该研究提出了一个框架，可以通过机器学习算法从流行病学模型中学习，为流行病规划提供帮助，并通过 Apache-2.0 授权发布该工作，以提高基于证据的决策制定的能力。

Oct, 2022

使用机器学习和深度学习算法，预测纽约州新的一次流感、肝炎和疟疾的疫情爆发，并创建了一个可在爆发时向当局和医疗组织发送警报的门户网站。

Oct, 2023

在 COVID-19 大流行期间，人们致力于开发基于机器学习的流行病预测技术，但不存在基准来宣称新的 AI/ML 技术是否比现有技术更好。因此，本文提出了 EpiBench，这是一个由社区驱动的基准平台，旨在标准化新型 AI/ML 技术在流行病预测中的应用，并使之达到人类专家的水平。

Feb, 2021

ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

Jul, 2023

我们介绍了 EINNs，这是一个基于机械模型提供的理论基础和人工智能模型提供的数据驱动的表达能力，以及摄入异构信息的能力，用于流行病预测的框架。通过物理 - 信息神经网络的工作来学习潜在的流行病动态并将相关知识转移给另一个神经网络，这个网络摄入多个数据源，并具有更适当的归纳偏差。我们的全面实验表明，与其他非平凡的选择相比，在 COVID-19 和流感预测的所有美国州和 HHS 地区都展示了我们方法的明显优势。

Feb, 2022

提出了一种基于图神经网络的流行病预测模型 EpiGNN，该模型通过传播风险编码、区域感知图学习器和外部资源融合等操作，能够更好地探索流行病的时空依赖关系，提高预测效果。在 5 个真实流行病数据集上的实验结果表明，EpiGNN 模型的 RMSE 表现比现有模型均有 9.48% 的提高。

Aug, 2022

描述了 TrueLearn Python 库，包含一系列用于构建教育（或更一般地说，信息）推荐系统的在线学习贝叶斯模型。该库还包含不同的表示形式来帮助最终用户可视化学习者模型，与其自己的模型进行交互，使其更易解释且易于控制。同时，作者提供了一个公开发布的隐式反馈教育数据集以及评估指标，用于衡量模型的性能。该库的广泛文档和编码示例使其对机器学习开发者、教育数据挖掘和学习分析实践者都非常易于使用。

Sep, 2023

机器学习在神经科学中的应用是一个具有挑战性的领域，本文介绍了 julearn 这一开源 Python 库，用于设计和评估复杂的机器学习流程，以简化研究项目中常见的陷阱。

Oct, 2023

该论文介绍了 eipy—— 一个用于开发有效的、多模态的异构集成分类器的开源 Python 包。eipy 同时提供一个严谨且用户友好的框架，通过对其性能进行系统评估并使用嵌套交叉验证来比较和选择最佳的多模态数据融合和预测建模方法。该包旨在利用类似于 scikit-learn 的估计器作为组件来构建多模态的预测模型。eipy 的最新用户指南包括 API 参考和教程的维护可以在此 https URL 找到。该项目的主要存储库可以在 GitHub 的此 https URL 找到。

Jan, 2024

通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。

Aug, 2023