XiaoMi-AI文件搜索系统
World File Search System矢量量化
机器学习
单元 – 第一线性模型多层感知器 – 向前 – 向后：反向传播误差 – 实践中的多层感知器 – 使用 MLP 的示例 – 概述 – 推导反向传播 – 径向基函数和样条 – 概念 – RBF 网络 – 维数灾难 – 插值和基函数 – 支持向量机单元 – 第三树和概率模型用树学习 – 决策树 – 构建决策树 – 分类和回归树 – 集成学习 – 提升 – 装袋 – 组合分类器的不同方法 – 概率和学习 – 数据转化为概率 – 基本统计 – 高斯混合模型 – 最近邻方法 – 无监督学习 – K 均值算法 – 矢量量化 – 自组织特征映射。单元 – IV 降维和进化模型 降维 – 线性判别分析 – 主成分分析 – 因子分析 – 独立成分分析 – 局部线性嵌入 – Isomap – 最小二乘优化 – 进化学习 – 遗传算法 – 遗传后代：- 遗传算子 – 使用遗传算法 – 强化学习 – 概述 – 迷路示例 – 马尔可夫决策过程 单元 – V 图形模型 马尔可夫链蒙特卡罗方法 – 抽样 – 提案分布 – 马尔可夫链蒙特卡罗 – 图形模型 – 贝叶斯网络 – 马尔可夫随机场 – 隐马尔可夫模型 – 跟踪方法。
通过模拟患者特定的步行运动
在物理治疗，理解和分析患者运动（尤其是步态模式受损）方面的摘要对于有效的康复至关重要。传统上，实习治疗师通过与真实患者和教科书的动手经验获得这些技能。但是，这些方法受到患者的可用性以及治疗师可以观察到的动作的可变性的限制。为了解决这些局限性，我们提出了一个新型系统，该系统使治疗师可以从步态运动受损的广泛障碍中学习，而不会受到时间，位置或患者的可用性的限制。该系统利用HumanML3D数据集和组合Text2Length采样和Text2Motion生成的两步框架。在第一步中，分类模型根据输入文本描述预测运动长度。在第二步中，我们使用时间变异自动编码器（VAE）来生成各种且一致的3D运动序列。我们方法的关键组成部分是从Momask框架中利用残留矢量量化（RVQ），该框架可最大程度地减少误差并增强运动的精度。此外，蒙版的变压器确保合成的运动令牌在时间上是一致的，并且在上下文上是准确的。通过HumanML3D数据集进行了验证，我们的系统为物理治疗师提供了沉浸式和交互式工具，在混合现实环境中启用了动态的，特定于患者的运动模拟。通过弥合常规方法和MR辅助培训之间的差距，该方法使用交互式3D表示来改变治疗师的学习方式。它旨在彻底改变治疗培训，使康复策略更加有效和个性化。
使用 transformers 进行无监督脑成像 3D 异常检测和分割
病理性脑外观可能非常多样化，以至于只能理解为异常，这些异常由其与正常的偏差而不是任何特定的病理特征集来定义。在医学成像中最困难的任务之一中，检测此类异常需要正常脑模型，该模型将紧凑性与表征其结构组织的复杂、长程相互作用的表达性相结合。这些要求是 Transformer 比其他当前候选架构更有潜力满足的，但它们的应用受到对数据和计算资源的需求的限制。在这里，我们将矢量量化变分自动编码器的潜在表示与一组自回归 Transformer 相结合，以实现无监督异常检测和分割，这些异常由与健康脑成像数据的偏差定义，在相对适中的数据范围内以较低的计算成本实现。我们在一系列涉及合成和真实病理病变的 2D 和 3D 数据的实验中将我们的方法与当前最先进的方法进行了比较。在真实病变中，我们利用来自英国生物库的 15,000 名放射学正常参与者训练我们的模型，并在四种不同的脑 MR 数据集上评估其性能，这些数据集包括小血管疾病、脱髓鞘病变和肿瘤。我们展示了卓越的异常检测性能，无论是图像方面还是像素/体素方面，都无需后处理即可实现。这些结果引起了人们对 transformers 在这项最具挑战性的成像任务中的潜力的关注。© 2022 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
跨学科小组
课程（均为 3 学分课程） EEE 6002：电气与电子工程选题 课程内容由课程老师在 EEE 系研究生委员会（BPGS）批准下决定。（注意：每个学生只能选修一次本课程） EEE 6101：非线性系统分析 数值方法。图解法。已知精确解的方程。奇点分析。解析方法。受迫振动系统。变系数线性微分方程。非线性系统的稳定性。 EEE 6103：人工神经网络 生物神经系统：大脑和神经元。人工神经网络。历史背景。赫布联想子。感知器：学习规则、说明、证明、失败 自适应线性（ADALINE）和多重自适应线性（MADALINE）网络。多层感知：生成内部表示 反向传播、级联相关和反传播网络。高阶和双向关联记忆。霍普菲尔德网络：李亚普诺夫能量函数。吸引盆地。概率更新：模拟退火、玻尔兹曼机。自适应谐振理论 (ART) 网络 ART1、ART2、模糊 ART 映射 (ARTMAP) 网络。Kohonen 特征图、学习矢量量化 (LVQ) 网络。新兴主题：卷积神经网络、深度神经网络。神经网络的应用。EEE 6301：功率半导体电路* 静态开关器件，SCR、BJT、MOSFET、IGBT、SIT、GTO、MCT 的特性。静态功率转换器的分类及其应用。静态功率转换器的控制电路。脉冲宽度调制；静态功率转换器的 PWM 控制。开关模式 DC-DC 转换器、谐振转换器、静态转换器波形的傅里叶分析、静态转换器的 HD、THD、pf、ZVS 和 ZCS。交流驱动器的磁滞电流。 *本课程也属于 EEPS 组
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。