XiaoMi-AI文件搜索系统
World File Search System文本处理
一般规定
1.2.3.1。形成全民教育行动 1.2.3.2．学生ICT能力的形成 1.2.3.3．教育、研究和项目活动的基础知识 1.2.3.4。语义阅读策略和文本处理 1.2.3.5。俄语。1.2.3.6。文学。1.2.3.7。外语。第二外语 1.2.3.8。俄罗斯历史。历史概况 1.2.3.9。社会研究 1.2.3.10。地理 1.2.3.11。数学。代数。几何 1.2.3.12。计算机科学1.2.3.13。物理1.2.3.14。生物学1.2.3.15。化学1.2.3.16。美术1.2.3.17。音乐 1.2.3.18。技术1.2.3.19。体育1.2.3.20。生命安全的基础知识 1.3。计划发展成果实现情况评估体系
![arXiv:2105.06564v2 [cs.AI] 2021 年 5 月 17 日](/simg/g:\will\search\icon\source\4\4a44e8f64e3bdf2208b0ec3c7f0db257903554ef.png)
arXiv:2105.06564v2 [cs.AI] 2021 年 5 月 17 日
人工智能 (AI) 一直是信息和通信技术 (ICT) 领域最热门的话题之一。人工智能推动了许多先进系统的发展，例如机器人技术。人工智能过去仅限于数字信号处理，例如文本处理、图像对象识别和语音识别。然而，从整体上考虑计算机科学时，信号处理只是该领域的一小部分。人工智能应用已扩展到机器人、物联网 (IoT)、智慧城市等。在 [1] 中，Miriyev 和 Kovac 将人工智能分为处理信号的数字人工智能和包括物理机器人在内的物理人工智能。在本文中，我们探讨了物理人工智能的概念，并将其扩展到集成物理人工智能（如机器人）或分布式物理人工智能（如物联网）。在 [1] 中，作者将集成物理人工智能视为物理人工智能，其组件集中在一起并位于受限空间中。我们也提出分布式物理人工智能作为一种物理人工智能，其组件可以分布在广阔的空间中。
基于人工智能的司法审判语义辅助框架 •
摘要 由于人工智能自动化工具在语音识别、图像分类、文本处理等常规任务上的成功，如何将其应用于司法审判流程以提高效率引起了广泛关注。同时，司法审判是一项复杂的任务，需要对案例、法律和常识进行准确的洞察和细致的分析。基于人工智能的自动化工具提供的结果直接应用于司法审判过程存在争议，因为它们的逻辑性不强、准确率较低。基于此观察，本文探讨了司法审判中强调的逻辑和人工智能的技术特征，并提出了一种基于人工智能的司法审判语义辅助方法，该方法对法官来说是逻辑性的、透明的。
人工智能在日本法律领域的应用
摘要 人工智能与法律是一个拥有 50 多年历史的人工智能研究领域。在早期阶段，开发了几种法律专家系统。法律专家系统是旨在实现法庭公正判决的工具。除了这项研究之外，随着信息和通信技术以及人工智能技术的进步，人工智能与法律的视野已从法律专家系统拓展到法律分析，最近，许多机器学习和文本处理技术已被用于分析法律信息。日本的研究趋势也是如此，不仅参与法律专家系统的人员，而且参与自然语言处理的人员以及律师也对人工智能与法律产生了兴趣。本报告介绍了日本将人工智能应用于法律领域的历史和研究活动。
生物信息学的Linux简介
FastA文件格式是生物信息学领域中广泛使用的文件格式。它是基于文本的，用于储存核苷酸（DNA或RNA）和氨基酸（蛋白质）序列数据。Fasta格式的起源是由于David J. Lipman和William R. Pearson在1980年后期销售的同源软件包所致。该软件是第一个广泛使用的数据库相似性搜索工具之一。它旨在快速比较DNA或蛋白质序列来搜索相似性和差异，而FastA格式用于存储和交换输入序列。如果您使用有限的资源或需要更简单的方法，则仍然可以使用该程序。它的简单性允许使用文本处理工具和脚本语言（例如Bash，R和Python）轻松操纵和分析序列。它是在基因组学，蛋白质组学和进化生物学等领域的研究中的重要工具，因为它提供了一种方便的方式来存储，共享和分析大量序列数据。自开发以来，FastA格式已成为生物信息学界广泛使用的标准，并已在许多其他软件程序和数据库中实施。一些软件程序和数据库的一些示例，这些程序支持Fasta文件包括：
将Mol2VEC技术应用于大型数据可视化和分析
化学中深度学习的最新成功与文本挖掘的进展以及通过类比与文本处理化学图的能力紧密结合。深度学习也是分子描述中的关键问题，因为在深度学习过程中，存储在隐藏神经元层（潜在变量）上的内部值可以有效地用作分子描述符[1]。由于深神经网络几乎可以“读取”几乎所有野蛮的，未经准备的分子表示（分子图，微笑的字符串 - 典型化或不使用典型化 - 甚至是像素化图像格式中的2D草图），这些潜在变量可以被视为被人工智能的“发明”。他们应该弄清（几乎）分子图中存在的所有信息，尽管它不会在设计新型分子描述符的专家使用的化学专业知识之后提取。后者会知道，例如，要强调可以从图中推断但难以提取的结构方面。典型的例子是药效团
调查机器学习和自然语言处理技术用于检测饮食失调：系统文献评论
自然语言处理（NLP）和机器学习（ML）领域的最新发展已显示自动文本处理的显着改进。同时，人类语言的表达在发现心理健康问题中起着核心作用。虽然口语在接受患者的访谈中被隐式评估，但书面语言也可以为临床专业人员提供有趣的见解。现有的工作中经常研究心理健康问题，例如抑郁或焦虑。然而，还在研究饮食失调的诊断如何从这些新技术中受益。在本文中，我们介绍了该领域最新研究的系统概述。Our investigation encompasses four key areas: (a) an analysis of the metadata from published papers, (b) an examination of the sizes and speci fi c topics of the datasets employed, (c) a review of the application of machine learning techniques in detecting eating disorders from text, and fi nally (d) an evaluation of the models used, focusing on their performance, limitations, and the potential risks associated with current methodologies.
患者博客中药物不良反应的注释
摘要 药物不良反应是一个严重的问题，它严重降低生活质量，甚至威胁患者的生命。网络上的患者生成文本作为这方面的有前途的信息来源，已引起人们的关注。虽然以前的研究对此类患者生成的内容进行了注释，但它们仅报告了有限的信息，例如文本是否描述了药物不良反应。此外，他们只注释了从在线论坛和社交网络服务中抓取的几句话的短文。我们在本文中提供的数据集因注释信息的丰富性而独一无二，包括具有完整上下文的药物反应的详细描述。我们抓取了在线患者网络平台上共享的患者博客文章，并注释了其中报告的药物效果。我们确定了描述药物反应的跨度并为相关药物名称分配标签、反应症状的标准代码和影响类型。作为第一个数据集，我们根据日本肺癌患者的 169 篇博客文章使用这些详细标签注释了 677 种药物反应。我们的注释数据集已公开，以便进一步研究药物不良反应的检测以及更广泛的患者生成的文本处理。