XiaoMi-AI文件搜索系统
World File Search SystemLasso
心房心脏病的结构和电生理决定因素确定阵发性和持续性房颤之间的重塑差异
方法：包括阵发性（n = 134）或持久性（n = 136）AF的连续患者包括了第一次AF消融程序。患者在窦性心律（SR）（SR）期间接受了心房（LA）高度构图（1,835±421个位点/MAP），并随机分配给模型开发和评估的训练和验证集。提取了来自电 - 动物学映射和非侵入性基线数据的范围：（1）低压 - 基层（LVS）的程度（（3）LA电压和（3）LA电压和（4）通过（4）通过默认的默认时间为单位的AMPLAINIFIATIE AMPLAINIFITIAT PLITIAD PLITION AMPLAINIFIATIE（AM） 12-Lead-Ecg。 进行了最小的绝对收缩和选择操作员（LASSO）和逻辑回归，以确定单独的每个类别中与AF持久性最相关的因素，并且所有类别合并。 在歧视，校准和临床实用性方面已经验证了开发的AF持续性诊断模型的性能。提取了来自电 - 动物学映射和非侵入性基线数据的范围：（1）低压 - 基层（LVS）的程度（（3）LA电压和（3）LA电压和（4）通过（4）通过默认的默认时间为单位的AMPLAINIFIATIE AMPLAINIFITIAT PLITIAD PLITION AMPLAINIFIATIE（AM） 12-Lead-Ecg。 进行了最小的绝对收缩和选择操作员（LASSO）和逻辑回归，以确定单独的每个类别中与AF持久性最相关的因素，并且所有类别合并。 在歧视，校准和临床实用性方面已经验证了开发的AF持续性诊断模型的性能。提取了来自电 - 动物学映射和非侵入性基线数据的范围：（1）低压 - 基层（LVS）的程度（（3）LA电压和（3）LA电压和（4）通过（4）通过默认的默认时间为单位的AMPLAINIFIATIE AMPLAINIFITIAT PLITIAD PLITION AMPLAINIFIATIE（AM） 12-Lead-Ecg。进行了最小的绝对收缩和选择操作员（LASSO）和逻辑回归，以确定单独的每个类别中与AF持久性最相关的因素，并且所有类别合并。在歧视，校准和临床实用性方面已经验证了开发的AF持续性诊断模型的性能。
优化理论的基本原理，适用于机器学习
近年来，计算机视觉，机器人技术，机器学习和数据科学一直是一些为技术取得重大进展做出贡献的关键领域。任何在上述领域看论文或书籍的人都将被一个奇怪的术语所付诸实践，其中涉及异国情调的术语，例如内核PCA，脊回归，套索回归，支持向量机（SVM），Lagrange乘数，KKT条件等。支持向量机可以追赶牛以某种超级套索抓住他们吗？不！，但是人们会很快发现，在术语后面，总是带有新的场（也许是为了使局外人远离俱乐部），这是许多“经典”线性代数和优化理论中的技术。是主要的挑战：为了了解和使用机器学习，计算机视觉等的工具，需要在线性代数和优化理论中具有企业背景。说实话，还应包括一些概率理论和统计数据，但我们已经有足够的能力与之抗衡。说实话，还应包括一些概率理论和统计数据，但我们已经有足够的能力与之抗衡。
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
从无人机图像提取的特征中选择主要变量来解释冬小麦产量的变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
通过一般机器学习在随机实验中发现的异质治疗效果的统计推断
ˆτ1-005 2.97 94。0％ - 001 1.57 95。6％ - 001 0.59 97。7％％τ2 - 006 2.58 95。9-004 1.08。2 0。01 0.54 98。6 ˆτ3 - 001 2.56 96。7 - 005 1.06。7 0。02 0.47 98。1τ4 - 012 2.87 97。4 0。05 1.15 97。9-001 0.51 98。6 ˆτ5014 3.45 94。1 0。00 1.62 96。0 - 001 0.62 98。3外观
模块化引导的功能性脑网络分析，用于早期痴呆症识别
功能大脑网络（FBN）分析表明，在识别脑部疾病（例如阿尔茨海默氏病（AD）及其前驱阶段，即轻度认知障碍（MCI））方面具有巨大潜力。必须从功能大脑网络中识别歧视性和可解释的特征，以提高分类性能并帮助我们理解与广告相关的脑疾病的病理机制。以前的研究通常从FBN提取节点统计或边缘权重来表示每个受试者。但是，这些方法通常忽略了FBN的拓扑结构（例如模块化）。为了解决此问题，我们提出了一个模块化 - LASSO特征选择（MLFS）框架，该框架可以明确对模块化信息进行建模，以识别FBN的歧视性和可解释功能，以进行自动化AD/MCI分类。特别是，提出的MLFS方法首先通过签名的光谱群集算法搜索FBN的模块化结构，然后通过模块化诱导的组LASSO方法选择判别特征，然后使用支持向量机（SVM）进行分类。为了评估所提出的方法的有效性，对公共ADNI数据库的563个静止状态功能性MRI扫描进行了广泛的实验，以识别正常对照的AD/MCI的受试者，并预测MCI受试者的未来进展。实验结果表明，我们的方法在AD/MCI识别任务和MCI转换预测的两个任务中都优于以前的方法，还有助于发现与AD相关的歧视性脑区域和功能连接性。
用智能物联网，体重分析和机器学习彻底改变金库安全
摘要 - 尽管数字支付方法的增加，但持续使用实物货币，对存储钞票和硬币的保险库构成了安全挑战。传统的金库安全措施，包括物理障碍，时间锁，双控制系统和监视，容易受到复杂的攻击和内部威胁的影响。本文通过合并智能物联网（IoT）设备和机器学习算法来监视保险库货架上的钞票的重量，从而提出了一种新颖的方法来增强跳马安全性。通过跟踪和分析重量变化，该系统旨在检测差异和潜在盗窃。该系统采用各种机器学习模型，包括线性回归，套索回归，K-Nearest邻居（KNN），支持向量机（SVM）和随机森林，以预测基于重量和面额的钞票数量。评估表明，线性回归和LASSO回归达到了最高的精度，使其成为该应用的最有效模型。挑战，例如有限的数据，计算资源限制以及对更精致功能的需求，以及潜在的改进，例如数据增强和增强的解释性。这种方法通过整合现代技术来保护盗窃和未经授权的访问，从而在保险库安全方面取得了重大进步。
Aerovironment为美国陆军的SwitchBlade Systems获得了2.88亿美元的送货订单|杰克·奥弗尔（Jack Overell），生产主管，国防部，
switch刀叶弹药也在追逐下，并在国防部范围内的复制仪计划下迅速加速。复制器计划的目标是在2025年8月之前向战时和规模的战时提供全域的自治系统，以应对中国迅速生产军事能力。
基于胰岛素抵抗的机器学习模型基于2型糖尿病的遗传基础
摘要：胰岛素抵抗（IR）被认为是2型糖尿病（T2D）和代谢综合征（METS）的前体和关键的病理生理学机制。但是，与T2D共享的IR共享的途径尚不清楚。对多个DNA微阵列数据集的荟萃分析可以在多个研究中提供一组强大的元基因。这些元素可能包括IR和T2D共享的基因（密钥元）的子集，并可能负责它们之间的过渡。在这项研究中，我们尝试使用特征选择方法套索来找到这些关键的元素，然后使用这些基因的表达式训练五个机器学习模型：lasso，svm，svm，xgboost，andural sorest和ann。在其中，ANN表现良好，曲线下方的区域（AUC）> 95％。它在测试数据集中的糖尿病患者与正常葡萄糖（NGT）人的区分方面表现出相当不错的表现，在64种人类脂肪组织样品中，糖尿病患者的精度为73％。此外，这些核心元元素还富含与糖尿病相关的术语，并在先前的T2D基因组及其相关的血糖特征HOMA-IR和HOMA-B的研究中发现。因此，该元基因组值得进一步研究IR和T2D的基础分子病理缺陷/途径。