人工智能手册

机器学习已经直接或间接地成为我们日常生活的一部分。在多个领域中使用了几种机器学习技术，以增加人类对计算机的有效使用。在过去几十年中AI和ML在各个应用领域的重要性迅速增加已经进行了许多研究，并且仍在进行中。即便如此，还有很多事情要做探索AI和ML在我们日常生活中的应用。原因是这样做只是为了改进各个领域现有的工作流程，同时也为了有价值的建议和进一步研究的范围。在这种情况下，我们试图讨论与机器学习相关的基本概念，并简要概述各种机器学习的应用领域。

在本章中，我们简要讨论了机器的各种实时应用学习算法。机器学习算法解释了以下主题：ML算法介绍、监督学习、分类、回归（线性回归、逻辑回归、决策树、朴素贝叶斯、支持向量机、随机森林、AdaBoost、梯度增强树）和无监督学习（K-Means聚类，高斯混合模型，层次聚类、推荐系统、PCA/T-SNE）。应用机器学习解释了各种实时应用程序，如增强、，自动化、金融、政府、医疗、营销、交通警报、图像识别、视频监控、情感分析、产品推荐、在线支持使用聊天机器人、谷歌翻译、在线视频流应用程序、虚拟专业助理、社交媒体中机器学习的使用、股市信号使用机器学习、自动驾驶汽车和实时动态定价。 

本章首先简要介绍机器学习和机器学习系统的分类（有监督学习、无监督学习、，和强化学习）。”使用ML技术预测乳腺癌第2章的主题。本章介绍了各种乳腺癌预测算法，包括卷积神经网络（CNN）、支持向量机、Nave贝叶斯分类和加权Nave-Bayesian分类。心脏的预测疾病使用机器学习技术是第3章的主题。本章描述了许多心脏病预测算法，包括支持向量机器（SVM）、逻辑回归、KNN、随机森林分类器和深度神经网络。使用机器学习技术预测IPL数据是第4章的主题。本章介绍了以下算法：决策树，朴素贝叶斯，K-最近邻随机森林，数据挖掘技术，模糊聚类逻辑、支持向量机、强化学习算法、数据分析方法和贝叶斯预测技术。第五章：软件错误通过机器学习进行预测-AR模型和已知功率模型（POWM），以及人工神经网络（ANN），粒子群优化（PSO）、决策树（DT）、Nave Bayes（NB）和线性分类器方法（K近邻、Nave Bayes、C-4.5和决策树）预测《使用机器学习技术的降雨量》，第6章：以下是讨论了：LASSO（最小绝对收缩和选择算子）回归，人工神经网络，支持向量机，多层感知，决策树，自适应神经模糊推理系统，小波神经网络，集成预测系统、ARIMA模型、PCA和KMeans算法、，递归神经网络（RNN）、统计KNN分类器和神经SOM天气使用包含贝叶斯网络的机器学习技术进行预测，线性回归、Logistic回归、KNN决策树、随机森林、K-Means和Apriori算法，以及线性回归、多项式回归、，随机森林回归、人工神经网络和递归神经网络网络。

在机器学习中，分类被视为监督学习基于标记数据预测类样本的技术。分类技术有已应用于入侵检测、信用卡欺诈检测、，然而，所有这些领域的分类技术都已应用于平衡的数据集。平衡数据集是指包含相等比例的多数人和少数人的例子。然而，在实时中，获得平衡数据集是困难是因为大多数数据集往往是不平衡的。开发模型对不平衡数据集进行分类是一个挑战，特别是在医学领域。及时准确识别受疾病影响的患者至关重要错误分类会导致严重后果。然而，大多数的实时数据集对大多数传统机器提出了挑战学习算法。过去几年，研究人员利用传统的机器学习算法（线性和非线性）分类不平衡数据集的性能不佳。要解决此问题偏斜数据集的几种统计技术&鲁棒机器学习技术由研究人员开发。关于处理不平衡问题的探讨医疗领域中使用机器学习技术的数据集是一个主要关注点本章的。 

将高性能基因组技术引入植物科学已经产生了大量的基因组信息。此外，对于生物学家来说，要处理如此复杂、庞大的数据并推断出一些为了提高作物的质量和数量，重大发现挑战他们。人工智能（AI）、机器学习（ML）的出现和深度学习（DL），促进了更高效、更好的自动化工具数据分析。田间耕作中需要自动化的另一个关键过程是作物病害的及时准确诊断，在防止生产力损失和减少农产品数量。毫升提供了一种通过自动田间作物检测解决这些问题的解决方案。最近，DL技术被广泛应用于处理图像以获得提高了准确性。本章描述了农业基因组学中人工智能的需求；它也是包括作物改良过程的各种当代人工智能解决方案，以及提出了基于人工智能的作物改良模型（AI-CIM）。 

术语“物体检测”是指一种使人类能够识别视觉媒体中呈现的特定类型的事物。其中一个重要的该技术的应用是自动驾驶汽车。在应用程序中，活动是检测单个图像帧中存在的各种对象。对象示例属于多个类别的有卡车、自行车、人、汽车、狗和猫。为了这个任务，我们使用对象定位和分类，因为我们必须定位多个对象在图像中。市场上基于深度学习使用的各种技术内置架构，如VGG-16和InceptionV3。使用这些技术来解决这个问题是一个合理的解决方案，但这些架构的响应时间可能不可行，因为自动车辆必须在0.02毫秒内作出反应为了避免各种碰撞。所以使用YOLO，我们只需预测类以及对象在单个运行模型和检测中的有界坐标图像中的多个对象，而不是仅关注各种模型以前使用的图像。YOLO使用卷积神经网络的帮助，不太可能产生定位错误。

图像是轻松表达信息的重要媒介。这篇论文用机器学习方法处理图像分割的内容。细分是从图像中提取所需信息的过程。机器学习是帮助分类以获得良好结果的过程。许多算法是为分割过程设计。算法的选择基于应用程序。如果算法固定在应用程序级别。独立方法可用于实时应用程序。示意图分割是用于图像分割的最佳技术之一。机器学习结合了基本技术以产生良好的结果。算法不同的输入图像（如MRI、CT扫描、彩色图像等）会有所不同。算法类k均值聚类主要用于处理。许多问题发生在可以通过贝叶斯体系结构去除的分割。机器的使用学习可以提高准确性和效率。标签、培训和测试是通过机器学习进行分割的方法。 

个性化网页排名是搜索的关键组成部分之一发动机。此外，大多数现有搜索引擎只关注回答用户查询，尽管个性化将随着网络上可用的信息增加了。尽管有各种重新分类算法开发，为用户查询结果提供快速响应网页个性化的挑战。因此，高效的排名开发了名为“对立草蜂优化算法”的算法，用于在网页个性化系统中重新存储web文档。提议的该算法是通过将对置式草蜢（OGHO）和人工蜂群优化（ABC）算法。虚构的概念计算和觅食行为在web环境。然而，从网页中提取的语义特征通过健身措施。提出的OGBEE排名算法有效地捕获和分析不同搜索引擎的排名得分，以生成重新排名的得分结果。

本章涵盖文本分析定义，以及如何开始使用文本分析、示例和方法，以及案例研究。本章给出了以下示例现有的文本分析应用程序，以显示广泛的现实世界含义。最后，作为文本分析和本书的指南，我们给出了一个流程路线图。第章2（如何开始文本分析）简要介绍了分析你的数据，使用BI工具了解数据和词尾。第3章（示例和文本分析方法）解释了各种文本分析方法1：单词发现文本分析方法2。手动规则文本分析方法3。文本分类方法4：主题建模方法和5。专题分析。单词识别文本分析方法、手动规则、文本的应用分类法、主题建模法和主题分析法通过实时示例进行了讨论。第4章讨论了案例研究，如下实时应用程序Word Cloud Explorer演示其分析功能。

人类活动识别在医学上有广泛的应用研究和人类调查系统。我们提供了一个强大的活动识别系统基于本文中的智能手机。系统用3采集时间序列信号-维度智能手机加速计是唯一的传感器，其中31个具有创建了时域和频域。二次分类器，k-最近邻域算法、支持向量机和人工神经网络用于对活动进行分类。特征提取和子集选择用于减少维度。除了被动学习外，我们还使用主动学习技术降低数据标记的成本。实验结果表明被动学习的分类率为84.4%，并且对常见的手机姿势和姿势。 

工人们已经忘记了取水的重要性。Smart Water公司如果这个瓶子被家庭主妇或家里的人使用，它会发出警报。这个该设备还可以配置为智能手机，从而发送消息或向智能手机发出警报，让用户通过保持某个时间间隔。如果配置到他们的手机上，它将发送金额记录用户饮用水的数量。物联网、安卓等最新新兴技术其他的肯定会对用户有用。 

机器学习（ML）是人工智能的一个子集，用于构建用于监测、诊断、预测和预测临床的算法结果。健康是人类最关心的问题。ML目前的成功是应该的使用大型人工神经网络进行深度学习（DL）。过去，机器学习已经证明了它在检测癌症方面的有用性和技能。它是一个顶级医疗先驱检测异常的最可行解决方案。什么时候？医疗保健公司成功地使用了预测模型，他们在以下方面面临挑战展示他们的价值并赢得公司的信任。最近，成立基于机器学习的临床研究报告标准将有助于连接临床和计算机科学社区，实现机器学习技术。研究人员在设计不同应用的机器学习算法。许多论文讨论了如何机器学习算法涉及健康监测，将进行更新这样患者、医生或任何个人都可以查看信息。的主要目标本文将讨论机器学习的基本类型以及面临的挑战医疗保健中的人工智能（AI）。临床研究中可能存在的风险关于如何准确有效地分析性能和避免经常出现的陷阱，尤其是在处理健康和健康环境。

在大流行时期，医疗保健至关重要，但它对健康至关重要日常生活。许多国家拨出大量资金用于提供高质量医疗服务。随着医疗费用的增加，政策制定者和资助者越来越注重调查导致高成本的潜在因素医疗资源。综合分析将所需费用用于用于诊断的资源的识别、评估和测量过程。本章的目的是提供如何进行数据分析这有助于识别欺诈行为。生成的模型有助于健康管理机构识别索赔的可疑行为。医疗欺诈对全球健康结果构成严重威胁，并可能导致滥用，稀缺资源以及对医疗服务、基础设施和社会的负面影响健康的决定因素。医疗欺诈与医疗成本增加有关大多数领先国家。拟议的研究工作提供了一个估计卫生资源利用机制及其对医疗成本的影响。这个本章提出了处理医疗数据以防止未来医疗保健的战略方法欺诈，减少医疗支出，并充分利用资源使人口。本章研究三个主要数据集和一个合成数据集从主要数据集中聚合。数据预处理在不同的模型的级别，这真正提高了数据质量。模型构建于三个层次；第一级分析提取主要特征的数据集并在数据处理方面提供建设性的决策和结果。对分层分组机制的回归分析有助于了解详细的可能影响医疗保健和防止资源滥用的功能。 

机器学习是指能够从数据中学习。例如，如果在一些任务T中，计算机程序是从E学习的，性能的测量方法是P.学习计算机不需要在机器中进行显式编程学习，这是一个研究领域。机器学习可以用于各种应用程序，如银行、旅游、医疗、营销、保险和人力资源。机器学习是实现安全性的强大工具应用。