AI 辅助诊断肩袖损伤、单传感器监测跑姿 | 体育科技周报 05.23-05.29
1. AI 充当肩关节 MRI 复核员——运动医学领域更具落地价值的一项研究论文：AI-Assisted MRI Interpretation in Diagnosing Bankart and Reverse Bankart Lesions.期刊：The American Journal of Sports Medicine · 2026-05-27 AJSM 作为美国骨科运动医学学会的旗舰刊物，是运动医学与骨科损伤领域的顶级期刊，影响因子 4.5，五年影响因子 5.5。核心议题：AI 辅助阅片能否协助
决策树适用性的扩展探讨
19.3.5 决策树适用性的扩展探讨阅读准备决策树要从理论迈向实际应用，必须克服以下四类扩展难题。这里整理了相应的解决思路以供参考。在真实数据集中，属性值缺失的情况极为常见，决策树主要在训练分裂与样本预测这两个环节进行处理：训练阶段如何确定分裂属性加权缩减法（C4.5 策略）：在计算信息增益时，仅利用该属性无缺失值的样本。随后依据无缺失样本的比例，对信息增益进行折扣处理，从而减少了“因样本数量减少而意外获得高信息量”的可能性。替代分裂（CART 策略）：为每个节点搜寻多个“替代分裂点”，这些点与主分裂点的
AI启蒙必读佳作，三本经典助你深度理解人工智能
从提升效率到革新商业模式，从创意生成到产品开发，人工智能正以惊人速度重构我们的日常范畴与外部环境。若想真正踏入AI领域，构建对人工智能的体系化认知，下面这三部经典著作值得珍藏品读。一、《经理人参阅：人工智能》这部人工智能经典之作更契合管理者与职场人士的阅读需求。普通读者其实无需深究技术细节与理论原理，关键在于理解AI如何真正融入工作场景并为业务创造价值。因此，若想从实践层面构建系统化的AI认知体系，这部作品堪称优选。它聚焦的核心现实议题是：在技术背景不深厚的情况下，如何准确理解并运用AI，将其有效植入具体
19.3 决策树学习方法
19.3 决策树的学习AI导览本节将带你了解决策树学习的基础框架，说明如何用信息增益来进行属性选择，并介绍模型的表达能力及一些常见改进方向。决策树由于具有良好的可解释性，且能较灵活地处理离散与连续数据，因此在早期人工智能与当代数据挖掘中都发挥了重要作用。不过，实际应用中也需要留意过拟合、树的深度以及缺失数据等问题。决策树（decision tree）对应一类函数：它把属性值组成的向量映射为单一的输出结果，也就是“决策”。决策树通过执行一系列测试来完成判断：从根节点开始，沿着合适的分支向下走，直到抵达叶节点
支撑现代AI的十种核心算法
人工智能的发展轨迹，归根结底是一段从统计学习走向深度表征学习的数学演化史。从最初的线性映射出发，到如今具备涌现特性的巨型模型底座，若干关键算法一步步搭建起现代AI的方法论骨架。若说聊天机器人、图像生成、多模态系统与智能体应用是地基之上的可见建筑，那么真正托举这些能力的，正是一组更基础、也更值得反复咀嚼的底层算法。为了把这条演进主线讲清楚，我们将十大底层算法划分为三个阶段：传统机器学习时期、深度学习的启蒙阶段，以及当代大模型时代。第一阶段打下了统计建模、分类与规则划分的根基；中间阶段实现了表征学习与可训练深
南京宇通实验学校开展人工智能算法应用教研活动
2026年4月23日上午，江宁区高中信息科技学科教研活动在南京宇通实验学校举办，本次活动围绕“人工智能基础算法及应用”展开。江宁区教研员赵凯老师，以及全区高中信息科技教师和中小学人工智能教育中心组成员等近40位教师参加了本次活动。学校概况南京宇通实验学校于2014年经南京市教育局批准成立，是一所涵盖小学、初中、高中的12年一贯制全日制民办寄宿学校。学校现有小学、初中、高中共80个教学班，在校师生4000余人。学校坐落于南京市江宁经济技术开发区，距离南京南站约10分钟车程，距离禄口机场约20分钟车程，机场高
机器学习：让计算机从经验中进化
机器智能学习第十九章：范例学习样例学习指的是智能体持续从过往经验中汲取知识，优化自身决策并预判未来的机制。当智能体通过观察外部环境来提升自身能力时，这一过程称为智能体学习。这种学习既可以是基础性的，如记录购物清单，也可以是深奥的，如爱因斯坦推演宇宙定律。若智能体为计算机，则称为机器学习：计算机通过分析数据建立模型，该模型既是对现实世界的假设，也是问题求解软件的核心组件。为何要让机器具备学习能力？为何不直接编写完整程序一劳永逸？这背后有两大核心动因。第一，开发者无法预测所有潜在场景。例如，迷宫导航机器人需应
机器学习基础问答
01）机器学习的基本理念是（）。A. 让计算机遵循固定规则 B. 让计算机自动从数据中学习规律 C. 让计算机存储海量信息 D. 让计算机执行快速计算02）监督学习与无监督学习的区别在于（）。A. 是否需要大量数据 B. 是否包含标签数据 C. 是否需要人工干预 D. 是否能够处理连续值03）关于监督学习的说法，正确的是（）。A. 训练数据没有标签 B. 训练数据包含输入特征及正确输出标签 C. 仅适用于分类问题 D. 不需要训练过程04）无监督学习的任务不包括（）。A. 聚类 B. 降维 C. 分类 D