XiaoMi-AI文件搜索系统
World File Search SystemWeka
使用 JAVA 进行 AI 编程
页数 42 导师 Kauko Kolehmainen 这篇论文是关于 Java 人工智能项目的。从理论部分开始，介绍了 Java 编程语言的基本介绍，介绍了它的历史、重要性和特点。涉及 Java 平台组件 Java 虚拟机的重要描述。还介绍了人工智能的定义、人工智能的类型以及包括机器学习和深度学习在内的不同人工智能级别。在实践部分，介绍了 Java 机器学习算法软件 Weka，并演示了使用 Weka 进行两个数据挖掘和分类实验。之后，一个使用 Weka 的朴素贝叶斯算法的 Java 项目说明了电子邮件分类的原理。在项目中，详细介绍了 Weka 包、数据集和重要方法等必要元素。
合成最大化gpu-gpu-ai-ai模型训练 -
WEKA®数据平台背后的设计理念是创建一个单一的体系结构，该体系结构在本地或公共云中运行全闪存阵列，简单性和功能集，网络连接存储（NAS）的简单性和功能集，以及云的可扩展性和经济性。无论是在平台之间的本地，在云中，边缘还是在平台之间破裂，WEKA都可以加速企业AI数据管道的每个步骤 - 从数据摄入，清洁和建模到培训验证或推理。
出色的产品，卓越服务 - 维京仪器
•Parker Hannifin仪器（全线主分销商）•Ashcroft仪表，隔膜密封件和工业温度计•Ashcroft开关和换能器•高压灭菌锥和线产品•Bliss Americas•Americas•Americas•标题过滤量•Partek＆Texloc Temerly•Skinner and texloce•Skinner and flow•skinner and flow•hyrifif•hyring solif•hyring solif•hyring solif•hyring solifif•hyrifif inforif调节器，阀门和CGA连接•多层捆绑包•Parker Parflex软管和配件•JMS东南温度测量•WEKA水平指示•PGI歧管•Parker Balston烘干机，过滤和空气发电机•TechLine＆ZSI（Cushaclamp）安装系统
人工智能在教育中的应用：
摘要。目的 - 人工智能 (AI) 在教育领域得到了广泛的应用，从在线辅导到学生的自动在线评估。人工智能在教育中的应用的主要未解决问题是预测学生的成绩，以确定学习者是否过早失败或辍学。设计/方法/方法 - 本文从当前文献中分析了人工智能在教育中的应用，并在此基础上提出了一种智能课程分配和学生评估模型，以提高学生的表现和教师的效率。结果 - 文献综述和对人工智能在教育中的应用的分析表明，尽管目前人工智能在教育中得到了广泛的应用和使用，但在使用预测人工智能工具来改善学习者和教师的教学和学习体验方面仍然存在一个未解决的问题。虽然人工智能在教育中的重点似乎是形成性评估、评估和学生的自动评分，但对教师在教学、学习和评估效果方面的表现的评估似乎没有得到同样的重视。实际意义 - 面对全球南方国家用于支持教育的经济资源日益减少，以及全球北方和南方国家教育成本高昂的情况，应用预测性人工智能工具来确定早期学校失败和学生辍学迹象以及教师效率低下的必要性不容忽视。遵循我们的模型并应用 Weka 工具包中选定的机器学习工具来预测学习者和教师的表现，以提高成绩和教师的效率，将产生良好的结果。Weka 包含用于数据挖掘任务的机器学习算法集合，具有用于数据准备、分类、回归、聚类、关联规则挖掘和可视化的工具。使用这种工具可以得到可以表明学生和教师的表现和效率的结果。使用本研究提出的智能评分模型将使教育利益相关者能够成功地开展他们的活动。关键词：人工智能、教育、计算机辅助学习、教育技术。
机器学习在局部放电中的应用......
局部放电测量是最重要的诊断方法之一，在交流电压下得到了深入研究。此外，机器学习已经建立，并已成功用于自动识别局部放电缺陷多年。对于交流电压，有几种诊断方法和解释工具。在直流电压领域情况并非如此，因此需要重要的工具来解释结果。本文研究了 HVDC GIS/GIL 的典型局部放电缺陷，但这些方法也可以用于其他高压设备。机器学习技术是用 MATLAB 和 WEKA 实现的。从局部放电脉冲序列中得出的统计参数被用作特征。对特征进行了层次聚类，以分析局部放电缺陷之间的可分离性。使用三种流行算法（SVM、k-NN、ANN）进行分类。这些算法的参数各不相同，并相互比较。SVM 明显优于其他分类器。
基于CART决策树和SMO算法概括规则的桥梁管理实时决策支持系统
摘要：在桥梁的动态条件下，我们需要实时管理。为此，本文提出了一种基于规则的决策支持系统，该系统从 Aimsun 交通微观模拟软件的模拟结果中提取必要的规则。然后，借助模糊规则生成算法对这些规则进行泛化。然后，通过一组监督和非监督学习算法对它们进行训练，以获得在实际情况下做出决策的能力。作为一项试点案例研究，在 Aimsun 中模拟了德黑兰的 Nasr 桥，并使用 WEKA 数据挖掘软件执行学习算法。根据这项实验，监督算法泛化规则的准确率大于 80%。此外，CART 决策树和顺序最小优化 (SMO) 为正常数据提供了 100% 的准确率，这些算法对于桥梁危机管理非常可靠。这意味着，可以使用此类机器学习方法在实时条件下管理桥梁。
人工智能
EN.705.601。应用机器学习。3 个学分。机器学习 (ML) 是使用计算机解决计算问题的艺术，无需明确的程序。ML 现在如此普遍，以至于各种 ML 应用程序（例如图像识别、股票交易、电子邮件垃圾邮件检测、产品推荐、医疗诊断、预测性维护、网络安全等）我们周围的组织不断使用它，有时我们甚至没有意识到。在本课程中，我们将严格将机器学习技术应用于现实世界的数据，以解决现实世界的问题。我们将简要研究各种机器学习方法的基本原理，例如异常检测、集成学习、使用神经网络的深度学习等。主要重点是将基于 Python 的 Anaconda 和基于 Java 的 Weka 数据科学平台的工具库应用于来自在线资源（例如 Kaggle、UCI KDD、开源存储库等）的数据集。我们还将使用 Jupyter 笔记本来展示和演示几个机器学习管道。先决条件：EN.705.621 算法简介或 EN.605.621 算法基础或 EN.685.621 数据科学算法
IAES国际人工智能杂志（IJ-AI）
物联网 (IoT) 和非物联网设备数量的快速增长给网络管理员带来了新的安全挑战。在日益复杂的网络结构中，准确识别设备是必不可少的。本文提出了一种基于数字足迹的设备指纹识别 (DFP) 方法，用于设备识别，设备使用数字足迹通过网络进行通信。基于 Weka 中的属性评估器，从单个传输控制协议/互联网协议数据包的网络层和传输层中选择了九个特征子集，以生成特定于设备的签名。使用不同的监督机器学习 (ML) 算法，在两个在线数据集和一个实验数据集上对该方法进行了评估。结果表明，该方法能够使用随机森林 (RF) 分类器以高达 100% 的精度区分设备类型，并以高达 95.7% 的精度对单个设备进行分类。这些结果证明了所提出的 DFP 方法适用于设备识别，从而提供更安全、更强大的网络。
车辆估值的混合策略 - UON数字存储库
肯尼亚的车辆数量每年以12％的速度增长，截至2018年，国家注册舰队为400万。所有这些车辆都必须定期估值，原因是多种原因不限于保险，转售，租赁和会计。因此，重要的是要有一个易于使用，可靠，易于使用的系统，该系统可以确定车辆的价值，并给出有关该车辆的某些特性。从不同估值师获得的相同车辆获得的值的变化暴露了当代汽车估值系统中的违规行为。在需要快速汽车估值服务时，缺乏一致，准确且随时可用的工具来执行所需的估值，因为获得估值的汽车的主要方法是与有执照的评估公司或保险代理商的专家联系。现有的汽车估值机制主要依靠专家意见和使用公式来计算二手车的复合年度折旧，该折旧是从0英里处的价格中减去的，多年来根据通货膨胀进行了调整。已经尝试通过使用机器学习来自动化车辆估值，这产生了令人鼓舞的结果。已采用多元回归分析来确定对车辆值最大的车辆性质，并预测不同参数的给定值。这种方法也已成功地用于其他领域，以估计土地和FMCG等资产。在这项研究中，采用多代理系统体系结构封装了三个用于车辆价值预测的回归模型，以及一种自然语言处理模型，以从非结构化文本中从车辆描述中提取车辆功能。构建和培训了这三个模型以生成预测，每个模型都利用了基于SVM的回归和神经网络（ANN）在WEKA中的实现，或者在WEKA中实现了，或WekadeEplearning 4J版本3.8.5提供的深度学习回归。最佳性能模型为车辆估值提供了可靠的选择，其相对平均误差为11％，仅在可能的200,000条记录中接受了1000行数据的培训，因此被用于功能原型的设计。鉴于这项研究的时间，预算和计算资源限制，在给定时间，数据和计算能力的情况下，提高预测模型的性能有很大的潜力。
使用机器学习分类技术的专业预测的科学方法
snehlata barde * MATS信息技术学校，马特斯大学拉普尔，恰蒂斯加尔邦，印度492004，印度电子邮件：drsnehlata@matsuniversity.ac.ac.in orcid ID：印度恰蒂斯加尔邦（Chhattisgarh）大学拉普尔大学（Raipur University Raipur） ero.brijesh@gmail.com orcid ID：https：//orcid.org/0000-0003-2663-4043收到：2022年6月8日；修订：2022年7月11日；接受：2023年3月17日；发表：2023年8月8日摘要：占星术是一种非常古老和传统的预测方法，它不断增加人们的兴趣。当今的地球仪，占星术预测没有共同的准则或原则。而不是为占星术预测设定通用原则和标准，而是专注于为个人提供高质量的服务，但不能保证准确性。机器学习是通过学习计算机对许多应用程序进行分析和预测的最佳结果。预测和分类使任何学习者都可以在大型，嘈杂且复杂的数据集上工作。本文的主要动机是引入一种科学方法，该方法减少了传统方法的缺点，并指示了预测的普遍规则，并通过三种分类技术，幼稚的贝叶斯，Logistic-R和J48证明了占星术的有效性。3）MCC，ROC和PRC区域值。这是监督学习的一部分，它以交叉验证为10,12，计算术语14倍1）正确分类的实例（CCI），错误分类的实例（ECI），平均绝对错误（MAE），均方根误差（RMSE）和相对绝对错误（RAE）。2）真正的正速率，误报率，精度和F量值值。4）要计算三级标签教授，商人和医生的平均体重，以真正的正率，假阳性速率，精度，F-Measion，PRC和ROC面积，5）最后，我们计算了每个分类技术的准确性，并比较了提供更好结果的每个分类技术的准确性。为此，我们收集了属于不同专业的100人的出生日期，出生地点和出生时间。40个教授的数据，30位商人数据以及30位医生数据的数据，在软件的帮助下准备一个人的星座。进行分析，我们以.CSV格式创建数据表，并将此数据表应用于WEKA工具中，以检查各种参数和每个分类器的精度百分比。索引术语：机器学习，幼稚的贝叶斯，逻辑-R，J48，星座，占星术，WEKA。