集成多組學數據的機器學習在生物醫學中的應用 
明確機器學習方法的適用性，優勢，以及局限性等 什么是機器學習機器學習的應用實例生物組學簡介（基因組學，轉錄組學，蛋白組學，代謝組學）機器學習在在多組學數據分析的應用 python基礎 目標：機器學習主流實現是python語言。
2250
。_4485 ??? 3年前
藥物發現與化學信息學中的機器學習應用
藥物發現與化學信息學中的機器學習應用 發布時間：2026年 時長：3小時 大小：1.1GB 語言：英語 課程內容 學習將Python、人工智能與機器學習技術應用于化學信息學領域，掌握藥物發現的計算方法與實操項目開發，從零搭建相關預測模型并完成部署。 學習目標
912 1
仿真資料吧 ??? 2月前
佐治亞理工《Part B》：人工智能/機器學習在高性能復合材料中的應用 
</p><p class="ql-align-justify">近日，國際知名期刊《Composites Part B》發表了一篇美國亞特蘭大佐治亞理工學院的研究團隊完成的有關人工智能/機器學習在高性能復合材料中應用的研究成果。
3030
復合材料力學-君莫 ??? 1年前
機器學習中的優化算法
</span></p><p>優化算法是機器學習模型的支柱，因為它們使建模過程能夠從給定的數據集中學習。這些算法用于查找目標函數的最小值或最大值，該函數在機器學習上下文中代表誤差或損失。<strong><em>在本文中，討論了不同的優化方法以及它們在機器學習中的用途及其意義。
2415 1
仿真資料吧 ??? 1年前
OptiSystem應用：通過機器學習預測系統性能 
圖3.機器學習工具主參數選項卡選擇光纖長度、最小BER和Q因子作為需要預測的數據：a）選擇光纖長度作為需要預測數據b）選擇最小BER和Q因子作為需要預測數據圖4.在機器學習工具中選擇需要預測數據接著我們需要將1000次眼圖結果提取成圖片放入訓練集文件夾中，然后運行機器學習工具訓練神經網絡。如圖5，我們可以評價神經網絡的性能，查看損失函數。
2106
追光ing ??? 8月前
OptiSystem應用：通過機器學習預測系統性能 
圖3.機器學習工具主參數選項卡 選擇光纖長度、最小BER和Q因子作為需要預測的數據： a）選擇光纖長度作為需要預測數據 b）選擇最小BER和Q因子作為需要預測數據 圖4.在機器學習工具中選擇需要預測數據 接著我們需要將1000次眼圖結果提取成圖片放入訓練集文件夾中，然后運行機器學習工具訓練神經網絡
1531
信光嗎 ??? 8月前
化工新能源中的機理和機器學習建模—從燃料電池的系統到部件的機理及機器學習建模案例介紹 
化工新能源中的機理和機器學習建模—從燃料電池的系統到部件的機理及機器學習建模案例介紹直播時間：3月12日 19:30課時章節：第1節課（共1節）適用人群：想要了解學習機理和機器學習建模在化工新能源中的應用背景：很多的新能源尤其是燃料電池系統其實也算一個小型的化工系統，這個系統可能使用氫氣或者天然氣作為燃料來發電驅動汽車或者向電網輸送，也可能是在逆向運行采用電網的電來分解水制氫。
47
技術鄰直播 ??? 2年前
設計仿真 | 基于ODYSSEE 的機器學習方法在汽車約束系統魯棒性分析中的應用 
圖2. 25個DOE樣本點空間分布機器學習模型搭建基于上述DOE樣本點進行的碰撞仿真，采用機器學習模型構建設計變量與各個響應曲線的關系。基于R2精度評價標準，采用交叉驗證法對駕駛員側約束系統碰撞仿真結果進行機器學習算法尋優。結果表明，本征正交分解（POD）+Kriging方法在所有算法中精度最高。
2585
海克斯康設計與仿真 ??? 2年前
設計仿真 | 應用Marc和機器學習軟件進行非線性模型優化 
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹人工智能（AI）/機器學習（ML）工具在非線性優化中的應用方法。對于很多非線性問題，當采用有限元模型的直接優化時，在計算上會需要很多時間，導致成本增高，采用ML技術來替代一些傳統的優化方法能顯著提高效率。ML的主要思想是用訓練數據構建預測模型，直接使用預測模型進行在線優化。
2507
MSC結構軟件 ??? 2年前
設計仿真 | 應用Marc和機器學習軟件進行非線性模型優化 
本文主要以金屬成形過程的非線性幾何優化模擬為例，介紹人工智能（AI）/機器學習（ML）工具在非線性優化中的應用方法。對于很多非線性問題，當采用有限元模型的直接優化時，在計算上會需要很多時間，導致成本增高，采用ML技術來替代一些傳統的優化方法能顯著提高效率。ML的主要思想是用訓練數據構建預測模型，直接使用預測模型進行在線優化。
2737
海克斯康設計與仿真 ??? 2年前
機器學習 遷移學習 
六、遷移學習前沿應用1.遷移學習在語義分割中的應用2.遷移學習在目標檢測中的應用3.遷移學習在行人重識別中的應用4.圖片與視頻風格遷移目標：掌握深度遷移學習在語義分割、目標檢測、行人重識別等任務中的應用，學習圖像/視頻風格遷移方法，了解風格遷移在實際生活中的應用。
2089
DSJ123 ??? 3年前
7月26日 | 工程師 AI 全球會議 ：AI 在CAE的應用 
與傳統的機器學習不同，PhysicsAI直接從幾何形狀中學習，無需參數化，這意味它可以從以往的任何仿真中學習，無需進行實驗設計。本次演講將介紹在HyperMesh中的PhysicsAI，并提供即將推出新版本功能的預覽。 演講預告：基于結構可靠性驗證的數據驅動的平臺開發機器學習不僅在計算機工程領域得到積極應用，也在CAD/CAE領域得到應用。
5599 2 1
技術鄰公告 ??? 2年前
基于深度學習的機器人目標識別和跟蹤 
但是我相信經過人們對于機器視覺領域的不斷研究，未來會有越來越多的基于深度學習的方法去優化目標跟蹤任務中出現的一系列情況，比如說采用大規模視頻數據的數據集進行離線訓練等等，在目標識別領域未來也將會降低環境對檢測的影響能更加精準的檢測各種大小的目標，并且最終將兩種技術更好的結合在一起應用到機器人技術應用的各個方面。
2277
DSJ123 ??? 3年前
化工新能源中的機器學習建模中的時間序列建模算法 
直播大綱：本課程主要介紹已經完成過的一些化工新能源系統或者器件的機理及機器學習建模案例，手把手教你用numpy實現機器學習的RNN/LSTM/GRU，并講解序列建模的seq2seq算法。配備若干案例進行演示。
160 1
技術鄰直播 ??? 1年前
自動機器學習綜述 
我們已經看到機器學習在許多情況下擊敗或至少匹配特定的人類認知能力，例如在ResNet（一種深度殘留的網絡架構）的情況下超越了人類在圖像識別方面的表現，或者微軟的語音轉錄系統幾乎達到人類水平的表現。 「機器學習優點」： 機器學習的最大好處之一是，它可以應用于人類今天面臨的幾乎任何問題。然而，有了這些好處，也有一些挑戰。
2336
駕駛哥 ??? 4年前
HyperWorks在人工智能中的應用及案例分享 
一、HyperWorks在人工智能領域的應用HyperWorks是一款廣泛應用于工程仿真和優化的軟件套件，它也可以在人工智能領域發揮重要作用。以下是一些HyperWorks在人工智能方面的應用：1. 機器學習算法優化HyperWorks可以通過優化算法來提高機器學習模型的性能。
5072 7 2
技術鄰公告 ??? 2年前
設計仿真 | ODYSSEE機器學習方法助力提高傳動系統開發時效 
PART.01ODYSSEE在傳動系統開發中的應用ODYSSEE是海克斯康旗下基于機器學習方法構建快速預測模型的工具軟件，能夠實現實時的CAE靜態、動態仿真預測、設計優化、圖像識別等功能，顯著縮短仿真分析和設計優化的周期，提高工作效率。
3129 1 1
海克斯康設計與仿真 ??? 10月前
一份適合初學者的Python人工智能與機器學習入門指南-0
本課程《Python與機器學習：今日開啟AI模型構建之旅》旨在幫助你從零開始構建AI模型，即使你是編程或機器學習領域的新手。你將學習如何使用Python以及scikit-learn、pandas和NumPy等強大的庫來創建真實世界的機器學習模型。課程采用實踐導向、項目驅動的教學方法，因此你不僅能理解理論知識，還能通過構建實用的AI應用程序來應用這些知識。
2293 1
仿真資料吧 ??? 4月前
設計仿真 | 馬恒達使用Adams與ODYSSEE機器學習構建頻率相關阻尼器準確預測行駛和操縱性能 
本文研究結果表明，機器學習方法改善了項目的行駛和操縱預測開發階段，顯著縮短了測試時間。02使用ODYSSEE CAE學習測試數據ODYSSEE CAE是一個獨特而強大的以CAE為中心的創新平臺，允許工程師將機器學習、人工智能、降階建模（ROM）和設計優化應用于工作流程。
2454
海克斯康設計與仿真 ??? 1年前
直播預告-基于機器學習的車輛行人保護頭部仿真研究 
同時機器學習能夠在極短的時間內（秒級）對加速度曲線預測并達到相當高的精度。圖5. 35和47號點預測加速度曲線精度對比應用價值整車開發項目中采用ODYSSEE 軟件的機器學習方法，在仿真效率的提升方面效果非常明顯，對項目開發周期和性能平衡具有很好的促進作用。對于碰撞安全、約束系統和行人保護作為高度非線性的工況，目前面臨仿真精度相對低和計算量大等現實困難。
2243
海克斯康設計與仿真 ??? 2年前
20條/頁 
64 跳至頁
技術鄰APP
工程師必備
工程師必備
- 項目客服
- 培訓客服
- 平臺客服
TOP
