XiaoMi-AI文件搜索系统
World File Search System集合
使用集合机学习技术的糖尿病预测
D. Madhu Sudhana Rao，D。Sai。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。 糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。 由于内分泌问题，它会提高体内的血糖。 血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。 这在较小的年龄组中最常见，对于45岁以上的年龄组。 我国将近68％的人患有这些糖尿病患者。 当预测靠近水平时，可以避免或消除它。 在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。 结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。 在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。 与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。Sridhathri信息技术部，Vignan科学技术与研究基金会，印度Guntur，Madhudontha@gmail.com，sridhathri.1021@gmail.com摘要。糖尿病最称为糖尿病是一种急性内分泌慢性疾病，这是许多人通过遗传性或从人类生活方式的趋势中的主要问题。由于内分泌问题，它会提高体内的血糖。血糖的这种增加不仅会影响其水平，甚至会导致许多与肾脏，肝功能，血压和眼睛损害相关的健康问题。这在较小的年龄组中最常见，对于45岁以上的年龄组。我国将近68％的人患有这些糖尿病患者。当预测靠近水平时，可以避免或消除它。在情况下，它被认为存在严重的问题，并且需要以任何代价控制它。结合了计算机科学的技术，我们使用机器学习技术在早期阶段预测糖尿病，以更高的准确性。在这里，我们使用不同的分类器，即k-nearest，幼稚的贝叶斯（NB），XG提升，决策树（DT）和随机森林（RF），并从提供的数据集中检测其准确性。与其他不同技术相比，我们发现随机森林更适合于更高的精度计算。
心脏手术风险预测使用集合机器学习以纳入遗产风险评分：基准测试研究
es II包括比登录更全面的变量集，合并症的粒度水平提高了，例如肺动脉高压，肾功能障碍，左心室功能障碍以及针对正在执行的特定外科手术程序的信息，例如执行的手术，例如程序数量，程序的范围。es II还包括用于糖尿病的新合并症变量和新的基于症状的分类系统，例如纽约心脏协会（NYHA）分类，用于评估心力衰竭的严重程度7 - 9和加拿大心血管社会社会分类系统，用于患有核核疾病患者的ANGINA患者的严重性。10尽管ES II被认为是手术风险的更准确的预测指标，但由于在收集和2011年前未充分记录在英国的心脏中心数据之前，在收集和丢失时丢失了新纳入的变量时，它不再包含在loges中的梗塞后隔隔破裂变量。es II比loges更为复杂，鲜为人知且不太有效。两个分数之间差异的细节如表1所示。es ii已通过许多研究表明，这些研究表现出具有不同特征不同的数据集的歧视和校准，包括但不限于年龄，种族，时间，11个地理位置11和程序组。12 - 17
神经集合的编码和解码研究
在科学讨论中面对面交流的好处是显而易见的，面对面会议在我们领域的持续发展中发挥的作用也是显而易见的。对于我们所有人来说，我们的日常生活在办公室和远程工作之间来回切换，但作为科学家，尽管受到疫情的限制，我们还是找到了继续研究的方法。这是自病毒及其变种出现以来我们举办的第一次会议，迄今为止，它提交的研究是 AREADNE 会议上最令人兴奋的研究之一。我们，组织者，认为这一区别反映了我们作为一个领域的决心，即使在充满挑战的情况下也要找到有趣问题的答案。
DNA结合重新分布激活域的集合和先锋因子Sox2各种病毒cas基因拮抗CRISPR免疫
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。该预印本版的版权持有人于2023年6月24日发布。 https://doi.org/10.1101/2023.06.24.545427 doi：biorxiv preprint
移动 CRISPRi 集合可实现大肠杆菌必需基因的遗传相互作用研究
未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者（此版本于 2023 年 4 月 22 日发布。；https://doi.org/10.1101/2023.04.21.537703 doi：bioRxiv preprint
事物数据，大规模数据集的多模式集合......
摘要 要理解物体表征，需要对视觉世界中的物体进行广泛、全面的采样，并对大脑活动和行为进行密集测量。在这里，我们展示了 THINGS-data，这是一个多模态的人类大规模神经成像和行为数据集集合，包括密集采样的功能性 MRI 和脑磁图记录，以及针对多达 1,854 个物体概念的数千张照片的 470 万个相似性判断。THINGS-data 的独特之处在于其丰富的注释对象范围，允许大规模测试无数假设，同时评估先前发现的可重复性。除了每个单独的数据集承诺的独特见解之外，THINGS-data 的多模态性还允许组合数据集，从而比以前更广泛地了解物体处理。我们的分析证明了数据集的高质量，并提供了五个假设驱动和数据驱动的应用程序示例。 THINGS-data 是 THINGS 计划 ( https://things-initiative.org ) 的核心公开发布版本，旨在弥合学科之间的差距和认知神经科学的进步。
无监督的机器学习应用程序，以识别MOSFET晶体管电离辐射效应的噪声事件的单事件瞬变（集合）
本文介绍了K-均无监督的机器学习算法的新应用，以在电子设备的重合离子辐照实验中识别噪声中的单个事件瞬态（SET）事件的问题。我们通过分析MOSFET晶体管的几种重型离子照射产生的集合事件的实验数据集来探索K-均值算法的性能。分别使用隔离森林和随机森林算法研究了所选特征（平均偏差，偏度和峰度）的数据异常和有效性。结果表明，K均值算法具有很高的能力，可以使用前四个统计矩作为特征从噪声中识别事件，从而允许将这种方法用于现场事件检测和诊断，而无需以前的算法训练或实验数据的预先分析。
