机器学习和人工智能辅助钢铁材料设计的研究进展

随着人工智能技术的快速发展和材料数据的显著增加,机器学习和人工智能辅助设计高性能钢材正成为材料科学的主流范式。机器学习方法是一种基于计算机科学、统计学及材料科学之间的跨学科科学,聚焦于发现众多数据之间的相关性。与材料科学中传统的物理建模方法相比,机器学习方法的主要优势在于克服了材料本身复杂的物理机制,为新型高性能材料的研发提供了新的思路。本文从数据预处理和机器学习模型的介绍开始,包括算法选择和模型评估。然后,以优化成分、结构、工艺和性能为主题,回顾了机器学习方法在钢铁研究领域应用的一些典型案例。此外,还介绍了机器学习方法在以性能为导向的材料成分逆向设计工程以及在钢材缺陷检测领域中的应用。最后,探讨了机器学习在材料领域的适用性和局限性,并对未来的发展方向和前景进行了展望。     

基于主题和预防模型的微博谣言检测

针对微博短文本存在的特征提取困难及微博谣言传播浪费网络资源的问题,提出了基于主题和预防模型的微博谣言检测.对微博进行主题提取,按主题分类后提取基于用户、传播结构、内容三方面的统计特征.将样本与官方谣言子集中的微博进行相似度计算,将其值与传统特征进行特征融合之后作为统计特征进入有监督的机器学习.实验结果表明,相对于传统的有监督机器学习,该方法将微博谣言检测的性能提升了3%左右,同时实现了谣言预防.      

人工智能革命“助燃剂”:机器学习

 随着统计建模、基础数学、计算机系统、芯片设计以及应用数学等领域投入的加大,以及神经科学的不断进步,机器学习基础科研领域得以快速发展。作为人工智能的分支之一,机器学习的发展又推动了人工智能的不断进步。机器学习是一种让计算机能够通过经验不断提高自身性能的学科,可使计算机在未事先明确编程的情况下做出正确反应。在过去10年中,机器学习已经在自动驾驶汽车,实用语音识别,有效网络搜索,以及提高人类基因组认识方面带来大量帮助,在数据挖掘、自然语言处理、信贷决策、医学诊断、生物信息学、电力监控、网络入侵检测、天气预报、工业控制等领域也已有广泛的应用。     

数据挖掘技术及其应用

数据挖掘是数据库研究中一个很有应用价值的课题,它融合了数据库、人工智能、机器学习等多个领域的理论和技术,本文介绍数据挖掘系统的体系结构、数据挖掘的方法及应用。     

关于软件自动化系统中的机器学习方法研究

随着计算机科学的发展各领域之间的相互渗透逐渐形成了许多交叉研究方向，基于此本文给出软件自动化系统中的机器学习方法。主要讨论两个方面的问题：一是软件自动化中的机器学习，二是软件自动化中较为复杂的学习算法构架。     

机器学习在油气行业中的应用进展综述

近年来,随着深度学习的兴起,机器学习在油气领域得到了进一步深入发展。但是,由于油气行业的特殊性和复杂性,目前还没有建成适用于深度学习的训练样本库,也没有针对性的模型建立和选择方法体系。此外,深度学习方法的不可解释性,导致了学习的模型对环境的高度依赖,制约了机器学习在油气行业中的推广应用。从机器学习的发展阶段出发,介绍机器学习在油气行业各领域的应用中所涉及的重大突破及仍然存在的问题。针对油气行业中不同类型数据的处理方法、样本建立以及如何进行模型适应性分析等方面给出了建议,提出可解释机器学习在油气人工智能上的发展潜力以及研究方向。     

数据挖掘与智能化信息处理研究

数据挖掘(Data Mining)是智能化信息处理中一个很有价值的课题，它融合了数据库、人工智能、机器学习和统计学等多个领域的理论和技术。本文介绍数据挖掘系统的体系结构、数据挖掘的任务、方法及应用，讨论了数据挖掘研究的发展趋势。     

基于全球专利的机器学习技术竞争态势分析

随着人工智能的蓬勃发展,机器学习作为其关键核心技术,也得到了前所未有的发展机遇.为了揭示机器学习技术发展趋势、发掘核心技术热点、识别重要申请人,基于IncoPat数据库对全球机器学习技术专利进行计量分析.从专利的申请/公开趋势、全球竞争情况分布、中国竞争情况分布、中美专利对比分析等维度进行剖析,分析得出机器学习专利处于快速增长期,全球机器学习领域的研究热点主要集中于计算机系统、电数字处理、数据识别等方向.美国在机器学习领域具有较强的研发实力,竞争优势明显.在中国大陆地区,地区经济状况对机器学习产业的发展具有明显影响,腾讯公司是机器学习领域较为优质的中国企业.     

基于全球专利的机器学习技术竞争态势分析

随着人工智能的蓬勃发展,机器学习作为其关键核心技术,也得到了前所未有的发展机遇.为了揭示机器学习技术发展趋势、发掘核心技术热点、识别重要申请人,基于IncoPat数据库对全球机器学习技术专利进行计量分析.从专利的申请/公开趋势、全球竞争情况分布、中国竞争情况分布、中美专利对比分析等维度进行剖析,分析得出机器学习专利处于快速增长期,全球机器学习领域的研究热点主要集中于计算机系统、电数字处理、数据识别等方向.美国在机器学习领域具有较强的研发实力,竞争优势明显.在中国大陆地区,地区经济状况对机器学习产业的发展具有明显影响,腾讯公司是机器学习领域较为优质的中国企业.     

数据挖掘技术及其应用研究

数据库中的知识发现(Knowledge Discov-ery in Database,简称KDD)是一个新兴的人工智能与机器学习技术相结合的研究领域,它是基于人工智能、机器学习、模式识别、统计学等技术,高度自动化地分析大量的数据,从中挖掘出潜在的规律,为作出正确的决策服务.随着数据量的急剧增长,一些大型数据库的规模已经远远超过人工所能分析的程度,需要通过数据库中的知识发现技术来解决,因而有着广阔的应用前景.     

信息几何研究进展

随着人工智能的不断深入,基于欧氏框架的数学理论无法有效地解决信息领域中的一些非线性和随机性问题,而信息几何是解决非线性和随机性问题的有效工具。基于黎曼几何的信息几何由于其在统计推断、信号处理、图像处理、神经网络、机器学习等领域的广泛应用,受到了人们的关注,成为热门的研究领域。经过几十年的发展,信息几何已经从最初鲜为人知的领域发展成为研究非线性、随机性复杂信息的重要工具。将对信息几何研究进展做一个综述。首先介绍信息几何的理论框架,包括对偶联络、流形上的测地距离、以及黎曼梯度等,然后简要介绍信息几何在统计推断、神经网络、控制系统领域、信号处理、机器学习等领域的应用,最后介绍信息几何的展望,期望对信息几何感兴趣的学者有所帮助。通过该综述,读者可以了解到信息几何的基本理论框架,了解到信息几何的重要应用场景,为解决信息领域中的瓶颈问题提供一定的启发。     

Web信息提取中多策略学习算法的研究

将一种新的机器学习方法－多策略学习算法应用于Web信息提取领域，在原有的机械学习，统计学习和相关学习等三种机器学习法基础之上充分考虑各学习方法的利弊，将三者有机结合，使得结合后的新算法在提取Web信息时比结合前任一单一机器学习方法都更有效、更准确。     

机器学习在湍流燃烧及发动机中的应用与展望

随着燃烧科学的发展，数值仿真与实验测量产生了大量数据，这些数据隐含许多有效的物理信息。传统研究方法对此类信息主要利用基于物理规则的模型去处理，但随着数据量的增加，基于数据驱动的方法开始受到重视。机器学习(machine learning, ML)技术由于在数据分析和处理方面取得了巨大成功，为处理燃烧领域的大量数据提供了一种新的范式。该文简要介绍了ML在湍流燃烧中的应用，主要包括化学反应、燃烧建模、发动机性能预测与优化、燃烧不稳定性预测与控制等4个方面，讨论了机器学习在燃烧研究中面临的挑战，并对未来应用进行了展望。     

高斯过程回归方法及其预测模型

机器学习目前在计算机学科和信息学科里是非常重要的一个前沿领域,高斯过程回归这一理论学习方法是一种全新的机器学习方法,它是在贝叶斯理论和统计学习理论结合的基础上发展起来的,自被提出以来就受到各个领域专家、学者的高度重视并取得了不少成果。该文主要介绍高斯过程回归的方法及其算法模型。     

大数据技术类通识实验课的探索与实践

海量数据时代让统计学习已成为许多科学领域及市场研究、 金融学等商科领域热门的工具,大学生拥有大数据统计学习技能是非常必要的.通过通识实验课"大数据统计分析与机器学习"让不同专业的学生掌握基本的数据建模,分析及预测能力,识别获取有价值的信息,解决各个专业的难题,有利于培养学生科学思维与创新能力.采用不同的实验模块来满足多...     

基于随钻数据的岩性识别机器学习算法研究进展

机器学习算法是岩性识别领域重点研究内容之一。与传统岩性识别方法相比,通过监测随钻参数变化进行岩性识别,具有高精度、多信息、集成化、智能化的优点。近年来,随着岩性识别技术不断发展,机器学习算法在岩性识别领域的研究和应用日益广泛。利用机器学习算法分析随钻数据,能够提高岩性识别结果的准确性,更高效地识别地层的岩性和构造。为了厘清岩性识别机器学习算法的发展现状,发掘其在岩性识别技术领域中的技术难题,综述了岩性识别机器学习算法的研究进展。首先,简要介绍了机器学习的概念与发展历程;其次,分类阐述能够用于岩性识别领域的机器学习算法;再次,总结了岩性识别领域各类常用机器学习算法的应用现状,比较了各类算法在岩性识别应用中的优缺点;最后,总结了岩性识别算法存在的问题和面临的挑战,并对其下一步发展方向提出了建议,使未来能更加准确高效地利用机器学习算法分析处理随钻数据,实现机器学习算法与岩性识别技术的深度结合。     

数据挖掘的基本过程及方法

知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物。随着科学数据大量积累和各种数据库的普遍使用，人们又逐步认识到海量数据的利用十分困难、效率低下，而且从中难以获得有价值的指导性意见。另一方面，更多带规律性的信息和知识又往往被大量原始数据淹没。在这种情况下，数据挖掘技术就应运而生，出现在众多学科领域，成为一种强大的化学信息技术。     

支持向量机基础及其应用前景

支持向量机是以统计学习理论的新型机器学习方法，本文重点介绍了支持向量机的理论基础和应用领域。现已成功应用于模式识别和回归估计等领域，有着良好的应用前景。     

支持向量机研究与应用

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，同时也是到目前为止统计学习理论最成功的实现。支持向量机在模式识别、回归估计、函数逼近等领域有了广泛的应用。论述了支持向量机的研究、应用状况，指出了支持向量机研究和应用中待解决的一些问题和今后进一步的研究方向。     

机器学习技术在软件测试领域的应用

系统介绍了近年来机器学习技术在软件测试领域的应用和发展概况。首先通过筛选对多篇文献的研究主题进行了分类,讨论了每个分类的研究重点,然后从实验数据集选择、特征提取和选择方法、处理类别不平衡方法、机器学习算法、评估准则等方面对研究文献进行了分析和讨论,最后总结了利用机器学习技术在软件测试领域的研究热点和对未来研究的展望。