XiaoMi-AI文件搜索系统
World File Search SystemLearning
机器学习和人工智能的成熟度评估
Contino 是一家专业服务公司，通过采用数据平台、数据科学企业 DevSecOps 和云原生计算，帮助组织实现可衡量的转型。我们帮助客户构建自己的创新引擎，使他们能够更快、更高效地提供更好的解决方案，作为其数字化转型目标的一部分，并减少对外部提供商的依赖。我们与所有客户采用双重交付和技能提升方法。这意味着，除了帮助您完成最具战略性的项目外，我们还将专注于技能转移和提高您自己的数据管理和利用、云、DevSecOps 和相关最佳实践（如 CI/CD、自动化和微服务的采用）的能力。
302049：人工智能与机器学习
单元 1 人工智能与机器学习简介 06 小时人工智能的历史、人工智能与数据科学的比较、机械工程中人工智能的需求、机器学习简介。基础知识：推理、问题解决、知识表示、规划、学习、感知、运动和操纵。人工智能方法：控制论和大脑模拟、符号、亚符号、统计。机器学习方法：监督学习、无监督学习、强化学习。单元 2 特征提取与选择 08 小时特征提取：统计特征、主成分分析。特征选择：排名、决策树 - 熵减少和信息增益、穷举、最佳优先、贪婪前向和后向、特征提取和选择算法在机械工程中的应用。单元 3 分类与回归 08 小时分类：决策树、随机森林、朴素贝叶斯、支持向量机。回归：逻辑回归、支持向量回归。回归树：决策树、随机森林、K-Means、K-最近邻（KNN）。分类和回归算法在机械工程中的应用。
使用卷积进行泌尿科图像的深度学习...
机器学习 (ML) 算法已应用于医学成像，其在医学领域的使用日益增多。尤其是深度学习 (DL)，已证明在图像评估和处理方面更为有效。深度学习算法可能有助于并简化其在泌尿科成像中的使用。本文介绍了如何创建用于泌尿科图像分析的卷积神经网络 (CNN) 算法。深度学习是 ML 的一个分支，包括多层神经网络。卷积神经网络已广泛应用于图像分类和数据处理。1 它首先由 Krizhevsky 等人应用于图像分类。2 他们在 2012 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中凭借名为 AlexNet 的深度 CNN 赢得了比赛，该比赛由 120 万张日常彩色图像组成。3 在另一个 CNN 模型中，Lakhani 等人 4 证明他们
教务长人工智能和学习环境工作组报告
1. 持续学习人工智能：鉴于人工智能技术的快速发展，工作组建议优先考虑持续学习机会。这些可以包括入职培训计划、演讲系列和旨在提高大学社区人工智能素养的专业发展计划。2. 将人工智能主题纳入教学大纲：为了帮助学生了解人工智能在学术环境中的作用和局限性，教师应在课程大纲中纳入关于人工智能的有目的的陈述。教学与学习中心可以提供工具和建议来实现这一目标。3. 与学习成果相一致的课程评估：应修改传统的评估方法，以适应生成式人工智能带来的挑战。选项包括口试、课堂写作作业和其他形式的真实评估，这些评估无法被人工智能轻易复制。4. 政策修订：应系统地审查和更新现有政策，明确提及生成式人工智能。这将有助于学生和教职员工了解在哪里以及如何适当使用人工智能。
人工智能与机器学习辅修
人工智能和机器学习 (AIML) 辅修课程是一个包含三门课程的辅修课程。它对所有 VSB 学生开放，课程包括构建原型智能系统、自然语言处理、专家系统、监督和无监督学习、机器人技术以及构成广泛 AI 领域的其他领域。
UTM 监管对机器学习和人工智能的担忧
摘要 — 人工智能 (AI) 和机器学习将对无人机的应用和通用交通管理 (UTM) 的整合产生重大影响，这些整合涉及城市环境中低空空域的无人操作。人工智能将需要高水平的自动化，并作为无人驾驶和载人航空整合的推动者，人工智能最终将使大量无人机在同一空域的安全运行成为可能，更具体地说是检测和规避能力。在为 UAS（无人机系统）运营商提供服务时，获得 U 空间服务提供商 (USSP) 认证的组织将大量开发和使用人工智能。UAS 运营商使用的设备在某种程度上已经受益于人工智能，但自动化水平目前受到法规的限制。必须有一个法律框架，因为人工智能不仅会对现有法律产生重大影响，而且还将确保一个有利于公民和企业在人工智能方面的安全和基本权利的框架。欧盟根据《欧洲联盟运作条约》（TFEU）第 114 条的许可，公布了一项拟议法律，即《人工智能法》。
![人工智能与机器学习 [R20A0588] B. ...](/simg/5/5abd3e132254b5629d26f6e6491e3e678c0af7b2.png)
人工智能与机器学习 [R20A0588] B. ...
工程专业毕业生将能够：1. 工程知识：将数学、科学、工程基础和工程专业知识应用于解决复杂的工程问题。2. 问题分析：识别、制定、审查研究文献并分析复杂的工程问题，使用数学、自然科学和工程科学的第一原理得出有根据的结论。3. 解决方案的设计/开发：设计复杂工程问题的解决方案并设计满足特定需求的系统组件或流程，同时适当考虑公共健康和安全以及文化、社会和环境因素。4. 对复杂问题进行调查：使用基于研究的知识和研究方法，包括实验设计、数据分析和解释以及信息综合，以得出有效的结论。5. 现代工具的使用：在了解局限性的情况下，创建、选择和应用适当的技术、资源以及现代工程和 IT 工具（包括预测和建模）来处理复杂的工程活动。 6. 工程师与社会：运用基于背景知识的推理来评估与专业工程实践相关的社会、健康、安全、法律和文化问题以及随之而来的责任。 7. 环境与可持续性：了解专业工程解决方案在社会和环境背景下的影响，并展示可持续发展的知识和需求。 8. 道德：运用道德原则，遵守工程实践的职业道德、责任和规范。 9. 个人和团队合作：作为个人、不同团队的成员或领导者以及在多学科环境中有效地发挥作用。 10. 沟通：就复杂的工程活动与工程界和整个社会进行有效沟通，例如，能够理解和撰写有效的报告和设计文档，进行有效的演示，并给出和接受明确的指示。 11. 项目管理和财务：展示对工程和管理原则的知识和理解，并将其应用于自己的工作、作为团队成员和领导者、管理项目和在多学科环境中工作。 12. 终身学习：认识到在技术变革的最广泛背景下进行独立和终身学习的必要性，并有准备和能力进行独立和终身学习。
深度表格学习的现代 Hopfield 模型
在本文中，我们从现代 Hopfield 模型的角度研究表格学习。具体来说，我们使用广义稀疏的现代 Hopfield 模型来学习表格数据表示和预测。在这项工作中，引入了 BiSHop（双向 S 分析 Hop 场模型）作为端到端表格学习的创新框架，解决了深度表格学习中的两个挑战：非旋转不变数据结构和特征稀疏性。受到联想记忆和注意力机制之间新建立的联系的启发，BiSHop 采用了双组分策略。它通过双向学习模块按列和按行顺序处理数据，每个模块都配备广义稀疏 Hopfield 层。这些层通过引入可学习的稀疏性扩展了传统的 Hopfield 模型。从方法论上讲，BiSHop 支持多尺度表示学习，能够有效地捕捉特征内和特征间的交互，并在各种尺度上具有自适应稀疏性。在各种真实世界数据集上进行的经验验证表明，BiSHop 以更少的超参数优化 (HPO) 运行超越了当前最先进的方法的性能，标志着深度表格学习的重大进步。
人工智能（和大数据）在学习科学中的地位 - ERIC
学习科学本质上涉及跨学科研究，其总体目标是推进学习理论，并为有效的教学方法和学习技术的设计和实施提供信息。在这些努力中，学习科学涵盖了与学习、动机和社会互动相关的各种结构、措施、过程和结果。这些复杂的目标还受到来自学习环境、学习任务和个人学习者特征的大量因素的影响。学习发生在众多相互作用的背景因素中，这些因素涵盖学校、教师、课堂、同龄人和可用技术之间的差异。这些背景在各种因素方面也存在很大差异，例如学生获得的社会支持、教师参与度、人口和意识形态多样性，以及教育技术提供的教学设计策略和可供性（Anderson & Dron，2011）。学习者本身在年龄、年级、种族和文化背景等一系列固定因素以及参与度、兴趣、学习策略、阅读技巧和先前知识等可塑的个人差异上存在差异（Cantor 等人，2019 年；Jonassen 和 Grabowski，2012 年；Winne，1996 年）。
使用机器学习评估美国数据经济
随着数字经济中数据收集和使用的激增，国民经济账户编制者和用户对数据存量和流量的理解和统计处理引起了关注。在本文中，我们通过总结职业中隐含的数据相关活动的生产成本来衡量美国商业部门自有数据存量和流量的价值。我们的方法通过使用机器学习模型和在线招聘广告文本代理职业级别的时间使用因素，增强了传统的成本总和方法，用于衡量国民经济账户中其他自有知识产权产品（Blackburn 2021）。在我们的实验估计中，我们发现美国商业部门对自有数据资产的年度现值投资从 2002 年的 840 亿美元增长到 2021 年的 1860 亿美元，年均增长率为 4.2%。2002-2021 年期间的累计现值投资为 2.6 万亿美元。除了年度现价投资外，我们还提供历史成本净存量、实际增长率以及对工业部门增加值的影响。