XiaoMi-AI文件搜索系统
World File Search SystemUtilizing
在FEMA项目中利用低碳材料
低碳材料的成本可能因项目的规模和复杂性，地理位置以及项目和建筑团队的经验而有所不同。潜在的节省可能来自去物质化，使用较少的材料来实现相同的功能，或者减少使用更高成本成分（例如波特兰水泥）的使用。在某些情况下，低碳材料比其常规等效物便宜。低碳材料与竞争对手符合相同的性能标准和功能要求。
使用校准环境的感知系统的联合固有和外在校准
摘要 - 基本上所有多传感器系统都必须校准其传感器，以利用其全部潜力进行状态估计，例如映射和本地化。在本文中，我们研究了感知系统的外在和内在校准的问题。传统上，以围板或独特身份标签的形式的目标用于校准这些系统。我们建议将整个校准环境用作支持不同类型传感器的内在和外在校准的目标。这样做，我们能够校准具有不同配置，传感器类型和传感器方式的多个感知系统。我们的方法不依赖于传感器之间的重叠，这些传感器通常在使用经典目标时通常需要。主要思想是将每个传感器的测量值与校准环境的精确模型联系起来。为此，我们可以为每个传感器选择一种最适合其校准的特定方法。然后，我们使用最小二乘调整共同估算所有内在和外部设备。最终评估了我们系统的激光镜头到相机校准，我们提出了一种与校准无关的评估方法。这允许在不同校准方法之间进行定量评估。实验表明我们提出的方法能够提供可靠的校准。
利用机器学习算法进行电子搅拌的全面预测和分析研究
摘要：准确预测客户流失对于希望增强客户保留和维持增长的电子商务企业至关重要。这项研究评估了各种机器学习模型在预测客户流失方面的性能，包括支持向量机（SVM），逻辑回归（LR），极端梯度增强（XGBOOST），随机森林（RF），决策树（DT）和适应性增强（Adaboost）。通过评估每个模型的准确性，精度，召回和F1分数，我们确定集合学习方法，尤其是随机森林和XGBoost，都是优越的。随机森林模型的出色精度为96.81％，精度为95.20％，召回98.70％，F1得分为96.92％。同样，XGBoost的精度为96.27％，精度为93.72％，召回99.31％，F1得分为96.43％。SVM和决策树模型显示出中等的有效性，而逻辑回归和Adaboost的性能指标较低。这些结果突出了整体技术在处理搅拌预测的复杂性方面的强度。该研究得出的结论是，利用高级机器学习模型，尤其是集合方法，可以显着提高客户流失预测的准确性和可靠性。这种进步使电子商务企业能够实施积极有效的客户保留策略，降低流失率并提高客户忠诚度。未来的工作应考虑合并其他功能，并将这些模型应用于现实世界数据集，以进一步验证和完善其预测能力。关键字：客户流失，数据分析，电子商务，机器学习，预测建模。
卷。第5期，第1和2期，第2023页，第36-50页P-issn 2714-5174 Matesun＆Makolo（2023），利用机器学习算法来预测作物产物
摘要随着世界人口的不断扩大，对农产品的需求不断增长。为了确保粮食安全，精确的农作物生产率预测已成为必不可少的。农作物，木薯（Manihot esculenta crantz），是尼日利亚和非洲其他地区种植的温带作物。这是所有部落和地理区域中大部分人口的主要食物来源。为了制定增加木薯生产的实用计划，有必要理解表型元素，其中包括疾病，影响木薯的产量。利用数据集和环境因素预测农业产量，机器学习（ML）技术为这一问题提供了充满希望的解决方案。本研究评论重点介绍了一项旨在使用机器学习估算作物生产率的研究的技术，数据集和结果。基于ML的农业生产力预测模型涉及的数据收集和预处理步骤。木薯的叶子表型和Kaggle收集的图像数据集对于训练和评估机器学习（ML）算法至关重要，这对于准确预测作物生产率至关重要。研究需要选择合适的ML算法。支持向量机（SVM），随机森林（RF）和梯度提升技术。使用多个指标（包括精度，召回和F1得分）评估这些ML模型的有效性。使用模型的弹性，估计模型的性能并防止拟合，交叉验证技术。与SMV和RF相比，研究结果表明，模型的极端增强梯度的准确性预测为0.56（56％）。用于评估模型精度性能率的标准包括精度，召回和F1得分。为了增加农作物的产量，木薯生产率与表型健康成反比。本研究预测数据集的生产率水平将为56％。关键字：表型，木薯，生产力，机器学习。
利用资源估算来开发量子计算应用程序
摘要 — 近年来，量子计算在软件和硬件方面都取得了长足的进步。但要释放量子计算机解决无法有效解决的问题的能力，大规模量子计算必不可少。不幸的是，量子模拟器的复杂性呈指数级增长，同时，目前可用的量子计算硬件仍然相当有限（即使路线图做出了有趣的承诺）。因此，为了评估量子计算应用，最终用户仍然经常被限制在玩具大小的问题实例中（此外，这些实例通常不考虑纠错）。这极大地阻碍了现实世界量子计算应用的开发和评估。在这项工作中，我们展示了如何利用资源估计来改善这种情况。我们展示了如何用估算步骤来补充当前的工作流程（依赖于模拟和/或执行），从而使最终用户 (1) 实际上可以考虑当今现实世界的问题实例（同时考虑错误更正方案和相应所需的硬件资源），(2) 可以开始探索整个设计空间中这些实例的可能优化，以及 (3) 可以结合硬件开发趋势的假设来得出更明智、更好的设计空间参数。总的来说，这使得最终用户今天就可以查看未来可能的量子计算应用的前景，即使执行它们的相应硬件尚未可用。
利用人工智能实现个性化阿拉伯语
摘要：本研究探讨了人工智能（AI）在设计个性化阿拉伯语学习计划以满足个人需求方面的应用。在全球化不断发展的背景下，对强大的阿拉伯语能力的需求日益增加，这促使人们需要更具适应性和更有效的学习方法。在本研究中，采用基于人工智能的学习方法来提供个性化的学习体验，同时考虑个人的学习风格、熟练程度和偏好。通过调查、访谈和现场测试，该研究分析了人工智能技术在增强阿拉伯语教育的积极性、参与度和学习成果方面的有效性和潜力。研究结果表明，人工智能驱动的个性化学习方法可以提高参与者的满意度和学习成绩，同时促进阿拉伯语教育的包容性和可及性。本研究还讨论了对教育以及开发更具适应性和个性化的课程的影响。
利用沉积物中的细菌鉴别柴油
本研究的主要目的是从 Qua 河沉积物中分离和量化柴油利用细菌，并确定它们对不同浓度柴油的耐受水平。使用标准微生物技术收集和处理样品。然后使用气相转移法进行筛选测试，并在室温（28±2 0 C）下孵育。样品（3）记录的柴油利用细菌数量最高，为 9.7 x 10 3 CFU/g，而样品一（1）记录的最低细菌数量为 6.0 x 10 3 CFU/g。假单胞菌属、藤黄微球菌和芽孢杆菌属是已鉴定的柴油利用细菌分离物。在矿物盐肉汤中对这些分离株对 1%、3%、5% 和 7% 柴油的耐受性进行了测试，通过光密度（OD 600nm）证明，藤黄微球菌对 1%（0.279）、3%（0.253）和 5%（0.154）柴油的生长（OD 600nm）低于假单胞菌属（0.685）、3%（0.483）和 5%（0.466）以及芽孢杆菌属（0.509）、3%（0.452）和 5%（0.390），但在 7%（0.1）时的生长（OD 600nm）略高于假单胞菌属（0.095）和藤黄微球菌（0.093）。在 5% 显著性水平下的方差分析证明，柴油浓度对这些分离株的生长（OD 600nm）存在显著差异。这些结果突出了 Qua 河作为石油生物修复细菌的潜在来源。关键词：柴油利用细菌、沉积物、碳氢化合物降解、细菌鉴定、生物修复介绍沉积物是水生生态系统的主要组成部分，由永久水体叠加而成，无论是海洋、峡湾、湖泊还是水库，通常含有外来和本土有机物，能够刺激水生残留物产生有利反应（Jian 等，2022 年）。与水体的液体部分相比，沉积物区域以生物活动和微生物多样性为主。沉积物与土壤有一些共同的特性，但由于各种原因而与土壤环境不同，其中许多原因有利于栖息在沉积物中的微生物种群。柴油是最复杂的混合物之一，由饱和烃和芳香烃组成。通讯作者电子邮件：ubahchioma3@gmail.com
缩回：利用生成对抗网络进行皮肤病学中的痤疮数据集生成
摘要：背景：近年来，针对皮肤状况的计算机辅助诊断已取得了重大进展，主要是由人工智能（AI）解决方案驱动的。，尽管取得了这种进步，但支持AI的系统的效率仍然受到高质量和大规模数据集的稀缺性的阻碍，这主要是由于隐私问题所致。方法：本研究通过使用生成的对抗网络（GANS）创建具有不同痤疮严重程度（轻度，中度和严重）的人脸的合成数据集来规避与现实世界痤疮数据集相关的隐私问题。此外，三个对象检测模型 - Yolov5，Yolov8和detectron2-用于评估增强数据集检测痤疮的功效。结果：将StyleGAN与这些模型集成在一起，结果证明了平均平均精度（MAP）分数：Yolov5：73.5％，Yolov8：73.6％，检测2：37.7％。这些得分超过没有gan的地图。结论：这项研究强调了GAN在产生合成面部痤疮图像中的有效性，并强调了利用gans和卷积神经网络（CNN）模型的重要性，以进行准确的痤疮检测。
使用供应链规划软件的指南
1。预测和计划供应商喜欢了解正在发生的事情以及即将发生的事情。您可以向供应商发送每月的预测更新和其他数据，以帮助他们更好地满足您的需求。例如，当客户使用Stockiq中的预测工具时，他们可以将这些预测发送给供应商。当供应商知道预期需求的数量，重视供应商关系并可以访问透明的数据时，它们通常能够更快地将产品带给您，甚至优先考虑您的订单。2。指标这些指标反映了供应商的性能。常见的监控包括时间交付，成本，技术和响应能力。3。每月，每季度或半年进行的业务评论，这些正式会议具有结构化的议程，可能涵盖更新的商业主题，成本趋势和历史。他们也是您可以更好地了解供应商的业务并更好地管理风险的机会。