XiaoMi-AI文件搜索系统
World File Search System统计模型
机器学习时代的贫困制图
“这些结果超过了较早的工作中使用高分辨率图像或手机数据作为输入的类似任务的表现，并超过了或超过基准标记，用于从地统计模型中，用于预测健康结果，生活水平和非洲住房质量的地统计学模型”（Yeh等人”（Yeh等人，2020）
基于几何模型的手势方法...
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻求最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自统计模型，而统计模型很难解释。相反，我们提出了 µC 1 和 µC 2 ，这两种基于几何模型的手势识别方法支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 中的十个手势类别，每个手势类别由五名缺乏经验的非母语手语者重复 100 次，并使用可穿戴技术（传感手套和惯性测量单元）收集。结果，我们在高识别率（> 90%）和低识别时间（< 0 .1 秒）之间取得了折衷，这足以实现人机交互。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于理解识别过程。
raheb hassan
•与计算机视觉，面部识别，多对象跟踪，活动识别•设计了一个集成了来自相机和传感器的实时监视数据的系统，以生成长期的个人行为统计模型。•优化的ML管道使用NVIDIA DEEPSTREAM在资源约束环境上工作•在云中缩放分布式ML视频处理系统（AWS，Oracle Cloud）
生成的AI：在生物统计学中转换自动化
模型选择和实现：•问：“ GPT，为此事件数据提出最佳的统计模型。” •响应：GPT建议COX比例危害模型，解释为什么它适合生存数据，并生成相应的R或Python代码。•此外：您可以通过询问“我们可以针对这些协变量进行调整：年龄，性别和治疗类型？”来进行交互调整模型吗？”
Microsoft Word-课程title_信息几何及其在机器学习中的应用程序以及_phd_ms_version.docx
本课程提供了有关信息几何形状及其在机器学习，统计和各种现实世界中的重要应用的先进，面向研究的探索。信息几何形状提供了一个数学框架，以了解概率分布的潜在几何形状以及它如何影响学习算法，统计模型和计算领域中其他高级主题。该课程旨在为学生提供理论知识和实用工具，以研究最先进的研究问题。
基于几何模型的手势识别方法
摘要 — 通过技术手段进行手臂和手部跟踪可以收集可用于确定手势含义的数据。为此，机器学习算法主要被研究以寻找最高识别率和最短识别时间之间的平衡。然而，这种平衡主要来自于统计模型，而统计模型很难解释。与此相反，我们提出了 µC 1 和 µC 2，两种基于几何模型的手势识别方法，支持识别过程的可视化和几何解释。我们将 µC 1 和 µC 2 与两种经典机器学习算法 k-NN 和 SVM 以及两种最先进的深度学习模型 BiLSTM 和 GRU 进行比较，实验数据集包含意大利手语 (LIS) 的十个手势类别，每个类别由五名没有经验的非母语手语者重复 100 次，并通过可穿戴技术（传感手套和惯性测量单元）收集。最终，我们在高识别率（> 90%）和低识别时间（< 0.1 秒）之间实现了折衷，这足以满足人机交互的需要。此外，我们基于几何代数详细阐述了算法的几何解释，这有助于对识别过程有所理解。
应用可解释的人工智能开发预测各地区教师供需的模型
摘要 在改善教育条件的各种方法中，人们正在努力减少每位教师的学生人数。但是，对于政策决策，需要反映多种因素，例如学生人数随时间的变化以及当地要求。基于时间序列分析的统计模型已被用作指导政策决策的方法。但是，现有的统计模型是线性的，其预测准确性较低。此外，由于影响学生人数并进而影响所需教师人数的预测的因素既有内部因素，也有外部因素，因此有必要开发一个反映这一点的模型。因此，在本研究中，使用XGBoost技术开发了基于机器学习的人工智能模型，并使用特征重要性，部分依赖图和Shap值来增加模型的解释潜力。该模型的性能小于 0.03 RMSE，并确认在几个因素中，经济活动人口对教师数量的影响最为显著。通过本研究，可以检验具有更高解释可能性的人工智能模型在预测教师数量方面的适用性。关键词：教师供给、需求预测、人工智能模型开发、XGBoost、XAI、SHAP。
大型时间序列模型的缩放法律
时间序列的预测是所有涉及时间订购观察的所有行动的决策和科学推论的基础。实际上，可以说出过去数据（无论是明确或隐式）的概率预测，可以说是每个人类决定的基础[1-5]。在工业和科学环境中，时间序列的预测传统上涉及对任何一种统计模型（例如Arima，Garch，State Space模型等）进行监督培训；有关评论的定制动力学模型，请参见[6，7]，基于领域特定的知识，或者是最近对基于深度学习的方法进行培训或针对特定培训的特定预期的方法（请参阅特定的预期）（请参阅A a a a a a [8]。虽然这些方法一直构成了时间序列分析的基础，但直到现在，关键的挑战和局限性仍然存在：统计模型通常无法描述和捕获数据基础的潜在过程，并掌握了他们的预测效用；开发专门的问题特定模型需要在人类的时间和资源上进行大量投资；在单个数据集上训练的经过培训的有监督的深度学习方法通常仅在数据丰富的制度中有用，并且对其他问题的推广不佳。
用于智能的特征异常检测系统（FADS）...
摘要 异常检测对于工业自动化和零件质量保证非常重要，虽然人类可以通过几个例子轻松检测出零件中的异常，但设计一个能够达到或超过人类能力的通用自动化系统仍然是一个挑战。在这项工作中，我们提出了一种简单的新异常检测算法，称为 FADS（基于特征的异常检测系统），该算法利用预训练的卷积神经网络 (CNN) 通过观察卷积滤波器的激活来生成标称输入的统计模型。在推理过程中，系统将新输入的卷积滤波器激活与统计模型进行比较，并标记超出预期值范围的激活，因此可能是异常。通过使用预训练网络，FADS 表现出与其他机器学习异常检测方法相似或更好的出色性能，同时 FADS 不需要调整 CNN 权重。我们通过检测增材制造晶格的自定义数据集上的工艺参数变化来展示 FADS 的能力。 FADS 定位算法表明，表面上可见的纹理差异可用于检测工艺参数变化。此外，我们在基准数据集（例如 MVTec 异常检测数据集）上测试了 FADS，并报告了良好的结果。