XiaoMi-AI文件搜索系统
World File Search System朴素
使用局部二值模式 (LBP) 特征提取进行玉米叶病分类
摘要 玉米是一种在印度尼西亚等发展中国家广泛种植的植物。为了提高玉米产量，研究人员一直在对玉米植物疾病分类的当前技术进行创新。三种疾病侵袭玉米叶片，即灰斑病、枯萎病和灯心草病。我们使用的数据量为 3500 个数据，其中包括 500 个灰斑病、1000 个枯萎病、1000 个灯心草病和 1000 片健康叶片。本研究旨在开发一种人工智能模型。我们开发的人工智能模型使用 LBP 特征提取结合 k-NN 作为分类器。除了使用 k-NN 方法外，我们还使用了几种分类方法（如朴素贝叶斯和 Adaboost）进行测试。我们的测试结果是，与朴素贝叶斯和 Adaboost 方法相比，k-NN 方法具有最高值。使用 k=5 的 k-NN 的性能结果为 81.1%、AUC 值为 94.1%、F1-Score 为 80.9%、准确率为 81.8%、召回率为 81.1%。
使用 EfficientNet 模型进行脑肿瘤分类
[2] 中，SVM 分类器和模糊 C 均值的组合已被用于检测脑肿瘤。为了获得大脑属性，该方法采用了灰度运行长度矩阵 (GLRLM)。SVM 分类器用于确定脑部扫描是否包含肿瘤。SVM 分类器利用 120 次脑部 MRI 扫描中的 96 次进行训练，然后使用剩余的 24 张图像进行测试。该方法在分类任务中获得了最高 91.66% 的准确率。[3] 中利用朴素贝叶斯分类器识别了脑肿瘤。对 50 次脑部扫描的评估发现总体准确率为 94%，肿瘤识别率为 81.25%，非肿瘤检测率为 100%。在这里，从分割的灰度脑部图片中得出了八个形态特征和三个强度特征来对肿瘤进行分类。朴素分类器是一种基于贝叶斯概率理论的监督机器学习算法。
由数学与计算机系组织...
实现无信息搜索算法（BFS、DFS） 实现信息搜索算法（A*、内存受限 A*） 实现朴素贝叶斯模型 实现贝叶斯网络 构建回归模型 构建决策树和随机森林 构建 SVM 模型 实现集成技术 实现聚类算法 实现贝叶斯网络的 EM
面向边缘的通用 CNN 加速器
多类算法：GBM、XGBoost、随机森林、逻辑回归、高斯朴素贝叶斯、决策树、多项式 SVM、RBF SVM、SVM、CNN、RNN、CRNN、ANN 单类算法：局部离群因子、一类 SVM、一类随机森林、孤立森林 标记、记录、验证和可视化时间序列传感器数据
用于表面码解码的广义信念传播算法
信念传播 (BP) 是一种众所周知的低复杂度解码算法，对重要的量子纠错码类别具有很强的性能，例如随机扩展码的量子低密度奇偶校验 (LDPC) 码类。然而，众所周知，在面对拓扑码（如表面码）时，BP 的性能会下降，其中朴素 BP 完全无法达到低于阈值的状态，即纠错变得有用的状态。之前的研究表明，这可以通过借助 BP 框架之外的后处理解码器来补救。在这项工作中，我们提出了一种具有外部重新初始化循环的广义信念传播方法，该方法可以成功解码表面码，即与朴素 BP 相反，它可以恢复从针对表面码定制的解码器和统计力学映射所知的亚阈值状态。我们报告了独立位和相位翻转数据噪声下的 17% 阈值（与理想阈值 20.6% 相比），以及去极化数据噪声下的 14% 阈值（与理想阈值 18.9% 相比），这些阈值与非 BP 后处理方法实现的阈值相当。
各种机器学习的实现
轮替运动是传统神经系统检查的一个标准方面，涉及具有主动肌和拮抗肌关系的肌肉群之间的振荡。一个有代表性的例子是前臂的旋前和旋后。偏瘫明显证明了轮替运动的差异，临床量化是通过使用序数标度来实现的，这本质上是主观的。安装在手背周围的配备陀螺仪的适形可穿戴无线惯性传感器可以客观地量化前臂旋前和旋后的轮替运动。这项研究的目标是应用各种机器学习算法，根据前臂旋前和旋后的轮替运动来区分偏瘫患者受影响和未受影响的上肢对。评估了机器学习算法（例如多层感知器神经网络、J48 决策树、随机森林、K 最近邻、逻辑回归和朴素贝叶斯）的性能，同时考虑了分类准确性和开发机器学习模型的时间。机器学习特征集来自获取的陀螺仪信号数据。使用来自适形可穿戴无线惯性传感器的陀螺仪信号数据，逻辑回归和朴素贝叶斯机器学习算法在机器学习模型收敛时间和区分偏瘫上肢对的轮转运动（考虑到内旋和外旋）的分类准确性方面都实现了相当不错的性能。
用于疟疾诊断的人工智能系统
摘要 — 过去几十年来，疟疾威胁一直是全球主要健康问题之一，特别是在中低收入国家。70% 的肯尼亚人口生活在疟疾流行区，由于收入不足、距离和社会文化等因素，大多数人无法获得医疗服务。尽管有各种研究尝试使用显微镜下的血涂片来对抗疟疾，但这种方法耗时且需要熟练的人员。为了有效解决这一问题，本研究引入了一种新方法，该方法将 InfoGainAttributeEval 特征选择技术和基于人工智能和机器学习 (AIML) 分类器的参数调整方法与特征相结合，以更准确地诊断疟疾类型。所提出的方法使用从 4000 个样本中提取的 100 个特征。使用人工神经网络 (ANN)、朴素贝叶斯 (NB)、随机森林 (RF) 分类器和集成方法 (Meta Bagging、随机委员会元和投票) 进行了多组实验。朴素贝叶斯的结果最好。它实现了 100% 的准确率，并在 0.01 秒内建立了模型。结果表明，所提出的方法可以准确地对疟疾类型进行分类，并且与现场报告的结果相比具有最佳效果。
具有最佳贝叶斯学习的神经自联想
神经联想记忆是具有快速突触学习的单层感知器，通常存储神经活动模式对之间的离散关联。先前的研究分析了在独立模式成分和异质关联的朴素贝叶斯假设下的最佳网络，其任务是从输入到输出模式学习关联。在这里，我研究了用于自动关联的最优贝叶斯联想网络，其中输入层和输出层相同。特别是，我将性能与近似贝叶斯学习规则的不同变体（如 BCPNN（贝叶斯置信传播神经网络））进行比较，并尝试解释为什么有时次优学习规则比（理论上）最优模型实现更高的存储容量。事实证明，性能可能取决于违反“朴素贝叶斯”假设的输入成分的微妙依赖关系。这包括具有恒定数量的活动单元的模式、通过循环网络重复传播模式的迭代检索以及最可能单元的赢家通吃激活。如果所有学习规则都包含一种新的自适应机制来估计迭代检索步骤 (ANE) 中的噪声，则其性能可以显著提高。具有 ANE 的贝叶斯学习规则再次实现了整体最大存储容量。
摘自《超融合：遗传学、生物技术和人工智能革命将如何改变世界》
人类是地球上和我们目前所知的宇宙中唯一能够想象未来世界的物种。我们一直如此彻底地、如此长久地这样做，以至于我们中的许多人已经不再注意到我们生活在一个在很大程度上由我们的创造力和创新所定义的世界中。鉴于这一基本现实，不应用我们拥有的最强大的技术来支持我们的原则是一种愚蠢的选择，不是选择朴素的自然，而是选择追随我们目前现状的轨迹走向灭亡。
苏珊·T·菲斯克和雪莱·E·泰勒
通过询问人们如何理解他人，可以研究他们对社会世界的理解（Heider，1958）。这是现象学的路线：系统地描述普通人如何体验他们的世界。如果人们是对的，研究人员可以利用这些见解，通过将许多人的直觉模式整合在一起，建立正式理论。即使人们错了，研究人员也可以研究人们的常识理论本身，以了解人们的想法。社会认知研究人员也关注这种常识理论，即朴素心理学，其本身就是值得研究的。也就是说，人们对彼此的日常理论本身就值得研究。因此，如果聚会上的人对人们如何形成对彼此的印象有一些想法，那么这个人的非正式想法本身就很有趣。有时研究人员的非正式个人经历可以为正式理论和实证研究提供基础。