XiaoMi-AI文件搜索系统
World File Search System密度估计
Luca Scrucca – 简历
18. Scrucca L.、Fop M.、Murphy TB、Raftery AE（2017）使用高斯有限混合模型进行聚类、分类和密度估计的 mclust R 包，第 10 届 ERCIMWGon Computationaland Methodological Statistics 国际会议，第 11 届计算和金融计量经济学国际会议，英国伦敦大学参议院大厦，2017 年 12 月 16 日至 18 日，摘要集，第 175 页。
利用多个不同的脑电图训练课程来改善基于光谱的生物特征验证结果
摘要：大多数基于脑电图的生物特征识别研究报告的结果都是基于信号数据库的，记录的脑电图会话数量有限，使用相同的单个脑电图记录来训练和测试所提出的模型。然而，脑电图信号极易受到干扰、电极放置和临时条件的影响，这可能导致对所考虑方法的评估被高估。我们的研究考察了用作训练会话的不同记录会话数量将如何影响基于脑电图的验证。我们分析了 29 名参与者的原始数据，每人有 20 个不同的记录会话，以及 23 名额外的冒名顶替者，每人只有一个会话。我们将功率谱密度估计的原始系数和转换为分贝刻度的功率谱密度估计系数作为浅层神经网络的输入。我们的研究表明，多个记录会话引入的方差会影响灵敏度。我们还表明，在我们的条件下，将会话数量增加到 8 个以上并不能改善结果。对于 15 次训练，实现的准确率为 96.7 ± 4.2%，对于 8 次训练和 12 次测试，实现的准确率为 94.9 ± 4.6%。对于 15 次训练，在所有攻击尝试中，成功冒名顶替攻击的概率为 3.1 ± 2.2%，但这个数字与使用 6 次记录会话进行训练没有显著差异。我们的研究结果表明，需要将来自多个记录会话的数据纳入基于 EEG 的识别训练中，并且增加测试会话的数量不会显著影响获得的结果。虽然呈现的结果针对的是静息状态，但它们可以作为其他范例的基线。
空气处理机组的基于条件的维护 - Aaltodoc
摘要 空气处理机组的故障对建筑状况和能耗有重大影响。然而，许多缺陷可能会持续多年而不被察觉。本硕士论文研究了基于状态的维护方法，特别是应用于空气处理机组的自动故障检测方法。除了对方法进行更广泛的审查之外，本研究还实施了两种不同的方法，使用从真实空气处理机组收集的数据进行定性评估：模糊专家规则和递归密度估计。据说两者都很有前途。此外，本文还根据文献综述和实证研究，提出了扩大数据收集以便引入更先进方法的建议。
arf：对抗随机森林
描述对抗随机森林（ARFS）将数据递归分配到完全分解的叶子中，其中特征是共同独立的。该过程是迭代的，具有交替的发电和歧视。数据在每一轮中都变得越来越现实，直到无法可靠地区分原始和合成样品为止。这对于几个无监督的学习任务（例如密度估计和数据综合）很有用。两者的方法都在此软件包中实现。ARF自然处理混合连续和分类协变量的非结构化数据。他们继承了随机森林的许多好处，包括速度，灵活性和稳定的性能和默认参数。有关详细信息，请参见Watson等。（2023）。
DS303课程描述主题旨在涵盖
Introduction to ML Idea of supervised, unsupervised, semi-supervised, reinforcement learning Linear regression Idea of model complexity, generalization, bias-variance trade-off, regularization Cross validation, VC dimension Supervised classification algorithms: K nearest neighbor, LDA, Decision Tree, SVM and kernel methods, Neural Network, Naive Bayes', Gaussian判别分析，集合方法等有关概率学习模型的更多更多信息：使用MLE，MAP，GMM，EM算法估算参数无监督的学习：群集和内核密度估计，K-Means，dbscan，parzen窗口技术等。使用PCA和内核PCA降低维度强化学习的介绍深度学习和卷积网络的简介，经常性网络
Wenliang Li - Kevin Li
kevinwli@outlook.com www.kevinwli.net 6 Handyside St, London N1C 4UZ, UK 我对寻找人工智能和生物智能体背后的一般智能原理很感兴趣。我致力于生成模型、近似推理和密度估计，特别关注时间序列数据和训练灵活/深度模型。此外，我喜欢揭示现有方法的失败模式。许多灵感来自认知神经科学。 专业经历 2022 年至今 Google DeepMind 研究科学家，通用人工智能 开发最先进的序列预测和不确定性量化模型 理解和解释大规模图像和语言模型 2021 年至今 伦敦大学学院 威康信托神经影像中心荣誉研究员 教育 2015-2021 伦敦大学学院盖茨比计算神经科学部
使用无监督的印刷电路板中的检测缺陷...
总之，有几种进行检查的方法。手动检测有很多缺点：它是主观的，乏味的和效率低下的，几乎无法量化。基于计算机视觉的自动光学检查（AOI）被广泛使用，根据[4]的AOI，AOI的主要方向是（a）参考方法（与模板进行比较），（b）非参考方法（在没有比较与模板中比较的构造元素）和（c）（c）杂交方法的杂种方法（c）构成了杂交方法。在[2]的稍后，将其他方法添加到包括机器学习在内的混合方法中。基于学习的模型，例如[5、6、7]，用于缺陷检测：例如，[5]的方法使用加速的鲁棒特征（冲浪），然后学习故障模式并计算概率和随机森林。通过使用加权核密度估计来估计特征的密度，从而给出了缺陷的定位。
环境管理杂志
该代码是在Python和Jupyter Notebook [7]中创建的，可以用作未来ML应用程序的模板。在《代码海洋胶囊》中，我们包括了jupyter笔记本和python脚本，以便其他人可以复制与原始研究中相同的结果。该软件有两个部分。第一部分实现了五个ML模型（Logistic回归（LR），K -Neart最邻居（KNN），幼稚的贝叶斯（NB），随机森林（RF）和极端梯度提升（XGBOOST））。在第二部分中实施了两个深度学习模型（多层感知器（MLP）和卷积神经网络（CNN））。将这些模型的性能与准确性，精度，召回和F1得分进行了比较。之后，探索了最佳模型的特征重要性，特征相关性，可变聚类，混淆矩阵和内核密度估计（KDE）。