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。     

机器学习与线性模型在资产收益率预测中的比较

文章基于CAPM、多因子、DNN、LSTM和SVM模型,探讨传统线性资本资产定价模型与机器学习模型对于资产组合样本外的预测能力。提出了六个假设,并采用固定窗口和滚动窗口对模型的预测能力进行验证,结果发现机器学习模型比线性回归在样本外的预测能力更佳,泛化能力更强。     

基于稀疏降噪自编码器的随机森林模型

随机森林算法是一类在机器学习中较为常见的算法,其在数据的分类以及非参数回归中都有重要的作用。如何更好地处理数据,进行特征选择是随机森林的重点研究领域。自编码神经网络在深度学习中有着不可替代的作用,其在数据压缩、特征提取等方面有着优异的性能。结合两者优点,提出一种基于使用稀疏降噪自编码器对原始数据进行特征提取的随机森林算法。采用多种常用数据集进行实验分析,对原始数据分别采用不同的特征提取方法,并利用随机森林将提取后的特征进行分类。实验结果表明,利用稀疏降噪自编码神经网络进行特征提取所得到的特征,能够使随机森林的分类精度得到一定程度的提高。     

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。     

基于数据挖掘的上市公司信用评级变动预测

文章研究如何利用机器学习算法来预测中国上市公司的信用评级变动.选取了中国2003-2015年可得信用评级的记录,得到330条信用评级变动的记录.随后利用包含传统的线性分类器和最近提出的AdaBoost及随机森林分类模型等五类模型进行了实证.实证结果显示,随机森林分类模型对信用评级变动的预测能力最强.     

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.     

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。     

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。     

论医疗人工智能“ 黑箱” 难题的应对策略和规制进路

人工智能(AI)在医疗领域具有重大应用价值,不过,"黑箱"属性是其走向广泛应用的最大阻碍.通过法律制度的合理设计可以有效应对医疗AI的"黑箱"难题.转变规制思路,重点运用临床试验、真实世界研究等其他方法管控医疗AI之风险.从对算法解释的规制转向对算法透明和可追溯的规制,从对算法本身的规制转向对算法之外的其他环节和要素的规制,并契合医疗AI"非锁定"之特性,可建立全生命周期的规制体系.同时,平衡好监管安全和技术创新之关系,防止规制过度,应适度"温和"上市前的监管措施,在特定情形下豁免审批或加速审批,将监管重心适当后移,为医疗AI之发展创造合理空间.