- 综合排序
- 最热优先
- 最新优先
- 来自专栏决策智能与机器学习
探讨智能决策的框架及量化应用
决策在具体场景中的应用涉及到两个层面的问题，共性技术和场景化应用。共性技术主要是抽象层面的框架和方法，包括数学和物理的模型。 场景化应用涉及到各个环节模型在具体场景之中如何通过改造实现输出值与真实值的精确吻合。 今天我们尝试探讨智能决策的共性框架，并举一个量化投资的应用案例。 这里面就涉及到最新的智能技术应用了，通过知识图谱、神经网络等新技术新方法，将现实世界的知识、经验融入，对不完备复杂动态的非线性问题进行精确建模，从而实现预测值向真实值的逼近。 【小结】 决策框架中如何自适应的学习和成长正是当下智能技术所聚焦的问题，伴随着智能技术的突飞猛进终将被攻克。 在具体场景中的落地应用却还需要场景的精确描述，涉及到行业知识、经验和规律的嵌入，这项工作也是非常庞大且困难的，而且不是智能技术独自能够解决的。
65721发布于 2020-08-04 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。 Gartner3.决策智能不仅仅是一个新的IT营销术语 从积极的角度来看，“决策智能”一词不仅仅是一个IT营销术语。事实上，它在重新调整分析工具（包括现有和新兴工具）或直接支持决策方面非常有用。 4.决策智能直接支持决策周期内的信息流 成熟的决策智能平台才刚刚开始出现。现在，在过去，我们确实有支持决策的软件，例如专家系统。但是，它更临时和被动，例如响应用户问题的专家系统。 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。 因此，决策智能可以快速支持决策周期，甚至自动执行完整的决策流程。从本质上讲，专家系统遵循预定义的规则，而DI平台使用数据和学习算法来提供动态、可扩展的决策支持。3.数据科学与决策智能。
37100编辑于 2025-07-22决策智能与商业智能的3个不同之处
决策智能提供了一种弥合这些洞察差距的方法，帮助用户大规模做出更好、更快、以洞察为导向的决策，并不断改进。 Gartner曾预测，到2023年，33%的大型组织将采用决策智能，决策智能已从默默无闻飙升至2022年的首要战略技术趋势。但是，组织如何确定他们需要哪种解决方案，决策智能还是BI？ 以下是决策智能与商业智能的三个不同之处。 另一方面，决策智能则同时适用于分析消费者和分析师。决策智能通过自动将业务问题（使用自然语言）转换为大数据搜索查询，极大地简化了决策的复杂性。 3)决策智能包含智能自动化 商业智能(BI)专注于可视化聚合数据，而非从海量未聚合数据中挖掘精细洞察。
19400编辑于 2025-07-22炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式
一、引言：AI应用的“决策困境”与AIGA的破局之道当大语言模型（LLM）以“通用智能”席卷全球时，垂直行业AI应用却陷入“能力鸿沟”：通用模型虽能生成流畅文本，却无法理解医疗领域的“ICD-10编码逻辑 二、AIGA决策大脑的技术架构：四层体系构建智能决策闭环AIGA决策大脑并非单一模型，而是一套 “多模态融合+垂直知识驱动+闭环决策”的四层技术体系，从底层算力到上层应用形成完整的智能决策链路：1. 应用层：行业专属AI应用的快速落地AIGA决策大脑通过低代码开发平台（LCDP），将决策能力封装为 “智能组件”，支持企业快速构建行业专属AI应用：组件化封装：将“任务分解引擎”“工具调用接口”“上下文记忆模块 生产制造：智能排产与设备预测性维护3. 金融服务：智能风控与客户服务五、AIGA决策大脑——垂直行业AI应用的“智能引擎”AIGA决策大脑并非“炫技式”的技术堆砌，而是针对垂直行业AI应用痛点的 “实用型”技术突破——它通过“垂直知识融合”解决了
27510编辑于 2026-01-02- 来自专栏人工智能的秘密
智能决策：人工智能+大数据
百分点Deep Matrix AI决策系统由大数据操作系统、智能认知引擎、智能应用系统三部分组成，其中： 大数据操作系统：解决内外部多源、异构复杂数据的处理，构建数据生命周期管理为核心的数据资产管理平台 ，能够帮助行业客户构建起智能认知基础能力； 智能应用系统：根据智能认知引擎对复杂业务问题的识别和判断，结合行业特点，为业务作出智能决策的系列产品；部分智能应用产品带有明显的行业属性。 自然语言理解：百分点自然语言理解采用分布式技术部署，基于深度学习来实现，不仅涵盖了金融、3C制造、汽车、医疗、娱乐、APP应用等丰富的行业词库，还支持汉语、英语、阿拉伯语等十多个语种，在小语种的分词、情感分析 ； 强大的分析和推理能力：对数据进行智能分析与推理，分析出业务的真实动向与未来趋势； 自适应与自优化能力：通过对人工配置与机器执行的融合，实现针对应用的智能预警、智能研判； 行业智能决策能力：通过大数据与人工智能的结合 五大行业的决策进化 基于百分点在行业中八年的深度积累，也为了使各行业的决策水平得到进化，百分点还面向五大行业发布了智能决策应用产品系列。
5.9K01发布于 2017-12-21 - 来自专栏Y-StarryDreamer
智能决策支持系统在农业领域的应用与部署
引言 随着科技的迅速发展，智能决策支持系统在农业领域的应用成为提高农业生产效益和可持续发展的重要手段。 一、项目介绍 背景农业是国家经济的基础，而传统农业决策过程通常依赖于经验和季节性变化。 引入智能决策支持>>系统可以通过数据分析和模型预测，提高农业生产的智能化水平，降低农业生产中的不确定性。 解决方案智能决策支持系统通过整合传感器、数据分析和机器学习等技术，为农民提供实时、精准的农业>>决策建议。 二、部署过程 2.1 数据采集与传感器部署 在智能决策支持系统中，数据是关键的基础。 通过大规模部署物联网设备，实现对农业生产全过程的智能监测和管理。 强化学习在农业决策中的应用 引入强化学习算法，使智能决策支持系统能够根据不同农场的实际情况，动态调整决策策略。 THE END 智能决策支持系统在农业领域的应用已经取得了显著的成果，通过项目实例分析，我们深入了解了其部署过程和实际应用效果。
1.3K00编辑于 2024-01-17 如何利用YashanDB实现智能决策
YashanDB作为一款高性能的数据库系统，采用了先进的体系架构，特别适合快速处理海量数据，进而为智能决策提供强有力的支持。 本文旨在深入探讨YashanDB的核心技术及其在智能决策中的应用，帮助技术人员和决策者更好地理解和利用这一工具。 这一点对于需要高可用性的智能决策支持系统尤为重要。丰富的分析功能YashanDB内置了丰富的分析函数与存储过程，支持复杂的数据运算和实时分析。 结论YashanDB通过多版本并发控制、高效存储和查询引擎、灵活的部署架构以及丰富的分析功能，为智能决策提供了强有力的支持。 为实现高效的数据处理和决策支持，企业应充分利用YashanDB的各项特性，灵活应用其技术能力。掌握YashanDB的使用技术，将为企业在数据驱动的决策环境中树立竞争优势。
14410编辑于 2025-10-03通过YashanDB实现业务智能决策
通过YashanDB实现业务智能决策可以遵循以下步骤：1. 数据采集与集成- 收集数据：从各个来源（如CRM系统、销售平台、社交媒体等）收集业务相关的数据。 3. 数据分析与挖掘- 数据查询分析：使用SQL或其他查询语言对存储在YashanDB中的数据进行分析，获取关键指标和数据洞察。 - 机器学习与预测分析：运用数据挖掘与机器学习技术对历史数据进行分析，预测未来趋势，辅助决策。4. 决策支持与优化- 决策制定：基于分析结果和可视化仪表板，为业务决策提供数据支持，帮助管理层制定战略。- 持续优化：根据数据反馈不断调整和优化业务策略，以提高效率和盈利能力。6. 总结YashanDB作为一个高效的数据库管理系统，通过有效的数据管理、分析和可视化，可以帮助企业在复杂的商业环境中实现智能决策。关键在于建立系统的数据处理流程，并利用数据驱动的方式持续优化业务策略。
15210编辑于 2025-10-05- 来自专栏大数据学习笔记
决策树算法简单应用
sklearn import tree # visualize code from sklearn.externals.six import StringIO import pydotplus # 决策树算法 [130,0]] features_names = ['重量','表皮光滑度'] labels = [0, 0, 1, 1, 0, 1] label_name = ['橘子','苹果'] #调用决策树算法的核心语句
47730发布于 2019-07-02 - 来自专栏AI粉嫩特攻队
ID3决策树
在解决分类问题的决策树中，叶子节点就表示所有的分类，比如这里的分类就有3种：无聊时阅读的邮件、需及时处理的邮件、无需阅读的邮件。 换句话说就是，我们如何知道这颗决策树的各个节点选取什么特征来划分数据才最合适呢？ok,你可能听过一些算法的名字，比如ID3、C4.5、CART等，它们其实就是用来解决这个问题的。 ID3决策树使用信息熵度量数据子集的纯度，信息熵越大，数据越混乱，纯度越低。 然而，ID3还是有缺陷的，比如会偏向选择特征值比较多的特征来划分数据子集，然而如果训练数据中符合这个特征值的数据只出现过很少，甚至是一次，那么将导致构建出的决策树对这个特征的偏见。 另外，ID3无法处理含有连续型数值的特征以及处理回归问题，这类场景下，决策树需要另一种算法——CART，下一篇文章会具体介绍。 ok,本篇就这么多内容啦~，感谢阅读O(∩_∩)O。
82250发布于 2020-01-07 决策智能是新的人工智能平台吗？
决策智能是一个新领域，通过将数据与决策和结果联系起来，帮助支持、增强和自动化业务决策。它结合使用方法（例如决策映射和决策理论）和技术（例如机器学习、自动化及人工智能平台）来改进公司决策的方式。 决策智能包括持续评估决策结果并通过反馈系统对其进行优化。 例如，他们可以提出这样的建议，“您应该在3月30日之前从供应商A处购买200件产品；这将使您节省20,000美元。”人类可以通过简单地接受建议来根据机器的建议做出决策，也可以与机器合作修改建议。 决策智能的组成部分是什么？决策智能技术是现有技术（包括人工智能和流程自动化）的组合，其能力比单独完成更多的事情。人工智能和机器学习专注于数据；它们可以产生洞察力，但通常与决策的执行和结果脱节。 业务流程应用程序（包括机器人流程自动化、流程挖掘和流程发现）以任务为中心。他们可以自动执行任务并提高效率，但他们只能执行他们被编程要做的事情，对决策的有效性影响有限。
33710编辑于 2025-09-18- 来自专栏AI科技大本营的专栏
机器学习真能产生智能决策吗？
是否会引发“第二次人工智能革命”？ 正如图灵奖授予珀尔时评价他的工作为“人工智能领域的基础性贡献，他提出概率和因果性推理演算法，彻底改变了人工智能最初基于规则和逻辑的方向。” 但是，许多数据科学领域的研究人员也已经意识到，从当前实践效果来看，机器学习无法产生智能决策所需的那种理解能力。这些问题包括：稳健性、可迁移性、可解释性等。下面我们来看看例子。 数据统计靠谱吗？ 图3 人均牛奶消费量与诺贝尔奖人数 从我们人类的常识认知来说，这些都是伪相关，甚至是悖论。但从数学和概率论的角度来看，表现出伪相关或者悖论的案例无论从数据上还是计算上都是没有问题的。 比如，在决策理论中，因果关系和统计之间的区别更加清楚。决策理论中有两类问题，一类是已知当前环境，拟采取干预，预测结果。另一类是已知当前环境和结果，反推原因。前者称为求果问题，后者称为溯因问题[3]。 显然回答这样的反事实问题对于强化学习是很重要的，它们可以通过反思自己的决策，制定反事实假说，再通过实践验证，就像我们的科学研究一样。 因果学习应用 最后，我们来看看如何在各个领域上应用因果学习。
59330编辑于 2022-12-10 - 来自专栏技术成长
图数据库在实时商务决策与智能方面的应用场景
由于图数据库适用于解决各种复杂的关系问题，它在实时商务决策与智能方面具有广泛的应用场景。 应用场景以下是图数据库在实时商务决策与智能方面的一些应用场景：社交网络分析社交网络是一个典型的图形结构，图数据库可以用于分析社交网络中的用户关系、兴趣等信息。 通过图数据库，可以实现好友推荐、群体分析、影响力分析等功能，从而帮助企业做出更精准的商务决策。举例：Facebook使用图数据库来存储和分析用户之间的关系，以实现好友推荐和相关广告投放等功能。 智能物流管理图数据库可以用于优化物流网络和供应链管理。通过分析供应商、仓库、物流路径等数据，图数据库可以优化路线规划、库存管理和订单分配，从而提高物流效率并降低成本。 以上仅是图数据库在实时商务决策与智能方面的一些应用场景，图数据库还可以应用于知识图谱构建、推荐系统、网络分析等其他领域，助力企业做出更明智的决策和提供更好的智能服务。
59151编辑于 2023-11-01 主流的规则引擎通过应用决策智能技术，实现卓越的客户体验释放
那决策智能跟这些有什么关系呢？决策智能Gartner说，决策智能是一个实用的领域，它把各种传统和先进的学科结合起来，设计、建模、对齐、执行、监控和调整决策模型。 作为一家提供决策智能解决方案的公司，我们亲身体验过，决策智能是打造出色客户体验的关键。客户体验好不好，取决于你在跟客户互动时做的决策。而且这些决策不仅要多，还得精准和高效。 用决策智能来提升客户体验专注于如何自动化决策，可以更快地推动支持自助服务所需的决策自动化，并确保人和机器之间的适当平衡——积极的决策增强，而不仅仅是被动支持。决策智能可以改善驱动客户体验的决策。 然后通过一个快速的价值证明项目来证明其价值，该项目为您的一个决策提供正确的决策自动化和增强的组合。在应用任何技术之前，请确保您的团队真正了解所涉及的决策过程以及改进它需要什么。 决策智能项目对大多数公司来说是一种新型的项目，因此请与真正了解它的人合作。决策智能不仅仅是现有技术的新名称，成功需要这样对待它。
19210编辑于 2025-09-15- 来自专栏程序你好
人工智能将改变商业决策
虽然人工智能的未来可能会让机器像人类一样做出决策，但现在已经在影响着人类的决策，尤其是商业决策。在本文中，我们将讨论一些关于人工智能如何(以及将如何)改变企业决策的有趣方法。 人工智能和商业决策 在人工智能问世之前，企业不得不依赖于不一致的数据。因此，决策过程不是很精确。就在那时，人工智能来拯救世界。现在，有了人工智能，企业可以转向基于数据的模型和模拟。 $ecure使FSS公司能够在几秒钟内做出实时的业务决策。 汽车行业 从汽车设计到销售决策支持，汽车工业已经开发了一套人工智能应用程序。人工智能是智能无人驾驶汽车设计背后的核心原因。 专家系统 多年来，人工智能一直试图通过专家系统模拟专家的知识和推理能力。专家系统是一种解决问题的软件应用程序。市场营销专家系统(例如MARKEX)应用专家思维过程算法为每个问题提供评估和建议。 通过人工智能营销人员可以分析、模拟和预测客户的行为。人工智能软件应用程序还可以用于数据挖掘社交媒体网络。 意见挖掘 意见挖掘是一种数据挖掘过程，通过浏览web获取客户的意见、反应和感受。
1.6K20发布于 2018-09-29 - 来自专栏决策智能与机器学习
决策智能的关键问题探讨
通常认为是决策类任务，因为他所面对的现实情况是人在回路、环境也是动态变化的，而据此制定策略就变得更加艰难，尤其这种策略的制定是有时间限制的，否则策略所针对的目标会失去意义。 这里面临的决策因素通常涉及到人性和社会关系、环境中的生物、物理和化学问题，而且在时效性限制下必须要在信息不完备、不确定的情况下给出决定并伺机调整。 一些方法包括但不限于数学模型、符号和模糊逻辑系统、决策树、归纳规则集和神经网络。 这样说可能有点抽象，我们举个栗子。 在金融投资中，所谓的圣杯是对终极市场规律的掌握。 展望 至今为止，关于智能背后的基础理论和各种探索试验都还在进展之中，代表着智能技术最为先进的美国DARPA仍然在第三代人工智能的基础理论方面布局了大量研究，如可解释人工智能、终身机器学习机等等，探索通用 、可信、高效的智能技术背后的理论。
46620发布于 2020-08-04 - 来自专栏云社区活动
实时数据处理框架选型与应用：驾驭数据洪流的智能决策
Flink支持复杂事件处理（CEP），非常适合实时数据分析、数据流ETL等应用场景。3. 实时数据处理框架的应用为了展示如何应用这些框架，我们以一个股票市场数据实时分析的项目为例，详细介绍其实现过程。 项目概述本项目旨在使用Apache Kafka和Apache Flink构建一个股票市场数据实时分析系统，通过对股票价格数据的实时处理和分析，提供投资决策支持。1. () producer.send('stock-data', value=stock_data) print(f"Sent: {stock_data}") time.sleep(1)3. 让我们共同驾驭数据洪流，为现代智能化应用提供更多支持和保障。
53410编辑于 2025-01-06 - 来自专栏智瑾财经
筑牢数字金融“底座”能力，决策智能精准优化商业决策模式
决策智能科技推动金融业降本增效国际一流的营商环境、粤港澳大湾区合作的高地、制度创新的先行地……让深圳成为全球科技创新的沃土，新技术、新应用、新产业层出不穷，持续引领科技创新大发展。 专注AI决策智能，萨摩耶云科技集团云原生科技解决方案广泛落地多元场景，实现通过机器来替代大脑判断和决策，开启企业新增长曲线。 基于大数据和人工智能技术，这一管理决策体系利用信用风险量化分析与管理、欺诈风险分析与防范及有关信用额度及定价等具体推荐的计算，在贷前审批、贷中放款和贷后资产管理的全生命周期提供智能化风险决策和管理服务， 基于欧拉精准营销云平台，萨摩耶云科技集团协助金融机构在应用程序商店、搜索引擎及微信小程序等多种营销渠道之间灵活调整匹配用户策略和资源配置，实现用户获取成本效益最大化。 以决策智能为驱动，萨摩耶云科技集团始终将保护数据隐私安全作为生命线，建立健全严格的数据保护机制和管理体系。
56030编辑于 2022-08-26 - 来自专栏人工智能头条
决策树算法介绍及应用
对应数据集 D，选择特征 A 作为决策树判断节点时，在特征 A 作用后的信息熵的为 Info(D)，计算如下： 图 3. 作用后的信息熵计算公式 ? 其中 k 表示样本 D 被分为 k 个部分。 过拟合时训练误差很小，但是检验误差很大，不利于实际应用。 决策树的过拟合现象可以通过剪枝进行一定的修复。剪枝分为预先剪枝和后剪枝两种。 查看决策树的具体信息。 绘制构建完成的决策树图。 通过 prune 函数对该决策树进行适当的剪枝，防止过拟合，使得树能够较好地反映数据内在的规律并在实际应用中有意义。 绘制剪枝完后的决策树图。 结束语 本文主要通过一个决策树的典型案例，着重从特征选择、剪枝等方面描述决策树的构建，讨论并研究决策树模型评估准则，最后基于 R 语言和 SPSS 这两个工具，分别设计与实现了决策树模型的应用实例。 通过较多的统计学公式和案例图表，生动地展示了一棵决策树是如何构建并将其应用到实际场景中去的。
2.4K30发布于 2018-06-05 - 来自专栏小小程序员——DATA
决策树 ID3 算法
ID3 算法 ID3 算法 ID3 算法最早是由罗斯昆 (J.Ross Quinlan) 于1975年提出的一种决策树构建算法，算法的核心是“信息熵”，期望信息越小，信息熵越大，样本纯度越低。。 ID3 算法是以信息论为基础，以信息增益为衡量标准，从而实现对数据的归纳分类 ID3 算法计算每个属性的信息增益，并选取具有最高增益的属性作为给定的测试属性。 ID3 算法步骤： 1.初始化特征集合和数据集合 2.计算数据集合信息和所有特征的条件熵，选择信息增益最大的特征作为当前决策节点 3.更新数据集合和特征集合(删除上一步使用的特征，并按照特征值来划分不同分支的数据集合 ) 4.重复 2，3 两步，若子集值包含单一特征，则为分支叶子节点。 ID3 算法缺点 ID3 没有剪枝策略，容易过拟合 信息增益准则对可取值数目较多的特征有所偏好，类似“编号”的特征其信息增益接近于 1 只能用于处理离散分布的特征没有考虑缺失值
81410编辑于 2023-12-06
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