XiaoMi-AI文件搜索系统
World File Search System有助于
AI礼宾代理有助于人力资源与...
语义内核是一个轻巧的开源开发套件。使用它，开发人员可以构建AI代理，并将最新的AI模型集成到C＃，Python和Java代码库中。它使开发人员能够将NLP，上下文理解和机器学习与代码相结合，从而允许协调各种服务，任务和API调用。通过利用语义内核，礼宾代理自主管理更复杂的操作，适应不断发展的输入并通过上下文相关的响应和动作来增强用户交互。语义内核的本地可扩展性点（称为插件）在解决方案的自适应能力中起着特别重要的作用。插件允许解决方案根据用户输入的特定需求而智能地选择和激活不同的工具，模型或功能。这会产生更灵活和上下文感知的响应，因为AI可以确定处理给定任务的最合适的资源。具有在插件之间动态切换的能力，该解决方案可以提供更准确，高效和相关的结果，以满足用户的原始意图。5。
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
当前的食品贸易有助于减轻低收入国家的未来气候变化影响
1不列颠哥伦比亚大学，温哥华，不列颠哥伦比亚大学，加拿大，加拿大2号公共政策和全球事务学院，不列颠哥伦比亚大学，不列颠哥伦比亚大学，不列颠哥伦比亚大学，加拿大，加拿大3号环境研究系，科罗拉多州科罗拉多州科罗拉多州，美国科罗拉多州，美国科罗拉多州，加拿大3号。德国的主要，纽约州纽约州纽约州5号纳萨戈达德太空研究所，美国6，气候系统研究中心，哥伦比亚大学，纽约，纽约，纽约，美国，美国，莱布尼兹协会7成员，波茨坦莱布尼兹协会，波茨坦，波斯坦气候影响研究所（PIK），德国，德国，美国，全球贸易分析中心。
单基因男性不育症的基因检测有助于对严重特发性男性不育症患者进行临床诊断
1 卢布尔雅那大学医学中心妇产科人类生殖系，卢布尔雅那，斯洛文尼亚，2 卢布尔雅那大学生物技术学院，卢布尔雅那，斯洛文尼亚，3 卢布尔雅那大学医学中心基因组医学临床研究所，卢布尔雅那，斯洛文尼亚，4 新梅斯托大学健康科学学院，新梅斯托，斯洛文尼亚，5 卢布尔雅那大学医学院组织学与胚胎学研究所，卢布尔雅那，斯洛文尼亚，6 黑山临床中心医学遗传学与免疫学中心，波德戈里察，黑山，7 贝尔格莱德大学医学院人类遗传学研究所，贝尔格莱德，塞尔维亚，8 马其顿科学与艺术学院“Georgi D. Efremov”遗传工程与生物技术研究中心，斯科普里，马其顿，9克罗地亚里耶卡大学医学院遗传教育系，10 克罗地亚里耶卡大学医学院医学生物学和遗传学系，11 克罗地亚里耶卡临床医院中心泌尿外科系，12 克罗地亚里耶卡大学医学院泌尿外科系，13 斯洛文尼亚卢布尔雅那大学医学院妇产科系
Zip13标记肌肉卫星细胞，并有助于其静止和主动相位平衡
Zip13的丧失导致Ehlers-Danlos综合征脊柱发育异常3型，涉及结缔组织发育不良，与肌肉强度降低相关。然而，Zip13在骨骼肌稳态中的作用，特别是在调节肌肉卫星细胞（MUSC）的情况下，仍然了解不足。在这项研究中，我们研究了Zip13-Knockout（KO）小鼠，发现Zip13-KO小鼠的MUSC降低，其中静止和激活的相位平衡被中断。为了阐明MUSC中Zip13表达的生理作用和动力学，我们生成了编码Zip13基因座GFP的Zip13-GFP敲入（KI）小鼠，这表明ZIP13有助于Quiescent和激活MUSC及其功能的相位平衡调节。的确，Zip13-KO小鼠从骨骼肌损伤中表现出延迟恢复，表明Zip13需要适当的骨骼肌再生。此外，在纯合Zip13-GFP Ki小鼠的MUSC中，GFP表达降低，其完整的Zip13表达受到干扰，这表明存在正反馈机制以维持Zip13表达。总的来说，我们的结果表明，Zip13可能通过自动调节Zip13表达来控制MUSC的静止/激活相平衡，从而积极参与骨骼肌肉再生，而新生成的Zip13-GFP Ki小鼠将有助于研究Zip13-3-3-GFP Ki小鼠的Zip13-3-3-3-3-3-epressects expecters表达细胞。
中国对LAC关键矿物的投资有助于其军事现代化
全球对关键矿物质的追求继续升温，并且在美国和中华民国（PRC）之间的战略竞争中，它们越来越成为关键的闪点。中国试图通过扩大其在全球南部的影响力，尤其是在南美，是锂，铜和niobium等关键矿物的所在地来增加其关键矿产采矿业。我们的研究方法包括从著名的数据库（即美国企业研究所，Zijin Mining和Florida International University的安全研究中心）收集定量数据以及有关国有企业（SOES）（SOES）和中国私人矿产公司的定性数据。我们利用地理信息系统（即利用Arcgis在线平台的互动仪表板和故事地图）来识别中国投资最高的lac国家。我们分析了与中国2049年计划相吻合的国有国有投资，以及人民解放军（PLA'S）新的智能和自动驾驶汽车，武器系统以及向可再生能源的过渡。
护理干预有助于加强新生儿重症监护室 (NICU) 中母亲与早产儿之间的联系
出版语言：英语 摘要 早产会给父母带来意想不到的挑战，因为婴儿的护理发生在新生儿重症监护病房 (NICU)，这是第一次发生亲子关系和依恋行为的地方。早产可能会对婴儿和母亲之间的亲子关系过程提出挑战，需要专门的护理，重点是父母和新生儿之间的互动和亲子关系。目的是找到有关应实施何种护理干预来支持新生儿重症监护病房 (NICU) 中母亲和早产儿之间亲子关系的信息。通过文献综述来查找信息。使用三个不同的数据库进行数据搜索：Medline、CINAHL 和 PubMed。分析了与研究问题相关的所有文章，在进行批判性评估后纳入了选定的十一项研究。结果表明，从选定的文章中发现了三个主要类别，即NICU中的挑战、护理活动和父母支持；然后将主要类别分为七个子类别。结论是，护士的教育和支持对母亲增强照顾婴儿的信心起着至关重要的作用。支持母亲的心理健康以及身体上的亲近已被证明对母亲和早产儿之间的结合过程有积极的影响。可以利用更多的洞察力来研究早产儿对兄弟姐妹的影响以及如何在新生儿重症监护室实施家庭护理方法。关键词/标签（主题）早产儿、母婴结合、护理、新生儿重症监护室。
感知有助于计划：促进多阶段车道 -
摘要 - 在计划自动驾驶时，要考虑基本的交通元素，例如车道，相互作用，交通法规和动态代理，这一点至关重要。但是，他们经常被传统的端到端计划方法所忽视，这可能导致效率低下和不遵守交通法规。在这项工作中，我们努力将这些元素的感知整合到计划任务中。为此，我们提出了感知有助于计划（PHP），这是一个新颖的框架，可将车道级别的计划与知觉调和。此集成确保计划本质上与流量限制一致，从而促进安全有效的驾驶。具体来说，PHP考虑了两条车道边缘在Bird's Eye View（BEV）中的位置，以及与车道交叉路口，车道方向和车道占用相关的属性。在算法设计中，该过程始于编码多相机图像的变压器以提取上述特征并预测车道级别的感知结果。接下来，分层功能早期融合模块完善了预测计划属性的功能。最后，一个特定的解释器利用了一个晚期融合过程，旨在整合车道级别的感知和计划信息，最终导致生成车辆控制信号。在三个CARLA基准上进行的实验显示，与现有算法分别达到27.20％，33.47％和15.54％的驾驶得分的显着提高，分别实现了最新性能，系统运行高达22.57 fps。
在公民科学中使用人工智能是否有助于志愿者的学习？鸟类学的一项实验研究
最古老、规模最大的生物多样性相关公民科学 (CS) 项目之一是康奈尔鸟类学实验室开发的 eBird (https://ebird.org/home)。它为观鸟者提供了一个移动应用程序，用于记录他们何时、何地以及如何看到或听到鸟类的清单。康奈尔实验室还开发了一款移动应用程序 Merlin，它使用深度卷积神经网络帮助用户从照片、声音（转换为声谱图）或描述中自动识别鸟类物种。这项研究调查了机器学习 (ML) 分类模型的使用如何影响新手观鸟者的学习。我们的参与者（没有鸟类学背景的计算机科学专业学生）被随机分成三组：一组使用 eBird 应用程序并自己识别鸟类物种；一组使用 Merlin 应用程序，它使用 ML 自动从照片或声音中识别鸟类；还有一个对照组。在参与项目之前和之后，对参与者的鸟类知识进行了测试，以了解使用 ML 分类模型如何影响他们的学习。我们还在后测后采访了选定的参与者，以了解他们做了什么以及结果可能由什么解释。我们的结果表明，即使是参与 CS 项目的新手参与者，即使时间很短，也会显著提高他们对附近熟悉鸟类的知识水平，并且 eBird 用户在知识后测中的表现优于 Merlin 用户。虽然人工智能可能会提高志愿者的生产力和保留率，但也有可能降低他们的学习效率。需要对不同的参与者资料和项目设计进行进一步研究，以了解如何在人工智能辅助的 CS 项目中优化志愿者的生产力、保留率和学习。
ExxonMobil的创新解决方案投资组合有助于实现高过滤效率
©2024 ExxonMobil。exxonmobil，ExxonMobil徽标，互锁的“ X”设备以及此处使用的其他产品或服务名称是ExxonMobil的商标，除非另有说明。如果没有ExxonMobil先前的书面授权，则可能不会分发，显示，复制或更改。在范围内，ExxonMobil授权分发，显示和/或复制本文档，只有在文档未更改和完成时，该用户才能这样做，包括其所有标题，页脚，下注者，免责声明和其他信息。您不得将此文档复制或在网站上全部或部分复制。exxonmobil不能保证典型（或其他）值。本文包含的任何数据都是基于对代表性样本的分析而不是实际产品的分析。本文档中的信息仅与任何其他产品或材料合并时，仅与命名产品或材料有关。我们将信息基于被认为是可靠日期可靠的数据，但我们没有代表，保证或以其他方式表示明确或隐含的保证，具有特定目的的适销性，适用性，免受专利侵权，适合性，准确性，准确性，可靠性或此信息或产品，材料，材料，材料，材料或过程或所描述的所描述的过程。用户对所有使用材料或产品的使用以及其感兴趣领土上的任何过程都负责。我们对直接或间接遭受或与使用或依赖本文档中任何信息有关的任何损失，损害或伤害的责任明确承担责任。本文档不是对任何非前代莫比尔产品或过程的认可，我们明确否认任何相反的含义。术语“我们”，“我们的”，“埃克森美孚产品解决方案”和“埃克森美孚”都用于方便，并且可能包括任何一个或多个埃克森美孚产品解决方案公司，埃克森美孚公司，或任何直接或间接的分支机构。