XiaoMi-AI文件搜索系统
World File Search Systemjupyter
Certifai：建立 AI 系统信任的工具包
随着越来越多的公司和政府构建和使用机器学习模型来实现决策自动化，在部署这些模型后，监控和评估这些模型行为的需求也日益增长。CognitiveScale 团队开发了一个名为 Cortex Certifai 的工具包来满足这一需求。Cortex Certifai 是一个框架，用于评估在表格数据上训练的任何分类或回归模型的稳健性、公平性和可解释性，而无需访问其内部工作原理。此外，Cortex Certifai 允许用户沿着这些不同的轴比较模型，并且只需要 1) 对模型的查询访问和 2) “评估”数据集。在其基础上，Cortex Certifai 生成反事实解释，它们是接近输入数据点但在模型预测方面不同的合成数据点。然后，该工具利用这些反事实解释的特征来分析所提供模型的不同方面，并提供与各种不同利益相关者（例如，模型开发人员、风险分析师、合规官）相关的评估。可以使用命令行界面 (CLI)、jupyter 笔记本或云端配置和执行 Cortex Certifai，结果记录在 JSON 文件中，并可在交互式控制台中可视化。使用这些报告，利益相关者可以了解、监控和建立对其 AI 系统的信任。在本文中，我们简要概述了 Cortex Certifai 的功能演示。
gretl-变化图评估工具包
动机：由于基因组图是代表人群中遗传多样性的强大数据结构，因此它们可以帮助识别传统线性参考遗漏的基因组变异，但它们的复杂性和大小使对基因组图的分析变得具有挑战性。我们试图开发一种基因组图分析工具，该工具通过解决现有工具的局限性来帮助这些分析更容易访问。具体来说，我们提高了可扩展性和用户友好性，并提供了许多新的统计信息以进行图形评估。结果：我们开发了一种有效，全面和集成的工具Gretl，以通过提供广泛的统计数据来分析基因组图并获得对其结构和组成的见解。gretl可以用于评估不同的图表，比较图形构造管道的输出与不同的参数，并对单个图进行深入分析，包括特定于样本的分析。借助Gretl，可以确定遗传变异和潜在目标区域的新型模式，以便以后进行更详细的检查。我们证明，Gretl在速度方面优于其他工具，尤其是对于较大的基因组图。可用性和实现：Gretl在Rust中实现。评论的源代码可在MIT许可证上获得https://github.com/moinsebi/gretl。文档中提供了如何运行gretl的示例。几个Jupyter笔记本电脑是存储库的一部分，可以帮助可视化Gretl结果。
al puvg a yah是eggin
Washington NASA Space Grant Seattle, WA Research Software Engineer March 2022 – Present • Awarded NASA Space Grant to build a global database of Southern Ocean phytoplankton species composition to combat climate change • Importing, cleaning, and merging ~15 datasets using Python, SQLite, and web API's • Publishing Python Jupyter notebook for geospatial data visualization and supporting oceanography/earth data科学用例•使用无监督的机器学习预测浮游植物物种的组成，以确定物种与生物生产和空气海洋二氧化碳的关系和空气 - 2022年7月7月2022年7月7日至2022年8月•指导〜90 〜90个高中生的Java/java/exporment covients covients covients seater/averient covients seater seettter• heat map of cases using TypeScript and ArcGIS maps to track COVID-19 spread precisely in UW buildings • Reached semi-final round of the hackathon PrismNotes ( www.prismnotes.com ) Seattle, WA Founder/Developer January 2019 – June 2021 • Built PrismNotes app to reduce test anxiety and combat mental health issues for students by providing a notes organization tool to create digital notebooks from handwritten notes.•使用Java，Microsoft的计算机视觉API和JSON数据在Android Studio中开发•使用OpenCV预处理和Tesseract OCR构建了高级图像搜索
Sn3N2-LiNO3-NaCl/单层BN高导热相变储能材料的热特性
热能存储引起了广泛关注，相变材料 (PCM) 因其有益的物理和化学特性而被广泛使用。虽然氮化物基盐 PCM 通常用于热能存储，但其潜热存储能力仍然有限。这项研究通过加入单层氮化硼来增强氮化物基盐用于热能存储的性能，从而提高热导率和潜热存储能力。Sn₃N₂-LiNO₃-NaCl/单层氮化硼的新型混合物具有高比热容、高潜热值和低相变温度的特点，使其成为热能存储的绝佳候选材料。在 PCM 中添加单层氮化硼可显著提高热导率，将其从 1.468 W/m·K 提高到 5.543 W/m·K。值得注意的是，这些氮化物基三元盐不会相互发生化学反应；它们的相互作用纯粹通过混合来改善热性能。该新型共混物还表现出了良好的热稳定性，在600℃时分解率仅为0.5%，熔化温度为150℃，凝固温度为130℃。三元盐的比热容达到最大值3.5 J/g·℃，表明热流速率更高，充电和放电速率也更高。复合PCM（CPCM）的储热能力在600℃时为600 kJ/kg，这些PCM的组合延长了储热时间。三元盐表现出优异的热稳定性，在100次循环中保持性能而质量没有显著减少。此外，三元盐向单层孔隙中的扩散进一步增强了其有效性。使用基于Anaconda的Jupyter Notebook和Python进行模拟分析。
使用混合机器学习方法提高心脏病的预测准确性：SVM和KNN算法的比较研究
a b s t r a c t全球死亡率是心脏病，而早期鉴定对于限制疾病的发展至关重要。早期检测心血管疾病的方法有助于确定高风险人士应该发生的进展，从而降低了风险。主要目标是通过在心脏情况下识别异常来挽救生命，这将通过识别和分析从心脏信息中产生的原始数据来执行。机器学习可以提供有效的方法来做出决策和创建准确的预测。机器学习技术已在医疗业务中广泛使用。在拟议的研究中提供了一种独特的机器学习技术，以预测心脏病。计划的研究利用了Kaggle的开源心脏病数据集。用于机器学习预测的混合算法是许多以前旨在提高效率并产生改善结果的方法的逻辑混合物。提出的工作引入了一种混合方法，该方法采用分类概念进行预测分析。我们使用实际患者数据来构建一种预测心脏病的混合技术。KNN和SVM分类技术。jupyter笔记本用于实现此混合方法。一种混合技术在心脏病的预测分析中优于其他算法。1。简介从一系列原始数据集收集可用信息和模式的实践通常称为数据挖掘。它包括使用一种或多种技术分析大量数据和发现趋势或模式。它在各种情况下都有用，包括分析，研究和医疗保健。因为数据挖掘是一种调查方法，而且医疗保健的许多出色的早期预测系统已经从医疗数据集中发展，这可以检测大量数据的趋势（J. H. Joloudari等，2019）。提高
引用为：Vasenska，I。P.（2024）。深度机器学习对旅游时间序列预测的经济影响，Ekonomicko-Manazerske Spektrum，1
收到：2024年3月10日；以修订的形式收到：2024年5月19日；接受：2024年6月6日；在线提供：2024年6月30日摘要：研究背景：准确地预测入站旅游的流动一直对参与该行业的所有各方构成重大挑战。旅游产品的复杂性质，直接和间接地受到各种风险，灾难和危机的影响，进一步凸显了其对破坏和波动的敏感性。因此，使用当代数据科学方法和人工神经网络（ANN）方法对预测入站旅游流的兴趣越来越大。因此，本文试图通过采用深度机器学习（DML）方法来探索AI预测技术，并比较jupyter笔记本计算环境中的时间序列预测的各种Python库。在2002年至2023年期间，国内和国际旅游的数据保留在保加利亚注册，已利用多个Python图书馆来构建先进的深层神经网络。本文的目的：当前论文的目的是确定哪种时间序列预测模型 - 指数平滑，TBAT，Auto Arima，Theta或LSTM具有更好的准确性估算，并可以通过研究和实践经济目的在未来使用类似的任务来应用于类似的任务。方法：应用方法基于经典科学方法。关于主要发现，他们可以帮助您进行日常运营计划，管理和搬迁微观和宏观水平的旅游资源，以及对与分析和新颖性有关的研究领域的缺点和局限性的见解。发现和值添加：此外，获得的结果重申，可以将ANN应用于准确的预测，尤其是在保加利亚的情况下，在保加利亚的情况下，与旅游业相关的学者，企业和政策制定者尚未应用此类模型。
用于图像处理的量子电路库 - Webthesis
如今，人们对模式识别和计算机视觉等应用的兴趣使得图像处理算法变得非常重要。然而，视觉信息量的快速增长对传统计算机目前可用的计算能力造成了压力。量子图像处理 (QImP) 专注于在量子计算领域提供传统图像处理策略的对应物，利用其固有的并行特性。多年来，已经提出了许多 QImP 算法来使用量子形式对图像进行编码和处理。尽管如此，在最先进的技术中，没有足够的空间对可用的技术进行直接和实际的比较。因此，当试图了解它们是否代表了相对于传统对应物的有效机会时，就会出现困难，尤其是考虑到当今量子硬件的局限性和非理想性时。本论文的目标是定义一个与 Qiskit（一种用于量子计算的开源软件开发工具包）兼容的 QImP 算法的 Python 软件库，使用户能够灵活地比较参考输入图像上的不同技术，并通过特定的性能系数分析它们的适用性。首先，对 QImP 的现有文献进行了初步研究，以确定最有前途的算法。然后，它们被实现为参数模块，并逐渐形成了库。Jupyter Notebooks 被认为是提供有意识地应用所提供算法的实用用户指南。支持技术的选择涵盖编码方法、基本处理工具、压缩和边缘检测算法，并考虑到量子硬件有限的计算资源和实际应用的可能性。所有实施的电路都进行了测试，既通过在经典计算机上进行模拟，也在真实的量子硬件上进行测试。考虑到几个用例，不同算法在应用中的优势和劣势已经得到证实。本论文为探索 QImP 场景奠定了基础，而由于其灵活性和模块化特性，实施的库提供了包含和描述新算法并将其与其他算法进行比较的可能性。
用于高级 fMRI 分析的用户友好型学习材料
先进的脑成像分析方法，包括多元模式分析 (MVPA)、功能连接和功能对齐，在过去十年中已成为认知神经科学的有力工具。这些工具以自定义代码和单独的程序包实现，通常需要不同的软件和语言能力。虽然专家研究人员可以使用，但新手用户面临着陡峭的学习曲线。这些困难源于使用新的编程语言（例如 Python）、学习如何将机器学习方法应用于高维 fMRI 数据以及极少的文档和培训材料。此外，大多数标准 fMRI 分析包（例如 AFNI、FSL、SPM）侧重于预处理和单变量分析，在如何与高级工具集成方面存在空白。为了满足这些需求，我们开发了 BrainIAK (brainiak.org)，这是一个开源 Python 软件包，它将几种尖端的、计算效率高的技术与其他 Python 包（例如 Nilearn、Scikit-learn）无缝集成，用于文件处理、可视化和机器学习。为了传播这些强大的工具，我们开发了用户友好的教程（Jupyter 格式；https://brainiak.org/tutorials/），以便更广泛地学习 BrainIAK 和 Python 中的高级 fMRI 分析。这些材料涵盖的技术包括：MVPA（模式分类和表征相似性分析）；并行探照灯分析；背景连接；全相关矩阵分析；受试者间相关性；受试者间功能连接；共享响应建模；使用隐马尔可夫模型进行事件分割；以及实时 fMRI。对于长时间运行的作业或大内存需求，我们提供有关高性能计算集群的详细指导。这些笔记本已在多个站点成功测试，包括作为耶鲁大学和普林斯顿大学课程的问题集以及各种研讨会和黑客马拉松。这些材料是免费共享的，希望它们成为开源软件和教育材料池的一部分，用于大规模、可重复的 fMRI 分析和加速发现。
混合模式教师发展计划...
关于FDP：有关人工智能（AI）的教师发展计划（FDP），用于计算机视觉，医学成像应用将帮助教育者和研究人员了解AI基础知识及其如何应用于具有多个安全应用的医学成像技术。参与者将探索机器学习和深度学习概念，专注于使用AI进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过动手活动和现实世界的例子，与会者将获得实用技能，以有效地使用AI在教学和研究中使用不同的算法。在计划结束时，参与者将准备将AI工具整合到他们的工作中，提高他们通过现代技术来教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：针对计算机视觉应用程序的最新实施介绍。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介和基于DL的其他架构及其应用。用于计算机视觉，生物特征和医学成像实现的深度学习体系结构。医学图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底和医学图像分类的AI/ML。对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等使用张量流/Pytorch识别人类活动/动作/生物识别。张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。使用Python/Matlab的动手会话。CV和AI算法在硬件平台上实现，例如Jetson Nano，TX2和Pynq等。主持此计划的教师：该计划将由Nit Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。
M.Tech。嵌入式和机器学习系统课程和教学大纲-M.Sc.应用数学电子与ICT学院，NIT WARANGAL https://forms.gle/ ...
关于FDP：有关人工智能（AI）的教师发展计划（FDP），用于计算机视觉，医学成像应用将帮助教育者和研究人员了解AI基础知识及其如何应用于具有多个安全应用的医学成像技术。参与者将探索机器学习和深度学习概念，专注于使用AI进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过实践活动和实例实例，与会者将获得实用技能，可以在教学和研究中有效地使用不同的AI使用AI。在计划结束时，参与者将准备将AI工具集成到他们的工作中，提高他们通过现代技术教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：针对计算机视觉应用程序的最新实施介绍。机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，SVM分类，神经网络和应用程序。深度学习方法的简介和基于DL的其他架构及其应用程序。用于计算机视觉，生物特征和医学成像实现的深度学习体系结构。使用Python/Matlab的动手会话。医学图像数据处理和分析。用于生物医学成像，基于CT扫描/MRI的图像分析，眼底和医学图像分类的AI/ML。对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等使用张量流/Pytorch识别人类活动/动作/生物识别识别张量流/keras/pytorch/jupyter和colab的基础知识。使用Python/Matlab使用数据预处理和数据可视化。CV和AI算法在硬件平台上实现，例如Jetson Nano，TX2和Pynq等。主持此计划的教师：该计划将由Nit Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。