压力溃疡在ICU患者中具有很高的患病率，但如果以初始阶段识别，则可预防。在实践中，布拉登规模用于分类高风险患者。本文通过使用MIMIC-III V1.4中可用的数据调查了在电子健康中使用机器学习记录数据的使用。制定了两个主要贡献：评估考虑在住宿期间所有预测的模型的新方法，以及用于机器学习模型的新培训方法。结果与现有技术相比，表现出卓越的性能;此外，所有型号在精密召回曲线中的每个工作点都超过了Braden刻度。 - - les \〜oes por按\〜ao possuem alta preval \ ^ encia em pacientes de Uti e s \〜ao preven \'iveis ao serem endicidificadas em Est \'agios Iniciais。 na pr \'atica materiza-se a escala de braden para classifica \ c {c} \〜ao de pacientes em risco。 Este Artigo Investiga o Uso de Apenizado de M \'Aquina Em Dados de Registros Eletr \ ^ Onicos Para Este Fim，Parir Da Base dados Mimic-III V1.4。 s \〜ao feitas duas contribui \ c {c} \〜oes principais：uma nova abordagem para a avalia \ c {c} \〜ao dos modelos e da escala da escala de braden levando em conta todas作为predi \ c {c} \ 〜oes feitas ao longo das interna \ c {c} \〜oes，euro novo m \'etodo de treinamento para os modelos de aprendizo de m \'aquina。 os结果os overidos superam o estado da arte everifica-se que os modelos superam意义a escala de braden em todos oS pontos de Opera \ c {c} \〜〜ao da curva de precis \〜ao por sensibilidade。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

本文研究了红外（IR）成像在乳房疾病检测中的潜在贡献。它比较了使用一些算法检测恶性乳房状况（例如支持向量机（SVM））在应用于公共数据时的一致性的结果。此外，为了利用实际IR成像的能力作为临床试验的补充，并使用高分辨率IR成像促进研究，我们认为使用了由自信训练的乳房医生修订的公共数据库是必不可少的。在我们的工作中，只有静态获取协议才被考虑。我们使用了来自Pro Engenharia（Proeng）公共数据库的LO2 IR单乳房图像（54个正常和48个发现）。这些图像是从联邦De Pernambuco大学（UFPE）大学医院收集的。我们采用了作者提出的相同功能，该功能使用顺序最小优化（SMO）分类器，获得了最佳结果，并获得了61.7％的准确性，而Youden指数为0.24。

在康复任务期间，实施了现有混合中风康复方案的线性模型的比例迭代学习控制（P-ILC）。由于P-ILC的瞬时误差生长问题，包括学习派生的约束控制器，以确保每个试验中受控系统不会超过预定义的速度极限。为此，开发了机器人最终效应器相互作用与中风受试者（植物）的线性传递函数模型以及对刺激控制器的肌肉反应。 0-0.3 m范围的直线点点轨迹是工厂，进料和反馈刺激控制器的参考任务空间轨迹。在每个试验中，基于SAT的有界误差导数ILC算法是学习约束控制器。开发并模拟了三个控制配置。使用根均值平方误差（RMSE）和归一化的RMSE评估系统性能。在不同的ILC增益超过16次迭代时，当组合对照构型时，将获得0.0060 m的位移误差。

在建立工程基础设施的预测模型时，提出了人群级分析来解决数据稀疏性。利用可解释的层次贝叶斯方法和操作车队数据，域专业知识是自然编码（并适当共享）在不同的子组之间，代表（i）使用型，（ii）组件或（iii）操作条件。具体而言，利用领域专业知识来通过假设（和先前的分布）来限制模型，从而使该方法可以自动共享相似资产之间的信息，从而改善了对风电场中卡车机队和权力预测的生存分析。在每个资产管理示例中，在合并的推理中学习了一组相关的功能，以学习人口模型。当允许子型在层次结构中的不同级别共享相关信息时，参数估计得到改善。反过来，数据不完整的组会自动从数据丰富的组中借用统计强度。统计相关性使知识转移能够通过贝叶斯转移学习，并且可以检查相关性，以告知哪些资产共享有关哪些效果（即参数）的信息。两种案例研究的成功都证明了实践基础设施监测的广泛适用性，因为该方法自然适应了不同原位示例的可解释的车队模型。

自动化数据驱动的建模，直接发现系统的管理方程的过程越来越多地用于科学界。 Pysindy是一个Python包，提供用于应用非线性动力学（SINDY）方法的稀疏识别到数据驱动模型发现的工具。在Pysindy的这一主要更新中，我们实现了几种高级功能，使得能够从嘈杂和有限的数据中发现更一般的微分方程。延长候选术语库，用于识别致动系统，部分微分方程（PDE）和隐式差分方程。还实施了包括Sindy和合奏技术的整体形式的强大配方，以提高现实世界数据的性能。最后，我们提供了一系列新的优化算法，包括多元稀疏的回归技术和算法来强制执行和促进不等式约束和稳定性。这些更新在一起，可以在文献中尚未报告的全新SINDY模型发现能力，例如约束PDE识别和使用不同稀疏的回归优化器合并。

机器学习（ML）涵盖的实验必须考虑评估模型性能的两个重要方面：数据集和算法。需要强大的基准来评估最佳分类器。为此，可以采用公共存储库中提供的金标准基准。但是，常常不考虑在评估时考虑数据集的复杂性。这项工作提出了一种基于物品响应理论（IRT）和GLICKO-2的组合的新评估方法，该方法通常采用了评估参与者的强度（例如，国际象棋）。对于基准测试中的每个数据集，IRT用于估计分类器的能力，良好的分类器对最困难的测试实例具有良好的预测。然后为每对分类器运行锦标赛，以便GLICKO-2更新每个分类器等额定值，评级偏差和波动等性能信息。在此进行了一个案例研究，该研究通过了OpenML-CC18基准作为数据集的集合和各种分类算法的池进行评估。并非所有数据集都被观察到对评估算法非常有用，其中只有10％被认为是非常困难的。此外，验证了仅包含50％的OpenML-CC18的50％的子集的存在，其同样有用于算法评估。关于算法，本文提出的方法将随机林识别为具有最佳天生能力的算法。

每年，AEDESAEGYPTI蚊子都感染了数百万人，如登录，ZIKA，Chikungunya和城市黄热病等疾病。战斗这些疾病的主要形式是通过寻找和消除潜在的蚊虫养殖场来避免蚊子繁殖。在这项工作中，我们介绍了一个全面的空中视频数据集，获得了无人驾驶飞行器，含有可能的蚊帐。使用识别所有感兴趣对象的边界框手动注释视频数据集的所有帧。该数据集被用于开发基于深度卷积网络的这些对象的自动检测系统。我们提出了通过在可以注册检测到的对象的时空检测管道的对象检测流水线中的融合来利用视频中包含的时间信息，这些时间是可以注册检测到的对象的，最大限度地减少最伪正和假阴性的出现。此外，我们通过实验表明使用视频比仅使用框架对马赛克组成马赛克更有利。使用Reset-50-FPN作为骨干，我们可以分别实现0.65和0.77的F $ _1 $ -70分别对“轮胎”和“水箱”的对象级别检测，说明了正确定位潜在蚊子的系统能力育种对象。

由于自动化车辆的复杂运营领域，开发用于自动化车辆性能的新评估方法对于能够部署自动化驾驶技术至关重要。一种贡献方法是基于场景的评估，其中测试用例来自从驾驶数据获得的实际道路交通场景。鉴于在这些场景中建模的现实的复杂性，定义用于捕获这些方案的结构是一项挑战。一种强化定义，提供了一组特征，被认为是必要的，并且足以有资格认证所构建的方案既完整且相互可分关。在本文中，我们在考虑文献中的现有定义时，我们对情景概念进行了全面而可操作的定义。这是通过提出面向对象的框架来实现的，其中场景和构建块被定义为具有与其他对象的属性，方法和关系的对象的类。面向对象的方法促进了对象的清晰度，模块化，可重用性和封装。我们提供每个条款的定义和理由。此外，该框架用于将术语以公开可用的语言翻译。

Dataset scaling, also known as normalization, is an essential preprocessing step in a machine learning pipeline. It is aimed at adjusting attributes scales in a way that they all vary within the same range. This transformation is known to improve the performance of classification models, but there are several scaling techniques to choose from, and this choice is not generally done carefully. In this paper, we execute a broad experiment comparing the impact of 5 scaling techniques on the performances of 20 classification algorithms among monolithic and ensemble models, applying them to 82 publicly available datasets with varying imbalance ratios. Results show that the choice of scaling technique matters for classification performance, and the performance difference between the best and the worst scaling technique is relevant and statistically significant in most cases. They also indicate that choosing an inadequate technique can be more detrimental to classification performance than not scaling the data at all. We also show how the performance variation of an ensemble model, considering different scaling techniques, tends to be dictated by that of its base model. Finally, we discuss the relationship between a model's sensitivity to the choice of scaling technique and its performance and provide insights into its applicability on different model deployment scenarios. Full results and source code for the experiments in this paper are available in a GitHub repository.\footnote{https://github.com/amorimlb/scaling\_matters}