需求获取被称为软件过程中最敏锐的知识密集型活动。 需求的质量支持任何软件开发的成功。 文献回顾表明,科学家们已经通过新兴的需求获取过程的各种工具和方法准备了主要支持。 然而,需求工程师要想在整个过程中进行需求获取活动,仍然面临着许多挑战。 一些关键挑战是用户和分析师之间的沟通不畅、支持工具和利益相关者的参与。 这些问题可能导致低效的结果和系统开发的结束。 之前的研究历史表明,人工智能 (AI) 方法可以通过提出几种方法/工具在一定程度上计算机化某些程序,从而在用户和分析师之间提供有效的沟通,从而在这方面提供帮助。 本研究的目的是对需求获取的每个阶段的问题进行分类,并探索人工智能技术来解决这些公认的挑战。 此外,该研究还通过维恩图发现了这些挑战与其潜在的 AI 解释之间的联系。 这项研究是对我们之前工作的补充,在这里,尝试在许多需求获取技术中结合和描述 AI 技术。
2021-11-13 10:08:12 655KB Requirements Elicitation Artificial
1
轴向注意 在Pytorch中实施。 一种简单而强大的技术,可以有效处理多维数据。 它为我和许多其他研究人员创造了奇迹。 只需在数据中添加一些位置编码,然后将其传递到此方便的类中,即可指定要嵌入的尺寸以及要旋转的轴向尺寸。 所有的排列,整形,都将为您解决。 实际上,这篇论文由于过于简单而被拒绝了。 然而,自那以后,它已成功用于许多应用中,包括, 。 只是去展示。 安装 $ pip install axial_attention 用法 图像 import torch from axial_attention import AxialAttention img = torch . randn ( 1 , 3 , 256 , 256 ) attn = AxialAttention ( dim = 3 , # embedding dimension
1
简单人工神经网络(ANN) 关于案例研究 在此业务案例研究中,我们预测了银行客户的流失率。 为了了解银行的客户,我们将使用一种深度学习技术,即人工神经网络(ANN)。从数百万的客户中,我们随机选择了1万个客户。 我们将使用客户的特征来确定他/她离开银行的可能性。 为了了解银行的客户,我们将使用一种深度学习技术,即人工神经网络(ANN)。 此外,我们将使用流行的Python库(例如Tensorflow,Keras)和机器学习技术(例如Adam Optimizer)来训练ANN模型并预测客户流失率。 数据:客户数据存储在: 论文:ANN案例研究论文: 研究论文 代码:Artificial_Neural_Network_Case_Study.py SAMPLE_OUTPUT = ANN_Case_Study_Sample_Output_1.png SAMPLE_OUTPUT = ANN_C
2021-11-10 20:14:17 2.57MB data-science machine-learning deep-learning python3
1
持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法: EWC: ,(克服神经网络中的灾难性遗忘) 在线EWC: , SI: ,(通过突触智能持续学习) MAS: ,书面(“内存感知突触:学习(不)忘记的内容”) 创业板: ,(用于持续学习的梯度情景记忆) (更多即将到来) 将以上所有算法与具有相同静态内存开销的以下基准进行比较: 天真彩排: L2: , 关键表: 如果此存储库对您的工作有所帮助,请引用: @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a
1
伯克利AI课程项目 WashU的课程项目CSE 511。 [项目0] Python基础 [项目1] 吃豆人搜寻:DFS,BFS,A *,UCS,次优搜寻等。 [项目2] Pacman剂:反射剂,Minimax剂,Alpha-Beta剂和Expectimax剂。 [项目3] Pacman代理:值迭代代理,Q学习强化学习代理和近似Q代理。 [项目4] 捉鬼敢死队:任务难度从追踪单个静止的幽灵到以无情的效率寻找多个移动幽灵的猎物包。 警告: 不要为自己的任务复制我的代码!
1
AI学习投资-周六AI Euskadi。 机器学习项目的应用使新手的投资更容易理解。 1.投资比例的网站报废。 我们已经废弃了与来自纽约证券交易所市场的公司相关的beautifoulSoup投资数据。 2.创建数据集。 我们在过去10年中随机模拟了500.000个投资,投资期限在1天到2年之间。 通过应用分类或归一化技术等方法,已清理数据集并准备进行机器学习建模。 如果要使用结果数据集,则将其保存到“ datasets / transactions_variables.csv”中。 3.数据建模和优化。 在用pycaret筛选出哪种分类模型更适合我们的问题之后,我们选择了“决策树”,因为它更易于解释。 请记住,我们的目标不是进行更好的投资,而是使投资可用于更广泛的人群。 借助Graphviz,优化了决策树并可视化了结果。 4.数据部署并在REST API服务器上进行测试。 该项目的
1
matlab分形教学代码使用 L 系统从“DNA 基因”中绘制分形“动物园动物”和植物:蕨菜、垫片等。 共有三个版本: LiveCode - 这是完整且有效的 True BASIC - 这只是我原来程序的清单和画的几张图 MATLAB - 这是在早期开发 我不确定我是从哪里想到使用这个想法的——它是在 Richard Dawkin 的一本书中,例如,自私的基因还是盲人制表师? 数学名称是 L 系统 “L 系统由乌得勒支大学的匈牙利理论生物学家和植物学家 Aristid Lindenmayer 于 1968 年引入和开发。” 另请参阅 Barnsley fern “Barnsley 开发的 fern 代码是创建分形的迭代函数系统 (IFS) 的一个示例。” 另见迭代函数系统 另见仿射变换 还可以在 LiveCode 中看到“科赫岛:LiveCode 的分形基础” 还可以在 LiveCode 中看到带有 LiveCode 的“龙的进化”
2021-11-02 15:13:00 823KB 系统开源
1
虽然大多数关于人工智能、算法和偏见的研究都是从信息技术和计算机科学领域的“公平”的角度进行的,但本章探讨了算法歧视的问题——一个不完全重叠的类别带有算法偏见——从非歧视法的具体角度来看。 特别是与目前大多数关于算法和歧视问题的研究侧重于美国背景相比,本章将欧盟非歧视法作为其调查对象。 我们提出了非歧视一般原则的弹性问题,即欧盟平等法有效应对算法歧视带来的具体挑战的能力。 由于欧盟法律代表了一个总体框架,并为欧盟成员国在国家层面上防止歧视制定了最低保障措施,因此重要的是测试对人工智能技术在日常生活应用中普遍且日益增加的使用所带来的风险的保护措施。这个框架允许。 因此,本章描绘了人工智能对平等和非歧视所带来的挑战,这既是欧盟法律的一般原则,也是一项基本权利。 首先,我们确定了基于人工智能的决策,尤其是机器学习算法所带来的具体歧视风险。 其次,我们回顾了欧盟非歧视法如何在其实体范围方面捕捉算法歧视。 第三,我们从概念的角度进行审查,绘制出从欧盟法院 (CJEU) 制定的直接和间接歧视概念的角度出现的摩擦点。 在最后一步,我们确定算法歧视在执法层面带来的核心挑战,并提出潜在的前进方向。
2021-11-01 16:33:28 597KB Discrimination Artificial intelligence
1
算法决策和其他类型的人工智能 (AI) 可用于预测谁将犯罪、谁将成为好员工、谁将拖欠贷款。 然而,算法决策也可能威胁到人权,例如不受歧视的权利。 该论文评估了欧洲当前针对歧视性算法决策的法律保护。 该论文表明,非歧视法,特别是通过间接歧视的概念,禁止多种类型的算法歧视。 数据保护法也有助于保护人们免受歧视。 适当执行非歧视法和数据保护法有助于保护人民。 然而,该论文表明,当应用于人工智能时,这两种法律文书都存在严重的弱点。 该文件建议如何改进现行规则的执行。 该论文还探讨了是否需要额外的规则。 该论文主张采用特定于行业的规则,而不是通用规则,并概述了一种规范算法决策的方法。
2021-11-01 16:28:39 310KB artificial intelligence machine
1
matlab计算隶属度代码KNN算法检测乳腺癌 K-最近邻分类 k-最近邻域 (KNN) 算法是一种易于实现的监督学习算法。 它用于解决分类和回归问题,在工业中用于解决工业中的分类问题。 在模式识别中,K-最近邻算法(K-NN)是一种用于分类和回归的非参数方法。 在这两种情况下,输入都由特征空间中的 K 个最接近的训练示例组成。 K-NN 是一种基于实例的学习。 在 K-NN 分类中,输出是一个类成员。 分类是由邻居的多数票完成的。 如果 K = 1,则该类是单个最近邻 [6]。 KNN 算法是由 TM Cover 和 PE Hart 在 1967 年提出的。该算法是通过使用来自已知类别的样本集的数据来使用的。 根据现有数据计算新数据要包含在样本数据集中的距离,并检查k个近邻域。 通常,距离计算使用 3 种距离函数: “欧几里得”距离 到“曼哈顿”的距离 “闵可夫斯基”是距离。 神经网络; 它是最流行的机器学习算法之一,因为它可以抵抗旧的、简单的和嘈杂的训练数据。 然而,它也有一个缺点。 例如,当用于大数据时,它需要大量的内存空间,因为它在计算距离时存储所有状态。 KNN算法的步骤:
2021-11-01 11:38:27 1.98MB 系统开源
1