XiaoMi-AI文件搜索系统
World File Search Systemcial
脱碳特别铁路笔记本 - AQTr
由于道路轴线的战略重要性以及公众对这项工作的兴趣，该项目必须在各个层面上起到示范作用。作为该部的绝对要求，必须遵守的最后期限是不可改变的。从关闭车道到重新开放，一个方向的所有工作都必须在最多 7 天内完成。由于几个赛段都取决于天气条件，因此挑战非常大。关键的时间表与几个不可估量的因素密切相关，包括露点、风力条件、环境温度和相对湿度。
将人脑映射概念扩展到人工智能......
摘要。本文介绍了人工智能 (AI) 计算系统的映射概念。将人类神经生理学中的“小人”概念扩展到 AI 系统。假设 AI 系统的行为类似于自然动物大脑中的小柱或神经节，包括一层不同的（输入）神经元、许多相互连接的处理单元和一层不同的（输出）神经元或器官。本研究的目的是确定当智能系统受到某些刺激时，对每个不同的神经元的刺激与每个不同的器官的相应反应之间的相关性。为了阐明一般概念，以一个小型三层前馈神经网络 (NN) 为简单示例，并构建了一个 NNculus。这一概念有两个重要应用：一是自主机器人的质量控制，可以构建 NN 或 AI 集群来评估其性能；二是使用人工 NN 通过硬件或数值模拟研究人脑微柱内层的拓扑组织。
官方统计中的经济数据共享指南
我感谢各国优秀专家参与指南的编写。与之前的指南一样，欧盟统计局和经合组织的贡献非常宝贵，来自世界各地的国际组织和各个国家的贡献使指南中包含了丰富的实例，有助于我们从各种不同类型的数据共享案例中学习。指南的编写工作已在许多国际论坛上进行介绍，例如由欧盟统计局和经合组织联合组织的联合国欧洲经济委员会国民账户专家组会议、经合组织国民账户工作组、货币、金融和国际收支 (CMFB) 统计委员会、国家账户秘书处间工作组、国民账户咨询专家组、国际统计研究所 (ISI) 世界统计大会以及欧盟统计局的全球综合账户和全球生产项目。我感谢每一位参与讨论、挑战我们的想法并给予我们启发的人。
官方统计中的经济数据共享指南
我感谢各国优秀专家参与指南的编写。与之前的指南一样，欧盟统计局和经合组织的贡献非常宝贵，来自世界各地的国际组织和各个国家的贡献使指南中充满了丰富的示例，有助于我们从各种不同类型的数据共享案例中学习。指南的编写工作已在许多国际论坛上提出，例如与欧盟统计局和经合组织联合组织的联合国欧洲经济委员会国民账户专家组会议、经合组织国民账户工作组、货币、金融和国际收支 (CMFB) 统计委员会、国家账户秘书处间工作组、国民账户咨询专家组、国际统计研究所 (ISI) 世界统计大会以及欧盟统计局的全球综合账户和全球生产项目。我感谢所有参与讨论、挑战我们的想法并给予我们灵感的人。
MATH0114 机器学习和人工智能数学
本模块将向学生介绍机器学习和人工智能中最广泛使用的一些方法背后的理论基础。我们将深入研究三种学习范式的数学基础，每种范式都包含一种旗舰方法：（i）监督学习的线性回归，（ii）无监督学习的主成分分析，以及（iii）深度学习的反向传播。此外，我们将研究扩散模型背后的数学原理，扩散模型是目前最值得注意的从文本生成图像的生成式人工智能方法之一。除了这些技术的理论方面，学生还将通过讲座中展示的实际示例接触机器学习算法的实际实施。将提供有关所研究方法的编码（使用 Python）的在线教程。
罗氏人工智能 (AI) 道德原则
罗氏认识到 AI 在生命科学研究和医疗保健领域的潜力，并专注于开发一系列与 AI 相关的解决方案，以部署在医疗环境中（例如支持 AI 的诊断应用程序），用于开发药品（即优化和加速研发），用于不同的科学决策领域，以及合规地实现患者和客户体验的商业应用。目前，AI 没有统一的定义。经合组织将 AI 系统定义为“一种基于机器的系统，出于明确或隐含的目标，从收到的输入中推断如何生成输出，例如预测、内容、建议或决策，这些输出 [可以] 影响物理或虚拟环境。不同的 AI 系统在部署后的自主性和适应性水平上有所不同。”（更多）
FDA 批准人工智能和机器学习（...
简介 人工智能 (AI) 一词由约翰·麦卡锡于 1956 年在一次夏季研究项目 1 会议上提出，其广义定义为计算机程序执行通常需要人类智能的广泛任务（例如推理和学习）的能力。随着人工智能应用的广泛采用，它已分支为其他子集（如图 1 所示），但人工智能机器学习和深度学习等术语经常互换使用。机器学习是人工智能的一个子集，它可以从随时间推移提供的数据中学习，以便在提供测试数据集时进行预测。人工智能的子集深度学习 (DL) 实现了称为神经网络的复杂算法，这些算法的模型类似于人脑中的神经元 2 ，并广泛应用于语音识别、计算机视觉、药物发现和基因组学 3 。随着使用更全面、更包容和更异构的数据 4 训练模型，这些模型的稳健性会变得更好。机器学习是人工智能的一个子集，已广泛应用于医学研究，以从每天医疗保健产生的大量数据中识别有价值的临床见解 5 。医疗器械中 ML 模型的实施有所增加 6 。在美国，标记为医疗器械的设备必须获得食品药品管理局 (FDA) 的批准。FDA 通过 3 种监管途径之一对医疗器械进行监管和批准，即 510(k) 许可 7 、De Novo 审查 8 或上市前批准 (PMA) 9 ，如表 1 所示。在本文中，我们介绍了美国 FDA 批准的支持 AI/ML 的医疗器械的最新最新情况。这是 FDA 于 2022 年 10 月 5 日更新名单后，第一篇分析支持 AI/ML 的医疗器械状态的文章，该名单包含 178 种在美国上市的新医疗器械 6 。
基于结构的虚拟筛选：从传统到人工智能
药物开发过程是制药行业的一大挑战，因为开发一种新药需要耗费大量的时间和金钱。一种广泛使用的减少药物开发过程成本和时间的方法是计算机辅助药物设计 (CADD)。CADD 可以更好地专注于实验，从而减少研究新药所需的时间和成本。在这种情况下，基于结构的虚拟筛选 (SBVS) 是稳健且有用的，也是药物设计最有前途的计算机模拟技术之一。SBVS 试图预测两种分子之间形成稳定复合物的最佳相互作用模式，并使用评分函数来估计配体和分子靶标之间非共价相互作用的力。因此，评分函数是 SBVS 软件成功或失败的主要原因。许多软件程序都用于执行 SBVS，由于它们使用不同的算法，因此使用相同的输入可能会从不同的软件获得不同的结果。在过去十年中，一些研究使用了一种称为共识虚拟筛选 (CVS) 的 SBVS 新技术来提高 SBVS 的准确性并减少在这些实验中获得的假阳性。能够利用 SBVS 的必不可少的条件是目标蛋白质的 3D 结构。已经创建了一些虚拟数据库，例如蛋白质数据库，用于存储分子的 3D 结构。但是，有时无法通过实验获得 3D 结构。在这种情况下，同源性建模方法可以根据蛋白质的氨基酸序列预测其 3D 结构。本综述概述了使用 CADD 执行 SBVS 所涉及的挑战、CADD 工具支持 SBVS 的领域、最常用工具之间的比较以及当前用于减少药物开发过程中的时间和成本的技术。最后，最终考虑证明了在药物开发过程中使用 SBVS 的重要性。