将机器学习 (ML) 技术集成到车载自组织网络 (VANET) 中,可为自动驾驶和 ITS 应用提供有前景的功能。本文使用 DSRC 数据来评估不同 ML 模型(包括朴素贝叶斯、随机森林、KNN 和梯度提升)在正常和对抗场景中的有效性。由于数据集相对不平衡,因此采用合成少数过采样技术 (SMOTE) 进行采样,并采用防御性蒸馏来提高模型对对抗性扰动的弹性。从结果中可以清楚地看出,梯度提升和随机森林等模型在两种情况下都表现出很高的准确性,从而表明在出现新威胁时使用机器学习来提高 VANET 安全性和可靠性的潜力。通过这项研究,阐明了 ML 在保护车辆通信方面的应用对于提高交通安全和流量的重要性。
评估 ML 算法的性能 UNIT - I:简介:AI 问题、代理和环境、代理结构、问题解决代理基本搜索策略:问题空间、无信息搜索(广度优先、深度优先搜索、深度优先与迭代深化)、启发式搜索(爬山法、通用最佳优先、A*)、约束满足(回溯、局部搜索) UNIT - II:高级搜索:构建搜索树、随机搜索、AO* 搜索实现、极小极大搜索、Alpha-Beta 剪枝基本知识表示和推理:命题逻辑、一阶逻辑、前向链接和后向链接、概率推理简介、贝叶斯定理 UNIT - III:机器学习:简介。机器学习系统,学习形式:监督学习和无监督学习,强化 – 学习理论 – 学习可行性 – 数据准备 – 训练与测试和拆分。第四单元:监督学习:回归:线性回归、多元线性回归、多项式回归、逻辑回归、非线性回归、模型评估方法。分类:支持向量机 (SVM)、朴素贝叶斯分类
我们和大多数数学家一样,对集合论采取朴素的观点。我们假设对象集合的含义直观上是清楚的,并且我们将在此基础上继续进行,而不进一步分析这个概念。这种分析理所当然地属于数学和数理逻辑的基础,我们的目的不是启动这些领域的研究。逻辑学家已经对集合论进行了非常详细的分析,并为该主题制定了公理。他们的每个公理都表达了数学家普遍接受的集合属性,这些公理共同提供了一个足够广泛和强大的基础,其余数学可以建立在它们之上。不幸的是,仅仅依靠直觉就不谨慎地使用集合论会导致矛盾。事实上,集合论公理化的原因之一就是制定处理集合的规则,以避免这些矛盾。虽然我们不会明确地处理公理,但我们在处理集合时遵循的规则源自公理。在这本书中,你将学习如何以“学徒”的方式处理集合,通过观察我们如何处理它们并亲自处理它们。在学习的某个阶段,你可能希望更仔细、更详细地学习集合论;那么逻辑或基础课程将是合适的。
脑血管疾病(如中风)是全球范围内导致死亡和残疾的主要原因之一,可以预防和治疗。早期识别中风并及时治疗有助于减轻疾病负担并改善临床疗效。由于机器学习技术可用于识别中风,因此近年来引起了广泛关注。该项目的目标是寻找可靠的技术、算法和特征,以协助医务人员就中风预防和治疗做出明智的决定。为了实现这一目标,我们创建了一个早期中风识别系统,该系统使用脑部 CT 扫描结合遗传算法和双向长短期记忆 (BiLSTM) 在极早期识别中风。基于神经网络的遗传方法用于识别图像中与分类最相关的方面。随后将这些特征纳入 BiLSTM 模型。为了评估系统的整体功效,采用了所有这些标准。建议的诊断方法的准确率为 96.5%。此外,我们还根据朴素贝叶斯、支持向量机、随机森林、决策树和逻辑回归评估了建议模型的性能。
单元 1 人工智能与机器学习简介 06 小时人工智能的历史、人工智能与数据科学的比较、机械工程中人工智能的需求、机器学习简介。基础知识:推理、问题解决、知识表示、规划、学习、感知、运动和操纵。人工智能方法:控制论和大脑模拟、符号、亚符号、统计。机器学习方法:监督学习、无监督学习、强化学习。单元 2 特征提取与选择 08 小时特征提取:统计特征、主成分分析。特征选择:排名、决策树 - 熵减少和信息增益、穷举、最佳优先、贪婪前向和后向、特征提取和选择算法在机械工程中的应用。单元 3 分类与回归 08 小时分类:决策树、随机森林、朴素贝叶斯、支持向量机。回归:逻辑回归、支持向量回归。回归树:决策树、随机森林、K-Means、K-最近邻(KNN)。分类和回归算法在机械工程中的应用。
方法:本研究分析了马来西亚卫生信息中心 2017 年 1 月至 2022 年 6 月的死亡记录,这些记录已编入 ICD-10。数据匿名化符合道德标准,经过质量检查后,共纳入 387,650 份死亡登记。数据集仅限于三位数的 ICD-10 代码,经过清理和 80:20 的训练测试分割。预处理涉及 HTML 标签删除和标记化。ML 方法,包括 BERT(来自 Transformer 的双向编码器表示)、Gzip+KNN(K 最近邻)、XGBoost(极端梯度提升)、TensorFlow、SVM(支持向量机)和朴素贝叶斯,都已针对自动 ICD-10 编码进行了评估。使用 Amazon SageMaker(亚马逊网络服务,华盛顿州西雅图)对模型的准确度、F1 分数、精确度、召回率、特异性和精确度-召回率曲线进行了微调和评估。敏感性分析解决了不平衡数据场景,增强了模型稳健性。
摘要 — 本项目尝试对亚马逊的短评论和长评论进行情绪分析,并报告其对监督学习支持向量机 (SVM) 模型的影响,以此作为虚假评论分类的桥梁。首先,通过与朴素贝叶斯、逻辑回归和随机森林模型进行比较来评估 SVM 模型,并证明其在准确率 (70%)、精确率 (63%)、召回率 (70%) 和 F1 分数 (62%) 方面更胜一筹(第二个假设)。超参数调整提高了 SVM 模型的情绪分析准确率(准确率为 93%),然后改变评论长度会影响模型的性能,这验证了评论长度会影响分类器(第一个假设)。其次,在虚假评论数据集上进行虚假评论分类,准确率为 88%,而两个数据集的合并子集的准确率为 84%。关键词 — 虚假评论检测、情绪分析、自然语言处理、机器学习 (ML) 监督学习
摘要:基于手势的交互是一种自然的人机交互方式,在普适计算环境中有着广泛的应用。本文提出了一种基于加速度的手势识别方法,称为 FDSVM(基于帧的描述符和多类 SVM),该方法仅需要可穿戴的三维加速度计。使用 FDSVM,首先收集手势的加速度数据并用基于帧的描述符表示,以提取判别信息。然后构建基于 SVM 的多类手势分类器以在非线性手势特征空间中进行识别。在包含数周内 12 个手势的 3360 个手势样本的数据集上进行的大量实验结果表明,所提出的 FDSVM 方法明显优于其他四种方法:朴素贝叶斯、DTW、HMM 和 C4.5。在用户相关的情况下,FDSVM 对 4 个方向手势的识别率为 99.38%,对所有 12 个手势的识别率为 95.21%。在用户无关的情况下,它对 4 个手势的识别率为 98.93%,对 12 个手势的识别率为 89.29%。与文献中报道的其他基于加速度计的手势识别方法相比,FDSVM 在用户相关和用户无关的情况下均能给出最佳结果。
人为因素 (HF) 的重要性早已在航空业得到认可,深入了解和预防人为失误是航空安全委员会面临的首要挑战。本研究的重点是确定导致航空事故和事件的人为失误的特征,并在大量航空事故样本中发现这些特征。考古数据收集于 1971 年至 2018 年,共计 47 年,用于识别 HF 的存在,并与指示飞行员特征、坠机条件和飞机特征的属性进行了彻底分析。模型高斯朴素贝叶斯、随机森林、逻辑回归、XGBoost 分类器、SVM 和人工神经网络 (ANN) 建模,以评估各个属性与坠机时 HF 概率的关联。通过这项研究,我们发现准确度可以为每个分类器提供准确的评估。与前三个模型相比,使用交叉验证的 SVM 可以达到 96% 的最高准确度。使用超参数调整可以提高 ANN 模型中 93.19% 的结果,从而达到 93.29% 的准确度。在评估这项研究的过程中,我们将展示如何使用机器学习模型来获取有意义的信息。