XiaoMi-AI文件搜索系统
World File Search Systemscholarworks
引用引用 Layn, B. (2024)。金融中的人工智能：改变决策和风险管理以改善财务成果。金融本科荣誉论文取自 https://scholarworks.uark.edu/finnuht/124
摘要 本研究评估了人工智能对金融业的影响，重点关注其对金融风险的管理能力及其在创造量身定制的银行体验中的作用。人工智能的快速发展带来了前所未有的能力，也引发了人们对人类对这些金融发展的适应能力的质疑。本论文将进一步研究人工智能如何管理金融风险以及如何应对监管框架和潜在的管理不善。我们将调查多家公司以展示其不同的能力，每家公司都将突出其独特的特点和对人工智能金融格局的贡献。本论文对不断发展的金融行业进行了全面总结，强调了人工智能在整体金融风险决策和个性化银行业务中发挥的关键作用。
推荐引用 推荐引用 Uglum, Marcy Kim，“人工智能在审计行业中的伦理影响考量”（2021 年）。荣誉课程论文。496。https://scholarworks.uni.edu/hpt/496
这份开放获取荣誉课程论文由 UNI ScholarWorks 的学生作品免费提供给您，供您开放获取。它已被 UNI ScholarWorks 的授权管理员接受并纳入荣誉课程论文。如需更多信息，请联系 scholarworks@uni.edu 。
推荐引用 推荐引用 Osifeso, Olatilewa, “人工智能检测网络掠食者的能力”(2024)。电子论文、项目和论文。1920。https://scholarworks.lib.csusb.edu/etd/1920
CSUSB ScholarWorks 研究生院免费向您提供该项目，供您开放访问。CSUSB ScholarWorks 的授权管理员已接受该项目，将其纳入电子论文、项目和学位论文。如需更多信息，请联系 scholarworks@csusb.edu 。
推荐引用 推荐引用 Tippins, Nancy T.; Oswald, Frederick L.; 和 McPhail, S. Morton (2021) “关于基于人工智能的人员选拔工具的科学、法律和伦理问题：行动呼吁”，人员评估和决策：第 7 期：Iss。2，第 1 条。DOI：https://doi.org/10.25035/pad.2021.02.001 可在以下网址获取：https://scholarworks.bgsu.edu/pad/vol7/iss2/1
如今，说技术已深深植根于测试和评估已是陈词滥调。至少 30 年来，技术一直被广泛用于以各种形式促进就业环境中的测试和评估，基于技术的就业测试的利弊也已得到充分证明（例如，Tippins & Adler，2011）。简而言之，技术带来的速度提高和成本降低对于寻求评估大量求职者并及时有效地从中挑选的雇主来说尤其有吸引力。反过来，求职者本身也越来越期待技术先进、方便和引人入胜的选拔流程。尽管新技术具有明显的和潜在的好处，但仍存在许多挑战，例如可靠地识别合格的候选人以及防止威胁评估结果完整性的作弊和其他形式的不法行为。在本文中，我们首先想引起读者的注意
推荐引用 推荐引用 Collier, Zachary K.; Zhang, Haobai; 和 Liu, Liu (2022) “解释：多层次教育环境中倾向得分估计的人工智能”，实践评估、研究与评价：第 27 卷，第 3 篇文章。DOI：https://doi.org/10.7275/0dpq-eq84 可在以下网址获取：https://scholarworks.umass.edu/pare/vol27/iss1/3
尽管教育研究和评估通常发生在多层次环境中，但许多分析都忽略了集群效应。忽视教育环境中数据的性质，尤其是在非随机实验中，可能会导致有偏差的估计，并产生长期影响。我们的手稿提高了人工神经网络的可用性和理解力，这是一种在其他学科中流行的未充分利用的方法。这种方法还显示出应对教育研究人员面临的挑战的希望，例如分析聚类数据。因此，我们模拟了数据，以将人工神经网络的潜在优势推广到不同的数据类型。我们还将人工神经网络与更熟悉的方法进行了比较，并研究了执行每种技术所需的时间。因此，读者可以决定何时使用一种方法而不是另一种方法更合适。
推荐引用推荐引用 Cohen, Kelly；Bokati, Laxman；Ceberio, Martine；Kosheleva, Olga；以及 Kreinovich, Vladik，“为什么可解释人工智能中使用模糊技术？可解释人工智能中使用哪些模糊技术？” (2021)。部门技术报告 (CS)。1553。https://scholarworks.utep.edu/cs_techrep/1553
我们对个体表现感兴趣的情况。在我们对个体表现感兴趣的情况下，我们希望将失败概率降至最低，我们希望物体与期望轨迹的偏差尽可能小——因为正是这种偏差导致了失败。模糊控制中出现这种偏差的可能原因之一是模糊控制基于使用“与”和“或”运算结合原始专家的置信度，而原始估计仅提供一些不确定性。就像专家无法提供所需控制的确切值一样——这就是为什么首先需要模糊技术——专家也无法用确切的数字来描述他/她对某个陈述的置信度。如果我们强迫专家这样做——许多系统都是这样做的——当再次询问相同的陈述时，专家会提供略有不同的数字。这些变化会影响“与”和“或”运算的结果——从而影响最终的控制。与所需控制的任何过大偏差都可能是灾难性的。因此，为了安全起见，我们要确保最坏的偏差尽可能小。让我们用精确的术语描述这种情况。设 δ > 0 表示专家提供程度的准确度。这意味着同一位专家可以对同一句话 A 的置信度提供估计值 a 和 a ′，它们是 δ 接近的，即 | a − a ′ | ≤ δ 。类似地，对于另一个语句 B ，专家可以提供估计值 b 和 b ′，使得 | b − b ′ | ≤ δ 。由于这种不确定性，我们可以得到不同的值 f & ( a , b ) 和 f & ( a ′ , b ′ )，即我们有一个非零差值 | f & ( a , b ) − f & ( a ′ , b ′ ) |。最坏的情况是这种差异最大。它的特点是价值
推荐引用 推荐引用 梁玉准，“基于人工智能技术的股市预测”（2021 年）。电子论文、项目和学位论文。1324。https://scholarworks.lib.csusb.edu/etd/1324
CSUSB ScholarWorks 研究生院免费向您提供本论文，供您开放访问。CSUSB ScholarWorks 的授权管理员已接受本论文，将其纳入电子论文、项目和学位论文。如需更多信息，请联系 scholarworks@csusb.edu。
González, Oscar；Shrikumar, H.；Stankovic, John A.；以及 Ramamritham, Krithi，“动态硬实时调度下的自适应容错和优雅降级”（1997 年）。计算机科学系教师出版物系列。188。取自 https://scholarworks.umass.edu/cs_faculty_pubs/188
静态冗余分配不适用于在可变和动态环境中运行的硬实时系统（例如雷达跟踪、航空电子设备）。自适应容错 (AFT) 可以在时间和资源约束下确保关键模块具有足够的可靠性，方法是将尽可能多的冗余分配给不太重要的模块，从而优雅地减少它们的资源需求。在本文中，我们提出了一种支持实时系统中自适应容错的机制。通过为动态到达的计算选择合适的冗余策略来实现自适应，以确保所需的可靠性并最大限度地发挥容错潜力，同时确保满足最后期限。使用模拟 AWACS 预警机中雷达跟踪软件的实际工作负载来评估所提出的方法。结果表明，在满足时间约束的任务方面，我们的技术优于静态容错策略。此外，我们表明，这种以时间为中心的性能指标的增益不会将执行任务的容错性降低到预定义的最低水平以下。总体而言，评估表明，所提出的想法产生了一个在容错维度上动态提供 QOS 保证的系统。