CUG的人工智能课程作业1-Python PACMAN 吃豆人

4.1 电子病历实体关系抽取任务 电子病历命名实体关系抽取主要研究从电子病 历中抽取疾病、症状、检查和治疗这几类实体间的 关系. 这些实体关系体现了患者健康状况信息和针 对患者的医疗处置措施, 也体现了医生的专业知识. 如下面的例子: 1) 头 CT 检查显示腔隙性脑梗死 (检查 “头 CT” 证实了疾病 “腔隙性脑梗死”); 2) 患者彩超结果汇报轻度脂肪肝、慢性胆囊炎, 给予饮食指导, 继续治疗方案 (“彩超” 证实了 “轻度 脂肪肝” 和 “慢性胆囊炎”, “饮食指导” 施加于 “轻 度脂肪肝” 和 “慢性胆囊炎”). 电子病历实体关系抽取任务在命名实体识别基 础上展开, 对病历文本中同一个语句中的两个命名 实体赋予预定义的关系类型, 因而该任务转化为分 类问题, 通常采用基于机器学习的方法实现, 评价指 标采用精确度、召回率和 F 值. 目前电子病历实体 关系只限于一个句子范围内两个实体之间的关系. Uzuner 首先对医疗实体关系抽取进行了开创 性的研究, 详细定义了六大类医疗实体关系: 当前疾 病和治疗的关系、可能的疾病和治疗的关系、疾病 (包括当前的和可能的) 和检查的关系、疾病和症状 的关系、当前症状和治疗的关系、可能的症状和治 疗的关系[3]. 如果已经定义了修饰识别任务, 实现了 疾病和症状的修饰识别, 那么在关系抽取时, 可以不 考虑修饰的影响, 直接抽取实体间的关系, 然后借助 实体的修饰, 可以得到文献 [3] 定义的上述各类关 系. 所以, 在 I2B2 2010 评测中, 实体关系的定义没 有考虑修饰的因素. I2B2 2010 首次对电子病历命 名实体关系进行了系统的分类[12], 这些关系包括医 疗问题和医疗问题之间的关系、医疗问题和检查之 间的关系、医疗问题和治疗之间的关系. 这三类关系 以医疗问题为中心, 反映了电子病历面向医疗问题 的信息组织方式. 这三类关系只限于一个句子范围 内两个实体之间的关系. 表 5 详细列出了医疗问题、 检查和治疗这三类实体间的关系. 针对中文电子病历特点, 医疗问题被拆分为疾 病和症状,那么在定义实体关系时,也应作相应调整. 主要体现在两方面: 1) 医疗问题和治疗 (或检查) 的 关系转变为疾病和治疗的关系以及症状与治疗的 关系, 医疗问题和检查的关系也转变为疾病和检查 的关系以及症状和检查的关系; 2) 医疗问题之间的 关系替换为疾病和症状的关系 (疾病导致了症状)、 疾病和疾病的关系 (疾病导致了另一个疾病)、症状 和症状的关系 (症状伴随另一个症状). 自动抽取这几类实体间的关系可以构造患者健 康状况的简明摘要, 医生可以预先快速浏览病人的 信息, 后续再关注特定的细节. 除了可以用作医疗研 表 4 疾病和症状的修饰识别方法总结 Table 4 Summarization of methods for assertion classification 作者 方法 用到的资源 数据 评价 (F 值) Chapman 等[13] (NegEx) 规则 正则表达式规则 出院小结 0.853 Mutalik 等[105] (Negfinder) 规则 正则表达式规则、句法规则 自建语料 0.965 Sohn 等[106] (DepNeg) 规则 依存规则 I2B2 2010 评测数据 0.838 Harkema 等[107] (ConText) 规则 正则表达式规则、触发词 6 种类型的病历文本 0.76∼ 0.93 Uzuner 等[108] SVM / 三个机构的病历 0.35∼ 0.98 Grouin 等[110] SVM NegEx I2B2 2010 评测数据 0.931 Jiang 等[97] SVM MedLEE I2B2 2010 评测数据 0.931 de Bruijn 等[99] SVM cTAKES I2B2 2010 评测数据 0.936 Clark 等[111] CRF、最大熵 语义分类词典、状态规则 I2B2 2010 评测数据 0.934

MP4 文件，视频流为H.264压缩格式，用于测试人，车，等目标识别视频输入素材

基于PNN神经网络的调制方式识别算法的matlab仿真 %2FSK y_2FSK = func_2FSK(N0); %4FSK y_4FSK = func_4FSK(N0); %BPSK y_2PSK = func_2PSK(N0); %QPSK y_4PSK = func_4PSK(N0);

tensorflow人工智能demo 可以检测人脸 和抽烟打电话 车道线 骨架识别 行为识别

源码简介： 智慧停车场微信小程序源码 | 智能停车系统源码 | 全开源 本停车场系统兼容市面上主流的多家相机，理论上兼容所有硬件，可灵活扩展，相机识别后数据自动上传到云端并记录，校验相机唯一id和硬件序列号，防止非正常数据录入，用户手机查询停车记录详情可自主缴费(支持微信，支付宝，银行接口支付，支持每个停车场指定不同的商户进行收款)，支付后出场在免费时间内会自动抬杆。 支持app上查询附近停车场(导航，可用车位数，停车场费用，优惠券，评分，评论等)，可预约车位。断电断网支持岗亭人员使用app可接管硬件进行停车记录的录入。 技术架构： 后端开发语言java，框架oauth2+springboot2+doubble2.7.3， 数据库mysql/mongodb/redis， 即时通讯底层框架netty4，安卓和ios均为原生开发， 后台管理模板vue-typescript-admin-template,文件服务fastDFS， 短信目前仅集成阿里云短信服务。为千万级数据而生，千万级用户无忧，目前真实用户40w无压力，大数据时代物联网必备。

大模型是人工智能的发展趋势和未来。大模型是“大算力+强算法”结合的产物。目前，大模型生态已初具规模。大模型能够实现 AI从“手工作坊”到“工厂模式”的转变，大模型通常是在大规模无标注数据上进行训练，学习出一种特征和规则，基于大模型进行应用开发时，将大模型进行微调，或者不进行微调，就可以完成多个应用场景的任务； 并且，大模型具有自监督学习能力，不需要或很少需要通过人工标注的数据进行训练，降低训练成本，因而能够加速 AI产业化进程，降低 AI 应用的门槛。另外，随着大模型不断地迭 代，大模型能够达到更强的通用性以及智能程度，从而使得 AI 能够更广泛地赋能各行业应用。我们认为，大模型是人工智能的发展趋势和未来。

人工智能产业专利分析报告！本课题研究目的主要是使投融资双方了解当前技术发展水平、未来发展趋势及发展重点，可以为融资方提供直接的融资策略或将评估报告作为融资评估指标， 5 使其资金发挥最大价值、更快更多获取回报、减小融资风险，避免跟风融资。可以使技术方认清自己发展状况、技术水平，可以根据本报告进行技术改进、技术转型或增加技术开发投入，也可为其进行融资成功增加筹码。既可作为投融资双方共同认可的评估指标，也可作为知识产权与金融的连接纽带。

PROSPECTOR的功能与结构 专家系统实例 智能算法运行于“云端”的设想 并行计算到云计算的演变 云计算智能与Monte Carlo方法 模拟谐振子算法 元胞自动机在城市交通流中的应用 兰州BRT快速公交模型建立 快速公交系统(Bus Rapid Transit，BRT)是利用改良型的公交车辆，运营在公共交通专用道路空间上，保持轨道交通运营管理特性且具备普通公交灵活性的一种便利、快速的公共交通方式。

Java开发之语言互译系统，适合新手，人工智能领域，实用