XiaoMi-AI文件搜索系统
World File Search SystemMedoids
在未标记的相机陷阱图像中自动识别非洲豹子
摘要 - 本文介绍了一种解决现实世界动物识别问题的算法，即确定panthera提供的非标记的非洲豹图像数据集中的K单个动物数量未知数量。为了确定豹子的ID，我们提出了一种有效的自动化算法，该算法包括从图像中分割豹子体，对图像对之间的相似性和群集进行了分割，然后进行验证。要执行聚类，我们采用了修改的三元搜索，该搜索使用了新型的自适应K -Medoids ++聚类算法。最佳聚类是使用Silhouette分数的扩展定义确定的。使用新的聚类后验证程序用于进一步提高聚类的质量。使用Panthera数据集评估了该算法，该数据集由1555张图像中拍摄的677个单独的豹子组成，并通过基线K -Medoids ++聚类算法算法的0.864进行了调整后的共同信息评分，与0.864相比进行了聚类。
基于可解释人工智能的钢板制造故障诊断和洞察收集
摘要 — 随着工业 4.0 的到来，数据科学和可解释人工智能 (XAI) 在最近的文献中引起了相当大的兴趣。然而，就计算机编码和必要的数学工具而言，进入 XAI 的门槛确实很高。对于钢板故障诊断，这项工作报告了一种将基于 XAI 的见解纳入数据科学开发高精度分类器过程的方法。使用合成少数过采样技术 (SMOTE) 和中心点概念，从 XAI 工具中获得见解。已经收获了 Ceteris Peribus 配置文件、部分依赖性和故障配置文件。此外，还从优化的随机森林和关联规则挖掘中提取了 IF-THEN 规则形式的见解。将所有见解整合到一个集成分类器中，已实现 94% 的 10 倍交叉验证性能。总而言之，这项工作做出了三个主要贡献，即：：基于利用 medoids 和 SMOTE 的方法，收集见解并纳入模型开发过程。其次，这些见解本身就是贡献，因为它们使钢铁制造业的人类专家受益，第三，已经开发出高精度故障诊断分类器。
心脏病患者中MHealth心脏健康促进的需求和需求：以患者为中心的设计方法
通过基于网络的调查进行了横断面研究。数据分析中包括了三百四个患有冠状动脉疾病（CADS）和/或充血性心力衰竭（CHF）的人。描述性统计数据用于评估有关MHealth干预措施的需求和需求。进行了K -Medoids群集分析。患有CAD和CHF的人赞成一种MHealth干预措施，该干预措施永久支持其用户，并且很容易融入日常生活中。手持设备和内容格式涉及积极的用户参与和定期更新。根据他们的心理测量道具观察到了三个集群并标记为高，中度和低负担。高负担集群表明使用MHealth干预措施比其他集群更高的行为意图。
算法出版物完整书目
-中心 [1662]。-圆形 [1290]。-彩色 [1367]。-组件 [1368]。-连接 [1267]。-共识 [4]。-收缩类型 [1766]。-覆盖范围 [66]。-切割 [541]。-D [91]。-可诊断性 [2057]。-距离遗传 [1350]。-电解质 [1368]。-epf [1290]。-进化 [1389]。-克 [46]。-图表 [897]。-即时 [2117]。-学习 [690]。-有限 [594]。 -均值 [1034, 1741, 1376, 1271, 687, 1301, 1105, 1508, 1715, 890, 2038]。-中位数 [1389]。-Medoids [921]。-mer [1405]。-模型 [1620]。-多重背包 [1944]。-NN [1127, 727]。-非扩张 [1493]。-范数 [1558, 1930]。-操作 [1422]。-OPT [1210]。-顺序 [1162]。-帕累托 [2029]。-分部 [767]。-路径 [1652]。-排列 [1422]。-玩家 [1263]。-适当的 [1576]。 -拼图 [277]。-精炼 [1052]。-细化 [73]。-圆形 [98]。-SAT [1250]。-分离 [1707]。-稳定 [1909]。-子图 [541]。-树 [1848]。-元组 [536]。-宽度 [974]。
'Google gemini'api
描述观察到的数据与其估计的潜在变量之间的关联测试。JackStraw软件包提供了一种重采样策略和测试方案，以估计观察到的数据及其潜在变量之间关联的重要性。取决于数据类型和分析目的，潜在变量可以通过主体分析（PCA），因子分析（FA），K-均值聚类以及相关的无监督学习算法来估算。jackstraw方法学习了本循环分析中固有的过度拟合特征，在该特征中，观察到的数据用于估计潜在变量，并再次用于测试估计的潜在变量。当PCA估算潜在变量时，JackStraw可以通过低维主组件（PC）估计，可观察到的变量和潜在变量之间的统计测试对观察到的变量和潜在变量之间的关联。这一范围内导致识别与PC显着相关的变量。同样，诸如K-均值聚类，围绕MEDOIDS（PAM）和OTHERS的诸如K-均值聚类和others的无关聚类，在高维数据中找到相干组。通过测试数据和群集中心之间的关联，JackStraw估计了集群成员资格的统计意义。聚集成员身份，并应用于对Single细胞RNA-Seq（SCRNA-SEQ）中细胞身份的无监督评估。
手足运动和想象运动任务的脑电信号聚类
厄瓜多尔瓜亚基尔高等政治学院，ESPOL 电气和计算机工程系，Gustavo Galindo 校区，Perimetral 路 30.5 号，邮政信箱 09-01-5863，瓜亚基尔，厄瓜多尔 {vasanza 1、epelaez 2、floayza 3}@espol.edu.ec 摘要 —。现代技术使用脑机接口 (BCI) 来控制身体有障碍人士的设备或假肢。在某些情况下，EEG 数据用于确定受试者在执行运动和想象运动任务时的意向性。然而，由于获取的电压水平较低，EEG 信号很容易受到噪声的影响。我们使用了 25 名健康受试者在进行手脚运动和想象运动时 64 个 EEG 记录的数据集。数据经过预处理，包括设计滤波器以降低操作 EEG 信号的预期频谱之外的噪声。然后，我们使用基于谱密度的特征提取。最后，应用五种聚类算法来检测运动和想象运动任务。结果表明，k-means、k-medoids 和层次聚类算法可以更好地检测运动活动，而层次聚类则更适合手部的想象任务。
链的双层几何表示...
我们为基于链的3D发型几何形状引入了双层层次生成表示，该几何形状从粗，低通的过滤导型头发到富含高频细节的密集的人浓厚的发束。我们采用离散的余弦变换（DCT）将低频结构曲线与高频卷曲和噪声分开，从而避免了吉布斯在开放曲线中与标准傅立叶变换相关的吉布斯振荡问题。与从头皮UV地图网格中取样的导向头发可能会失去现有方法中发型的细节，我们的方法通过利用低通滤波的密集链中的k -Medoid集群中心来样本最佳的稀疏导向链，从而更准确地保留了发型的本质特征。拟议的基于自动编码器的生成网络，其启发的架构是受几何深度学习和隐式神经表示的启发，可促进灵活的，离网的导向链建模，并使从隐含的神经表示的原理上绘制任何数量和密度的密度和密度完成密集的链。经验评估证实了该模型产生令人信服的指导头发和密集链的能力，并提供细微的高频细节。1
![人工智能与机器学习 [R20A0566] 讲义](/simg/b\b769bf1f3708ae9e757fd53b21477151fccb345d.png)
人工智能与机器学习 [R20A0566] 讲义
提供对各种机器学习算法的理解以及评估 ML 算法性能的方法 UNIT - I：简介：人工智能问题、代理和环境、代理结构、问题解决代理基本搜索策略：问题空间、无信息搜索（广度优先、深度优先搜索、深度优先与迭代深化）、启发式搜索（爬山法、通用最佳优先、A*）、约束满足（回溯、局部搜索） UNIT - II：高级搜索：构建搜索树、随机搜索、AO* 搜索实现、极小极大搜索、Alpha-Beta 剪枝基本知识表示和推理：命题逻辑、一阶逻辑、前向链接和后向链接、概率推理简介、贝叶斯定理 UNIT - III：机器学习：简介。机器学习系统，学习形式：监督学习和非监督学习，强化学习 – 学习理论 – 学习的可行性 – 数据准备 – 训练与测试和拆分。第四单元：监督学习：回归：线性回归、多元线性回归、多项式回归、逻辑回归、非线性回归、模型评估方法。分类：支持向量机 (SVM)、朴素贝叶斯分类第五单元：无监督学习最近邻模型 – K 均值 – 围绕中心点聚类 – 轮廓 – 层次聚类 – kd 树、聚类树 – 学习有序规则列表 – 学习无序规则。强化学习 – 示例：迷路 – 状态和动作空间
sars-cov- 2感染：P4O2联盟的结果
SARS-COV-2感染四个月后的抽象背景，22％–50％的Covid-19患者仍有投诉。长期covid是一种异质性疾病，寻找亚型可以帮助对个体患者进行优化和开发治疗。在感染后3-6个月的P4O2 Covid-19人群中，从95例患者中收集了方法数据。 对患者特征，急性SARS-COV-2感染的特征，长期的互联症状数据，肺功能和调查表进行了无监督的分层聚类，并描述了长期相互证明的影响和严重性。 评估鲁棒性，将围绕MEDOID的分区用作替代聚类。 结果揭示了三个不同的群集患者的三个不同的簇。 群集1（44％）主要代表女性患者（93％），患有哮喘，并患有四种症状类别的中位数，包括疲劳，呼吸道和神经系统症状。 他们表现出温和的SARS-COV-2感染。 群集2（38％）主要由男性患者（83％）组成，患有心血管疾病（CVD），患有三种症状类别的中位数，最常见的是呼吸道和神经系统症状。 该簇还显示出1 s内的强制呼气量明显较低，一氧化碳的肺部扩散能力。 群集3（18％）主要是雄性（88％），具有先前存在的CVD和糖尿病。 该簇显示出最轻度的长相，并且患有一种症状类别中位数的症状。 后续研究是方法数据。对患者特征，急性SARS-COV-2感染的特征，长期的互联症状数据，肺功能和调查表进行了无监督的分层聚类，并描述了长期相互证明的影响和严重性。评估鲁棒性，将围绕MEDOID的分区用作替代聚类。结果揭示了三个不同的群集患者的三个不同的簇。群集1（44％）主要代表女性患者（93％），患有哮喘，并患有四种症状类别的中位数，包括疲劳，呼吸道和神经系统症状。他们表现出温和的SARS-COV-2感染。群集2（38％）主要由男性患者（83％）组成，患有心血管疾病（CVD），患有三种症状类别的中位数，最常见的是呼吸道和神经系统症状。该簇还显示出1 s内的强制呼气量明显较低，一氧化碳的肺部扩散能力。群集3（18％）主要是雄性（88％），具有先前存在的CVD和糖尿病。该簇显示出最轻度的长相，并且患有一种症状类别中位数的症状。后续研究是结论长互联患者可以根据其临床表现并易于获取信息将三种不同的表型聚类为三种不同的表型。这些簇显示出患者特征，肺功能，长期造成的严重程度和急性SARS-COV-2感染严重程度的区别。这种聚类可以帮助为患有长期共同的患者选择最有益的监测和/或治疗策略。
肠道微生物群中的大量Prevotella copri与2型糖尿病患者的健康饮食成反比
虽然已知肠道菌群受到习惯性食物的影响，但在2型糖尿病患者中很少探索这种关系。本研究旨在研究113种2型糖尿病患者（平均年龄，58岁；体重指数，29.1; Glyemogogoglobin [HBA1C]，8.1％）的饮食模式与肠道微生物物种丰度之间的关系。我们使用16S扩增子测序分析了肠道微生物群，所有患者均分为菌型型肠型（57.5％，n¼65）或prevotella entype（42.5％，n¼48），使用围绕Mediots群集的Algoriths基于最佳代表的分类，该分类属于MEDIDINIDION。与prevotella肠型相比，型菌型肠型的患者显示出更好的血糖对照，HbA1c≤7.0％的比例为2.71次（95％的置态间隔，1.02 E 7.87; p，0.034）。使用经过验证的食物频率问卷评估所有患者的饮食习惯和营养成分。观察到，所消耗的饮食纤维量次优，平均每天摄入量为16 g。此外，我们通过因素分析提取了四种饮食模式：吃外，高糖食品，菜单和发酵食品模式。与Prevotella肠型相比，患有BACTROIDES型的患者的蔬菜模式的分数更高（0.17±0.13 vess v ^ 0.23±0.09; P，0.010）。我们进一步研究了微生物群与四种饮食模式之间的关系，发现只有植物饮食模式评分与主坐标值相关。较低的模式分数与31个显着的微虫特征的累积丰度相关。在这些特征中，通过使用随机森林模型将Prevotella copri鉴定为最重要的，其接收器操作特征下的面积为0.93（95％的置态间隔，0.88 E 0.98）。为了验证这些结果，我们进行了自定义定量聚合酶链反应测定法。该测定法证实了我们队列中P. copri（灵敏度，0.96; Specii fimitivitive; Specii fimitivitive; Specii fircity，0.97）的存在，患病率为47.8％，平均相对丰度为21.0％。总而言之，患有prevotella肠型的2型糖尿病患者表现出较差的血糖控制和与健康饮食模式的偏差。作为主要促成微生物特征的大量P. copri，与饮食中的饮食小菜和蔬菜的严重程度有关。应重点放在促进健康的饮食模式和了解微生物相关性上。