XiaoMi-AI文件搜索系统
World File Search Systempredicting
通过注意力预测蛋白质序列的酶促功能
结果：我们表明，我们的Enzbert Transformer模型通过蛋白质语言模型的专业化而受过训练，可预测酶佣金（EC）数量，仅基于序列而优于单功能酶类预测的最先进的工具。在EC40基准上的第二级预测EC数量的预测中，精度从84％提高到95％。为了评估第四级的预测质量，这是最详细的EC数字，我们构建了两个新的基于时间的基准测试，以与最先进的方法ECPRED和DEEPEC进行比较：Macro-F1分别从41％提高到54％，从20％提高到20％。最后，我们还表明，使用一个简单的注意力图与EC预测任务上的其他经典性方法相当，或者比其他经典性方法更好。更具体地，注意图鉴定出的重要残基倾向于对应于已知的催化位点。量化，我们报告的最高F-GEAIN评分为96.05％，而经典的可解释性方法最多达到91.44％。
通过机器学习预测文章质量得分
国家研究评估计划和激励计划在简单的定量指标和耗时的同行/专家审查之间进行选择，有时会受到文献计量学的支持。在这里，我们评估机器学习是否可以提供第三种替代方案，并使用更多多个文献计量和元数据输入来估算文章质量。我们使用临时三级Ref2021同行评审分数进行了调查，该评分分数为84,966篇提交给英国研究卓越研究框架2021的文章，与2014 - 18年的Scopus Record匹配，并具有大量的摘要。我们发现，在最佳情况下，评估和经济学单位（UOAS）和经济学单位（UOAS）和经济学单位（UOAS）和经济学单位最高（总体上为72％）。这是基于1,000个文献计量的输入，而每种UOA中用于培训的文章的一半。的预测精度高于社会科学，数学，工程，艺术和人文科学，UOAS较低或接近零。随机森林分类器（标准或序数）和极端梯度增强分类器算法在32次测试中表现最好。准确性较低。我们通过主动学习策略提高了准确性，并选择具有更高预测概率的文章，但这显着减少了预测的分数数量。
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。
预测共同农业政策职位的影响...
摘要。这项研究的目的是通过估计农民在采用有机农业实践和生态习惯时估算农民的反应，对2020年后共同农业政策（CAP）中所采取的农业环境措施的潜在影响进行实质性评估。这项研究是通过基于积极的数学编程（PMP）的基于代理的模型（ABM）进行的。ABM促进了农民之间的相互作用的模拟，从而可以分析农场异质元素。PMP方法论为农民的经济驱动力增加了非理性的尺寸。使用2019年农场会计数据网络（FADN）数据对该模型进行校准，该数据针对意大利的Emilia Romagna地区。我们的发现揭示了对土地使用的重大影响，谷物栽培的谷物培养有利，有利于蛋白质和饲料作物。此外，观察到结构性转移，特别是小型农场数量的减少。我们还评估了环境和经济的影响，观察到CO 2相当于每公顷的排放量，供水需求的增加以及农场之间的整体经济稳定，如每公顷毛利率的变化所表明。
一个用于预测药物副作用的分类模型。
摘要：药物宣传需要理解不同人口组的药理副作用的异质性，以提高患者安全性并优化治疗结果。这项研究介绍了一种创新的分类模型，专门针对年龄，性别和种族等因素来预测药理副作用。该模型试图通过提供对各种人口特征如何影响不良药物反应（ADR）的发生方式来解决对个性化治疗的日益增长的需求。该研究采用了广泛的数据集，其中包括患者人口统计数据的全面记录和药物的相应不良影响。我们利用了高级机器学习方法，例如功能工程，模型选择和超参数调整来创建强大的分类模型。该模型经过了使用与不同人口统计学相关的数据进行培训和验证，以确保其适当地代表各种人群群体之间副作用谱的差异。对模型表现的评估表明，精确的水平，展示了值得注意的发现，强调了各个年龄段，性别和种族背景的药理学副作用的变化。例如，该模型确定特定的不良反应在老年人或特定种族中更为普遍，为医疗保健提供者和药品业务提供了重要的见解。该模型通过在预测药理学副作用的预测中包括人口统计学方面来增强精度医学的领域。这项研究的发现在量身定制的个人需求并促进公平性的医疗保健解决方案方面具有重大影响。这允许根据每个患者的特定特征进行个性化治疗。此外，这些发现强调了需要进行更具包容性临床试验和市场后监视的必要性，以确保所有人口段都充分代表。总而言之，这项研究为机器学习的应用提供了实质性的飞跃，以预测药理副作用，并为更量身定制和安全的医疗保健提供了途径。未来的研究将通过包括新的人口统计学变量并扩展数据集以涵盖更多多种组的组合来完善模型。简介：医学研究和药理学的快速突破导致了旨在治疗各种健康问题的大量治疗药物的发展。但是，不良药物反应（ADR）的发生仍然是医疗保健中的严重关注，通常导致发病率，死亡率和医疗保健成本增加。理解和预测这些不利影响至关重要
预测Bubalus Mindorensis的合适栖息地（Heude ...
Tamaraw（Bubalus Mindorensis）是一种濒临灭绝的牛，是菲律宾Mindoro Island的特有的。使用Maxent算法使用物种分布模型（SDM），该研究旨在对塔玛拉夫的分布进行全面分析，以预测当前气候条件下的潜在地理范围（1970-2000）和两种未来的气候变化方案：SSP1-2.6和SSP1-2.6和SSP3-7.0.0（2081-2100）。总共使用24个发生点和12个环境变量用于模型调整，并使用enmeval和去除高度相关的变量。最温暖的季度（BIO10）和年降水量（BIO12）的平均温度最高，并且对三种气候场景的贡献最为常见，其可接受的AUC值范围为0.95-0.97。当前的研究有助于识别高价值优先领域，以建立塔玛拉夫保护的生物多样性走廊，并制定策略，以减轻难以捉摸的牛面临的威胁。
预测职业教师学习转移的因素
工作安置被定义为一项持续的专业发展计划，在该计划中，职业教师通过参与“其教学主题的职业，工作生活社区”，从而获得职业知识和技能（Andersson＆k. ops´ en，2015年，第2页）。在过去的几十年中，职业教师的专业学习吸引了学者，决策者和学校领导者的广泛关注（Bound，2011; Ode Groote Beverborg et al。，2015; Hoekstra，Kuntz，＆Newton; Ou; OU；1 - 21）。除了在学校工作场所进行定期学习外，职业教师在工业环境中的学习也被认为是发展自己的重要来源，特别是提高其占领专业知识。正如Andersson和Kéops的'EN（2018）所说：“兽医在寻求开发行业货币时面对的情况很复杂，因为当前的职业知识位于与学校实践分离的特定工作生活实践中”（第318页）。 在现实的工作世界中促进职业教师的学习，工作安置正如Andersson和Kéops的'EN（2018）所说：“兽医在寻求开发行业货币时面对的情况很复杂，因为当前的职业知识位于与学校实践分离的特定工作生活实践中”（第318页）。在现实的工作世界中促进职业教师的学习，工作安置
审查QSAR模型和用于预测的软件工具...
在评估工业化学物质，化妆品成分以及农药和杀菌剂中的活性物质中，代谢产物和降解物在哺乳动物中的毒性作用很少经过测试。为了动物福利和成本效益的利益，在评估这些类型的化学物质时需要进行动物测试的替代方法。在本报告中，我们回顾了用于吸收，分布，代谢和排泄（ADME）特性中各种类型的各种类型的现状，这些特性对于区分父母化合物的毒理学特征及其代谢物/降解产物通常很重要。审查是从广义上进行的，重点是QSAR和基于规则的方法及其对估计口服生物利用度，人类肠道吸收，血脑屏障渗透，血浆蛋白质结合，代谢和代谢和的适用性。这揭示了广泛而快速增长的文献和一系列软件工具。
使用机器学习预测启动成功
摘要 - 近年来，机器学习（ML）模型的应用在不同领域（例如对启动成功的预测）中获得了显着的吸引力。初创公司面临许多挑战，预测其成功或失败的能力对于投资者，企业家和利益相关者而言至关重要。本文提供了有关使用ML模型在预测初创企业成功的现有研究的全面文献综述。通过检查各种各样的研究，本评论突出了影响创业成功的关键因素，例如财务绩效，团队组成，市场状况和商业模式。在这些研究中都采用了各种ML算法 - 例如逻辑回归，决策树，支持机器（SVM）和深度学习技术。审查还探讨了预测结果中常用的数据集，功能和评估指标。本文旨在综合该领域的最新技术，并确定当前的趋势，挑战和未来的研究机会。
通过声学传感预测轴承故障
测量声音的一种方法是振幅，它表示分贝（db）中的强度。也可以将声音作为频率测量，用Hz或KHz表示。声音频率是指振动的数量（或周期）每秒都在赫兹（Hz）中测量。健康的人耳通常可以感知到20 Hz至20,000 Hz范围内的声音频率，或者简称为20 kHz。1对于视角，低音低音介于20 Hz至250 Hz之间，250 Hz和4 kHz之间的人类语音以及4 kHz至20 kHz的高音声音）。声音频率高于20 kHz，通常被认为是超声波，通常超出了人类的感知。