Internet多数据源数据库操作的探索

Internet是一个超大型的分布式系统,其中的各个节点正日益成为数据库系统。从分布在Intertnet上的各数据源中找出数据成为一种迫切要求,这使得数据查询有别于传统方法。主要介绍了一种新的查询概念——合并查询,并给出了查询方案和相应的优化算法。这种查询方式使对于不同数据源之间查询数据有了新的变化,提高了数据查询执行效率。     

基于机器学习的中文MOOC教育学员流失预测研究

MOOC教育自2013年引入国内高等教育领域,得到了大面积的推广普及,随之而来的问题是学员流失严重,这一现象已然成为学界共同关注的研究问题。本文以国内最大的中文MOOC教育“学堂在线”数据集为研究对象,通过数据清洗、筛选、特征优化提取,分别应用三类典型的机器学习模型进行学员流失预测研究,实验对比分析表明,使用具有时间序列特点的优化特征值进行算法预测,其结果在准确度、召回率、F-Scroe等评估指标方面较特征优化前有大幅提高。     

基于XG-B00ST和多数据源的药物重定位预测

新药物研发时间长、成本高,但成功率低,为了提高收益比,药物重定位即旧药新用受到了广泛关注。从临床和实验角度鉴定药物的新用途需要耗费大量人力和物力,从计算角度预测药物新用途成为研究热点;并且,随着药物和疾病相关的大量多层次组学数据积累,通过挖掘药物相关数据鉴定药物新用途成为可能。重点挖掘药物化学结构、药理性质、药物靶蛋白功能、疾病表型等数据得到相应特征,并将这些药物疾病特征进行整合,再将特征输入XG-BOOST模型进行预测。实验结果表明,该方法准确率达87.9%,较逻辑回归、随机森林具有更高的预测精度。     

学校管理信息系统中多格式数据源实现

学校信息管理系统中多种格式数据源数据的存储和转化的方案设计及实施过程中存在问题的解决方案。     

基于Stacking算法与多数据源的有效药物组合

对于癌症、心血管疾病等复杂疾病,采取组合用药克服耐药性和改善功效已成为标准治疗方案。鉴定药物组合标准的方法是进行体内或体外药物筛选实验,但这一过程很缓慢,代价高昂。各种高通量组学技术产生度量药物效应的各层次数据,使得从计算角度挖掘数据进而预测有效药物组合成为主流手段。针对有效药物组合的预测模型大多是利用单一机器学习模型建模。为获得更高的精度,提出一种新的有效药物组合预测方法。该方法充分利用5种不同层次的药物信息构建相似性特征,特别引入药物靶标的序列信息和功能信息,基于Stacking算法融合多个传统机器学习模型和最新的集成学习模型LightGBM。实验表明,该方法预测的AUC值为0.953,精度比单一机器学习模型有显著提升。     

基于XML的异构数据源应用研究

互联网上异构数据源的集成是很有意义的,只有提供给用户一个统一的视图,才有可能从浩瀚的数据资源中获取所需的信息.通过对XML技术特点的研究,提出了一个基于XML技术的异构数据源联合使用的模型.     

基于Web异构数据源的整合与集成

对Web异构数据源整合与集成模式进行了研究，阐述了Web数据源的异构性，并着重分析了采用数据库互访技术来实现异构数据源的整合与集成模式的方法。     

傅立叶级数+机器学习法双联预测小行星分类

利用傅立叶级数对散点小行星光变数据进行曲线拟合,以获得小行星表示参数,选取傅立叶级数为6的拟合方式对单体或双体小行星光变曲线进行分类,并用机器学习算法中的SVM和决策树建立预测模型。检验结果表明,SVM模型对单体和双体小行星的预测正确率达到95%,相较于决策树正确率提高了10%,为从小行星实际观测数据直接推测双体小行星潜在相关应用提供了参考。     

学校管理信息系统中多格式数据源实现

学校信息管理系统中多种格式数据源数据的存储和转化的方案设计及实施过程中存在问题的解决方案。     

机械零件加工质量预测及优化模型构建研究——基于机器学习算法

在制造业零件加工过程中,精确高效的机械零件加工质量预测模型,可以帮助机械生产工艺过程有更高的生产效率,减少时间和成本。但在目前机械零件加工质量预测模型研究中,预测算法存在着计算复杂、精度低等问题,限制了机械零件加工质量的提升。因此,基于XGBoost机器学习,通过人工蜂群算法与遗传算法结合的方式进行参数寻优,建立机械零件加工质量目标优化函数。实验结果表明,在迭代训练所提方法的预测精确度和收敛速度上都有更好的表现,通过该方法,整体零件加工平均误差为0.0045 mm,相较于优化前,误差有60.87%的降低。     

基于机器学习的智能决策支持系统

机器学习技术的迅速发展为新一代智能决策支持系统的构成提供了实现基础。文章研究了智能决策支持系统和机器学习技术的最新发展状况，讨论了基于机器学习的智能决策支持系统中的若干问题，并研究了具体的体系结构及其中的问题。     

基于爬虫的软件缺陷预测

随着软件的规模和复杂度持续上升,在软件开发中不可避免地会引入缺陷,而如何对软件进行缺陷预测也成为了软件工程研究的热点领域之一。现有的软件缺陷预测方法主要根据源码结构提取预测信息而忽视了软件缺陷报告的作用,而软件缺陷的相关报告广泛存在于各软件技术论坛上,也是软件缺陷预测的重要依据。因此本文提出了一种基于爬虫的软件缺陷预测方法,其主要手段是通过爬虫获取技术论坛中用户提交的缺陷报告信息,并通过机器学习技术的处理,指导开发人员在开发过程中避免相关缺陷,提高软件质量。     

基于数值预测的机器学习相关算法综述

计算机出现以后,人们就想知道它能否学习.机器学习的主要任务就是发明计算机算法,将数据转化为智能行为.机器学习算法可分为两大类:有监督算法和无监督算法.有监督学习算法用来建立预测模型,无监督学习算法用来建立描述模型.有监督的学习算法可以用来分类和数值预测.针对可以进行数值预测的几种算法,比如回归分析、决策树、神经网络、支持向量机等算法做了简单介绍,然后分析了几种算法的在数值预测问题上应用.     

药物流产有哪些副作用？

请问药物流产是否安全？副作用都有哪些？ 药物流产时量已排出绒毛胎囊,但子宫内的蜕膜组织则是慢懂排出的,故出血日寸间较长,平均10—15日。部分女性会因出曲多、时间长而导数贫曲或并发子宫内膜炎、盆腔炎等。因此,药物流产必额到具有急诊刮宫手术和输液等条件的医疗机掏,在专门培训的医生指导下应用,并按规定服药、观察、髓诊。以便及时发现问题,及时处理。     

机器学习在数学成绩预测中的应用研究

学生的成绩是教师优化教学过程、调整教学决策的重要标准,文章运用了多种机器学习算法对学生的数学成绩进行建模,通过比较模型的准确率、精确率、召回率、F1-Score,最终确定了人工神经网络是最优的模型。通过对数据特征重要性评估,得出了影响学生成绩的主要因素是母亲的工作、父亲的工作、出勤量、挂科数、健康状况、出去玩的频率及周饮酒量的结论。     

药物副作用男女有别

特殊时期慎用药 女性的子宫内膜会周期性脱落,形成月经。在经期及月经来潮前几天,女性应该避开一些药。如激素类药物会影响内分泌系统,在月经期间服用容易引起月经周期、行经时间及经血量异常;阿司匹林会使月经量增多;香豆素、肝素、溶栓剂等抗凝药不宜在经期使用,否则可能引起大出血。此外,经期还应慎用阴道栓剂。     

基于KPCA-LightGBM的心脏病预测研究

由于工作压力大和饮食不健康等原因,心脏病发病年龄不断提前.同时,各地区存在医疗资源不充分、发展不平衡问题.因此,通过患者身体状况快速预测和诊断心脏病具有重要现实意义.提出一个KPCA-Light-GBM模型,通过KPCA算法对数据集进行降维,使用LightGBM算法对降维后的数据集进行训练,然后使用训练好的模型预测心脏...     

基于机器学习的安全大数据技术课程实验教学设计

该教学实验设计以Python的机器学习整合包为内核,以煤岩瓦斯复合动力灾害预测为背景,使用Python语言编写,方便了学生在有限的教学与实验课程中实现机器学习挖掘数据的编程任务。实验内容包括数据集构建、Apis调用、数据集读取、数据归一化处理、模型训练与导出、样本集预测、模型准确度检验等环节。该教学实验涉及学科交叉,实用性强,能够为提升学生使用恰当的现代化分析技术与工具的能力。