XiaoMi-AI文件搜索系统
World File Search System学习
RN-BSN学习学习计划 - 夏季
*ECRN 232，医疗保健的统计数据，如果在计划开始之前未完成，则可以在第一学期中与其他课程同时进行。但是，在ECRN 232成功完成之前，不得在程序序列中进行ECRN 380。
使用深度学习和转移学习
颅内出血（ICH）是一种威胁生命的医疗事件，尽管最佳护理，但与较差的结果有关。鉴于对ICH的早期发现和护理可以改善健康结果，因此需要一个可以迅速检测和加快治疗过程的分类系统。先前发表的工作采用了一种更传统的技术，包括许多对齐步骤，进一步分析，图像循环，手工图像分割和分类。这项研究工作检查了颅内出血检测问题，并开发了深度学习模型和转移学习模型，以减少识别出血的时间。对于ICH子类型的分类，我们基于转移学习模型开发了卷积神经网络。densenet121，Xception和CNN与使用许多评估标准进行比较，以确保模型的结果准确，并且做得很好。预先定制，该系统会带来令人印象深刻的结果，并且数据表明，X Ception比竞争模型更成功。用于ICH亚型的识别和分类，Xception模型用于最终输出。
安全学习|机器人学习|柏林
L. Brunke，M。Greeff，A。W。Hall，Z. Yuan，S。Zhou，J。Panerati和A. P. Schoellig。 机器人技术中的安全学习：从基于学习的控制到安全的加强学习。 5：411–444。 url：https：//www.annualreviews.org/content/journals/10.1146/annurev-control-042920-020211，doi：10.1146/annurev-control-042920-042920-020211 >L. Brunke，M。Greeff，A。W。Hall，Z. Yuan，S。Zhou，J。Panerati和A. P. Schoellig。机器人技术中的安全学习：从基于学习的控制到安全的加强学习。5：411–444。 url：https：//www.annualreviews.org/content/journals/10.1146/annurev-control-042920-020211，doi：10.1146/annurev-control-042920-042920-020211 >5：411–444。url：https：//www.annualreviews.org/content/journals/10.1146/annurev-control-042920-020211，doi：10.1146/annurev-control-042920-042920-020211
电子学习痴呆症教育和学习
•痴呆症是指许多不同类型的痴呆症（处理阿尔茨海默氏病最常见的痴呆症形式，单独的部分，其他常见类型，例如血管，Lewy身体和额颞叶）。•混合痴呆通常是阿尔茨海默氏病和血管痴呆的混合。•痴呆症是渐进的，这意味着它会逐渐恶化。•有可能与痴呆症相处。•英国有85万人患有痴呆症，全球4400万人•预计到2025年，英国患有痴呆症的人数将增加到超过100万，到2051年将超过200万。•痴呆症每年花费260亿英镑的痴呆症：癌症和心脏病的总和还多。
学习 - 秒语言和学习 -
Cijy Elizabeth Sunny博士是贝勒大学汉卡默商学院信息系统和商业分析部的PD研究助理。她是一名研究方法学家和心理学家，在STEM教育研究，医学教育以及最近在工程教育领域的实质领域中运用了自己的技能。此外，她曾是一名教育者，并且主要是在三大大洲的物理学和研究方法。除了研究外，她还开展了有关使用概念映射方法进行规模开发的研讨会，标准化患者教育者的混合方法研究方法以及对医师教育者的标准设定。博士Sunny通过合作继续将自己的技能投入到工程教育研究中。作为她在贝勒大学（Baylor University）的新事业的一部分，她正在以研究方法学家和数据分析师的身份投入技能，以通过与在那里的研究团队一起与多样化的利益相关者合作的信息技术来策划人类交通。
学习计划表 - 本科学习课程
• 学生应使用学业要求报告（可在学生管理中访问）以及学习计划来查看毕业要求并评估学位状态。学生必须注意学分限制（重修课程、不按顺序上课等）。通过/不通过的课程不得用于满足任何要求。学生和学位信息必须在最终学习计划中完整填写。选择一项：初步计划最终计划姓名学生 ID：名字中间名姓氏
模仿学习2-机器人学习
（i）学习πθ1：z 7→u（z包含一些“地面真相”数据，例如状态，交通信号灯，邻居行为）（ii）使用πθ1生成数据d = {（x i 1：t i 1：t i，u I 1：t i）} n i = 1（iii）
学习学习而不会忘记使用
持续学习（CL）是指通过在保留先前学习的经验的同时容纳新知识来不断学习的能力。虽然这个概念是人类学习固有的，但当前的机器学习方法很容易覆盖以前学习的作品，因此忘记了过去的经验。相反，应选择性地和仔细地更新模型参数，以避免不必要的遗忘，同时最佳利用先前学习的模式以加速未来的学习。由于很难手工制作有效的更新机制，因此我们提出了元学习基于变压器的优化器来增强CL。此元学习优化器使用ATTENITION来学习跨任务流的模型参数之间的复杂关系，并旨在为当前任务生成有效的重量更新，同时防止对先前遇到的任务的灾难性遗忘。在基准数据集上进行评估，例如SplitMnist，RotatedMnist和SplitCifar-100，即使在较小的标记数据集中，也肯定了所提出的方法的疗效，即使在连续学习框架内集成了元学习优化器的优势。