XiaoMi-AI文件搜索系统
World File Search SystemNeighbor
作物基于机器学习模型的预测
全球农业生产是负责营养的主要国际组织越来越关注的。由于人口前所未有的人口增长，全球对粮食的需求不断上升，导致一些人口稠密地区（例如非洲）的粮食不安全。对全球粮食不安全性的另一个促成因素是气候变化及其变异性。世界和非洲农业生产尤其是负责营养的主要国际组织越来越关注。世界粮食计划署报道说，全球人口增长，尤其是近年来在非洲，正在导致粮食安全提高。此外，农民和农业决策者需要先进的工具来帮助他们做出快速决策，以影响农业产量的质量。气候变化一直是近几十年来全世界的主要现象。已经观察到气候变化对农业生产质量的影响。大数据技术的到来导致了新的强大分析工具，例如机器学习，这些工具在许多领域（例如医学，财务和生物学）都证明了自己。在这项工作中，我们提出了一种基于机器学习的预测系统，以预测六种农作物的产量：米，玉米，木薯，种子棉，山药和香蕉，在整个一年中西非国家地区的国家层面。我们结合了气候数据，天气数据，农业产量和化学数据，以帮助决策者和农民预测其国家的每年农作物产量。15％和𝑅2= 89。78％。我们使用了决策树，多元逻辑回归和k-neart的邻居模型来构建我们的系统。使用三个机器学习模型时，我们都有两个模型的结果。我们在整个交叉验证过程中应用了一项超参数调谐技术，以获得更好的模型，该模型不会面临过度拟合。我们发现，决策树模型的性能很好，可以确定（𝑅2）为95。3％，而K-Nearest邻居模型和Logistic回归分别用𝑅2= 93进行。我们还研究了预测结果与预期结果之间的相关性。我们发现，决策树模型的预测结果和K-neartime邻居模型与预期数据相关，这证明了模型的效率。
基于人工智能的自动化移动网络管理集成平台
RAN 调试和故障排除产品是一种先进且易于使用的工具，可用于深入检查无线电网络，具有根本原因分析功能和开环优化功能，让您可以有效地可视化和管理网络。该产品利用性能管理指标并检查配置冲突以管理故障排除模块的切换操作。高级地图功能通过主题着色、过滤、邻居可视化、定时提前可视化、kml 导入、街景和站点调查数据浏览功能提供更快的根本原因分析。
CS184A/284A 生物和医学中的人工智能
● 简介。课程框架 ● 最近邻方法、线性回归 ● 感知器、逻辑回归、支持向量机、决策树 ● 应用 1：基因表达分析、生物标志物发现、精准医疗 ● 无监督学习、主成分分析、聚类 ● 应用 2：单细胞 RNA-seq 分析、其他基因组应用 ● 概率模型、马尔可夫模型、EM 算法 ● 应用 3：基因发现、调控基序发现、CpG 岛 ● 神经网络、深度学习 ● 应用 4：生物医学图像分析
德温特世界专利索引 - AMiner
使用在线列表和工具 可以使用扩展、相邻或索引在线命令来获取可搜索主题词列表以及当前帖子数。这些主题词可能包括标题词、标题词和摘要词，因此可能包括本手册中未收录的词。除非另有说明，否则搜索将包括所有类别的词（即所有词都在基本索引中），或者搜索可能仅限于特定字段，例如标题词。适当时可使用截断。
统计503统计学习II：多变量分析
本课程涵盖了现代多元数据分析和统计学习的方法，包括其理论基础和实际应用。主题包括主要组成分析和其他缩小技术，分类（判别分析，最近的邻居分类器，逻辑回归，支持向量机器，决策树，集合方法，神经网络），聚类（K-Means，k-Means，基于层次的聚类，基于模型的方法，基于模型的方法，光谱群 - 倾向），图形的模型和某些基础模型和一些基础。目标是了解什么
3D‐MASNet：针对 6 个月大婴儿脑部 MRI 图像的 3D 混合尺度非对称卷积分割网络
图 4 3D-MASNet 框架中五种候选 CNN 架构的分割性能改进箱线图。第一列显示 DICE 的测量值，以表示每种组织类型的分割准确度。第二列显示 MHD 的结果。在每个子图中，我们使用两个相邻箱线图来表示候选模型（第一条）及其对应的 3D-MASNet（第二条）。通过两重交叉验证评估模型比较的重要性。“ * ”表示 .01 ≤ p < .05，“ ** ”表示 .001 ≤ p < .01，“ *** ”表示 p < .001。
让每个孩子都做好准备。- 2020-2025 年战略计划
增加符合家庭地理和交通需求的早期保育和教育计划，并使父母能够工作，包括：保留国家资助的 4K 时间表选项：传统上学日和学年、延长上学日、延长上学日和学年以及暑假；支持儿童保育提供者提供晚间、周末和非传统时间表选项；并有意将家庭儿童保育提供者、家庭、朋友和邻居以及无执照的看护者纳入儿童保育培训、质量提升和专业发展机会。
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
