XiaoMi-AI文件搜索系统
World File Search System采样技术
分析营销策略素养的影响...
Micro，小型和中型企业（MSME）所有者，西爪哇省Depok，尚未采用良好的营销策略。因此，需要完成营销管理素养。这项研究旨在分析和理解营销策略素养的效果，该策略素养的效果适用于西爪哇省Depok的MSME，用于营销绩效。这项研究中使用的采样技术是随机抽样技术，样品是西爪哇省Depok的30个MSME所有者。这是一项解释性研究，它使用了Smart PLS分析工具。结果表明R Square的值为0.643。假设检验表明，广告素养变量以0.400的路径系数值影响营销性能；促销销售素养不会以-0.088的路径系数值影响营销绩效；个人销售素养以0.641的路径系数价值影响营销绩效；最后，在线营销素养不会以-0.177的路径系数价值影响营销绩效。
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
招股说明书2024-25
（5个讲座）光学分析方法：光谱的起源，辐射与物质的相互作用，光谱法和选择规则的基本定律，啤酒 - 兰伯特定律的有效性。紫外可见的光谱法：单束和双梁仪器的仪器的基本原理（源，单色和检测器的选择）；定量分析的基本原理：从水溶液，几何异构体，酮 - 烯醇互变异物中估计金属离子。使用Job的连续变异和摩尔比方法的方法来确定金属配合物的组成。红外光谱法：单束和双光束仪器的仪器基本原理（源，单色仪和检测器的选择）；采样技术。通过解释同位素替代的数据，效果和重要性来结构说明。火焰原子吸收和发射光谱法：仪器的基本原理（来源，单色器，探测器，火焰和燃烧器设计的选择。雾化和样本简介技术；背景校正的方法，化学干扰的来源及其去除方法。用于从水样品中金属离子痕量水平的定量估计的技术。
基于可解释人工智能的钢板制造故障诊断和洞察收集
摘要 — 随着工业 4.0 的到来，数据科学和可解释人工智能 (XAI) 在最近的文献中引起了相当大的兴趣。然而，就计算机编码和必要的数学工具而言，进入 XAI 的门槛确实很高。对于钢板故障诊断，这项工作报告了一种将基于 XAI 的见解纳入数据科学开发高精度分类器过程的方法。使用合成少数过采样技术 (SMOTE) 和中心点概念，从 XAI 工具中获得见解。已经收获了 Ceteris Peribus 配置文件、部分依赖性和故障配置文件。此外，还从优化的随机森林和关联规则挖掘中提取了 IF-THEN 规则形式的见解。将所有见解整合到一个集成分类器中，已实现 94% 的 10 倍交叉验证性能。总而言之，这项工作做出了三个主要贡献，即：：基于利用 medoids 和 SMOTE 的方法，收集见解并纳入模型开发过程。其次，这些见解本身就是贡献，因为它们使钢铁制造业的人类专家受益，第三，已经开发出高精度故障诊断分类器。
使用多模式LLM
摘要 - 以各种内容，编辑样式和工件为特征的短形式视频的兴起，对基于学习的盲目视频质量评估（BVQA）模型构成了重大挑战。多模式大型语言模型（MLLM）以其出色的概括能力而闻名，提出了有希望的解决方案。本文的重点是有效利用预定的MLLM进行短形式视频质量评估，预处理和响应变异性的影响，以及将MLLM与BVQA模型相结合的见解。我们首先研究了框架预处理和采样技术如何影响MLLM的性能。然后，我们引入了一种基于轻量学习的集合方法，该方法可适应从MLLM和最先进的BVQA模型中进行预测。我们的结果表明，通过提出的集合方法表现出了优越的概括。此外，对内容感知的集合权重的分析强调，某些视频特征并未完全由现有的BVQA模型完全代表，从而揭示了潜在的方向以进一步改善BVQA模型。索引术语 - 视频质量评估，短形式视频，多模式大语模型，内容吸引合奏
将Smote-tomek和Fusion Learning与XGBoost Meta-Gearner融合，以识别可靠的糖尿病
摘要：这项研究旨在通过整合综合少数群体过度采样技术（SMOTE）-TOMEK技术来开发一种健壮的糖尿病分类方法，用于数据平衡并使我们以极端梯度增强（XGB）为导致的机器学习合奏作为元学习者。我们提出了一个集成模型，该模型将深度学习技术（例如双向长期记忆（Bilstm）和双向门控复发单元（BIGRU）与XGB分类器作为基础学习者。使用的数据包括PIMA印第安人糖尿病和伊拉克社会糖尿病数据集，这些数据集是通过缺少价值处理，重复，归一化以及Smote-Tomek在解决数据失衡方面处理的。XGB作为元学习者，通过降低偏差和方差成功地提高了模型的预测能力，从而导致了更准确，更健壮的分类。所提出的合奏模型可在所有测试的数据集上达到完美的精度，精度，召回，特异性和F1分数为100％。此方法表明，将集成学习技术与严格的预处理方法结合在一起可以显着改善糖尿病分类性能。
应对策略，社交焦虑程度和青少年...
，多达39％的印度尼西亚人会因为对社交媒体的依赖而没有与社交媒体接触，他们会感到焦虑。减轻焦虑的努力是使用应对策略，这是减少行为和思维对压力的焦虑或反应的行动。基于这种现象，研究问题的提出如下：（1）在青少年社交媒体用户中发生的社交焦虑水平的情况如何（2）社交媒体用户对应对策略的描述（3）如何将策略与社交媒体用户的社交焦虑水平之间的关系之间存在关系。研究人员使用分析观察方法。选定的人口是SMA Negeri 1 Sukabumi City的学生。采样技术，即使用172个选定的受访者样本的目的抽样。通过Google表单问卷收集数据，使用的数据分析是Pearson Chi-square测试。结果表明，社交媒体青少年用户的应对策略与社交焦虑水平之间存在关系。基于其特征，使用可以使用的应对策略，并且更合适用于减少社交媒体青少年使用者的社交焦虑症是一个集中的应对。
使用复发神经网络（RNN）
在本文中，我们使用复发性神经网络（RNN），该神经网络（RNN）结合了多个门控复发单元（GRUS），长期短期记忆（LSTM）和Adam Optimizer来开发用于心脏病预测的新的混合学习模型。该提出的模型的出色精度为98.6876％。该提出的模型是GRU和RNNS模型的混合体。该模型是在Python 3.7中开发的，通过整合与Keras和Tensorflow一起工作的多个GRU和RNN作为深度学习过程的后端，并得到各种Python库的支持。使用RNN的最新模型可实现98.23％的精度，而深神经网络（DNN）的精度达到了98.5％。由于神经网络的复杂设计，在神经网络模型中具有冗余性的大量神经元以及克利夫兰不平衡的数据集，现有模型的常见缺点是准确性较差。实验，结果表明，使用RNN的拟议模型和几个具有合成少数族裔过采样技术（SMOTE）的GRU达到了最高水平的性能。完成了。这是他使用Cleveland数据集的RNN最准确的结果，并且显示出对患者心脏病的早期预测的希望。
深度卷积神经网络模型，用于消除不良代码异味
代码异味是指源代码中任何违反设计原则或实现的症状或异常。及早发现不良代码异味可以提高软件质量。如今，几种人工神经网络 (ANN) 模型已用于软件工程的不同主题：软件缺陷预测、软件漏洞检测和代码克隆检测。使用 ANN 模型时，无需了解数据来源，但需要大量训练集。数据不平衡是人工智能技术在检测代码异味方面面临的主要挑战。为了克服这些挑战，本研究的目标是基于一组 Java 项目，提出具有合成少数过采样技术 (SMOTE) 的深度卷积神经网络 (D-CNN) 模型来检测不良代码异味。我们考虑了四个代码异味数据集，即 God 类、数据类、特征嫉妒和长方法，并根据不同的性能指标对结果进行了比较。实验结果表明，所提出的具有过采样技术的模型可以为代码异味检测提供更好的性能，并且当使用更多数据集训练模型时，预测结果可以进一步改善。此外，更多的时期和隐藏层有助于提高模型的准确性。
设计和开发心脏病预测的有效解释的AI框架
摘要 - 心脏病仍然是全球健康的关注，要求对改善患者预后的早期和准确的预测。机器学习提供了有希望的工具，但是现有的方法面临准确性，阶级失衡和过度拟合问题。在这项工作中，我们提出了一种有效的可解释的递归特征消除，具有极端梯度提升（ERFEX）心脏病预测的框架。ERFEX利用可见的AI技术来识别关键特征，同时降低了阶级不平衡问题。我们在ERFEX框架内实施了各种机器学习算法，利用了支持矢量机器的合成少数群体过度采样技术（SVMSMOTE）和Shapley添加说明（SHAP），用于不平衡的集体处理和功能选择。在这些模型中，ERFEX框架内的随机森林和XGBoost分类器可实现100％的训练精度和98.23％的测试精度。此外，Shap Analysis还提供了对特征重要性的可解释见解，从而提高了模型的可信度。因此，这项工作的结果证明了Erfex对准确且可解释的心脏病预测的潜力，为改善临床决策铺平了道路。