XiaoMi-AI文件搜索系统
World File Search SystemPostgreSQL
数据分析师|数据工程师| BI开发人员
数据分析师和工程师，德黑兰Bitpin。Bitpin是该国最受欢迎的Fintech平台之一。（bitpin.io）{与T＆P团队紧密合作，以实现改善数据基础结构和流程的新工具。{与C级高管的强有力合作，为业务增长提供数据驱动的解决方案。{通过主要使用Python和PostgreSQL亲自开发第一个ETL结构，作为公司中的第一家数据工程师，这使我能够在不同部门（产品，财务，营销）之间实施各种ETL管道。{通过收集来自各种来源的原始数据，包括Open API和Web爬网，并通过使用SSH和Crontab在远程服务器上安排作业来自动化该过程，从而进行了竞争对手分析。{可视化的原始数据以生成有见地的报告，为业务提供了鹰眼的观点。{个人设计和实施的监视和警报系统，使数据播放器能够有效地监视整个公司的工作。
利用自愿地理信息进行区域智能能源规划的框架
摘要。本研究提出了一个区域智能能源规划框架，用于小型混合系统的最佳位置和规模。通过使用优化模型（结合天气数据），使用 Calliope 和 PyPSA 能源系统模拟工具模拟各种本地能源系统。优化和模拟模型由来自不同志愿地理信息项目（包括 OpenStreetMap）的 GIS 数据提供。这些允许将特定需求配置文件自动分配给不同的 OpenStreetMap 建筑类别。此外，基于 OpenStreetMap 数据的特点，为每种建筑类别定义了一组可能的分布式能源资源，包括可再生能源和化石燃料发电机。优化模型可应用于基于不同电价和技术假设的一组情景。此外，为了评估这些情景对当前配电基础设施的影响，建立了低压和中压网络的模拟模型。最后，为了方便传播，模拟结果存储在 PostgreSQL 数据库中，然后由 RESTful Laravel 服务器传送并显示在 Angular Web 应用程序中。
人工智能研究员及工程师
- 研究了 ML 和计算机视觉技术，以从细胞图像中诊断遗传疾病。项目（Web Dev 和 C++）多伦多健身俱乐部 - 全栈健身俱乐部网站 2022 年秋季 - 使用 Django 和 ReactJS 为一个虚构的健身俱乐部构建了一个全栈网站。 - 作为多伦多大学 Web 编程课程的一部分，在一个 2 人团队中工作。3D 渲染引擎 - 用 C++ 从头开始构建的光栅化引擎 2022 年冬季 - 用 C++ 从头开始构建图形渲染引擎（光栅化器），不使用 OpenGL 或 DirectX 等图形库：https://github.com/render-farm/psr-3d-rendering-engine - 构建了一个自定义实体组件系统来管理游戏内对象并优化了核心渲染算法。 AutoDirect – 帮助用户找到具有定制、预批准贷款的汽车的网站 2021 年秋季 - 使用 Java Spring 和 PostgreSQL 架构和构建整个后端：https://github.com/TLI-Group-1/Backend - 使用 GitHub 操作为后端代码库实施回归测试基础架构。 - 在一个由 3 人组成的团队中工作，并与一家位于多伦多的初创公司合作，提供贷款预批准 API。 奖项和成就
Wheeler Technologies，Inc .- Insight Daily Suite
•候选人筛选；候选技能评估；就业前筛查；表格I-9和电子验证•计算机和软件系统工程和体系结构•数据和统计分析：R / Shiny•Restful API：消费者端；服务方面；安全API•大数据服务：企业搜索；机器学习；人工智能; NLP; TensorFlow•容器：Docker; kubernetes•实用程序：智能电网；需求响应•GIS和空间科学：地理编码•操作系统：Linux；视窗;安卓; ios; ARM•云服务：Azure； aws;谷歌;混合和私有云•数据库专业知识：MS SQL；甲骨文； hadoop;蒙哥postgresql; MySQL•系统安全：经过认证的网络安全•敏捷流程：经认证的Scrum Master•安全性和身份验证：OKTA； auth0; adfs; kerberos;密码学•软件开发：.NET；爪哇; Angularjs; Python; perl; r / shiny; •建立和管理离岸技术团队•经过认证的教育提供者•软件DevOps：测试；部署; CI/CD•技术人员配备；团队增强；临时技术劳动力认证：
医学推荐系统
人工智能工程系GH RAISONI工程与管理学院，印度那格浦尔，摘要：医疗保健的复杂性日益增加和可用药物的日益增长的数量，需要开发有效的医学建议系统，以帮助医疗保健提供者和患者做出明智的决定。本文介绍了旨在改善药物选择和依从性的基于Web的药物建议系统的设计和实施。该系统利用高级机器学习算法（例如协作过滤和基于内容的过滤）来根据用户资料，病史和特定的健康状况提供个性化的医学建议。该系统的体系结构包括使用React.js开发的用户友好的前端，该前端允许无缝互动和建议的可视化。后端由烧瓶提供动力，促进了用户请求，数据库交互和机器学习模型部署的处理。使用PostgreSQL数据库可安全地存储用户数据，药物详细信息和历史互动，确保数据完整性和安全关键关键词：医疗建议系统，机器学习，医疗保健，个性化治疗，AI医学中的AI，临床决策支持
Qualys API（VM、PC）用户指南
DNS BIND 身份验证记录 ................................................................................................................ 484 Docker 记录 ................................................................................................................................ 490 HTTP 记录 ................................................................................................................................ 493 IBM DB2 记录 .................................................................................................................... 496 InformixDB 记录 ...................................................................................................................... 501 Infoblox 记录 .................................................................................................................... 506 JBoss 服务器记录 ................................................................................................................ 512 Kubernetes 记录 ................................................................................................................ 516 MariaDB 记录 .................................................................................................................... 519 MarkLogic 记录 ................................................................................................................ 523 Microsoft SharePoint 记录 ................................................................................................ 530 MongoDB 记录 ................................................................................................................ 540 系统创建的 MongoDB 记录 ................................................................................................ 543 MS Exchange 服务器 ................................................................................................................ 550 MS SQL 记录 ................................................................................................................ 555 MySQL 记录........................................................................................................................... 565 Neo4j 记录 .......................................................................................................................... 584 Nginx 记录 .......................................................................................................................... 589 Oracle 记录 ........................................................................................................................ 593 系统创建的 Oracle 记录 ............................................................................................. 599 Oracle 侦听器记录 ............................................................................................................. 601 Oracle WebLogic 服务器记录 ............................................................................................. 603 Palo Alto 防火墙记录 ............................................................................................................... 606 Pivotal Greenplum 记录 ...................................................................................................... 610 PostgreSQL 记录 ................................................................................................................ 617 SAP Hana 记录 ...................................................................................................................... 624 SAP IQ 记录 ...................................................................................................................... 629 SNMP 记录 ...................................................................................................................... 634 Sybase 记录 ...................................................................................................................... 639 Unix 记录 ...................................................................................................................... 651 网络 SSH 记录 ................................................................................................................ 668 VMware 记录 ...................................................................................................................... 675 Windows 记录 ...................................................................................................................... 681 Oracle HTTP 服务器记录 ................................................................................................ 689 vCenter - ESXi 映射记录 ................................................................................................ 699....... 681 Oracle HTTP 服务器记录 ................................................................................................ 689 vCenter - ESXi 映射记录 ................................................................................................ 699....... 681 Oracle HTTP 服务器记录 ................................................................................................ 689 vCenter - ESXi 映射记录 ................................................................................................ 699
癌细胞治疗：临床试验前景
细胞治疗药物的数据由 GlobalData 的制药情报中心收集，随后由癌症研究所 (CRI) 根据 CRI IO Analytics 对不同细胞治疗类型和药物靶点信息的定义进行整理。根据不同的作用机制，细胞疗法分为七类：(1) CAR-T，(2) T 细胞受体 (TCR)，(3) 针对未指定的肿瘤相关抗原 (TAA) 或肿瘤特异性抗原 (TSA) 的自体循环 T 细胞，(4) 肿瘤浸润 T 细胞 (TIL)，(5) 基于新技术的 T 细胞疗法（如诱导多能干细胞 (iPSC)、CRISPR 或 γδT 细胞），(6) 源自自然杀伤 (NK) 或 NKT 细胞的细胞疗法，以及 (7) 源自其他细胞类型的疗法（其他细胞疗法，如巨噬细胞或干细胞）。符合癌症疫苗条件的细胞疗法被排除在本次分析之外。临床试验数据来自 GlobalData 的临床试验数据库 (globaldata.com)，该数据库来自 50,000 多个来源，包括全球 190 多个临床试验注册中心、科学会议、公司新闻稿、投资者介绍、SEC 文件、已发布的报告和许多其他来源。在之前的报告中，临床试验信息仅来自 clinicaltrials.gov。随后分析了符合 CRI IO Analytics 定义的研究细胞疗法的试验。药物和临床试验的截止点为 2020 年 3 月 31 日，分析使用 PostgreSQL 和 Tableau 完成。
蓝色大象检查熊猫：SQL
抽象数据预处理，将数据转换为适合训练模型的合适格式的步骤，很少发生在数据库系统中，而是在外部Python库中，因此需要首先从数据库系统中提取。但是，对数据库系统进行了调整以进行有效的数据访问，并提供汇总功能，以计算数据（偏见）中某个值的不足或过分代表所需的分布频率。我们认为，具有SQL的数据库系统能够执行机器学习管道，并发现技术偏见（通过数据预处理引起的）有效地。因此，我们提供了一组SQL查询，以涵盖数据预处理和数据检查：在预处理过程中，我们用标识符注释元组以计算列的分布频率。要检查分布更改，我们将预处理的数据集与元组标识符上的原始数据集一起加入，并使用聚合功能来计算每个敏感列的出现数量。这使我们能够检测到过滤元组的操作，从而删除了列的技术偏见，即使已经删除了列。为了自动生成此类查询，我们的实施将Mlinspect项目扩展到以Python编写的现有数据预处理管道到SQL查询，同时使用视图或公共表格表达式（CTES）维护详细的检查结果。评估证明，超出主机数据库系统的现代现代化，即umbra，加速了预处理和检查的运行时。即使是基于磁盘的数据库系统，甚至在实现视图时也显示出与UMBRA的相似性能。
使用AI
信息科学与工程，Visvesvaraya Technological University摘要：此项目使用计算机视觉和机器学习来创建虚拟试用室和推荐系统，以改善电子商务时尚体验。cnns用于预测身体形式以获得更精确的建议，并且建议引擎使用基于协作和内容的过滤来根据用户偏好，过去的购买和样式提供时尚项目。为了根据每个用户的口味，样式和车身类型提供服装建议，建议引擎将使用协作过滤和基于内容的过滤算法。同时，一个由计算机视觉驱动的虚拟试用室让客户可以通过将合奏叠加在用户提供的图像或头像上并根据车身测量来修改尺寸，以创建逼真的拟合模拟。通过分析用户提供的图片，我们可以增强身体形式检测，提高拟合精度和建议精度。，由于响应迅速的Web界面，用户将能够上传照片，查看建议并几乎可以实时尝试服装。数据处理将由烧瓶或Django-Built Backend处理，该后端还将毫不费力地与PostgreSQL或MySQL数据库进行交互以存储用户和建议数据。该系统是为了高性能和可扩展性而构建的，并托管在云基础架构上。通过提供个性化的建议并以精确的拟合可视化降低回报，该集成系统旨在提高用户幸福感。本网站允许用户以数字方式尝试服装并进行购买，这最终改善了消费者的幸福感并降低回报率。
癌细胞治疗的临床管线
cPR，临床部分缓解；HNSCC，头颈部鳞状细胞癌；NSCLC，非小细胞肺癌；ORR，客观缓解率；SD，病情稳定；uPR，未经证实的部分缓解补充方法数据集和分析细胞免疫治疗药物的数据是从 GlobalData 的药物数据库收集的，随后由癌症研究机构 (CRI) 根据 CRI IO Analytics 对不同细胞免疫治疗类型和药物靶标信息的定义进行整理。根据不同的作用机制，细胞免疫疗法分为七类：（1）CAR-T，（2）T 细胞受体（TCR），（3）针对未指明的肿瘤相关抗原（TAA）或肿瘤特异性抗原（TSA）的自体循环 T 细胞，（4）肿瘤浸润淋巴细胞（TIL），（5）基于新技术（如诱导多能干细胞 (iPSC)、CRISPR 或 γδT 细胞）的 T 细胞免疫疗法，（6）源自自然杀伤 (NK) 或 NKT 细胞的细胞免疫疗法，以及 (7) 源自其他细胞类型（其他细胞免疫疗法，如巨噬细胞或干细胞）的疗法。符合癌症疫苗条件的细胞免疫疗法被排除在分析之外。临床试验数据来自 clinicaltrials.gov。随后分析了符合 CRI IO Analytics 定义的细胞免疫疗法试验。数据提取于2020年4月，分析使用PostgreSQL和Tableau完成。CAR-T细胞临床应用的真实世界数据来自IQVIA专有数据库，该数据库包含来自1.1亿患者的美国医疗和处方索赔数据库，其中76%来自私人保险索赔，21%来自医疗保险索赔，4%来自医疗补助索赔。