XiaoMi-AI文件搜索系统
World File Search SystemMac
![文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive](/simg/a/a18931ee1afd48d7d579d30bde6e7c6026fd7595.webp)
文章标题：基于机器学习算法的情感分析：全面的研究作者：Song Jiang [1]，Ela Kumar [2]隶属关系：Unive
Article title: Sentiment Analysis Based on Machine Learning Algorithms: A Comprehensive Study Authors: song jiang[1], Ela Kumar[2] Affiliations: university of houston[1], k l deemed to be university[2] Orcid ids: 0009-0007-8363-7304[1] Contact e-mail: sjiang24@central.uh.edu License information: This work has been在Creative Commons Attribution许可下发布的开放访问http://creativecommons.org/licenses/4.0/，只要适当地引用了原始工作，就可以在任何媒介中不受限制地使用，分发和复制。可以在https://www.scienceopen.com/上找到条件，使用条款和发布政策。预印度语句：本文是预印本，未经同行评审，正在考虑，并提交给ScienceOpen的预印本进行开放的同行评审。doi：10.14293/pr2199.000601.V2预印本在线发布：2024年2月19日
机器学习在预测分子特性中的应用
由于开发新化合物并确定其性能是昂贵且可能危险的，因此有必要开发一个模型来预测分子特性，而无需合成和实验测试。表示化合物的两种系统方法是通过分子结构的示意图和简化的分子输入线 - 进入系统（Smiles）。在这项研究中，这些表示分别用于训练两个神经网络模型，一个卷积神经网络（CNN）和一个经常性神经网络（RNN），以预测化合物的熔点。通过将化合物表示为结构的图像，CNN在拟合给定数据的拟合时不成功，似乎在给定数据的平均熔点附近保持恒定。然而，通过将化合物表示为系统生成的文本字符串，RNN成功地拟合了数据，总体趋势类似于实际趋势，平均绝对误差较低。但是，与结构图数据不同，用于RNN的微笑数据不包含方向信息。对于将来的研究，可能可以将两种表示形式结合起来，以达到更准确的预测模型。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
请引用本文：Toda and Okamoto，（2020）。通过将大分子直接递送到水稻卵细胞中的基因表达和基因组编辑系统
请引用本文：Toda and Okamoto，（2020）。通过将大分子直接递送到水稻卵细胞和受精卵中的基因表达和基因组编辑系统，Bio-protocol 10 (14): e3681。DOI：10.21769/BioProtoc.3681。
评估机器学习算法的有效性
人工智能 (AI) 和机器学习 (ML) 在医疗保健领域的融合彻底改变了疾病诊断，为早期发现、提高准确性和个性化治疗提供了潜力。本文评估了各种 ML 算法在诊断多种疾病（包括心血管疾病、癌症、神经系统疾病和传染病）方面的有效性。通过分析关键的监督和非监督学习算法（如支持向量机、随机森林、神经网络和 K 均值聚类），本研究探索了它们在临床环境中的应用、优势和局限性。评估指标包括准确度、精确度、召回率和 AUC，用于评估这些算法的性能。本文还强调了人工智能诊断面临的重大挑战，例如数据质量、模型的可解释性、道德考虑以及与临床工作流程的集成。最后，它探讨了人工智能在疾病诊断中的未来前景，强调了深度学习、个性化医疗和人工智能与人类协作模型的进展。研究结果强调了人工智能在提高诊断效率方面的变革作用，同时也承认需要进一步研究、道德监督和监管框架以确保安全和公平实施。
人类与机器智能（MORS 950）
人工智能 (AI) 是一项变革性技术，相当于人类文明早期的火。它是一种可用于解决复杂问题、做出预测、自动执行任务和提高生产力的工具。但就像火一样，它具有双重性质，既可能带来好结果，也可能带来坏结果。本课程不需要任何技术知识，专为希望领导在现实世界中部署 AI 系统、管理数据科学和设计团队以及建立和投资 AI 公司的人士而设计。本课程的目标是建立对 AI 可以做什么、机器学习如何工作、这些工具成功和失败的地方以及如何应对其道德影响的直觉。我们将探索广泛的商业应用，研究包括 ChatGPT、Midjourney、DeepBlue、Watson、AlphaZero、Twitter 和 TikTok 背后的推荐系统等在内的工具，并讨论在这些工具的帮助下管理人类团队的最佳实践。本课程是一门基于讲座的课程，包括基于案例的讨论、个人作业、期中考试和期末小组项目。最后，您应该成为识别有前景的用例、评估当前的局限性和识别潜在陷阱的专家，以便您能够应用人类和机器思维伙伴关系来发展新业务并颠覆任何领域的大师。
用于 Computercom 的紧凑型光学 TX 和 RX 宏单片集成在 45nm CMOS 中
摘要 — 随着光通信的覆盖范围不断缩小，光子学正从机架到机架数据通信链路转向需要不同架构的厘米级计算机内应用 (computercom)。集成光学微环谐振器 (MRR) 正成为满足更严格的面积和效率要求的有吸引力的选择：它们通过波分复用 (WDM) 和高带宽密度提供缩放。在本文中，我们介绍了在 45 nm CMOS 中单片集成的用于 computercom 的紧凑型电光发射 (TX) 和接收 (RX) 宏。它们与 MRR 调制器和光电探测器一起工作，并包括所有必要的电子器件和光学器件，以实现片上数据源和接收器之间的光学链路。通过感测驱动电子器件中的光学设备的偏置电流而不是使用外部工作点感测光学器件，实现了最紧凑的热稳定性实现。使用场效应晶体管作为加热元件（在单片集成平台中是可能的）可进一步减少热控制所需的面积和功率。TX 宏的工作数据速率高达 16 Gb/s，消光比 (ER) 为 5.5 dB，插入损耗 (IL) 为 2.4 dB。RX 宏在 12 Gb/s 时灵敏度为 71 µ A pp，BER ≤ 10 − 10。用宏构建的芯片内链路在 10 Gb/s 时实现 ≤ 2.35 pJ/b 的电气效率和 BER ≤ 10 − 10。两个宏都在 0.0073 mm 2 内实现，每个宏的带宽密度为 1.4 Tb/s/mm 2。
用于检测氢泄漏的机器学习模型
氢管道（HPL）是实现氢社会的氢运输系统之一。HPL氢泄漏是一个挑战，因为氢具有较宽的易燃范围和低最小点火能。因此，必须迅速检测到HPL的氢泄漏，应采取适当的动作。泄漏检测对于HPL的安全操作很重要。HPL的基本泄漏检测方法涉及监视传感器的压力和流速值。但是，在某些情况下，很难使用此方法区分非泄漏和泄漏条件。在这项研究中，我们根据压力和流速数据之间的关系，将使用机器学习（ML）的泄漏检测方法重点关注。将基于ML的泄漏检测方法应用于HPL面临两个挑战。首先，在过程设计阶段，ML的操作数据不足。其次，由于泄漏不经常发生，因此很难在氢泄漏过程中获得压力和流速行为。因此，这项研究采用了一种基于使用HPL物理模型模拟的数据，采用了一种无监督的ML方法。首先，构建了HPL（HPL模型）的物理模型，并根据数据