XiaoMi-AI文件搜索系统
World File Search System界最受
香港科技园公司公布74家全球初创企业确认参加EPiC 2024总决赛
EPiC 2024 是香港科技园公司的年度旗舰初创活动，也是香港的大型活动之一，成为创科界最受期待的活动之一。今年的总决赛将于 2024 年 4 月 26 日在香港最高建筑环球贸易广场的天际100会场举行。参赛的初创企业将跨越金融科技、房地产科技和移动科技三个竞赛赛道。初创企业将有整整 60 秒的时间向评委展示他们的颠覆性创新成果，所有参赛者都将获得真正的电梯游说体验。所有申请者的目标投资额为 4,500 万美元1，并有机会角逐香港科技园公司企业创投基金（“CVF”）高达 500 万美元的投资，以及 240,000 美元的现金奖励，还有合作机会。通过参加 EPiC，初创企业可以利用香港科技园公司香港最大的创新生态系统作为跳板，进入中国大陆、亚洲乃至其他地区的巨大市场机遇。以下是半决赛入围者的完整名单：
XSL•FO
背景：基于 Transformer 的模型在医学成像和癌症成像应用中越来越受欢迎。许多最近的研究表明，基于 Transformer 的模型可用于脑癌成像应用，例如诊断和肿瘤分割。目的：本研究旨在回顾不同的视觉变换器 (ViT) 如何有助于利用脑图像数据推进脑癌诊断和肿瘤分割。本研究考察了为增强脑肿瘤分割任务而开发的不同架构。此外，它还探讨了基于 ViT 的模型如何增强卷积神经网络在脑癌成像中的性能。方法：本综述按照 PRISMA-ScR（系统评价和荟萃分析扩展范围界定综述的首选报告项目）指南进行研究搜索和研究选择。搜索包括 4 个流行的科学数据库：PubMed、Scopus、IEEE Xplore 和 Google Scholar。搜索词的制定涵盖了干预措施（即 ViT）和目标应用（即脑癌成像）。研究选择的标题和摘要由 2 名审阅者独立完成，并由第三名审阅者验证。数据提取由 2 名审阅者完成，并由第三名审阅者验证。最后，使用叙述方法合成数据。结果：在检索到的 736 项研究中，有 22 项（3%）被纳入本综述。这些研究发表于 2021 年和 2022 年。这些研究中最常见的任务是使用 ViT 进行肿瘤分割。没有研究报告早期发现脑癌。在不同的 ViT 架构中，基于移位窗口变压器的架构最近成为研究界最受欢迎的选择。在所包含的架构中，UNet transformer 和 TransUNet 具有最多的参数，因此需要多达 8 个图形处理单元的集群进行模型训练。脑肿瘤分割挑战数据集是所包含研究中使用的最流行的数据集。ViT 与卷积神经网络以不同的组合使用，以捕获输入脑成像数据的全局和局部背景。结论：可以说，Transformer 架构的计算复杂性是推动该领域发展和实现临床转化的瓶颈。本综述提供了有关该主题的当前知识状态，本综述的结果将有助于医学人工智能及其在脑癌应用领域的研究人员。
Erica Thomas 女士：国防部的数字化转型和 RPA...
介绍：欢迎收听“All Things Financial Management”，这是由 Guidehouse 赞助的 ASMC 播客，我们将在此讨论审计长办公室主持的所有事务，并解决财务管理界最受关注的问题。TOM：早上好。我叫 Tom Rhoads。我是 Guidehouse 的合伙人，我与国防部的客户合作，以转变和优化他们的财务职能。我将担任今天播客的主持人。对于那些可能不熟悉这个播客系列的人，请允许我花一点时间介绍一下美国军事审计师协会的背景。美国军事审计师协会 (ASMC) 是一个非营利性的教育和专业组织，面向参与军事审计整体领域的军人和平民。ASMC 促进其成员的教育和培训，并支持军事审计职业的发展和进步。该协会提供专业计划，让成员了解当前问题，并鼓励交流信息、技术和方法。有了这样的背景，我很高兴地宣布，今天和我一起的有 Erica Thomas 女士。Thomas 女士在国防部长（审计长）办公室工作。她目前是数字化转型和 FM IT 投资组合管理总监，也是 OUSD(C) 机器人流程自动化 (RPA) 计划的项目经理，该计划包括共享服务平台，以帮助在国防部内颁布 RPA。Thomas 女士还共同领导国防部的 RPA 联盟，在国防部之外，她是联邦 RPA 实践社区的积极倡导者。在担任现职之前，Thomas 女士曾担任国防部财务管理改革团队负责人，担任业务整合办公室高级会计师，领导企业范围的采购到付款计划和数据法案报告合规性。总而言之，她拥有超过 16 年的国防部财务管理经验。Thomas 女士毕业于中央密歇根大学，拥有金融和政治学双学士学位。她是美国军事审计师协会的专业会员，是一名认证的国防财务经理、采购经理。Thomas 女士是海军部优秀文职服务奖章的获得者，以及国防部、海军部和美国军事审计师协会的众多其他奖项。欢迎 Thomas 女士。感谢您今天与我们在一起。埃里卡·托马斯：感谢您的邀请。汤姆：托马斯女士，我真的很期待今天与您讨论机器人流程自动化。人们对新兴技术，尤其是 RPA，有着浓厚的兴趣和热情。你知道，我最近读到一篇文章，这个组织表示，在 2017 年，他们回复了 1,835 个关于 RPA 的不同询问，而在第二年，即 2018 年，他们回复了超过 3,300 个
全方位财务管理第 3 集：Erica Thomas 女士：国防部的数字化转型和 RPA
介绍：欢迎收听“All Things Financial Management”，这是由 Guidehouse 赞助的 ASMC 播客，我们将在此讨论审计长办公室主持的所有事务，并解决财务管理界最受关注的问题。TOM：早上好。我叫 Tom Rhoads。我是 Guidehouse 的合伙人，我与国防部的客户合作，以转变和优化他们的财务职能。我将主持今天的播客。对于那些可能不熟悉这个播客系列的人，请允许我花一点时间介绍一下美国军事审计师协会的背景。美国军事审计师协会 (ASMC) 是一个非营利性的教育和专业组织，面向参与军事审计整体领域的军人和平民。ASMC 促进其成员的教育和培训，并支持军事审计职业的发展和进步。该协会提供专业计划，让成员了解当前问题，并鼓励交流信息、技术和方法。有了这样的背景，我很高兴地宣布，今天和我一起的有 Erica Thomas 女士。Thomas 女士在国防部长（审计长）办公室工作。她目前是数字化转型和 FM IT 投资组合管理总监，也是 OUSD(C) 机器人流程自动化 (RPA) 计划的项目经理，该计划包括共享服务平台，以帮助在国防部内颁布 RPA。Thomas 女士还共同领导国防部的 RPA 联盟，在国防部之外，她是联邦 RPA 实践社区的积极倡导者。在担任现职之前，Thomas 女士曾担任国防部财务管理改革团队负责人，担任业务整合办公室高级会计师，领导企业范围的采购到付款计划和数据法案报告合规性。总而言之，她拥有超过 16 年的国防部财务管理经验。Thomas 女士毕业于中央密歇根大学，拥有金融和政治学双学士学位。她是美国军事审计师协会的专业会员，是一名认证的国防财务经理、采购经理。Thomas 女士是海军部优秀文职服务奖章的获得者，以及国防部、海军部和美国军事审计师协会的众多其他奖项。欢迎 Thomas 女士。感谢您今天与我们在一起。埃里卡·托马斯：感谢您的邀请。汤姆：托马斯女士，我真的很期待今天与您讨论机器人流程自动化。人们对新兴技术，尤其是 RPA，有着浓厚的兴趣和热情。你知道，我最近读了一篇文章，这个组织表示，在 2017 年，他们回复了 1,835 个关于 RPA 的不同询问，而在第二年，即 2018 年，他们回复了超过 3,300 个
数据科学和机器学习PDF
术语“数据科学”和“机器学习”是技术界最受欢迎的术语之一。计算机科学专业的学生和Netflix和Amazon等大型球员都采用了这些技术。由于可用的大量数据以及对能够有意义的智能系统的需求，它们的增长很爆发。本文深入研究了数据科学与机器学习之间的差异，涵盖了其核心组件，工具和技术。它还探讨了每个字段的需要。数据科学是对大量公司或组织数据的复杂研究，提供了有关业务或市场模式的宝贵见解。这些知识通过数据集中的模式识别来提高效率，从而帮助企业通过竞争对手获得优势。数据科学的核心组成部分包括： - **数据收集**：从多个来源收集原始数据。- **数据清洁和预处理**：消除矛盾，处理丢失值以及格式化数据以进行分析。- **数据分析和可视化**：通过图表，图形和仪表板在数据中查找模式，并呈现发现。- **预测建模**：使用算法根据历史数据进行预测。- **数据解释和通信**：转化业务利益相关者的见解。机器学习是一个研究领域，它使计算机具有无明确编程的学习能力。它是使用算法应用的，以处理数据并接受培训，以在没有人类干预的情况下提供未来的预测。像Facebook和Google这样的公司广泛使用机器学习。机器学习的核心组件包括： - **数据处理**：通过预处理技术为ML模型准备数据。- **模型选择**：为任务选择适当的模型（例如，回归，分类，聚类）。- **培训和测试**：分组数据以评估模型性能并为现实世界应用进行优化。- **优化和调整**：调整模型参数以提高准确性和效率。数据科学与机器学习之间的比较揭示了：**数据科学：** - 定义：使用统计，数学和计算方法从数据中提取见解。- 目标：分析和解释数据以获得见解并推动业务决策。- 数据处理：涉及处理原始，非结构化，结构化和大数据。- 技术：统计分析，数据可视化，数据预处理，数据清洁。**机器学习：** - 定义：设计算法，这些算法根据数据学习并做出预测或决策。- 目标：使系统能够从数据中学习模式并进行准确的预测或自动化任务。- 数据处理：主要将结构化数据用于培训模型。- 算法：监督学习，无监督的学习，强化学习。**工业领域：**两个领域在各个领域都有应用，包括： - **医疗保健**：使用机器学习来分析患者数据并预测结果。自动驾驶汽车，机器人技术和财务也是严重依赖这些技术的部门。- **财务**：应用数据科学技术以了解市场模式和客户行为。- **电子商务**：利用机器学习来预测用户行为和数据科学来优化业务策略。机器识别需要统计分析，数据争吵，编程和讲故事的技能。也需要强大的编程，算法设计和数学技能。关键过程包括数据清洁，探索，可视化，报告，模型培训，评估，高参数调整和部署。预测和分类：机器学习用于建立预测或分类的预测模型，例如客户细分或销售预测。模式识别和自动化：ML算法确定数据中的模式过于复杂或无法进行手动分析。处理大数据：在大型数据集中，传统的分析技术可能不可行，ML算法可以有效地管理和分析数据。探索性数据分析（EDA）：数据科学涉及总结主要特征，可视化数据和发现趋势。ML可以帮助分析，但对于EDA来说并不是必不可少的。结论：数据科学和机器学习是与具有不同目的，技术和应用的密切相关的领域。数据科学是一个侧重于分析和解释数据的广泛领域，而机器学习是一个涉及开发预测见解算法的子集。期待在会议上看到大家，并讨论我们的策略了解这些差异对于那些对数据或AI职业感兴趣的人以及旨在有效利用数据驱动见解的企业至关重要。