XiaoMi-AI文件搜索系统
World File Search SystemMLP
定义地热领域的 LCA 指南以增强结果可比性
1 意大利锡耶纳大学生物技术、化学和药学系 R2ES 实验室，53100 锡耶纳，意大利；marialaura.parisi@unisi.it（MLP）；tosti@csgi.unifi.it（LT）2 胶体和表面科学中心（CSGI），50019 佛罗伦萨，意大利；barbara.mendecka@unifi.it（BM）；daniele.fiaschi@unifi.it（DF）；giampaolo.manfrida@unifi.it（GM）3 巴黎高科矿业大学，PSL 大学，观察、影响和能源中心（OIE），06904 Sophia Antipolis Cedex，法国；melanie.douziech@mines-paristech.fr（MD）； paula.perez_lopez@mines-paristech.fr (PP-L.) 4 佛罗伦萨大学工业工程系，50135 佛罗伦萨，意大利 5 那不勒斯帕特诺佩大学科学技术系，80133 那不勒斯，意大利 * 通讯地址：sergio.ulgiati@uniparthenope.it (SU); isabelle.blanc@mines-paristech.fr (IB)
探索二核 - 硅质的 - 使用...
图2：硅酸二核的转移学习结果。（a）转移（蓝色）和直接学习（橙色）的能量误差，是用于训练的DFT数据量的函数。底部面板显示了由于传输学习而导致的误差的减少。（b）与DFT值相比，使用转移和直接学习和reaxff（灰色）评估的700个结构的测试集的能量。（c） - （d）与上图相同，在力误差的情况下。（e）使用DFT（黑色），MLP-Direct（Orange）和MLP转移（蓝色）计算的γ-亮石的声子分散。（f）相同多晶型物的弹性张量。颜色表示相对于DFT值的偏差。
机器学习在肺癌预测中的作用
目标：肺癌是一种多方面的疾病，受一系列生活方式，环境和遗传因素的影响。由于吸烟和空气污染的速度升高，肺癌的患病率在某些地区正在增加。本研究旨在调查导致肺癌发展和发展的因素，特别着重于评估各种生活方式，环境和遗传变量的预测意义。材料和方法：研究使用了Kaggle公开访问的数据集，其中包括16个特征和3,310个发生。数据包括示范性，行为和与健康相关的特征，包括性别，吸烟，焦虑，精疲力尽和慢性病。使用MLP模型来评估每个变量的预测重要性。该数据集分为70％进行培训，测试30％。使用归一化的物质比较了因素对肺癌风险的相对影响。结果：该研究表明肺癌与吸烟，咳嗽，黄手指和胸部不适之间存在牢固的相关性。此外，疲劳和过敏是重要的指标。然而，基于性别和年龄，肺癌发生的差异没有明显的差异。年龄被确定为MLP模型中的主要预测因子，呼吸急促，酒精摄入量，黄手指和吸烟是随后的预测因子。结论：该研究肯定了吸烟与肺癌之间众所周知的相关性，强调了早期指标的重要性，例如持续的咳嗽和胸部不适。缺乏明显的性别和年龄差异意味着行为和症状变量可能在确定患肺癌的风险中起更为重要的作用。结果认可包含肺癌筛查计划，这些计划还考虑了其他变量，例如环境暴露和遗传倾向，除了吸烟等常规危险因素外。
通过先进的深度学习模型进行心力衰竭预测和分类的新方法
在本研究中，作者将研究和利用与两种不同方法相关的先进机器学习模型来确定预测心力衰竭和心血管疾病患者的最佳和最有效方法。第一种方法涉及一系列分类机器学习算法，第二种方法涉及使用称为 MLP 或多层感知器 的深度学习算法。在全球范围内，医院都在处理与心血管疾病和心力衰竭相关的病例，因为它们是导致死亡的主要原因，不仅是超重人群，而且是饮食和生活方式不健康人群的主要死亡原因。通常，心力衰竭和心血管疾病可由多种因素引起，包括心肌病、高血压、冠心病和心脏炎症 [1]。其他因素，如不规则休克或压力，也可能导致心力衰竭或心脏病发作。虽然这些事件无法预测，但来自患者健康的持续数据可以帮助医生预测心力衰竭。因此，这项数据驱动的研究利用先进的机器学习和深度学习技术来更好地分析和处理数据，为医生提供关于一个人患心力衰竭可能性的决策工具。在本文中，作者采用了先进的数据预处理和清理技术。此外，使用两种不同的方法对数据集进行了测试，以确定产生最佳预测的最有效的机器学习技术。第一种方法涉及采用一系列监督分类机器学习算法，包括朴素贝叶斯 (NB)、KNN、逻辑回归和 SVM 算法。第二种方法利用了一种称为多层感知器 (MLP) 的深度学习 (DL) 算法。该算法为作者提供了灵活性，可以尝试不同的层大小和激活函数，例如 ReLU、逻辑 (sigmoid) 和 Tanh。这两种方法都产生了具有
使用对比学习实现细胞外数据的稳健且可推广的表示
图 1：CEED 框架。在 CEED 中，我们假设波形已经从细胞外记录中提取出来。然后，每个波形都会通过我们的随机视图生成模块，通过应用变换获得不同的视图。这些变换会产生一组预定义的不变性（参见第 3.2.1 节）。使用这些视图，然后训练基于神经网络的编码器（可以采用多层感知器 (MLP) 或变压器的形式）以产生尊重所需不变性的表示。这是通过对比学习实现的，其中鼓励来自相同波形的视图的表示相似，鼓励来自不同波形的视图不相似。训练完成后，学习到的表示可用于一系列下游神经科学任务，例如尖峰分类或形态电细胞类型分类。
Quentin Ferry（博士）
深度学习课程和认证：（i）深度学习。 （ii）UC Berkeley-设计，可视化和理解深NN（审计，2021年）； （iii）DeepMind-强化学习系列2021（审计，2021年）。-----熟悉：经典DL体系结构（MLP（FF），CNN，RNN，NLP，Transformers），模型培训与优化（SGD，正规化，超参数调整等），应用程序（RL，Vision，Vision，NLP，GAN，VAE）。无监督的学习与数据分析（PCA，TSNE，MDS等）。-----编程语言：Python（Numpy，Pandas，Pytorch，Matplot- Lib），R，Matlab（也是Java，Java，JavaScript，CSS，CSS，HTLM，MySQL）。-----科学交流（即手稿，海报和谈话）（精通所有办公室软件和Adobe Illustrator）；流利的英语和法语。
使用有监督的机器学习预测脑部中风
摘要 - 在许多国家中，中风是内瘤和死亡的主要原因。这项研究的目标是弄清楚如何使事情变得更好。我使用了来自Kaggle的中风疾病数据集。患者可以从已预处理的数据中受益。缺血性中风和中风出血是两种中风形式，使用机器学习方法将个体分为两类。在此调查中采用了七次机器学习技术。逻辑回归，支持向量机（SVM），随机森林，猫的增长，多层感知器（MLP），天真的贝叶斯，K-最近的邻居，因此，我们的发现，Cat Boost可以使最佳准确性以及精确和召回值以及F1评分。关键字 - 准确性，数据预处理，机器学习，预测，中风
tinylidarnet：基于第2 f1th自主赛车的端到端深度学习模型
摘要 - 先前的研究证明了端到端深度学习对机器人导航的有效性，其中控制信号直接源自原始感觉数据。但是，大多数现有的端到端导航解决方案主要基于相机。在本文中，我们介绍了Tinylidarnet，这是一种基于自动赛车的基于轻量级的2D激光雷达的端到端深度学习模型。使用Tinylidarnet的第1辆汽车在第12场比赛中获得第三名，这表明了其竞争性能。我们会系统地分析其在未经训练的轨道和实时处理的计算要求上的性能。我们发现，基于Tinylidarnet的1D卷积Neu-ral网络（CNN）的体系结构显着胜过基于多层的多层感知器（MLP）体系结构。此外，我们表明它可以在低端微控制器单元（MCUS）上实时处理。
2024 年第一季度私人实际回报 (PRR) 业绩更新
• 玉米和小麦的结转库存较高，但产量担忧使价格相对坚挺。人们对印度尼西亚和越南的咖啡产量感到担忧。可可价格已脱离极高水平。 • 能源市场继续放缓，尽管 MLP 和管道表现越来越强劲。乌克兰袭击俄罗斯炼油厂和胡塞武装袭击船只都有可能影响价格。由于担心需求疲软和全球经济疲软，欧佩克继续减产。 • 在采矿业，公司资金受限，导致投资不足。铜和黄金的价格都保持在异常高位，而更多小众商品的价格波动很大。从长远来看，预计采矿大宗商品的需求仍将受到电气化和能源转型的推动。
利用机器学习提高矮牵牛组织培养效率：改善愈伤组织形成的途径
矮牵牛在组织培养中的重要特征是其不可预测且依赖于基因型的愈伤组织发生，这对高效再生和生物技术应用提出了挑战。为了解决这个问题，机器学习 (ML) 可以被视为一种强有力的工具，用于分析愈伤组织发生数据、提取关键参数和预测矮牵牛愈伤组织发生的最佳条件，从而促进更可控和更高效的组织培养过程。该研究旨在利用 ML 算法开发矮牵牛愈伤组织发生的预测模型，并优化植物激素浓度以提高愈伤组织形成率 (CFR) 和愈伤组织鲜重 (CFW)。该模型的输入为 BAP、KIN、IBA 和 NAA，输出为 CFR 和 CFW。比较了三种 ML 算法，即 MLP、RBF 和 GRNN，结果表明 GRNN (R 2 83) 在准确性方面优于 MLP 和 RBF。此外，还进行了敏感性分析以确定四种植物激素的相对重要性。IBA 的重要性最高，其次是 NAA、BAP 和 KIN。利用 GRNN 模型的卓越性能，集成遗传算法（GA）来优化植物激素浓度，以最大化 CFR 和 CFW。遗传算法确定了最佳植物激素组合，即 1.31 mg/L BAP、1.02 mg/L KIN、1.44 mg/L NAA 和 1.70 mg/L IBA，CFR 为 95.83%。为了验证预测结果的可靠性，在实验室实验中测试了优化的植物激素组合。验证实验的结果表明，通过 GA 获得的实验结果和优化结果之间没有显著差异。本研究提出了一种结合机器学习、敏感性分析和遗传算法的新方法，用于建模和预测矮牵牛的愈伤组织形成。研究结果为优化植物激素浓度、促进愈伤组织形成以及在植物组织培养和基因工程中的潜在应用提供了宝贵的见解。