现今，技术达到了巅峰。探索了不同的编程和技术途径用于数据分析、自动化和机器人技术。机器学习是优化数据分析、进行准确预测以及加快 / 改进现有功能的关键。因此，目前人工智能领域中的机器学习正在发展，并且正在探索它在不同领域的应用。其中一个领域突出的应用是微生物生物合成。本文提供了微生物生物合成中所使用的不同机器学习程序的全面概述，并简要描述了机器学习和微生物生物合成这两个领域。包括过去的趋势、现代的发展、未来的改进、过程的解释以及当前面临的问题。因此，本文的主要贡献是概括这两个关键领域的发展并提供全面的解释，以及它们对于改进工业 / 研究的适用性。它还突出了挑战和研究方向，旨在激发在不断发展的领域中进行更多的研究和发展。最后，本文旨在成为正在进行研究的学者、改进流程的行业专业人员和想要理解生物合成中的机器学习概念的学生的参考资料。

Aug, 2023

开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

Apr, 2022

利用机器学习技术，通过匿名和聚合的网络搜索和位置数据实现食源性疾病实时检测。该技术可显著提高餐厅检查准确性，并获取此前难以获得的流行病学信息，可帮助预防食品中毒等公共卫生问题。

Dec, 2018

研究了自动饮食评估系统中视觉识别食物的核心功能，使用深度多标签学习方法评估了几种最先进的神经网络，以在图像中检测任意数量的成分，并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上，取得了有希望的初步结果，并为未来的探索奠定了坚实的基础。

Oct, 2022

该研究通过使用大型语言模型，在科学文献中自动提取化学危害物，以实现食品安全领域的信息提取。最佳提示方法将任务分解为较小的步骤，平均准确率达到 93%，证实了大型语言模型在从科学文献中提取相关危害物方面的价值。

May, 2024

机器学习在临床微生物组学领域的应用具有良好的前景，需要高质量、可重复、可解释的工作流程以满足监管机构对临床工具设定的较高要求。本研究通过对 2021-2022 年发表的 100 篇同行评议的期刊文章进行深入分析，以数据驱动方法总结了目前监督式机器学习在微生物组学数据中的应用现状，并提供了关于实验设计的重要考虑因素，如如何减少小数据集大小的影响同时避免数据泄露。此外，还提供了关于如何避免常见的实验设计陷阱以提高模型性能、可信度和可重复性的指导。本文配有一个互动在线教程，旨在向微生物组学社区介绍机器学习实验设计的基本原则。正式规范监督式机器学习在微生物组学领域的最佳实践是提高临床研究的成功率和效率，造福患者和其他利益相关方的重要步骤。

Feb, 2024

传统经验不足以支持预防性关闭措施的制定，因此本研究提出了基于 kNN 算法的预测模型，能够在复杂情况下帮助决策，实现敏感性、准确度和 kappa 指数值分别为 97.34%、91.83% 和 0.75。

Feb, 2024

用神经网络添加自适应加权模型（BAGNET）和辨别式最近邻分类（SVM-KNN）进行比较，以估计生产区域的状态，结果表明 BAGNET 模型在结果和鲁棒性方面都优于其他模型，平均召回率为 93.41％。

Feb, 2024

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024

利用机器学习技术评估病毒检测的情境风险，以提高诊断测试的敏感度，预测牛结核引起牛群病情恶化的发生率，而不损害测试的特异性。

Mar, 2024