- 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。 其中许多产品已经通过AI和数据科学与机器学习（DSML）功能得到增强，以支持供应链决策。这些功能可以是更广泛的供应链应用程序/套件的一部分，也可以是单独的包容性A&DI平台。 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。 卡西·科兹尔科夫 因此，决策科学侧重于理解决策过程并应用统计模型来做出明智的选择。而决策智能通过整合先进的技术和算法，在支持决策方面更进一步。
37100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 三、AIGA决策大脑的核心能力：四大技术突破重构智能决策AIGA决策大脑的核心价值，在于解决了通用AI在垂直行业应用中的三大痛点：“不懂行业规则”“无法动态决策”“决策过程黑盒”。 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
27410编辑于 2026-01-02- 来自专栏趣Python
机器学习（9）决策树
决策树仍然是监督学习方法，其基本思路跟我们人做一些决策的思路类似：可能要下雨，那就带伞；可能要停水，那就提前备水…… 这个决策的数学模型是熵。 决策树的模型中，无论是ID3，还是C4.5，亦或者是CART，它们在每个节点做判据的目标都是为了让熵最小化！ 核心的内容已经说完了，具体的内容参见如下的推导，一些数学公式的细节可以自行网查。 决策树的算法推导流程如下： ? 如下示例的题材，最后一列是结果，其他列是输入。 ? ID3的手推示例如下所示： ? ? ? CART的手推示例如下所示： ? ? ? ?
46820发布于 2020-06-05 - 来自专栏人工智能的秘密
智能决策：人工智能+大数据
利用Deepmatrix AI决策系统的创新能力，百分点将持续推动AI技术在大数据领域的落地，满足市场对海量异构数据的智能分析与应用需求，使企业能高效、便捷地进行数据资产管理和价值实现。 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。 ； 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 - 来自专栏合集
机器学习day9-决策树
决策树 决策树自上而下，对样本数据进行树形分类的过程。决策树由结点和有向边组成。结点又分内部结点和叶结点。每个内部结点表示一个特征或属性，叶子结点表示类别。 决策树是最基础且常见的监督学习模型，可以用于处理分类问题和回归问题。 决策树的生成包括：特征选择，树的构造，树的剪枝三个过程。 决策树常用的启发函数 常用的决策树算法有：ID3，C4.5和CART，那么它们的启发式函数是什么？ ID3-最大信息增益 对于样本集合D，类别数为K，数据集D的经验熵表示： ? 其中， ? 提高决策树的泛化能力。 ID3应用于离散变量，C4.5和CART都可以用于连续变量。
53120发布于 2020-06-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
本小节介绍对于分类问题非常重要的决策边界，先对逻辑回归求出决策边界的函数表达式并绘制，但是对于像kNN这种不能求出决策边界表达式的可以通过预测样本特征平面中区间范围内的所有样本点来绘制决策边界。 接下来就来实际绘制一下逻辑回归的决策边界，感性的认识一下决策边界。 逻辑回归的分类本质其实就是对于样本点来说是落在决策边界的上面还是决策边界的下面。如果样本点落在决策边界的上面则将样本分成一类，如果样本点落在决策边界的下面则将样本分成另外一类。 ，所以接下来将kNN算法应用在三个类别的数据集上，看看三个类别的决策边界。 上图就是kNN算法在三分类上的决策边界，这个决策边界非常的不规则。
3K20发布于 2020-02-26 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。 - 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. 数据可视化- 仪表板构建：使用数据可视化工具（如Tableau、Power BI等）构建仪表板，将分析结果以图形化方式展示，便于理解和决策。 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NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下 DecisionTreeClassifier tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X, y) max_depth参数设置的是决策树的深度 ，上图的深度是2，它代表决策的次数 深度探索 优点 我们来看决策树的过程：每到一个节点进行一次询问，然后将数据集分向其他的节点，这样的特性决定了数据不需要经过特征缩放的处理 估计概率 决策树模型可以输出每个类的概率 这将输出每个类的概率 model = DecisionTreeClassifier(max_depth=2) model.fit(x, y) model.predict_proba(x) 训练算法 决策树的训练算法被称为 它的公式为 为第k类的实例数 为总实例数 正则化 为了防止过拟合，我们当然要进行正则化，决策树的正则化通过控制参数max_depth来决定，越大则越可能过拟合 在鸢尾花数据集上训练决策树 from sklearn.datasets
28010编辑于 2024-01-18 - 来自专栏开源物联网平台开发
【物联网应用案例】智能农业的 9 个技术用例
一、农业中的物联网用例 一般而言，农业物联网传感器以及农业物联网应用有多种类型： 1. 气候条件监测 气象站无疑是当今智能农业领域最受欢迎的设备。 Arable和Semios这两个典范，就是这类应用在实际农业生产中的生动展现。它们证明了，物联网的加持，能让我们的农业生产更为科学、精准，为丰收的田野织就一道坚实的保护网。 4. 5、精准农业 精准农业，亦称为智能农业，其核心在于提高效率和精准的数据驱动决策。在农业领域中，物联网的运用极其广泛且成效显著。 SoilScout等解决方案应用于农业，使农民能够节省高达 50% 的灌溉水，减少因过度浇水造成的肥料损失，并无论季节或天气条件如何，都能提供可行的见解。 8. 9. 机器人和自主机器 机器人创新也为农业自主机器领域提供了充满希望的未来。一些农民已经使用自动化收割机、拖拉机以及其他无需人工控制即可运行的机器和车辆。
3.6K10编辑于 2024-03-20 - 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 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。 2021年10月，Gartner分析师将决策智能确定为2022年最具影响力的技术趋势之一。为什么决策智能很重要？公司的成功取决于决策。这些决策范围从市场选择到人才招聘再到发票支付授权。 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？ 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]。 尽管机器学习算法可以把这些事做得很好，但是准确的预测结果对于我们的决策是不够，而因果学习为其提供了一种有益的补充。 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. 虽然在低延迟上稍逊于Flink，但其强大的批处理和流处理能力，使其成为数据分析和机器学习应用的理想选择。 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. 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
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