XiaoMi-AI文件搜索系统
World File Search Systemods
人工智能研究方法
学术诚信：所有学生必须遵守大学的学术诚信政策，该政策可在学生行为和冲突解决办公室 (OSCCR) 的网站上找到，网址为 http://www.northeastern.edu/osccr/academicintegrity/index.html。请特别注意有关剽窃的政策。您可能知道，剽窃涉及将任何其他人的言语或想法视为自己的。无论您从何处获得这些想法 - 来自书籍，网络，同学还是母亲。无论您是直接引用来源还是改写来源；如果您不是这些词语或想法的创作者，您必须清楚明确地说明它们的出处。如果您在准备任何作业时有任何困惑或疑虑，请咨询导师，以便一起完成。您还可以在 NU 图书馆网站 http://www.lib.neu.edu/online_research/help/avoiding_plagiarism/ 上查阅“避免剽窃”指南。如果出现学术诚信问题，我们的一位讲师将与您讨论；如果讨论未能解决问题，我们将把问题提交给 OSCCR。
数字公共产品联盟五年战略
● 删除对中低收入国家的提及，除非与特定国家融资和资源有关。DPG 的一个关键方面是，它们由各个收入水平的国家制定，并且——无论在何处制定——任何人都可以自由采用和调整，不论身处何地。之前的战略中频繁使用该术语，转移了人们对 DPG 是全球相关数字合作议程一部分这一事实的注意力。 ● 增加战略目标。2022 年，DPGA 理事会呼吁秘书处制定更切实的目标来补充战略目标。通过从 2023 年初开始的向所有 DPGA 成员和其他一些关键利益相关者开放的磋商进程，秘书处制定了一套四项目标，这些目标以现有目标为基础，但更加注重激励和协调 DPGA 成员队伍。 ● 协调战略和治理时间表。自该战略首次发布以来，DPGA 已建立了一个长期治理结构，秘书处是一个中立实体，由理事会监督。该战略是指导和监督 DPGA 进展的一个越来越重要的工具，我们认为借此机会将 DPGA 战略成果与联盟管理机构的条款保持一致非常重要。
![征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术](/simg/9/997626a7f59d17e25a28a70110fbadb440a4a51a.png)
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术
气候变化影响方法手册...
本手册的最新版本（1.3 版；1996 年 10 月）被发展中国家的几个国家研究小组用于进行影响和适应性评估。安提瓜和巴杜阿、喀麦隆、爱沙尼亚和巴基斯坦的国家研究小组在 UNEP/GEF 项目“气候变化影响和适应性评估国家案例研究”中专门测试了该手册。他们的评论、建议和改进建议都已纳入此版本。除此之外，应编辑的要求，国际公认的专家（见致谢）审查了部门章节。这些评论由召集编辑汇编并发送给主要作者审议。编辑们确信，上述意见，加上新的组织结构（尤其是在一般问题章节中），大大改进了本版手册。
为流体力学学生项目制作风洞模型的替代方法
为流体力学学生项目制作风洞模型的替代方法摘要基于项目的工程教育方法使得学生希望在流体力学课程中创建功能性风洞模型来测试原始设计。本文根据成本、生产时间、易用性以及设备和材料的可及性，比较了几种快速原型 (RP) 方法与用于制造流体动力学模型的传统模具/铸造技术。考虑的 RP 技术包括立体光刻 (SLA)、选择性激光烧结 (SLS)、熔融沉积成型 (FDM)、3D 打印和 CNC 加工。这些方法从数字格式的原始设计开始，而传统方法（例如使用硅橡胶或藻酸盐模具铸造）至少需要粗略的物理原型。还讨论了 RP 模型的涂层和精加工工艺。背景和介绍 德克萨斯大学奥斯汀分校机械工程系已开展了 6 年的综合计划，旨在在整个本科课程中实施基于项目的方法 [1]。该计划的一个要素包括与流体力学入门课程同时进行的风洞测试。本科流体力学实验室有两个风洞，分别有 12"x12" 和 24"x24" 的测试部分。目前，学生仅使用风洞进行经典实验，使用现成的模型（例如横流中的圆柱体和翼型）以及进行流动可视化演示。被测试的对象形状简单，提供有限的创造性实验机会。我们希望通过为学生提供设计和测试原始空气动力学模型（例如汽车车身形状）的机会来增强这种体验。这促使人们研究快速生产原始设计风洞模型的替代方法。考虑了两种根本不同的方法：（1）从粗糙的物理原型开始成型/铸造模型和（2）从数字图像创建功能性物理模型。成型/铸造技术能够生产所有尺寸和几何公差的模型。这些方法可以利用各种不同的材料进行模具制作和铸造，包括热熔胶、乳胶、硅橡胶、聚硫橡胶、聚氨酯、藻酸盐、塑料树脂、环氧树脂、蜡、泡沫、粘土和水基石膏或混凝土。设备和该多步骤过程可能很长，并且需要一定的技能来形成可重复使用的模具和铸造模型。快速原型 (RP) 是指直接从 CAD 文件制造物理对象的过程。此类原型技术包括立体光刻 (SLA)、选择性激光烧结 (SLS)、熔融沉积成型 (FDM)、3D 打印和 CNC 加工等工艺。这些工艺中的每一个都会产生耐用、持久的模型，并且可以通过各种二次表面处理来增强其性能。
NPC 和斑马鱼中方法和工具的开发...
识别导致神经遗传疾病的 DNA 变异的主要瓶颈是 VUS 的功能分析。本研究的目的是通过在 NPC 和斑马鱼中使用 CRISPR/Cas9 基因组编辑来开发一种方法，以对在巨脑回患者中观察到的候选致病变异进行建模。通过 aCGH 和 WES 分析了 20 名巨脑回/无脑回患者的 DNA，并确定了变异的优先级。通过使用 CRISPR/Cas9 基因组编辑在 NPC 和斑马鱼中生成突变系，并与已知在巨脑回/无脑回中发挥作用的三个关键基因（TUBG1、LIS1、DAB1）之一的模型进行了比较。使用 3D 基质胶腔系统 (ICChip) 对 NPC 进行表征，并在 3 dpf 和 5 dpf 时观察到发育中的斑马鱼的表型变化。使用 qPCR 对目标突变系和选定的变体系进行了比较。与对照组相比，在 3 个选定基因的突变 NPC 系中观察到迁移延迟。WES 确定了两个候选变体，CGREF1 和 NOL9。观察到 CGREF1KO 斑马鱼和 CGREF1KONPC 中无脑畸形和小头畸形相关基因和神经元分化基因的表达变化。在 Tubg1 突变斑马鱼中观察到严重的表型，包括小头和小眼，以及肝脏/肠道发育异常。我们的研究结果证明，使用 NPC 和斑马鱼模型可以以省时省钱的方式测试导致与 NPC 迁移相关的缺陷的变异。多组学分析可以进一步将这种方法的使用范围扩展到其他神经遗传缺陷组。该项目由 TUBITAKCOST Action 资助，代码号为 217S944。
图像、GMTI 和信息融合的神经方法 - DTIC
根据 JDL 数据融合组过程模型，在 0、1、2 和 2+/3 级进行数据和信息融合。为了支持多传感器 IMINT 和 GMTI 融合和 3D 可视化，我们构建了阿拉巴马州莫比尔码头和周边地区的 3D 站点模型，该模型允许使用我们现有的图像挖掘工具进行搜索，并提供 COP 环境，可以在其中模拟和可视化场景。我们开发了用于模拟交通和编写单个车辆移动脚本的软件，以支持场景创建。我们探索了几个新概念来支持 2+/3 级的更高级别的信息融合。一种方法源于对动态脉冲信息网络及其同步形式的神经处理的洞察。这些网络可以以关系和学习到的关联的形式绑定数据和语义知识。我们证明了使用这些网络在移动数据集中学习动态城市场景中移动车辆之间的简单关联的可行性。第二种方法涉及从图像和/或文本数据中提取知识结构。我们开发了两种从数据集中的概念共现中发现分类法的机制。我们证明了这些方法对融合图像和文本语料库的有效性。最后一种方法利用神经启发机制从移动的跟踪实体中学习正常行为模型。这些模型随后被使用
酿酒酵母和新兴酵母菌种合成生物学工具和组装方法的标准化
摘要：利用工程原理重新设计生物体是合成生物学 (SynBio) 的目的之一，因此实验方法和 DNA 部件的标准化变得越来越必要。专注于酿酒酵母工程的合成生物学界一直处于这一领域的前沿，构想出了几种被该界广泛采用的特征明确的合成生物学工具包。在本综述中，我们将讨论为酿酒酵母开发的分子方法和工具包对所需标准化工作的贡献。此外，我们还回顾了为新兴非常规酵母物种设计的工具包，包括解脂耶氏酵母 (Yarrowia lipolytica)、Komagataella phaffii 和马克斯克鲁维酵母 (Kluyveromyces marxianus)。毫无疑问，这些工具包中强调的特征化 DNA 部件与标准化组装策略相结合，极大地促进了许多代谢工程和诊断应用等的快速发展。尽管在常见酵母基因组工程中部署合成生物学的能力不断增强，但酵母界在生物自动化等更复杂、更精细的应用中还有很长的路要走。关键词：标准化、特性、生物部件、酵母工具包、合成生物学、自动化