XiaoMi-AI文件搜索系统
World File Search System人工神经网络
使用机器学习的人工神经网络
机器学习 (ML)，特别是基于人工神经网络 (ANN) 的算法，是数学、统计学、计算机科学和神经科学等不同学科交叉的研究领域。这种方法的特点是使用算法从大型异构数据集中提取知识。除了简要介绍基于 ANN 算法的 ML 之外，本文还将重点介绍其在社会科学中的可能应用，特别是其在数据分析程序中的潜力。在这方面，我们将提供三个社会数据应用示例，以评估 ML 在变量关系研究中的影响。最后，我们将比较 ML 与传统数据分析模型的潜力。
论大脑、行为和人工神经网络的逻辑推理
摘要 在认知、计算和神经科学领域，从业者经常推理计算模型代表或学习什么，以及实例化什么算法。这种推理的假定目标是将有关所讨论模型的主张概括为有关思维和大脑以及这些系统的神经认知能力的主张。这种推理通常基于模型在任务上的表现，以及该表现是否接近人类行为或大脑活动。在这里，我们展示了这种论证如何使模型与其目标之间的关系复杂化；我们强调人工神经网络 (ANN)，尽管任何落入相同推理模式的理论-大脑关系都存在风险。在本文中，我们在一个正式框架——元理论演算——内对从 ANN 到大脑再返回的推理进行建模，以便就如何广泛理解和使用模型以及如何最好地正式描述它们及其功能展开对话。为此，我们从已发表的记录中表达了关于模型在一阶逻辑中的成功和失败的主张。我们提出的形式化方法描述了科学家在裁决理论时制定的决策过程。我们证明，将文献中的论证形式化可以揭示理论与现象之间关系的潜在深层问题。我们讨论了这对认知科学、神经科学和心理学研究的广泛意义；当模型失去以有意义的方式在理论和数据之间进行调解的能力时，这意味着什么；以及这对我们的领域在进行高级科学推理时部署的元理论演算意味着什么。
生物神经元，人工神经网络的基本模型
ANN由在工会中工作以解决特定问题的大量高度相互连接的处理元件（神经元）组成。神经网络的优势l。自适应学习：ANN具有M学习如何根据培训或初始经验的数据来学习任务的能力。2。自组织：ANN可以创建自己的组织或在学习期间收到的信息的表示。3。实时操作：ANN计算可以并行进行。正在设计和制造特殊的硬件设备，以利用ANN的这种功能。4。通过冗余信息编码的容错性：神经网络的部分破坏会导致相应的性能降解。但是，即使在重大网络损坏后，也可以保留某些功能。
基于人工神经网络的肿瘤图像分割研究进展
图像技术越来越多地应用于帮助医生提高肿瘤诊断的准确率以及帮助研究人员研究肿瘤特性，图像分割技术是图像处理的重要组成部分。本文综述了人工神经网络在图像分割方面的研究进展，主要包括BP网络和卷积神经网络（CNN）。目前已经建立了许多不同结构的CNN模型，如监督学习CNN和非监督学习CNN，并成功地应用于肿瘤图像的分割。结果表明，人工网络的应用可以提高肿瘤图像分割的效率和准确率。但人工神经网络图像分割仍然存在一些不足，如应寻找新的方法来降低构建标记数据集的成本；应建立效率更高的新型人工网络等。
稀疏人工神经网络：自适应性能 - ...
人工神经网络是强大的机器学习系统。然而，如果权重数量过多，接近于零，网络就会变得不必要地庞大和沉重。稀疏模型会删除冗余权重，旨在以最小的准确度损失减少参数数量。稀疏进化训练过程会自适应地进化人工神经网络拓扑的权重。事实证明，这种技术可以删除大量权重，并实现比非进化或密集连接的对应技术更高的准确度，尽管连接的添加和删除遵循相对简单的算法。受人类大脑突触修剪的启发，我们提出了一种稀疏进化训练算法中权重进化的高级方法。我们建议在训练阶段随着准确度的提高逐渐删除连接。我们表明，参数数量可以显著减少，而准确度几乎不会损失，额外的计算复杂性可以忽略不计。我们在基准图像和表格数据集上训练的多层感知器上展示了该算法的性能。这项研究有助于理解稀疏人工神经网络，并朝着更高效的模型迈出了一步。
人工知能（AI）
上述预测具有局限性，我们不保证其可靠性。它不构成投资建议或购买、出售或持有任何特定证券的建议，仅供说明之用。 该预测并不包括中国。 资料来源：ARK Investment Management LLC，2021 年 | 美国劳工统计局。“职业就业和工资统计”。www.bls.gov/oes/current/oes_stru.htm.、Gartner gartner.com/en/newsroom/press-releases/2021-10-20-gartner-forecasts-worldwide-it-spending-to-exceed-4-trillion-in-2022 和麦肯锡全球研究院。“一个可行的未来：自动化、就业和生产力。”mckinsey.com/~/media/mckinsey/featured%20insights/digital%20disruption/harnessing%20automation%20for%20a%20future%20that%20works/mgi-a-future-that-works_full-report.pdf
AI（人工知能）
3-1. 深度学习处理概述 ..................................................39 3-2. 准备的数据集 ..............................................................40 3-3. 神经网络中的计算 ..............................................................41 3-4. 激活函数 ......................................................................42 3-5. 损失函数 ......................................................................44 3-6. 独热向量 ......................................................................45 3-7. 误差最小化方法 .............................................................46 3-8. 反向传播方法 .............................................................50 3-9. 批量学习和小批量学习 .............................................51 3-10. 消失梯度问题 .............................................................52 3-11. 过拟合、过拟合 .............................................................53 3-12. 分类评价指标 .............................................................54
人工神经网络处理地震资料的新思路
* (betulagaoglu@hitit.edu.tr) 摘要 - 人工智能研究领域十分广泛，它研究的是机器学习的能力。人工智能研究最多的课题之一是人工神经网络。人工神经网络在解决复杂问题、计算和处理信息方面非常有效。地震方法是地球物理领域的基本应用之一，被广泛使用，尤其是利用地震波检测石油。通过文献综述，我们可以看到人工神经网络架构的类型。我们已经确定在处理地震数据时使用不同的方法。使用卷积神经网络 (CNN)（人工神经网络架构之一）的目的是成功利用地震波检测石油。关键词 - 人工智能、人工神经网络、CNN、地震数据、石油勘探。
人工神经网络超级学习的元学习...
摘要。紧凑型μ子螺线管 (CMS) 是欧洲核子研究中心大型强子对撞机 (LHC) 的通用探测器之一，它收集了大量的物理数据。在进行最终的物理分析之前，必须通过一系列自动（如物理对象重建、直方图准备）和手动（检查、比较和决策）步骤检查数据的质量（认证）。决策的最后一个手动步骤非常重要，容易出错，需要大量人力。决策（认证）目前正在计算机科学领域积极研究，以通过应用计算机科学的最新进展，特别是机器学习 (ML) 来实现自动化。归根结底，CMS 数据认证是一个二元分类任务，其中正在研究各种 ML 技术的适用性。就像任何其他 ML 任务一样，超参数调整是一个难题，没有黄金法则，每个用例都不同。本研究探索了元学习的适用性，它是一种超参数查找技术，其中算法从以前的训练实验中学习超参数。进化遗传算法已用于调整神经网络的超参数，如隐藏层数、每层神经元数、激活函数、辍学、训练批量大小和优化器。最初，遗传算法采用手动指定的超参数集，然后向接近最优解发展。应用遗传随机算子、交叉和变异来避免局部最优解。本研究表明，通过仔细播种初始解决方案，很可能会找到最优解。所提出的解决方案提高了用于 CERN CMS 数据认证的神经网络的 AUC 分数。类似的算法可以应用于其他机器学习模型的超参数优化。
人工神经网络语言模型预测人类
。CC-BY-NC-ND 4.0 国际许可证（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是由此预印本的版权持有者于 2023 年 9 月 19 日发布的。；https://doi.org/10.1101/2022.10.04.510681 doi：bioRxiv 预印本