XiaoMi-AI文件搜索系统
World File Search Systemmatplotlib
信息科学技术（IS＆T）
IS＆T 5520数据科学和机器学习与Python（LEC 3.0）一起研究了数据科学方法论，用于刮擦，操纵，转换，清洁，可视化，可视化，总结和建模大型数据以及受监督和无人监督的机器学习算法应用于各种商业分析和数据科学方案。Python库，例如Pandas，Numpy，Matplotlib和Scikit-Learn。先决条件：STAT 3111，Stat 3113，Stat 3115或Stat 3117； IS＆T 1552，IS＆T 1562，Comp Sci 1575之一；对于研究生：微积分，统计和编程知识。
Lucas A. Weissman
Languages: Python, Java, C, C++, Kotlin, SQL (PostgreSQL), JavaScript, HTML/CSS, R, TypeScript, Tailwind ML & AI Frameworks: TensorFlow, PyTorch, Keras, Scikit-learn, Hugging Face Transformers, OpenCV, Stable Diffusion Libraries: pandas, NumPy, Scipy，Matplotlib，Seaborn，Plotly Frameworks：烧瓶，fastapi，node.js，react，bunx。开发人员工具：git，docker，vs code，eclipse，android Studio。创意工具：虚幻引擎，搅拌器，无花果，Adobe Suite，Unity，OpenGL，Trix.js，Oculus SDK，Meta Quest。云与分布式计算：Spark，Hadoop。
人工智能/机器学习/数据分析
1. 线性回归与逻辑回归 a) 使用 Boston House 数据集基于多个不同变量预测房价（线性回归） b) 训练模型根据萼片长度、萼片宽度、花瓣长度和花瓣宽度区分不同种类的鸢尾花（逻辑回归） https://www.javatpoint.com/linear-regression-vs-logistic-regression-in-machine- learning#:~:text=Linear%20regression%20is%20used%20to,given%20set%20of %20independent%20variables.&text=Logistic%20regression%20is%20used%20f or%20solving%20Classification%20problems 。 2. 使用 matplotlib 和不同种类的图进行数据可视化。（条形图、散点图、时间序列
双重水合动力学的分子起源......
图 2：a) DNA 和 RNA- GGGG 序列的水合壳中水分子的跳跃时间 τ jump 分布，分解为分配给疏水位点（“hpb”，蓝色）、H 键供体位点（橙色）和 H 键受体位点（绿色）的水分子的贡献。b) DNA 和 RNA- GGGG 序列的水合壳中与受体位点 H 键合的水分子的跳跃时间 τ jump 分布，分解为水合糖（粉色）、磷酸盐（蓝色）或碱基（红色）部分的水分子的贡献。使用 Matplotlib 绘制图表。51
计算机视觉，机器学习和人工智能的研发工程师 - 生物医学项目OP计算机视觉，机器学习和人工智能的研发工程师 - 生物医学项目OP
计算机科学，电气工程，物理或相关技术领域或同等实践经验的硕士或博士学位。在以下一项或多项中的3年以上编程经验：Python，C/C ++。具有库和工具包的经验丰富的能力经验，例如CUDA，MATPLOTLIB，SCIKIT，OPENCV，TENSORFLOW，PYTORCH…熟悉Linux操作系统。在计算机视觉，机器学习，优化算法基础，数据挖掘或机器智能（人工智能）方面具有3年的经验。内窥镜图像处理，SLAM技术和CT-SCAN分割的经验是一个重要的优势。能够在研究议程上设计和执行。强大的分析和沟通技巧。学习和获取新知识的能力。
GEMS - HAL
本文介绍了作为 IRT Saint Exup´ery MDA-MDO 项目 1 的一部分开发的 GEMS 软件，用于支持多学科设计优化 (MDO) 功能。GEMS 是一个用于编程 MDO 模拟过程的 Python 库，建立在 NumPy 2 、SciPy 3 和 Matplotlib 4 之上。GEMS 旨在推动模拟过程开发自动化的极限，特别关注：i) MDO 过程的自动编程；ii) 分布式和多级 MDO 公式（或 MDO 架构）；iii) 集成和开发用于优化、实验设计、替代模型和耦合分析的最先进算法；iv) MDO 结果分析的自动化；v) 在异构和分布式工业模拟环境中部署 MDO 流程。
SCREW IT：一种识别螺钉和紧固件的计算机视觉方法
1.4 项目约束 ................................................................................................ 9 1.4.1 螺钉尺寸 .............................................................................................. 9 1.4.2 螺钉长度 .............................................................................................. 10 2. 方法论 ........................................................................................................ 11 2.1 创建工作站 ............................................................................................. 11 2.1.1 3D 模型 ............................................................................................. 11 2.1.2 不幸 ............................................................................................. 14 2.2 软件开发 ............................................................................................. 16 2.2.1 数据处理器 ...................................................................................... 16 2.2.1.1 Canny 边缘检测 ............................................................................. 17 2.2.1.2 Hough 线变换 ............................................................................. 18 2.2.2 库 ............................................................................................................. 19 2.2.2.1 OpenCV ............................................................................................. 19 2.2.2.2 Tkinter ................................................................................ 19 2.2.2.3 Matplotlib ................................................................................ 19 2.3 结果 ........................................................................................................ 20 2.3.1. 初步结果 ........................................................................................ 20 2.3.1.1 初始测试图像 ........................................................................ 20 2.3.1.2 问题 ........................................................................................ 21 2.3.2 最终结果 ........................................................................................ 22 2.3.2.1 新的测试图像 ........................................................................ 22 2.3.2.2 问题 ........................................................................................ 25 2.3.2.3 置信度和讨论 ........................................................................ 26
Daniele Mos
Machine Learning Engineer Sep 2021 ‑ Sep 2023 • Product worked on: Digital eye‑ware measurement software and Glasses and Lenses showcase app • Responsibilities: Data handling from partner data provider Data tagging for facial measurements and data formatting Use pre‑trained models for head detection and feature extraction (OpenVino) Train and evaluate models for lenses segmentation Integrate trained models into the multi‑platform QT‑based client Zeiss，Optiswiss，Seiko和许多更多的应用程序，以便在低功率嵌入式硬件上运行，以在C ++和QT框架中为镜头和眼镜构建光学的应用程序，用于精工设计后端功能和QT框架，基于Google Analytics服务Suite Suite和工具：PIYTH，C++++++++++++py，py+++ TensorFlow，Cuda，Tensorboard，Numpy，Matplotlib
教学大纲
Python简介 - Google Colab和Jupyter笔记本，数据结构，熊猫（读，写文件，加载数据等），Numpy等。。matplotlib（区域图，散点图，线图，直方图，条形图，框图，热图，刻面，配对图），Seaborn。什么是数据科学，各种类型和数据级别，结构化与非结构化数据，定量数据，定性数据，数据科学生命周期等。数据收集和准备，缺失价值处理，数据擦洗，数据转换，探索性数据分析，人群和样本，矩和生成功能，可变性，假设测试，偏差和方差的度量。有监督的分类，例如KNN和无监督的分类，例如K-均值聚类，模型定义和培训，模型评估。特征工程，尺寸降低 - PCA，回归线性模型：线性回归，逻辑回归。
使用支持向量机进行脑肿瘤图像分类
摘要 本文致力于开发一种对脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤）的 MRI 图像进行分类的模型。数据集是从 Kaggle 收集的。然后，它被组织起来并上传到 GitHub。这项工作利用了 Python 的不同库，即 Matplotlib、NumPy 和 Sci-Kit Learn。Google Collaboratory 已用于执行环境，存储要求有限，为 108 GB。图像从名为“Brain-Tumor”的 GitHub 存储库克隆到 Google Collaboratory。该存储库包含一个对应于所有指定类型肿瘤图像的数据集。支持向量机算法已用于分类。所提出模型的准确率在 84% 到 92% 之间。关键词：Google Collab、图像分类、MRI 图像、机器学习、存储库、支持向量机 (SVM)