XiaoMi-AI文件搜索系统
World File Search System标记识别
可解释的用于大型癌症生物标记识别的微生物组数据分析
结果：拟议的研究旨在使用来自受试者的肠道微生物群和人口统计信息来实施可解释的人工智能框架，以对CRC患者的一系列控制受试者进行分类。我们的分析表明肠道菌群与这种疾病之间存在关联。我们比较了三种机器学习算法，随机森林（RF）算法是最佳的分类算法，精度为0.729±0.038，在精确记录曲线下的面积为0.668±0.016。此外，Shap分析强调了模型决策中最关键的变量，从而促进了与CRC相关的特定细菌的识别。我们的结果证实了某些细菌的作用，例如哥肠杆菌，peptopstopocococcus和parvimonas，其丰度显着与该疾病以及存在与非诊断状态有关的细菌。
光学标记识别 (OMR) 表的评估
光学标记识别(OMR)是一种传统的数据输入技术，也是在考试评价中广泛应用的重要人机交互技术，该技术已被用于高校考试、调查表、习惯性询问表、竞争性考试等的答题纸检查。在当今技术的发展中，基于计算机的图像处理和计算机识别已广泛应用于我们的生活中。针对现有OMR技术的不足，本文提出了一种基于图像的低成本OMR新技术，该技术可处理薄纸和打印精度较低的答题纸，并介绍了系统的图像扫描、倾斜校正、扫描误差校正、区域变形校正和标记识别等关键技术及相关实现。大量问卷的处理结果证明了该新技术的稳健性和有效性。
标记识别和基于人工智能的激进推特数据分类
摘要 目的——社交网络 (SN) 最近从一种连接人们的手段演变为一种社会工程、激进化、传播宣传和招募恐怖分子的工具。众所周知，伊拉克和叙利亚伊斯兰国 (ISIS) 的大多数成员都是阿拉伯语使用者，甚至非阿拉伯人也采用阿拉伯昵称。然而，研究该主题的大多数文献都涉及非阿拉伯语。此外，识别激进伊斯兰内容所涉及的特征很肤浅，搜索或分类术语在该地区人们的日常聊天中很常见。作者旨在将受宗教在日常生活中的作用影响的正常对话与恐怖主义相关内容区分开来。设计/方法/方法——本文介绍了作者的经验以及收集、分析和分类 ISIS 附属成员以及同情者的 Twitter 数据的结果。作者使用人工智能 (AI) 和机器学习分类算法将推文分类为与恐怖主义相关、一般宗教和无关。发现 – 作者报告了 K 近邻 (KNN)、伯努利朴素贝叶斯 (BNN) 和支持向量机 (SVM) [一对多 (OAA) 和全对全 (AAA)] 算法的分类准确率。作者获得了 83% 的高分类 F1 分数。本文的工作有望帮助更准确地分类激进内容。原创性/价值 – 在本文中，作者收集并分析了数千条提倡和宣传 ISIS 的推文。作者确定了许多 ISIS 言论的常见标记和关键词。此外，作者还应用了文本处理和 AI 机器学习技术将推文分为三类：与恐怖主义相关的、与恐怖主义无关的政治闲聊以及新闻和不相关的数据污染推文。关键词 ISIS、分类、推特、激进化、阿拉伯语 论文类型 研究论文