XiaoMi-AI文件搜索系统
World File Search System数据驱动
用于将基因型映射到合成微生物群落功能的数据驱动建模框架
1 威斯康星大学麦迪逊分校生物化学系，美国威斯康星州麦迪逊 53706 2 杜克大学生物医学工程系，美国北卡罗来纳州达勒姆 27708 3 系统生物学研究所，美国华盛顿州西雅图 98109 4 华盛顿大学分子工程研究生课程，美国华盛顿州西雅图 98195 5 华盛顿大学生物工程系，美国华盛顿州西雅图 98195 6 华盛顿大学基因组科学系，美国华盛顿州西雅图 98195 7 华盛顿大学电子科学研究所，美国华盛顿州西雅图 98195 8 威斯康星大学麦迪逊分校化学与生物工程系，美国威斯康星州麦迪逊 53706 9 威斯康星大学麦迪逊分校细菌学系，美国威斯康星州麦迪逊 53706 10 威斯康星大学麦迪逊分校生物医学工程系美国威斯康星州麦迪逊 53706
Juliette Mattioli、Gabriel Pedroza、Souhaiel Khalfaoui、Bertrand Leroy。结合数据驱动和基于知识的 AI 范式来设计基于 AI 的安全关键系统。人工智能安全研讨会 (SafeAI)，2022 年 2 月，虚拟，加拿大。hal-03622260
基于人工智能的系统的开发面临着多重艰巨挑战。这些挑战主要一方面归因于相关工程学科（系统、安全、安保）的技术债务、其固有的复杂性、尚未解决的问题，另一方面归因于人工智能自主性的新兴风险、人工智能启发式与所需确定性之间的权衡，以及总体而言，定义、描述、评估和证明基于人工智能的系统足够安全和可信的难度。尽管过去几十年来，许多领域做出了大量研究贡献并取得了不可否认的进步，但实验性人工智能和可认证人工智能之间仍然存在差距。本文旨在“通过设计”弥合这一差距。考虑到工程范式是指定、关联和推断知识的基础，提出了一种新范式来实现 AI 认证。所提出的范式承认现有的 AI 方法，即联结主义、符号主义和混合主义，并提出利用它们作为知识捕获的基本特征。因此获得了一个概念元体，分别包含数据驱动、知识驱动和混合驱动的类别。由于观察到研究偏离了知识驱动，而是努力采用数据驱动方法，我们的范式呼吁依靠混合驱动方法来增强知识工程，以改善它们的耦合并从它们的互补性中获益。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
气候的数据驱动建模
项目详细信息：平流层气溶胶是气候系统最重要的强迫之一，通常通过太阳辐射的散射和吸收来导致地球的全球尺度表面冷却。大型火山喷发一直是平流层气溶胶层的主要贡献者，计算廉价的数值模型可用于预测来自火山硫等先例的排放中的气溶胶光学特性和气候强迫。这样的模型对于提供气候模型所需的输入至关重要，并了解平流层气溶胶的过去和未来气候影响。但是，现有模型并不能很好地捕获火山喷发幅度，纬度和羽高度如何调节气溶胶光学特性。此外，持续的气候变化可能会大大改变平流层气溶胶的来源。越来越强烈的野生火力是由快速变暖的推动力，现在通常会产生足够高的羽毛，足以将气溶胶注入平流层。不受控制的气候变化的观点也加强了关于研究和潜在部署平流层气溶胶注入地球工程的争论，以积极冷却我们的星球。
通过数据驱动的预测建模优化医疗保健结果
这项研究研究了大数据分析在医疗保健中的变革潜力，重点介绍了其在预测患者结果和增强临床决策方面的应用。应对数据集成，质量，隐私问题以及CLEX机器学习模型的解释性的主要挑战。广泛的文献综述评估了医疗保健中大数据分析的当前状态，尤其是预测分析。该研究采用机器学习算法来开发针对特定患者结果的预测模型，例如疾病进展和治疗反应。基于三个关键指标评估模型：辅助性，可解释性和临床相关性。研究结果表明，大数据分析可以通过提供数据驱动的见解来彻底改变医疗保健，从而为治疗决策提供信息，预测并发症并识别高危患者。预测模型开发了有望增强临床判断和促进个性化治疗方法。此外，该研究强调了解决数据质量，集成和隐私的重要性，以确保预测分析在临床环境中的道德应用。结果有助于对医疗保健中实用的大数据应用程序进行越来越多的搜索，从而为将患者隐私与数据驱动的见解的好处提供了宝贵的收回。最终，这项研究对决策具有影响，指导实施预测模型并促进旨在改善医疗保健成果的创新。
数据驱动的细胞类型导向网络的发现 -
阿尔茨海默氏病（AD）是一种多因素神经退行性疾病，其特征是不同细胞类型的异质分子变化，对治疗发育构成了重大挑战。为了解决这个问题，我们引入了基于人类数据和现实世界证据的细胞型特异性，多目标药物发现策略。这种方法整合了单细胞转录组学，药物扰动数据库和临床记录。使用此框架，将LeTrozole和Irinotecan鉴定为潜在的组合疗法，分别靶向与AD相关的基因表达的变化，分别是神经元和神经胶质细胞的变化。在AD小鼠模型中，与媒介物和单药治疗相比，这种组合疗法显着改善了记忆功能和与AD相关的病理减少。单核转录组分析证实，该治疗以细胞型特异性方式逆转了与疾病相关的基因网络。这些结果突出了细胞类型指导的组合疗法的希望，以解决AD等多因素疾病，并为针对患者特异性转录组和临床特征量身定制的精密药物奠定了基础。
7 项数据驱动的读写能力发展策略——指南
在帮助年轻读者提高读写能力方面，教师依赖正确的支持数据。理解每分钟正确单词数 (WCPM) 作为衡量标准是必不可少的起点，借助带 Coach 的 MAP® Reading Fluency™，教师可以获得这些信息。他们还可以看到学生拥有最大成长机会的特定技能和内容领域，并且通过 Coach 的加入，拥有一个技术支持的阅读导师，该导师使用 NCII 认可的读写能力评估来对学生进行个性化的阅读指导。
使用可以信任的数据驱动您的AI
在核心上，自然语言是人类，而雪花正在努力使所有数据易于访问，以用自然语言提出问题。雪花的首要任务是使构建对话应用变得容易。Cortex Analyst *从表格数据中传达完全管理的，准确的文本到SQL响应。Cortex搜索可以通过文档数据检索增强生成（RAG）和企业搜索。
朝着数据驱动和AI驱动的开放ran
1。将网络函数软件从硬件分解▪在较便宜的商品硬件又称网络函数虚拟化（NFV）上运行网络功能软件▪部署在（边缘）云上以进一步降低成本2。从数据平面分解控制平面la软件定义的网络（SDN）
由人类提供动力，由数据驱动……
本报告是在 Vivendi 集团（定义见下文）可能拆分出数家实体的背景下编写的，这些实体预计将分别成为独立上市公司，独立于 Vivendi SE（“Vivendi”）运营，Vivendi SE 是一家受法国法律管辖并在巴黎泛欧交易所上市的欧洲公司（其股票将继续在巴黎泛欧交易所上市），其中包括 Vivendi 的 Havas 业务部门（“Havas 业务”）。为实施这一潜在拆分，Vivendi 或其直接或间接持有股权的任何合并子公司或附属公司（“Vivendi 集团”）所需的交易在本文中统称为“Vivendi 分拆”。 Vivendi 分拆的完成取决于一系列条件的满足，包括但不限于获得法国、荷兰和英国的相关监管部门批准，以及在 2024 年 12 月 9 日左右举行的 Vivendi 股东大会上，Vivendi 股东三分之二 (⅔) 多数票批准 Vivendi 分拆。Havas 无法保证 Vivendi 分拆所需的部分或全部条件将得到满足或及时豁免。如果 Vivendi 分拆的所有条件均得到满足或及时豁免，预计 Havas 将拥有并运营 Havas 业务，并随后进行上市。在这种情况下，Havas 普通股在泛欧交易所阿姆斯特丹的交易预计将于 2024 年 12 月 16 日上午 9:00（CET）开始，最初以“是否交割和何时交割”为基础，Havas 普通股的常规交易预计将于 2024 年 12 月 18 日上午 9:00（CET）开始。Havas 将根据适用法律法规，在适当的时候向市场通报最新情况。