人工智能将改变医疗健康的方方面面，包括我们管理个人健康的方式，从客户体验和临床护理到降低医疗保健成本。这本实用的书是第一本描述AI可以帮助解决有害的医疗保健问题的当前和未来用例的书。

案例检索算法研究是案例推理中的一个关键问题，本文基于案例推理原理，利用不同类型特征属性将案件量化，从而构建案例库。使用K近邻算法计算历史案例与目标案例的相似度，匹配出相似度最高的历史案例。利用此最优历史案例的解决方案作为参考，去解决目标案例所述问题。最后，将该算法应用于社区纠纷调解，该算法注重实效，定位快速，能够高效解决社区纠纷。

对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等）。 了解更多 --- ----- -， --- 该图书馆正在不断发展中。 欢迎反馈，错误报告和贡献

一个闪亮的应用程序，通过模拟退火 MCMC 可视化简单的贝叶斯推理。

人工智能课件：第五章 不确定性推理.pdf

人工智能课件：第五章 不确定性推理方法.pdf

贝叶斯网络的循环信念传播算法的实现 贝叶斯网络和循环信念传播 贝叶斯网络可用于编码事件之间的一组因果或逻辑概率依赖关系。它们采用有向无环图的形式，每个节点都与一个概率表相关联，该概率表定义了它根据其父节点的值获取每个可能值的概率。 Loopy Belief Propagation 是一种算法，它计算网络每个节点的边际概率分布的近似值，以预先设置的一组选定“观察”变量的值为条件。 这是一个近似值，它表现得好像每个节点的父节点在给定节点的情况下是条件独立的。仅当所考虑的图实际上是一棵树（没有无向循环）时，这才是正确的，在这种情况下，近似值是精确的。 该算法的一个典型失败案例是，当某些节点的父节点既高度相关又非常随机（尤其是simple_net此存储库中的示例的情况；））。然后，即使算法收敛（并非总是如此），它也很可能收敛到错误的值。 另一方面，对于观察结果几乎可以肯定确定网络其余部分的值的网络（这在现实世界的问题中并不少见），循环信念传播算法提供了一个非常好的近似值

这个包是Julia中概率图形模型算法的轻量级实现 特征 目前，它处理离散因子图的操作（使用 API 构建或通过从 UAI Competition 格式的文件加载），以及通过信念传播（边际、最大边际和混合边际推理）进行近似推理。 因子图是由变量节点和因子节点组成的二分图。变量节点与随机变量相关联，因子节点与域是相邻（变量）节点的直接乘积的函数相关联。在最简单的离散情况下，因子节点与表示函数的多维数组（因子）相关联。

CausalityTools.jl提供了基于时间序列的因果推断和动态耦合检测方法。 一个易于使用的框架，用于估计信息论度量，例如传递熵、预测不对称、广义熵和互信息。 收敛交叉映射、成对非对称推理、S-measure 和联合距离分布。 代理数据生成。

基于模糊推理的汽车安全驾驶提示系统，那日萨，曲强，在分析驾驶员的生理和心理因素，以及汽车状况和外界环境众多因素基础上，基于模糊控制模型，构建了具有模糊推理机制的汽车驾驶安