关键词： 数字化技术   技工院校   学生评价   大数据   人工智能   创新路径  

摘要： 本文从大数据和人工智能技术的应用角度,探讨了数字化背景下技工院校学生评价模式改革的创新路径。分析了传统评价模式的局限性、数字化技术的快速发展以及社会需求的变革,从而阐述了改革的必要性。分别研究了大数据和人工智能技术在学生评价中的具体应用,以及面临的挑战和应对策略。提出了构建多元化评价体系、创新评价方法与手段、提高评价数据的时效性和准确性、强化评价结果的反馈与应用等创新路径,并对政策支持、技术研发、人才培养和社会协同等方面的可持续发展进行了展望。

关键词： 算法视域   人工智能   人类社会   哲学  

摘要： 算法是人工智能的核心,也是人工智能发展的基石。目前,国内外对算法的研究主要集中在人工智能的概念、特征、分类、技术路线等方面,在对算法进行研究时,会遇到一个问题:如何进行分类?现有的算法分类方式主要有两种:基于数据和基于知识。本文以数据为基础,通过对算法进行分类,明确了目前所使用的算法。同时,本文还探讨了算法对人类社会的影响,并对人工智能可能引发的一些哲学问题进行了思考。

关键词： 机器学习   微塑料   分类识别   定量分析   吸附性能  

摘要： 本文综述系统地探讨了机器学习技术在微塑料领域的应用，涵盖分类识别、定量分析与吸附性能预测.经梳理近年文献，发现如卷积神经网络(CNN)和支持向量机(SVM)等技术，对提升微塑料检测精度与效率意义重大.在分类识别中，CNN模型可精准辨别微塑料类型与形状;定量分析时，借助图像和光谱数据，机器学习能快速确定微塑料浓度.在吸附性能预测方面，基于非混合定量结构-性质关系(QSPR)的模型展现出比传统模型更高的准确性和鲁棒性.然而，当前还面临数据质量不佳、收集标注困难及模型可解释性欠缺等挑战.未来研究应聚焦数据集多元化及增强模型可解释性，以推动机器学习技术在微塑料研究中的进一步应用.

关键词： 农业碳排放   随机森林   机器学习   河南省  

摘要： 推动农业碳减排是缓解气候变化，实现人类社会可持续发展的必然选择.本文选取土地管理、粮食种植、畜牧养殖三类指标对2000—2021年河南省各地市农业碳排放进行了测算，结合局部莫兰指数分析了各地市农业碳排放的时空演变趋势和格局，最后采用随机森林模型识别了主要驱动因素并预测了基准、低碳、高碳情景下的河南省农业碳排放量.结果表明:(1)2000—2021年，河南省农业碳排放先上升后下降，在2006年达到峰值5849.52万t，2021年较2006年下降40.60%;各地市农业碳排放分布不均，整体呈现“东南高、西北低”的特征;(2)土地翻耕面积、农村人口数量、行政区面积以及农业机械总动力是影响河南省农业碳排放最主要的正向驱动因素，城镇化率为负向驱动因素;(3)河南省农业碳排放已于2006年达峰值，在三种情景下，2022—2030年河南省农业碳排放均持续下降，与达峰状态相比下降范围分别为2241.55万t—2470.73万t，2245.67万t—2482.22万t，2240.10万t—2459.74万t.研究结果可以为河南省各地市未来农业碳减排路径提供依据，确保“双碳”目标达成.

关键词： 智能制造技术   机械制造   应用与挑战  

摘要： 目前,随着我国科技的不断发展,我国各大企业在发展过程中也充分发挥了自身的优势,进而推动了我国经济的快速发展。而智能制造技术作为一种先进的科技手段,其在机械制造中的应用能够有效提高机械制造的整体水平,并确保其在实际生产过程中实现智能化、高效化。然而,就目前我国机械制造行业而言,由于其本身的发展时间较短,所以在技术方面、数据安全与隐私保护、人才培养与管理还存在着许多不足之处,从而为企业发展带来了较大的阻碍。因此,为了能够进一步促进我国机械制造行业的快速发展,本文就智能制造技术在机械制造中的应用和挑战展开深入分析研究。

关键词： 人工智能   深度学习   眼科疾病   辅助诊断  

摘要： 随着人工智能等技术的进步，深度学习等方法在医学领域的研究应用范围和影响力正日益扩大，新型技术与临床实践的结合也成为了近年来的研究热点。基于卷积神经网络的深度学习算法在疾病筛查、病灶检测、组织分割等任务中表现出了巨大的潜力，并逐渐用于青光眼、老年黄斑变性、糖尿病性视网膜疾病和白内障等多种眼科疾病的诊断和筛查。本文就深度学习在眼科疾病辅助诊断上的相关工作和应用做综述，并对未来前景和发展做展望。

关键词： 智能制造   机械设计   应用途径  

摘要： 现如今我国在机械设计技术的创新和研发上一直都保持着积极进取的态度,正是因为这种态度我国智能技术水平才不断地进步,如今已经走入了各个行业和千家万户当中,智能制造在我国已经逐渐发展成了一个常态化名词。本文提出将智能制造应用在机械设计技术中,有助于实现机械设计流程的优化、有助于加快机械设计行业转型、有助于提高各个环节的生产效率、有助于推动机械行业飞速发展。本文将对智能制造在机械设计中的应用特点进行阐述,并具体说明自动识别技术、虚拟现实技术、故障诊断技术、智能报警技术等智能制造技术在机械设计技术中的具体应用案例,进一步对上述观点进行论证。

关键词： 阳极铜质量   控制预测   最大信息系数   WOA-LSSVM   机器学习  

摘要： 电解铜精炼过程中，阳极板中铜含量对电解效率至关重要。以混合铜精矿和粗铜等15种元素质量作为自变量，阳极板的铜元素质量作为因变量，利用最大信息系数（MIC）分析了54个具有代表性的测试数据集中各元素间的非线性相关性。结果表明，混合铜精矿的As含量和粗铜（外购）的Sb含量与阳极板铜含量的相关性最高，MIC值分别约为0.8228和0.8362。基于此，构建了鲸鱼算法优化的最小二乘支持向量机（WOA-LSSVM）回归预测模型，对阳极板铜元素质量进行预测。WOA-LSSVM模型具有较高预测精度，R2达0.9245，均方根误差（RMSE）较小，WOA-LSSVM组合模型对阳极板铜含量的预测精度比其他模型高出4.45%～123.05%。非线性分析方法能够有效捕捉阳极铜生产过程中不同因素之间的复杂关系，结合非线性分析方法和机器学习技术，可以提高阳极铜质量控制的实时性和适应性。

关键词： 植物表型分析   机器学习   作物改良   产量预测  

摘要： 植物表型是基因型与环境相互作用的产物，是植物生命活动的外在表现，涵盖了植物的形态、生理、生化等多层次和多维度特征。植物表型研究是育种的关键环节，对于揭示植物生命活动的相关机制，培育高产、优质、高效的作物品种，以及实现农业生产的精准管理具有重要意义。随着高通量植物表型采集技术的发展和应用，植物表型数据呈现出高维、多源、异质、动态等特点，为植物表型分析带来了新的机遇和挑战。机器学习作为一种强大的数据挖掘和知识发现工具，能够从复杂的表型数据中提取有用的特征和模式，为植物表型研究提供了新的思路和方法。本文系统综述了机器学习方法在植物表型研究中的应用和进展，重点介绍了机器学习方法在植物形态结构、胁迫抗性、生化组分等方面分析中的应用，以及在作物改良和产量预测等方面的应用，并对机器学习方法在植物表型研究中存在的问题和未来的发展方向进行了讨论和展望，旨在为今后植物表型研究提供有益的参考和启示。

关键词： 扰动   单细胞测序   机器学习   深度学习  

摘要： 单细胞扰动技术将基因编辑或药物处理等外部扰动与单细胞测序结合起来,提供了在分子层面上细胞对扰动响应的高分辨率表型特征.通过计算方法对这些数据进行分析有助于揭示基因调控网络和药物作用机制,并预测未观测基因或药物组合的潜在效应.本文总结具有代表性的单细胞扰动技术,概述基于统计建模、机器学习和深度学习等多种扰动效应的解析和预测方法,并展望扰动图谱、空间多组学数据和因果学习等前沿技术与方法的应用前景.