提交文件

提交准备清单

作为提交过程的一部分，作者需要检查其提交的内容是否符合以下所有项目，提交的内容可能会退还给不遵守这些准则的作者。

提交的稿件以前没有发表过，也没有提交给另一本期刊审议（或在给编辑的评论中提供了解释）。
提交文件使用期刊提供的LaTeX文件格式生成(https://github.com/matthias-da/ajs-public)
所有插图、图表和表格都放在文本中的适当位置，而不是末尾。这些图形包含在矢量图形（如PDF）中，而不是像素图形（如JPG或PNG）中。
文本符合作者指南，见《关于杂志》。
手稿标题和参考文献采用标题-大小写样式，章节标题采用大小写样式。
最好将至少三名潜在审稿人的姓名和地址与手稿一起提交。

作者指南

原始LaTeX文件（包括一个tex和一个bibtex文件）应作为模板，用于设置以计算机可读形式提交的文本。不考虑我们风格的论文可能会被自动拒绝。指南可下载于https://github.com/matthias-da/ajs-public网站

强烈鼓励作者使用LaTeX撰写论文。只有在您拒绝LaTeX的好处时，才会很少接受其他格式。如果你真的需要用Word写你的手稿，请不要过多的排版，这样我们就能以自动化的方式把它翻译成LaTeX。Word中的手稿必须具有卓越的质量才能接受审查。

请注意，只要考虑到原始LaTeX风格，也可以接受基于Sweave、knitr、markdown或brew的可复制文本文件。

不收取提交费、处理费或任何出版费。

物候学研究中的统计应用和方法（已关闭）

与《奥地利统计杂志》的目标和范围一致

对2016年欧洲地球科学联盟（EGU）大会的贡献

将选择4-8篇论文。将邀请所选论文的作者编写

这期杂志特刊的扩展同行评议版。

除了全文论文外，我们还鼓励提交短文。

所有提交的作品必须包含未被考虑发布的原创作品-

其他地方的应用程序。

我们诚挚地邀请您将您的手稿提交给本期特刊

“现象”一节。请参阅期刊网页上的作者指南

网址：www.ajs.or.at

了解更多详细信息。强烈鼓励作者创作

他们的论文使用LaTeX，但标准的Office格式可能会被接受，因为我们

2019年iCMS

只接受iCMS 2019年会议的论文提交

面向真实世界数据应用和人工智能的机器学习和统计建模

机器学习和统计建模已成为
人工智能（AI）和真实世界数据应用领域。作为体积和
数据的复杂性继续呈指数级增长，这些技术使我们能够提取
有价值的见解，做出准确的预测，并从不同的方面获得可操作的情报
数据。机器学习算法使用统计模型自动学习模式，
数据中的关系和依赖关系。这使得AI系统能够实现数据驱动
通过适应不断变化的环境和发现隐藏的信息来做出决策。上
另一方面，真实世界的数据应用程序包含广泛的领域，包括
医疗、金融、市场营销、网络安全、交通等诸多领域。被监督的
学习算法，如决策树、支持向量机（SVM）和神经网络
网络，从标记的训练数据中学习以进行预测。同样，无监督
学习算法，包括聚类和降维方法，揭示
数据中的模式和分组，而无需事先了解类标签。在
强化学习，算法通过试验和
与环境的错误交互。通常，机器学习和
统计建模依赖于几个因素，如数据质量、特征工程、模型
选择、超参数调整和验证技术。这对预处理和
清理数据，处理缺失的值，适当地规范化特征并拆分数据
培训、验证和测试集。正确的模型选择包括考虑
当前问题、可用数据、计算资源和可解释性或
复杂性要求。
随着这些领域的不断进步，我们可以继续解锁
人工智能在不同领域的潜力，改善医疗结果，增强财务
决策、优化业务流程、支持网络安全和转型
运输系统。在本期特刊中，我们旨在分析这种机器学习和
真实世界数据应用和人工智能的统计建模。我们欢迎
专注于开发可解释和可解释机器学习的研究文章
模型，解决数据质量和可用性问题，探索道德考虑
人工智能系统的开发和部署。

特别议题包括但不限于以下内容：
实际应用中的转移学习：利用预培训模型
域适应。
复杂任务中有效数据注释的主动学习策略。

处理不平衡数据集：解决现实世界中类不平衡的方法
数据。
 公平软件机器学习：减少偏见和确保公平的方法
结果。
 动态环境中机器学习模型的鲁棒性和可靠性。
 使用统计建模和机器学习进行实时异常检测。
 强化学习用于复杂现实场景中的决策。
 机器学习中不确定性量化的贝叶斯建模和推理。
 为智能系统集成机器学习和物联网（IoT）。
 用于自然语言处理和理解的深度学习架构。
 个性化医疗中的机器学习：针对特定患者的预测建模
治疗。
 使用统计建模和机器学习进行时间序列分析和预测。
 以人为中心的人工智能：设计包含用户偏好和
反馈。
重要日期：
提交截止日期：2023年11月10日
作者通知：2024年2月20日
修订版提交：2024年4月25日
最终决定通知：2024年7月5日

客座编辑和合作编辑信息：
Gajendra K.Vishwakarma博士
教授
数学与管理系；计算
印度丹巴德理工学院
印度丹巴德
电子邮件：[电子邮件保护],[电子邮件保护]
学者链接：https://scholar.google.com/citations？user=i0TdQXgAAAAJ&hl=en

Atanu Bhattacharjee博士，
副教授
真实世界证据单位，
莱斯特大学
英国莱斯特
电子邮件：[电子邮件保护],[电子邮件保护]
学者链接：https://scholar.google.com/citations？user=0aUvGq8AAAAJ&hl=en

Tahani A.Abushal博士
副教授

数学系
乌姆阿尔库拉大学，
沙特阿拉伯麦加
电子邮件：[电子邮件保护]
学者链接：https://scholar.google.com/citations？user=YE4aZMAAAAAJ&hl=en

现实世界数据应用和人工智能的机器学习和统计建模

机器学习和统计建模已成为
人工智能（AI）和真实世界数据应用领域。作为体积和
数据的复杂性继续呈指数级增长，这些技术使我们能够提取
有价值的见解，做出准确的预测，并从不同的
数据。机器学习算法使用统计模型自动学习模式，
数据中的关系和依赖关系。这使得AI系统能够实现数据驱动
通过适应不断变化的环境和发现隐藏的信息来做出决策。上
另一方面，真实世界的数据应用程序包含广泛的领域，包括
医疗、金融、市场营销、网络安全、交通等诸多领域。被监督的
学习算法，如决策树、支持向量机（SVM）和神经网络
网络，从标记的训练数据中学习以进行预测。同样，无监督
学习算法，包括聚类和降维方法，揭示
数据中的模式和分组，而无需事先了解类标签。在
强化学习，算法通过试验和
与环境的错误交互。通常，机器学习和
统计建模依赖于几个因素，如数据质量、特征工程、模型
选择、超参数调整和验证技术。这对预处理和
清理数据，处理缺失的值，适当规范化特征并拆分数据
培训、验证和测试集。正确的模型选择包括考虑
手头的问题、可用数据、计算资源和可解释性或
复杂性要求。
随着这些领域的不断进步，我们可以继续解锁
人工智能在不同领域的潜力，改善医疗结果，增强财务
决策、优化业务流程、支持网络安全和转型
运输系统。在本期特刊中，我们旨在分析这种机器学习和
真实世界数据应用和人工智能的统计建模。我们欢迎
专注于开发可解释和可解释机器学习的研究文章
模型，解决数据质量和可用性问题，探索道德考虑
人工智能系统的开发和部署。

特别议题包括但不限于以下内容：
 实际应用中的转移学习：利用预培训模型
域适应。
 复杂任务中有效数据注释的主动学习策略。

 处理不平衡数据集：解决现实世界中类不平衡的方法
数据。
 公平软件机器学习：减少偏见和确保公平的方法
结果。
 动态环境中机器学习模型的鲁棒性和可靠性。
 使用统计建模和机器学习进行实时异常检测。
 强化学习用于复杂现实场景中的决策。
 机器学习中不确定性量化的贝叶斯建模和推理。
 为智能系统集成机器学习和物联网（IoT）。
 用于自然语言处理和理解的深度学习架构。
 个性化医学中的机器学习：针对特定患者的预测建模
治疗。
 使用统计建模和机器学习进行时间序列分析和预测。
以人为中心的人工智能：设计包含用户偏好和
反馈。

重要日期：
提交截止日期：2023年11月10日
作者通知：2024年2月20日
修订版提交：2024年4月25日
最终决定通知：2024年7月5日

Tahani A.Abushal博士
副教授

数学系
乌姆阿尔库拉大学，
沙特阿拉伯麦加
电子邮件：[电子邮件保护]
学者链接：https://scholar.google.com/citations？user=YE4aZMAAAAAJ&hl=en

基辅TSNU概率、统计和精算数学专刊部

在提交本特刊之前，请联系Ludmila Sakhno[电子邮件保护]如果你还没有和她联系。

特别发行。纪念：弗里茨·利什

仅限邀请提交。

版权声明

《奥地利统计杂志》根据知识共享署名（CC BY）许可.

The 知识共享署名许可证（CC-BY）允许用户复制、分发和传播文章，修改文章并将文章用于商业用途。CC BY许可证允许开放获取文章的商业和非商业重复使用，只要作者是正确的。

《奥地利统计杂志》发表的任何研究文章的版权归作者所有。作者授予《奥地利统计杂志》发表这篇文章的许可证，并表明自己是最初的出版商。作者还授予任何第三方自由使用文章的权利，只要文章的原始作者、引文细节和出版商都已确定。

手稿应未出版，不得考虑在其他地方出版。通过提交文章，作者证明文章是他们的原创作品，他们有权提交文章以供出版，并且可以授予上述许可。

隐私声明

本日志网站中输入的姓名和电子邮件地址将仅用于本日志的规定目的，不会用于任何其他目的或提供给任何其他方。