XiaoMi-AI文件搜索系统
World File Search System贪婪的
大脑年龄估计有限的贪婪双流模型
大脑年龄估计涉及从大脑图像中预测一个人的生物年龄，这为衰老过程和神经退行性疾病的发展提供了宝贵的见解。进行大规模的数据集进行医学图像分析是一项具有挑战性且耗时的任务。现有方法主要取决于大型数据集，这些数据集很难获得且昂贵。这些方法还需要具有大量参数的复杂，资源密集型模型，需要大量的处理能力。因此，至关重要的是开发创新的方法，可以通过有限的数据集并有效利用计算资源来实现稳健的性能。本文提出了一种用于脑年龄估计的新型基于切片的双流方法（贪婪的双流模型）。此方法解决了大数据集要求和计算资源强度的局限性。提出的方法结合了大脑的局部和全球方面，从而完善了对特定目标区域的关注。该方法采用四个骨干来根据本地和全球特征来预测年龄，并以最终模型进行年龄校正。我们的方法在同上的测试集上证明了3。25年的平均绝对误差（MAE），其中仅包含289名受试者。为了证明任何小数据集的方法的鲁棒性，我们使用IXI数据集分析了提出的方法，并在IXI的测试集上实现了4。18年的MAE。GDSM模型的代码可在https://github.com/iman2693/gdsm上找到。通过利用双流和贪婪的策略，这种方法实现了效率和稳健的性能，使其与其他最先进的方法相媲美。
基于图书馆物流的Q学习的多进球机器人路径计划⋆
摘要：本文提出了一种解决诸如评估周（例如评估周）图书馆图书馆等高需求期间的书籍组织的解决方案。在这些期间，由于借贷，返回，收集和存储书籍，图书馆工作人员面临的工作量增加。在这种情况下，我们提出了一种基于Q-学习访问图书馆中战略要点的解决方案，以提高员工绩效。为了验证提出的方法，在模拟中提出的方法与基于Dijkstra算法的贪婪方法进行了比较。结果表明，所提出的方法在计划时间和回合数方面优于贪婪的dijkstra算法，转弯次数减少了20％，计划时间至少是速度的两倍。完成分配任务的成功率为100％，在拟议的情况下证明了系统的适用性。
CSC 320计算机算法学时
黑板：所有与课程相关的作业和材料都将在黑板上提供。公告将发布在黑板上。学生必须有一个工作的CUNY门户帐户才能接收与课程相关的信息描述：本课程是算法设计和分析的介绍性本科课程。本课程的目标是引入基本基本算法设计技术，从理论和实用的角度来看，这些技术都很有趣。我们将介绍基本的算法设计技术，例如划分和争议，动态编程和贪婪的技术。我们将介绍算法正确性的证明，以及通过复发方程解决方案解决算法时间界限的渐近分析。一些特定算法主题包括：确定性和随机排序和搜索算法，深度和广度的第一个搜索图算法，用于查找路径和
302049：人工智能与机器学习
单元1 AI和ML 06小时的简介。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。 基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。 AI的方法：控制论和脑模拟，符号，亚符号，统计。 ML的方法：监督学习，无监督的学习，强化学习。 单元2特征提取和选择08小时。 特征提取：统计特征，主成分分析。 功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。 单元3分类和回归08小时。 分类：决策树，随机森林，天真的贝叶斯，支撑向量机。 回归：逻辑回归，支持向量回归。 回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。 机械工程中分类和回归算法的应用。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。AI的方法：控制论和脑模拟，符号，亚符号，统计。ML的方法：监督学习，无监督的学习，强化学习。单元2特征提取和选择08小时。特征提取：统计特征，主成分分析。功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。单元3分类和回归08小时。分类：决策树，随机森林，天真的贝叶斯，支撑向量机。回归：逻辑回归，支持向量回归。回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。机械工程中分类和回归算法的应用。
电池有限能量收集通信的电源控制
电源控制通常用于确保通信系统中有效的资源液化。由于环境能源的间歇性和随机性，其在能源收集通信的新兴范式中变得更加重要。本专着提供了基本功率控制策略及其性能分析的重新查看，以独立且相同分布的能量到达的基本设置的基本环境。分别考虑了三种不同的设置，即离线功率控制，线电源控制和使用LookAhead的功率控制，分别与对能量到达过程的非因果，因果关系和部分非因果知识的案例相对应。提出了最佳离线电源控制策略的完整表征。在线设置中，将重点放在贪婪的政策上，该政策在低温容量制度中是最佳的，并且普遍近乎最佳的策略，其中包括Maximin Optimal
Eunika Mercier-Laurent。人工智能的未来：赋予人类力量并帮助保护地球。2023 年国际信息研究峰会，石忠植；Wolfgang Hofkirchner，2023 年 8 月，中国北京。10.3390/cmsf2023008038。hal-04346548
摘要：人工智能系统 (AIS) 已成为我们生活的一部分，许多系统甚至允许自己被基于人工智能的应用程序“编程”。然而，人工智能还可以帮助人们开展各种活动。人工智能的第三次炒作集中在对呈指数级增长的数据量的探索上，其中大部分数据都不受管理。第四次炒作会是什么？人工智能发起者追求打造比人类更智能的机器的梦想以及实现计算机能力的竞赛提出了一些问题：这与人类和地球的可持续性兼容吗？人工智能研究和应用能走多远？人工智能研究和企业未来可以采取哪些方向？本文将介绍人类与人工智能系统协同作用的观点。讨论了两个方面：通过人工智能赋予人类权力，以及利用人工智能保护地球，旨在尝试回答如何平衡研究人员的野心、贪婪的企业和可持续发展与保护地球之间的难题。
在线多机器人覆盖路径在动态环境中通过信息素的增强学习
摘要 - 两种有希望的覆盖路径计划方法是基于奖励和基于信息素的方法。基于奖励的方法允许自动学习启发式方法，通常会产生优于手工制作的规则。另一方面，基于信息素的方法在放置在不熟悉的环境中时始终显示出卓越的概括和适应能力。为了获得两全其美的最好，我们引入了贪婪的熵最大化（GEM），这是一种混合方法，旨在最大程度地提高一群像均质蚂蚁的代理商沉积的信息素的熵。我们首先在可实现的熵上建立一个尖锐的上限，并表明这对应于最佳的动态覆盖路径计划。接下来，我们证明，尽管剥夺了基本必需品，例如记忆和明确的交流，但GEM仍在紧密接近这一上限。最后，我们表明，宝石可以在恒定时间内异步执行，从而使其随意扩展。
决策树的生成模型
决策树是最受欢迎的监督模式之一，因为它们的解释性和知识表示类似于人类的推理。常用的决策树归纳算法基于贪婪的自上而下策略。尽管已知这些方法是一种有效的启发式方法，但所得树仅在局部最佳，并且往往具有过于复杂的结构。另一方面，最佳决策树算法尝试立即创建整个决策树以实现全局最优性。我们通过设计针对决策树的生成模型在这些方法之间提出建议。我们的方法首先通过使用预训练的决策树模型来学习潜在的决策树空间。然后，它采用了一种遗传程序来探索这种潜在空间，以找到具有良好预测性能的紧凑型决策树。我们将我们的建议与覆盖树诱导方法，最佳方法和结合模型进行了比较。结果表明，我们的建议可以产生准确而浅的，即可解释的决策树。
高端人群超额预订新冠疫苗的动机......
亲爱的编辑，在 COVID-19 大流行的早期阶段，全球疫苗供应极其紧张，但一些高收入国家（HIC）预订的疫苗数量超过了其国民的实际需要。当一个国家人口中可接种预订疫苗的比例达到或超过 200% 时，我们认为一个实体超额预订了 COVID-19 疫苗，因为大多数疫苗只需要两剂，1 而且并不是每个人都适合接种。截至 2021 年 1 月 29 日，有 5 个这样的实体（图）。HIC 的疫苗超额预订引发了其他国家的抱怨，他们指责 HIC 囤积疫苗，这是自私、无耻和贪婪的行为。2-6 然而，人们似乎忽略了 COVID-19 疫苗并不适合囤积，因为 COVID-19 疫苗的保质期只有 3-6 个月，7 并且国内需求有限。那么，为什么高收入国家预订的疫苗数量超过了其人口所需的数量呢？