XiaoMi-AI文件搜索系统
World File Search SystemMACHINE
机器学习和计算机视觉...
●计算机视觉和机器学习应用在Heliophysics中的应用，包括：太阳能磁性太阳能活动（耀斑，CMES，颗粒）太阳能风太空空间天气和空间气候气候地机无线电循环无线电射击
（2020-24批次）：机器学习 - 单元1材料
回归是预测连续价值的过程。我们可以使用回归方法来预测使用其他一些变量的连续值，例如CAR模型的CO2发射。例如，让我们假设我们可以访问包含与来自不同汽车的CO2排放相关的数据的数据集。数据集包含诸如汽车发动机尺寸，气缸数，燃油消耗量和来自各种汽车型号的CO2排放之类的属性。现在，我们有兴趣估计其生产后新车模型的近似CO2发射。使用机器学习回归模型这是可能的。在回归中，有两种类型的变量：一个因变量和一个或多个自变量。因变量是我们研究和尝试预测的“状态”，“目标”或“最终目标”，而自变量（也称为解释变量）是这些“状态”的“原因”。自变量通常通过x显示，并且因变量用y表示。回归模型将y或因变量与x的函数相关联，即自变量。回归的关键点是因变量值应该是连续的，而不是离散值。但是，可以在分类或连续测量量表上测量自变量或变量。回归的类型：基本上，回归模型有两种类型：简单回归和多重回归。简单回归是当使用一个自变量来估计因变量时。它可以在非线性上是线性的。例如，使用“汽车的发动机尺寸”预测CO2排放。回归的线性基于自变量和因变量之间关系的性质。存在多个自变量时，该过程称为多个线性回归。例如，使用变量“汽车的发动机尺寸”和“汽车中存在的气缸数”来预测CO2排放。再次取决于因变量和自变量之间的关系，多个线性回归可以是线性或非线性回归。
学术学生实施机器学习算法
抽象教育是改变知识的一种方式，以便人类能够发展潜力。教育鼓励每个人发展并适应不断变化的时代，例如技术领域的进步。学生的学习成绩是成功管理学习计划的关键指标。学术绩效检测可以帮助研究计划经理监视并对有可能遇到困难的学生采取积极行动。机器学习可以是通过帮助分类和检测学生学术能力来克服这一挑战的解决方案。机器学习技术已被证明非常有效地分析复杂的数据并揭示了人们难以检测的隐藏模式。本研究旨在探索在检测学生学业表现的机器学习算法的实施，尤其是在NIAS大学数学教育研究计划中。随着技术进步，机器学习已被证明在分类数据和检测传统方法无法识别的隐藏模式方面有效。本研究使用支持向量机（SVM）算法根据从学生主要数据中收集的数据集来预测学生的学习成绩。数据集包括各种因素，例如GPA值，出勤，参与和学习资源的使用。在要使用的方法中，将使用调查表收集数据，其中有许多受访者多达193人。已收集的数据将使用SVM处理，以在预测学生的学习成绩中获得结果。分析结果表明，使用的SVM模型的精度为77.59％，在学业表现良好的学生班级中的偏见更加倾向。这项研究的结果有望在开发更有效的学习方法和对三级机构的学术干预的个性化方面做出实际贡献。关键字：机器学习，学业表现和支持向量机
使用机器学习方法在高能量物理学中的数据分析
这个科学启动项目涉及使用机器学习（ML）方法对蒙特卡洛（MC）数据集进行分析。该数据集由实验性Hadronic Physics Group（Hadrex）与Alice实验直接合作，该实验与大型强子对撞机（LHC）直接合作。该研究专门针对多震颤的重子（例如ξ⁻，ξ⁺等）以及随后的衰减，这是一个称为“级联衰变”的过程。主要目的是使用生成机器学习模型通过其次要衰减来重建这些粒子。通过综合与实验观察相吻合的现实数据，该项目旨在优化常规的高能物理学分析并增强数据分析算法，以搜索稀有可观察物。为了应对这一挑战，采用了条件表格生成对抗网络（CTGAN）模型。结果表明，CTGAN在复制可变分布的同时有效地保留了原始数据的物理和内在相关性，从而增强了其改善高能物理学数据驱动研究的潜力。
降雨估算的机器学习方法
为了解决这些问题，这项工作提出了一种基于机器学习的方法，该方法可以结合来自各种遥感测量值的数据，并使用基于集合方法的分类器进行降雨估算。建议的方法在计算上比插值技术便宜，允许集成异质数据源，并在不可用的RGS的情况下提供了准确的降雨估计。它还利用了RG的高定量精度以及雷达和卫星保证的空间模式识别。所提出的方法提供了不可用的RG的降雨量的准确估计值，可以整合利用RGS的高定量精度和通过雷达和卫星确保的空间模式识别的异质数据源的整合，并且比插入方法的计算范围更低。在有关意大利地区Calabria的实际数据上进行的实验结果，与Kriging与Kriging与外部漂移（KED）相比，在降雨估计领域中得到了公认的方法，这在检测概率（0.58 versus versus versus versus误差）和均值误差（0.11 vers 0.15 vers 0.15）方面显示出显着改善。
