XiaoMi-AI文件搜索系统
World File Search System学习方法
激发率预测的机器学习方法
摘要。运输网络公司（TNCS）面临两种典型情况，即需求较高和需求低。在高需求下，TNC使用浪涌乘数或激增率来平衡骑手的高需求，并使用可用的驱动器。驾驶员的意愿，骑手的意愿支付更多和适当的浪涌利率在最大化TNC的利润中起着至关重要的作用。否则，可以通过驾驶员或骑手来删除大量旅行。本文解释了组合分类和回归模型的应用，以进行电涌率预测。在本文中，考虑了26个不同的机器学习（ML）算法进行分类，并且将29个ML算法视为回归。总共考虑了55毫升算法进行涌现的预测。本文表明，旅行的估计距离，旅行价格，获得的日期和时间，旅行的完成时间，旅行的开始时间，搜索半径，基本价格，风速，湿度，湿度，风能，温度等等等。确定是否将应用激发率或浪涌乘数。每分钟的价格适用于当前旅行或分钟价格，基本价格，通货膨胀或通货紧缩后旅行的成本（即旅行价格），对旅行或搜索半径的应用半径搜索，潮湿，旅行的接受日期，日期和时间，气压压力，风速，最低旅行价格，每公里的价格，每公里的价格等等，对激增率进行了讨论的案例研究，以实施案例研究，以实施拟议的algorithm。
足球成功的决定因素：机器学习方法
足球研究的标题前进领域是使用统计建模和机器学习算法来预先匹配结果（1、2、3、4）。这些技术为脚步练习者提供了更深入分析的机会，以识别训练和匹配期间的关键变量，以准备不同的竞争情况。统计建模技术利用历史性能数据来识别模式和趋势以预测未来的结果。多种统计建模方法已用于预测匹配结果，例如； Mann-Whitney U非参数测试（5），t检验和判别分析（6、7）和单向方差分析（1、7、8、9）。最近，由于大数据的可用性，与统计建模技术相比，机器学习算法的灵活性和识别更复杂模式的能力变得越来越流行。这些包括；线性回归（10），日志线性建模（11），多元素逻辑回归（12），逻辑回归（13，14），贝叶斯网络（15）和决策树（1，9）。最流行的分类算法之一是决策树（16），旨在通过最小化分类错误来创建输出。该算法代表了通过决策节点的过程中从单数分区（根节点）中的基于结果的决策（叶子节点）。因此，在本研究中使用了决策树算法来表示所选性能变量和匹配结果之间的关系。因此，在这项研究中，分析中首先包括反对派和评分质量。专注于成功的决定因素时，考虑可能也会影响足球表现的外部参数至关重要。结果，“情境变量”的概念已成为绩效研究的重要方面（17）。重大搜索的两个突出变量是匹配状态，对“获胜”，“绘画或输掉”（18、19、20）和反对派的效果的影响，在对抗“强”“平衡”或“弱”对手时对性能的效果（11、12、12、12、21、21、21、22）。有效评估足球运动中的运动表现，对上述情况变量的了解进行了上述研究，以表明在分析性能时需要包含。确定反对水平的传统方法是基于目前的地位（23），赛季结束（11）或由于对方队伍之间海上排名末期的差异而定义的（24）。这些方法提出了批评，因为使用季节结束和赛车排名在季节动量和人性变化中都无法随着时间的流逝而认识到。因此，为了改善方法论严格，作者现在利用基于距离的机器学习算法，例如K-均值聚类（1，25，26）。上面的研究提供了对第一个团队级别的成功终端的详尽看法，使用方法来预测结合机器学习的匹配结果
用于检测和缓解的机器学习方法...
摘要：特权升级攻击是对云计算安全性的严重威胁。在这些攻击中，攻击者利用系统中的漏洞来获得提高特权，然后可以用来窃取数据，启动进一步的攻击或中断操作。由于攻击频率和复杂性最近的指数级增长，智能事物的扩散引起了重大的网络安全挑战。尽管云计算带来了巨大的变化，但其集中化也使使用安全系统（例如安全系统）的挑战。由于企业和云服务供应商之间移动的数据量大量，因此可能会发生有价值的数据泄露。恶意内部人士成为对组织的关键威胁，因为他们有更多的访问权限和机会来造成重大损害。与局外人不同，内部人员拥有特权和适当获取信息和资源的访问。在这项工作中，提出了一种基于机器学习的基于机器学习的系统，并开发了一种系统的方法来识别各种异常事件，该事件可能表明与特权升级相关的异常和安全问题。通过组合许多模型，集成学习可以增强机器学习成果并实现更大的预测性能。已经介绍了有关检测网络系统中的不规则性和脆弱性的多项研究，以查找涉及特权升级的安全缺陷或威胁。但是这些研究缺乏对攻击的正确识别。本研究在这种情况下提出并评估机器学习（ML）技术的合奏。该项目实现了用于内部攻击分类的机器学习算法。关键字：人工智能，行业，意图，内部攻击，分类，机器学习方法，网络，TF-IDF
用户年龄预测的机器学习方法
包括年龄和性别在内的用户人口属性的准确预测是个性化搜索，广告定位和其他相关领域的关键挑战。此信息使公司能够完善目标受众并增强整体用户体验和服务质量（QoS）。其中，沙特电信公司（STC）是沙特阿拉伯，中东和非洲的主要电信提供商，认识到了年龄预测系统的重要作用。因此，这项研究探讨了机器学习（ML）技术以预测用户年龄的应用，从而有助于提供适合年龄的广告和优惠。我们使用了由STC提供的数据集，其中包括具有关键用户和设备功能的300万个样本。在此分析中采用了四种ML算法：人工神经网络（ANN），随机森林（RF），梯度增强（GB）和决策树（DT）。这些模型根据其预测性能进行了比较和评估。ANN成为最佳分类器，达到60％的准确性，与电信行业中进行的类似研究相当。这些发现的含义表明，ML技术可以有效地预测用户信息，从而使服务提供商可以针对用户的特定年龄人口统计来量身定制其产品。这项研究的发现有助于对用户年龄预测及其对电信公司的实际意义有更广泛的了解。未来的研究可以通过探索其他人口预测挑战并将ML方法应用于其他部门来扩展这项工作。
使用基于COLAB笔记本的机器学习方法
糖尿病在世界范围内变得越来越普遍。人们患有糖尿病或与这种疾病有关的风险。有必要防止由糖尿病引起的健康问题，降低糖尿病的风险并减少卫生系统上糖尿病的负荷。因此，尽早诊断和治疗糖尿病患者很重要。在这项研究中，使用PIMA印度糖尿病（PID）数据库来预测糖尿病。 将PID数据库分为培训数据集的2/3，测试数据集分为1/3。 然后，使用五倍的交叉验证将测试和培训数据集喂入机器学习模型中。 随机森林分类器，额外的树分类器和高斯过程分类器机器学习方法用于预测个人是否患有糖尿病。 在这项研究中，确定具有最高预测准确性的建议方法是随机森林分类器。 提出的方法的准确性为81.71％，精度为88.79％，召回率为84.83％，F-评分为86.76％，ROC AUC为88.03％。 提出的方法是为了帮助临床医生预测糖尿病患者的诊断。 使用COLAB笔记本使用Google云计算服务应用了本研究中开发的机器学习方法。 1。 引言胰岛素是一种调节人体血糖的激素。 糖尿病是一种慢性疾病，当胰腺无法产生必要的胰岛素或人体无法有效使用胰岛素时发生。 糖尿病不仅会影响生病的人。在这项研究中，使用PIMA印度糖尿病（PID）数据库来预测糖尿病。将PID数据库分为培训数据集的2/3，测试数据集分为1/3。然后，使用五倍的交叉验证将测试和培训数据集喂入机器学习模型中。随机森林分类器，额外的树分类器和高斯过程分类器机器学习方法用于预测个人是否患有糖尿病。在这项研究中，确定具有最高预测准确性的建议方法是随机森林分类器。提出的方法的准确性为81.71％，精度为88.79％，召回率为84.83％，F-评分为86.76％，ROC AUC为88.03％。提出的方法是为了帮助临床医生预测糖尿病患者的诊断。使用COLAB笔记本使用Google云计算服务应用了本研究中开发的机器学习方法。1。引言胰岛素是一种调节人体血糖的激素。糖尿病是一种慢性疾病，当胰腺无法产生必要的胰岛素或人体无法有效使用胰岛素时发生。糖尿病不仅会影响生病的人。随着时间的流逝，糖尿病会严重损害心血管系统，眼睛，肾脏和神经[1]。这也是一种影响病人和整个社会家庭的疾病。护理和治疗费用由于糖尿病及其引起的并发症而迅速增加，并承受了卫生系统的负担。此外，患者的生活质量降低了，这种情况对患者的家庭产生了负面影响。糖尿病已成为一个全球问题。大约有4.22亿人患有糖尿病。这些人中的大多数生活在低收入和中等收入国家。每年由于糖尿病而死亡[2]。使用机器学习方法预测患有糖尿病的人将使临床医生的工作更加容易。临床医生将确保在早期诊断和治疗糖尿病患者。
燃气轮机控制的神经增强学习方法
摘要 - 在本文中，我们提出了一种新的基于神经网络的方法，以控制燃气轮机以在高负载下进行稳定操作。我们使用了复发性神经网络（RNN）和增强学习（RL）的组合。我们首先使用RNN来确定燃气轮机动力学的最小状态空间。基于此，我们通过标准RL方法确定最佳控制策略。我们进入一个所谓的复发控制神经网络（RCNN），该网络将这两个步骤结合到一个集成的神经网络中。我们的方法具有一个优势，即通过使用神经网络，我们可以轻松地处理燃气轮机的高尺寸，并且由于RNN的高系统认同质量与一般而言，通常只有有限的可用数据。我们在示例性的燃气轮机模型上演示了所提出的方法，与标准控制器相比，它强烈改善了性能。
入侵检测：一种深度学习方法
摘要 - 网络入侵是当今所有行业的重要问题。该解决方案的关键部分是能够有效检测入侵。随着人工智能的最新进展，当前的研究已经开始采用深度学习方法进行入侵检测。当前的多级入侵检测方法包括使用深神经网络。但是，它未能考虑到数据集中存在的数据对象和长期依赖关系之间的空间关系。本文提出了一种新型体系结构，以打击具有卷积神经网络（CNN）模块的入侵检测，以及长期内存（LSTM）模块以及带有支持向量机（SVM）分类功能的长期记忆（LSTM）。分析之后是对常规机器学习技术和深度学习方法的比较，这些方法突出了可以进一步探索的领域。
使用混合CNN-RNN机器学习方法
钻孔热交换器（BHE）可显着提高地面源热泵（GSHP）系统中的热交换效率。准确预测BHE的出口流体温度对于优化GSHP性能，存储和资源保护至关重要。传统的机器学习方法通过手动特征提取和复杂的非线性关系面临挑战。为了克服这些，这项研究引入了长期出口流体温度预测的混合卷积神经网络（CNN）和复发性神经网络（RNN）模型。该模型使用CNN进行时间特征提取和RNN进行顺序模式学习。对LSTM，CNN和Simpleernn模型进行了评估，提出的模型实现了卓越的性能，RMSE为0.818，MAE为0.642，AARE为0.0305，R²为98.75％，证明了BHE系统效率和可持续性的显着进步。
随机前沿建模的机器学习方法
摘要我们提出了一个两阶段的随机前沿模型，该模型可以处理复杂的非线性模式。在第一阶段，我们应用面板数据神经网络来预测贬低的误差项。在第二阶段，我们将传统的随机前沿分析应用于残差以获得效率估计。为了说明我们的方法论，我们使用季度数据来估算从1984年第一季度到2010年第二季度美国大型银行的技术效率。在此期间，美国银行的平均效率为93.97％。2004年第二季度到2008年第四季度，这些银行的中位效率明显低于总平均水平，平均为87.86％。这与此期间经历的财务状况一致。关键字：效率；面板数据；神经网络；机器学习；随机前沿分析jel分类：C23，C45，D24，G21。2024年5月30日。