XiaoMi-AI文件搜索系统
World File Search SystemTutorial
GSAS-II 晶体和相称磁结构教程
~ 30%：高知名度出版物：Nature materials、Nature energy、Nature physics、Nature chemistry、PRL、Nature Communications、PRX、Advanced materials、Angewandte Chemie International Edition、JACS 等；
envi机器学习教程：监督分类
要为监督分类器创建培训数据，必须使用光栅和相关的ROI提取标记的像素。您将使用Envi机器学习ML培训数据从ROIS任务来创建培训数据。此任务将从.xml文件中指定的ROI识别的栅格中提取所有标记的像素。将创建一个包含单一光谱的新栅格。训练栅格的尺寸为（行= 1，列=输入栅格列，bands =输入栅格频段 + 1）。附加频段将提供每个像素的数字值，此数字值代表每个像素的类标签值。
用生成ai
本教程解决了将大型语言模型（例如ChatGpt）纳入数据分析类别的挑战。它详细介绍了几种由人工智能（AI）启用的新的课堂内和室外教学技术。这里有三个示例：讲师可以通过让学生与不同的定制GPT进行互动以学习分析的不同部分，然后互相教彼此从GPT中学到的知识来并行化指导。教师可以将问题集变成AI辅导会议：定制的GPT指导学生解决问题，学生将聊天室上传到聊天室进行作业提交。教师可以为课程的每个部分分配不同的实验室，并让每个部分创建AI助手，以帮助其他部分通过其实验室工作。本教程提倡自然语言编程（NLP）范式，其中学生用语言（例如英语）表达所需的数据转换，然后使用AI来生成相应的计算机代码。学生可以用NLP更有效地将数据与Excel更有效。
强化学习教程第2周，第3周 - mabs和mdps
在本周的教程中，我们将开始考虑将“现实世界”概率建模为增强学习问题。i引用“现实世界”，因为我们将在学术界典型地求助于所谓的“玩具问题”。部分是因为它们更易于编写，并且更容易限制范围。的一部分是因为它允许我们将可控制的孔戳入问题中，并使局限性和假设更加清晰。与您没有潜在的考虑（尤其是从您的日常经验中造成更现实的问题），这会触发许多我们不能总是预测的个性化思想），而是一次介绍给他们。，当您从一开始就接受它是“故事”而不是完全现实时，您可以专注于我们试图交流的内容要容易得多。
大气科学的机器学习解释性教程
摘要：随着解释机器学习（ML）模型的兴趣越来越多，本文综合了许多与ML解释性相关的主题。我们将解释性与解释性，本地解释性以及功能重要性与功能相关性区分开。我们演示和可视化不同的解释方法，如何解释它们，并提供完整的Python软件包（Scikit-templain），以允许未来的研究人员和模型开发人员探索这些解释能力方法。解释性方法包括Shapley添加性解释（SHAP），Shapley添加剂全球解释（SAGE）和累积的局部效应（ALE）。我们的重点主要放在基于沙普利的技术上，这些技术是增强模型解释性的各种现有方法的统一框架。例如，制造一致的方法，例如可解释的模型 - 不合Snostic解释（lime）和树解释器，用于局部解释性，而鼠尾草则统一了对全球解释性的置换重要性的不同变化。我们提供了一个简短的教程，用于使用三个不同数据集解释ML模型：用于对流的模型数据集用于恶劣天气预测，一个用于子冷冻道路表面预测的幕后数据集，以及用于雷电预测的基于卫星的数据。此外，我们还展示了相关特征对模型的解释性的不利影响。最后，我们演示了评估特征组的模型图案而不是单个特征的概念。评估特征组可减轻特征相关性的影响，并可以对模型提供更全面的理解。本研究中使用的所有代码，模型和数据都可以自由使用，以加速大气和其他环境科学中的机器学习解释性。
机器学习中的拓扑方法：从业者的教程
允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。
电光/红外 (EO/IR) 理论和...的教程
除上述因素外，EO/IR传感器的性能还取决于光学，检测器和显示。因此，仅根据规格来评估EO/IR传感器的潜在效用是不明智的，即不使用详细的工程模型。尽管如此，所有其他事物都是平等的，可以说，对于旨在识别或识别目标的成像传感器，最好拥有具有较小检测器元件的焦平面阵列，假设光学调制传输函数（MTF）并不限制整体系统MTF。这是因为，如果地面样品距离是限制因素，则此类设计的分辨率的改进将提高范围性能。在类似的“经验法则”静脉中，具有较大焦距的光学器件为更好的分辨率提供了潜力，假设探测器的MTF并不限制整个系统MTF。这是以减少传感器的整体视野为代价的。但是，我们强调的是，很难先到先验地预期影响图像质量的所有因素如何相互作用。因此，我们建议使用建模和详细的系统分析来解释潜在的传感器性能。
SC18离散优化的教程量子方法
抗铁磁性海森堡模型：大致相邻的量子颗粒的目的是朝相反的方向排列。例如，这种哈密顿量是作为所谓的莫特绝缘子的有效哈密顿人。[图像：Sachdev，Arxiv：1203.4565]
第27届ICPR教程 2024.12.01 - 赵鑫
赵欣教授于2013年获得中国科学技术大学博士学位。他的研究兴趣包括视频分析和性能评估，尤其针对目标跟踪任务。他发表过许多国际期刊和会议论文，例如IJCV、IEEE TPAMI、IEEE TIP、IEEE TCSVT、CVPR、ICCV、NeurIPS、AAAI、IJCAI。最近，他主要进行人机视觉评估方面的研究。他构建了多个广泛使用的计算机视觉基准测试集（例如GOT-10k、VideoCube、SOTVerse、Biodrone等）并建立了在线评估平台。他定期担任以下会议和期刊的程序委员会成员或同行评审员：CVPR、ICCV、ECCV、ICML、NeurIPS、ICLR、IJCV、IEEE TPAMI、IEEE TIP、IEEE TMM等。
机器学习-Nastran Sol 200教程
培训数据 - 机器学习过程利用目标和约束的回归模型来确定可能的最佳位置。在机器学习过程开始之前，首先使用培训数据构建回归模型。培训数据包括整个设计空间的各个点或样本的目标和约束响应。此示例使用50个样本的拉丁超立方体设计来生成必要的初始训练数据。