可以实现完美的准确率。然而，AF3、AF4、F7 和 F8 电极组合与 kNN 分类器产生了 99.0 ± 0.8% 的测试准确率，是人员识别的最佳选择，既保持了用户友好性又保持了性能。令人惊讶的是，放松阶段表现出三个阶段中最高的准确率。
通过脑电图实验了解机械工程专业学生的创造力
脑电图 (EEG) 的 alpha 功率 (8 – 13 Hz) 是各种创造性任务条件的特征，与创造性构思有关。alpha 功率根据与创造力相关的任务要求而变化。本研究调查了事件相关电位 (ERP)、alpha 功率激活和潜在机器学习 (ML)，以对参与创造力任务的工程专业学生的神经反应进行分类。所有参与者都执行了修改后的替代用途任务 (AUT)，其中参与者将日常物品的功能（或用途）归类为创造性、无意义或普通。首先，本研究调查了中央和顶枕颞区的基本 ERP。通过了解工程专业学生创造力的生物反应表明，在 300 – 500 毫秒窗口内，无意义和创造性刺激引起的 N400 振幅（分别为 - 1.107 mV 和 - 0.755 mV）大于普通用途（0.0859 mV）。从每个感兴趣电极的总平均波形的 300 – 500 毫秒窗口上观察到 N400 效应。方差分析确定了一个显著的主效应：在创造性构思过程中 alpha 功率降低，尤其是在（O1/2、P7/8）顶枕颞区。机器学习用于对特定颞区数据的神经反应（创造性、无意义和普通）进行分类。使用 k 最近邻 (kNN) 分类器，并使用从参与者收集的数据集根据准确度、精确度、召回率和 F1 分数评估结果。kNN 分类器的整体准确率为 99.92%，曲线下面积为 0.9995，成功对参与者的神经反应进行了分类。这些结果对于机器学习技术在创造力研究中的更广泛应用具有巨大潜力。 [DOI: 10.1115/1.4056473]
使用...对自闭症谱系障碍检测的回顾
摘要 一种被称为自闭症谱系障碍 (ASD) 的神经系统疾病对个人一生与他人交往和互动的能力产生了深远影响。ASD 是一种可以在人的生命早期阶段被识别的疾病，通常被归类为“行为疾病”，因为在生命的头两年内经常会出现许多症状，根据大多数人对自闭症理论的看法，这些挑战通常在儿童时期出现并持续到青少年和成年期 [1]。为了应对医学诊断的日益普及，机器学习技术 [2] 被用于帮助医生更好地决定一个人的健康状况，人们做出了广泛的努力来利用各种算法，包括朴素贝叶斯、支持向量机、逻辑回归、K 最近邻 (KNN)、神经网络和卷积神经网络 (CNN) [3]，来预测和分析不同年龄组（儿童、青少年和成人）的 ASD 相关问题。这些努力已在一份研究调查论文中详细介绍。这些预测模型是使用 ABIDE 数据集进行评估的，该数据集可供研究目的公开访问。该研究的结果强调了基于 CNN 的预测模型的有效性，该模型的表现始终优于其他机器学习技术 [4]。值得注意的是，这些模型在代表成人、儿童和青少年的数据集中筛查和诊断自闭症谱系障碍的准确率分别达到 99.53%、98.30% 和 96.88%。关键词：自闭症，卷积神经网络 (CNN)；人工神经网络 (ANN)；K 最近邻 (KNN)；逻辑回归 (LR)；支持向量机 (SVM) [5]。------------------------------------------------------------------------------------------------------------------------------ 提交日期：2024 年 9 月 3 日 接受日期：2024 年 9 月 13 日 --------------------------------------------------------------------------------------------------------------
基于脑电图的脑机接口系统控制假肢手指运动
研究 脑信号 手指数量 信号处理链 准确度（％） [11] EEG 4 CWD＆2LCF 43.5 [12] EEG 5 RF＆LDA＆SVM＆KNN 54 [13] EEG 5 LSTM＆CNN＆RCNN 77 [14] EEG 5 PCA＆PSD＆SVM 77 [15] MEG 5 SVM 83 [16] MEG 5 BPF＆频谱图＆SVM 57 [17] ECOG 5 CNN＆RNN＆LSTM 49 [18] ECoG 4 BPF＆Morlet小波字典＆STMC 85 [19] ECoG 5 CSP＆SVM 86.30 [20] fNIRS 2 SVM 62.05 [21] EMG 1小波＆自回归＆SVM 76
用生成人工智能（genai）转化医学写作
为了生成特定域的内容，该解决方案利用大型语言模型，并根据Microsoft在MedPrompt上的最新论文采用了三种特定的提示技术。我们使用的第一种技术是上下文学习，几乎没有射击提示，其中基于聚类的方法（KNN）用于识别和选择特定创作场景的内容示例。我们还使用一种技术通过质疑和答案对完成的思想提示来实现洞察力。我们使用的第三种提示技术使我们能够通过捕获广泛的观点来产生全面的叙述。为此，我们从单独的问答回答中结合输出。投票功能允许LLM选择和汇总最佳输出。
生存预测儿童 - 果arrow- ...
摘要：骨髓是许多与血液相关疾病的来源，例如血液癌和骨髓移植（BMT），也称为造血干细胞移植（HSCT），是一种挽救生命的手术程序。但是，这种治疗与死亡率高有关。因此，预测BMT后的生存对于有效而准确的治疗至关重要。BMT被认为是由于几个主要的死亡原因（例如感染，毒性和移植物抗宿主病（GVHD））引起的与治疗相关的死亡率。此外，几个危险因素会影响BMT和治疗后的长期生存的成功。因此，需要基于机器学习技术的预测系统，该技术可以预测患者是否在BMT之后生存，这绝对可以帮助医生在为患者进行手术之前做出正确的决定。在本文中，使用了加利福尼亚大学Irvine ML存储库（UCI ML存储库）的公开可用的BMT数据集，研究了不同的机器学习模型，以预测经过BMT治疗的儿童的生存状况。尤其是随机森林（RF），包装分类器，极端梯度提升（XGBOOST），自适应增强（Adaboost），决策树（DT），梯度提升（GB）和K-Nearest Neighbors（KNN）在给定的数据集上进行了培训。数据集在应用一系列预处理步骤并根据相关热图上删除多重共线性特征后，由45个变量组成。RF，Adaboost，GB和Baging技术的最佳准确度达到97.37％。然后，应用了功能工程和建模步骤来识别最重要的功能，然后使用机器学习模型来简化整体分类过程。重要的是要注意，DT和GB获得的最重要特征分别最适合训练包装分类器和KNN模型。除此之外，还将使用网格搜索交叉验证（GSCV）优化了两种方法，以提高生存预测的准确性。
使用机器学习的课程建议
然后使用用户分析来确定个人偏好和学习行为。该技术使用K-Nearest邻居（KNN）根据他们与课程的互动方式来识别可比用户。非负矩阵分解（NMF）用于从用户互动中提取潜在组件，从而根据用户的偏好和学习历史记录提出个性化建议。课程推荐系统已集成到一个名为Spartlit的用户友好的Web界面中，该界面允许用户输入首选项，浏览推荐课程并提供注释。用户研究和比较分析表明，该系统有效地提供相关和多样化的课程建议，从而改善了不同主题和能力水平的学习经验。