XiaoMi-AI文件搜索系统
World File Search System套索
在精神病等候补名单上实施移动AI聊天机器人干预抑郁症的挑战：随机控制学习终止报告
这项研究使用ICD-9代码从模仿数据库中确定了18岁以上的1,177例患者。预处理包括处理丢失的数据，删除重复项，处理偏度和过度采样以减轻数据失衡。通过检查方差通胀因子（VIF）值，套索回归和单变量分析，在LightGBM模型中选择了18个特征。与其他基线模型相比，LASSO逻辑回归模型的最终输出的最高测试AUC -ROC为0.8766（95％CI 0.8065-0.9429），准确性为0.7291，包括随机森林，LightGBM，支持载体机（SVM）和决策树。所有模型均表现出良好的校准，其Brier得分相对较低，突出了它们在预测院内死亡率方面的可靠性。
微处理和机器学习
Sommersester/2025夏季学期，本课程将微观学技术与现代机器学习方法结合在一起，为学生提供高级工具来处理大型数据集并进行严格的因果分析。研讨会分为教学部分和研讨会部分。在教学部分中，学生将参加四个半天的课程。该课程将涵盖基本技术，例如可变选择和交叉验证，以及山脊，套索和弹性网等收缩方法。我们还将探索分类方法，包括Logit和K-Nearest邻居（K-NN）。此外，该课程将解决在因果推理环境中使用许多控件和仪器变量的方法，从而为学生提供工具，以提供更强大的因果关系估计。在第二部分中，学生将撰写有关理论主题的研讨会论文，课程中讨论的方法的应用或其他相关的机器学习方法。Studiiengang：程序：
机械通风的ICU患者中基于机器学习的医院死亡率的预测
我们开发了一个机器学习（ML）框架，以预测接受MV的ICU患者的医院死亡率。使用MIMIC-III数据库，我们通过ICD-9代码确定了25,202名合格患者。我们采用了向后消除和套索方法，根据临床见解和文献选择了32个功能。数据预处理包括消除超过90％丢失数据的列，并为其余缺失值使用平均插补。为解决阶级失衡，我们使用了合成的少数群体过度采样技术（SMOTE）。我们使用70/30火车 - 策略分开评估了几种ML模型，包括Catboost，XGBOOST，DECOMAL TROED，随机森林，支持向量机（SVM），K-Nearest邻居（KNN）和Logistic回归。在准确性，精度，召回，F1得分，AUROC指标和校准图方面，选择了Catboost模型的出色性能。
用于计算机视觉，机器人技术和机器学习的线性代数
近年来，计算机视觉，机器人技术，机器学习和数据科学一直是一些为技术取得重大进展做出贡献的关键领域。任何在上述领域看论文或书籍的人都将被一个奇怪的术语所付诸实践，其中涉及异国情调的术语，例如内核PCA，脊回归，套索回归，支持向量机（SVM），Lagrange乘数，KKT条件等。支持向量机可以追赶牛以某种超级套索抓住他们吗？不！，但是人们会很快发现，在术语后面，总是带有新的场（也许是为了使局外人远离俱乐部），这是许多“经典”线性代数和优化理论中的技术。是主要的挑战：为了了解和使用机器学习，计算机视觉等的工具，需要在线性代数和优化理论中具有企业背景。老实说，还应包括一些概率理论和统计数据，但我们已经有足够的能力与之抗衡。许多有关机器学习的书籍与上述问题。如果一个人不了解拉格朗日二元框架，那么一个人如何忍受脊回归问题的双重变量是什么？同样，如何在不了解拉格朗日框架的情况下讨论SVM的双重公式？简单的出路是将这些困难范围扫到地毯下。如果只是我们上面提到的技术的消费者，那么食谱食谱方法可能就足够了。这些包括：但是，这种方法对真正想进行认真研究并做出重要贡献的人不起作用。要这样做，我们认为一个人必须具有线性代数和优化理论的坚实背景。这是一个问题，因为这意味着要投入大量时间和精力研究这些领域，但我们认为毅力将得到充分的回报。我们的主要目标是介绍线性代数和优化理论的基础，请注意机器学习，机器人技术和计算机视觉的应用。这项工作由两卷组成，第一卷是线性代数，第二个是一种优化理论和应用，尤其是用于机器学习。这首卷涵盖了“经典”线性代数，直至主要构成和约旦形式。除了涵盖标准主题外，我们还讨论了一些对应用程序重要的主题。
用于计算机视觉，机器人技术和机器学习的线性代数
近年来，计算机视觉，机器人技术，机器学习和数据科学一直是一些为技术取得重大进展做出贡献的关键领域。任何在上述领域看论文或书籍的人都将被一个奇怪的术语所付诸实践，其中涉及异国情调的术语，例如内核PCA，脊回归，套索回归，支持向量机（SVM），Lagrange乘数，KKT条件等。支持向量机可以追赶牛以某种超级套索抓住他们吗？不！，但是人们会很快发现，在术语后面，总是带有新的场（也许是为了使局外人远离俱乐部），这是许多“经典”线性代数和优化理论中的技术。是主要的挑战：为了了解和使用机器学习，计算机视觉等的工具，需要在线性代数和优化理论中具有企业背景。老实说，还应包括一些概率理论和统计数据，但我们已经有足够的能力与之抗衡。许多有关机器学习的书籍与上述问题。如果一个人不了解拉格朗日二元框架，那么一个人如何忍受脊回归问题的双重变量是什么？同样，如何在不了解拉格朗日框架的情况下讨论SVM的双重公式？简单的出路是将这些困难范围扫到地毯下。如果只是我们上面提到的技术的消费者，那么食谱食谱方法可能就足够了。这些包括：但是，这种方法对真正想进行认真研究并做出重要贡献的人不起作用。要这样做，我们认为一个人必须具有线性代数和优化理论的坚实背景。这是一个问题，因为这意味着要投入大量时间和精力研究这些领域，但我们认为毅力将得到充分的回报。我们的主要目标是介绍线性代数和优化理论的基础，请注意机器学习，机器人技术和计算机视觉的应用。这项工作由两卷组成，第一卷是线性代数，第二个是一种优化理论和应用，尤其是用于机器学习。这首卷涵盖了“经典”线性代数，直至主要构成和约旦形式。除了涵盖标准主题外，我们还讨论了一些对应用程序重要的主题。
肿瘤学 I 期临床试验后药物批准的预测 -RESOLVED2
*主要目标：我们旨在评估机器学习推荐系统预测肿瘤学药物开发结果的可行性和实用性，从而支持在第一阶段试验完成后尽早做出是否进行药物研发的决定。 *生成的知识：RESOLVED2 是一个套索惩罚 Cox 回归模型。为了训练 RESOLVED2，我们开发了一个新的指标，即食品和药物管理局批准生存期 (FDA-aFS)，其定义为报告药物临床效果的第一个早期临床试验 (ECT) 发布与 FDA 批准之间的时间，并按最新消息的日期进行审查。从简单的药理学数据和 ECT 的 PubMed 摘要，RESOLVED2 可以准确预测 FDA 批准新抗肿瘤药物的时间。 *相关性：我们的工作表明，机器学习方法可以通过支持早期是否进行药物研发来增强肿瘤学药物开发。
自然科学 - 和-najah期刊 div>
剪接体组装以U1 SNRNP结合在前MRNA上与5'S结合，然后SF1与3'S附近的BPS结合。然后是U2辅助因素； （U2AF1和U2AF2）与3's和上游息肉嘧啶区结合，建立早期的复合物（复合物E）或前斑塑体（复合物A）。用含有SF3B1的U2 SNRNP取代SF1，导致前斜度形成，然后与预组装的Tri-SNRNP U4/U5/U6相关联，形成了前激活的剪接体（复杂的B）。构象变化位移U1和U4 SNRNP，形成催化激活的剪接体（复杂的B*）。复杂的B*经历酯化反应以产生催化活性形式（复杂C，C*）。循环通过释放剩余的剪接蛋白，内含子套索和外显子连接的成熟mRNA形成结束[8-10]（图1B）。
2024年夏季IACOCCA国际实习计划...
今年夏天，我曾在卢森堡的生物医学研究组织卢森堡卫生研究院担任生物信息学和数据科学实习生。在医学信息学系的生物信息学和AI团队中，我致力于分析基因型 - 组织表达（GTEX）数据集，并构建一个模型，从组织病理学图像嵌入中预测基因表达。通过主成分分析，T分配的随机邻居嵌入（T-SNE）以及均匀的歧管近似和投影（UMAP），我确定了组织样品之间基因表达和组织病理学图像嵌入特征，从而确定了组织样本之间的差异和相似性。进一步研究了基因表达与图像嵌入之间的关系，我训练并测试了2个具有线性和套索回归的预测模型。结果表明，通过其组织病理学图像嵌入更准确预测的基因在大脑（小脑，皮层）和肌肉（光滑，骨骼，心脏）组织中高度表达。向团队介绍我的工作，我根据收到的建议和评论进一步提高了模型和结论。
![arXiv:2209.03788v1 [quant-ph] 2022 年 9 月 8 日](/simg/c\c2a00d8b39a054d7ae9e9b3500b1828fbcb0d9b6.webp)
arXiv:2209.03788v1 [quant-ph] 2022 年 9 月 8 日
任何稀疏编码方法的最终目标都是从一些嘈杂的线性测量中准确地恢复未知的稀疏向量。不幸的是，这个估计问题通常是 NP 难的，因此总是采用近似方法（例如套索或正交匹配追踪）来解决，从而以牺牲准确性换取较低的计算复杂度。在本文中，我们开发了一种量子启发的稀疏编码算法，前提是量子计算机和伊辛机的出现可能带来比传统近似方法更准确的估计。为此，我们将最一般的稀疏编码问题表述为二次无约束二进制优化 (QUBO) 任务，可以使用量子技术有效地将其最小化。为了推导出在自旋次数（空间复杂度）方面也高效的 QUBO 模型，我们将分析分为三个不同的场景。这些由表示底层稀疏向量所需的位数定义：二进制、2 位和一般定点表示。我们在 LightSolver 的量子启发数字平台上使用模拟数据进行数值实验，以验证我们的 QUBO 公式的正确性并证明其优于基线方法。
基于胰岛素抵抗的机器学习模型基于2型糖尿病的遗传基础
摘要：胰岛素抵抗（IR）被认为是2型糖尿病（T2D）和代谢综合征（METS）的前体和关键的病理生理学机制。但是，与T2D共享的IR共享的途径尚不清楚。对多个DNA微阵列数据集的荟萃分析可以在多个研究中提供一组强大的元基因。这些元素可能包括IR和T2D共享的基因（密钥元）的子集，并可能负责它们之间的过渡。在这项研究中，我们尝试使用特征选择方法套索来找到这些关键的元素，然后使用这些基因的表达式训练五个机器学习模型：lasso，svm，svm，xgboost，andural sorest和ann。在其中，ANN表现良好，曲线下方的区域（AUC）> 95％。它在测试数据集中的糖尿病患者与正常葡萄糖（NGT）人的区分方面表现出相当不错的表现，在64种人类脂肪组织样品中，糖尿病患者的精度为73％。此外，这些核心元元素还富含与糖尿病相关的术语，并在先前的T2D基因组及其相关的血糖特征HOMA-IR和HOMA-B的研究中发现。因此，该元基因组值得进一步研究IR和T2D的基础分子病理缺陷/途径。