亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

決策智能（DI）多年來一直被廣泛認為是頂尖的技術趨勢，Gartner的報告顯示，超過三分之一的大型組織正在采用它。有人甚至說，DI是AI發展的下一個階段。目前，許多軟件供應商提供DI解決方案，因為它們幫助組織實施基于證據或數據驅動的決策策略。

然而，到目前為止，關于組織如何正式化決策并將其與數據整合的實用指南還很少。 通過這本書，作者L. Y. Pratt和N. E. Malcolm填補了這一空白。他們提出了一種分步方法，將技術整合到決策中，搭建從行動到期望結果的橋梁，重點關注在決策制定過程中起顧問作用、與人類保持交互的系統。 這本手冊解決了三個普遍存在的數據驅動決策問題：

1. 決策者如何使用數據和技術來確保達到期望的結果？
2. 技術團隊如何與決策者有效溝通，以最大限度地提高他們在數據和技術上的投資回報？
3. 組織的決策者如何評估并隨著時間的推移改進他們的決策？

在第一章中，我們向您介紹DI。我們簡要介紹DI的歷史，并從多個角度解釋它的好處。如果您想快速開始學習DI的流程，可以跳過第一章。其余章節圍繞九個DI流程進行組織，這些流程在圖P-3中進行了總結。

第二章讓你開始學習決策制定。它涵蓋了創建初始決策目標陳述和構建決策設計的過程，包括識別可用的行動和期望的結果。第三章涉及到決策設計，你將在這里創建你的初始CDD。在第四章，你將研究可以支持你的決策的技術和數據資產，這被稱為決策資產調查。現在是時候把所有東西匯集起來，做出你能做的最好的決策。這是決策模擬，涵蓋在第五章。在你根據你的決策采取行動之前，你會想要評估風險、敏感性和不確定性。這是決策評估，是第六章的主題。現在是時候采取你選擇的行動了。在這本書中，我們不會告訴你一旦做出選擇該如何行動——我們認為你在這方面已經很擅長了。但是在第七章，我們將描述決策監測：你如何可以使用你的DI資產來監控你的行動（KPIs、中間過程、結果等）在現實中的效果，以便你可以在事情偏離軌道時迅速調整。

最后，第八章涵蓋了決策模型被使用后你需要做的事情。在決策成果保留中，你要確保盡可能多的決策制定努力可以被重復使用。在決策回顧過程中，你將評估并改進你的決策制定過程，以備下次使用。 //www.oreilly.com/library/view/the-decision-intelligence/9781098139643/

智能決策技術的進步提升了制造業的效率，開啟了工業4.0時代。工業4.0正在徹底改變公司生產、改進和銷售產品的方式。制造商正在將物聯網(IoT)、云計算和分析、人工智能和機器學習等新技術整合到生產設施中。在過去的幾年中，智能分析已經成為一種解決方案，它可以檢查歷史和實時數據，以發現性能洞察。由于需要分析的數據量每天都在增長，因此需要先進的技術來收集、整理和分析傳入的數據。這種方法使企業能夠發現有價值的聯系和趨勢，并做出提高整體性能的決策。在工業4.0中，智能分析在描述性、預測性和規范性子域方面具有更廣泛的范圍。為此，本書將回顧并強調工業4.0中智能分析面臨的挑戰，并介紹為應對這些挑戰所做的最新進展。//www.routledge.com/Intelligent-Analytics-for-Industry-40-Applications/Pandey-Verma-Rathor-Singh-Singh/p/book/9781032342412

人工智能(AI)技術，特別是那些基于深度學習(DL)的技術，已經在各種各樣的任務上變得非常有效，有時甚至表現得比人類專家更好。然而，它們也有一些問題:它們通常以不透明和/或棘手的方式運行，它們的非常好的性能僅是統計上的，即使在明顯的情況下也可能失敗，它們可能做出有偏見的決定，它們很容易通過對抗性攻擊進行操作，舉幾個例子。這些限制阻礙了它們在具有重大經濟或社會利益的應用中被采用，特別是在關鍵或明智的應用中，如自動駕駛、醫療診斷或貸款批準。

考慮到這一點，為了增加基于深度學習的人工智能系統的可信性，通過為這些系統所做的決策提供人類用戶可以理解的解釋，進行了大量的研究。本書的目的是為專家或外行人用戶介紹可解釋深度學習領域的主要方法的最新和原始貢獻。提出了兩種主要類型的方法:“事后”或“模型不可知”的方法，其中對一個已經可用的“黑盒”系統的操作進行建模和解釋，以及內在的方法，其中系統被專門設計為具有可解釋的操作模式的“白盒”。本書是我們在ICPR’2020 IAPR和IEEE會議上組織的一個非常成功的研討會“Explainable Deep Learning-AI”的后續工作，該研討會對該領域正在進行的研究進行了大規模的參觀。可解釋性的問題在許多媒體領域都得到了解決，包括圖像、文本、時間序列和表格數據。兩章具體論述了解釋方法評價的難點和重要問題。最后，在結語部分提出了仍然存在的挑戰。

//www.elsevier.com/books/explainable-deep-learning-ai/benois-pineau/978-0-323-96098-4

最近，深度學習在許多AI/ML任務中被證明非常成功，但對該技術的理論理解一直滯后。這次報告將調研正在進行的努力，以理解這種方法的成功，包括優化方面和巨大的網絡在微小數據集上不過度擬合的神奇能力。

在過去的十年里，深度學習迅速占據了人工智能和機器學習的主導地位。盡管深度學習在很大程度上是一個“黑盒子”，但不可否認，其取得了顯著的成功。當下，有一個小的分支學科正在發展起來，獲得對深度學習潛在數學特性更好的理解。通過對深度學習在某些具體情況下的最新理論分析的回顧，我們說明了黑盒理論是如何忽略(甚至錯誤地理解)訓練過程中發生的特殊現象的。這些現象也沒有體現在訓練目標函數中。我們認為，通過數學視角來理解這種現象對于未來的全面應用至關重要。

**演講嘉賓：**Sanjeev Arora

**Sanjeev Arora是普林斯頓大學計算機科學Charles C. Fitzmorris教授。**他曾獲得Packard Fellowship(1997)、Simons Investigator Award(2012)、G?del Prize(2001和2010)、ACM Prize in Computing(2012)和Fulkerson Prize(2012)。他是NAAS Fellow和NAS成員。

隨著神經網絡在21世紀的復興，深度學習已經成為一個非常活躍的研究領域，為現代機器學習鋪平了道路。在這本實用的書中，作者Nikhil Buduma提供了例子和明確的解釋，以指導您通過這個復雜的領域的主要概念。

谷歌、微軟和Facebook等公司都在積極發展內部深度學習團隊。然而，對于我們其他人來說，深度學習仍然是一個相當復雜和難以掌握的學科。如果您熟悉Python，并且有微積分的背景知識，并且對機器學習有基本的了解，那么這本書將幫助您入門。

• 檢查機器學習和神經網絡的基礎
• 學習如何訓練前饋神經網絡
• 使用TensorFlow實現你的第一個神經網絡
• 當你開始建立更深入的關系網時，要管理出現的問題
• 建立分析復雜圖像的神經網絡
• 使用自動編碼器進行有效的降維
• 深入序列分析來檢查語言
• 了解強化學習的基本原理

本書的第一章致力于通過深入鉆研線性代數和概率來介紹數學基礎，這些深度嵌入到深度學習領域。接下來的幾個章節將討論前饋神經網絡的結構，如何在代碼中實現它們，以及如何在現實世界的數據集上訓練和評估它們。本書的其余部分致力于深度學習的具體應用，并理解為這些應用開發的專門學習技術和神經網絡架構背后的直覺。雖然我們在后面的章節中涉及到高級的研究，但我們希望提供這些技術的分解，這些技術來源于基本原則，易于理解。

//www.oreilly.com/library/view/fundamentals-of-deep/9781491925607/

早期基于規則的人工智能表現出了有趣的決策能力，但缺乏感知能力，也不會學習。如今，擁有機器學習感知和深度強化學習能力的人工智能，可以對特定任務執行超人般的決策。這本書向您展示了如何將早期AI的實用性與深度學習能力和工業控制技術相結合，在現實世界中做出可靠的決策。

使用具體的例子，最小的理論，和一個經過驗證的架構框架，作者Kence Anderson展示了如何教自主AI明確的技能和策略。您將學習何時以及如何使用和結合各種AI架構設計模式，以及如何在不需要操縱神經網絡或機器學習算法的情況下設計高級AI。學生、流程操作員、數據科學家、機器學習算法專家以及擁有和管理工業流程的工程師可以使用本書中的方法論來設計自主AI。

這本書探討:

自動化、自主和人類決策的區別和局限性 自主AI在實時決策方面的獨特優勢，具有用例 如何從模塊化組件設計一個自主的AI并記錄你的設計

作為一項關鍵技術，人工智能（AI），特別是以深度神經網絡的形式，已經在許多數字化業務中成功應用，包括生物識別、醫療保健和汽車等領域的安全和安保相關應用。盡管人工智能有無可爭議的好處，但它的使用也帶來了質量和數量上的新風險和脆弱性。隨著人工智能的不斷傳播，這就要求審計方法能夠保證其可信度，并能夠將新興的人工智能標準和人工智能監管工作付諸實施，例如歐洲人工智能法案。審計人工智能系統是一項復雜的工作，因為在人工智能的生命周期中需要考慮多個方面，需要多學科的方法。人工智能審計方法和工具在許多情況下是研究的主題，還沒有實際應用。為了在不同的使用情況下對人工智能系統的可審計性進行全面的盤點，并允許跟蹤其隨時間的進展，我們在此建議采用新開發的 "認證準備矩陣"（CRM），并提出初步概念。通過使用CRM概念作為框架來總結為期一天的人工智能系統審計研討會的結果，其中包括基礎研究、應用人工智能審計工作和標準化活動，我們證明了某些方面的審計方法已經發展成熟，而其他方面仍然需要更多的研究和開發新的審計技術和工具。

機器學習已經成為近年來最流行的話題之一。我們今天看到的機器學習的應用只是冰山一角。機器學習革命才剛剛開始。它正在成為所有現代電子設備不可分割的一部分。在自動化領域的應用，如汽車、安全和監視、增強現實、智能家居、零售自動化和醫療保健，還不多。機器人技術也正在崛起，主宰自動化世界。機器學習在機器人領域的未來應用仍未被普通讀者發現。因此，我們正在努力編寫這本關于機器學習在機器人技術上的未來應用的編輯書籍，其中幾個應用已經包含在單獨的章節中。這本書的內容是技術性的。它試圖覆蓋機器學習的所有可能的應用領域。這本書將提供未來的愿景在未探索的領域的應用機器人使用機器學習。本書中提出的觀點得到了原始研究結果的支持。本章在這里提供了所有必要的理論和數學計算的深入研究。對于外行人和開發人員來說，它將是完美的，因為它將結合高級材料和介紹性材料，形成一個論點，說明機器學習在未來可以實現什么。它將詳細介紹未來的應用領域及其方法。因此，本書將極大地有利于學術界、研究人員和行業項目管理者開發他們的新項目，從而造福人類。

//link.springer.com/book/10.1007/978-981-16-0598-7#about

人工智能(AI)為改善私人和公共生活提供了很多機會，以自動化的方式在大型數據中發現模式和結構是數據科學的核心組件，目前驅動著計算生物學、法律和金融等不同領域的應用發展。然而，這種高度積極的影響也伴隨著重大的挑戰:我們如何理解這些系統所建議的決策，以便我們能夠信任它們?在這個報告中，我們特別關注數據驅動的方法——特別是機器學習(ML)和模式識別模型——以便調查和提取結果和文獻觀察。通過注意到ML模型越來越多地部署在廣泛的業務中，可以特別理解本報告的目的。然而，隨著方法的日益普及和復雜性，業務涉眾對模型的缺陷、特定數據的偏差等越來越關注。類似地，數據科學從業者通常不知道來自學術文獻的方法，或者可能很難理解不同方法之間的差異，所以最終使用行業標準，比如SHAP。在這里，我們進行了一項調查，以幫助行業從業者(以及更廣泛的數據科學家)更好地理解可解釋機器學習領域，并應用正確的工具。我們后面的章節將圍繞一位公認的數據科學家展開敘述，并討論她如何通過提出正確的問題來解釋模型。

//arxiv.org/abs/2009.11698