|
搜索
搜 索
高等教育领域数字化综合服务平台
AI医疗
1. 通过医院患者体检数据，进行大数据分析，找出特定疾病的隐性特征，并利用机器学习理论预测患者患病概率。2. 开发针对特定疾病诊断的深度学习模型，完成AI自动生成诊断报告，代替人工诊断，实现快速就诊。3. 开发出真菌AI
哈尔滨工业大学
2021-04-14
松鼠AI
松鼠AI，通过人工智能智适应学习系统，加上线下实际的学习场景，设立先进的教学模式，能够将优质教学送到全国各地，让全国的孩子在同等的情况下享受到公平的、优质的教育资源。
上海松鼠课堂人工智能科技有限公司
2021-02-01
构建基于卷基神经网络的胃癌HE病理切片AI辅助诊断算法
悬赏金额：95万元
发榜企业：百盛（广州）生物制品有限公司
需求领域：环医疗器械及设备及医学专用软件；临床医学-肿瘤
产业集群：生物医药与健康产业集群
技术关键词：人工智能；病理学；组织形态学
百盛（广州）生物制品有限公司
2021-11-01
精彩预告② | AI工具如何助力教育？第62届高博会将集中呈现AI教育工具
第62届高博会将于11月15-17日在重庆国际博览中心举办，主题为“职普融通·产教融合·科教融汇”。将设立6个企业展区和4个特色专区，举办50余场学术活动和8场特色活动，预计将吸引来自全国各地的1500余所高校的学科专业负责人、实验室专家、实训指导老师及高校教师参与。
中国高等教育博览会
2024-10-16
基于AI大数据深度学习的胃肠道肿瘤辅助病理诊断系统的研发
针对植物油炼制过程产生的脱臭馏出物化合物因其组分结构相似和物化性质相近导致现有主要生产技 病理是肿瘤诊断的金标准。病理诊断的准确严重依赖病理科医生的经验。智能化数字病理是数字化病 术中分离选择性差等关键问题，提出了以离子液体类溶剂强化的维生素E提取技术，重点发展植物脱臭馏 理与人工智能（AI）的结合，其推广不但能减轻病理医生的工作负担，还能提高医疗欠发达地区的诊断水 出物中维生素E提取的连续萃取分离工艺。基于相平衡实验数据拟合热力学模型参数，构建离子液体类溶 平，是病理学发展的未来趋势。
中山大学
2021-04-10
斑马AI课
斑马AI课，是专为2-8岁孩子提供多学科在线学习的智能教育平台，由猿辅导在线教育出品，腾讯投资。现拥有英语、数学思维、语文等多个学科AI课程产品。课程通过趣味AI课+专业老师同步辅导的全新教学模式，个性化规划学习路径，全面提升学习效率，助力孩子的全面发展。
北京猿力教育科技有限公司
2021-02-01
AI 中台
AI中台院致力于利用AI技术驱动教育变革，携手全球高水准人工智能科学家及教育领域顶尖人才，专注在计算机视觉、智能语音、自然语言处理和数据挖掘等前沿技术在教育行业的应用及创新。 基于好未来海量教育数据及优质的师资资源，AI中台不断取得前沿核心技术研发突破，并在语音技术、视觉理解、知识图谱等AI能力持续积累的基础上，实现多项技术的产品化应用，打造了包括AI课堂、教学过程评估、口语表达能力评测、作业拍搜批改等创新产品解决方案，覆盖“教、学、测、练、评”各教学环节。
北京世纪好未来教育科技有限公司
2021-02-01
AI语文空间
以名师资源为支撑，提供语文学科特色教师培养、个性化学习、作文智能评阅等特色功能模块，是覆盖小、初、高三个学段全版本教材语文的智能解决方案。
百度在线网络技术(北京)有限公司
2021-02-01
AI行为分析
一、产品概述
文香行为分析系统支持人工智能技术，实时洞察教学场景变化，通过智能行为分析盒可以自动抓拍并分析教师和学生的行为活动，并自动生成报告，例如：举手人数、低头人数、情绪占比率统计分析等，对课堂教师和学生行为进行分析，了解学生对学习的状态。通过人工智能及大数据个性化精准分析，从单一到多元，从封闭到开放，助力学校个性化教学的发展。对学校基础信息管理和学生行为相关数据进行收集，并将采集到的数据进行数字化存储，为智慧学校建设提供重要资源。
二、产品特点
课表一键导入
课表一键导入
多种可视化图表
智能统计分析
三、智能行为分析盒
无嗓音：采用嵌入式ARM架构，无风扇设计，使用时无噪音
支持本地输出：HDMI支持本地输出查看分析画面，画面中标注实时分析结果
网络视频流接入：支持不小于2路网络视 频流接入，实现教师、学生行为实时分析
标准接口对接：采用1路千兆网口，支持标 准的HTTP接口，与学校信息化系统对接
适应大场景分析：支持云台巡视功能，可 在行为分析盒配置巡视，适应大场景分析
安全供电：为保证产品使用安全，行为分 析盒采用12V安全供电
北京文香信息技术有限公司
2022-09-13
锂电池管理系统AI算法研究
本项目聚焦于锂电池管理系统在智能化监测与预测中的关键痛点，尤其拟面向电池容量衰减预测、SOC/SOH估计不准、电池剩余时间不准确、MAP/SOP估算等方面。通过引入人工智能算法，构建融合机器学习与深度学习的电池状态预测模型，拟实现高精度SOC（荷电状态）与SOH（健康状态）估计的优化，提升电池管理系统的智能水平与安全性。
解决方案方面，项目基于实地检测磷酸铁锂电池充放电数据构建训练集，采用轻量级线性回归模型及改进型人工神经网络进行建模优化，并结合特征工程技术提高预测精度。同时，设计适用于边缘计算的部署方案，使模型可在BMS嵌入式硬件平台实时运行，降低对计算资源的依赖。
在竞争优势方面，项目成果具备算法轻量化、部署便捷、预测准确度高、兼容性强等特点，特别适用于电力储能、电动汽车等对安全性和可靠性要求高的场景。相比传统BMS方案，该AI算法可显著提升电池使用效率与寿命，精准估算SOC/SOH，降低维护成本。
目前项目成果已在合作企业内部储能设备中开展应用测试，初步反馈表明荷电状态预测准确度提升40%左右，电池健康度准确度提升40%左右，系统响应及时，具备较高实用性和推广价值。专家评审一致认为，该项目在智能电池管理系统方向具有较强的创新性和实际应用前景。
西南大学
2025-05-12