- 综合排序
- 最热优先
- 最新优先
决策引擎系统的7个级别
第7级是我们达到人类推理、创造力和判断力的最高级形式的地方。现有的“AI”技术都无法达到这个级别，这是有具体技术原因的。 机器学习搜索三种类型的函数（查找表、参数模型和非参数模型），而顺序决策问题搜索四类策略，其中第一类包括可能用于机器学习的任何函数。7级科幻小说我们将7级保留给需要最高智能水平的非结构化问题。 认识到LLM可以产生人类可能会解释为表现出7级行为的单词序列，这一点非常重要，而LLM所做的只是在训练数据集中复制单词模式。 新闻界的文章不断强调人工智能做出战略军事决策的潜力，这需要7级的技能。显然，这些都是非常高的智力水平的例子。可以说，大多数人类的日常行为，当然需要智力，代表了一种模仿形式。 新闻界有数不胜数的书籍和文章讨论“人工智能”，就好像机器已经实现了我们所说的7级智能。据我们所知，没有计算机显示出真正的7级智能。我在实践中看到的所有工具都属于前六个级别。
24510编辑于 2025-09-17- 来自专栏浊酒清味
Python快速实战机器学习(7) 决策树
在这一讲中，你将会： 1、认识决策树； 2、大体了解决策树是如何训练的； 3、学会sklearn中决策树使用方法。 什么是决策树 如果我们在意模型的可解释性，那么决策树(decision tree)分类器绝对是上佳的选择。如同名字的字面意思，我们可以把决策树理解为基于一系列问题对数据做出的分割选择。 举一个简单的例子，我们使用决策树决定去不去见相亲对象 ? 这就是决策树，每一层我们都提出一个问题，根据问题的回答来走向不同的子树，最终到达叶子节点时，做出决策（去还是不去）。 缺点： 训练一棵最优的决策树是一个完全NP问题 因此, 实际应用时决策树的训练采用启发式搜索算法例如贪心算法 来达到局部最优。这样的算法没办法得到最优的决策树。 决策树创建的过度复杂会导致无法很好的预测训练集之外的数据。这称作过拟合.剪枝机制可以避免这种问题。 通过Sklearn使用决策树 决策树通过将特征空间分割为矩形，所以其决策界很复杂。
73910发布于 2019-11-27 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
题目 受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。 假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。 现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。 输入格式： 输入第一行首先给出一个正整数 N（≤2×10 3 ），为申请总量。 输入样例： 7 18:00:01 23:07:01 04:09:59 11:30:08 11:35:50 13:00:00 23:45:00 23:55:50 13:00:00 17:11:22 06: 解题思路 N = int(input()) # N = 7 def zhuanhua(input:str)->int: h,m,s = map(int,input.split(":"))
47710编辑于 2021-12-06 - 来自专栏freesan44
PTA 7-5 实验室使用排期 (25 分)
题目 受新冠疫情影响，当前大家的活动都必须注意保持充分的社交距离，国家实验室的使用也同样受到了严格的限制。 假设规定任何一个时间点上，实验室内最多只能有 1 个人，且每个人都必须提前申请实验室的使用，只有申请被批准后才能进入。 现给定一批第二天的实验室使用申请，你需要写个程序自动审批，使得能够被批准的申请数量最大化。 输入格式： 输入第一行首先给出一个正整数 N（≤2×10 3 ），为申请总量。 输入样例： 7 18:00:01 23:07:01 04:09:59 11:30:08 11:35:50 13:00:00 23:45:00 23:55:50 13:00:00 17:11:22 06: 解题思路 N = int(input()) # N = 7 def zhuanhua(input:str)->int: h,m,s = map(int,input.split(":"))
63700发布于 2021-09-10 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
按决策的范围和决策的重要性划分，可以分为战略决策、战术决策、业务决策。 战略决策是解决全局性、长远性、战略性的重大决策问题的决策。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 决策的分类 1、按决策范围分为 战略决策、战术决策和业务决策； 2、按决策性质分为程序化决策和非程序化决策； 3、按决策主体分为个人决策和群体决策； 4、按决策问题的可控程度分为确定型决策、不确定型决策和风险型决策 决策支持系统 ---- 参考资料 [1]https://baike.baidu.com/item/%E4%B8%9A%E5%8A%A1%E5%86%B3%E7%AD%96/5810405 [2]https ://wiki.mbalib.com/wiki/%E4%B8%9A%E5%8A%A1%E5%86%B3%E7%AD%96 ----
4.2K20发布于 2020-04-01 - 来自专栏新智元
【Hinton实验室探访】Capsule后最新研究，用软决策树更好理解DNN分类
来源：NYT，arXiv 编译：闻菲、刘小芹 【新智元导读】《纽约时报》今日发文，记者走访Hinton在多伦多的实验室，为我们带来Hinton新作“Capsule Network”的更多信息。 今天《纽约时报》发表了一篇文章，NYT记者走访了Hinton在多伦多的实验室，采访了Hinton和《Dynamic Routing Between Capsules》论文的一作Sara Sabour，阐释了 相比之下，决策树如何做分类就很好理解，因为每个决策序列相对较短，而且每个决策都直接基于输入数据。但是，决策树往往无法像神经网络那样泛化。 现在他们已经得到一个模型，这个模型做出的决策是可解释的。 ? 软决策树如何进行分类：MNIST上训练的深度为4的软决策树的可视化图。 通过依赖分层决策而不是分层特征，我们避开了这些问题，因为每个决策都是在读者可以直接参与的抽象层次上进行的。”
98750发布于 2018-03-21 - 来自专栏机器之心
达摩院决策智能实验室杨超：Safe RL介绍及在电网调度中的应用
机器之心报道 机器之心编辑部 5 月 24 日，在机器之心举办的「决策智能产业应用」在线圆桌论坛上，阿里巴巴达摩院决策智能实验室的杨超发表了主题演讲《Safe RL 介绍及在电网调度中的应用》。 大家好，我是来自阿里巴巴达摩院决策智能实验室的杨超，今天主要分享一下 Safe RL，也就是安全强化学习的内容，及其在电网调度中的应用。 最后我介绍一下我们实验室，负责人是印卧涛老师，全球 top 1% 高被引数学家，获得过 NSF CAREER 奖、斯隆研究奖、晨兴应用数学金奖、达摩奖、Egon Balas 奖等。 我们实验室致力于机器学习、数学优化、时序分析与预测等多种决策技术的研究与创新，构建智能决策系统、 提升业务运营效率、降低运营成本 。 目前我们已取得的成果包括优化求解器 MindOpt，多次获得国际权威榜单第一名；实验室拥有多篇顶会论文，并获多项国内外比赛冠军。
1.7K20编辑于 2022-06-07 - 来自专栏云计算D1net
云计算决策指南：解析医疗的7大解决方案
二月的HIMSS17中，谷歌发布了HL7 FHIR的支持，来提高数据互操作标准的发展。 为了延迟，减少谷歌的公共网络利用了超过一百个全球位置接入。
1.8K90发布于 2018-03-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 12-7 决策树的局限性
决策树第一个局限性 通过前几个小节绘制使用决策树来解决分类问题的决策边界可以看出，决策树的决策边界都是横平竖直的直线。 上图为决策树在鸢尾花数据集（为了可视化方便，只选取后两个特征）上训练后绘制的决策边界。 类似，无限往右的时候，标 2 的决策边界也会一直保持。 随着二维特征平面往两边延伸，决策树的决策边界和实际的决策边界差别越来越大。显然，决策树的决策边界错误越来越大。 In[7]: X_new.shape Out[7]: (149, 2) In[8]: y_new.shape Out[8]: (149, ) 接下来使用决策树对包含 149 个样本点的新的鸢尾花数据集进行分类 小结 这一小节介绍了决策树两个比较重要的局限性： 第一个局限性：决策树生成的决策边界是横平竖直的。
1.6K10发布于 2021-02-26 敏捷决策
1.新兴技术使企业高管能够快速做出更好的决策 当今的信息技术使决策者能够即时接收数据，从而更快、更高效地做出决策。 这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它使企业领导者能够快速执行决策以优化供应链绩效。下面，我们将介绍专用于执行层决策的敏捷决策平台的理想属性。 这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。a.有针对性的数据收集：专注于及时性和特定决策要求的决策。 d.快速决策沟通。 面向高管的敏捷决策平台也需要促进协作决策。此外，它需要支持在整个供应链和组织内部有效地传递决策。 此外，它需要记录决策团队何时拒绝系统建议，并识别因未选择特定行动方案而导致的错失机会。具体来说，决策可追溯性的目标是记录决策是什么、预期结果以及谁做出了决策。
22100编辑于 2025-07-23- 来自专栏CVer
CVPR2020 | 中科院VIPL实验室7篇录取论文详解
中科院VIPL实验室共七篇论文录取，内容涉及弱监督语义分割、活体检测、手势识别、视觉问答、行人搜索、无监督领域自适应方法等方面，本文将予以详细介绍。 01 1. 07 7.
1.2K31发布于 2020-03-13 - 来自专栏点滴科技资讯
窥探全球银行业最酷的 7 个金融科技创新实验室
下面我们就来看一看希望跟上席卷整个行业的数字颠覆浪潮的银行打造的数字实验室、创意实验室和测试工厂。 该空间以孵化“车库”、“协作中心”和“可用性实验室”为特色。该实验室的建造成本约为 300 万美元。 创新实验室的参观者可以与实时数据互动、解读趋势、集思广益解决方案并与 CommBank 项目团队合作。实验室的访客会收到一个位置感知平板电脑，作为个性化的导游。 除了创新实验室，该银行还为员工推出了一项旨在发现创新和新鲜想法的计划。“释放创新”计划允许员工将他们的创新想法提交给高级管理人员小组，成功的提案将进入创新实验室进行孵化。 新加坡花旗创新实验室包括一个客户体验中心和一个客户协作中心。实验室有12人。
2.5K30发布于 2021-11-02 决策引擎中的敏捷决策平台
现在是时候缩小差距，为供应链领导者提供敏捷的决策能力了。高管敏捷决策平台的关键属性，以最大限度地提高供应链绩效。高管们面临巨大压力，需要快速做出数据驱动的决策，这些决策会影响整个组织，包括供应链。 所以，现在是时候重新思考如何支持高管决策，以提高供应链绩效。这意味着要接受为高管提供专用供应链决策平台的概念。可能和需要的是一个敏捷决策平台，它让企业领导者能快速执行决策以优化供应链绩效。 下面，我们会介绍专用于执行层决策的敏捷决策平台的理想属性。这些软件属性包括有针对性的数据收集、敏捷决策智能、用于决策周期的高管级UI、基于决策的快速通信以及决策可追溯性。 此外，敏捷决策平台需要促进信息收集过程，收集有针对性的相关信息，以支持及时、明智的决策。以下是快速收集决策所需信息的五步流程。 d.快速决策沟通。面向高管的敏捷决策平台也需要促进协作决策。
25810编辑于 2025-09-18- 来自专栏小脑斧科技博客
决策树的构建、展示与决策
概述 上一篇文章中，我们介绍了两个决策树构建算法 — ID3、C4.5： 决策树的构建 -- ID3 与 C4.5 算法 本文我们来看看如何使用这两个算法以及其他工具构建和展示我们的决策树。 2. 使用 C4.5 构建决策树 有了上一篇日志中，我们介绍的 ID3 与 C4.5 算法，递归进行计算，选出每一层当前的最佳特征以及最佳特征对应的最佳划分特征值，我们就可以构建出完整的决策树了： 流程图非常清晰 决策树的可视化 上面的 json 结果看上去非常不清楚，我们可不可以画出决策树的树结构呢？ :param myTree: 决策树 :return: 决策树的叶子结点的数目 """ numLeafs = 0 # 初始化叶子 firstStr = list :param myTree: 决策树 :return: 决策树的层数 """ maxDepth = 0 # 初始化决策树深度 firstStr = next
68820编辑于 2022-06-27 决策智能
此外，我将阐明决策智能与决策科学、人工智能、数据科学和商业智能（BI）等同类产品的不同之处。决策智能（DI）定义及其在供应链中的应用 决策智能（DI）是一个相当新的术语。 这是因为决策智能利用了各种分析工具，例如商业智能、数据科学、决策科学和专家AI系统。此外，决策智能功能最好部署为专门专注于决策的软件平台。 因此，企业可以部署决策智能平台进行决策支持、决策增强，甚至自主决策。同时，它与BPA的不同之处在于DI支持决策而不是基于任务的业务自动化。 此外，这些DI系统能够衡量和学习以前的决策，以提高决策有效性。决策智能与其他分析学科 什么是决策智能，以及它与其他分析学科（如决策科学、专家AI、数据科学和商业智能）的比较。 1.决策科学与决策智能。 事实上，决策者一直使用决策科学来指导他们的选择。虽然早期的决策科学以数学和统计学为基础，但计算机的出现增强了它在决策智能和决策支持分析等领域的应用。
36100编辑于 2025-07-22- 来自专栏木东居士的专栏
决策树1：初识决策树
决策树是一个非常有意思的模型，它的建模思路是尽可能模拟人做决策的过程。因此决策树几乎没有任何抽象，完全通过生成决策规则来解决分类和回归问题。 0x01 决策树的思想 1.1 什么是决策树 决策树是一种常见的机器学习算法，它的思想十分朴素，类似于我们平时利用选择做决策的过程。 3 决策树的构建 决策树通常有三个步骤： 特征选择 决策树的生成 决策树的修剪 决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。 决策树生成和决策树剪枝是个相对的过程，决策树生成旨在得到对于当前子数据集最好的分类效果(局部最优)，而决策树剪枝则是考虑全局最优，增强泛化能力。 决策树是一个非参数的决策算法，决策树可以解决分类问题，且天然支持多分类问题。
1.6K20发布于 2019-12-23 - 来自专栏用户画像
决策树
https://blog.csdn.net/jxq0816/article/details/82829502 决策树通过生成决策规则来解决分类和回归问题。 但是由于决策树在理论上能无限制地划分节点 前剪枝：在划分节点之前限制决策树的复杂度，通过一些阈值来限制决策树的生长，比如max_depth、min_sample_split等参数。 后剪枝：在决策树构建完成之后，通过剪枝集修改树的结构，降低它的复杂度。 这两种方法相比，前剪枝的实现更加容易，也更加可控，因为在实际应用中应用得更加广泛。 决策树最大的缺点在于模型的最后一步算法过于简单：对于分类问题，只考虑叶子节点里哪个类别占比最大；而对于回归问题，则计算叶子节点内数据的平均值。这导致它在单独使用时，预测效果不理想。 因此在实际中，决策树常常被用来做特征提取，与其他模型联结起来使用。
67130发布于 2018-09-29 - 来自专栏数据处理
决策树
决策树归纳的基本算法是贪心算法，它以自顶向下递归各个击破的方式构造决策树。 贪心算法：在每一步选择中都采取在当前状态下最好的选择。 在其生成过程中，分割方法即属性选择度量是关键。 根据分割方法的不同，决策树可以分为两类：基于信息论的方法（较有代表性的是ID3、C4.5算法等）和最小GINI指标方法（常用的有CART，SLIQ及SPRINT算法等）。
79240发布于 2018-06-01 - 来自专栏海天一树
决策树
一、 决策树简介 决策树是一种特殊的树形结构，一般由节点和有向边组成。其中，节点表示特征、属性或者一个类。而有向边包含有判断条件。 这就构成了一颗简单的分类决策树。 ? 1.jpg ? 2.jpg 二、 相关知识 请参考周志华《机器学习》第4章：决策树 注意，第75页有一行内容：信息熵的值越小，则样本集合的纯度越高。 7.png 第二个属性如何计算呢？ 找出第5列属性的值为2所对应的类别。 此时的决策树为 ? file = open('Data/car.data') lines = file.readlines() raw_data = np.zeros([len(lines), 7]
1.2K20发布于 2018-08-17 - 来自专栏新亮笔记
监测与决策
结果输出：将实时和离线分析的结果展现，供决策参考。 问题决策：根据上一步的输出，人为或自动给出下一步的行动判定，同时将判定记录保存下来，以便为后续决策提供依据。 全面性，即收集到的数据信息是否足以支持团队做出决策。 及时性，即数据的发生到能够支持决策所需要的处理时间足够短。 了解更多：https://t.zsxq.com/08AGFfCK3
57310编辑于 2023-03-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号