XiaoMi-AI文件搜索系统
World File Search SystemLearning
PharmAML：创建一个机器学习过程来分析动作机理＆
●随机森林：一种合奏学习算法，该算法构建了多个决策树并结合了输出以提高准确性并减少过度效果。●XGBoost：像随机森林一样，XGBoost是一种集合学习算法，但它使用梯度提升来依次构建决策树，在每个步骤上纠正错误，以提高准确性和效率。●KNN：一种基于实例的学习算法，该算法基于其K最近的K最近邻居的多数类或通过平均值来预测值。●XGBlend：我们创建的XGBoost模型！将标准神经网络与XGBoost体系结构相结合，以提高算法处理的速度。●1D-CNN：使用卷积层将每一行视为1D序列的卷积神经网络，以捕获特征相互作用并提取图案，以提高预测性能。●TABNET：专为表格数据而设计的深度学习模型，利用注意机制动态选择相关特征，从而实现可解释性和有效的学习。
通过科学和物理知识的机器学习降低模型来加速数值模拟
○ITHACA，实时高级计算应用程序，是整合已经建立了良好的CSE/CFD开源软件○RBNICS作为新手ROM用户（培训）的教育计划（FEM）。○ Argos A dvanced R educed order modellin G O nline computational web server for parametric S ystems ○ PINA a deep learning library to solve differential equations ○ EzyRB data-driven model order reduction for parametrized problems ○ PyDMD a Python package designed for Dynamic Mode Decomposition ( in collaboration with University of Texas, CERN, and University of Washington)
MCA-Machine-arearning-Syllabus-2018-19.pdf
目的：本课程的目的是使学生意识到机器学习概念，以便他们能够基于机器学习来创建应用程序。主要目标是使学生能够具有基本知识，以建立一个代表人类做出决策的知识机器。本课程涵盖了如何通过模型进行学习的技术，如何评估它，构建学习模型的算法是什么。
CSE7850/CX4803计算生物学中的机器学习
描述此研究生级课程的重点是机器学习与计算生物学之间的令人兴奋的交集。我们将涵盖现代机器学习技术，包括受监督和无监督的学习，特征选择，概率建模，图形模型，深度学习等。学生将学习这些方法的基本原则，基本的数学和实施细节。通过阅读和批评发表的研究论文，学生将学习机器学习方法在基因组学，单细胞分析，结构生物学和系统生物学中的各种生物学问题上的应用。学生还将通过深入的编程作业使用Pytorch学习使用Pytorch来实施深度学习模型。在最终项目中，学生将通过以生物学问题探索这些概念来应用他们所学的知识，以充满热情。
人工智能与深度学习硬件...
Ashutosh Mishra 博士于 2018 年获得印度理工学院 (BHU) 瓦拉纳西电子工程系博士学位。他曾在印度国家技术学院 Raipur 分校担任电子与通信工程助理教授。他是韩国国家研究基金会通过韩国科学与信息通信技术部提供的 2019 年韩国研究奖学金 (KRF) 的获得者。目前，他在韩国延世大学无缝交通实验室担任研究员。他的研究兴趣包括智能传感器、智能系统、自动驾驶汽车和人工智能等。
使用机器学习的新型药物发现方法：
● 抗炎分子，如 TGF-beta、BDNF ● 产生神经修复因子，如精氨酸转化产生的胶原蛋白 ● 氧化磷酸化状态 ● 健康的免疫反应：M1 小胶质细胞利用促炎细胞因子和吞噬作用杀死病原体，然后转变为 M2
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。
通过GPU和机器学习加速结构变体检测
结构变异（SV）是重大的基因组改变，在包括癌症在内的遗传多样性，进化和各种疾病中起着至关重要的作用。检测SVS的传统方法通常在计算效率，准确性和可扩展性方面面临挑战，尤其是在处理大型基因组数据时。近年来，图形处理单元（GPU）和机器学习（ML）的出现已经开发了解决这些挑战的新途径。本文探讨了GPU加速度和ML技术的整合，以增强结构变体的检测和分析。我们提出了一个全面的框架，该框架利用深度学习模型（用于在GPU上并行处理）以高精度实现实时SV检测。我们的方法不仅减轻了计算负担，而且还提高了与常规方法相比，SV检测的敏感性和特异性。通过在各种基因组数据集上进行广泛的基准测试，我们在速度，准确性和可扩展性方面证明了我们的GPU加速ML框架的出色性能。这些发现强调了将GPU和ML技术相结合以革新基因组研究的潜力，并为在临床和研究环境中更有效，更精确的结构变体分析铺平道路。
学习了基于深度学习的移动 NPU 的智能手机 ISP，移动 AI 2021 挑战赛：报告
随着手机摄像头的质量开始在现代智能手机中发挥关键作用，人们越来越关注用于改善手机照片各个感知方面的 ISP 算法。在这次移动 AI 挑战赛中，目标是开发一个基于深度学习的端到端图像信号处理 (ISP) 管道，该管道可以取代传统的手工制作的 ISP，并在智能手机 NPU 上实现近乎实时的性能。为此，参赛者获得了一个新颖的学习到的 ISP 数据集，其中包含使用索尼 IMX586 Quad Bayer 移动传感器和专业的 102 兆像素中画幅相机拍摄的 RAW-RGB 图像对。所有模型的运行时间都在联发科 Dimensity 1000+ 平台上进行评估，该平台配备专用的 AI 处理单元，能够加速浮点和量化神经网络。所提出的解决方案与上述 NPU 完全兼容，能够在 60-100 毫秒内处理全高清照片，同时实现高保真效果。本文提供了本次挑战赛中开发的所有模型的详细描述。
利用简单的交互进行复杂的学习
细胞自动机 (CA) 是数学的一个分支，它探索控制自主单元（称为细胞）行为的简单规则如何导致复杂的突发模式。计算领域的先驱约翰·冯·诺依曼在 CA 的发展中发挥了重要作用。尽管冯·诺依曼以现代计算机的基础架构（“冯·诺依曼架构”）而闻名，但他晚年对 CA 着迷不已。他死后出版的著作《计算机与大脑》深入探讨了他对简单、分散的规则如何产生类似于生物过程的智能行为的思考。