今天是周末，终于腾出一点时间来看看文献，分享给大家。文章题为：A novel atrial fibrillation prediction model for Chinese subjects: a nationwide cohort investigation of 682 237 study participants with randomforest model，文章发表在 Oxford旗下的 EP Europace杂志，影响因子为6.1分.
作者 | 陈彩娴 编辑 | 岑峰 不久前，Meta AI 宣称，其于去年3月提出的10亿参数自监督模型 SEER （SElf-supERvised）又取得了新突破：新的 SEER 参数量翻了10倍，达到了100亿参数，可以取得更优秀、更公平的性能表现！ 以下我们暂且称新的 SEER 模型为“SEER 10B”（一个牛逼不足以形容 Meta AI 在行动上落实自监督的野心，手动狗头）。 根据 Meta AI 的团队介绍，他们将 SEER 10B 模型在50+个基准与多个不同未标记数据集上进行了测试。其中，SE
在一篇论文中，最引人注目的除了标题和摘要，便是嵌于文中的各种图表了。而图形凭借其更为直观的表达效果一直备受学术界青睐，可以说如何用更为美观的图形更恰当、更全面、更精准地展现研究结果，是所有研究者一直在探索的课题。
近日，Facebook 宣布了一项重要新工作：他们提出的自监督 AI 模型 SEER 能够在没有人类手动标注的情况下，从 10 亿张来自 Instagram 的随机图片中学习识别和分类照片中的主要对象。最终，该模型在 ImageNet 上的 top-1 准确率达到 84.2%，比现有的 SOTA 自监督模型高出一个百分点。
刚刚，Facebook宣布了一个在10亿张图片上训练的AI模型——SEER，是自监督（Self-supervised）的缩写。
使用经过挑选和标记的数据集对人工智能系统进行训练，产生了专门的人工智能模型，擅长对象识别等任务。
今天，FAIR发布了两项重要更新，分别是PyTorch 1.8以及10亿参数自监督模型SEER。
小弟掐指一算，还有一件事得和大家唠唠，那就是：该把临床预测模型的文章投到哪家杂志去呢？
大家好，我们前几天给大家推送过利用SEER数据库数据构建预测模型的文章，今天继续和大家分享一篇类似套路的文章，2020年2月发表在Cancer Med杂志上，影响因子3.357。文章基于seer数据库，重点研究早期子宫乳头状浆液性癌。
数据框函数- 排序arrange()和desc参数、distinct()去重复、mutate()数据框新增列
对于这些难题，业界一直在做着努力，例如，2018年I/O大会上，谷歌助理以令人惊叹的表现通过了图灵测试，就标志着这智能语音出现了里程碑的进步。
机器学习是人工智能的核心，旨在创建一个解决类似问题的通用方法。机器学习已经被整合到我们经常在日常生活中使用应用中，比如iPhone的Siri。本文是一个包含了如何在移动应用中使用机器学习的指南。 机器学习的工作原理 机器学习是基于人工神经网络的实现，人工神经网络在我们日常生活中的APP（比方说语音助手）和系统软件中都被广泛使用。它们可以进行诊断测试、探索生物学与合成材料。而人工神经网络相当于人类的神经元和中枢神经系统。这可能有点难以理解，所以我们来看看人脑是如何进行记忆和识别的。 与计算机不同，人脑更加强大
编者按：【双周动态】是【融智未来】推出的产业动态及投融资事件回顾栏目，主要盘点两周内产业大事件和创新企业投融资动态。 01 产业动态 运 营 商 新 闻 中国联通、中国电信共享4G基站达66万站 中国联通今日在港交所发布2021年财报。数据显示，2021年，中国联通与中国电信紧密合作，4G共享规模进一步突破，共享4G基站达到66万站。 2021年，中国联通以5G等新型数字信息基础设施建设为契机，持续深入推动共建共享。继续与中国电信紧密合作，新开通5G基站31万站，双方累计开通5G基站69万站，建成全
在肿瘤研究中，Oncomine是非常重要的样本数据库，它整合了GEO、TCGA和已发表的文献来源的RNA和DNA-seq数据，是目前世界上最大的癌基因芯片数据库和整合数据挖掘平台，且自带分析和统计功能，旨在挖掘癌症基因信息。
Title: Development and validation of prognostic nomogram for young patients with gastriccancer
近日，AI蛋白质组学公司珞米生命科技（Nanomics）完成两轮共近千万美元融资，Pre-A轮由碧桂园创投领投、Taihill Venture跟投，天使轮领投方线性资本持续加码。本轮融资将用于进一步扩大团队、干湿实验室搭建和产品开发。
今天为大家分享一篇2019年12月发表在Lung Cancer（中科院分区二区， IF=4.6）上的基于SEER数据库的nomogram文章。文中利用自己医院的数据进行外部验证，套路简单易模仿，逻辑清晰，当然也有自己的一些特点，最后根据预测结果建立了一个在线的nomogram分析（动态nomogram），便于临床应用，接下来小编详细讲解一下。
大家好，这次给大家分享一篇2020年10月发表在Frontiers in Oncology上的文章，影响因子4.848。标题为Overall Survival in Heart Disease–Related Death in Non-Small Cell Lung Cancer Patients: Nonimmunotherapy Versus Immunotherapy Era: Population-Based Study。文章根据SEER数据库的晚期非小细胞肺癌患者数据，研究免疫疗法产生的心脏毒性不良反应对患者总生存率（OS）的影响。
数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非 理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者 成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什
数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者
1 您如何做数据挖掘？ 数据挖掘是利用业务知识从数据中发现和解释知识(或称为模式)的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于 实践而非理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖 掘实践者成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖
数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非 理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者 成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什么适合这
① 海量数据 : 自动化的数据收集工具 和 成熟的数据库技术 , 积累了海量数据 ;
当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者 成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什么适合这样做。在本文中我将阐述我提出数据挖掘的九种准则或“定律”（其中大多数为实践者所熟知）以及另外其它一些熟知的解释。
数据挖掘是利用业务知识从数据中发现和解释知识(或称为模式)的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于 实践而非 理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者 成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什
数据建模指的是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库。将经过系统分析后抽象出来的概念模型转化为物理模型后，在visio或erwin等工具建立数据库实体以及各实体之间关系的过程。数据挖掘是利用业务知识从数据中发现和解释知识(或称为模式)的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非 理论，在其过程的理解上不
数据挖掘是利用业务知识从数据中发现和解释知识（或称为模式）的过程，这种知识是以自然或者人工形式创造的新知识。 当前的数据挖掘形式，是在20世纪90年代实践领域诞生的，是在集成数据挖掘算法平台发展的支撑下适合商业分析的一种形式。也许是因为数据挖掘源于实践而非理论，在其过程的理解上不太引人注意。20世纪90年代晚期发展的CRISP-DM，逐渐成为数据挖掘过程的一种标准化过程，被越来越多的数据挖掘实践者成功运用和遵循。 虽然CRISP-DM能够指导如何实施数据挖掘，但是它不能解释数据挖掘是什么或者为什么适合这样做
第一，目标律：业务目标是所有数据解决方案的源头 它定义了数据挖掘的主题：数据挖掘关注解决业务业问题和实现业务目标。数据挖掘主要不是一种技术，而是一个过程，业务目标是它的的核心。 没有业务目标，没有数据挖掘(不管这种表述是否清楚)。因此这个准则也可以说成：数据挖掘是业务过程。 第二，知识律：业务知识是数据挖掘过程每一步的核心 这里定义了数据挖掘过程的一个关键特征。CRISP-DM的一种朴素的解读是业务知识仅仅作用于数据挖掘过程开始的目标的定义与最后的结果的实施，这将错过数据挖掘过程的一个关键属性
在当今数字化时代，数据已经成为一种珍贵的资源，但要从海量数据中提取有用信息并进行深入分析是一项复杂的任务。为应对这一挑战，数据挖掘工具应运而生。本文将深入探讨数据挖掘的核心概念、常见的数据挖掘工具、应用领域，并提供示例代码，以帮助读者更好地理解和应用数据挖掘工具。
要做数据挖掘，当然需要工具。但若靠传统的自我编程来实现，未免有些费时费力，而且其性能也不一定比商业工具来得强和稳定。目前，世界上已经有很多商业公司和研究机构开发出了各自的数据挖掘产品，而且功能和使用简易性也在日益提高。例如：SAS公司的 Enterprise Miner以及IBM公司的 Intelligent Miner，等等。 直接采用商业数据挖掘工具来帮助项目实施，是一个很好的选择。它既节省了大量的开发费用，又可以节约维护和升级的开销。本文是目前国内第一份对主流数据挖掘工具的评估报告，该报告综合了国内一
视频地址：https://www.bilibili.com/video/BV1S54y187XM
谈到数据挖掘应从以下三方面加以考虑：一是用数据挖掘解决什么样的商业问题，二是为进行数据挖掘所做的数据准备，三是数据挖掘的各种分析算法。 数据挖掘的分析算法主要来自于以下两个方面：统计分析和人工智能（机器学习、模式识别等）。数据挖掘研究人员和数据挖掘软件供应商，在这一方面所做的主要工作是优化现有的一些算法，以适应大数据量。另外需要强调的是，任何一种数据挖掘的算法，不管是统计分析方法、神经元网络、各种树分析方法，还是遗传算法，没有一种算法是万能的。不同的商业问题，需要用不同的方法去
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Association rule learning）的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
前面对数据挖掘相关资源等等进行了总结。但是，很多人不明白学习数据挖掘以后干什么，这个问题也经常被问到。记得刚学数据挖掘的时候，有一个老师说学数据挖掘有什么用，你以后咋找工作。当时听了，觉得很诧异，不知道他为何有此一问。数据挖掘在国外是一份很不错的工作。我喜欢数据挖掘，因为它很有趣。很高兴以后就从事这方面的工作啦。写论文之余，也考虑一下数据挖掘工程师的职业规划。以下是从网上找的一些相关资料介绍,和即将走上数据挖掘岗位或是想想这方面发展的朋友共享： BI职业发展方向：数据分析师---商业分析师-
问题：如何系统地学习数据挖掘？ 虽然是本科毕业,但是在看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看svm的数学证明,EM算法..,感觉知识跳跃比较大, 是我微积分学的不好还是
数据挖掘：What？Why？How？ 磨刀不误砍柴工。在学习数据挖掘之前应该明白几点： 数据挖掘目前在中国的尚未流行开，犹如屠龙之技。 数据初期的准备通常占整个数据挖掘项目工作量的70%左右。 数据挖掘本身融合了统计学、数据库和机器学习等学科，并不是新的技术。 数据挖掘技术更适合业务人员学习（相比技术人员学习业务来的更高效） 数据挖掘适用于传统的BI（报表、OLAP等）无法支持的领域。 数据挖掘项目通常需要重复一些毫无技术含量的工作。 如果你阅读了以上内容觉得可以接受，那么继续往下看。 学习一门技术要和行业
读者问：虽然是本科毕业,但是在看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看svm的数学证明,EM算法..,感觉知识跳跃比较大, 是我微积分学的不好还是中间有什么好的教材补充一
浅谈数据分析与数据挖掘? 数据分析和数据挖掘都可以做为“玩数据”的方法论，两者有很多的共性，也有显著的差异。 从分析的目的来看，数据分析一般是对历史数据进行统计学上的一些分析，数据挖掘更侧重于
面对山一样高的，海一样广的数据，我们该怎么办？ 数据挖掘中的5W问题 ❶为什么要使用数据挖掘？ ❷数据挖掘是什么？ ❸谁在使用数据挖掘？ ❹数据挖掘有哪些方法？ ❺数据挖掘使用在哪些领域？ 百度百科中
看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看svm的数学证明,EM算法..,感觉知识跳跃比较大,那么数据挖掘系统的学习过程是怎么样磨刀不误砍柴工。在学习数据挖掘之前应该明白几点： 数据挖掘目前在中国的尚未流行开，犹如屠龙之技。 数据初期的准备通常占整个数据挖掘项目工作量的70%左右。 数据挖掘本身融合了统计学、数据库和机器学习等学科，并不是新的技术。 数据挖掘技术更适合业务人员学习（相比技术人员学习业务来的更高效） 数据挖掘适用于传统的BI（报表、OLAP等）无法支持的领域
导读：很多人不明白学习数据挖掘以后干什么，这个问题也经常被问到。记得刚学数据挖掘的时候，有一个老师说学数据挖掘有什么用，你以后咋找工作。当时听了，觉得很诧异，不知道他为何有此一问。数据挖掘在国外是一份
数据挖掘：What？Why？How？ 这个问题思考了很久，作为过来人谈一谈，建议先看下以前的一些回答。 什么是数据挖掘？ 怎么培养数据分析的能力？ 如何成为一名数据科学家？ 磨刀不误砍柴工。在学习数据
问题：如何系统地学习数据挖掘？ 虽然是本科毕业，但是在看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般，例如看svm的数学证明，EM算法..，感觉知识跳跃比较大， 是我微积分学的不好还是中间有什么好的教材补充一下，数据挖掘系统的学习过程是怎么样的，应该看那些书(中文最好)？ 回答者：Han Hsiao 数据挖掘：What？Why？How？ 这个问题思考了很久，作为过来人谈一谈，建议先看下以前的一些回答。 什么是数据挖掘？ 怎么培养数据分析的能力？ 如何成为一名数据科学家？ 磨刀不误砍柴工。在学
最近有很多人咨询，想学习大数据，但不知道怎么入手，从哪里开始学习，需要学习哪些东西？对于一个初学者，学习大数据挖掘分析的思路逻辑是什么？本文就梳理了如何从0开始学习大数据挖掘分析，学习的步骤思路，可以
数据挖掘又称知识发现（KDD：Knowledge Discovery in Database），即“从数据中挖掘知识”。 丰富的数据以及对强有力的数据分析工具的需求，这种情况被描述为“数据丰富，但信息匮乏”。数据挖掘可以看作信息技术自然进化的结果。数据库和数据管理产业在一些关键功能的开发上不断发展：
很多人不明白学习数据挖掘以后干什么，这个问题也经常被问到。记得刚学数据挖掘的时候，有一个老师说学数据挖掘有什么用，你以后咋找工作。当时听了，觉得很诧异，不知道他为何有此一问。数据挖掘在国外是一份很不错的工作。我喜欢数据挖掘，因为它很有趣。很高兴以后就从事这方面的工作啦。写论文之余，也考虑一下数据挖掘工程师的职业规划。 以下是从网上找的一些相关资料介绍，和即将走上数据挖掘岗位或是想往这方面发展的朋友共享： 数据挖掘从业人员工作分析 1.数据挖掘从业人员的愿景： 数据挖掘就业的途径从我看来有以下几种，(注意：本
一、客户关系管理（CRM） CRM是一种旨在改善企业与客户之间关系的新型管理方法。它是企业通过富有意义的交流和沟通，理解并影响客户行为，最终实现提高客户获取、客户保留、客户忠诚和客户创利的目的。它包括的主要内容有客户识别、客户关系的建立、客户保持、客户流失控制和客户挽留。通过客户关系管理能够提高企业销售收入，改善企业的服务，提高客户满意度，同时能提高员工的生产能力。 二、数据挖掘（DM） 数据挖掘（Data Mining，简称DM），简单的讲就是从大量数据中挖掘或抽取出知识。数据挖掘概念的定义描述
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
