XiaoMi-AI文件搜索系统
World File Search SystemPerceptron
首次实验演示稳健的 HZO/β-Ga2O3 ...
摘要——我们通过实验证明了蓝宝石衬底上工作温度高达 400 ◦ C 的坚固的 β-氧化镓 (β-Ga 2 O 3) 铁电 (FE) 场效应晶体管 (FeFET)。原子层沉积 (ALD) Hf 0.5 Zr 0.5 O 2 [氧化铪锆 (HZO)] 用作 FE 电介质。研究了 HZO/β-Ga 2 O 3 FeFET 在高温下的突触行为应用。这些器件表现出可区分的极化切换操作，输出电导由 FE 门上的输入脉冲数准线性控制。在模拟中，使用带有简单的两层多层感知器 (MLP) 网络的修改后的国家标准与技术研究所 (MNIST) 数据集，片上学习准确率在高温下达到 94%。这些超宽带隙半
使用深度学习算法对脑电信号进行自闭症谱系障碍分类
自闭症谱系障碍 (ASD) 是一种影响社交互动和沟通技巧的神经发育障碍。自闭症的诊断是研究人员面临的难题之一。这项研究工作旨在利用深度学习算法通过脑电图 (EEG) 揭示自闭症儿童和正常儿童之间的不同模式。脑信号数据库使用模式识别，其中提取的特征将经过多层感知器网络进行分类过程。执行分类的有前途的方法是通过深度学习算法，这是目前模式识别领域中一种众所周知且优越的方法。分类的性能衡量标准是准确性。百分比越高，意味着自闭症诊断的有效性越高。这可以看作是应用新算法进一步发展自闭症诊断的基础工作，以了解未来治疗的效果如何。
使用深度学习优化信用卡欺诈检测
摘要：信用卡在当今的数字经济中起着至关重要的作用，并且它们的用法最近增长了，伴随着信用卡欺诈的相应增加。机器学习（ML）算法已用于信用卡欺诈检测。但是，信用卡持有人的动态购物模式和类不平衡问题使ML分类器难以实现最佳性能。为了解决这个问题，本文提出了一种可靠的深入学习方法，该方法由长期记忆（LSTM）和门控复发单元（GRU）神经网络组成，作为基础学习者在堆叠集合框架中，并以多层次的perceptron（MLP）作为元学习者。同时，使用混合综合少数族裔过采样技术和编辑的最近的邻居（Smote-enn）方法来平衡数据集中的类别分布。实验结果表明，将拟议的深度学习合奏与Smote-enn方法相结合，分别达到了1.000和0.997的敏感性和特异性，这比文献中其他广泛使用的ML分类器和方法优于其他广泛使用的ML分类器和方法。接下来，我们介绍了高级集合模型，包括堆叠和投票分类器，对原始和Smote-enn数据集进行评估。此外，具有SQLite集成的烧瓶框架可以使用户注册，签名和测试增强了项目功能和用户交互。索引术语 - 信用卡，深度学习，集合学习，欺诈检测，机器学习，神经网络。
附件列表的新AI程序列表
应用生成人工智能的专业文凭（包括下面列出的两个微观准则）将通过AI的基础进行指导，例如机器学习，深度学习和神经网络，然后再深入研究生成模型的创新领域，例如生成的对抗性网络，生成的对抗性网络，可变性自动范围，稳定的差异。参与者还将深入了解AI开发中的道德挑战，并学会开发具有道德考虑因素的AI系统。在本课程结束时，参与者将拥有实施AI解决方案并创建可以产生原始内容的生成AI模型的知识和技能。应用人工智能证书（可叠放在应用生成人工智能中的专业文凭的微观证书），该证书由以下模块组成：人工智能参与者的编程将配备使用Python的节目基础。学生将学习如何通过编码软件程序来解决问题。将涵盖有关软件结构，变量，选择和迭代构建体的基本原理。学生将能够创建软件来解决与AI相关的简单编程问题。机器学习基础知识将在机器学习中教授基本概念，并使用Scikit-Learn，Tensorflow和Keras等各种开源库，以使用Perceptron，K最近的邻居和神经网络来构建基本的机器学习应用程序。深度学习基础知识将引入与深度学习相关的关键主题。还将向学生介绍XGBoost和其他集合方法，以解决分类和回归问题。该模块将涵盖
简短报告使用人工智能算法实现医疗相关感染的自动化监测
医院相关感染 (HAI) 是医院中最常见的不良事件之一。我们在一项队列研究中使用人工智能 (AI) 算法进行感染监测。该模型正确检测出 73 名 HAI 患者中的 67 名。最终模型使用多层感知器神经网络，实现了 90.27% 的受试者工作曲线下面积 (AUROC)；特异性为 78.86%；灵敏度为 88.57%。呼吸道感染的效果最好 (AUROC 93.47%)。AI 算法可以识别大多数 HAI。AI 是一种可行的 HAI 监测方法，具有节省时间、促进准确的全院监测和提高感染预防绩效的潜力。ª 2021 作者。由 Elsevier Ltd 代表医疗感染协会出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
a16.3.full.pdf
将机器学习分类器的性能与基线逻辑回归模型进行了比较。研究人群中有564名患者，其中307例LOS大于三天，而105例LOS大于7天。使用7天的阈值 - 最佳模型是随机森林，其AUC为0.785，并且正确分类为42.9％的长LOS患者。使用三天的阈值，最佳模型是多层感知器，其AUC为0.737，并且正确分类为85.7％的长LOS患者。机器学习模型的性能是可变的，并且它们没有一致超过基线模型。结论机器学习模型在预测长LOS方面的表现很差。需要进一步的工作来评估操作环境中深度学习方法的临床实用性和价值。
依赖型人格障碍：基于 fMRI 的方法
材料和方法：这是一项在受控观察环境下使用功能性磁共振成像 (fMRI) 对单个受试者进行的实验研究。选定的受访者正在执行基于两种视觉条件的任务，其中向受访者显示两种不同类型的图像（容易和困难的鸟类）。要求受试者识别特定的鸟类图像以可视化决策过程中使用的体素。前额叶皮质的三个布罗德曼区域（BA 10、BA 11 和 BA 47）被选为感兴趣区域。本研究分析了在做出与两种视觉条件相关的普通决策时激活的大脑区域。应用多变量技术多层感知器 (MLP) 神经网络对受访者在执行视觉任务时做出的两个普通决策进行分类。
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。
用于早期预测的机器学习模型的临床验证和优化
方法：从2019年10月1日至2020年9月30日之间，从中国三级医院的2,329例成年患者组成的同类中收集了数据。选择了36个临床特征作为模型的输入。我们通过机器学习（ML）方法训练了模型，包括逻辑回归，决策树，随机森林（RF），多层感知器和光梯度增强。我们评估了五个ML模型的性能，评估指标为：ROC曲线（AUC）下的面积，准确性，F1得分，灵敏度和特异性。在2020年10月1日至2022年4月1日之间，另一批2,286例患者的数据被用来验证模型在内部验证集中表现最佳的模型。Shapley添加说明（SHAP）方法用于评估特征重要性并解释该模型的预测。