XiaoMi-AI文件搜索系统
World File Search SystemSVMS
使用机器学习的房屋价格预测-IJRPR
机器学习模型，例如线性回归，随机森林，梯度提升和SVM，对房价预测有效。回归技术捕获特征关系，而高级方法处理复杂的模式。预处理和功能工程可显着提高模型性能。将算法结合到整体方法中可确保可靠的预测和适应性。全面的数据集和用户友好的接口改善了实用性。此策略为房地产估值提供了准确的见解，并支持利益相关者的知情决策。
迈向人机交互决策科学
“浅层”模型：逻辑回归[16、39、41、45、68、86、106、143]，线性回归[28、37、101、111]，广义加性模型∗（GAM）[1、13、39、43、49、128、135]，决策树 / 随机森林[29、45、54、55、86、92、97、137、144、155]，支持向量机（SVM）[41、80、81、86、94、114、147、 152]、贝叶斯决策列表[82]、K最近邻[77]、浅层(1至2层)神经网络[45,106]、朴素贝叶斯[125]、矩阵分解[78]
超级金属：一种生成的AI框架，用于蛋白质中的快速，精确的金属离子位置预测
最初的计算方法用于mRNA定位是单个标签分类任务，其中每个mRNA被预测仅定位为一个特定的隔室。rnatracker采用了深层复发的神经网络来预测mRNA定位[6]。iloc-mRNA，利用支持载体机（SVM）来预测在同性恋中的mRNA定位，[7]。sublocep通过集中在特定的细胞室，同时保留在单标签分类框架内[8]，进一步完善了预测。但是，它们本质上受到这样的假设，即每个mRNA仅定位到一个与生物学现实不符的隔间。许多mRNA众所周知，可以定位在多个隔间中，从而在细胞内履行各种作用[9，8]。
迁移学习和 SpecAugment 应用于基于 SSVEP 的 BCI 分类
目标：我们使用深度卷积神经网络 (DCNN) 对基于稳态视觉诱发电位 (SSVEP) 的单通道脑机接口 (BCI) 中的脑电图 (EEG) 信号进行分类，该接口不需要用户进行校准。方法：EEG 信号被转换为频谱图，并作为输入，使用迁移学习技术训练 DCNN。我们还修改并应用了一种通常用于语音识别的数据增强方法 SpecAugment。此外，为了进行比较，我们使用支持向量机 (SVM) 和滤波器组典型相关分析 (FBCCA) 对 SSVEP 数据集进行了分类。结果：从微调过程中排除评估用户的数据后，我们使用较小的数据长度（0.5 秒）、仅一个电极（Oz）和具有迁移学习、窗口切片（WS）和 SpecAugment 时间掩码的 DCNN，对来自开放数据集的 35 名受试者实现了 82.2% 的平均测试准确率和 0.825 的平均 F1 分数。结论：使用单个电极和较小的数据长度，DCNN 结果优于 SVM 和 FBCCA 性能。迁移学习提供的准确率变化很小，但使训练速度更快。SpecAugment 实现了小幅性能改进，并成功与 WS 结合，获得了更高的准确率。意义：我们提出了一种使用 DCNN 解决 SSVEP 分类问题的新方法。我们还修改了语音识别数据增强技术并将其应用于 BCI 环境中。所提出的方法在数据长度较小且只有一个电极的 BCI 中超越了 FBCCA 和 SVM（更传统的 SSVEP 分类方法）所获得的性能。这种类型的 BCI 可用于开发小型快速系统。
从肉到骨头：法医学的多词方法
质量控制； QQQ，三倍四倍； q-tof，四杆飞行时间； RF，随机森林； RFLP，终末限制片段长度多态性； RMSE，根平方错误； RNA-seq，RNA测序； SBL，结扎测序； SBS，通过合成测序； SCD，心脏猝死； SGD，随机梯度下降； SIDS，婴儿死亡综合症； Silac，氨基酸在细胞培养中稳定的异位标记； Sirm，稳定的同位素分辨代谢组学； SMRT，单分子，实时； SNP，单核苷酸多态性； SQT，简短的QT综合征；德克萨斯州东南部的Stafs应用法医学； STLFR，单管长片段读取； str，短串联重复； SVM，支持向量机； SVM，支持向量机； tadr，胸主动脉
使用机器学习预测遗传疾病...
5 Nagendra R 1234 B.E学生，CSE系，M Visvesvaraya爵士，印度班加罗尔VTU的M Visvesvaraya爵士，5 CSE，M VISVARAYA爵士，VTU爵士，VTU，VTU爵士，印度孟加拉罗尔，印度孟加拉罗尔爵士：遗传疾病：遗传性疾病呈现其复杂性的遗传性挑战。该项目旨在使用机器学习来开发一种预测模型，以鉴定基于遗传信息的遗传疾病风险。它从来自已知疾病和健康对照的个体的基因组数据的多样化数据集开始。预处理技术增强了数据集，然后使用SVM，随机森林和神经网络等算法进行培训和评估模型。特征重要性分析标识关键标记。模型通过交叉验证进行微调以符合鲁棒性。这项研究进步了预测医学，为早期疾病鉴定提供了一种工具，可能会彻底改变遗传筛查并改善患者的结果。
电子邮件启用警报网络入侵检测系统
Hegde 5，Harsh Kumar 6 1，2，2，3，4，5，6计算机科学和工程总统大学班加罗尔，印度摘要 - 在不断发展的网络安全环境中，强大的入侵检测系统（IDS）的重要性至关重要。本研究探讨了监督机器学习模型的整合，例如决策树，支持向量机（SVM）和随机森林，以提高网络入侵检测系统（NIDS）的能力。建议的方法包括使用KDD-CUP99数据集的数据预处理，功能选择和模型培训。本研究对具有41个特征的模型的性能进行了比较分析，并减少了通过递归功能消除（RFE）获得的15个功能。这项研究有助于理解机器学习在加强电子邮件启动的有效性，从而使NID能够抵抗网络威胁。索引术语 - 网络入侵，监督机器学习，网络攻击检测，网络安全性，电子邮件ALERT，威胁检测。
内存超维计算
生物计算系统以准确性换取效率。因此，降低人工智能系统能耗的一种解决方案是采用本质上对不确定性具有鲁棒性的计算方法。超维计算 (HDC) 就是这样一个框架，它基于这样的观察：人类记忆、感知和认知的关键方面可以通过由高维二进制向量（称为超向量）组成的超维空间的数学特性来解释。超向量定义为具有独立且相同分布 (iid) 分量 1 的 d 维（其中 d ≥ 1,000）（伪）随机向量。当维数为数千时，存在大量准正交超向量。这允许 HDC 使用明确定义的向量空间运算将这些超向量组合成新的超向量，这些运算的定义使得生成的超向量是唯一的，并且具有相同的维数。可以在丰富的超向量代数上构建强大的计算系统 2 。超向量上的群、环和域成为底层计算结构，而排列、映射和逆则是原始计算操作。近年来，HDC 被广泛应用于机器学习、认知计算、机器人和传统计算等各个领域。它在涉及时间模式的机器学习应用中显示出巨大的潜力，例如文本分类 3 、生物医学信号处理 4、5 、多模态传感器融合 6 和分布式传感器 7、8 。HDC 的一个关键优势是训练算法只需一次或几次即可完成：也就是说，对象类别是从一个或几个示例中学习到的，并且只需对训练数据进行一次传递，而不是经过多次迭代。在突出的机器学习应用中，与支持向量机 (SVM) 4 、极端梯度提升 9 和卷积神经网络 (CNN) 10 相比，HDC 以更少的训练示例实现了相似或更高的准确率，与 SVM 11、CNN 和长短期记忆 5 相比，在嵌入式 CPU/GPU 上的执行能耗更低。HDC 在认知计算中的应用包括解决瑞文渐进矩阵 12 、蜜蜂概念学习的功能模仿 13 和类比
利用人工智能进行自动测试和软件开发中的质量保证
ML模型，例如决策树，支持向量机（SVM）和神经网络，分析了各种指标，包括代码复杂性，提交历史记录和开发人员活动，以预测易缺陷的模块。例如，在先前的错误报告上训练的模型可以识别与缺陷相关的模式，例如高环境复杂性或对特定文件的频繁修改[25]。通过在开发周期的早期提供可行的见解，这些模型可以帮助团队优先考虑测试工作并有效地分配资源。大型企业项目中的一个案例研究证明了缺陷预测模型的影响。实施对历史缺陷数据训练的随机森林分类器，将未发现的关键错误的数量减少了40％，并将整体测试时间减少了25％[26]。同样，使用基于SVM的模型的软件组织报告了缺陷检测准确性30％，从而更快地识别和解决高风险问题[27]。