7-2 寻找大富翁

7-2 寻找大富翁 分数 25 全屏浏览题目 切换布局 作者 陈越 单位 浙江大学 胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。

炎鹊AI ，AIGA决策大脑：重构AI应用的智能决策范式

，让AI真正成为“懂业务、能决策、可落地”的行业智能中枢。 本文将从技术架构、核心能力、行业落地价值三个维度，深度解析AIGA决策大脑的技术内核，揭示其如何重构AI应用的决策范式。 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 决策过程的可解释性：从“黑盒决策”到“透明化推理”垂直行业AI应用的落地，往往受困于“决策过程不透明”——例如，医疗领域的AI诊断系统若无法解释“为什么诊断为肺癌”，医生就无法信任其结果；金融领域的风控系统若无法解释 未来，炎鹊AI将继续深化AIGA决策大脑的技术研发，重点突破 “多模态决策”“跨行业知识迁移”“边缘计算部署”等方向，让AI真正成为垂直行业的“智能引擎”，推动千行百业的数字化转型。

AI - 决策树模型

决策树算法 决策树的思想来源可以追溯到古希腊时期，当时的哲学家们就已经开始使用类似于决策树的图形来表示逻辑推理过程。然而，决策树作为一种科学的决策分析工具，其发展主要发生在20世纪。 在20世纪50年代，美国兰德公司的研究人员在研究军事策略时首次提出了决策树的概念。他们使用决策树来分析和比较不同的军事策略，以帮助决策者做出最佳选择。 每一个节点代表一个决策或事件，每一个分支代表一个可能的结果，而树的每一个路径则代表一种可能的决策序列。这种思想的朴素之处在于，它直接模仿了人类在日常生活中做决策的过程。 这些因素可以构成一个决策树，其中每个因素是决策节点，每个选择是方案枝，最终到达叶子节点，即做出决策。 ： 特征选择：选取有较强分类能力的特征 决策树生成 决策树剪枝  ID3 决策树  ID3 树是基于信息增益构建的决策树，算法的核心在于使用信息增益作为属性选择的标准，即在每个节点选择尚未被用来划分的

PTA 7-2 符号配对（20 分）

7-2 符号配对（20 分） 请编写程序检查C语言源程序中下列符号是否配对：/*与*/、(与)、[与]、{与}。 输入格式: 输入为一个C语言源程序。

7-2 树种统计 (20 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/102924532 7-2 树种统计 (20 分) 随着卫星成像技术的应用，自然资源研究机构可以识别每一棵树的种类

7-2 到底有多二

本文链接：https://blog.csdn.net/shiliang97/article/details/96301355 7-2 到底有多二 一个整数“犯二的程度”定义为该数字中包含2的个数与其位数的比值

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

PTA 7-2 方阵循环右移

DaaS：AI、数据管道与决策（译文）

Take Away AI对数据管道的影响：更多是演化而非革命 尽管AI备受关注，George Fraser指出，数据管道的基本需求并没有发生剧烈变化。 他认为，目前AI对客户数据管道需求的影响并不大，主要的变化是能让机器处理非结构化的文本数据。 RAG的兴起：增强内部知识库 AI在增强型生成检索（RAG）领域取得了显著进展。 在这种情况下，投资决策可以成为一个很好的反例，展示了在面对错误的证据时，如何进行决策的逆转。你是如何做到的？你把它写下来了吗？当事实与预期不符时，你如何调整决策呢？ George：许多决策，尤其是大决策，根本就不可能完全基于证据做出。事实上，大多数决策都涉及个人心理学的因素。你必须学会接受犯错，并承认自己错了，至少对自己这样做，理想情况下，对他人也要如此。 George：而且，AI在某些问题上依旧力不从心。比如，如果你让一个AI在九进制下做算术，它就做不到。尽管这种数学本身并不复杂，但对这些AI来说却依旧是个难题，表明它们在某些方面仍存在很大的空白。

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

AI解决方案的决策工具

现在公司用AI的地方会越来越多。数字化能让公司像原子一样精细运营，每天能对客户、产品、供应商、资产或交易做出上百万个决策。但是这些决策不能靠在电子表格上工作的普通人来完成。 我们把这些由AI驱动的精细决策叫做“微观决策”。这需要一个彻底的转变，从做决策变成“关于决策的决策”。你们得用规则、参数和算法在新的抽象层面上管理。这种转变正在每个行业和各种决策中发生。 自动化是通过算法（决定微观决策的规则、预测、约束和逻辑）实现的。这些决策算法通常被称作人工智能（AI）。关键问题是，人类管理者怎么管理这些算法驱动的系统呢？从概念上讲，自治系统很简单。 一家财富500强公司正在大力投资使用AI来改善其运营。他们认识到，AI的价值通常来自于帮助人类更好地完成工作。一个例子是帮助调度员更有效地处理票据和路线。 这些系统将代表您做出越来越细粒度的微观决策，从而影响您的客户、员工、合作伙伴和供应商。要取得成功，您需要了解与AI交互的不同方式，并为每个AI系统选择正确的管理选项。

AI是如何做决策的？

太拘泥于细节的AI AI（人工智能）无所不能。据社交网站“脸谱”披露，要想欺骗AI把某个不存在的东西当作真实存在，比你想象的要容易得多。 ? 譬如，在一张高清晰度的图片中，随机地降低某些地方的像素。 他们将能够操纵无人驾驶汽车狂奔，无视红绿灯；或者让犯罪嫌疑人轻易躲过AI控制的监控摄像头。 AI的决策规则不易被人知 为了解决这个问题，这就需要先去了解AI是如何做决策的，但这一直是个难题。 因为AI在自我学习过程中，经过海量的数据训练之后，会自创一套决策规则，但它最后创立的规则到底是什么，这对于AI的设计者有时候都是一个谜。这一点其实跟人也是相似的。 一窥AI的决策过程 格林在给图片分类的一个AI上测试了他的系统。这个AI被训练把图片分成10个类，包括飞机、鸟、鹿和马等。 从这里可以看出，AI做决策的过程迥异于我们人类。面对一张鹿的图，即使把它的角打上马赛克，我们也还是可以根据分叉的蹄子认出鹿来的，但对于“死板”的AI，它很可能就把它认作驴了。

数据越多，AI决策模型越脆弱

数据在很大程度上决定了AI系统的性能、公平性、稳健性、安全性和可扩展性。 那么，用足够多的数据训练而来的AI系统，能够做出正确的决策么？ 以上这些子问题，对于决策过程异常重要。 假设访问更多数据是决策者做出更好决策的关键，所以研究者希望喂给系统越多数据，AI越好的做出决策，拥有更少的负面影响。 AI很容易受到不良数据的影响，因为我们过分强调了它在分类和识别方面的应用，而低估了它在建议和情境化方面的应用。然而，决策型AI又非常容易被破坏。 这时候，AI决策模型的作用是提示医生将可能的疾病类型纳入他的决策树，所以尽管可能数据不佳，但患者的治疗效果却有所改善。 如果 AI 是改善决策，那么 AI 应该引导决策者进行假设检验，而不是试图超越专家。 当 AI 试图胜过专家，它完全取决于接收到的数据的质量，从而产生了一系列漏洞，攻击者可以轻松地利用这些漏洞。

7-2 冒泡法排序 (30分)

7-2 冒泡法排序 (30分) 将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。

7-2 冒泡法排序 (30分)

将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。通过一遍扫描，则最后一个元素必定是最大的元素。然后用同样的方法对前N−1个元素进行第二遍扫描。依此类推，最后只需处理两个元素，就完成了对N个数的排序。

PTA 7-2 列车调度（25 分）

7-2 列车调度（25 分） 火车站的列车调度铁轨的结构如下图所示。 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。

7-2 歌唱比赛计分 (15分)

7-2 歌唱比赛计分 (15分) 设有10名歌手(编号为1-10)参加歌咏比赛，另有6名评委打分，每位歌手的得分从键盘输入，计算出每位歌手的最终得分(扣除一个最高分和一个最低分后的平均分)，最后按最终得分由高到低的顺序输出每位歌手的编号及最终得分

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

10个解释AI决策的Python库

本文整理了10个常用于可解释AI的Python库，方便我们更好的理解AI模型的决策。 什么是XAI？ XAI（Explainable AI）的目标是为模型的行为和决策提供合理的解释，这有助于增加信任、提供问责制和模型决策的透明度。 因为这些领域的错误决策成本很高（风险很高），所以XAI 变得越来越重要，因为即使是 AI 做出的决定也需要仔细检查其有效性和可解释性。 可解释性实践的步骤 数据准备：这个阶段包括数据的收集和处理。 它提供了以下机器学习框架和包的支持: scikit-learn：ELI5可以解释scikit-learn线性分类器和回归器的权重和预测，可以将决策树打印为文本或SVG，显示特征的重要性，并解释决策树和基于树集成的预测 它是一个用于可解释AI (XAI)的Python机器学习库，提供全方位的可解释AI和可解释机器学习功能，并能够解决实践中解释机器学习模型所做决策的许多痛点。