XiaoMi-AI文件搜索系统
World File Search System规范化
M-Tech 生物医学仪器和信号处理
CO1 能够理解数据挖掘过程中涉及的步骤（例如预处理、分类、回归、聚类和可视化）并将其应用于医疗数据的分析。 CO2 能够描述不同的预测分析方法及其在医疗领域的应用。 CO3 能够评估来自不同来源的数据以创建有意义的演示文稿。 课程内容 使用 Python 进行数据分析：了解数据 - （a）属性、数据的统计描述、数据可视化、相似性 - 不相似性、（b）预处理 - 缺失值、噪声数据、数据缩减、数据转换 - 规范化、标准化、分箱、聚类。 使用 Python 进行应用数学：数学基础 - 线性代数 - 向量、矩阵、特征值、特征向量、奇异值分解、降维、主成分分析、线性变换。概率与统计：随机变量、概率分布、分布函数和属性、离散和连续、统计推断 - 估计和假设检验。机器学习（第 1 部分）：机器学习基础、线性回归和逻辑回归（分类）。（第 2 部分将在下学期的应用机器学习课程中继续）教材 1. Jiawei Han 和 Micheline Kamber 编写的《数据挖掘概念和技术》 2. Rohatgi 和 Saleh 编写的《概率与统计简介》。 3. Christian Albright 和 Wayne Winston 编写的商业分析：数据分析与决策
从神经引导因素Netrin-1中的见解到神经变性和其他疾病
Netrin-1是用于轴突引导的规范化趋化提示。可以追溯到1890年代，当Cajal博士提出轴突可能会受到可扩散的线索的指导，这些提示吸引了脊柱连任神经元轴突向胚胎脊髓的腹中线的投影，这些提示是分泌的，并在其中分泌了这些线索，并形成了化学动物的渐变渐变（Moore in neuroerepithium（Moore）（Moore）（Moore）。Netrin-1与Netrin-2一起在胚胎鸡脑匀浆中发现并纯化。随后，其他Netrin家族蛋白已被鉴定或与果蝇，小鼠和人类有关（Moore等，2007）。现在，发现Netrins不仅在轴突探路中起作用，而且在其他多种细胞过程中起关键作用，包括细胞迁移，粘附，分化和生存，并参与神经变性（Jasmin等，2021），炎症，炎症，炎症，癌症（Xia等，2022），癌症和其他临床疾病（2022）。Netrin-1已在帕金森氏病（PD），阿尔茨海默氏病（AD）和其他类型的神经系统疾病中进行了研究，我们发现了与AD发病机理有关的Netrin-1的新证据（Bai等，2020）。在这里，我们提供了Netrin-1的概述，以突出其在这些神经系统疾病中的机械作用和生物标志物潜力。
使用...增强冥想技巧和洞察力
通过 Muse 2 设备和冥想应用程序之间的蓝牙连接，利用物联网功能。该方法包括数据收集、预处理、特征提取和模型训练，同时利用物联网 (IoT) 功能。Muse 2 设备从多个电极记录 EEG 数据，然后在移动冥想平台内进行处理和分析。预处理步骤包括消除冗余列、处理缺失数据、规范化和过滤，利用支持物联网的技术。对 EEG 信号进行特征提取，利用平均值、标准差和熵等统计指标。使用预处理数据训练三种不同的模型，包括支持向量机 (SVM)、随机森林和多层感知器 (MLP)，并结合基于物联网 (IoT) 的方法。使用准确度、精确度、召回率和 F1 分数等指标来评估模型性能，突出了物联网驱动技术的有效性。值得注意的是，MLP 和随机森林模型表现出了卓越的准确度和精确度，凸显了这种物联网集成方法的潜力。具体来说，这三个模型实现了较高的准确度，其中随机森林以 0.999 领先，其次是 SVM 以 0.959 和 MLP 以 0.99 紧随其后。这项研究不仅为脑机接口和辅助技术领域做出了贡献，还展示了一种将 Muse 2 设备无缝集成到冥想练习中的可行方法，通过物联网技术的附加功能促进自我意识和正念。
空间科学和太阳物理学中的人工智能数据
在空间科学领域，各种现象的大量地面和空间数据正在迅速积累，使得分析和科学解释变得具有挑战性。然而，人工智能 (AI) 应用的最新趋势已被证明有望从这些庞大的数据集中提取信息或发现知识。巧合的是，准备这些数据以用作人工智能算法的输入，即所谓的人工智能就绪，是利用人工智能进行空间科学研究的突出挑战之一。人工智能就绪数据的准备包括但不限于：1) 从不同的存储库收集（访问和下载）代表与所研究现象相关的各种物理参数的适当数据；2) 处理数据格式，例如从一种格式到另一种格式的转换、数据缺口、质量标志和标签；3) 根据 NASA 档案要求或其他定义的标准标准化元数据和关键字；4) 处理原始数据，例如数据规范化、去趋势和数据建模；5) 记录技术方面，例如处理步骤、操作假设、不确定性和仪器配置文件。在十年内让所有现有数据都具备 AI 就绪性是不切实际的，而未来任务和调查的数据会加剧这种情况。这表明制定标准并立即开始实施的紧迫性。本文介绍了我们对空间科学数据的 AI 就绪性的看法和缓解策略，包括为 AI 应用定义 AI 就绪性；数据集、存储和可访问性的优先级；以及确定负责承担该任务的实体（机构、私营部门或受资助的个人）。
通过 Dialnet 提高企业创新能力
摘要 研究目标：研究如何通过采用 ISO 56002: 2019 来提高企业创新能力。方法/方法：所采用的方法是将 ISO 56002: 2019 与企业创新能力文献进行比较分析。研究采用的方法包括对动态能力和企业创新能力的文献进行回顾，以及定性文献研究，该研究包括三个阶段：预分析、文件组织和结果分析，使用来自 ISO 56002: 2019 所指示的指南和流程文本的信息，其中还涉及 ISO 56000 系列标准。原创性/相关性：采用创新管理标准在系统和常规地探索其实施细节时会产生一些理论挑战，以及经验挑战，例如了解 ISO 56002: 2019 在创新管理中的出现。主要结果：发现创新能力的决定因素与 ISO 56002: 2019 条款之间存在相似性，因为七个因素中的每一个都与一个或多个 ISO 56002: 2019 条款有关系。理论/方法贡献：所获得的研究结果可供有兴趣研究不同创新管理模式、创新能力，特别是创新管理系统绩效持续改进的动态及其与其他因素的相互关系和相互作用的研究人员使用。社会/管理贡献：与常识相反，创新管理的规范化似乎是违反直觉的，建议采用 ISO 56002：
CA23110-E MOU.PDF Nutricon 2024-摘要书 国际会议
摘要科学文献正在阐明GI对人类健康和福祉的中心地位。的确，营养素，生物活性剂甚至有毒化合物（包括食源性病原体）的生理作用是由它们在肠道中的吸收率以及与肠道微生物群及其宿主生态系统的相互作用介导的。在临床研究中测试食物，饲料，补充剂或药物会导致道德问题，并且由于生理学，代谢和化学敏感性的差异，动物数据的转移性通常是有问题的。根据最近对欧洲委员会（EURL ECVAM，2021年）的调查，复杂的体外模型（CIVMS）方法不仅应适用于监管性用用文本，而且还适用于在研究领域的应用，前提是规范化的CIVMS是开发出来的，并在其使用中达成共识。一种新的成本动作将填补在体外结肠模型上提供共识方案和强大数据集的知识差距，以提高我们对肠道环境中发生的事件的知识，包括微生物群和宿主之间的复杂相互作用。此外，将建议创新的教育工具以增加对年轻研究人员的肠道模型的知识，并扩大社会，以避免来自误导性信息的任何不健康的消费者选择。将胃肠病学，微生物学，营养，食品科学，生物化学，生物信息学，生物技术等方面的不同专家汇集在一起，新的成本行动可以代表发展健康食品的有效策略和疾病的反应。
北卡罗来纳州创新指数 - 北卡罗来纳州商业
1 北卡罗来纳州科学技术与创新委员会在过去 21 年中发布了七项创新指数，即 2000 年、2003 年、2008 年、2013 年、2015 年、2017 年和 2019 年。 2 在本报告的 2019 年版中，北卡罗来纳州的平均排名为第 21 位；在 2017 年和 2015 年版中，北卡罗来纳州的平均排名为第 23 位；在 2013 年版中，北卡罗来纳州的平均排名为第 24 位。然而，当前报告删除了一项指标，修改了两项（指标 4.1 和 4.2），因此在与以前的报告进行比较时应谨慎；由于方法论的变化，排名的变化不能积极地归因于经济状况或州经济结构的变化。排名是针对该州的整体排名；有关北卡罗来纳州各县表现的更多详细信息（各县之间差异很大），请参阅执行摘要第 iii 页和报告正文中的各项指标。所有指标均以比率或百分比表示，通过控制州人口和国内生产总值 (GDP) 等“规模”因素来“规范化”数据，从而实现“同类”比较。有关如何理解报告中各种数值、排名和平均值的更多见解，请参阅本报告的“解释数据”部分。3 按名义基础计算，不根据规模或任何其他因素调整指标，北卡罗来纳州在所有 50 个州中排名第 10，这与其人口（第 9 位）和 GDP（第 11 位）相符。4 嗨
零排放社区能源系统投资的聚类方法评估
摘要 —本文研究了在设计零排放社区 (ZEN) 的能源系统时使用聚类的方法。ZEN 是旨在在其生命周期内实现净零排放的社区。虽然以前的工作已经使用和研究了聚类来设计社区的能源系统，但没有一篇文章涉及像 ZEN 这样的社区，这些社区对太阳辐照度时间序列有很高的要求，包括 CO 2 因子时间序列，并且零排放平衡限制了可能性。为此，我们使用了几种方法并比较了它们的结果。结果一方面是聚类本身的性能，另一方面是使用数据的优化模型中每种方法的性能。测试了与聚类方法相关的各个方面。研究的不同方面包括：目标（聚类以获得天数或小时数）、算法（k 均值或 k 中心点）、规范化方法（基于标准偏差或值范围）和启发式的使用。结果强调，k-means 提供的结果比 k-medoids 更好，并且 k-means 系统地低估了目标值，而 k-medoids 则不断高估了目标值。当可以选择聚类天数和小时数时，似乎聚类天数提供了最佳精度和求解时间。选择取决于优化模型使用的公式和对季节性存储建模的需求。归一化方法的选择影响最小，但值范围方法在求解时间方面显示出一些优势。当需要很好地表示太阳辐照度时间序列时，需要使用更多的天数或小时数。选择取决于什么样的求解时间是可以接受的。
大脑内核 - Turk-Browne 实验室
功能性磁共振成像 (fMRI) 中的一个关键问题是从嘈杂的高维信号中估计空间活动模式。空间平滑提供了一种规范化此类估计的方法。然而，标准平滑方法忽略了神经活动的相关性在不同的脑区可能以不同的速率下降，或者在解剖或功能边界上表现出不连续性的事实。此外，这种方法没有利用这样一个事实，即相距甚远的脑区可能由于双侧对称或脑区网络组织而表现出强相关性。为了捕捉这种非平稳空间相关结构，我们引入了脑核，一种用于全脑活动模式的连续协方差函数。我们将脑核定义为从 3D 脑坐标到潜在嵌入空间的连续非线性映射，用高斯过程 (GP) 参数化。脑核将体素之间的先验协方差指定为它们在嵌入空间中位置之间距离的函数。 GP 映射以非线性方式扭曲大脑，使高度相关的体素在潜在空间中靠得很近，而不相关的体素则相距很远。我们使用静息状态 fMRI 数据估计大脑内核，并开发一种基于块坐标下降的精确、可扩展的推理方法来克服高维（10-100K 体素）的挑战。最后，我们通过多任务 fMRI 数据集的大脑解码和因子分析来说明大脑内核的实用性。
对关键 GxP AI/ML 应用程序的问题
1. 算法的训练、验证（优化）和测试过程是怎样的？谁参与了各个阶段？如果有的话，与计划有什么偏差？2. 用于训练、验证和测试算法的数据集有多大？如何识别（命名）每个组中的每个数据元素？数据集存储在哪里？3. 有什么证据表明，用于测试算法的数据集的任何部分以前都没有用于训练或验证（优化）相同算法，或者不是来自相同主题？4. 用于测试算法的数据点何时从完整的数据点池中分离出来？使用了哪些选择标准？5. 测试数据经过了什么样的数据清理、规范化、同质化、排除标准、数据合成或类似处理？为什么？6. 如何确保测试数据集代表应用预期范围内的真实数据，并包含足够具有挑战性的数据（例如西伯利亚雪橇犬或狼）？ 7. 训练数据集中的哪些特征对算法的输出影响最大，这些特征如何影响测试数据集的选择，以及它与测试数据集如何对应？8. 如何确保测试数据集涵盖由于人员、流程和设备差异而可能在实际数据中出现的任何技术差异（例如格式）？9. 如何验证用于训练、验证和测试算法的数据的正确分类，分类是否已由第二个人或实验室测试验证？10. 测试数据有多旧，是否仍然相关？算法的 F1 分数是否会因输入数据随时间的变化而下降（例如，由于 COVID-19 封锁期间健身中心关闭而导致健康数据发生变化），如果是，重新训练和校准数据集的计划是什么？