XiaoMi-AI文件搜索系统
World File Search Systemtanh
机器学习的基础（FUNML）秋季2024
𝒂（𝑡）=𝒃+𝑾𝒉（𝑡−1）+𝑼𝒙（𝑡）（计算神经元激活）𝒉（𝑡）= tanh（𝒂（𝑡（𝑡））（非线性激活）𝒐（应用）𝒐（𝑡（𝑡）=+++𝑽𝒉（𝑡（𝑡）（计算soft of toctectectecte） （应用SoftMax获得伪探针）
IBM Telum 处理器：为企业工作负载集成 AI IBM 的下一代处理器将 AI 集成到 IBM Z 中
加速器本身提供超过 6 TFLOPS 的 16 位浮点吞吐量，每个芯片可扩展到大约 200 TFLOPS。脉动阵列中的 1024 个处理器块组成矩阵阵列，256 个 fp16/32 块组成用于计算激活的加速器，并包含 RELU、tanH 和 log 的内置函数。该平台还提供企业级可用性和安全性，正如人们对 Z 的期望一样，具有虚拟化、错误检查/恢复和内存保护机制。虽然 6 TFLOPS 听起来并不令人印象深刻，但请记住，此加速器针对事务处理进行了优化。与语音或图像处理不同，大多数数据都是浮点数，并且高度结构化。因此，我们相信这款加速器将提供足够的性能，并且无疑比
与计算机视觉的深度学习
深度学习和神经网络：多层感知器：多层感知器体系结构，什么是隐藏的层？每一层中有多少层和多少个节点？激活函数：线性传输函数，重型阶跃功能（二进制分类器），sigmoid/logistic函数，软马克斯函数，双曲线切线函数（TANH），整流的线性单元，泄漏的relu。前馈过程：前馈计算，特征学习。错误函数：错误函数是什么？，为什么我们需要一个错误函数？错误总是正面的，均为正方形错误。跨凝性，关于错误和权重优化算法的最终说明：什么是优化？，批处理梯度下降，随机梯度下降，微型批次梯度下降，梯度下降点击。反向传播：什么是反向传播？，反向传播外卖。
人工智能教科书
1.1.日常生活中的人工智能例证 1 1.2.未来人工智能 8 2.1。工业革命 4.0 12 2.2.电话银行 14 2.3.工业革命的时代发展 15 3.1.图灵机 19 3.2.图灵机演示 21 3.3.图灵机 22 3.4。图灵机可视化 23 3.5.图灵机转换图 26 4.1.机器学习 29 4.2.黑箱数据处理 32 4.3. Alpha Go 33 4.4。机器学习 34 5.1.深度神经网络 36 5.2.神经元如何工作 37 5.3.神经元数学方程 37 5.4.线性激活函数 38 5.5. Sigmoid 和 Tanh（非线性） 39 5.6。整流线性 39 5.7。具有隐藏层的神经网络架构 40 5.8.具有 2 个隐藏层的神经网络架构 40 6.1。 Matlab 45 7.1。模糊推理系统 52 7.2。清晰集图 54 7.3.模糊集图 55 7.4。脆皮逻辑 56 7.5。模糊逻辑 56 7.5。脆皮逻辑 56 7.6。酥脆套餐 58 7.7.模糊集 59 7.8。三角隶属函数 59 7.9.梯形隶属度 60 7.10 与集合隶属度相关的模糊值。 61 7.11。 1 型模糊逻辑系统结构 63
基于学习的深度涡流粘度建模，用于改善虚张声势的风压
准确预测建筑物的风压对于设计安全有效的结构至关重要。现有的计算方法，例如Reynolds-平均Navier-Stokes（RANS）模拟，通常无法在分离区域准确预测压力。本研究提出了一种新型的深度学习方法，以增强涡轮闭合泄漏范围内的涡流建模的准确性和性能，尤其是改善了虚张声板体空气动力学的预测。经过大型涡流模拟（LES）数据的深度学习模型，用于各种虚张声势的身体几何形状，包括扁平屋顶的建筑物和前进/向后的台阶，用于调整RANS方程式中的涡流粘度。结果表明，合并机器学习预测的涡流粘度可显着改善与LES结果和实验数据的一致性，尤其是在分离气泡和剪切层中。深度学习模型采用了一个神经网络体系结构，具有四个隐藏层，32个神经元和Tanh激活功能，该功能使用ADAM优化器进行培训，学习率为0.001。训练数据由LES模拟组成，用于向前/向后面向宽度比率为0.2至6的步骤。研究表明，机器学习模型在涡流粘度方面达到了平衡，从而延迟了流动的重新安装，从而比传统的湍流闭合（如K-ωSST和K-ε），导致更准确的压力和速度预测。灵敏度分析表明，涡流粘度在控制流，重新分布和压力分布中的关键作用。此外，研究强调了RANS和LES模型之间的涡流粘度值的差异，从而强调了增强湍流建模的需求。本文提出的发现提供了实质性的见解，可以告知针对工程应用程序量身定制的更可靠的计算方法，包括结构性设计的风负荷考虑以及不稳定空气动力学现象的复杂动态。
通过先进的深度学习模型进行心力衰竭预测和分类的新方法
在本研究中，作者将研究和利用与两种不同方法相关的先进机器学习模型来确定预测心力衰竭和心血管疾病患者的最佳和最有效方法。第一种方法涉及一系列分类机器学习算法，第二种方法涉及使用称为 MLP 或多层感知器 的深度学习算法。在全球范围内，医院都在处理与心血管疾病和心力衰竭相关的病例，因为它们是导致死亡的主要原因，不仅是超重人群，而且是饮食和生活方式不健康人群的主要死亡原因。通常，心力衰竭和心血管疾病可由多种因素引起，包括心肌病、高血压、冠心病和心脏炎症 [1]。其他因素，如不规则休克或压力，也可能导致心力衰竭或心脏病发作。虽然这些事件无法预测，但来自患者健康的持续数据可以帮助医生预测心力衰竭。因此，这项数据驱动的研究利用先进的机器学习和深度学习技术来更好地分析和处理数据，为医生提供关于一个人患心力衰竭可能性的决策工具。在本文中，作者采用了先进的数据预处理和清理技术。此外，使用两种不同的方法对数据集进行了测试，以确定产生最佳预测的最有效的机器学习技术。第一种方法涉及采用一系列监督分类机器学习算法，包括朴素贝叶斯 (NB)、KNN、逻辑回归和 SVM 算法。第二种方法利用了一种称为多层感知器 (MLP) 的深度学习 (DL) 算法。该算法为作者提供了灵活性，可以尝试不同的层大小和激活函数，例如 ReLU、逻辑 (sigmoid) 和 Tanh。这两种方法都产生了具有