新形势下人工智能产业发展现状研究——以江苏为例

人工智能产业规模不断增长,企业数量不断增加,新技术不断突破,在推动经济繁荣、改善民生及保障国家和国土安全方面具有重要战略意义。文章分析了在全球经济一体化背景下,美国、欧盟、英国、日韩和中国人工智能产业发展的现状,针对江苏人工智能产业的发展水平和所处地位,分别从产业生态状况、基础产业水平、细分产业优势及开发区发展现状等方面总结了江苏人工智能产业的发展优势,并针对全球人工智能产业发展的趋势,提出进一步的发展建议。     

团队跨边界活动对团队有效性的影响作用研究

通过文献综述,得出了团队跨边界活动对团队有效性有着倒U型的影响作用这一结论。同时,在团队学习理论和社会网络理论的基础上,对上述作用的内部机制进行研究探索,并从团队和个体两个层面分析相关的影响因素。最后,从企业管理实践的角度出发,基于研究结果提出几点思考和意见。     

浅谈如何做好新形势下医院党委办公室工作

医院党委办公室是医院党委的直属机构和参谋助手,地位特殊、责任重大。在《关于加强公立医院党的建设工作的意见》和医改新形势下,公立医院党委办公室需要转变工作理念,主动适应和正确应对工作任务的变化。在完成党委所要求的基本任务外,认真做好新形势下的工作任务,以推动人民群众健康事业的不断进步。     

如何培养农村小学留守儿童良好的学习行为习惯

随着农村劳动力进城务工大潮的到来,留守学生成了农村教育的一个特殊群体。这些留守儿童有的对学习持消极、厌恶情绪。有的由于没有掌握科学的学习方法,导致学习事倍功半。这些弊病会影响一个人的一生。因此,教师积极培养留守儿童良好的学习行为习惯刻不容缓。     

浅析招投标过程中的最优投标方案

在招投标活动中,招标人能否中标,投标方案起着决定性的作用,报价和投标策略直接决定投标方案的质量。想要编制出最优投标方案,需要严格根据招标文件中的要求进行编制。一般来说,投标文件都是投标人根据业主的需求进行编制的,因此,最优投标方案在招投标过程中是非常重要的。而决定投标方案是否为最优投标方案的因素是投标策略和报价技巧。     

“反腐门诊”要善于“望闻问切”

《人民日报》报道,为揪出基层群众身边的“蚁贪蝇贪”．福建省泉州市纪委探索建立“反腐门诊”机制,通过学习借鉴乡村医生典型做法,倡导纪检监察干部主动上门“问诊”,贫困户、低保户等困难群体,老党员、老干部和德高望重的乡贤,信访涉及对象,“两代表一委员”及党风廉政监督员为5种必访对象。晋江市纪委在全市19个镇（街道）的393个村（社区）建立村级纪检工作室390个,采用镇纪委委员定期组织驻村接访活动,居民群众在家门口就能反映问题。     

高校“暑期三下乡”活动的实践育人功能分析——以西北大学安康扶贫普法实践为例

文章以西北大学法学院师生安康开展暑假社会实践调研活动为例,对高校暑期三下乡的实践育人的做法和功能进行了分析和思考,认为大学生通过社区普法,在实践中普及法律,提升理论素养;通过精准扶贫,在实践中扶弱助困,塑造优良品格;通过调研走访,在实践中深入研究,更新认知体系;通过山区支教,在实践中扶助儿童,培养综合能力;通过参观座谈,在实践中了解基层,承担社会责任。     

社会资本:企业价值创造的软实力

一、社会资本——一种企业软实力 自20世纪下半叶以来,全社会进入了信息网络化的时代,存在于网络社会中的任何一个行为主体的生存与发展均离不开与其利益相关者的合作与共享;经济的发展日益呈现出全球化、一体化的趋势,社会资本作为一种嵌入于社会网络结构中的无形资源,越来越成为现代企业创建持续竞争优势和超额价值增值的关键因素。     

深度学习的金融实证应用:动态、贡献与展望北大核心CSSCISSCI

随着智能时代来临以及金融数据分析需求提升,深度学习已经成为金融领域中的应用前沿,特别是在预测金融市场运动、处理文本信息、改进交易策略方面。深度学习包含深度神经网络、深度信念网络等多种结构,通过分层结构提取深层特征,强化重要因素、过滤噪音,对提升预测准确率具有重要意义;其应用及由此衍生的优化技术改进了金融领域预测分析方法,促使实证研究范式从线性向非线性转变、从关注参数显著性向关注模型结构和动态特征转变,同时为丰富金融经济理论做出贡献。构建结构合适、效果稳健的模型以捕捉金融数据有效特征并进行经济含义阐释是应用深度学习方法的难点与重点;未来研究可以从挖掘深层经济意义、提炼一般性预测分析框架、探索其对异质信息的适用性等角度展开。     

基于机器学习算法的车险索赔概率与累积赔款预测

保险费率厘定的核心工作是对保险损失的预测。在保险损失预测中,广义线性模型是目前使用最为广泛的主流方法,而机器学习算法则提供了一种新的选择。本文将支持向量机、神经网络和集成学习等机器学习算法应用于汽车保险的损失预测,建立了索赔发生概率的预测模型和累积赔款的预测模型,并与传统广义线性模型中的logistic回归模型和伽马回归模型进行了比较。结果表明,机器学习算法的优点是不依赖于分布假设,在一定程度上可以提高保险损失预测的精度,缺陷是比较耗时,建模过程中的人为干预较多,对使用者提出了更高的要求,且输出结果的可解释性不及广义线性模型。机器学习算法与广义线性模型在保险损失预测中各有优缺点,具有互补性,在实际应用中,可以根据不同的场景选择不同的方法。