XiaoMi-AI文件搜索系统
World File Search Systemprediction
![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
基因预测和功能注释简介
GTGAAGGGCAATCAGCTGTTGCCCGTCTCACTGGTGAAAAGAAAAAC CACCCTGGCGCCCAATACGCAAACCGCCTCTCCCCGCGCGTTGGCC GATTCATTAATGCAGCTGGCACGACAGGTTTCCCGACTGGAAAGCGG gcagtgagcgcaaCgCaAttaatgtGagtCactcactCattaggCa ccccaggctttaCactttatTattatGcttcggttcggtcgtcgtgtgtgtgtgtgtggaattggagcggcggcggcggcggcggcggcggataactaacttcacacacacaggaaacagcatatgaccatgactgattgattgattgatta CGGATTCACTGGCCGTCGTTTACAACGTCGTCGTGACTGGGAAAACCCT GGCGTTACCCAACTTAATCGCCCTTGCAGCAGCAGCACATCCCCCCCCCCCCCCCCCCCCCCCCGCCGCGCGCGTGGCGCGTAATAGCCGAGCGCGCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCTTTCCCCCAGAG ttgcgcagcctgaAtggcgaAtggcgctttgcctggtttcggcaC cagaagcggtgcgcgcgcgcgcggaaagctggctggcgtggcgcgatgcgcgcgcgatcttcctggc cgatactgcgtcgtcgtcgtcgtcccctccctccctcatcaaactgggcagcagcagcagcacggcacggcacggcacggttacgatttacgatgttacgatgttacgatg. CGCCCATCCACAACGTGACCTATCCCATCGGTCAGCCGCG TTTGTCCCACGGAGAATCCGACGGGACGGGTTGTTACTCGCTCACATTTAAT GTTGATGATGAAAGAAGAGCTGECTGGTGCTACACAGGAGGCAGGCCAGACGCAACGCGAACGATTTTGATGA TGGCGTTAACTCGGCGTTTCATCTGTGGTGCAACGGGCGCTGGGTC GGTTACGGCCAGGACAGTCGTTTGCCGTCTGAATTTGACCTGAGCG CATTTTTACGCGCCGGAGAAAACCGCCTCGCGGTGATGGTGCTGCG ctggagtgacggcagttattctggaagatcaggatatgtggcggatg agcggcattttctcgtgtgacgtctcg……………………………………………………………………………………………………。
在挪威大都会的SVALBARD的数值天气预测数据集：arome-arome-Arctic预测实验hectometric Runs Carra Reanalysis
○Harmonie – Arome基于Aladin联盟内开发的模型（地图上的蓝色国家）○○与AROME-FRANCE相同的非静态动力学核心○更新到该模型的物理参数化，配置选择和脚本系统●Accord common and contoct and contoct and contoct of ifs-arpege frr frrige and ifs-arpege M Moutrf，
使用基于树的脑电图数据的“脑性别”预测...
1。Alexandre Gramfort，Martin Luessi，Eric Larson，Deni A. Engemann，Strohmeier Daniel，Christian Brodbeck，Roman Goj，Mainak Jas，Brooks，Lauri和Matti S.任何Python的Mne-Python。神经科学的前线，7（267）：1-13，2013。2。Cabanero-Gome，L.，Hervas，R.，Constance，I。和Rodrig-Benite，L。（2021）。eglib：用于EEG提取的Python模块。3。 Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。 （2018）。 skikit-optimize：v0。 5.2。 版本V0，5 4。 Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。3。Head，T.，Mechcoder，G。L.，＆Shcherbatyi，I。（2018）。skikit-optimize：v0。5.2。版本V0，5 4。Joel，D。，Berman，Z （2015）。 人脑。 112（50），15468-15473。 5。 Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Joel，D。，Berman，Z（2015）。人脑。112（50），15468-15473。5。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y. （2017）。 LightGBM：高速公路激动人心的梯度。 神经信息系统的进步，30，3146–3154 6。 Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Go，G.，Meng，Q.，Finy，T.，T.，Chen，W.，W.，W.，... Liu，T.-Y.（2017）。LightGBM：高速公路激动人心的梯度。神经信息系统的进步，30，3146–3154 6。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。 超越二元类别的性别：对不同差异，心理病理学和基因型的检查。 Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Phillips，Opery，A。K.，Hsu，V.，Ollila，H。M.，Hillary，R。P.，R.，R。，J。，J.＆Singh，M。K.（2019）。超越二元类别的性别：对不同差异，心理病理学和基因型的检查。Sychiatry Academy，58（8），787-798。 7。 TOOLE，JM和BOYLAN，G。B. （2017）。 neral：新生儿脑电图的定量特征使用matlab。Sychiatry Academy，58（8），787-798。7。TOOLE，JM和BOYLAN，G。B.（2017）。neral：新生儿脑电图的定量特征使用matlab。ARXIV预印型ARXIV：1704.05694。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。 在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。 Neuroimage，55（4），1548-1565。 8。 Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Vinck，M.，Oostenveld，R.，Van Wingerden，M.，Battaglia，F。，＆Pennartz，C。M.（2011）。在存在体积传导，噪声和样品大小偏置的情况下，改进了相结合的相同步指数。Neuroimage，55（4），1548-1565。8。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。 功能连通性预测性别：静止大脑连通性中性别差异的证据。 人类脑图，39（4），1765-1776。Zhang，C.，Dougherty，C.C.，Baum，S.A.，White，T。，＆Michael，A。M.（2018）。功能连通性预测性别：静止大脑连通性中性别差异的证据。人类脑图，39（4），1765-1776。
年龄和性别对成对脉冲抑制的影响和对听觉的预抑制诱发潜力
在现代植物育种中，基因组选择已成为选择仅部分表型的大型繁殖种群中的优质基因型的黄金标准。许多育种计划通常依赖于单核苷酸多态性（SNP）标记来捕获全基因组的选择候选数据。为此，具有中等至高标记密度的SNP阵列代表了一种强大且具有成本效益的工具，可从大规模繁殖群体中生成可重现，易于处理的高通量基因型数据。但是，SNP阵列容易出现导致等位基因呼叫失败的技术错误。为了克服这个问题，基于失败的SNP调用纯粹是技术性的，通常会估算失败的呼叫。但是，这忽略了失败调用的生物学原因，例如：缺失 - 越来越多的证据表明基因存在 - 缺失和其他类型的基因组结构变体可以在表型表达中发挥作用。由于缺失通常不与其弯曲的SNP不平衡，因此缺少SNP调用的排列可能会掩盖有价值的标记 - 性状关联。在这项研究中，我们使用四个参数和两个机器学习模型分析了为低油菜籽和玉米分析的数据集，并证明基因组预测中的等位基因调用失败对重要的农艺性状具有很高的预测。我们根据种群结构和连锁不平衡提出了两个统计管道，这使可能由生物学原因引起的失败SNP调用过滤。对于所检查的人群和特征，基于这些过滤的失败等位基因调用的预测准确性与基于标准SNP的预测具有竞争力，这是基因组预测方法中缺失数据的潜在价值的基础。SNP与所有失败的等位基因调用或过滤等位基因调用的组合并不能以基于基因组关系估计的冗余性而获得的基于SNP的预测的预测均超过预测。
计算机视觉预测收获的影响...
摘要 - 全球计算机视觉的加速发展对水果收获的估计产生了重大影响，从而提高了效率并大大减少了食物浪费。此外，这项技术在农业部门面临着显着的抵抗力和缺乏知识。本综述的目的是分析人工视力方法在预测高茎果的收获时。因此，应用了非实验性描述性设计，属于无荟萃分析的系统综述。基于定义的标准（包含和排除），从电子数据库Scopus，Scielo和Redalyc中选择了26篇开放访问文章，这些文章涉及使用VA来预测高茎水果的收获。的发现表明，大多数研究使用近红外（NIR）光谱和RGB图像处理来估计收获，分别达到95％（柑橘类水果）和75％（苹果）的平均准确性。此外，使用RGB和YOLOV3图像传感器的无人机的使用使得获得大于90％的精确度成为可能，从而实现了收获前4到6个月之间的预测。得出结论是，使用最常用的VA方法是RGB图像传感器，光谱法（NIR），无人驾驶飞机（UAV）和Yolov3，它们在预测高茎果实的成熟方面的准确性大于75％。该方法的选择将主要取决于您是要分析果实的内部还是外部部分，因此，重要的是要识别高茎果实在其生长阶段的色素沉着的变化。
使用各种损失模型的电池损失预测
这项工作比较并量化了带有太阳能光伏（PV）的住宅建筑物的案例研究中三个电池系统损耗表示的年损失。两个损失表示形式考虑了不同的操作条件，并使用电池电力电子转换器（PEC）的测量性能，但使用恒定或依赖电流的内部电池电池电阻的不同。第三表示是无关紧要的，并使用（固定的）往返效率。工作使用负载和PV轮廓的次数测量，包括不同的PV和电池尺寸组合的结果。与具有当前依赖性内部电阻的情况相比，结果表明使用恒定电池内部电阻不足，并将年度损失差异量化为-38.6％。结果还表明了通过固定的往返效率对电池系统的效率进行建模的缺陷，其损失差异在-5％至17％之间，具体取决于情况。此外，突出显示了计算细胞损失的必要性，并且量化了其对转换器加载的依赖性。
建立和验证IV期非小细胞肺癌的生存预测模型：一项现实世界研究
方法：从Shanxi Cancer Hospital收集的晚期非小细胞肺癌的462例患者被随机分配（以7：3的比例）与训练队列和内部验证队列分配。筛选影响患者3年生存的独立因素，并通过使用单因素，然后进行多因素COX回归分析创建预测模型。 使用一致性指数（C-指数），校准曲线，接收器操作特征曲线（ROC）和决策曲线分析（DCA）评估模型的性能。 单独接受化学疗法的收集的患者，以及接受化学疗法与免疫疗法结合的患者使用两组之间的倾向得分匹配，并在筛选的变量中进行了亚组分析。筛选影响患者3年生存的独立因素，并通过使用单因素，然后进行多因素COX回归分析创建预测模型。使用一致性指数（C-指数），校准曲线，接收器操作特征曲线（ROC）和决策曲线分析（DCA）评估模型的性能。单独接受化学疗法的收集的患者，以及接受化学疗法与免疫疗法结合的患者使用两组之间的倾向得分匹配，并在筛选的变量中进行了亚组分析。
在计算机分子对接研究和Adme -Tox预测中...
本研究研究了基于自由结合能（δg）的潜在活性预测以及对ARTOCARPUS冠军（Lour。）的植物复合的相互作用确认。使用二肽基肽酶IV（DPP -IV）的大分子蛋白受体在硅分子对接研究中，以及物理化学和药代动力学特性（ADME -TOX）预测方法。使用Autodock v4.2.6（100个对接运行）将DPP -IV受体大分子蛋白蛋白数据库（ID：1×70）的活性子站点停靠。一个52×28×26Å点的网格盒子由0.37Å的距离为X =40.926Å的活动位置； y =50.522Å; Z =35.031Å。用于ADME -TOX预测，使用了基于瑞士的在线申请计划。结果表明，基于δg值和相互作用构象，来自A.冠军的12个Pythocompound具有DPP -IV抑制剂的潜力。比天然配体有五个具有较低δg值和抑制常数的Pythocompounds，七个具有δg值和抑制常数接近天然配体的Pythocompounds。12种化合物在DPP -IV受体的活性子矿石上形成了一种相互作用构象。同时，Adme -Tox预测分析的结果表明，这12种化合物具有不同的物理化学和药代动力学特性。
利用深度学习预测老化电池放电
电化学电池是我们社会中无处不在的设备。当用于关键任务应用时，在高度变化的操作条件下准确预测其放电终止的能力至关重要，以支持运营决策并充分利用整个电池的使用寿命。虽然有充电和放电阶段潜在过程的准确预测模型，但老化建模仍然是一个悬而未决的挑战。这种缺乏理解通常会导致模型不准确，或者每当电池老化或其条件发生重大变化时，就需要耗时的校准程序。这对在现实世界中部署高效、强大的电池管理系统构成了重大障碍。在本文中，我们介绍了 Dynaformer，这是一种新颖的深度学习架构，它能够同时从有限数量的电压/电流样本推断老化状态，并以高精度预测真实电池的全电压放电曲线。在评估的第一步中，我们调查了所提出的框架在模拟数据上的性能。在第二步中，我们证明了只需进行少量微调，Dynaformer 就能弥补模拟与从一组电池收集的实际数据之间的差距。所提出的方法能够以可控且可预测的方式利用电池供电系统直至放电结束，从而显著延长运行周期并降低成本。