基于XGBoost的上市公司财务舞弊预测模型研究

研究目标:探讨如何利用大数据和机器学习方法对上市公司财务数据和非财务数据进行分析和挖掘，并应用于上市公司财务舞弊识别和预测。研究方法:提出一种基于机器学习方法的上市公司财务舞弊预测模型Xscore,对上市公司财务舞弊进行预测。研究发现:Xscore模型能够提高模型预测的准确率，在准确率、召回率、AUC指标、KS值、PSI稳定性等方面均优于Fscore模型和Cscore模型，更适合我国上市公司财务舞弊预测。研究创新:基于2000～2020年中国上市公司数据集为观测样本，通过Benford定律、LOF局部异常法、IF无监督学习法，解决了机器学习应用于财务舞弊识别研究时普遍面临的灰色样本问题，甄选兼具领域特性和统计特征的特征变量；首次将XGBoost集成学习方法应用到上市公司财务舞弊预测分析中，有效提高了上市公司财务舞弊准确率。研究价值:本文将XGBoost集成学习方法引入上市公司财务舞弊识别领域，有助于促进人工智能、机器学习在会计学中的研究与应用，为促进上市公司披露高质量的财务信息和维护资本市场秩序提供参考。     

网约车安全事件的预测研究

随着网约车的蓬勃发展，网约车为我们的出行带来了极大的便利。而随着市场规模的逐步扩大，网约车安全日益成为网约车行业关注的焦点。研究尝试通过机器学习辅以文本挖掘手段来对司乘冲突的严重程度进行定级预测，数据来源于法律文书网和资讯网站。研究发现在数据特征选择方面，机器学习能选择出更好的特征变量，而当采用特征标准化方法处理样本并且采用逻辑回归作为模型算法时，网约车司乘冲突事态严重程度等级预测准确率最高。研究发现，冲突事态严重程度定级对于网约车安全事件管理有着重要理论意义，另一方面，网约车平台通过机器学习手段建立主动发现冲突风险的主动防御型风险管理模式，以此降低司乘冲突风险来提升网约车司乘双方的安全，具备一定的实践意义。     

机器学习在数据挖掘中的应用

本文的目的是阐述数据挖掘中机器学习的作用。数据挖掘在商业领域得到了广泛的应用,而机器学习可以进行数据分析和模式发现,从而在数据挖掘应用中扮演了一个关键的角色。了解各个机器学习技术的优缺点有助于我们在具体的应用中选择合适的方法。因此,本文对机器学习技术进行了总结和分析,并讨论了它们在数据挖掘中的优缺点。     

科技浪潮下的物业管理

<正>近二十多年，随着互联网的普及，移动通信技术的发展，智能手机、人工智能和机器学习以及物联网的兴起、虚拟现实和增强现实技术的发展，科技的浪潮席卷了各行各业，也深刻改变着各行各业。物业管理也深受科技影响，近年来，智慧物业成为物业行业的新趋势。通过云计算与大数据应用、物联网技术以及人工智能与机器学习等技术的融合与应用，物业管理将迎来革命性的改变，核心竞争力将得到大幅提升。具体来说，物业管理将会在自动化和智能化、数据分析和预测、客户服务和体验、安全监控、资产管理等方面迎来深刻的变化。     

基于自适应学习的地块定价策略研究

基于最小二乘法的自适应地块价值评估策略,本文将机器学习模型与专家经验提炼的逻辑框架相结合,通过机器学习去全量化、自动化学习框架参数可以有效提高定价精度,改进后的定价系统可以达到商用级别精度(90％以上),较专家定价,具有成本低、效率高、精度强的优点,较纯机器学习模型定价,高质量样本量的需求大幅减少,达到低成本、高效率、...     

基于TPOT的信用卡逾期识别算法

文章提出了一种基于自动机器学习(Automatic Machine Learning)框架TPOT的信用卡逾期识别算法。通过K-近邻、决策树、支持向量机、随机森林、多层感知神经网络、TPOT自动机器学习这6种算法构建了信用卡逾期识别模型,进而以准确率、精确率、召回率、混淆矩阵、F1值为基准进行不同模型的性能评价。经反复的实例论证和理论测算,该框架相较于传统机器学习,平均准确率达到80%以上,能够在节省参数调节时间的基础之上,获得更佳的效果。     

城市轨道交通投资估算大数据分析与BIM集成展示

基于城市轨道交通在初步设计阶段设计概算所积累的历史数据，利用随机森林等机器学习算法挖掘不同设计参数、环境地质、施工资源配置条件下，实现迅速对总体设计阶段车站、区间及人防工程的工程造价的评估预测，并结合BIM数据集成与可视化展示的特点进行三维交互集成展示，迅速形成总体设计方案整体效果，辅助决策。     

大数据下基于机器学习的项目智能成本管理研究 ——以A风景园林规划研究院规划设计类项目为例

随着云计算、大数据、人工智能技术的发展与应用,以及激烈市场竞争导致的成本控制压力加大,企业的成本管理模式开始呈向数字化、智能化和科学化.文章以A风景园林规划研究院规划设计类项目为例,在分析研究院项目成本管理的现状与问题的基础上,设计了大数据下基于机器学习的项目智能成本管理框架,详细阐述了数据来源、数据采集与处理过程,以及实现各项成本智能管理活动涉及到的机器学习算法,最后分别从成本预测、成本计划、成本控制、成本核算、成本分析与评价方面介绍了机器学习算法在项目成本管理中的具体应用.     

通过比较认识数据挖掘

文章通过将数据挖掘与机器学习、数据库查询、统计学、OLAP以及数据仓库等技术的比较,达到清晰认识数据挖掘的目的。     

数据挖掘系统设计技术分析

数据挖掘技术则是商业智能（BusinessIntelligence）中最高端的，最具商业价值的技术。数据挖掘是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉，随着海量数据搜集、强大的多处理器计算机和数据挖掘算法等基础技术的成熟，数据挖掘技术高速发展，成为21世纪商业领域最核心竞争力之一。本文从设计思路、系统架构、模块规划等方面分析了数据挖掘系统设计技术。     

流形学习的研究

文章介绍了流形学习基本思想和目前的最新研究成果，同时，简要叙述了流形学习算法的概念。流形学习作为一种新兴的降维手段，其目的是发现嵌入在高维欧氏空间中的低维光滑流形数据结构，并给出有效的低维表示。目前，随着计算机信息网络的飞速发展，流形学习已成为模式识别、机器学习和数据挖掘等领域的热点研究项目。     

人工智能在建设工程项目造价管理中的应用

如何提高投入建设工程的人力、物力和财力的利用率,实现最少的投入取得最大化的经济社会效益,是造价管理关注重点,问题的本质是最优设计与深度管理的问题.伴随着人工智能浪潮的兴起,机器学习已经在很多领域超越了人类水平,比如图像识别、语音识别等.为此,探索机器学习,利用人工智能在建设工程项目造价管理中的应用是非常有意义的工作.     

人工智能在建设工程项目造价管理中的应用

如何提高投入建设工程的人力、物力和财力的利用率,实现最少的投入取得最大化的经济社会效益,是造价管理关注重点,问题的本质是最优设计与深度管理的问题.伴随着人工智能浪潮的兴起,机器学习已经在很多领域超越了人类水平,比如图像识别、语音识别等.为此,探索机器学习,利用人工智能在建设工程项目造价管理中的应用是非常有意义的工作.     

网络流量分类研究进展综述及未来发展

文章对现有的网络流量分类方法进行了分析和总结,比较了基于模式匹配和基于机器学习的两大网络流量分类方法的优缺点,并在此基础上提炼出基于机器学习方法的流量分类框架,指出当前网络流量分类方法亟待解决的问题与五大研究方向,为网络流量分类的相关研究提供了参考。     

机器学习在人力资源管理领域中的应用研究

本研究关注的是机器学习在人力资源管理领域的应用,通过目前已有研究的梳理,以了解在人力资源管理领域中人工智能/机器学习的应用程度和研究热点。同时,基于管理实践,本研究提出了人力资源管理者如何利用算法,以有价值的方式处理和解释数据,将其真正应用于人力资源管理的六大模块工作中,以降低管理成本,提供不断增长的优势和潜力。最后,在现有学术研究和管理实践的基础上,本研究列举了机器学习在人力资源管理领域应用可能面临的挑战,以及未来的研究方向,以期为后续的研究提供一定的参考。     

统计学习的过去、现在和将来

现今的统计学习虽然已经有了重大的发展，但是若想把事情完全交给机器完成却不能得到理想结果，仍需要加入大量的人类智慧。现代统计学习理论是研究利用经验数据进行机器学习的一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴。在科学技术飞速发展的今天，统计学习理论广泛吸收和融合相关学科的新理论，不断开发应用新技术和新方法，深化和丰富了统计学传统领域的理论与方法，并拓展了新的领域。     

城市轨道交通安全评价大数据分析与BIM集成展示

以明挖车站和盾构区间为评价分析对象，以工程事故案例历史数据为数据资源，包含工程事故的大概情况，事故的具体情况、事故原因的初步分析、事故的发生发展经过、事故抢修抢险措施、事故项目的地质勘察资料、围护结构资料、施工过程资料以及工程监测资料等，对工程设计阶段的方案进行安全性评价，通过对原始数据的结构化处理，利用机器学习算法挖掘数据价值，基于整理的结构化数据进行安全事故影响因素分析、事故预警分析、安全等级评价分析，最终将分析结果集成到BIM-GIS平台中实现可视化展示。     

基于Web的智能化作业系统研究

<正>随着互联网技术的发展,在Web领域开始采用人工智能和数据挖掘技术,通过知识发现、机器学习、统计分析或其他方法,从大量的学习者学习行为数据中进行数据挖     

面向机器学习与数据挖掘实践教学的自由软件分析

数据挖掘技术涉及了数据库技术、人工智能、机器学习、神经网络、统计学、模式识别等众多学科。C4 5、Weka、Xelopes是三个可获取源代码的自由软件 ,在机器学习、数据挖掘、模式识别等课程中使用大有益处。     

基于机器学习的车辆价格预测研究

随着社会的进步与发展，我国机动车的保有量逐步上升，与此同时，车辆的交易市场也在逐步扩大。因此，合理对车辆价格进行评估成为车辆交易市场最值得关注的事情。文章通过对不同车型的几类特征使用热力图进行相关性分析并且删除冗余特征，最后用四种机器学习模型对数据进行预测，通过一系列量化指标得出预测效果最好的模型。实验结果表明，该模型具有较高的精确度，能够有效预测车辆价格，同时也能为二手车交易市场提供一定参考。