XiaoMi-AI文件搜索系统
World File Search System技术预测
通过人工智能技术预测学业成绩 Omar D. Castrillón、William Sarache 和 Santiago Ruiz-Herrera 哥伦比亚国立大学 - 马尼萨莱斯校区，工程与建筑学院，工业工程系，创新与技术发展组，Q 区拉努比亚校区，马尼萨莱斯，170001 - 哥伦比亚。 （电子邮件：odcastrillong@unal.edu.co；wasarachec@unal.edu.co；sruizhe@unal.edu.co） 五月收到。 9，2019； 2019 年 7 月 8 日接受；最终版本 2019 年 8 月 12 日，2020 年 2 月发布 摘要 本文的目的是利用人工智能技术（分类器）根据各种影响因素预测高等教育学生的学业成绩。尽管对这些因素的研究已从定量和定性方法进行了广泛的分析，但仍然提供了使用人工智能提供的工具进行研究的机会，特别是在预测学业成绩方面。通过定义的因素（教育、家庭、社会经济、习惯和风俗等），设计了一种方法，可以训练一个系统，该系统能够预先将新生分类到五个预定的学业成绩类别之一中。这种分类可以让教育机构提前识别出可能存在学业成绩问题的学生。由此，可以部署立即的支持和缓解行动。该方法被应用于哥伦比亚一所公立大学的学生样本，成功率达到 91.7%。关键词：学业成绩；人工智能;分类器；成功；使用人工智能技术预测学业成绩摘要本文的目的是通过应用人工智能技术（分类器）来预测高等教育学生的学业成绩，考虑几个影响因素。尽管这些因素已从定量和定性方法进行了广泛的分析，但它们仍然代表了使用人工智能工具的研究机会，特别是在学业成绩预测方面。通过定义影响因素（教育、家庭背景、社会经济、习惯和风俗等），设计了一种方法，以训练一个系统，该系统能够预先将新生分类为五个学业成绩类别之一。这种分类使教育机构能够尽早发现可能存在学业成绩问题的学生。根据这些了解，该机构可以立即采取缓解措施。该方法被应用于哥伦比亚一所公立大学的学生样本，成功率达到 91.7%。关键字：学业成绩；人工智能；分类器；成功；预测
通过人工智能技术预测学业成绩 Omar D. Castrillón、William Sarache 和 Santiago Ruiz-Herrera 哥伦比亚国立大学 - 马尼萨莱斯校区，工程与建筑学院，工业工程系，创新与技术发展组，Q 区拉努比亚校区，马尼萨莱斯，170001 - 哥伦比亚。 （电子邮件：odcastrillong@unal.edu.co；wasarachec@unal.edu.co；sruizhe@unal.edu.co） 五月收到。 9，2019； 2019 年 7 月 8 日接受；最终版本 2019 年 8 月 12 日，2020 年 2 月发布 摘要 本文的目的是利用人工智能技术（分类器）根据各种影响因素预测高等教育学生的学业成绩。尽管对这些因素的研究已从定量和定性方法进行了广泛的分析，但仍然提供了使用人工智能提供的工具进行研究的机会，特别是在预测学业成绩方面。通过定义的因素（教育、家庭、社会经济、习惯和风俗等），设计了一种方法，可以训练一个系统，该系统能够预先将新生分类到五个预定的学业成绩类别之一中。这种分类可以让教育机构提前识别出可能存在学业成绩问题的学生。由此，可以部署立即的支持和缓解行动。该方法被应用于哥伦比亚一所公立大学的学生样本，成功率达到 91.7%。关键词：学业成绩；人工智能;分类器；成功；使用人工智能技术预测学业成绩摘要本文的目的是通过应用人工智能技术（分类器）来预测高等教育学生的学业成绩，考虑几个影响因素。尽管这些因素已从定量和定性方法进行了广泛的分析，但它们仍然代表了使用人工智能工具的研究机会，特别是在学业成绩预测方面。通过定义影响因素（教育、家庭背景、社会经济、习惯和风俗等），设计了一种方法，以训练一个系统，该系统能够预先将新生分类为五个学业成绩类别之一。这种分类使教育机构能够尽早发现可能存在学业成绩问题的学生。根据这些了解，该机构可以立即采取缓解措施。该方法被应用于哥伦比亚一所公立大学的学生样本，成功率达到 91.7%。关键字：学业成绩；人工智能；分类器；成功；预测
机器学习模型的系统评价......
摘要 心脏病是全球主要的死亡原因之一，因此早期发现和预测心脏病对于挽救生命至关重要。机器学习（ML）算法有可能通过提高诊断准确性和改善患者治疗效果来彻底改变医疗保健系统。本研究回顾了以前应用深度学习（DL）和ML技术预测心脏病的研究。从研究中可以看出，大多数工作都使用了监督ML算法，包括支持向量机（SVM）、梯度提升分类器（GB）、决策树（DT）、随机森林（RF）和逻辑回归（LR），这些算法已被用于UCI机器学习库（Heart）数据集来预测心脏状况。这些算法的准确率各不相同，研究报告的成功率在88%到95%之间。本综述探讨了影响这些结果的因素，有助于更好地理解基于ML的心脏病预测模型。
创新的催化剂 - RePub，伊拉斯姆斯大学资料库
Knut Blind 教授在弗莱堡大学学习经济学、政治学和心理学。在学习期间，他在加拿大布鲁克大学学习了一年，并获得了学士学位。最后，他在弗莱堡大学获得了经济学文凭，后来又获得了博士学位。1996 年，他加入德国卡尔斯鲁厄弗劳恩霍夫系统与创新研究所，担任高级研究员。2006 年 4 月，Knut Blind 被任命为柏林工业大学经济与管理学院创新经济学教授，以及弗劳恩霍夫研究所“监管与创新”能力中心负责人。自 2008 年 5 月以来，他还担任鹿特丹管理学院、伊拉斯姆斯大学标准化捐赠教席教授。除了大量关于标准的文章外，他还在《研究政策》、《电信政策》、《应用经济学》、《技术预测与社会变革》和《技术转让杂志》等权威期刊上发表了有关知识产权和创新方面的文章。
使用 ML 预测脑卒中 - ijrpr
脑卒中检测是机器学习在医学领域的关键且时间敏感的应用。当大脑部分血液供应中断或脑血管破裂时，就会发生脑卒中。如果不及时处理，这些事件可能会导致严重残疾、长期并发症或死亡。传统的诊断方法，如临床评估、影像学检查和人工评估，可能耗时且依赖于熟练的医疗专业人员的可用性，从而导致诊断和治疗的潜在延误。“使用机器学习检测脑卒中”项目旨在通过开发一种利用 ML 技术预测脑卒中发生可能性的自动化系统来解决这些挑战。该系统将分析广泛的医疗数据，包括患者人口统计、病史、生活方式因素、生理数据和影像学结果，以识别与脑卒中相关的复杂模式和风险因素。通过实施基于机器学习的方法，该项目旨在帮助医疗保健提供者做出快速、数据驱动的决策，最终改善患者护理和治疗结果。
UPDM 2 插件用户指南 - No Magic, Inc
能力配置 231 控件 232 数据元素 233 数据交换 234 设备 234 现场能力 235 预测 235 功能 236 功能操作 236 功能边缘 237 功能参数 237 托管软件 238 人力资源 238 实施操作 239 内部数据模型 239 部件 240 物理数据模型 240 物理位置 241 平台 241 岗位角色 242 资源工件 242 资源组件 243 资源连接器 243 资源约束 244 资源事件跟踪 244 资源交互 245 资源接口 245 资源消息 246 资源端口 246 资源状态机 247 软件 247 子系统部件 248 系统 249 系统连接器 249 系统功能 250 系统功能操作 250 系统功能边缘 251 系统节点 251 技术预测251 使用配置 252
安娜·施特尔泽
工作论文 — “利用高斯过程对混合频率数据进行即时预测”，与 Niko Hauzenberger（思克莱德大学）、Massimiliano Marcellino（博科尼大学）和 Michael Pfar-rhofer（华盛顿大学）合作，提交给《计量经济学杂志》，arXiv：2402.10574。 — “欧元区的货币政策和收入与财富的联合分配”，arXiv：2304.14264。 — “中央银行信息冲击的国际影响”，与 Michael Pfarrhofer（华盛顿大学）合作，《宏观经济动力学 R&R》，arXiv：1912.03158。 — “欧元区宏观经济波动的影响”，与 Maximilian B¨ock（博科尼大学）、Niko Hauzenberger（思克莱德大学）、Michael Pfarrhofer（WU）和 Gre- gor Zens（博科尼大学）合作，欧洲系统性风险委员会 (ESRB) 工作报告 80，2018 年。— “在面对不平等的类别分布的情况下使用机器学习技术预测信用违约概率”，arXiv:1907.12996。
通过能量控制焊接和淬火工艺制造的样品
由于沉积区域和基材的快速加热和冷却循环，定向能量沉积 (DED) 工艺沉积区域附近会出现复杂的残余应力分布。残余应力会导致沉积区域附近出现缺陷和过早失效。人们已经对多种热处理技术进行了广泛的研究，并将其应用于通过 DED 工艺沉积的部件，以释放残余应力。本研究旨在利用热机械分析研究通过 DED 和淬火工艺制备的试样的残余应力特性。采用耦合热机械分析技术预测淬火步骤后沉积区域附近的残余应力分布。沉积和冷却措施的有限元 (FE) 分析结果表明，在弹性恢复完成后，沉积区域附近的残余应力显著增加。加热和淬火阶段的 FE 分析结果进一步表明，在淬火初始阶段，沉积区域附近的残余应力显著增加。此外，观察发现，无论沉积材料如何，淬火残余应力均小于弹性恢复后的残余应力。
AI技术在量化投资中的应用与实践
摘要：随着人工智能技术的不断发展，利用机器学习技术预测市场走势或许不再是遥不可及的事情。近年来，人工智能成为学术界的研究热点，在图像识别、自然语言处理等领域得到广泛应用，对量化投资领域也产生了巨大的影响。量化投资作为一种通过数据分析、模型构建、程序化交易获得稳定收益的投资方式，深受金融机构和投资者的喜爱。同时，作为量化投资的重要应用领域，基于人工智能技术的量化投资策略应运而生。如何将人工智能运用到量化投资中，从而更好地实现盈利和风险控制，也成为研究的重点和难点。从全球来看，美国和美联储的通胀都是投资者关注的焦点，在一定程度上影响着包括中国股市在内的全球资产的走向。本文研究AI技术、量化投资以及AI技术在量化投资中的应用，旨在为投资者提供辅助决策，降低投资分析的难度，帮助投资者获得更高的收益。
影响使用无人机系统支持航空事故和应急响应的因素
摘要 — 研究使用无人机系统 (UAS) 技术支持航空事故和应急响应的影响因素。急救人员应对紧急情况的能力取决于信息的质量、准确性、及时性和可用性。对于诸如旧金山国际机场韩亚航空 214 航班坠毁等航空事故，感知和传达受害者位置的能力可能会降低乘客意外死亡的可能性。此外，在事故发生途中获取信息的能力也可能有助于减少急救人员（例如航空救援和消防 [ARFF]）的总体响应和协调时间。通过识别和检查当前和潜在的实践、能力和技术（例如人机界面 [HMI]、人为因素、工具和能力修饰符），建立了更全面的影响因素模型，以进一步支持不断增长的知识体系（即安全、人机交互、人机系统、社会经济系统、服务和公共部门系统以及技术预测）。提供了一系列有关技术和应用的建议，以支持未来法规、政策或未来研究的制定或调整。索引术语 — 无人机系统、UAS 应急响应、UAS 航空事故响应、UAS 应用、UAS HMI、UAS 灾难响应
支持研究评估的人工智能技术：综述
文献综述从文章文本（例如，标题、摘要、长度、引用参考文献和可读性）或元数据（例如，作者数量、国际或国内合作、期刊影响因子和作者的 h 指数）中确定了与更高影响力或更高质量研究相关的指标。这包括使用机器学习技术预测期刊文章或会议论文的引用计数或质量分数的研究。文献综述还包括关于文献计量指标与质量分数排名之间关联强度的证据，这些证据来自之前英国研究评估活动 (RAE) 和不同学科和年份的 REF，以及来自其他国家（例如澳大利亚和意大利）的类似证据。为了支持这一点，该文件还调查了使用公共引文数据集、社交媒体指标或开放评论文本（例如 Dimensions、OpenCitations、Altmetric.com 和 Publons）来帮助预测文章学术影响力的研究。这部分文献综述的结果用于指导使用机器学习预测 REF 期刊文章质量分数的实验，如该项目的 AI 实验报告中所述。