论刑事审判中大数据证据的审查

当前，大数据、人工智能技术催生出的大数据证据已经出现在庭审实践当中。尽管这种新的证据形式提高了事实认定者的认知水平，但同时也隐含着人为偏误与证据失真的证据风险，司法实践需要一套针对大数据证据的审查体系。大数据证据浸润在数据社会这一外部环境当中，同时又因机器学习的内部技术原理而呈现出以电子数据为表现形式、以专家证据为证据内核的证据属性。这决定了大数据证据的审查，一方面要根植于电子数据的规则传统进行证据鉴真，另一方面要对机器学习的源代码进行可靠性评估，以完成大数据证据的相关性判断与可靠性评价。同时，应当以调整证据种类制度、完善电子数据鉴真制度以及构建大数据证据质证机制作为大数据证据审查的配套机制。     

机器学习视角下中国去产能产业的识别

随着中国环境压力的增加,政府提出了供给侧改革,去产能是改革的主要内容,但是由于产业特征的实时演变,需要对政策进行完善。文章运用模糊C均值算法和支持向量机算法分析现阶段需要进行去产能的产业,结果发现在现行去产能政策中大部分行业是需要去产能的,但煤炭开采和洗选业以及铁路、船舶、航空航天和其他运输设备制造业已不适合继续去产能,同时将化学原料和化学制品制造业加入去产能行列中。     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

基于改进支持向量机的电信客户流失预测模型

随着电信业改革的深入和竞争的加剧,电信企业的客户流失率逐步攀升,如何预测并有效减少客户流失直接关系到电信企业的生存和发展.流失客户在客户总体中占比例较低,因此电信客户数据集中存在明显的非平衡数据问题,传统的客户流失预测把客户流失作为普通的模式识别问题处理,建立基于普适机器学习的预测模型.在两类错误的错分代价相差较大的情况下,基于普适机器学习的预测模型缺乏实用价值,因此引入代价敏感学习理论建立了基于改进支持向量机的电信客户流失预测模型,将不同的错分代价纳入建模过程,有效的提高了模型的预测性能.     

关于科学发现机器的研究

本文阐述了科学发现的两个判据,在知识存贮有劣性原理的基础上,提出了知识存贮不完全性原理,指出存在一类逻辑上具有非放大性,但认识论上具有放大性的演绎发现机器。在休谟问题逻辑学范围内不可解原理的基础上,论证了不存在通用的归纳发现机器,但建立局部合理的、有效的、完备的归纳发现机器是可行的。最后,本文描述了科学发现机器的结构,并在文献的基础上,描述了一种同时具有发生与评价功能的归纳发现机器并论证了它的合理性。     

机器学习在信用评级中的应用

2007年次贷危机之后,信用评级问题引起了包括银行等金融机构以及企业本身的高度关注。信用评级简单理解就是通过一定的方法将贷款客户进行分类,产生一系列的级别,因此其核心算法可以理解为是经典的多分类问题。随着近20年来机器学习的发展和兴起,越来越多与之相关的技术被运用到信用评级的工作中。     

关于学习本质的哲学探索

学习能力是人类传承文明的重要条件之一,也是人类智能的显著特征.但是关于人类是如何学习和学习的本质是什么,若干年来学者们一直没有定论.文章试图从哲学的视野对这一问题进行探索,通过对认知主义学习论、行为主义学习论以及建构主义学习论进行解读分析,试图得出关于学习本质研究的新进路.同时通过对人类学习本质研究的局限性引出了机器学习这个概念,从哲学角度对两者比较分析之后认为计算机仍是无法完全模拟或实现人类学习的.     

基于机器学习的殷墟花园庄M54青铜器p-XRF成分数据再思考

随着检测设备的普及与检测精度的提升，文物成分分析数据存量正在急速增加，目前单一目的、单一处理方式的数据研究模式已无法满足精细化考古工作现场对于大规模数据深入分析的要求，基于当下在信息技术领域爆发式发展的机器学习技术，通过机器学习的数据挖掘和模式识别功能，使用现存的安阳殷墟花园庄M54铜器p-XRF数据进行关联规则挖掘、聚类、预测处理，快速识别出可解释的规律、模式和信息，促进机器学习在考古学研究中的推广与应用。     

粗糙集理论及其发展

粗糙集理论以其出色的处理模糊和不确定知识的能力,在数据挖掘领域占据了越来越重要的地位。文章首先描述了粗糙集理论的核心思想,接着介绍了粗糙集理论在不完备信息系统领域的扩充,最后论述了粗糙集理论的应用发展以及未来的研究方向。     

机器学习与科学认知的新方式

计算是当代科学认知的重要方式。随着基于深度神经网络的机器学习的介入,这种方式实现了从运行模型到建构模型的飞跃。具有一定建模能力的人工自主体不仅拥有原初的意向性,而且在科学发现中能担当主要的认知角色。从根本上说,人工自主体的出现是人类不断外化自身的心智能力的产物。可以预期,随着人工智能的进一步繁荣和发展,人工自主体必将在科学研究中发挥越来越大的作用,从而革命性地改变科学的未来。