XiaoMi-AI文件搜索系统
World File Search System数据集
基于卷积网络的运动想象脑电自制数据集分类算法研究
同时，它将卷积神经网络与传统方法相结合，以基于短时傅立叶变换和连续小波变形的特征提取方法提出特征提取方法。卷积神经网络分类算法使用特征提取算法来提取时间频率特征来制作时间频率图，并使用卷积网络来快速学习分类的功能。测试结果表明，该算法在运动图像脑电图公共数据集中的精度为96％，而自制数据集的精度率约为92％，这证明了算法在运动成像EEG分类中的可行性。
笔画数据集
简介 TEKNOFEST 是自 2018 年起在土耳其举办的年度航空、航天和技术节。该节日主要关注技术，其范围每年都在扩大。土耳其共和国的创始人和第一任总统阿塔图尔克曾说过：“未来在天空中”，这给这个年轻的共和国指明了重要的方向。1 TEKNOFEST 旨在提高公众对社会技术和航空航天的认识，并鼓励年轻人参与这些领域。此外，它还旨在通过举办技术竞赛、航空展、音乐会、演讲和各种主题活动等多种活动，为培养合格的相关技术人力资源做出贡献。TEKNOFEST 范围内组织了不同学科和类别的技术竞赛。具有不同教育和经验水平的人们，例如小学、中学、高中、本科、研究生和研究生，以及企业家和私营部门成员，以个人或团体形式参加了这些竞赛。比赛类别从 2018 年的 14 个增加到 2021 年的 35 个，包括智能交通、直升机设计、生物技术、机器人技术、飞行汽车、火箭和医疗保健领域的人工智能 (AI)。2021 年首次举办医疗保健领域的人工智能竞赛。医疗保健领域的人工智能竞赛的问题领域是“中风”。2
通用数据集 2023-2024
通用数据集 (CDS) 计划是高等教育界数据提供商与出版商（以大学理事会、彼得森出版公司和美国新闻与世界报道为代表）之间的合作成果。此次合作的共同目标是提高向所有参与学生进入高等教育过程的人提供的信息的质量和准确性，并减轻数据提供商的报告负担。
MLCQ数据集的比较研究
摘要。代码气味是软件代码中潜在问题的指标，可以使维护更具挑战性。传统的检测代码气味的方法主要依赖于手工制作的规则和启发式方法，而最近的进步探索了机器学习（ML）和深度学习（DL）技术。在本文中，我们研究了基于迅速的大语言模型（LLM）在代码气味检测中的应用，利用最先进的模型，即经过生成的预训练的预训练的Transformer-4（GPT-4）和大型语言模型Meta AI（LLAMA）。我们对机器学习代码质量（MLCQ）数据集进行了广泛的分析，重点介绍这些LLM在提示识别和分类代码气味时的性能。通过系统地评估每个模型的性能，我们提供了对它们的精确，召回和能够跨越不同类型的代码气味的能力的见解。我们的结果旨在证明LLM的潜力是自动化某些类型的代码气味的有前途的工具，同时表现不佳。
Resstock 2024.2数据集
- 来自东北能源效率伙伴关系（NEEP）寒冷气候空气源热泵列表的数据用于更新性能指标和曲线•这些更新允许可变的速度热泵建模，这些更新更反映了寒冷气候热泵的实际性能和操作条件
印度的基因组数据集
AI驱动的传感器跟踪污染水平，从而及时干预城市地区。智能电网和AI驱动的能源管理优化可再生能源消耗。Google的DeepMind使用AI来改善天气预报。IBM WATSONX.AI的地理空间基础模型建立在NASA的卫星数据上，分析全球天气模式，跟踪土地使用变化并预测作物产量，在全球和本地尺度上运作。此外，在Periyar和Chalakudy河流盆地中引入了COS-IT-Flows，利用AI模型进行洪水预测。它采用动态可视化和交互式图来分析气候数据趋势并提高预测准确性。增强教育和个性化学习：AI驱动的Edtech平台提供自适应学习，从而确保学生根据学习步伐为学生定制教育。
人工智能伦理的重心是数据集
乌克兰和加沙冲突中军事人工智能引发伦理问题的直接相关例子。以色列正在使用人工智能生成间接火力的目标报告，乌克兰冲突双方都在使用自主巡飞弹药。2 在实施这些技术时确实存在一些复杂因素，例如反无人机系统电子战的广泛使用，但这些不在本文的讨论范围内。3 重点是这些人工智能系统与经过训练的使用相比如何运作。美国犹太国家安全研究所 2021 年关于 2021 年加沙冲突的一份报告讨论了以色列目标定位人工智能的优势，英文称为“Gospel”。这种人工智能与 2023 年 10 月开始的持续加沙冲突中使用的人工智能相同。最显着的优势是无与伦比的数据处理和推荐目标的能力。事实证明，Gospel 比传统的人类分析师目标定位系统快 50 倍。然而，由于缺乏公平的数据集工程，出现了严重的伦理问题。4 美国犹太国家安全研究所报告
新颖的数据集及其潜在用途
人工智能 (AI) 的最新进展激发了人们对 AI 刺激经济增长潜力的兴奋，学者们认为 AI 有可能成为我们这个时代最重要的“通用技术”（Brynjolfsson & McAfee，2017 年）。然而，人们担心，AI 的进步也可能对劳动力市场、企业和行业产生重大影响，因为它会取代工人、改变职业管辖权、改变战略并影响绩效。几十年来，学者们一直在思考信息技术的快速发展是否以及如何改变竞争和战略的性质（Bennett & Hall，2020 年；Bettis & Hitt，1995 年；Tippins & Sohi，2003 年）。近年来，越来越多的研究人员开始研究人工智能如何影响企业设计、战略、组织学习和管理（例如，Balasubramanian、Xu 和 Ye，2020 年；Bughin、Kretschmer 和 van Zeebroeck，2019 年；Iansiti 和 Lakhani，2020 年；Jia、Luo 和 Fang，2020a、2020b；Khashabi 和 Kretschmer，2019 年；Raj 和 Seamans，2019 年；Wuebker、Saouma 和 McGahan，2018 年）。然而，尽管学术文献和公共媒体对人工智能对职业、企业和市场的影响非常感兴趣，但系统的证据收集却很少。缺乏证据的部分原因在于人工智能的快速发展是一种新兴现象，衡量其影响的标准尚未确定，因此也不适合发展（McElheran，2018；Raj & Seamans，2018）。