XiaoMi-AI文件搜索系统
World File Search SystemTrees
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
碎片颗粒（TFG）的作用在
我们在本文中提出了一个特殊的科学数据集，允许研究太阳能超晶体细胞内部的结构和演变。通过局部相关跟踪技术（LCT）从HINODE（JAXA/NASA）观测值开始，使用局部相关跟踪技术（LCT）证明了碎片颗粒（TFG）和相关流的树。数据集的处理表现出TFG的演变，并表明它们的相互作用能够在10个ARCSEC（中型）上比颗粒（1至2小时）建立寿命更长的水平流动。这些流动作用于Intranetwork磁元素的扩散以及网络的位置和形状。因此，TFG似乎是超晶体形成和进化所涉及的主要元素之一。
心脏疾病诊断 - 使用 - 诊断 - 与...
摘要：治疗医疗数据的进步每天都会显着增长。准确的数据分类模型可以帮助确定患者疾病并诊断医疗领域的疾病严重程度，从而减轻医生的治疗负担。尽管如此，医疗数据分析列出了由于不确定性，各种测量和数据的高维度之间的相关性而引起的挑战。这些挑战负担统计分类模型。机器学习（ML）和数据挖掘方法已被证明在近年来有效地了解了这些方面的重要性。这项研究采用了名为决策树（DT）的众所周知的监督学习分类模型。dt是一种典型的树结构，由中央节点，连接的分支以及内部和末端节点组成。在每个节点中，我们都必须做出决定，例如基于规则的系统。这种类型的模型可帮助研究人员和医生更好地诊断疾病。为了降低所提出的DT的复杂性，我们使用特征选择（FS）方法探索了更简单的诊断模型，其因素较少。此概念将有助于减少数据收集阶段。在开发的DT和其他各种ML模型之间进行了比较分析，例如Logistic回归（LR），支持向量机（SVM）和Gaussian Naive Bayes（GNB），以证明已开发模型的有效性。DT模型的结果建立了93.78％的明显精度，ROC值为0.94，比其他算法比其他算法。开发的DT模型提供了有希望的结果，并可以帮助诊断心脏病。
缓解全球温室气体排放：树木作为二氧化碳固存的干净机制的作用
气候变化（CC）被认为是对粮食安全的主要威胁之一，环境可持续性，包括二十一世纪的人类健康发展（Christensen等，2007； Seager等，2007）。政府间气候变化小组（IPCC）得出结论，气候在过去的一个世纪发生了变化，在过去的一个世纪中，人类活动对这些变化产生了影响，预计气候将在未来继续变化（IPCC，2007年）。即使在保护方案下，未来的气候变化也可能包括在某些地区（Christensen等，2007; Seager等，2007）的全球平均温度（高于2°C -4°C）的进一步升高，并在某些地区有显着干燥，并且在极端的极端潮流，热潮和热浪中的频率和严重程度增加（ipccccccccccc，2007年），2007年，2007年。
文章 图像质量对细菌分类模型性能的影响研究 Treesukon Treebupachatsakul 1,a , Wanwalee Chomkwah 1 ,
2 泰国曼谷拉卡邦先皇理工学院信息技术学院，1 Chalong Krung 1 Alley，Ladkrabang，Bangkok 10520，泰国电子邮件：a treesukon.tr@kmitl.ac.th，b，* suvit@it.kmitl.ac.th（通讯作者）摘要。深度学习模型构建中监督学习的关键要求之一是用于训练和验证的数据集。为了收集数据集，从不同资源获取各种质量的图像是不可避免的，这被认为会影响监督模型的性能。本研究旨在证明涉及从两个不同资源获得的高和标准数据集的图像质量对模型性能的影响。对具有革兰氏阳性菌和革兰氏阴性菌数据集的各种细胞特征进行了试验。这些不同的数据集被匹配并贡献了 5 个案例；案例 1：使用高质量图像进行训练和测试，案例 2：使用高质量图像进行训练并使用标准质量图像进行测试，案例 3：使用标准质量图像进行训练和测试，案例 4：使用标准质量图像进行训练并使用高质量图像进行测试，以及案例 5：结合这两种图像质量进行训练和测试。实施了预训练的 CNN 模型来证明使用和不使用分层 K 折交叉验证的目的。重新训练模型的结果表明，高性能模型需要从与测试集相同资源中获得的高质量数据集，在具有挑战性的未知数据集上进行测试时，这些数据集可产生超过 90% 的所有性能评估指标。这项研究为构建可用于自动化微生物诊断的高性能模型提供了宝贵的见解，对公共卫生和临床实践产生了影响。
综合预测与优化规范树在可再生能源交易中的应用
摘要 — 从数据中得出决策通常涉及一个包含两个部分的连续过程，即预测和优化。预测模型通过最小化代表特定任务成本（例如交易、调度）的损失函数来学习，而不考虑下游优化，这在实践中会造成性能瓶颈并掩盖数据对决策的影响。这项工作提出了一个单一的数据驱动模块，该模块利用优化组件的结构并直接学习以解释数据为条件的策略。为此，我们描述了一种算法，通过直接最小化特定任务的成本来训练决策树集合，并通过原始问题的加权样本平均近似来规定决策。然后，我们开发了一个通用框架来评估解释数据对规定性能的影响。为了说明所提出的建模方法的有效性，我们考虑了两个与可再生能源交易相关的案例研究。首先，我们研究日前市场的交易，并提出平衡最佳交易决策和预测准确性的策略。接下来，我们添加一个存储设备，并基于使用线性决策规则方法的可处理近似值共同优化日前报价和运营策略。实证结果表明，与标准随机优化框架下得出的解决方案相比，规范性能有所提高。此外，我们还提供了关于解释性数据如何影响优化性能以及这种影响在不同市场设计下如何演变的宝贵见解。
Géraldin Nanfack、Paul Temple、Benoît Frénay。学习针对领域知识约束的定制决策树。模式识别，2023 年，142，页
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
分层聚类与可解释的患者分层的原理成分集合
摘要。患者分层通过基于其分子和/或临床特征鉴定出不同的亚组，在个性化医学中起着至关重要的作用。但是，许多基于机器学习的分层技术无法识别与每个患者组相关的本质生物标志物特征。在本文中，我们提出了一种使用分层集合聚类来解释的患者分层的新方法。我们的方法利用具有与主成分分析（PCA）结合的采样，以捕获最重要的模式和贡献生物标志物。我们使用机器学习基准数据集和来自癌症基因组地图集（TCGA）的现实世界数据的方法的有效性，展示了检测到的患者簇的可解释性。
基于高通量定量PCR
Aurore Loquet，RémiLeGuern，Teddy Grandjean，Claire Duboyez，Marvin Baudin等。基于高促销定量PCR的孕妇，用于孕妇的Bacertill阴道病诊断的克拉斯菌和回归树。分子诊断杂志，2021，23（2），pp.234-241。10.1016/j.jmoldx.2020.11.004。hal-03311394
在肯尼亚的卢肯尼亚大学种植1000万棵树
卢肯尼亚大学（Lukenya University）最近开始实施一项一千万棵树生长计划，这是一部分更大的国家跨国乡村跨机构的树木种植计划。在本文中，我们描述了与树选择和种植本身有关的方法。请注意，大多数树木不是由机构直接植入农民在土地上种植的，并指示如何选择位置以及如何在技术上进行种植和维护，以确保对树木及其周围环境的成功取得更大的成功。，就种植的生物学和与小农社区的社会互动而言，这一知识源于多年的经验。我们跟踪许多不同树种的子样本的生存和生长。操作大约两年后，我们对初步数据进行了统计分析。我们观察到对本地树的生存和相对生长量具有统计学意义的优势，以及在绘制之前的上述综合教学，除其他观察结果外，我们还与所进行的假设检验相关。最后，我们对树木的碳固换和经济价值进行了估计。总而言之，本文介绍了一项树木种植计划的全面透明展示，这是一种普遍的努力，旨在最大化社会福利和气候变化的弹性，因此，这样做可以发展