XiaoMi-AI文件搜索系统
World File Search SystemPredict
一种预测心脏病的新方法：机器学习技术
抽象的心脏病和机器学习是两个不同的词，其中一个与医学领域有关，另一个与人工智能有关。在医疗中，大多数人都面临着心脏病的问题，机器学习正在发展计算机科学领域。心脏病被称为心脏病，它提供了更多的数据或信息，应收集它以提供患者的报告，并且机器学习还需要用于预测和解决问题的数据。机器学习技术用于预测心脏病的预测，在这种预测中，它以更少的计算时间和更高的准确性来促进其健康。心脏病预测需要大量的数据来预测，在云计算中，我们也有更多数据，并且在云中可用的数据很难分析。因此，我们使用机器学习算法或技术来预测心脏病，并且以相似的方式应用了这些算法或技术来预测或分析云中可用的数据。在本文中，我们将使用称为Backpropagation算法的机器学习算法，后来我们以后使用优化算法。反向传播算法涉及人工神经网络。反向传播是一种方法，用于计算一批数据后每个神经元的误差贡献（在图像识别，多个图像中）。这是由包围优化算法使用的，以调整每个神经元的重量，从而完成该情况的学习过程。机器学习算法和技术用于识别人类风险问题的强度，它可以帮助患者采取安全措施，以挽救患者的生命。关键字：机器学习，云计算，心脏，反向传播，优化
引用刘XZ，Duan MJ，Huang HD，Zhang Y，Xiang Ty，Niu WC，Zhou B，Wang HL和Zhang TT（2023）预测2型Diabe
糖尿病是指具有高血糖的慢性流行代谢疾病。国际糖尿病联合会（IDF）的最新统计数据表明，到2019年，全球约有4.63亿成年人（年龄在20至79岁之间）将患有糖尿病；到2045年，糖尿病患者的人数估计达到7亿（1）。糖尿病并发症已被发现是糖尿病患者死亡的主要原因（2），其中76.4％的糖尿病患者至少报告了一种并发症（3）。糖尿病性肾脏疾病（DKD）是糖尿病的主要微血管并发症，其特征在于高患病率，死亡率和治疗成本，但较低的意识和预防和治疗率较差（4）。在中国，近20-40％的糖尿病患者患有DKD，而DKD的意识率低于20％，治疗率甚至低于50％（5）。DKD的典型进展是指尿白蛋白排泄的初始增加（称为微藻尿症），该尿伴随着大量蛋白尿，随后肾功能的快速下降。结果，蛋白尿已被认为是从传统角度开始肾功能下降的初始途径（6）。但是，由于发现许多蛋白尿患者可以自发地恢复到正常的白蛋白排泄率，或者是基于DKD的综合风险管理（7-11），因此上述理论受到了挑战。尽管增加的筛选频率可以避免延迟诊断，但这并不均匀地实现。在此基础上，微量白蛋白尿作为DKD的传统标志和干预的最佳机会的有效性受到挑战，因为DKD在发作过程中通常是阴险的（12）。尽管肾脏活检能够将DKD与糖尿病肾脏疾病（NDKD）区分开，但尚未验证黄金标准以评估DKD的发展。此外，DKD的预防，早期诊断和治疗在降低糖尿病患者心血管事件的发生率并改善其生存率和生活质量方面具有重要意义。因此，迫切需要
评估模型中的算法偏见，以预测菲律宾学生的学习成绩
摘要算法偏见是教育环境中机器学习模型中的主要问题。但是，它尚未在亚洲学习环境中进行彻底研究，并且只有有限的工作才考虑了基于区域（亚国家）背景的算法偏见。作为解决这一差距的一步，本文研究了菲律宾一所大型大学的5,986名学生的人口，并根据学生的区域背景调查了算法偏见。大学在广泛领域的在线课程中使用了画布学习管理系统（LMS）。在三个学期的典范上，我们收集了4870万个学生在画布中活动的日志记录。我们使用这些日志来训练从LMS活动中预测学生成绩的二进制分类模型。表现最佳的模型达到0.75，加权F1得分为0.79。随后，我们根据学生区域检查了偏见的数据。使用三个指标进行评估：AUC，加权F1得分和MADD在所有人口组中均显示出一致的结果。因此，在年级预测中对特定学生群体没有观察到不公平。
功率控制器的可靠性预测 - DTIC
[ 直流控制器是一种微电子混合设备。采用了 MIL-HDBK-217B 通知 2《电子设备可靠性预测》第 2.1.7 节中的混合故障率预测模型和程序。这种预测方法需要识别单个电子零件和基板，以及每个零件的单独电应力数据。热应力是由混合封装温度和零件功率耗散引起的。
使用机器学习的消费者评估用于消费者购买指标的预测分析
随着当前网络平台用于在线电子商务的快速开发，除了透明的价格竞争外，买方的反馈也对消费者的购买决策也有合理的影响。今天，我们可以看到，近年来，消费者在相关网站上的反馈行为，包括著名的在线购物平台，例如亚马逊购物，Shopee Shopping和Toobao，近年来逐渐得到了增强。消费者反馈的实质性建议是否有助于其他肤浅的消费者阅读他们以改善购物习惯。在这项研究中，我们使用机器学习自动对反馈注释进行分类，并监视购物交易量的增长趋势，从而选择Shopee购物平台作为实验案例。根据评论提供的客户提供的建议已融入情感单词管理分析中，并且单词和单词分数得到了加权。最后，建造了商店销售引擎，该引擎模拟消费者的行为，使用审核管理过滤可变因素，并优化了预测消费者购物的指标。
使用机器学习的心脏病预测系统
我还感谢达卡Diit讲师Mizanur Rahman为我们提供了成功完成该项目的设施。我还对达卡（Dhaka）的DIIT讲师，讲师为我们提供了成功完成该项目的设施。我也表示感谢Mushfiqur Rahman，Dhaka Diit讲师，为我们提供了成功完成该项目的设施。
预测子宫内膜癌的免疫疗法效应
免疫疗法代表了一种开创性的治疗方法，基于免疫系统干扰肿瘤进展的内在能力，这为子宫内膜癌的治疗打开了水平。但是，免疫疗法的临床效率受到患者耐药性的发展受到阻碍。对免疫疗法的耐药性是多因素机制，包括调节免疫检查点分子的肿瘤细胞中的遗传和表观遗传改变，导致免疫监测逃避。肿瘤微环境可以协调免疫抑制环境，减轻免疫反应并促进肿瘤进展。要克服子宫内膜癌中的免疫治疗性，我们必须揭示肿瘤细胞，宿主免疫系统和肿瘤微环境之间复杂相互作用的机制。必须开发对免疫治疗反应的预测生物标志物的识别和能够逆转抗药性途径的创新剂。我们的评论总结了有关肿瘤微环境细胞作用及其调节分子在免疫检查点抑制剂的治疗作用的机制中的积累数据，包括抗治疗性。我们在这里提出的主要问题 - 哪一组患者最有利于在子宫内膜癌中获得持久的免疫疗法反应？
VIT-COMER：具有卷积多尺度特征相互作用的视觉变压器，用于密集预测
尽管Vision Transformer（VIT）在计算机视觉方面取得了显着的成功，但由于缺乏内部绘制互动和特征量表的多样性有限，它在密集的预测任务中表现不佳。大多数现有的研究致力于设计视觉特定的变压器来解决上述问题，从而涉及额外的培训前成本。因此，我们提出了一种普通的，无培训的且具有特征增强的vit背骨，并具有指定性的特征性动作，称为Vit-Comer，可促进CNN和Transformer之间的双向相互作用。与现状相比，VIT-COMER具有以下优点：（1）我们将空间金字塔多触发性场卷积特征注入VIT体系结构，从而有效地减轻了VIT中局部信息相互作用和单场表述的有限问题。（2）我们提出了一个简单有效的CNN转换器双向交互模块，该模块在跨层次特征上执行多尺度融合，这对Han-dling密集的预测任务有益。（3）我们评估了在各种密集的预测任务，不同框架和多个高级预训练中VIT-COMER的能力。值得注意的是，我们的VIT-COMER-L在没有额外训练数据的情况下可可Val2017上的AP达到64.3％，而ADE20K Val上的MIOU为62.1％，这两种方法都与最先进的方法相当。我们希望VIT-COMER可以作为密集预测任务的新骨干，以促进未来的研究。该代码将在https：//github.com/traffic-x/vit-comer上发布。
引用了原始发表的论文（记录的版本）：约瑟夫·D·，戈尔格，T.，Turanoglu Bekar，E。等（2022）。预测维护应用
摘要：维护设备对于增加生产能力和减少生产时间至关重要。随着数字化的出现，行业能够访问大量数据，这些数据可通过实施预测性维护来确保其长期的生存能力和竞争优势。因此，本研究旨在使用来自汽车行业公司的公司的大数据来证明对机器人单元的预测维护应用。开发了一个超参数长期记忆（LSTM）模型，结果表明该模型能够以良好的精度预测失败的一天。分析了进行实际工业计划所固有的困难，并提出了改进建议。
