XiaoMi-AI文件搜索系统
World File Search System以预
分析机器学习方法以预测比特币定价
加密货币是一种使用区块链技术和密码学来保护有关数字市场交易和交换的信息的数字货币形式。像比特币这样的加密货币由一个大型网络组成，该网络有许多同行在上面工作，每个同行都有整个历史记录，其中包含所有发生的交易。比特币是最受欢迎的加密货币。比特币吸引了个人和机构投资者的很多关注。本文的目的是分析机器学习方法以预测比特币定价。机器学习及其相关领域近年来取得了显着进步。机器学习技术用于科学的不同领域，尤其是加密货币价格预测。使用此机器学习模型，我们可以预测比特币的价格方向。机器学习方法已被证明可以有效预测比特币价格。讨论了几乎没有用于预测比特币价格的机器学习模型是线性回归，逻辑回归，贝叶斯回归，支持供应商机器，随机森林，神经网络。每种机器学习方法都有其自身的优势和缺点，但是从文献分析中可以理解，人工神经网络和支持供应商机器的有效性率最高。机器学习方法比参数回归方法具有更高的预测准确性。
高通量筛选的标准化转座子工具开发和验证Ammon-Ohe模型，以预测肝硬化门诊患者的明显肝脑病的风险
背景和目的：建议进行神经心理学和心理物理测试，以评估明显的肝病（OHE）的风险，但其准确性是有限的。高莫纳米亚人在OHE的发病机理中是中心的，但其预测效用尚不清楚。在这项研究中，我们旨在确定神经心理学或心理物理测试和氨的作用，并开发一种模型（Ammon-Ohe），以分层持续患有肝硬化的门诊患者的OHE发育风险。方法：这项观察性的前瞻性研究包括426个门诊病人，没有三个肝单元的先前OHE，其中位数为2。5年。心理测量肝病评分（PHES）<-4或临界频率（CFF）<39被认为是异常的。氨将其标准化为正常（AMM-ULN）的上限。多变量脆弱的竞争风险和随机生存的森林分析，以预测未来的OHE并开发Ammon-Ohe模型。使用来自两个独立单位的267和381例患者进行外部验证。结果：根据PHES或CFF和Ammonia在到达时间（log-Rank p <0.001）中存在显着差异，在PHES异常PLUS PLUS PLUS GULL AMM-ULN的患者中，风险最高（危险比4.4; 95％CI 2.4-8.1; p <0.001; p <0.001;与正常的PHES和AMM--uln和AMM--uln相比）。在多变量分析中，AMM-ULN而不是PHE或CFF是OHE发展的独立预测指标（危险比1.4; 95％CI 1.1-1.9; p = 0.015）。Ammon-Ohe模型（性别，糖尿病，白蛋白，肌酐和AMM-ULN）的C-指数为0.844，在两个外部验证队列中预测OHE的第一集，为0.728。结论：在这项研究中，我们开发了和验证了Ammon-Ohe模型，其中包括易于使用的临床和生化变量，可用于鉴定门诊患者，该门诊患者具有开发第一集的最高风险。
评估不同机器学习算法，以预测急诊室的住宿时间：单中心
背景：最近，急诊科（EDS）的拥挤已成为影响全球公共医疗保健的公认关键因素，这是由于医疗服务的供应/需求不断增加以及住院单位和ED中可用的医院病床的匮乏所致。已发现ED（ED-LOS）的住宿时间是ED瓶颈的重要指标。通过测量ED-LOS来量化患者在ED中花费的时间，而ED-LOS可以通过不具备的护理过程影响，并导致死亡率和健康支出增加。因此，重要的是要通过预测工具实现早期改进来了解ED-LOS的主要因素。方法：这项工作的目的是使用一组有限的功能，影响ED-LOS，既可以与患者特征和ED工作流”进行预测。选择了不同的因素（年龄，性别，分类水平，入学时间，到达模式）并进行了分析。然后，将机器学习（ML）算法用于预见的ED-LOS。考虑到从2014年至2019年期间的“ san Giovanni dio dio d'ruggi d'Aragona”医院（意大利萨勒诺）的“ San Giovanni dio dio e ruggi d'Aragona”医院获得的患者数据库的数据集。结果：在考虑的年份中，评估了496,172次入院，其中143,641人（28.9％）显示ED-LOS延长。考虑到完整的数据（女性为48.1％，男性为51.9％），51.7％的ED-LOS患者为男性，女性为47.3％。关于年龄组，受延长ED-LO影响最大的患者超过64岁。随机森林算法的评估指标被证明是最好的。实际上，在预测ED-LOS时，它达到了最高准确性（74.8％），精度（72.8％）和召回（74.8％）。结论：不同的变量，指患者的个人和临床属性以及ED过程，对ED-LOS的价值有直接影响。建议的预测模型具有令人鼓舞的结果；因此，它可以应用于预测和管理ED-LOS，防止ED的拥挤和优化有效性和效率。
开发基于机器学习的模型以预测心血管疾病的10年风险：一项前瞻性队列研究
抽象背景是使用基于经验临床知识检索的风险因素建立了心血管疾病（CVD）的先前预测算法（CVD）。本研究试图在综合可变空间中识别预测因子，然后使用机器学习（ML）算法来开发新型的CVD风险预测模型。来自英国生物库的基于纵向人群的群体的方法，包括473 611 CVD的参与者，年龄在37至73岁之间。我们实施了基于ML的数据驱动管道，以从645个候选变量中识别预测变量，这些变量涵盖了一系列与健康相关的因素，并评估了多个ML分类器，以在10年事件CVD上建立风险预测模型。该模型通过剩余的中心交叉验证进行了验证。结果在12。2年的中位随访期间，31 466名参与者在基线访问后的10年内开发了CVD。建立了一种新型的UK Biobank CVD风险预测（UKCRP）模型，其中包括10个预测因子，包括年龄，性别，性别，胆固醇和血压药物，胆固醇比（总/高密度脂蛋白），收缩压血压，先前的心绞痛或心脏病或心脏病，心脏病或心脏病，药物的数量，药物的数量，cyptatin c，胸肌C，胸部疼痛和包装吸烟和吸烟。我们获得的模型满足了接收器操作特征曲线（AUC）下0.762±0.010的区分性能，该区域的表现超过了多个现有临床模型，并且在BRIER得分为0.057±0.006的情况下进行了很好的校准。此外，UKCRP可以获得心肌梗塞（AUC 0.774±0.011）和缺血性中风（AUC 0.730±0.020）的可比性，但出血性中风的性能较低（AUC 0.644±0.026）。结论基于ML的分类模型可以从潜在的高风险的CVD参与者中学习表达性表示，他们可能会从早期的临床决策中受益。
改进了时间序列的机器学习模型，以预测径向轴环通过转移学习
由于计算能力和相应的算法的增加，在生产技术中使用Ma-Chine学习（ML）在工业时代4.0时代急剧上升[1]。数据可用性在这一点上至关重要，也是成功实施ML应用程序的先决条件。如果数据的数量或质量不足以用于给定问题，则数据增强，综合数据的使用和转移相似数据集的传输可以提供补救措施。在此过程中，转移学习的概念应用于径向 - 轴环滚动（RARR）的领域，并在整个过程中使用外直径的时间序列预测的示例实现。径向 - 轴环滚动是一个热形成过程，用于无缝环的产生。
风险评分可以预测长期肝有关的
山脉 - 海湾博士，医学博士Maja Thiele，医学博士Isabel Graupera，Elisa Pose，医学博士，威廉·皮尔医学博士Kleef，Mathias Reichert，医学博士，教授医学博士Dominique Roulot，医学博士John M Peric，教授医学博士JörnMSchattenberg教授伊曼纽尔（Emmanuel）至医学博士Tsochatztis教授医学博士Indra Neil Guha，马里诺医学博士，医学博士Nier，Anne Llorca，医学博士，Anita。 Harry J by Koning博士，Fernando Cucccietti博士，教授迈克尔·曼斯（Michael Manns），医学博士，教授医学博士Philip N Newsome，医学博士RubénHernaez，教授Align M Allen，医学博士，教授保罗·安吉利（Paolo Angeli），医学博士肯尼亚医学博士的罗伯特·J（Robert J），教授医学博士汤姆·H·卡尔森（Tom H Karlsen）教授医学博士彼得·威尔士（Peter Wales）教授医学博士Vincent Wai-Sung Wong教授NúriaFabrellas博士，教授洛朗城堡医学博士亚历山大·克拉格（Alexander Krag）医学博士弗兰克·拉默特（Frank Lammert）医学博士，教授医学博士Patrick S Kamath和教授Liverscreen
患者级可解释的机器学习，以预测SPECT MPI和CCTA成像的主要不良心血管事件
近年来，在摄影成像中使用机器学习（ML）技术的使用激增。作为评估潜在冠状动脉疾病（CAD）患者的成像方式的数量，并且该技术继续改善，在做出临床判断时，可以考虑大量数据。但是，大量变量和越来越多的成像数据可以使准确评估患者的挑战。人工智能（AI）和ML可以通过基于广泛的临床和成像变量的有用提示来帮助这一过程[1]。的确，ML算法已被证明是患者风险分层和诊断评估中的宝贵工具[2，3]。冠状动脉层析成像血管造影（CCTA）是一种用于评估CAD冠状动脉动脉的非侵入性诊断程序。它具有高的负预测值，允许负CCTA结果有效排除显着的CAD [4，5]。另一个重要的非侵入性诊断测试是单光子发射计算机断层扫描（SPECT），它主要评估冠状动脉狭窄和指南管理的功能意义。使用CCTA和SPECT添加了疑问涉嫌CAD的患者对牙菌斑和灌注负担的评估[6-8]。普遍的临床预测方法通常涉及专家选择潜在的相关变量，然后进行回归/分类分析。Automl旨在减轻开发出良好表现ML管道所需的计算成本和人类专业知识[9，10]。ML的最新进展使这种经典的方法限制性（仅使用一种模型类型），效率低下（需要用于超参数的手动调整）并可能有偏见（预测指标前定位）。尽管医疗保健中基于ML的预测模型的进步，但采用这些模型的一个主要障碍是，其中许多被认为是“黑匣子”，这是指缺乏可解释性[11]。呼吁对这些模型的运作方式进行更多研究[12-15]。无法解释预测模型可以侵蚀对它们的信任，尤其是在决策可能会带来严重后果的心血管医学中。在医学中，黑匣子模型将发挥重要作用，在许多情况下，与我们缺乏完全生物学或临床理解的其他领域没有太大的不同[16]。但是，就像了解疾病和疗法背后的机械主义是有益的一样，对ML模型如何得出的结论有了更大的了解[17]也是有帮助的。对可解释的ML的研究激增，以解决这个问题[18]。已经开发了探索AI预测背后推理的各种方法[19，20]。一种有效的方法是建立一个次要，更透明的模型，例如决策树或随机森林，输入
种群免疫的度量可以预测流感A（H3N2）的主要进化枝，并揭示与年龄相关的敏感性和特异性差异
对于抗原可变病原体（例如流感），应变适应性部分取决于宿主的相对可用性与其他菌株相比，易受感染的宿主的可用性。抗血凝素（HA）和神经氨酸酶（NA）的抗体赋予了对流感感染的实质性保护。我们询问横截面抗体衍生的估计值对不同流感促进核的种群易感性（H3N2）是否可以预测下季节的成功。，我们从2017年夏季1至90岁的483个健康个体收集了血清，并分析了对代表性菌株的HA和NA的中和反应。中和抗体滴度最低的进化枝，表明人口易感性更高，主导下一个季节。对不同的HA和NA进化枝的滴度在个体之间发生了巨大变化，但与年龄显示出显着的关联，表明依赖相关的过去暴露。尽管存在这种相关性，但H3N2菌株抗体滴度的个体间变异性随着年龄的增长而逐渐增加。本研究表明，人口免疫的代表性度量如何改善进化预测并为流感的选择性压力提供信息。
杀真菌剂以预包装混合物的形式出售
保护剂和系统性杀菌剂有两种一般类型的杀菌剂类型：保护剂和系统。保护剂杀菌剂（有时称为接触），在施用后留在植物表面上，并且不穿透植物组织。系统性杀菌剂被吸收到植物中，并在植物组织中移动。某些杀菌剂是局部系统性的，在植物内仅移动有限的距离。dicarboximide杀菌剂是该组的好例子。某些系统的系统是适度的系统性，例如DMI杀菌剂，而另一些系统是高度系统性的，并且很容易通过植物的血管运输系统（例如磷酸盐）移动。高度移动系统的示例包括苯甲酰唑。大多数系统性杀菌剂仅在植物组织中向上移动。只有一个全身杀菌剂（Fosetyl-Al）在双向上移动（从叶到根，反之亦然）。全身性杀真菌剂有时会在菌合感染该植物后会抑制杀菌剂，而在感染开始有效之前，植物表面上必须存在保护剂杀真菌剂。配方多种杀真菌产品可在多种配方中获得。用于保护剂杀菌剂，可喷涂的配方（可润湿粉末，可流动，可流动，可散发颗粒，可乳化浓缩物）通常比颗粒状配方提供更好的疾病控制。可喷涂的配方即使对于在植物组织中没有高度流动性的系统物质中，也可以优于颗粒状配方。喷雾设备比颗粒状吊具更透彻地覆盖植物表面。更彻底的覆盖范围可以更好地控制真菌感染叶子。如果应用杀菌剂喷雾剂来控制根病，通常建议在杀菌剂干燥之前轻轻灌溉以将其洗净到根区域中。同样，如果将颗粒状杀菌剂应用于控制根部疾病，请应用于干草皮并在施用后灌溉。杀菌剂混合物为草皮疾病控制制造的几种产品是包含两种或多种活性成分的预包装混合物。混合物提供了一些防止杀菌剂耐药性的保护，通常提供针对草皮疾病的更广泛的活性。预包装的混合物提供了不兼容的便利性和保证，而现场储罐混合则提供了更大的杀菌剂选择和应用率的灵活性。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。