XiaoMi-AI文件搜索系统
World File Search SystemPreprocessing
抽象 - 准确，及时的医学诊断是有效医疗保健提供的基石，但是传统方法通常与效率低下
•Barodiya，V。K.（2022）。使用机器学习对疾病诊断的研究。本文在医学诊断任务中评估了各种ML模型的性能，包括SVM和深度学习。该研究还探讨了数据预处理技术以提高模型的准确性。与项目的相关性：研究结果与该项目的重点放在利用SVM和强大的预处理技术上，以检测具有高精度的复杂疾病。•Luo，X.，Wang，Y。，＆Lee，L。（2021）。基于机器学习的诊断系统的开发和五项评估。本文提供了一个全面的框架，用于使用精度，回忆和F1得分等指标评估机器学习模型。与该项目的相关性：研究中讨论的评估指标直接适用于评估提出的系统的性能，从而确保诊断预测的准确性和可靠性。
确定改善移动和固定实验中EEG数据基于ICA基于ICA的分解的关键因素
EEG硬件和分析方法中的摘要最新发展允许在固定设置和移动设置中进行记录。否则实验设置，脑电图记录被噪声污染，必须在功能解释数据之前将其删除。独立的组件分析（ICA）是一种综合使用的工具，可从数据中删除眼部运动，肌肉活动和外部噪声，并分析有关脑电图有效脑源水平的活动。过滤数据的有效性是改善先前研究的分解的一个关键预处理步骤。然而，迄今为止尚无研究比较有关ICA分解预处理的移动和固定实验的不同要求。因此，我们评估了脑电图实验，通道数量和预处理过程中高通滤波器的临界值如何影响ICA分解。我们发现，对于常用的设置（固定实验，64个通道，0.5 Hz滤波器），ICA结果是可以接受的。但是，在移动实验中应使用高达2 Hz截止频率的高通滤波器，并且更多的通道需要更高的过滤器才能达到最佳分解。在移动实验中发现了更少的大脑IC，但是即使使用低密度通道设置，使用ICA清洁数据也很重要且功能性。根据结果，我们为改善ICA分解的不同实验设置提供了指南。
机器人噪音：对电生理测量和建议的影响
评估人机交互 (HRI) 对于理解机器人为日常生活带来的价值至关重要。本文研究了机器学习分类技术在 HRI 期间解释生理信号的稳健性，考虑到机器人行为可能引起的伪影。通过一项涉及三个认知努力水平的 30 名参与者的用户研究探讨了这一现象。本研究使用了各种生理传感器，包括脑电图 (EEG)、光电容积描记法 (PPG) 和皮电活动 (EDA)。结果表明，EEG 和 PPG 信号受到机器人引起的噪声的影响，而 EDA 则不受影响。通过改变预处理参数，EEG 也被清除了机器人噪声，并且表现出比 EDA 更好的性能。该研究强调了仔细选择信号、平衡稳健性和信息量的重要性，并强调了预处理对于确保准确分类与用户心理状态相符的重要性。
嘉年华的激流回旋：公众知识的面具的隐私推理
摘要。机器学习应用程序获得了越来越多的访问高度敏感的信息，同时需要越来越多的计算资源。因此，需要将这些计算昂贵的任务外包，同时仍确保数据的安全性和机密性是迫在眉睫的。在他们的开创性工作中，Tramèr和Boneh提出了激流回旋方案，用于隐私 - 通过将计算分为独立于数据的预处理阶段和非常有效的在线阶段来保存推断。在这项工作中，我们提出了一种新方法，可以通过引入狂欢节协议来显着加快预处理阶段。狂欢节利用子集总和问题的伪随机性也可以在预处理阶段实现有效的外包。除了证明安全性外，我们还包括一项经验研究，分析了针对较小参数的子集总和函数输出均匀性的格局。我们的发现表明，狂欢节是现实世界实施的绝佳候选人。
使用深度学习的道路车道线检测
摘要：道路车道线检测对于自动驾驶系统和高级驾驶员辅助系统（ADAS）至关重要。但是，在复杂的交通场景中，诸如阴影，公路模糊和稀疏标记之类的挑战阻碍了准确的检测和实时性能。该项目通过使用Python和OpenCV实施车道检测算法来解决这些问题。该算法通过预处理图像，采用颜色阈值和边缘检测等技术来增强检测，并利用Hough变换来实现车道边界标识。它提供了涵盖图像处理，计算机视觉和OPENCV的全面指南，以及克服挑战的策略。此外，它引入了一种多阶段算法，该算法结合了预处理，特征提取，实例分割，以进行精确的泳道描述以及后处理以进行精制结果。通过实验，这种方法证明了卓越的性能，确保了各种道路条件和环境之间可靠的车道检测，从而有助于自主驾驶技术的发展。
使用人工智能开药 - CS 4732
个性化医疗通过结合临床诊断和机器学习技术，正在成为解决现代医疗问题的更受欢迎的解决方案。通过采用 word2vec 和 TensorFlow 平台等强大的预处理技术，可以根据真实医生的笔记创建人工神经网络输入。
教授Natalya Shakhovska，理学博士，利沃夫理工大学人工智能系主任
大数据需要额外的资源来实现机器学习模型。Map-reduce 范式仅允许并行化该过程，但计算复杂性会增加。新的机器学习模型集合是为数据预处理（特征选择、错过日期插补等）和数据分析而开发的。
使用机器学习优化供应链动力学
CHAPTER 1: Introduction 8 1.1 Introduction 8 1.2 Background Information 8 1.3 Project Goals 9 1.3.1 Research Questions 9 1.4 Research Methodology 9 1.4.1 Demand Prediction 10 1.4.2 Late Delivery Analysis 10 1.5 Limitations of the Study 11 CHAPTER 2: Literature Review 12 2.1 Introduction 12 2.2 Literature Review 12 2.3 Key Takeaways from the Literature Review 25 CHAPTER 3: Project / Data Description 26 CHAPTER 4: Analysis 28 4.1 Data Preprocessing 28 4.2 Feature Engineering 29 4.3 Exploratory Data Analysis 31 4.3.1 Customer Segment Analysis 32 4.3.2 Market Analysis 33 4.3.3 Product Category Analysis 34 4.3.4 Revenue vs Late Delivery 34 4.3.5 Delivery Status 36 4.3.6 Shipping Modes 36 4.3.7 Delivery Status by Shipping Mode 37 4.3.8 Payment Method 38 4.4 Ordinary Least Squares 39 4.4.1 Linear regression utilizing usual least squares (OLS) 39 4.4.2 OLS Regression 39 4.4.3 Linear回归方程43第5章：数据建模46 5.1订单项目数量回归模型46 5.2分类模型 - 延迟交付48第6章：结果52第7章：结论53 7.1供应链问题，如数据集所示53 7.2结论53参考文献55
使用机器学习的摩尔斯密码检测器-IJarcce
摘要：该研究项目的目的是通过利用ESP32微控制器的功能和机器学习能力来创建莫尔斯代码检测系统。一种持久的通信技术，摩尔斯码可用于紧急信号和低功率通信。为了开发灵活而有效的摩尔斯代码检测器，我们计划将当代技术与常规通信方法相结合。该项目的主要目标是创建一个可以精确识别并解码包含Morse代码消息的小型设备。核心处理单元，ESP32微控制器，负责预处理和信号采集。它还为遥控和数据传输提供了平滑的网络选择。为了识别Morse代码信号，我们使用机器学习方法。关键字：ESP32，卷积神经网络，经常性神经网络，信号预处理，音频捕获，实时识别，物联网（IoT），远程监控，通信技术，紧急信号，低功耗通信。