XiaoMi-AI文件搜索系统
World File Search System开发算法
（骑士）未来的城市 div>
研究的主要领域：人工智能（AI）和计算机视觉的最新进展正在发展汽车行业，尤其是在连接的自动驾驶汽车（CAVS）的开发中。AI与计算机视觉的集成使这些车辆能够解释和理解周围的环境，从而做出对安全性和高效导航至关重要的实时决策。但是，处理这些数据密集型任务的高计算需求正在推动传统的板载计算系统的边界。这一挑战导致将边缘计算作为可行的解决方案进行了探索。边缘计算允许数据处理更靠近数据源，即直接在车辆或附近的边缘服务器中，从而减少了延迟和带宽的需求，以将数据发送到遥远的云服务器。该领域的研究重点是优化车辆和边缘计算节点之间的数据流，以增强自主系统的响应性和可靠性。这包括开发算法，以更快的图像和传感器数据处理，改进机器学习模型，以提高预测准确性，并确保支持CAVS网络所需的大量数据传输的无缝通信标准。AI，计算机视觉，边缘计算和CAV Technologies之间的这种协同作用正在为未来的自动驾驶汽车既普遍又安全的未来铺平道路，这对智能城市生态系统和现代运输网络产生了重大贡献。
让人工智能在全球南方国家变得可解释
人工智能 (AI) 和机器学习 (ML) 正迅速普及，影响着全球所有人的生活。为了让原本“黑匣子”的 AI/ML 系统更易于理解，可解释人工智能 (XAI) 领域应运而生，其目标是开发算法、工具包、框架和其他技术，使人们能够理解、信任和管理 AI 系统。然而，尽管 XAI 是一个快速发展的研究领域，但大部分工作都集中在全球北方的背景下，对于 XAI 技术是否或如何在全球南方社区进行设计、部署或测试，人们知之甚少。这种差距令人担忧，尤其是考虑到政府、公司和学术界对使用 AI/ML “解决”全球南方问题的热情日益高涨。我们的论文首次系统地回顾了全球南方的 XAI 研究，为该领域的新兴工作提供了初步的了解。我们从 15 个不同的会场中确定了 16 篇论文，这些论文针对广泛的应用领域。所有论文均在过去三年内发表。在这 16 篇论文中，有 13 篇专注于应用技术 XAI 方法，所有这些方法都涉及使用（至少一些）本地数据。但是，只有三篇论文与人类合作或让人类参与工作，只有一篇尝试向目标用户部署他们的 XAI 系统。最后，我们反思了全球南方 XAI 研究的现状，讨论了在这些地区构建和部署 XAI 系统的数据和模型考虑因素，并强调了全球南方需要以人为本的 XAI 方法。
让人工智能在全球南方得到解释：系统评价
人工智能 (AI) 和机器学习 (ML) 正迅速普及，影响着全球所有人的生活。为了让原本“黑匣子”的 AI/ML 系统更容易理解，可解释人工智能 (XAI) 领域应运而生，其目标是开发算法、工具包、框架和其他技术，使人们能够理解、信任和管理 AI 系统。然而，尽管 XAI 是一个快速发展的研究领域，但大部分工作都集中在全球北方的背景下，人们对 XAI 技术是否或如何在全球南方的社区中进行设计、部署或测试知之甚少。这一差距令人担忧，尤其是考虑到政府、公司和学术界对使用 AI/ML 解决全球南方问题的热情日益高涨。我们的论文首次系统性地回顾了全球南方的 XAI 研究，为该领域的新兴工作提供了初步了解。我们从 15 个不同的场所确定了 16 篇论文，这些论文针对广泛的应用领域。所有论文均在过去三年内发表。在 16 篇论文中，有 13 篇侧重于应用技术 XAI 方法，所有这些方法都涉及使用（至少部分）本地数据。但是，只有三篇论文涉及或涉及人类参与工作，只有一篇尝试向目标用户部署他们的 XAI 系统。最后，我们反思了全球南方 XAI 研究的现状，讨论了在这些地区构建和部署 XAI 系统的数据和模型考虑因素，并强调了全球南方 XAI 需要以人为本的方法。
通过心音图记录检测心脏杂音
心脏听诊是一种方便的诊断筛查工具，可以帮助识别患有心脏杂音的患者，以便进行后续诊断筛查和治疗心脏功能异常。然而，需要专家来解释心音，这限制了在资源受限的环境中听诊用于心脏护理的可及性。因此，2022 年乔治·B·穆迪 PhysioNet 挑战赛邀请各团队开发算法方法，从心音的心音图 (PCG) 记录中检测心脏杂音和心脏功能异常。在挑战赛中，我们从巴西农村的 1568 名儿科患者那里收集了 5272 条 PCG 记录，并邀请各团队实施诊断筛查算法，从记录中检测心脏杂音和心脏功能异常。我们要求参与者提交完整的代码来训练和运行他们的算法，以提高他们工作的透明度、可重复性和实用性。我们还设计了一个评估指标，该指标考虑了筛查、诊断、治疗和诊断错误的成本，使我们能够研究算法诊断筛查的好处并促进开发更具临床相关性的算法。在挑战赛期间，我们收到了来自 87 个团队的 779 个算法，最终形成了 53 个可用于检测心电图心脏杂音和心脏功能异常的代码库。这些算法代表了学术界和工业界的多种方法。
将人工智能用于公共卫生监测
背景：机器学习技术在医疗保健领域的使用正在增加，这使得人们能够更有效地从大型管理数据集中估计和预测健康结果。本研究的主要目的是开发一种通用机器学习 (ML) 算法，根据过去 2 年的报销次数来估计糖尿病的发病率。方法：我们从与法国国家健康数据库 (即 SNDS) 链接的基于人群的流行病学队列 (即 CONSTANCES) 中选择了一个最终数据集。为了开发这种算法，我们采用了监督式 ML 方法。执行了以下步骤：i. 选择最终数据集，ii.目标定义，iii.为给定的时间窗口编码变量，iv.将最终数据拆分为训练和测试数据集，v. 变量选择，vi。训练模型，vii。使用测试数据集验证模型和 viii。模型的选择。我们使用受试者工作特征曲线下面积 (AUC) 来选择最佳算法。结果：用于开发算法的最终数据集包括来自 CONSTANCES 的 44,659 名参与者。在与 CONSTANCES 队列相关的 SNDS 的 3468 个变量中，选择了 23 个变量来训练不同的算法。估计糖尿病发病率的最终算法是线性判别分析模型，该模型基于过去 2 年内与生物测试、药物、医疗行为和未经手术的住院治疗相关的选定变量的报销次数。该算法的敏感性为 62%，特异性为 67%，准确率为 67% [95% CI：0.66 – 0.68]。
机器学习：简介，基本概念：...
机器学习：简介，基本概念：学习系统的定义，机器学习抽象机器学习的目标和应用是人工智能的一个子场，它使机器无需明确的编程即可学习和模仿智能人类行为或行动。位于统计，人工智能和计算机科学的融合中，是指导机器下一步采取什么行动的艺术，以数据驱动的见解为基础。此过程需要开发算法和模型，这些算法和模型可以通过体验式学习来增强其性能。机器学习围绕从数据中提取知识，促进计算机以学习，预测或制定数据告知的决策。在这种情况下，数据涵盖了各种类型的类型和格式，取决于特定的问题和任务性质。这些包含结构化数据，文本，音频，地理空间数据，图像，时间序列数据，视频，图形，财务数据，人类行为数据等。机器学习算法可以根据其学习方法分为几种类型。监督学习涉及针对分类和回归等任务的标记数据进行培训模型。无监督的学习可与无标记的数据一起用于诸如群集和降低尺寸的任务。强化学习专注于培训代理人通过与环境互动，以奖励或处罚的形式收到反馈来做出决策。深度学习利用具有多层的神经网络来处理复杂的数据，在图像和语音等任务中出色
岩土工程中的人工智能
1人工智能的概念一种人工含义（AI）是软件应用程序和服务模仿基于decision m aking（ADM）的LGorithm的认知思维和智能行为的能力。带有AI的软件应用程序也称为ADM系统。用于开发算法，该算法允许人工系统基于认知思维和智能行为做出决定，对智力，思维和学习的本质的理解是必需的。在1949年，唐纳德·赫布（Donald Hebb）假定学习规则（H EBB 1950）。将思考视为处理信息所需的神经活动，学习规则描述了这些活动对神经元与突触可塑性之间的联系的影响。对于处理信息，神经元使用所有输入信号，这些输入信号从不同的树突到达来形成输出信号，该信号通过轴突发送到连接的神经元。强烈使用轴突可以加强神经元之间的连接，而不使用可能会导致连接和轴突的删除。强烈的联系有助于恢复知识。因此，学习旨在建立牢固的联系以实现相关知识（见图1.1）。HEBB的规则是人工智力概念发展的关键发现。1956年首次在达特茅斯研讨会上使用“人工智能”一词时，该研究的重点是寻找形式主义来代表可实施算法中的知识。因此，许多科学领域都参与了人工智能概念的发展：
作者，《巴比伦机器学习杂志》卷......
计算机视觉通过采用图像和模式分析方法来解决复杂挑战，将图像视为复杂的像素阵列，发挥着关键作用。人工智能 (AI) 中的这一领域可自动执行监控和检查任务，展示其从各种视觉输入（包括数字图像和视频）中提取有意义信息的能力。本质上，计算机视觉已成为一个不可或缺的组成部分，有助于系统在人工智能的背景下获得有价值的见解 [1]。计算机视觉的目标是让计算机和机器理解视觉信息，类似于人类，这意味着开发算法和技术来分析、处理和提取视觉数据中的含义 [2]。监督式 ML 和 DL 是计算机视觉中的两种主要技术，它们开发了分析和解释视觉数据的方法 [3]。监督式 ML 用于训练模型，开发标记示例，利用支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和朴素贝叶斯 (NB) 分类器等算法 [4]。DL 旨在通过人脑的结构和操作学习人工神经网络。这些网络与多层连接节点相结合，从原始输入数据中提取表示 [5]。图 1 显示了常见 ML 和 DL 技术的分类。在这篇关于计算机视觉中的监督 ML 和 DL 技术的综述中，研究了它们所需的模型、架构、优势和局限性。
水母搜索优化器的应用
摘要：气候环境的变化以及间歇性对可再生能源（RESS）的总体能源系统产生显着影响，需要制定控制策略以提取Ress可用的最大功率。为了完成这项任务，已经开发了几种技术。应使用有效的最大功率跟踪（MPPT）技术来确保风发和PV生成系统都提供其全部优势。在本文中，开发了一种新的MPPT方法（JSO）；此外，利用统一的功率质量调节剂（UPQC）来增强微电网（MG）的性能并解决敏感负载的功率质量问题。MG检查了光伏（PV），风力涡轮机和燃料电池电池，并以均匀和非均匀的风速和太阳辐照度进行了检查。提出了开发算法与不同最大功率跟踪算法之间的比较。此外，进行了四个案例研究，以验证引入的UPQC在增强功率质量问题方面的有效性。使用其他算法评估时，研究结果表明，发达算法的高性能。MATLAB/SIMULINK软件用于仿真风，PV和FC控制系统。然而，在与PV辐照的相同条件下进行了实验有效测试，以验证模拟结果。实验验证是通过使用PV模块模型，带有太阳高度模拟器CO3208-1B板的三倍，23 v/2a CO3208-1A执行的，并将结果与仿真结果进行比较。
实时多元血糖预测的移动软件开发套件
摘要在血糖预测的领域中，文献上有足够的算法，这些算法表现出在葡萄糖管理中的潜力。然而，这些命题面临着许多机器学习算法常见的问题：数据集的重复使用（过度拟合）和孤立地开发算法的趋势，与实际情况分离。加剧了这些挑战是，许多胰岛素泵供应商和连续的葡萄糖监测器供应商使用封闭和专有协议，从而限制了研究人员的数据访问以及部署复杂的多变量优化器的能力。本研究试图通过设计软件开发套件来弥合理论算法及其实际应用之间的差距。该套件从连续的葡萄糖监测器，碳水化合物摄入量，胰岛素管理系统中的胰岛素传递以及诸如体育活动，压力和可穿戴设备的睡眠等指标中收集实时数据。我们的方法论利用了与苹果健康和各种可穿戴设备集成的开源胰岛素管理系统，循环。尽管通过各种通信协议进行导航以将这些设备链接出来，但我们成功地汇总了一个全面的数据集来进行血糖预测。为了强调我们软件开发套件的实用性，我们在该平台上执行了技术证明，说明了实时，个性化的，数据驱动的多元血糖预测。我们希望我们的平台可以有助于将机器学习算法从技术发展转变为具有现实世界中有益于血糖管理的可行工具。它为研究人员提供了一个基础，以在更具动态，数据丰富的环境中完善其预测算法和决策支持系统。