XiaoMi-AI文件搜索系统
World File Search System模式分类
博士学校提供的课程
主要参考：[1]。概率机器学习：简介-Kevin Murphy，麻省理工学院出版社（3月22日），ISBN：9780262046824。[2]统计学习的要素-Trevor Hastie，Robert Tibshirani，Jerome Friedman，Springer New York，NY，ISBN：9780387848570。[3]。机器学习-Tom Mitchell，McGraw Hill，1997年，ISBN：0070428077。[4]。模式识别和机器学习-Christopher Bishop，Springer，ISBN：9780387310732 [5]。模式分类-Duda，Hart和Stork，第二版，Wiley，ISBN：9780471056690。[6]。Thakur，S。和Dharavath，R。（2019）。使用大数据基于人工神经网络的疟疾丰度预测：一种知识捕获方法。临床流行病学和全球健康，7（1），121-126。 https://www.sciendirect.com/science/article/pii/s2213398417301240 [7]。Rao，G。Madhukar，Dharavath Ramesh，Vandana Sharma，Anurag Sinha，MD Mehedi Hassan和Amir H. Gandomi。“ attgru-hmsi：使用混合深度学习方法来增强心脏病诊断。”科学报告14，否。1（2024）：7833。https：//www.nature.com/articles/s41598-024-56931-4二次参考：[1] [1]相关材料将在演讲期间共享并宣布。
CSE4288机器学习简介
•从数据中学习，Yaser S. Abu-Mostafa，Malik Magdon-Ismail，Hsuan-Tien Lin，2012年。（书籍网页：http：//work.caltech.edu/textbook.html）•使用Scikit-Learn，keras和Tensorflow的动手机器学习：构建智能系统的概念，工具和技术•机器学习的第一门课程，第2版，西蒙·罗杰斯（Simon Rogers），马克·吉罗拉米（Mark Girolami），CRC出版社，2017年。ISBN-13：978-1-4987-3856-9•机器学习精致，第2版，Jeremy Watt，Reza Borhani，Aggelos K. K. K. K. Katsaggelos，Cambridge University Press，2020（在线提供：https：//ciml.info）•机器学习，汤姆·米切尔（Tom Mitchell）。（http://www.cs.cmu.edu/af/afs/cs.cmu.edu/user/user/mitchell/mitchell/ftp/ftp/ftp/mlbook.html）•机器学习简介，EthemAlpaydın，第3版，第3版，MIT Press，2015年。•模式分类，第2版，R。O。Duda，P。E。Heart，D。G。Stork，Wiley，Wiley，2000。•深度学习，伊恩·古德法罗（Ian Goodfellow），Yoshua Bengio，亚伦·库维尔（Aaron Courville），麻省理工学院出版社，2016年。（在线提供：https：//www.deeplearningbook.org/）
帕金森震颤的机器学习策略...
帕金森氏病（PD）是一种神经系统疾病，需要尽早诊断以进行有效管理。机器学习（ML）已成为增强PD分类和诊断准确性的强大工具，尤其是通过利用可穿戴传感器数据。这项调查全面审查了用于对帕金森震颤进行分类的当前ML方法，评估了各种震颤数据采集方法，信号预处理技术以及跨时间和频域跨时间域的特征选择方法，突出了震颤分类的实际方法。该调查探讨了现有研究中使用的ML模型，从传统方法（例如支持向量机（SVM）和随机森林）到先进的深度学习体系结构，例如卷积神经网络（CNN）和长期短期记忆网络（LSTM）。我们评估了这些模型在考虑其优势和局限性与PD相关的震颤模式分类中的功效。此外，我们讨论了当前研究中的挑战和差异，以及使用可穿戴传感器数据应用ML诊断ML的更广泛挑战。我们还概述了未来的研究指示，以推动PD诊断中的ML应用程序，从而为研究人员和从业人员提供见解。
基于深度第二代小波自动编码器的曲波池化脑病理分类
神经系统疾病代表与人类神经系统相关的异常。它们还包含中枢神经系统、脊髓或大脑的生化、解剖或电改变。这些疾病会引发不同的症状。及早诊断此类变化对于治疗是必要的，目的是限制疾病进展。本文介绍了一种精确的 CAD 系统来对脑 MRI 进行分类，该系统克服了模式分类中的关键问题，例如在训练阶段提取某些特征。我们的贡献是融合第二代小波 (SGW) 网络和深度学习架构，从而提出了用于模式分类的新型监督特征提取方法。我们的新型架构允许通过重建深度堆叠的第二代小波自动编码器来对数据集类别进行分类。将曲波池化 (CP) 与 Adam 梯度计算方法相结合可以提高自动编码器的准确性。在本研究中，我们利用 Haar 曲线波 (CurvPool-AH) 和 Shannon 曲线波 (CurvPool-AS) 构建了 Adam CP。该网络可以通过多个 SGW 自动编码器实现，最终在最后一层使用一个 Softmax 分类器。我们还发现 CurvPool 表现相当不错
评估空间 PCA 对基于 SVM 的脑电图数据解码的有效性
在 EEG 研究中，主成分分析 (PCA) 被广泛用于在多变量模式分类 (解码) 之前进行降维。本研究的目的是评估 PCA 在广泛的实验范式中对解码准确性 (使用支持向量机) 的有效性。我们评估了几种不同的 PCA 变体，包括基于组和基于受试者的成分分解以及 Varimax 旋转或不旋转的应用。我们还改变了保留用于解码分析的 PC 数量。我们评估了七个常见事件相关电位成分 (N170、不匹配负波、N2pc、P3b、N400、侧化准备电位和错误相关负波) 的解码准确性。我们还研究了更具挑战性的解码任务，包括解码面部身份、面部表情、刺激位置和刺激方向。数据集在电极位置的数量和密度方面也有所不同。我们的研究结果表明，没有一种 PCA 方法能够持续改善与无 PCA 相关的解码性能，并且应用 PCA 经常会降低解码性能。因此，研究人员在解码来自类似实验范式、群体和记录设置的 EEG 数据之前，应谨慎使用 PCA。
人工智能与机器学习辅修
单元 1 机器学习简介 – 数据和特征 – 机器学习流程：数据预处理：标准化、规范化、缺失数据问题、数据不平衡问题 – 数据可视化 - 设置训练、开发和测试集 – 交叉验证 – 过度拟合问题、偏差与方差 - 评估措施 – 不同类型的机器学习：监督学习、无监督学习。单元 2 监督学习 - 回归：线性回归、逻辑回归 – 分类：K-最近邻、朴素贝叶斯、决策树、随机森林、支持向量机、感知器。单元 3 无监督学习 – 聚类：K-均值、分层、谱、子空间聚类、降维技术、主成分分析、线性判别分析。教科书：Andrew Ng，机器学习 yearning，网址：http://www.mlyearning。org/(96) 139 (2017)。Kevin P. Murphey。机器学习，概率视角。麻省理工学院出版社，马萨诸塞州剑桥，2012 年。Christopher M Bishop。模式识别和机器学习。Springer 2010 参考书：Richard O. Duda、Peter E. Hart、David G. Stork。模式分类。Wiley，第二版；2007 年 Sutton，Richard S. 和 Andrew G. Barto。强化学习：简介。麻省理工学院出版社，2018 年。评估模式
引用本文：Widayanti, R., & Meria, L. (2023)。利用人工智能技术进行商业建模创新。国际贸易
目前，将人工智能 (AI) 作为其商业模式组成部分的初创公司正在迅速涌现。尽管最近的研究表明，新的或替代的商业模式正在实施中，但人工智能技术在商业中的应用已经持续了一段时间。鉴于据称人工智能技术已用于商业模式很长一段时间，这些商业模式的独特性可能会受到质疑。本研究将人工智能公司的商业模式与传统 IT 组织进行了对比，以更好地了解它们之间的区别。第一步是使用 162 家全球初创公司的样本为人工智能企业创建商业模式分类，从中得出四种原型商业模式：深度技术研究员、数据分析供应商、人工智能产品和服务提供商以及人工智能开发推动者以下是基于这一描述性分析讨论的人工智能公司初创商业模式的三个主要元素：(1) 人工智能带来的新价值主张，(2) 数据创造价值的各种用途，以及 (3) 人工智能技术如何影响一般商业推理。通过定义它们的主要目的、常见实例和区别性特征，本研究加深了我们对人工智能初创企业商业模式的基本理解。本研究为创业领域的进一步研究提出了有趣的方向。它旨在促进创业活动。分类法和模型实际上是工具。关键词：创业、人工智能、分类法 1. 简介
探索视觉空间工作记忆中后内侧皮层的信息流：一项脑磁图研究
后内侧皮质 (PMC) 是大脑默认模式网络的主要中枢，与多种内部驱动认知有关，包括视觉空间工作记忆。然而，它对这些认知过程的确切贡献仍不清楚。使用 MEG，我们测量了健康人类参与者（男女青年）在执行视觉空间工作记忆任务时的 PMC 活动。多元模式分类分析揭示了在编码和检索过程中在一组先验定义的皮质 ROI 中与刺激相关的信息，除了 PMC 之外，还包括前额叶、枕叶和腹颞叶皮质。我们在信息流分析中测量了这些刺激信息在区域之间交换的程度，从而测量了区域间随时间的格兰杰因果关系。与任务的视觉性质一致，来自枕叶皮质的信息在大多数时期内塑造了其他区域。然而，PMC 在视觉空间工作记忆中塑造了枕叶和前额叶皮质中的物体表征，在检索过程中影响枕叶皮质，并在所有任务时期影响 PFC。我们的研究结果与 PMC 在表征内部内容（包括记忆信息）以及将外部刺激与记忆材料进行比较方面所发挥的作用相一致。
基于精确脉冲时间的触摸定位事件计算
精确的脉冲定时和时间编码在昆虫的神经系统和高阶动物的感觉外围中得到广泛应用。然而，传统的人工神经网络 (ANN) 和机器学习算法无法利用这种编码策略，因为它们的信号表示是基于速率的。即使在人工脉冲神经网络 (SNN) 的情况下，确定时间编码优于 ANN 的速率编码策略的应用仍然是一个悬而未决的挑战。神经形态传感处理系统为探索时间编码的潜在优势提供了理想的环境，因为它们能够从相对脉冲定时中有效地提取聚类或分类时空活动模式所需的信息。在这里，我们提出了一个受沙蝎启发的神经形态模型来探索时间编码的好处，并在基于事件的传感处理任务中对其进行验证。该任务包括仅使用八个空间分离的振动传感器的相对脉冲定时来定位目标。我们提出了两种不同的方法，其中 SNN 以无监督的方式学习聚类时空模式，并展示了如何通过分析和多个 SNN 模型的数值模拟来解决该任务。我们认为，所提出的模型对于使用精确脉冲时间进行时空模式分类是最佳的，可以用作评估基于时间编码的事件感知处理模型的标准基准。
使用多元解码方法评估精神分裂症 ERP 信号的信息内容
多元模式分类（解码）方法通常用于研究典型个体的神经认知处理机制，它们可用于量化单个参与者神经信号中存在的信息。这些解码方法在确定精神病和非精神病人群之间信息表示的差异方面也可能很有价值。在这里，我们检查了精神分裂症患者（PSZ）和健康对照受试者（HCS）的 ERP，他们在工作记忆任务中需要记住屏幕一侧的 1、3 或 5 个项目并忽略另一侧。我们使用 ERP 的空间模式来解码屏幕的哪一侧被保存在工作记忆中。人们可能会认为，由于噪音增加（即试验间变异性更大），PSZ 的解码准确度不可避免地会更低。然而，我们发现在记忆负荷 1 时，PSZ 中的解码准确度高于 HCS，这与之前的研究一致，在之前的研究中，在记忆负荷 1 时，PSZ 中的记忆相关 ERP 信号大于 HCS。我们还观察到，解码准确度与记忆相关 ERP 活动与噪声水平的比率密切相关。此外，我们发现 PSZ 和 HCS 中的噪声水平相似，这与 PSZ 会表现出更大的试验间变异性的预期相反。总之，这些结果表明，多变量解码方法可以有效地应用于个体参与者层面，以了解精神病人群认知功能受损的性质。